基于YOLO11-seg模型的机载雷达目标检测方法

本发明涉及雷达信号处理，尤其涉及基于yolo11-seg模型的机载雷达目标检测方法。

背景技术：

1、空时自适应处理技术是机载雷达在强杂波场景下进行运动目标检测的关键技术，其性能由杂波加噪声协方差矩阵的估计精度决定。通常情况下，杂波加噪声协方差矩阵无法直接获得，需要选取待检测单元周边的多组距离单元辅助数据进行估计得到，且要求选取的辅助数据满足独立同分布条件。但在实际检测环境中，干扰目标、离散杂波等因素的存在会对辅助数据造成污染，使其不再符合独立同分布的条件，最终造成协方差矩阵估计出现明显误差，大幅降低空时自适应处理的效果。

2、为规避传统空时自适应处理技术对高质量辅助样本数据的强依赖限制，业内学者逐步转向空时二维功率谱开展目标检测研究。机载雷达的空时二维功率谱图，可将空域方位、时域多普勒耦合的杂波与目标特征直观映射至二维平面，其中杂波呈脊状分布，目标呈点状分布，二者具备天然视觉区分度。此前已有研究者通过以区域生长法为代表的传统图像分割方法实现了基于图像特征的雷达目标检测，但传统图像分割方法存在算法参数鲁棒性差、对图像噪声敏感度高、缺乏自主区分能力等缺陷。

3、近年来深度学习凭借自主高维特征提取、端到端并行推理的优势，成为雷达图像目标检测的主流技术路线。卷积神经网络可自动挖掘图像深层语义特征，摆脱人工特征设计依赖，在sar图像、距离多普勒谱图、探地雷达图像等雷达视觉数据检测任务中验证了其突出性能。目前多数深度学习两阶段检测器需分步生成候选区域再进行判别，流程冗余、运算耗时，无法满足机载雷达低延迟检测需求。

技术实现思路

1、本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

2、为此，本发明的第一个目的在于提出一种基于yolo11-seg模型的机载雷达目标检测方法。

3、本发明的另一个目的在于提出一种基于yolo11-seg模型的机载雷达目标检测装置。

4、本发明的第三个目的在于提出一种计算机设备。

5、本发明的第四个目的在于提出一种非临时性计算机可读存储介质。

6、为达上述目的，本发明第一方面实施例提出了一种基于yolo11-seg模型的机载雷达目标检测方法，包括：

7、s1，获取雷达回波数据；

8、s2，基于所述雷达回波数据生成空时二维功率谱图像；

9、s3，构建并训练目标检测分割模型，所述目标检测分割模型通过标注的空时二维功率谱图像数据集进行训练，以学习杂波与目标的特征区分；

10、s4，获取待检测单元的回波数据并生成对应的空时二维功率谱图像，将所述空时二维功率谱图像输入训练后的目标检测分割模型，输出包含边界框、类别、置信度及分割掩码的检测结果。

11、在本发明的一个实施例中，所述基于所述雷达回波数据生成空时二维功率谱图像，包括：

12、基于所述雷达回波数据计算协方差矩阵，计算公式为：

13、，

14、其中r为协方差矩阵，x为待检测单元的空时快拍数据；

15、搭建归一化多普勒-方位余弦二维网格；

16、遍历网格计算空时二维功率谱，计算公式为：

17、，

18、其中p为功率谱，s为空时导向矢量，cosψ为方位余弦，为归一化多普勒频率；

19、将所述空时二维功率谱转换为可视化图像。

20、在本发明的一个实施例中，所述构建并训练目标检测分割模型，包括：

21、对所述空时二维功率谱图像中的杂波和目标分别进行标注，构建数据集；构建基于yolo11-seg网络的目标检测模型；

22、对所述数据集进行预处理后，输入yolo11-seg网络进行训练，得到训练后的目标检测模型。

23、在本发明的一个实施例中，所述构建基于yolo11-seg网络的目标检测模型，包括：

24、构建主干backbone，用于对输入的图像逐级提取浅层细节与深层语义特征，输出多尺度特征图，完成基础特征轻量化编码；

25、构建颈部neck，用于双向融合多尺度特征，依托注意力模块优化特征权重、强化有效特征，精炼适配后续检测分割的特征信息；

26、构建头部head，用于依托融合特征并行完成检测与分割，输出边界框与分割掩码预测结果。

27、在本发明的一个实施例中，还包括：

28、所述颈部neck采用panet双向多尺度融合架构，分为上采样自顶向下融合和下采样自底向上融合两个阶段，所有融合支路均增设轻量化c2psa注意力子模块，对融合后特征重加权，抑制背景噪声，放大杂波与目标灰度突变特征。

29、在本发明的一个实施例中，所述获取待检测单元的回波数据并生成对应的空时二维功率谱图像，包括：

30、采集待检测单元的空时快拍回波数据，完成协方差矩阵和空时二维功率谱计算，转换得到空时二维功率谱图像。

31、在本发明的一个实施例中，所述将所述空时二维功率谱图像输入训练后的目标检测分割模型，输出包含边界框、类别、置信度及分割掩码的检测结果，包括：

32、加载训练收敛完成的最优模型权重，将待检测空时二维功率谱图像送入yolo11-seg网络完成前向推理，同步输出各前景区域的定位边界框、目标与杂波类别标签、预测置信度与像素级分割掩码；

33、在原始功率谱图像图层叠加绘制预测框、类别标注与掩码填充区域，生成可直观区分杂波与目标的可视化检测结果。

34、为达上述目的，本发明第二方面实施例提出了一种基于yolo11-seg模型的机载雷达目标检测装置，包括：

35、回波数据获取模块，用于获取雷达回波数据；

36、空时功率谱生成模块，用于基于所述雷达回波数据生成空时二维功率谱图像；

37、检测分割模型训练模块，用于构建并训练目标检测分割模型，所述目标检测分割模型通过标注的空时二维功率谱图像数据集进行训练，以学习杂波与目标的特征区分；

38、目标识别推理模块，用于获取待检测单元的回波数据并生成对应的空时二维功率谱图像，将所述空时二维功率谱图像输入训练后的目标检测分割模型，输出包含边界框、类别、置信度及分割掩码的检测结果。

39、本发明实施例的一种基于yolo11-seg模型的机载雷达目标检测方法及装置，利用yolo11-seg单阶段一体化检测架构模型轻量化、多尺度特征融合与注意力增强的优越性，结合雷达回波数据的空时二维结构，构建了目标检测模型，充分挖掘雷达回波中杂波成分与目标成分在图像上的差异特征，无需依赖空时自适应处理所需的大量独立同分布的辅助数据，规避了传统图像分割方法参数鲁棒性差、噪声敏感度高、无法自主区分等缺陷，同时克服了两阶段深度学习检测器运算量大、实时性不足的问题。

40、为达上述目的，本技术第三方面实施例提出了一种计算机设备，包括：处理器和存储器；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如第一方面实施例所述的方法。

41、为达上述目的，本技术第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面实施例所述的方法。

42、本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。