一种海防监控方法及装置与流程

1.本技术涉及雷达技术领域，尤其涉及一种海防监控方法及装置。


背景技术：

2.基于雷达的监控技术在安防领域越来越受到重视，雷达以高检测概率获得移动目标的量测信息，后台目标跟踪算法基于雷达量测输入信息，快速准确确定真实目标轨迹，确认真实移动目标身份和运动信息，及时过滤虚假轨迹和终结目标轨迹，进而将准确的目标身份和运动信息输出给其它环节。
3.雷达具备全天候全天时的优势，无论刮风下雨白天晚上都可正常工作，可有效弥补视频的不足。在大范围监控场合，例如滨海渔场、滨海浴场、草原、牧场、农场，监控范围可达数万平方米，无缝监控闯入的行人、车辆、野生动物、船只等。此种场景，可采用雷达以及以雷达为核心的监控系统。


技术实现要素：

4.本技术实施例提供了一种海防监控方法及装置，用以避免海浪误报情况的发生，实现智能化程度较高、人工干预较少、场景适应能力较强、海浪误报率较低的海防监控。
5.本技术实施例提供的一种海防监控方法，包括：
6.当在预设海域区域内通过雷达监测到目标时，确定当前目标的雷达数据，并利用所述当前目标的雷达数据构建三通道量测图；
7.采用预设的识别模型，对所述三通道量测图进行识别，输出识别结果，所述识别结果为所述当前目标为真实目标或海浪误报；其中，所述识别模型是采用深度学习网络，利用误报图和/或目标图训练得到的识别模型，所述误报图是利用在所述预设海域区域没有真实目标出现的时间段内的雷达数据构建的三通道量测图；所述目标图是利用在所述预设海域区域有真实目标出现的时间段内的雷达数据构建的三通道量测图。
8.本技术实施例提供的方法中，当在预设海域区域内通过雷达监测到目标时，确定当前目标的雷达数据，并利用所述当前目标的雷达数据构建三通道量测图；采用预设的识别模型，对所述三通道量测图进行识别，输出识别结果，所述识别结果为所述当前目标为真实目标或海浪误报；其中，所述识别模型是采用深度学习网络，利用误报图和/或目标图训练得到的识别模型，所述误报图是利用在所述预设海域区域没有真实目标出现的时间段内的雷达数据构建的三通道量测图；所述目标图是利用在所述预设海域区域有真实目标出现的时间段内的雷达数据构建的三通道量测图，从而可以避免海浪误报情况的发生，实现了智能化程度较高、人工干预较少、场景适应能力较强、海浪误报率较低的海防监控。
9.在一些实施方式中，所述当前目标的雷达数据，包括所述当前目标的多帧雷达数据。
10.在一些实施方式中，所述当前目标的雷达数据包括：目标的坐标位置、雷达反射面积和径向速度。
11.在一些实施方式中，利用所述当前目标的雷达数据构建三通道量测图，包括：
12.利用所述当前目标的雷达数据构建三通道量测图；
13.对所述三通道量测图进行栅格化，得到栅格化量测图，并确定所述目标在所述栅格化量测图中所处的栅格，以及针对每一所述栅格，确定该栅格中的目标的个数累加和、目标的雷达反射面积累加和、目标的径向速度累加和；
14.对每一所述栅格中的目标的雷达反射面积累加和、目标的个数累加和、目标的径向速度累加和分别进行后处理，使得所述目标的雷达反射面积累加和、目标的个数累加和、目标的径向速度累加和分别转换到预设的灰度区间。
15.在一些实施方式中，所述后处理包括下列操作之一或组合：
16.对数运算、归一化、离散化。
17.在一些实施方式中，所述方法还包括：
18.记录对所述三通道量测图进行海浪误报或真实目标的标注；
19.采用深度学习网络，利用标注后的所述三通道量测图进行训练，得到至少一个识别模型；
20.从训练得到的至少一个识别模型中，选择输出的分类结果错误最少的识别模型进行保存；
21.所述预设的识别模型，为所述保存的识别模型。
22.在一些实施方式中，所述方法还包括：
23.若所述识别结果为所述当前目标为真实目标，则对所述当前目标进行跟踪，并触发告警；
24.若所述识别结果为所述当前目标为海浪误报，则删除所述当前目标的雷达数据。
25.本技术另一实施例提供了一种海防监控装置，其包括存储器和处理器，其中，所述存储器用于存储程序指令，所述处理器用于调用所述存储器中存储的程序指令，按照获得的程序执行上述任一种方法。
26.此外，根据实施例，例如提供了一种用于计算机的计算机程序产品，其包括软件代码部分，当所述产品在计算机上运行时，这些软件代码部分用于执行上述所定义的方法的步骤。该计算机程序产品可以包括在其上存储有软件代码部分的计算机可读介质。此外，该计算机程序产品可以通过上传过程、下载过程和推送过程中的至少一个经由网络直接加载到计算机的内部存储器中和/或发送。
27.本技术另一实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使所述计算机执行上述任一种方法。
附图说明
28.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅是本技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
29.图1为本技术实施例提供的雷达监控滨海浴场示意图；
30.图2为本技术实施例提供的雷达监控示意图；
31.图3为本技术实施例提供的雷达监控滨海浴场的报警范围示意图；
32.图4为本技术实施例提供的一种雷达原始量测数据示意图；
33.图5为本技术实施例提供的一种雷达原始量测数据可视化示意图；
34.图6为本技术实施例提供的一种栅格化量测示意图；
35.图7为本技术实施例提供的一种rcs和分布密度示意图；
36.图8为本技术实施例提供的一种rcs和分布密度示意图；
37.图9为本技术实施例提供的一种抑制海浪误报方法的具体流程示意图；
38.图10为本技术实施例提供的一种海防监控方法的流程示意图；
39.图11为本技术实施例提供的一种海防监控装置的结构示意图。
具体实施方式
40.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，并不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
41.本技术实施例提供了一种海防监控方法及装置，用以避免海浪误报情况的发生，实现智能化程度较高、人工干预较少、场景适应能力较强、海浪误报率较低的海防监控。
42.其中，方法和装置是基于同一申请构思的，由于方法和装置解决问题的原理相似，因此装置和方法的实施可以相互参见，重复之处不再赘述。
43.本技术实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
44.以下示例和实施例将只被理解为是说明性的示例。虽然本说明书可能在若干处提及“一”、“一个”或“一些”示例或实施例，但这并非意味着每个这种提及都与相同的示例或实施例有关，也并非意味着该特征仅适用于单个示例或实施例。不同实施例的单个特征也可以被组合以提供其他实施例。此外，如“包括”和“包含”的术语应被理解为并不将所描述的实施例限制为仅由已提及的那些特征组成；这种示例和实施例还可以包含并未具体提及的特征、结构、单元、模块等。
45.下面结合说明书附图对本技术各个实施例进行详细描述。需要说明的是，本技术实施例的展示顺序仅代表实施例的先后顺序，并不代表实施例所提供的技术方案的优劣。
46.基于毫米波雷达的区域监视技术是近年研究的热点。传统的安防终端器材主要是可见光摄像机，但是可见光摄像机在晚上无法工作；尽管有红外摄像机可补充可见光摄像机的缺陷，但此举无疑增加了成本和操作难度。此外光学传感器也受天气影响，大雾天或雨雪天，监控效果无法令人满意。毫米波雷达主动发射电磁波并接受同频率信号，对移动物体或rcs(雷达反射面积)较大的物体，有非常高的检测概率，对于静止物体有较低的检测概率
(检测概率不为零)。毫米波雷达可全天24小时工作，受天气影响较小。因此，目前市场上对基于毫米波雷达的监控产品需求旺盛。
47.毫米波雷达可监控多种目标，从多种目标中提取用户感兴趣的目标，尽快终结/过滤用户不感兴趣的目标或虚假目标。目标轨迹分类的目的之一即是筛选/过滤目标。例如在公园中，偶然间刮起3级风，树木摇晃进而形成一条低速且小范围运动的目标轨迹,其目标类型为非人非车非动物目标，此类型目标无需上报，或尽快调用轨迹终结方法对其删除。如果是一条小狗从花园穿过，则由于不是用户关注的目标(用户关注的目标是人或车)，也应该及时终结轨迹。如果是行人形成的一条轨迹，则雷达将行人轨迹信息输出至摄像机，摄像机依据雷达提供的轨迹空间位置信息，对其拍照或录像。
48.毫米波雷达可获得目标的量测信息包括：距离、角度、径向速度(radial speed)、雷达反射面积(rcs)。
49.毫米波雷达可按需设置量测周期(信号收发周期)，一般设置量测周期为0.1秒，即工作频率为10hz。
50.现在常有热爱旅游的年轻人忽视安全去海边游玩，若遇到异常天气，发生涉及人身安全的事故也常见于新闻报道。为此，滨海浴场以前的方法是安保人员定时定点巡逻，此举方法低效且成本大。本技术实施例可在滨海浴场布置全方位无死角的雷达监控系统，每当闭场之后，则雷达监控启动按时启动。若有行人出现在浴场内，则及时发生报警(光源开启，喇叭警告，拍照取证)，并及时通知安保人员，风险发生地点，高效精准处理风险事务。
51.雷达监控滨海浴场如图1所示，从图1中可以看出，可以通过雷达监控海滨浴场一定范围内的安防情况；雷达监控示意图如图2所示，其中的不规则区域可以理解为报警范围，具体如图3所示，雷达监控滨海浴场预设范围内的安防情况。不规则区域表示报警范围，在预设时间段内(如夜晚)，报警范围内一旦有目标出现，则立马报警，并上报目标的位置。安保人员可高效迅速的前往事发地点，去核查或处理危险事件。
52.由于报警范围绘制在海域，海浪会有规律的从远到近涌上沙滩，其量测信息有可能类似人游泳的量测特征，尤其是风大的时候。此现象通常会造成不可忽视的海浪误报问题，即将海浪误以为是有人在游泳。因此，海浪误报积少成多，则耗费一定的人力物力。
53.因此，雷达在海域的应用中，需考虑海浪误报的问题。本技术实施例中，通过毫米波雷达，实现抑制海浪误报效果较好的监控方案。
54.处理海浪误报的问题，可归为二分类问题，即判断目标是源自真实的目标(例如人)，还是海浪。深度学习在目标分类领域有非常高的准确度。因此本技术实施例将采用深度学习理论降低海浪误报。
55.雷达量测数据是点云数据，需首先将点云数据转化为红绿蓝(rgb)图，然后通过深度学习对其进行训练与分类应用，进而确定是否存在误报信息。
56.雷达原始量测数据结构，例如图4所示，第1行表示帧序号(4501)、该帧点云量测个数(6，即雷达传感器的测量值的个数，属于点云数据)、该帧量测时间(2022-03-31 11:24:48)；第1行之后是具体的雷达量测点。第1列是量测id，第2-3列是x和y坐标(单位是米)，第4列rcs(单位是db，强度单位)，第5列是radialspeed(单位是m/s)。
57.由此可见，雷达原始量测数据中每一个值均有明确的物理意义，但很不直观。因此将雷达点数据绘制到一张可视化图中，如图5所示，圆圈表示远离雷达的目标点，其速度大
于零(雷达对目标的量测信息中，包含目标的运动速度，其速度的正负代表运动方向，正表示远离雷达，负表示靠近雷达)，星号表示靠近雷达的目标点，其速度小于零。
58.对图5所示雷达点数据进行栅格化，如图6所示，栅格化后，每个目标的坐标由图4中所示的正负值的坐标，转变为利用栅格坐标表示的正值的坐标。因为深度学习网络用到的图像是rgb图，所以，本技术实施例中，利用雷达原始量测数据(目标点的坐标、rcs和radialspeed)，生成rgb图，即三通道量测图，图6体现了目标量测个数的一个通道的图层(量测个数灰度图)，除此之外，本技术实施例中还分别利用目标点的rcs生成另一个通道的图层(rcs灰度图)，以及利用目标点的radialspeed生成第三个通道的图层(radialspeed灰度图)，从而构成三通道量测图。也就是说，图6中每个方格对应的信息包括：方格索引、方格中的目标量测个数、方格中目标的rcs和radialspeed。
59.在一些实施例中，针对每一方格，可以进一步对该方格中的目标个数、该方格中的目标的rcs、该方格中的目标的radialspeed分别进行归一化、离散化处理。
60.其中，由于雷达反射面积rcs和径向速度radialspeed的分布不均匀，例如，rcs的密度分布图如图7所示，其中p表示概率密度，即大量数据统计下，rcs数值分布情况。由此可知，大量的rcs值均处于小值范围(如图4所示)，若直接对rcs进行线性函数归一化(min-max scaling)并离散化，所得到的rcs灰度图偏暗。为此需先将每一目标的rcs值进行对数运算，然后再min-max归一化，最后离散化处理。所得到rcs灰度图明暗分布较均衡，如图8所示。其中，min-max scaling可将所有rcs数据压缩至0-1范围之内，发现大部分的rcs数值较小(靠近0)，从视觉角度而言，就是偏暗偏黑。可通过一定手段，将rcs数据整体向右修正(数值合理变大)，从视觉角度而言，就是使其变亮。
61.关于每一目标的radialspeed值，同理，也可以分别进行对数运算、min-max归一化、离散化处理。
62.在一些实施例中，由于雷达数据是稀疏点云数据，单依赖一帧数据无法提供足够的信息决断目标是否源自海浪误报。而且误报的判断是一个持续一段时间的过程，此也允许算法利用多帧数据去判断。因此本技术实施例中利用多帧雷达数据构建一幅三通道量测图。
63.然后，对每一幅构建的三通道量测图进行标注，标注所构造的三通道量测图中的目标类别是海浪误报，还是真实目标(人)。其中：
64.对于海浪误报标注：在一段时间内，未有真实目标出现，那么利用在此期间段内所采集的雷达数据构建的三通道量测图，均标记为误报图。
65.对于真实目标标注：在一段时间内，若有目标在海中出现，那么利用在此期间段内所采集的雷达数据构建的三通道量测图，均标记为目标图。
66.本技术实施例中基于大量的上述误报图和目标图，采用深度学习网络进行学习，得到识别模型，用于识别雷达监测到的目标是海浪误报还是真实目标。
67.本技术实施例中所采用的深度学习网络，其输入是三通道量测图，中间有n个卷积层(pool)和两个全连接层(conv)，输出是两个节点，即两个输出值，对应两个输出端口，即目标、海浪误报。
68.在一些实施例中，针对多种应用场景(例如雷达正装、侧装，黑夜、白天，浪大、浪小等情况下)采集1000组数据，所述1000组数据中划分为训练集、验证集和测试集，其中各集
中的数据的比例关系为：
69.训练集：验证集：测试集＝0.6:0.2:0.2。
70.通过上述训练集、验证集和测试集，采用深度学习网络对识别模型进行训练。
71.下面给出一个具体实施例的举例说明。
72.参见图9，本技术实施例提供的用于抑制海浪误报的海防监控方法，例如包括：
73.step 1:初始化。
74.初始化的内容例如包括：
75.雷达量测图(即后续建立的三通道量测图)的分辨率、量测值范围、构建一幅雷达量测图所需的雷达数据帧数(例如n帧，n为大于1的整数)、海域区域和关于深度学习的参数；
76.其中，关于深度学习的参数，例如学习率、优化方法、学习次数等。
77.利用所述构建一幅雷达量测图所需的多帧雷达数据，初始化雷达数据集集合。转第2步。
78.step 2:等待形成新的雷达目标。
79.本技术实施例中，对刚刚形成的雷达目标进行后续处理。转第3步。
80.step 3:判断新形成的雷达目标是否在预设的海域区域内，如果是，则转第4步；否则转第2步。
81.step 4:缓存n帧雷达数据。
82.缓存最近时间段内n帧雷达数据用于下一步构建可视化雷达图，即初始三通道量测图(例如图5所示)。转第5步。
83.step 5:创建初始三通道量测图。
84.基于步骤1中初始化的量测值范围、雷达量测图的分辨率，并利用所述n帧雷达数据，创建一张初始三通道量测图，并初始化该三通道中值均为0，即目标的量测个数、rcs、radialspeed的中值均为0。转第6步。
85.其中，量测值范围、雷达量测图的分辨率决定了三通道量测图的大小、宽高。目标的量测个数、rcs信息、radialspeed信息决定三通道量测图的图像素值。
86.step 6:对所述初始三通道量测图进行栅格化，得到栅格化量测图(例如图6所示)，并确定新形成的雷达目标在所述栅格化量测图中所处的栅格，以及针对每一所述栅格，确定该栅格中的目标的个数累加和、目标的雷达反射面积rcs累加和、目标的径向速度radialspeed累加和。转第7步、第9步、第10步。
87.其中，基于目标的量测坐标x和y，可以确定该目标在所述栅格化量测图中所处的栅格，从而可以进一步确定该栅格中的目标的个数累加和、目标的雷达反射面积rcs累加和、目标的径向速度radialspeed累加和。
88.需要说明的是，本技术实施例中，针对每个存在雷达目标的栅格，可以是利用连续多帧雷达数据(即一段时间，例如150ms)得到的该栅格内的目标的量测个数进行累加，得到该栅格中的目标的个数的累加和。
89.同理，本技术实施例中，针对每个存在雷达目标的栅格，该栅格对应的目标的rcs累加和，也可以是一段时间内的该栅格内的目标的rcs进行累加得到的和值，也可以是利用一帧雷达数据得到的该栅格内的目标的rcs进行累加得到的和值。
90.同理，本技术实施例中，针对每个存在雷达目标的栅格，该栅格对应的目标的radialspeed累加和，也可以是一段时间内的该栅格内的目标的radialspeed进行累加得到的和值，也可以是利用一帧雷达数据得到的该栅格内的目标的radialspeed进行累加得到的和值。
91.step 7:对于每一存在目标的栅格对应的rcs累加和，进行对数运算。
92.即针对rcs通道，对rcs值进行对数运算。转第8步。
93.step 8:rcs归一化。
94.针对对数运算后得到的rcs累加和值，采用min-max归一化。转第11步。
95.step 9:对于每一存在目标的栅格对应的量测个数累加和进行归一化。
96.即针对量测个数通道，采用min-max归一化。转第11步。
97.step 10:对于每一存在目标的栅格对应的radialspeed累加和进行归一化。
98.即针对radialspeed通道，采用min-max归一化。转第11步。
99.step 11:离散化。
100.将经过上述归一化处理后的量测个数、rcs、radialspeed的值，分别进行离散化处理，将具体的数值转到0-255灰度值区间，从而完成基于雷达数据的三通道量测图的构建。
101.若当前处于训练模式，即离线训练过程，则转第12步；若当前处于应用模式，即在线应用过程，则转第15步。
102.其中，具体如何判断是处于训练模式还是应用模式，可以根据实际需要而定，例如，可以根据当前所处时间段判断是处于训练模式还是应用模式，也可以是通过其他条件来判断，本技术实施例中不进行限制。
103.其中，上述对数运算、归一化、离散化等操作，可以称之为后处理，其作用就是使得目标的雷达反射面积累加和、目标的个数累加和、目标的径向速度累加和，分别转换到预设的灰度区间(例如0-255灰度值区间)。
104.step 12:标注。
105.对步骤11中已形成的三通道量测图进行标注，例如，将海浪形成的目标量测数据对应的三通道量测图标记为1，正常目标量测数据构成的三通道量测图标记为0。转第13步。
106.step 13:设计深度学习网络，并进行训练和测试，得到至少一个识别模型。
107.设计深度学习网络，采用标注好的三通道量测图对其训练和测试，期间需多次调节深度学习网络的结构、训练次数、优化策略等。转第14步。
108.step 14:挑选最佳识别模型并保存。
109.选择分类错误最少的识别模型进行保存。转第15步。其中，识别模型的个数可以根据实际需要而定，本技术实施例不进行限制。从中选择错误分类最少的识别模型即可。
110.上述训练过程(第12-14步)，则需大量数据对深度学习网络进行训练，深度网络的输出是二分类结果。训练过程是离线进行的，离线过程中若有需要，可反复执行12-14步，直到获得准确率达到预设要求的深度学习网络模型。
111.step 15:深度学习网络分类。
112.采用深度学习网络，对在线形成的雷达量测图进行分类。转第16步。
113.step 16:误报判断。
114.若深度学习网络输出值归类为误报，表示当前目标是由海浪形成的，则转第18步；
若归类为目标，表示当前目标源自于真实目标，则转第17步。
115.step 17:保留雷达当前监测到的目标的信息。
116.作为真实目标处理，并对其目标进行跟踪，及时触发报警装置，提示相关人员处理此“危险”事件。
117.step 18:滤除雷达当前监测到的目标的信息。
118.作为误报，滤除此新建的目标信息，不做其它后续处理。
119.其中，所述步骤15至18所述的应用模式是在线运行模式，首先需加载第14步所挑选的识别模型(即保持的识别模型)，并且只需加载一次即可。
120.综上所述，参见图10，本技术实施例提供的一种海防监控方法，包括：
121.s101、当在预设海域区域内通过雷达监测到目标时，确定当前目标的雷达数据，并利用所述当前目标的雷达数据构建三通道量测图(即得到深度学习网络输入的rgb图)；
122.s102、采用预设的识别模型，对所述三通道量测图进行识别，输出识别结果，所述识别结果为所述当前目标为真实目标或海浪误报；其中，所述识别模型是采用深度学习网络，利用误报图(用于识别海浪误报)和/或目标图(用于识别真实目标)训练得到的识别模型，所述误报图是利用在所述预设海域区域没有真实目标出现的时间段内的雷达数据构建的三通道量测图；所述目标图是利用在所述预设海域区域有真实目标出现的时间段内的雷达数据构建的三通道量测图。
123.需要说明的是，如果只用误报图或目标图训练得到的识别模型，也可以实现海防监控，即也可以识别出当前目标为真实目标或海浪误报，例如若只用误报图练得到识别模型，若当前目标匹配上了识别模型，则输出值归类为误报，表示当前目标是由海浪形成的，若无法归类，则可以认为当前目标是真是目标。
124.在一些实施方式中，所述当前目标的雷达数据，包括所述当前目标的多帧雷达数据，即缓存最近时间段内n帧雷达数据用于构建雷达图。
125.在一些实施方式中，所述当前目标的雷达数据包括：目标的坐标位置、雷达反射面积和径向速度。
126.在一些实施方式中，利用所述当前目标的雷达数据构建三通道量测图，包括：
127.利用所述当前目标的雷达数据构建三通道量测图(即初始三通道量测图)；
128.对所述三通道量测图进行栅格化，得到栅格化量测图，并确定所述目标在所述栅格化量测图中所处的栅格，以及针对每一所述栅格，确定该栅格中的目标的个数累加和、目标的雷达反射面积累加和、目标的径向速度累加和；
129.对每一所述栅格中的目标的雷达反射面积累加和、目标的个数累加和、目标的径向速度累加和分别进行后处理，使得所述目标的雷达反射面积累加和、目标的个数累加和、目标的径向速度累加和分别转换到预设的灰度区间，从而完成三通道量测图的构建。
130.在一些实施方式中，所述后处理包括下列操作之一或组合：
131.对数运算、归一化、离散化。
132.在一些实施方式中，若当前处于应用模式(即在线应用过程)，则采用预设的识别模型，对所述三通道量测图进行识别。
133.在一些实施方式中，所述方法还包括：
134.若当前处于训练模式，记录对所述三通道量测图进行海浪误报或真实目标的标
注；所述当前处于训练模式即训练过程，是离线进行的，离线过程中若有需要，可反复执行训练步骤，直到获得准确率满足预设要求的识别模型。
135.采用深度学习网络，利用标注后的所述三通道量测图进行训练，得到至少一个识别模型；
136.从训练得到的至少一个识别模型中，选择输出的分类结果错误最少的识别模型进行保存(即挑选最佳模型)；
137.所述预设的识别模型，为所述保存的识别模型。
138.在一些实施方式中，所述方法还包括：
139.若所述识别结果为所述当前目标为真实目标，则对所述当前目标进行跟踪，并触发告警；
140.若所述识别结果为所述当前目标为海浪误报，则删除所述当前目标的雷达数据。
141.下面介绍一下本技术实施例提供的设备或装置，其中与上述方法中所述的相同或相应的技术特征的解释或举例说明，后续不再赘述。
142.参见图11，本技术实施例提供的一种海防监控装置，包括：
143.处理器600，用于读取存储器620中的程序，按照获得的程序执行：
144.当在预设海域区域内通过雷达监测到目标时，确定当前目标的雷达数据，并利用所述当前目标的雷达数据构建三通道量测图；
145.采用预设的识别模型，对所述三通道量测图进行识别，输出识别结果，所述识别结果为所述当前目标为真实目标或海浪误报；其中，所述识别模型是采用深度学习网络，利用误报图和/或目标图训练得到的识别模型，所述误报图是利用在所述预设海域区域没有真实目标出现的时间段内的雷达数据构建的三通道量测图；所述目标图是利用在所述预设海域区域有真实目标出现的时间段内的雷达数据构建的三通道量测图。
146.所述当前目标的雷达数据，包括所述当前目标的多帧雷达数据。
147.在一些实施方式中，所述当前目标的雷达数据包括：目标的坐标位置、雷达反射面积和径向速度。
148.在一些实施方式中，利用所述当前目标的雷达数据构建三通道量测图，包括：
149.利用所述当前目标的雷达数据构建三通道量测图；
150.对所述三通道量测图进行栅格化，得到栅格化量测图，并确定所述目标在所述栅格化量测图中所处的栅格，以及针对每一所述栅格，确定该栅格中的目标的个数累加和、目标的雷达反射面积累加和、目标的径向速度累加和；
151.对每一所述栅格中的目标的雷达反射面积累加和、目标的个数累加和、目标的径向速度累加和分别进行后处理，使得所述目标的雷达反射面积累加和、目标的个数累加和、目标的径向速度累加和分别转换到预设的灰度区间。
152.在一些实施方式中，所述后处理包括下列操作之一或组合：
153.对数运算、归一化、离散化。
154.在一些实施方式中，处理器600，还用于读取存储器620中的程序，按照获得的程序执行：
155.记录对所述三通道量测图进行海浪误报或真实目标的标注；
156.采用深度学习网络，利用标注后的所述三通道量测图进行训练，得到至少一个识
别模型；
157.从训练得到的至少一个识别模型中，选择输出的分类结果错误最少的识别模型进行保存；
158.所述预设的识别模型，为所述保存的识别模型。
159.在一些实施方式中，处理器600，还用于读取存储器620中的程序，按照获得的程序执行：
160.若所述识别结果为所述当前目标为真实目标，则对所述当前目标进行跟踪，并触发告警；
161.若所述识别结果为所述当前目标为海浪误报，则删除所述当前目标的雷达数据。
162.在一些实施方式中，本技术实施例提供的海防监控装置，还包括所述的雷达。
163.在一些实施方式中，所述雷达为毫米波雷达。
164.在一些实施例中，还包括收发机610，用于在处理器600的控制下接收和发送数据。
165.其中，在图11中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器600代表的一个或多个处理器和存储器620代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机610可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。
166.在一些实施例中，还包括用户接口630，用户接口630可以是能够外接内接需要设备的接口，连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。
167.处理器600负责管理总线架构和通常的处理，存储器620可以存储处理器600在执行操作时所使用的数据。
168.在一些实施例中，处理器600可以是cpu(中央处埋器)、asic(application specific integrated circuit，专用集成电路)、fpga(field－programmable gate array，现场可编程门阵列)或cpld(complex programmable logic device，复杂可编程逻辑器件)。
169.在一些实施方式中，本技术实施例提供的海防监控装置具体可以包括计算设备，所述计算设备例如为桌面计算机、便携式计算机、智能手机、平板电脑、个人数字助理(personal digital assistant，pda)等终端设备。本技术实施例提供的海防监控装置也可以包括服务器等网络侧设备。本技术实施例提供的海防监控装置还可以包括输入/输出设备等，输入设备可以包括键盘、鼠标、触摸屏等，输出设备可以包括显示设备，如液晶显示器(liquid crystal display，lcd)、阴极射线管(cathode ray tube，crt)等。
170.本技术实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中的任一所述方法。所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连
接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
171.本技术实施例提供了一种计算机可读存储介质，用于储存为上述本技术实施例提供的装置所用的计算机程序指令，其包含用于执行上述本技术实施例提供的任一方法的程序。所述计算机可读存储介质，可以是非暂时性计算机可读介质。
172.所述计算机可读存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(mo)等)、光学存储器(例如cd、dvd、bd、hvd等)、以及半导体存储器(例如rom、eprom、eeprom、非易失性存储器(nand flash)、固态硬盘(ssd))等。
173.应当理解：
174.通信网络中的实体经由其往来传送流量的接入技术可以是任何合适的当前或未来技术，诸如可以使用wlan(无线本地接入网络)、wimax(微波接入全球互操作性)、lte、lte-a、5g、蓝牙、红外等；另外，实施例还可以应用有线技术，例如，基于ip的接入技术，如有线网络或固定线路。
175.适合于被实现为软件代码或其一部分并使用处理器或处理功能运行的实施例是独立于软件代码的，并且可以使用任何已知或未来开发的编程语言来规定，诸如高级编程语言，诸如objective-c、c、c 、c#、java、python、javascript、其他脚本语言等，或低级编程语言，诸如机器语言或汇编程序。
176.实施例的实现是独立于硬件的，并且可以使用任何已知或未来开发的硬件技术或其任何混合来实现，诸如微处理器或cpu(中央处理单元)、mos(金属氧化物半导体)、cmos(互补mos)、bimos(双极mos)、bicmos(双极cmos)、ecl(发射极耦合逻辑)和/或ttl(晶体管-晶体管逻辑)。
177.实施例可以被实现为单独的设备、装置、单元、部件或功能，或者以分布式方式实现，例如，可以在处理中使用或共享一个或多个处理器或处理功能，或者可以在处理中使用和共享一个或多个处理段或处理部分，其中，一个物理处理器或多于一个的物理处理器可以被用于实现一个或多个专用于如所描述的特定处理的处理部分。
178.装置可以由半导体芯片、芯片组或包括这种芯片或芯片组的(硬件)模块来实现。
179.实施例还可以被实现为硬件和软件的任何组合，诸如asic(应用特定ic(集成电路))组件、fpga(现场可编程门阵列)或cpld(复杂可编程逻辑器件)组件或dsp(数字信号处理器)组件。
180.实施例还可以被实现为计算机程序产品，包括在其中体现计算机可读程序代码的计算机可用介质，该计算机可读程序代码适应于执行如实施例中所描述的过程，其中，该计算机可用介质可以是非暂时性介质。
181.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
182.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
183.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
184.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
185.显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。