基于注意力机制的雷达微弱目标多帧检测方法

本技术涉及目标检测，特别是涉及一种基于注意力机制的雷达微弱目标多帧检测方法。

背景技术：

1、雷达目标检测通常通过对接收回波进行脉冲压缩、动目标显示或动目标检测以及距离-多普勒处理，从噪声和杂波背景中提取目标回波。在复杂地杂波和低信噪比条件下，微弱目标的回波能量较低，传统恒虚警检测方法容易受到杂波峰值干扰而出现误检或漏检。动目标显示或动目标检测方法虽然能够通过多脉冲处理增强运动目标回波，但当目标在连续多帧数据中存在明显的距离向位移或者速度变化时，目标特征可能在不同帧之间发生错位，直接进行多帧积累容易造成目标能量扩散，进而影响检测性能。

2、现有基于深度学习的雷达目标检测方法通常利用卷积神经网络、图神经网络或者其他特征学习网络提取雷达回波或距离-多普勒图中的目标特征，并根据所提取的特征输出目标检测结果。此外，部分现有方法通过将迭代重构算法与深度学习网络结合，对存在速度模糊的距离-多普勒图进行重构。上述方法能够在一定程度上提高雷达目标检测或距离-多普勒图重构性能，但通常具有网络结构复杂、可学习参数较多或计算量较大的问题。

3、然而，现有基于深度学习的雷达目标检测方法在强杂波和低信噪比条件下仍容易出现微弱目标特征不明显、检测可信度降低以及误检或漏检的问题。此外，当微弱目标具有加速度或变加速度时，目标在连续多帧距离-多普勒图中的位置会发生变化；如果未对不同帧之间的目标特征进行有效对齐和关联建模，直接进行多帧特征融合可能造成目标能量扩散，从而降低微弱目标检测性能。

技术实现思路

1、鉴于此，本技术提供一种基于注意力机制的雷达微弱目标多帧检测方法。

2、本技术公开了一种基于注意力机制的雷达微弱目标多帧检测方法，其包括：

3、步骤1：设置数据截取窗口在距离维和多普勒维的尺寸分别为、，设置微弱目标出现概率为，对连续帧的距离-多普勒图进行截取得到训练样本，根据微弱目标真实存在性生成对应的样本输出标签数据构建数据集；

4、步骤2：构建包括依次连接的特征提取及通道压缩模块、时序对齐模块、空间特征增强模块和检测输出模块的雷达微弱目标检测网络；所述时序对齐模块基于帧间注意力确定连续帧特征的重要性权重，根据预测的帧间偏移量对各帧特征进行对齐和时序融合；所述空间特征增强模块对融合后的空间特征进行局部背景差分增强和轴向注意力处理；使用数据集训练所述雷达微弱目标检测网络，得到训练后的雷达微弱目标检测模型；

5、步骤3：测试训练好的雷达微弱目标检测模型在不同信噪比下的检测概率，评估模型的性能，得到最优雷达微弱目标检测模型；

6、步骤4：获取待检测的连续帧距离-多普勒图，按照步骤1中的数据截取方式形成待检测三维数据块，将所述待检测三维数据块输入最优雷达微弱目标检测模型，输出微弱目标检测结果；其中，为大于或等于3的奇数，所述待检测三维数据块由连续帧距离-多普勒图沿帧维堆叠形成。

7、进一步地，所述步骤1之前，还包括：

8、设置雷达发射载频、带宽、脉冲重复周期为、快时间采样间隔为，并根据所述雷达发射载频和脉冲重复周期，计算雷达最大不模糊径向速度；

9、根据最大不模糊速度，设置场景中微弱目标的最大速度为，最小速度为、速度间隔为、最大加速度为、最小加速度为、加速度间隔为、微弱目标位置为、速度为、加速度为；

10、根据速度的取值范围和加速度的取值范围，设置微弱目标脉压后回波的信噪比为，根据信噪比设置杂波强度，通过mti算法得到包含微弱目标的连续帧距离-多普勒图像。

11、进一步地，所述步骤1包括：

12、通过以下公式得到雷达最大不模糊径向速度：

13、

14、其中，为雷达最大不模糊径向速度，为电磁波传播速度，为雷达发射载频，为脉冲重复周期。

15、进一步地，微弱目标的速度和加速度的表达式分别为：

16、

17、

18、其中，为第个离散径向速度值，为速度索引；为第个离散径向加速度值，为加速度索引；为雷达最大不模糊径向速度；为预设的最大径向加速度绝对值；为速度离散间隔；为加速度离散间隔。

19、进一步地，单个脉冲的微弱目标回波基带信号表示为：

20、

21、其中，为第个离散径向速度值和第个离散径向加速度值对应的微弱目标回波基带信号；为速度索引，为加速度索引，为帧索引，为距离采样点索引，为慢时间脉冲索引；，，；为连续雷达帧的数量，为单帧距离采样点总数，为单帧慢时间脉冲总数；为雷达发射载频，为雷达发射信号带宽，为快时间采样间隔，为电磁波传播速度，为距离采样间隔，为第帧第个慢时间脉冲对应的微弱目标径向距离，表示为：

22、

23、

24、其中，为微弱目标在第一帧起始时刻相对于雷达的初始径向距离；为第个离散径向速度值；为第个离散径向加速度值；为第帧第个慢时间脉冲对应的采样时刻；为相邻两帧雷达数据的时间间隔；为脉冲重复周期；

25、对脉冲压缩后的回波信号添加信噪比为的噪声以及信杂比的杂波，得到添加杂波和噪声后的数据，表示为：

26、

27、其中，为第种信噪比和信杂比条件下添加噪声及杂波后的回波信号；为信噪比和信杂比组合条件的索引；为第种条件下生成的噪声数据；为第种条件下生成的杂波数据；为第种条件对应的信噪比；为第种条件对应的信杂比；

28、对脉冲压缩后的回波信号进行keystone变换，以消除速度带来的距离徙动的影响：

29、首先对距离向进行快速傅里叶变换：

30、

31、其中，为回波信号沿距离维执行快速傅里叶变换后得到的距离频域信号；为距离频率；为距离维采样频率；为距离维快速傅里叶变换点数；

32、随后进行距离徙动校正，对因载频偏移导致的时间尺度校正，，为慢时间轴，通过线性插值得到：

33、

34、其中，为校正前的慢时间采样时刻；为根据距离频率进行尺度变换后得到的慢时间采样时刻；为经过慢时间尺度校正和线性插值后得到的距离频域信号；表示线性插值运算；表示采用线性插值方式；

35、对进行逆傅里叶变换，得到矫正后的脉冲压缩后的回波信号，之后对脉冲压缩后的回波信号进行二阶mti滤波得到滤波后，滤波器表述为：

36、

37、其中，为经过距离徙动校正后的回波信号；为经过二阶动目标显示滤波后的回波信号；、和分别表示三个相邻的慢时间脉冲索引；

38、对滤波后得到信号进行慢时间维度fft，得到雷达回波目标的距离-多普勒图：

39、

40、其中，为第帧距离-多普勒图中第个距离单元和第个多普勒单元对应的幅值；为多普勒单元索引；为第个多普勒频率；为慢时间脉冲总数。

41、进一步地，所述步骤1包括：

42、将目标检测框的尺寸参数设置为的网格，其中，为数据截取窗口在距离维的网格数量，为数据截取窗口在多普勒维的网格数量，当微弱目标出现时，计算微弱目标中心帧为第帧位置，其中，，并以第帧位置为中心按照大小切割p帧数据，得到输入数据，设置输出数据为；其中，为二值图像，标记中心帧中微弱目标所在的网格位置在网格中的位置为1，其他位置全部为0；

43、当目标未出现时，从不包含微弱目标的背景区域中确定截取中心，按照相同的数据截取窗口截取连续帧距离-多普勒数据，得到输入数据，设置输出数据为；其中，为取值均为0的图像；

44、得到含目标的数据集、不含目标的数据集以及全部数据集，为含目标的数据集中含目标数据的总数，为不含目标的数据集中不含目标数据的总数。

45、进一步地，所述步骤2包括：

46、训练时，从数据集中按照预设批次读取多个训练样本，每个训练样本包括多帧距离-多普勒输入数据及其对应的标签数据；在多帧距离-多普勒输入数据前增加通道维，形成训练样本张量，其张量维度为nb×1×p×h×w，其中，nb表示批次中的样本数量，p表示连续雷达帧的数量，h表示距离维网格数量，w表示多普勒维网格数量；对应的标签数据的张量维度为nb×h×w；将所述训练样本张量输入雷达微弱目标检测网络进行前向特征处理，将所述标签数据用于与检测输出模块输出的预测结果计算训练损失；

47、所述雷达微弱目标检测网络包括依次连接的特征提取及通道压缩模块、时序对齐模块、空间特征增强模块和检测输出模块；其中，所述时序对齐模块包括帧间注意力模块、偏移预测器、距离向对齐执行器和融合卷积，所述空间特征增强模块包括雷达局部对比增强模块和可变形轴向注意力模块；

48、所述特征提取及通道压缩模块接收所述训练样本张量，采用三维卷积沿帧维、距离维和多普勒维提取各帧距离-多普勒图的局部特征，并采用三维卷积对提取的特征进行通道压缩，得到第一时序特征图；所述第一时序特征图的张量维度为nb×c×p×h×w，其中，c表示特征通道数量；将所述第一时序特征图输入所述帧间注意力模块；

49、所述帧间注意力模块接收所述第一时序特征图，采用卷积核尺寸为1×1×1的三维卷积将所述第一时序特征图的c个特征通道压缩为一个特征通道，得到帧重要性得分图；沿帧维对所述帧重要性得分图执行softmax归一化，使同一距离-多普勒位置处p帧对应的权重之和为1，得到帧权重图；将所述帧权重图沿特征通道维广播，并与所述第一时序特征图逐元素相乘，得到加权时序特征图；将所述加权时序特征图输入所述偏移预测器；

50、所述偏移预测器接收所述加权时序特征图，沿距离维和多普勒维分别进行平均处理，将各帧的二维空间特征压缩为时序特征向量；将所述时序特征向量依次输入两层一维卷积，并通过双曲正切激活函数限定预测偏移量的取值范围，得到各帧相对于中心帧的距离向偏移量；将所述加权时序特征图和各帧对应的距离向偏移量共同输入所述距离向对齐执行器；

51、所述距离向对齐执行器根据各帧对应的距离向偏移量，为每一帧加权时序特征建立距离向采样坐标，其中，多普勒维采样坐标保持不变；采用双线性插值方式对每一帧加权时序特征进行距离向重采样，使各帧中的微弱目标特征在距离维上与中心帧的微弱目标特征对齐，得到对齐时序特征图；将所述对齐时序特征图输入所述融合卷积；

52、所述融合卷积接收所述对齐时序特征图，沿帧维对p帧对齐特征进行平均融合，消除帧维，得到初始二维融合特征图；采用二维卷积对所述初始二维融合特征图进行特征整合，得到空间特征图，所述空间特征图的张量维度为nb×c×h×w；将所述空间特征图输入所述雷达局部对比增强模块；

53、所述雷达局部对比增强模块接收所述空间特征图，对所述空间特征图执行卷积操作、采用等尺寸填充的平均池化处理，得到用于表示局部背景杂波基准的背景特征图；将所述空间特征图与所述背景特征图逐像素、逐通道相减，得到局部差分特征图；将所述局部差分特征图输入二维卷积层进行特征增强，得到局部对比增强特征图；将所述局部对比增强特征图输入所述可变形轴向注意力模块；

54、所述可变形轴向注意力模块接收所述局部对比增强特征图，根据所述局部对比增强特征图预测可变形卷积各采样点的空间偏移量和调制系数，并根据所述空间偏移量调整卷积核采样位置，根据所述调制系数对各采样位置的特征进行加权，得到形变适配特征图；沿距离维对所述形变适配特征图执行轴向自注意力处理，提取不同距离位置之间的关联特征，再沿多普勒维执行轴向自注意力处理，提取不同多普勒位置之间的关联特征，得到轴向注意力增强特征图；将所述轴向注意力增强特征图输入所述检测输出模块；

55、所述检测输出模块接收所述轴向注意力增强特征图，依次通过第一二维卷积层、leakyrelu激活层和第二二维卷积层，将特征通道数量压缩为1，得到与所述标签数据空间尺寸相同的检测预测值图，所述检测预测值图的张量维度为nb×h×w；训练时，将所述检测预测值图和对应的标签数据输入损失函数，计算预测结果与标签数据之间的损失，并根据所述损失反向更新所述特征提取及通道压缩模块、时序对齐模块、空间特征增强模块和检测输出模块的网络参数，直至满足预设训练终止条件，得到训练后的雷达微弱目标检测模型。

56、进一步地，所述步骤2包括：

57、使用数据集对基于帧间与空间注意力机制的雷达微弱目标检测网络进行训练，设置训练的学习率和正则损失率，以最小化损失函数为目标，得到训练好的雷达目标检测。

58、进一步地，所述损失函数为改进型 focal loss函数，其表达式为：

59、

60、

61、

62、

63、

64、其中，为模型对第个网格输出的未归一化预测值；为sigmoid激活函数；为第个网格属于微弱目标的预测概率；为第个网格的真实标签，且；为模型对第个网格真实类别的预测概率；为第个网格对应类别的权重；为聚焦参数；为第个网格对应的二元交叉熵损失；为参与损失计算的网格总数。

65、进一步地，所述步骤3包括：

66、根据预设的多个信噪比生成对应的微弱目标回波信号，按对所述微弱目标回波信号进行预处理以获得连续p帧距离-多普勒图，并按照步骤1对所述连续p帧距离-多普勒图进行截取，得到不同信噪比对应的测试样本；

67、将不同信噪比对应的测试样本分别输入训练后的雷达微弱目标检测模型，获得对应的预测结果，并根据所述预测结果计算训练后的雷达微弱目标检测模型在各信噪比条件下的检测性能；预测结果包括预测正确的样本数；

68、使用预测准确率评估训练好的雷达微弱目标检测模型的性能；

69、预测准确率的表达式为：

70、

71、其中，为预测准确率，为预测正确的样本数，为全部测试样本。

72、由于采用了上述技术方案，本技术具有如下的优点：本技术的网络时序对齐核心和空间特征增强核心所组成，实现了高杂波低信噪比环境下雷达目标检测。采用帧间注意力机制捕捉目标在多帧中的运动轨迹，通过偏移预测和对齐降低杂波对于目标的干扰，在通过空间特征增强强适配雷达目标的不规则形状并捕捉空间长距离依赖，最终实现对目标的检测。本方法在杂波强度过高、信噪比偏低的场景下网络任可以有效检测，网络具备较高的稳健性，可降低杂波所带来的误检，且当目标存在加速度或变加速度运动状态时，可以缓解峰值降低带来的检测性能劣化。