一种基于图时空网络的雷达目标检测方法
1.本发明属于雷达目标检测技术领域，特别涉及一种基于图时空网络的雷达目标检测技术。
背景技术：
2.雷达目标检测技术的目的在于在杂波和噪声背景中发现感兴趣的目标，其在国防安全领域有着不可替代的应用价值。对于基于深度学习的雷达目标检测技术，由于其不需要构建杂波统计模型以及人工设计用于检测的专业领域特征量，能适应复杂场景下的目标检测任务需求，近年来吸引了国内外学者的极大关注。
3.国内外诸多研究机构开展了基于深度学习的雷达目标检测技术研究，并初步产生了一些研究成果。文献“false-alarm-controllable radar detection for marine target based on multi features fusion via cnns.,ieee sensors journal.,vol.21,no.7,pp.9099-9111,apr.2021”首先对多个相干脉冲的雷达回波的每个距离单元进行预处理，获得每个距离单元回波的时频图，然后利用两个独立的cnn分支分别从时频图和回波幅度序列中提取具有不同特性的特征，并联合这些特征进行目标检测，依次获得对每个距离单元的检测结果。文献“multiframe detection of sea-surface small target using deep convolutional neural network.,ieee transactions on geoscience and remote sensing.,vol.60,pp.1-16,2022”基于多帧距离多普勒谱图对运动目标进行检测，利用运动目标和海杂波的特征差异和帧间相关性实现雷达目标检测。上述方法缓解了传统目标检测方法需要构建杂波统计模型或人工设计特征量导致检测方法鲁棒性不够的问题。但是，其由于需要对雷达回波进行信号域变换导致这些模型计算复杂度大；此外，其未利用雷达回波中时空信息，易造成目标漏检及杂波虚警。因此，研究一种无需信号域变换及充分利用雷达回波信息的基于深度学习的雷达目标检测技术具有中要的实际意义和应用价值。
技术实现要素：
4.为解决上述技术问题，本发明提出一种基于图时空网格的雷达目标检测方法，采用本发明的方法能够减小检测计算复杂度、目标漏检率和杂波虚警率。
5.本发明采用的技术方案为：一种基于图时空网格的雷达目标检测方法，包括：
6.s1、高维特征映射：考虑p个脉冲压缩后的相干雷达脉冲回波r1,r2,...,r
p
，其中每个雷达脉冲回波包含l个距离单元，p＝1,2,...,p；首先将r1,r2,...,r
p
积累成一个二维数据平面a：
7.8.然后，构建非线性高维特征映射子网络f1，将a送入非线性高维特征映射网络，从而将a中每个脉冲的每个距离单元的回波转换到高维特征空间，获得高维特征空间中的数据矩阵b，即：b＝f1(a)，其中d1是每个脉冲的每个距离单元回波被转换到高维特征空间的特征维数；
9.s2、时空图构造：将b构造成时空图；具体的：首先利用b中每个脉冲的所有距离单元构造p个空间图；考虑第p个脉冲的l个距离单元，则反映第p个空间图结构的唯一邻接矩阵c
p
为：
[0010][0011]
空间图共有l个节点，每个节点和第p个脉冲的l个距离单元一一对应，每个节点的节点特征为每个距离单元回波被转换到的高维特征空间的d维特征；将所有p个空间图进行排列，构成时空图g；
[0012]
s3、时空特征提取：构造时空特征提取子网络f2，采用时空特征提取子网络f2从时空图g中提取时空特征，
[0013]
所述时空特征提取子网络f2结构若干空间特征提取模块和时间特征提取模块交替级联。
[0014]
s4、获得检测结果：构建检测子网络f4，将提取的时空特征f送入f4以映射到二维概率空间，获得对p个脉冲的l个距离单元的l个检测概率，将检测结果和预设阈值η比较，大于或等于η为回波属于目标，否则回波不属于目标，从而获得对p个脉冲的l个距离单元的检测结果。
[0015]
本发明的有益效果：本发明首先将雷达回波非线性映射到高维特征空间，提升目标和杂波的可分辨性；然后将高维空间中的雷达回波构造成一个时空图；进而提出了一种时空特征提取方法来提取时空图的时空特征；最后将时空特征非线性映射到二维概率空间并和预设阈值比较，获得检测结果。本发明的方法避免了对雷达回波的信号域变换，可有效降低检测计算复杂度，同时利用了雷达回波的时空信息，可减少漏检及虚警并提升检测概率。
附图说明
[0016]
图1为发明方法总体架构；
[0017]
图2为非线性高维特征映射子网络结构；
[0018]
图3为空间图结构；
[0019]
图4为时空图结构；
[0020]
图5为时空特征提取子网络结构；
[0021]
图6为检测子网络结构；
[0022]
图7为时间特征提取模块结构；
[0023]
图8为公开的ipix数据集中19931108_220902_starea.cdfhh极化回波幅度图；
[0024]
图9为某测试样本幅度图；
[0025]
图10为对某测试样本的检测结果。
具体实施方式
[0026]
为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
[0027]
如图1所示，本发明的方法实现过程包括以下步骤：
[0028]
步骤1：高维特征映射
[0029]
考虑64个脉冲压缩后的相干雷达脉冲回波r1,r2,...,r
64
，其中每个回波包含14个距离单元，p＝1,2,...,64，表示复数域。首先将r1,r2,...,r
64
积累成一个二维数据平面a：
[0030][0031]
然后，设置附图2所示的非线性高维特征映射子网络f1的具体参数，串接代表将复值雷达回波的实部和虚部拼接起来，使得二维数据平面a变成三维数据立方体表示实数域，其中卷积1和卷积2都是一个卷积核尺寸为(1,3)、步长尺寸为(1,1)以及填充尺寸为(0,1)的卷积层，卷积1和卷积2的输出通道数分别为32和64；激活函数1和2都是relu非线性激活函数。将a送入非线性高维特征映射网络，获得高维特征空间中的数据矩阵
[0032]
步骤2：时空图构造
[0033]
将b构造成时空图。具体来说，首先利用b中每个脉冲的所有距离单元构造64个空间图。考虑第p个脉冲的14个距离单元，则反映第p个空间图结构的唯一邻接矩阵c
p
为：
[0034][0035]
即附图3中l＝14，将64个空间图按顺序进行排列，构造时空图g，即附图4中的空间图个数为64。
[0036]
步骤3：时空特征提取
[0037]
首先构造如图5所示的由两个空间特征提取模块和两个时间特征提取模块组成的时空特征提取子网络f2从时空图g中提取时空特征。空间特征提取模块采用图注意力层以提取g中每个空间图的每个节点(对应于回波的每个距离单元)的空间特征。具体来说，将空间图的第i个节点表示为vi，第i个节点的邻居节点表示为vj，则vi和vj之间的注意力分数β
i,j
可以通过下式计算
[0038][0039]
上式中，leakyrelu(
·
)表示leakyrelu非线性激活函数，xi和xj表示vi和vj的节点特征，a表示可学习的权重向量，w表示可学习的权重矩阵，表示节点vi的邻居节点集。则节点的空间特征可由下式计算：
[0040][0041]
上式中，θ为可学习的参数矩阵。
[0042]
时间特征提取模块构造如附图7所示。具体来说，第一个空间特征提取模块输出特征大小为128，第二个空间特征提取模块输出特征为512；第一个时间特征提取模块和第二个时间特征提取模块的卷积1-1和卷积1-2为卷积核尺寸为(3,1)、步长尺寸为(2,1)以及填充尺寸为(1,0)的卷积层，卷积1-1和卷积1-2的输出通道数在两个时间特征提取模块里分别为256和1024；激活函数1-1和激活函数1-2分别为sigmoid非线性激活函数和tanh非线性激活函数。时空特征提取子网络从时空图g中提取的时空特征
[0043]
步骤4：获得检测结果
[0044]
设置如附图6所示的检测子网络f4具体参数，具体来说最大池化层核尺寸设置为(3,1),填充尺寸为(1,0)，卷积3和卷积4为核尺寸(3,1)、步长尺寸为(2,1)以及填充尺寸为(1,0)的卷积层，激活函数3和4分别为relu函数以及sigmoid函数。将提取的时空特征f送入f4以映射到二维概率空间，获得对64个脉冲的14个距离单元各自的检测概率pd(距离单元的回波属于目标的概率)。具体来说，假设某个距离单元在送入sigmoid函数前的特征为(o1,o2)，则对该距离单元的检测概率可由下式计算
[0045]
pd＝sigmoid(o2)
[0046]
上式中，sigmoid(
·
)表示sigmoid函数。
[0047]
设置阈值η＝0.5以获得最终检测结果。
[0048]
本发明的效果通过以下实验验证进一步说明：
[0049]
训练集及测试集构建
[0050]
采用公开的ipix海上目标检测雷达回波数据集中的19931108_220902_starea.cdf的hh极化回波子数据集构建训练集和测试集对本发明进行阐述及验证。19931108_220902_starea.cdf回波如附图8所示，其有131072个相干的脉冲压缩后回波，每个脉冲有14个距离单元。为了训练及测试本发明所提方法，将第1-104832个脉冲用于制作训练集，将第104833-131072个脉冲用于制作测试集，共可获得1638个训练样本，410个测试样本，即对于每个训练样本或者测试样本，设置p＝64，l＝14。
[0051]
网络训练：
[0052]
利用训练集训练网络，具体训练设置为：优化器采用学习率为0.001的adam优化器，损失函数采用二元加权交叉熵函数，加权权重设置为[1,4000]，batch size设置为512，训练200epochs。
[0053]
网络测试：
[0054]
利用测试集样本测试网络，网络对目标的检测概率以及杂波的虚警概率如表1所示：
[0055]
表1网络对目标的检测概率以及杂波的虚警概率
[0056]
检测概率虚警概率100.00％0.75％
[0057]
对如附图9所示的测试样本，其检测结果如附图10所示。
[0058]
实验说明，本发明可实现对复杂杂波背景下目标的有效检测，检测概率低、虚警率低。
[0059]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
技术特征：
1.一种基于图时空网络的雷达目标检测方法，其特征在于，包括：s1、高维特征映射：通过构建非线性高维特征映射子网络，将多个相干脉冲的每个距离单元脉冲压缩后雷达回波映射到高维空间，获得高维特征空间中的数据矩阵；s2、时空图构造：根据映射到高维空间的雷达回波构造成一个时空图；s3、时空特征提取：通过构建时空特征提取子网络，从时空图中提取时空特征；s4、获得检测结果：构建检测子网络，将时空特征输入检测子网络获得对多个相干脉冲的检测概率，并将检测概率和设置阈值比较，获得最终检测结果。2.根据权利要求1所述的一种基于图时空网络的雷达目标检测方法，其特征在于，所述非线性高维特征映射子网络依次包括：串接层、第一卷积层、第二卷积层；所述串接层将多个相干脉冲的每个距离单元脉冲压缩后雷达回波的实部与虚部拼接起来；第一卷积层和第二卷积层各包括一个激活函数，分别记为第一激活函数、第二激活函数；第一卷积层和第二卷积层的输出通道数分别为32和64；第一激活函数和第二激活函数为relu非线性激活函数。3.根据权利要求2所述的一种基于图时空网络的雷达目标检测方法，其特征在于，步骤s2具体为：利用获得高维特征空间中的数据矩阵中每个脉冲的所有距离单元构造若干个空间图，这若干个空间图的数量与相干脉冲的数量相等，将这若干个空间图进行排列，构成一个时空图。4.根据权利要求3所述的一种基于图时空网络的雷达目标检测方法，其特征在于，步骤s3所述的时空特征提取子网络结构为若干空间特征提取模块和时间特征提取模块交替级联；空间特征提取模块采用图注意力层以提取时空图中每个空间图的每个节点的空间特征；时间特征提取模块采用卷积层提取空间图的每个节点在所有空间图中的时间特征。5.根据权利要求4所述的一种基于图时空网络的雷达目标检测方法，其特征在于，检测子网络用于将时空特征映射到二维概率空间，获得这多个相干脉冲的每个距离单元的检测概率。
技术总结
本发明公开一种基于图时空网络的雷达目标检测方法，应用于雷达目标检测技术领域。针对现有基于深度学习技术的雷达目标检测方法由于需要对雷达回波进行信号域变换导致计算复杂度大、未利用雷达回波中时空信息造成目标漏检及杂波虚警多的问题。本发明首先将雷达回波非线性映射到高维特征空间，提升目标和杂波的可分辨性；然后将高维空间中的雷达回波构造成一个时空图；进而提出了一种时空特征提取方法来提取时空图的时空特征；最后将时空特征非线性映射到二维概率空间并和预设阈值比较，获得检测结果。本发明避免了对雷达回波的信号域变换，可有效降低检测计算复杂度，同时利用了雷达回波的时空信息，可减少漏检及虚警并提升检测概率。检测概率。检测概率。
