雷达目标跨域随机扰动成像的增强识别方法

本发明属于信号与信息处理，具体涉及一种雷达目标增强识别方法，可用于目标识别、检测或图像分割等解译任务。

背景技术：

1、合成孔径雷达能够在不同天气条件下连续工作，提供独特而有用的信息。在雷达信号处理中，图像融合、近岸船舶检测、目标识别等最基础的课题中得到了广泛关注和应用。在早期的研究中，该任务通常依赖于手工制作的特征，如目标阴影、统计分布和时频系数。对这些特征进行预处理，提取目标的散射中心，并对目标特征进行编码。然而，这种手工特征的可识别能力会严重影响任务最终的检测性能。近年来，深度学习的发展使数据驱动算法受到广泛关注。许多基于深度学习的雷达相关算法被提出，并且相继验证了深度学习方法在sar领域的有效性。但是，深度模型的学习效率严重受到带有标记信息的高质量数据的数量影响。而sar在收集过程中由于操作空间极易发生变化，导致其几乎不可能收集到足够的测量数据来覆盖雷达传感器的整个空间，这些有限的样本数量使训练过程陷入局部最优，影响深层模型拟合能力的提高。

2、目前常见的解决策略为数据扩充。许多研究人员将其与下游任务结合起来，取得了有效的结果提升。专利申请号为cn202111251808.3的专利文献公开了“一种基于掩膜的数据增强方法”，其通过大数据等技术不断收集有瑕疵的原始图片，由人工在原始图片上标注出有瑕疵的区域轮廓，形成掩膜区，根据掩膜区中各个点的坐标计算出掩膜边界框，形成瑕疵框；建立图像掩膜库。在图像掩膜库中随机选取图像掩膜进行计算，保证生成的瑕疵具有随机性，尽量模拟实际应用中发现的瑕疵；采用图像变换操作，经由替换区域，在目标图片上产生瑕疵，将现有有限数据的目标区域提取出来，进行变换并添加到指定图像的目标区域。该方法虽然可以由小样本数据生成大样本数据，但是实现的基础是利用光学图像的幅值信息，由于雷达数据中不仅存在小目标特性，还包含复杂的相位信息，因而将该方法直接运用于雷达数据上，将会使雷达目标中的重要特征产生缺失，且无法利用自带的复杂特性来提升学习精度。

3、申请号为cn202311442013.x的专利文献公开了“基于生成对抗神经网络的雷达数据集扩充方法”，其通过生成对抗神经网络，将随机抽样产生的噪声通过生成器和判决器的博弈训练转变为所需场景的雷达仿真数据，达到雷达数据扩充的目的。然而，该方法的训练过程不稳定，极易产生模型崩溃问题，并且训练时间和计算资源需求过大，成本较高，无法作为轻量级组件插入下游任务中。

技术实现思路

1、本发明的目的在于针对上述现有技术的不足，提出一种雷达目标跨域随机扰动成像的增强识别方法，以利用雷达信号的跨域信息对雷达复数据中的目标进行稳定增强，在不大量增加计算资源的情况下，避免增强结果重要特性的损失，提升目标识别精度。

2、实现本发明目的的技术思路是：通过利用雷达成像原理对雷达目标进行跨域表示增强来避免增强结果重要特性的损失；通过掩膜方式模拟现实场景中不可预见的扰动来增加增强结果的多样性，在不大量增加计算资源的情况下进一步提升目标识别精度。

3、为实现上述目的，本发明的技术方案包括如下：

4、(1)获取训练样本集和测试样本集：

5、从公开数据集中获取包括c种目标类别的a个雷达复数据x，c≥4，a≥2000；

6、将雷达复数据x中俯仰角度为p和俯仰角度为q的雷达复数据及对应的标签，分别组成预训练样本集和测试样本集；

7、(2)构建包括域转换模块和数据处理模块级联组成的雷达复数据跨域表达框架d；

8、(3)将训练样本集输入到雷达复数据跨域表达框架d进行数据重投影，并对投影后得到的数据进行随机冻结，以此模拟现实场景中不可预见的扰动，得到添加扰动后的数据x*；

9、(4)将添加扰动后的数据x*作为雷达复数据跨域表达框架逆执行的输入，重新进行成像，得到雷达目标投影回二维时域对应的增强结果xnew；

10、(5)构建包括顺次连接的深度可分离卷积模块和分类模块的分类器网络模型s；

11、(6)使用增强结果xnew，通过反向传播对分类器网络模型s进行迭代训练，得到训练好的分类器网络模型s*；

12、(7)将测试样本集输入到训练好的雷达目标分类网络模型s*，得到雷达目标的分类结果。

13、本发明相比于现有技术具有如下优点：

14、1、本发明由于引入了雷达成像机理，将二维时域数据重投影至其他域进行目标增强，其效果远远优于幅度数据进行简单旋转插值的增强结果，有效改善了本地数据的匮乏问题，提升目标识别精度；

15、2、本发明由于构建的域转换模块包含三种可选的不同傅里叶变换，所以跨域信息不仅局限于二维频域，还可以扩展到距离频域和方位频域，能够在不同场景下充分利用雷达四个域的复杂信息；

16、3、本发明由于在目标增强过程中使用冻结来模拟现实场景下的不可预见干扰，其在实际应用中具有高度的灵活性，可依据具体需求采用如切割、隐藏等多种操作形式，提高了增强结果的多样性，进一步提升了目标识别精度；

17、4、本发明由于所提出的方法针对雷达复数据而不是二维图像，所以与现有技术相比可以拓展到各种不同表达形式下的数据；

18、5、本发明由于构建的分类器网络模型可以对输入数据在迭代训练时进行实时处理，所以数据增强模式能自主选择在线增强和离线增强，在实际应用中可以综合考虑具体场景中的模型性能、训练速度和资源利用效率等因素选择增强模式。

技术特征：

1.一种雷达目标跨域随机扰动成像的增强识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的方法，其特征在于，步骤(2)构建雷达复数据跨域表达框架d中的域转换模块和数据处理模块，其结构如下；

3.根据权利要求1所述的方法，其特征在于，步骤(3)中将训练样本集输入到雷达复数据跨域表达框架d进行数据重投影，对投影后得到的数据进行随机冻结，以此模拟现实场景中不可预见的扰动，实现如下：

4.根据权利要求1所述的方法，其特征在于，步骤(4)中将添加扰动后的数据x*作为雷达复数据跨域表达框架逆执行的输入，重新进行成像，实现如下：

5.根据权利要求1所述的方法，其特征在于，步骤(5)构建分类器网络模型s中包括的深度可分离卷积模块和分类模块，其结构如下：

6.根据权利要求1所述的方法，其特征在于，步骤(6)使用增强结果，通过反向传播对分类器网络模型s进行迭代训练，实现如下：

技术总结
本发明公开了一种雷达目标跨域随机扰动成像的增强识别方法，主要解决将通用数据增强的方法直接用于雷达数据扩充导致目标关键特性损失的问题。其实现方案是：构建训练样本集和测试样本集；构建雷达复数据跨域表达框架；利用雷达复数据跨域表达框架对训练样本数据进行跨域投影；利用生成的形状和尺寸各异的随机掩码对跨域投影的结果进行扰动；根据雷达成像原理对随机扰动数据重新进行成像来获得增强结果；构建分类器网络模型；用增强结果对分类器网络模型进行迭代训练；将测试样本集输入到训练好的分类器网络模型中来获取目标识别结果。本发明能够在增强结果中保持目标关键特性完整，有效提升目标识别精度，可用于目标识别、检测或图像分割等解译任务。

技术研发人员：董刚刚,宋娅菲,刘珊杉,刘宏伟
受保护的技术使用者：西安电子科技大学
技术研发日：
技术公布日：2024/9/23