一种雷达目标识别模型训练、雷达目标识别方法及装置

本发明涉及深度学习，尤其涉及一种雷达目标识别模型训练、雷达目标识别方法及装置。

背景技术：

1、雷达目标识别是低空空域安全防护的核心技术之一。随着小型无人机的广泛普及，对低空空域中无人机与鸟类等非合作目标的快速、准确识别需求日益迫切。无人机与鸟类在雷达回波上具有相似的特征表现：均为低空飞行、体积较小、运动速度相对较慢，这给基于雷达的目标识别带来了巨大挑战。

2、现有技术中，基于传统特征与数学模型的方法实现雷达目标识别，例如基于两时刻偏移量计算的方法，通过计算高度、速度、长宽比、微多普勒频移等特征在两个时刻的偏移量，进行数据库比对和优先级排序。这类方法虽然计算快速，但仅使用两个时刻的数据，信息损失严重，对复杂运动模式的无人机识别能力有限。还有基于无监督学习的方法实现雷达目标识别，例如无监督聚类结合随机森林分类的方法，无需标注数据即可完成目标分类。然而无监督方法的准确率上限较低，且随机森林作为浅层分类器，对雷达时序数据中蕴含的深层模式建模能力较弱，难以充分挖掘目标运动轨迹中的判别信息。

3、此外，还有基于深度学习的方法实现雷达目标识别，深度学习虽然在图像、语音等领域取得了巨大成功，但在雷达数据无人机识别领域，现有方法仍存在以下不足：其一，固定长度序列构建方式忽略了目标在雷达探测初期信息量逐步积累的物理特性。现有方法通常要求构建固定长度的序列样本，当可用帧数不足时无法进行识别，当帧数充足时又未能充分利用渐进式信息积累的物理过程。其二，雷达点迹的多维度特征包含不同语义类型的信息，现有方法将各类语义不同的特征混合输入单一模型，忽视了语义差异性，并且无法充分发挥各自建模优势。其三，现有的多模型融合方法多采用简单拼接或固定权重相加方式，然而不同输入特征、不同编码器分支对不同样本的判别贡献度不同，固定融合策略容易导致次优的识别效果。

4、因此，需要提供更可靠的方案，可以在雷达目标识别中，充分利用雷达点迹渐进式信息积累特性，区分不同语义特征类型并分别建模，以及自适应学习多分支融合权重。

技术实现思路

1、本发明的目的在于克服现有技术中的不足，提供一种雷达目标识别模型训练、雷达目标识别方法及装置，可以提升雷达目标识别模型的鲁棒性和训练有效性，以及提升雷达目标识别准确率，进而可以提升后续雷达目标识别应用过程中，目标类别识别的准确性、有效性与鲁棒性。

2、为达到上述目的，本发明采用下述技术方案实现的：

3、一方面，本发明提供了一种雷达目标识别模型训练方法，所述方法包括：

4、获取多个雷达轨迹样本及对应的多个预设类别标签，每个雷达轨迹样本包括n帧若干维特征，所述若干维特征包括位置特征和速度及属性特征；所述每个雷达轨迹样本对应一个预设类别标签；

5、采用两阶段渐进式序列构建策略对多个雷达轨迹样本进行样本扩展构建处理，得到训练样本集以及各训练样本对应的预设训练类别标签，所述两阶段包括初始扩展阶段和固定窗口滑动阶段；

6、将每个训练样本输入至待训练雷达目标识别模型进行目标类别识别处理，得到所述每个训练样本对应的预测类别标签；其中，所述待训练雷达目标识别模型包括用于处理所述每个训练样本的位置特征序列的位置编码模型，用于处理所述每个训练样本的速度及属性特征序列的速度编码模型，用于自适应确定所述位置编码模型输出特征的权重和所述速度编码模型输出特征的权重并融合两个模型输出特征的注意力融合模型以及用于进行分类处理的分类模型；

7、基于所述训练样本集中各训练样本对应的预测类别标签和预设训练类别标签，对所述待训练雷达目标识别模型进行训练，得到训练好的雷达目标识别模型。

8、在一些可能的实施方式中，所述采用两阶段渐进式序列构建策略对多个雷达轨迹样本进行样本扩展构建处理，得到训练样本集以及各训练样本对应的预设训练类别标签，包括：

9、遍历所述多个雷达轨迹样本中的每个雷达轨迹样本；

10、在遍历到任一雷达轨迹样本的情况下，在初始扩展阶段，基于当前雷达轨迹样本，依次获取目标从进入雷达探测范围时信息量由少至多逐步积累对应的前目标数量帧若干维特征，得到长度从1到目标数量的目标数量个前缀子序列样本，如下式所示：

11、；

12、其中，表示第k个前缀子序列样本，表示第k帧若干维特征，w表示固定窗口长度，n表示轨迹有效帧数，表示固定窗口长度和轨迹有效帧数的最小值，所述目标数量根据固定窗口长度和有效帧数的最小值确定；

13、所述目标数量个前缀子序列样本继承所述当前雷达轨迹的预设类别标签，得到所述目标数量个前缀子序列样本对应的目标数量个预设训练类别标签；

14、在轨迹有效帧数大于固定窗口长度的情况下，进入固定窗口滑动阶段，利用长度为固定窗口长度的滑动窗口在所述当前雷达轨迹样本上以步长为预设步长依次滑动，生成数个等长且长度为固定窗口长度的滑动序列样本，如下式所示：

15、；

16、其中，表示第j个滑动序列样本；表示第j帧若干维特征；

17、数个等长滑动序列样本继承所述当前雷达轨迹的预设类别标签，得到所述数个等长滑动序列样本对应的数个预设训练类别标签；

18、将带有预设训练类别标签的目标数量个前缀子序列样本和数个等长滑动序列样本合并，构成所述当前雷达轨迹样本对应的轨迹训练样本集合以及各轨迹训练样本对应的预设训练类别标签；

19、将多个雷达轨迹样本对应的多个轨迹训练样本集合汇集为完整训练集，并采用随机欠采样策略进行样本平衡处理，得到所述训练样本集以及各训练样本对应的预设训练类别标签。

20、在一些可能的实施方式中，所述将每个训练样本输入至待训练雷达目标识别模型进行目标类别识别处理，得到所述每个训练样本对应的预测类别标签，包括：

21、将所述每个训练样本的位置特征序列输入所述位置编码模型进行位置编码处理，得到所述每个训练样本的位置编码输出特征；

22、将所述每个训练样本的速度及属性特征序列输入所述速度编码模型进行速度编码处理，得到所述每个训练样本的速度及属性全局输出特征；

23、将所述位置编码输出特征和所述速度及属性全局输出特征输入所述注意力融合模型进行自适应权重确定以及特征加权融合处理，得到所述每个训练样本的融合特征；

24、将所述融合特征输入所述分类模型进行分类处理，得到所述预测类别标签。

25、在一些可能的实施方式中，所述位置编码模型为包括双层双向lstm模型，所述将所述每个训练样本的位置特征序列输入所述位置编码模型进行位置编码处理，得到所述每个训练样本的位置编码输出特征，包括：

26、将所述位置特征序列输入所述双层双向lstm模型，对于每个时间步，根据所述位置特征序列中的每个位置特征，确定每个时间步对应的前向隐状态和后向隐状态；

27、将所述前向隐状态和所述后向隐状态进行拼接处理，得到每个时间步对应的位置编码特征，如下式所示：

28、；

29、其中，表示时间步t对应的位置编码特征，表示时间步t对应的前向隐状态，表示时间步t对应的后向隐状态；

30、将所述位置特征序列中最后一个时间步的位置编码特征作为所述位置编码输出特征，如下式所示：

31、；

32、其中，表示位置编码输出特征，表示最后一个时间步l的位置编码 特征，l表示位置特征序列的长度。

33、在一些可能的实施方式中，所述速度编码模型为双层transformer编码器，所述将所述每个训练样本的速度及属性特征序列输入所述速度编码模型进行速度编码处理，得到所述每个训练样本的速度及属性全局输出特征，包括：

34、将所述速度及属性特征序列输入所述双层transformer编码器，对于每个时间步，每个速度及属性特征经过所述双层transformer编码器自注意力编码处理，得到每个编码后的速度及属性特征；

35、对所有编码后的速度及属性特征进行均值池化处理，得到所述速度及属性全局输出特征，如下式所示：

36、；

37、其中，表示速度及属性输出特征，表示transformer编码器，表示速度及属性特征序列，l表示速度及属性特征序列的长度，t表示第t个时间步。

38、在一些可能的实施方式中，所述注意力融合模型包括第一线性投影层、第二线性投影层、双线性注意力网络；

39、所述将所述位置编码输出特征和所述速度及属性全局输出特征输入所述注意力融合模型进行自适应权重确定以及特征加权融合处理，得到所述每个训练样本的融合特征，包括：

40、通过所述第一线性投影层和所述第二线性投影层分别将所述位置编码输出特征和所述速度及属性全局输出特征映射至共同的隐空间维度，得到位置投影特征和速度及属性投影特征；

41、将所述位置投影特征和所述速度及属性投影特征进行拼接处理，得到拼接投影特征；

42、通过所述双线性注意力网络对所述拼接投影特征进行注意力权重确定处理，得到所述位置投影特征对应的位置分支权重以及所述速度及属性投影特征对应的速度及属性分支权重，如下式所示：

43、；

44、其中，表示位置分支权重，表示速度及属性分支权重；表示位置投影特征，表示速度及属性投影特征，表示对位置投影特征和速度及属性投影特征进行拼接处理；表示第一层权重，表示输出层权重，表示第一偏置向量，表示第二偏置向量，表示双曲正切激活函数；用于归一化确保，且；

45、基于所述位置分支权重和所述速度及属性分支权重，对所述位置投影特征和所述速度及属性投影特征进行加权求和处理，生成融合特征，如下式所示：

46、；

47、其中，表示融合特征。

48、在一些可能的实施方式中，所述多个雷达轨迹样本及对应的多个预设类别标签采用下述方式获取：

49、获取m帧原始雷达点迹数据；

50、根据每帧原始雷达点迹数据的航迹历史和预设阈值，对所述m帧原始雷达点迹数据进行筛选，得到n帧有效雷达点迹数据；

51、提取每帧有效雷达点迹数据的13维特征，每帧的13维特征包括每帧的6维位置特征和7维速度特征；

52、基于所述n帧有效雷达点迹数据的13维特征，生成多条雷达轨迹；

53、为每条雷达轨迹生成类别标签，得到每条雷达轨迹的预设类别标签；

54、确定所述多条雷达轨迹及对应的多个预设类别标签为所述多个雷达轨迹样本及对应的多个预设类别标签。

55、另一方面提供了一种雷达目标识别方法，所述方法包括：

56、获取待识别雷达轨迹；

57、将所述待识别雷达轨迹输入至雷达目标识别模型进行目标类别识别处理，得到所述待识别雷达轨迹对应的目标类别标签，所述雷达目标识别模型是基于上述任一项所述的雷达目标识别模型训练方法得到的。

58、另一方面提供了一种雷达目标识别模型训练装置，所述装置包括：

59、第一信息获取模块，被配置为执行获取多个雷达轨迹样本及对应的多个预设类别标签，每个雷达轨迹样本包括n帧若干维特征，所述若干维特征包括位置特征和速度及属性特征；所述每个雷达轨迹样本对应一个预设类别标签；

60、样本构建模块，被配置为执行采用两阶段渐进式序列构建策略对多个雷达轨迹样本进行样本扩展构建处理，得到训练样本集以及各训练样本对应的预设训练类别标签，所述两阶段包括初始扩展阶段和固定窗口滑动阶段；

61、类别识别处理模块，被配置为执行将每个训练样本输入至待训练雷达目标识别模型进行目标类别识别处理，得到所述每个训练样本对应的预测类别标签；其中，所述待训练雷达目标识别模型包括用于处理所述每个训练样本的位置特征的位置编码模型，用于处理所述每个训练样本的速度及属性特征的速度编码模型，用于自适应确定所述位置编码模型输出特征的权重和所述速度编码模型输出特征的权重并融合两个模型输出特征的注意力融合模型以及用于进行分类处理的分类模型；

62、模型训练模块，被配置为执行基于所述训练样本集中各训练样本对应的预测类别标签和预设训练类别标签，对所述待训练雷达目标识别模型进行训练，得到训练好的雷达目标识别模型。

63、另一方面提供了一种雷达目标识别装置，所述装置包括：

64、第二信息获取模块，被配置为执行获取待识别雷达轨迹；

65、类别信息确定模块，被配置为执行将所述待识别雷达轨迹输入至雷达目标识别模型进行目标类别识别处理，得到所述待识别雷达轨迹对应的目标类别标签，所述雷达目标识别模型是基于上述任一项所述的雷达目标识别模型训练方法得到的。

66、与现有技术相比，本发明所达到的有益效果：

67、本发明在雷达目标识别场景中，待识别雷达轨迹对应的目标类别标签是通过待识别雷达轨迹输入雷达目标识别模型进行目标类别识别处理得到的；该雷达目标识别模型是基于训练样本集中各训练样本对应的预测类别标签和预设类别标签，对待训练雷达目标识别模型进行训练得到的雷达目标识别模型，且每个训练样本对应的预测类别标签是基于每个训练样本输入待训练雷达目标识别模型进行目标类别识别处理得到的，且待训练雷达识别模型包括用于处理每个训练样本的位置特征的位置编码模型，用于处理每个训练样本的速度及属性特征的速度编码模型，用于自适应确定位置编码模型输出特征的权重和速度编码模型输出特征的权重并融合两个模型输出特征的注意力融合模型以及用于进行分类处理的分类模型，可以通过位置编码模型和速度编码模型处理不同语义的特征，避免混合两类不同语义的特征带来的信息混淆，并且可以通过自注意力融合模块自适应调整两个编码分支的融合权重，由此可以提升所训练模型的识别效果，提高所训练模型目标类别识别的准确率和鲁棒性；且训练样本集是采用两阶段渐进式序列构建策略对多个雷达轨迹样本进行样本扩展构建处理得到的，该两阶段包括初始扩展阶段和固定窗口滑动阶段，第一阶段所建立的样本可以使模型学会处理不同完整度的数据下的目标识别，当仅有个别有效点迹帧时也可以输出识别结果，可以提升模型响应速度；第二阶段可以大幅增加参与数据的数据量，实现数据增强，以缓解雷达数据训练样本少的问题，从而提升模型训练的有效性和准确性；并且通过两阶段构建的多样化序列长度的样本进行模型训练，可以提升模型对任意长度的输入序列的识别的鲁棒性和准确性；进而可以有效提升待训练雷达目标识别模型训练过程中模型训练的可靠性，更好的提升目标类别识别的准确性，进而也可以提升雷达目标识别过程中，目标类别识别的准确性和有效性。