买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：沈阳航空航天大学

摘要：本发明公开了一种基于多分辨率融合卷积神经网络的穿墙雷达成像方法，具体涉及雷达成像技术领域，通过制作所需数据集；构建多分辨率融合卷积神经网络；设置超参数，使用训练集训练多分辨率融合卷积神经网络；使用验证集验证多分辨率融合卷积神经网络；将测试集数据输入多分辨率融合卷积神经网络实现穿墙雷达的成像；可以准确反映目标的位置信息、体现目标之间反射系数的差异，对目标反射系数的大小描述更加准确；抑制由BP算法造成的旁瓣干扰、形状变化及多径效应导致的鬼影目标；重建误差更小，成像质量更高的同时降低了虚警目标个数和漏警目标个数；更适用于实际场景中的穿墙雷达成像，可直接应用于穿墙雷达设备。

主权项：1.一种基于多分辨率融合卷积神经网络的穿墙雷达成像方法，其特征在于：包括以下步骤:步骤1:制作所需数据集；步骤2：构建多分辨率融合卷积神经网络；步骤3：设置超参数，使用训练集训练多分辨率融合卷积神经网络；步骤4：使用验证集验证多分辨率融合卷积神经网络；步骤5：将测试集数据输入多分辨率融合卷积神经网络实现穿墙雷达的成像重建；所述步骤1的具体过程分为以下步骤：步骤1.1：制作训练集和验证集；训练集和验证集共含有W组数据，设定训练集和验证集使用数据的比例，每组数据都包含一张仿真生成的输入图像和一张与之匹配的参考图像，设置真实目标雷达散射截面积RCS图像，真实目标RCS图像中包含n个目标物体，其中，n～U1,N1，U表示均匀分布，每个目标有ns个散射中心，其中ns～U1,N2，每个散射中心的复反射系数σk～U0,1+jU0,1，j表示虚数单位，每个目标几何中心的横坐标xο～U0,X，纵坐标yο～U0,Y，其中X和Y分别为探测场景的方位向最大值和距离向最大值，ο＝1,2,…n，第οο＝1,2,…n个目标的每个散射中心的横坐标为xοθ～xο+U-lx2,lx2，纵坐标为yοθ～yο+U-ly2,ly2，其中θ＝1,2,…ns，lx和ly分别为目标在距离向和方位向长度最大值，输入图像是添加鬼影目标的低分辨率BP图像，参考图像是经二维高斯卷积处理的目标RCS图像；步骤1.2：制作低分辨率BP图像；步骤1.2.1：根据穿墙雷达系统的工作参数建立穿墙雷达信号成像模型以获取穿墙雷达回波仿真数据；穿墙雷达系统的起始工作频率为fL,终止频率为fH,共有S个收发共置天线位置，每个收发共置天线位置有T个扫描频率点，工作带宽B如公式1所示B＝fH-fL1则频率步进大小Δf如公式2所示： 第t个扫描频率大小如公式3所示：ft＝fL+t-1Δf3其中，t＝1,2,…,T；对于频率步进体制穿墙雷达，探测场景中包含K个散射中心，第s个收发共置天线位置接收的第t个扫描频率点的回波信号rs,t如式4所示： 其中，σk为第k个散射中心的反射系数，τs,k为第s个收发共置天线测量位置到第k个散射中心的双程回波延时；步骤1.2.2：利用BP算法对仿真生成的穿墙雷达回波数据进行成像；将目标成像区域划分成P×Q个空间网格，则第p行第q列空间网格像素值bp,q如式5所示： 其中，p＝1,2,…,P，q＝1,2,…,Q，τsp,q为第s个收发共置天线测量位置到第p行第q列空间网格的双程回波时延；步骤1.3：制作训练集和验证集的输入图像；对基于仿真数据得到的BP图像添加鬼影目标干扰，生成R张与低分辨率BP图像尺寸相同的空白图像，其中R为该低分辨率BP图像中的目标个数；在第r个空白图像中添加3个位置随机、反射系数不高于第r个目标物体反射系数的鬼影目标，其中，r＝1,2,…R，表示图像对应低分辨率BP图像中第r个目标，每个鬼影目标由一个像素点表示，像素点的值取鬼影目标反射系数的模值，对每个添加鬼影目标的空白图像进行二维高斯卷积，滤波器模板大小为ζr×ζr，高斯核参量设置为σr，将R张空白图像与低分辨率BP图像进行非相干相加以获得输入图像；步骤1.4：制作训练集和验证集的参考图像；使用低分辨率BP图像生成过程中目标的个数、目标的横坐标、纵坐标位置和反射系数信息生成相对应的目标RCS图像并使用滤波器模板大小为ζ×ζ、高斯核参量为σ的卷积核对目标RCS图像进行2维高斯卷积；步骤1.5：制作测试集测试集包含Z组数据，每组数据包含一张穿墙雷达实测回波数据经BP算法得到的低分辨率BP图像；所述步骤2的具体过程为：使用PyTorch深度学习框架搭建多分辨率融合卷积神经网络，包括卷积核大小为B×C×χ1×χ1的卷积操作、卷积核大小为B×C×χ2×χ2的转置卷积操作、激活函数LeakyReLU单元、Concatenation特征融合单元，其中B为每批样本的大小，C为通道数，χ1为卷积操作卷积核的高或宽，χ2为转置卷积操作卷积核的高或宽；所述多分辨率融合卷积神经网络使用填充且步长为的卷积操作作为卷积以提取或融合图像的特征；使用填充且步长为的卷积操作作为下采样操作以提取图像的多分辨率特征；使用填充且步长为的转置卷积操作作为上采样操作用于恢复图像尺寸；使用LeakyReLU激活函数对多分辨率融合卷积神经网络进行非线性激活，在多分辨率融合卷积神经网络中的每个卷积操作后均使用此激活函数；Concatenation单元对上下两个分辨率的特征图进行拼接。

全文数据：

权利要求：

百度查询： 沈阳航空航天大学 一种基于多分辨率融合卷积神经网络的穿墙雷达成像方法