申请/专利权人：东华大学

申请日：2024-01-24

公开（公告）日：2024-06-25

公开（公告）号：CN118244222A

主分类号：G01S7/41

分类号：G01S7/41;G06F18/23213;G06N3/0464;G06N3/048;G06N3/084

优先权：

专利状态码：在审-公开

法律状态：2024.06.25#公开

摘要：本发明涉及一种轻量级雷达距离‑多普勒谱目标检测方法。本发明观察到目前算法存在检测精度较低和模型推理速度非常慢的问题，参考YOLOv7‑tiny轻量级网络架构，结合雷达数据的特点进行算法改进，有效地提升了雷达张量数据目标检测技术的检测精度和检测速度。首先，本发明设计了一个更高效的轻量级主干网络，能够更有效地进行特征提取。其次，本发明设计了新的特征融合网络，通过实验，采用了合适的注意力机制使算法能够关注更重要的特征层，采用轻量化算子进一步减少了参数量，并使用跳跃连接有效防止了信息损失。最后，本发明通过实验，采用了更适合雷达张量数据的数据增强方法，有效地提升算法的检测性能。

主权项：1.一种轻量级雷达距离-多普勒谱目标检测方法，其特征在于，包括以下步骤：步骤1、构建网络模型，该网络模型包括特征提取阶段、特征融合阶段和检测结果输出阶段，其中：在特征提取阶段，网络模型结构包含两个标准卷积层、三个最大池化层以及四个ELAN-GS特征提取模块，ELAN-GS特征提取模块包含三个标准卷积和两个GSConv模块；被缩放到固定大小的雷达距离-多普勒谱图像依次通过两个标准卷积层、一个ELAN-GS特征提取模块、一个最大池化层以及一个ELAN-GS特征提取模块后得到第一个特征，第一个特征再通过一个最大池化层和一个ELAN-GS特征提取模块得到第二个特征，第二个特征最后通过一个最大池化层和一个ELAN-GS特征提取模块得到第三个特征；在特征融合阶段，特征提取阶段所获得的第一个特征、第二个特征以及第三个特征分别输入各自的SimAM注意力机制模块，三个SimAM注意力机制模块输出的不同维度的特征张量经过两次上采样和下采样获得了新的三个输出特征，并将三个SimAM注意力机制模块输出的不同维度的特征张量跳跃连接到特征融合阶段输出的新的三个输出特征上，得到三个特征融合阶段输出特征；在检测结果输出阶段，三个特征融合阶段输出特征分别通过三个标准卷积模块，得到有三个具有不同大小的感受野的输出张量，分别负责预测不同大小的物体；步骤2、构建雷达距离-多普勒谱数据集：对公开的数据集进行预处理，沿着雷达原始数据的距离维和多普勒维进行快速傅里叶变换处理，得到距离-多普勒谱复数张量数据，并通过可视化方法得到距离-多普勒谱图像，从而构建得到雷达距离-多普勒谱数据集；步骤3、训练网络模型：使用K-means聚类算法对雷达距离-多普勒谱数据集生成相应的先验框，使得预定义的先验框与雷达距离-多普勒谱数据集中目标的尺寸和比例更加接近；设定网络模型的各个参数；对网络模型进行训练，在每轮训练前对步骤2中生成的距离-多普勒谱图像通过随机平移进行数据增强，然后再送入网络模型进行训练；步骤4、利用训练好的网络模型进行目标检测。

全文数据：

权利要求：

百度查询： 东华大学 一种轻量级雷达距离-多普勒谱目标检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD