本發(fā)明屬于目標(biāo)檢測與跟蹤，具體涉及一種基于回波能量空-時(shí)分布特征的機(jī)動(dòng)微弱多目標(biāo)檢測前跟蹤方法、程序、設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、隨著隱身技術(shù)的不斷發(fā)展，航空雷達(dá)裝備散射截面積顯著減小，導(dǎo)致目標(biāo)回波信噪比(snr)明顯下降，這大大增加了目標(biāo)檢測難度。檢測前跟蹤(tbd)是微弱目標(biāo)檢測的重要技術(shù)途徑，該方法首先進(jìn)行非相參能量積累，以提高目標(biāo)信噪比，隨后對(duì)多幀累積結(jié)果進(jìn)行處理，最終輸出目標(biāo)檢測結(jié)果。目前主流的tbd方法包括hough變換法(ht)、動(dòng)態(tài)規(guī)劃法(dp)、粒子濾波法(pfd)等。在使用傳統(tǒng)的基于目標(biāo)運(yùn)動(dòng)模型的檢測前跟蹤算法時(shí)，當(dāng)目標(biāo)的機(jī)動(dòng)方式與預(yù)設(shè)的模型不匹配時(shí)，算法的檢測效果將急劇下降或計(jì)算量將顯著提升。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于充分挖掘目標(biāo)回波能量的空-時(shí)分布特性，用改進(jìn)的yolo實(shí)例分割網(wǎng)絡(luò)對(duì)基于最大值累積的多幀回波數(shù)據(jù)進(jìn)行目標(biāo)檢測，改進(jìn)現(xiàn)有檢測前方法依賴目標(biāo)運(yùn)動(dòng)模型的問題。

2、本發(fā)明提供一種基于回波能量空-時(shí)分布特征的機(jī)動(dòng)微弱目標(biāo)前檢測跟蹤方法，其特征在于，包括以下步驟：

3、步驟1：接收多幀雷達(dá)回波數(shù)據(jù)，獲取接收到的數(shù)據(jù)中對(duì)應(yīng)于每一個(gè)距離分辨單元的最大幅值，以各距離分辨單元的最大幅值為元素，構(gòu)造最大值累積矩陣；

4、步驟2：根據(jù)步驟1構(gòu)造的最大值累積矩陣生成雷達(dá)回波圖像；

5、步驟3：對(duì)圖像進(jìn)行預(yù)處理，將處理后的圖像輸入到預(yù)訓(xùn)練模型中進(jìn)行航跡檢測，利用多幀累積后目標(biāo)航跡所呈現(xiàn)的空-時(shí)相關(guān)性，進(jìn)行目標(biāo)航跡的實(shí)例分割，輸出分割圖像并獲取錨框以及分割掩碼位置信息；

6、步驟4：對(duì)于每一個(gè)錨框，獲取該錨框內(nèi)的所有分割掩碼的歸一化坐標(biāo)信息，將歸一化坐標(biāo)信息映射至雷達(dá)坐標(biāo)系中，轉(zhuǎn)化為對(duì)應(yīng)的雷達(dá)距離分辨單元位置，完成目標(biāo)的點(diǎn)跡回溯；

7、步驟5：重復(fù)步驟4，直至完成所有錨框內(nèi)的掩碼信息，輸出檢測得到的目標(biāo)位置信息和目標(biāo)個(gè)數(shù)。

8、進(jìn)一步地，步驟1中，所述接收多幀雷達(dá)回波數(shù)據(jù)，對(duì)每一幀數(shù)據(jù)都不設(shè)限門。

9、又進(jìn)一步地，步驟1中，所述最大值矩陣表達(dá)式為：

10、zk＝{zk(i,j)|i＝1,…,nr；j＝1,…,na}

11、zint(i，j)＝max(z1(i，j)，z2(i，j)，…，zk(i，j))

12、zint(i，j)＝{zint(i，j)}

13、其中，zk表示第k幀雷達(dá)回波量測數(shù)據(jù)；zk(i，j)表示第k幀數(shù)據(jù)中處于(i，j)分辨單元的幅值；nr表示距離維分辨單元個(gè)數(shù)；na表示方位維分辨單元個(gè)數(shù)；zint(i，j)表示每個(gè)分辨單元的最大值；zint(i，j)表示最大值累積矩陣。

14、進(jìn)一步地，步驟3中，所述圖像預(yù)處理為將最大值累積矩陣生成的雷達(dá)回波圖像轉(zhuǎn)成灰度圖像。

15、進(jìn)一步地，步驟3中，所述預(yù)訓(xùn)練模型為改進(jìn)yolov8實(shí)例分割網(wǎng)絡(luò)，包括主干網(wǎng)絡(luò)、頸部結(jié)構(gòu)、檢測頭。

16、進(jìn)一步地，步驟3中，所述改進(jìn)yolov8實(shí)例分割網(wǎng)絡(luò)具體為：

17、步驟3.1：在yolov8網(wǎng)絡(luò)的主干網(wǎng)絡(luò)集成botnet模塊，對(duì)輸入圖像進(jìn)行特征提取，并輸出特征圖；

18、步驟3.2：在yolov8網(wǎng)絡(luò)的頸部結(jié)構(gòu)集成dscoov模塊，對(duì)主干網(wǎng)絡(luò)輸出的特征圖進(jìn)行特征融合，輸出多尺度特征圖；

19、步驟3.3：將步驟3.2輸出的多尺度特征圖輸入檢測頭部分，輸出檢測出的目標(biāo)航跡掩膜信息和錨框信息，得到目標(biāo)航跡的像素坐標(biāo)。

20、進(jìn)一步地，所述步驟4具體為：

21、假設(shè)目標(biāo)在像素坐標(biāo)系中的歸一化坐標(biāo)為(itx，ity)，則該目標(biāo)像素點(diǎn)在雷達(dá)距離-距離坐標(biāo)系下的坐標(biāo)可表示為：

22、

23、其中，ftx為目標(biāo)在x軸方向的坐標(biāo)，fty為目標(biāo)在y軸方向的坐標(biāo)；wp為圖像的寬度，hp為圖像的高度；rx為雷達(dá)在x軸方向上的探測范圍，ry為雷達(dá)在y軸方向上的探測范圍；fox和foy為圖像原點(diǎn)在距離-距離坐標(biāo)系中的坐標(biāo)；

24、目標(biāo)在距離-方位角坐標(biāo)系下的坐標(biāo)表示為：

25、

26、其中，utr為目標(biāo)距離坐標(biāo)，uta為目標(biāo)方位角坐標(biāo)；

27、將目標(biāo)在距離-方位角坐標(biāo)系下的坐標(biāo)轉(zhuǎn)換到雷達(dá)距離分辨單元中，表示為：

28、

29、其中，(vtr,vta)為目標(biāo)對(duì)應(yīng)的距離分辨單元，nr為距離分辨率，na為方位角分辨率。

30、本發(fā)明還提供了一種計(jì)算機(jī)裝置/設(shè)備/系統(tǒng)，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述任一項(xiàng)所述基于回波能量空-時(shí)分布特征的機(jī)動(dòng)微弱目標(biāo)前檢測跟蹤方法的步驟。

31、本發(fā)明還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序/指令，其特征在于，該計(jì)算機(jī)程序/指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述任一項(xiàng)所述基于回波能量空-時(shí)分布特征的機(jī)動(dòng)微弱目標(biāo)前檢測跟蹤方法的步驟。

32、本發(fā)明還提供了一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序/指令，其特征在于，該計(jì)算機(jī)程序/指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述任一項(xiàng)所述基于回波能量空-時(shí)分布特征的機(jī)動(dòng)微弱目標(biāo)前檢測跟蹤方法的步驟。

33、本發(fā)明的有益效果在于：

34、(1)本發(fā)明適用于機(jī)動(dòng)目標(biāo)，不依賴運(yùn)動(dòng)模型以及目標(biāo)的位置、速度、加速度等先驗(yàn)信息，同時(shí)可實(shí)現(xiàn)較高的檢測概率。

35、(2)本發(fā)明適用于多目標(biāo)檢測，在目標(biāo)數(shù)量未知、目標(biāo)運(yùn)動(dòng)模型相同或不同的情況下，均能實(shí)現(xiàn)較高的檢測概率，在信噪比為8的情況下多機(jī)動(dòng)目標(biāo)的檢測概率可以達(dá)到85％以上。

36、(3)本發(fā)明利用本算法網(wǎng)絡(luò)的實(shí)例分割特性，不僅能夠區(qū)分目標(biāo)和背景，還能夠準(zhǔn)確區(qū)分不同目標(biāo)航跡，準(zhǔn)確獲取目標(biāo)數(shù)量信息，在較低信噪比為8的情況下，目標(biāo)數(shù)量識(shí)別數(shù)率可以達(dá)到90％以上。

37、(4)微弱目標(biāo)回波能量小，采用先檢測后跟蹤的技術(shù)很容易造成漏警。相比較于先檢測后跟蹤的算法，檢測前跟蹤算法不針對(duì)每幀信號(hào)進(jìn)行門限檢測，而是將多幀雷達(dá)目標(biāo)回波進(jìn)行累積，根據(jù)目標(biāo)空-時(shí)相關(guān)性特征，形成運(yùn)動(dòng)航跡與噪聲點(diǎn)跡、雜波等進(jìn)行區(qū)分，從而識(shí)別目標(biāo)。

技術(shù)特征：

1.一種基于回波能量空-時(shí)分布特征的機(jī)動(dòng)微弱目標(biāo)前檢測跟蹤方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于回波能量空-時(shí)分布特征的機(jī)動(dòng)微弱目標(biāo)前檢測跟蹤方法，其特征在于，步驟1中，所述接收多幀雷達(dá)回波數(shù)據(jù)，對(duì)每一幀數(shù)據(jù)都不設(shè)限門。

3.根據(jù)權(quán)利要求1或2任一項(xiàng)所述的一種基于回波能量空-時(shí)分布特征的機(jī)動(dòng)微弱目標(biāo)前檢測跟蹤方法，其特征在于，步驟1中，所述最大值矩陣表達(dá)式為：

4.根據(jù)權(quán)利要求1所述的一種基于回波能量空-時(shí)分布特征的機(jī)動(dòng)微弱目標(biāo)前檢測跟蹤方法，其特征在于，步驟3中，所述圖像預(yù)處理為將最大值累積矩陣生成的雷達(dá)回波圖像轉(zhuǎn)成灰度圖像。

5.根據(jù)權(quán)利要求1所述的一種基于回波能量空-時(shí)分布特征的機(jī)動(dòng)微弱目標(biāo)前檢測跟蹤方法，其特征在于，步驟3中，所述預(yù)訓(xùn)練模型為改進(jìn)yolov8實(shí)例分割網(wǎng)絡(luò)，包括主干網(wǎng)絡(luò)、頸部結(jié)構(gòu)、檢測頭。

6.根據(jù)權(quán)利要求5所述的一種基于回波能量空-時(shí)分布特征的機(jī)動(dòng)微弱目標(biāo)前檢測跟蹤方法，其特征在于，步驟3中，所述改進(jìn)yolov8實(shí)例分割網(wǎng)絡(luò)具體為：

7.根據(jù)權(quán)利要求1所述的一種基于回波能量空-時(shí)分布特征的機(jī)動(dòng)微弱目標(biāo)前檢測跟蹤方法，其特征在于，所述步驟4具體為：

8.一種計(jì)算機(jī)裝置/設(shè)備/系統(tǒng)，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器的計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)權(quán)利要求1至7中任一項(xiàng)所述方法的步驟。

9.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序/指令，其特征在于，該計(jì)算機(jī)程序/指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1至7中任一項(xiàng)所述方法的步驟。

10.一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序/指令，其特征在于，該計(jì)算機(jī)程序/指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1至7中任一項(xiàng)所述方法的步驟。

技術(shù)總結(jié)
本發(fā)明公開一種基于回波能量空?時(shí)分布特征的機(jī)動(dòng)微弱目標(biāo)前檢測跟蹤方法、程序、設(shè)備及存儲(chǔ)介質(zhì)，屬于目標(biāo)檢測與跟蹤領(lǐng)域。首先，對(duì)多幀雷達(dá)目標(biāo)回波進(jìn)行最大值非相參累積，將累積后的雷達(dá)量測轉(zhuǎn)化為二維雷達(dá)目標(biāo)回波圖像。進(jìn)而，將回波圖像輸入改進(jìn)的YOLOv8實(shí)例分割網(wǎng)絡(luò)進(jìn)行識(shí)別。最后，對(duì)識(shí)別結(jié)果進(jìn)行坐標(biāo)轉(zhuǎn)換，將圖像像素映射到雷達(dá)分辨單元，輸出檢測得到的目標(biāo)位置信息和目標(biāo)個(gè)數(shù)。相比較于先檢測后跟蹤的算法，檢測前跟蹤算法不針對(duì)每幀信號(hào)進(jìn)行門限檢測，而是將多幀雷達(dá)目標(biāo)回波進(jìn)行累積，根據(jù)目標(biāo)空?時(shí)相關(guān)性特征，形成運(yùn)動(dòng)航跡與噪聲點(diǎn)跡、雜波等進(jìn)行區(qū)分，從而識(shí)別目標(biāo)，提高了檢測概率和目標(biāo)數(shù)量識(shí)別數(shù)率。

技術(shù)研發(fā)人員：張一泓,孫殿星,彭銳暉,公金成
受保護(hù)的技術(shù)使用者：哈爾濱工程大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2