【技術實現步驟摘要】
本專利技術屬于目標檢測與跟蹤，具體涉及一種基于回波能量空-時分布特征的機動微弱多目標檢測前跟蹤方法、程序、設備及存儲介質。
技術介紹
1、隨著隱身技術的不斷發展，航空雷達裝備散射截面積顯著減小，導致目標回波信噪比(snr)明顯下降，這大大增加了目標檢測難度。檢測前跟蹤(tbd)是微弱目標檢測的重要技術途徑，該方法首先進行非相參能量積累，以提高目標信噪比，隨后對多幀累積結果進行處理，最終輸出目標檢測結果。目前主流的tbd方法包括hough變換法(ht)、動態規劃法(dp)、粒子濾波法(pfd)等。在使用傳統的基于目標運動模型的檢測前跟蹤算法時，當目標的機動方式與預設的模型不匹配時，算法的檢測效果將急劇下降或計算量將顯著提升。
技術實現思路
1、本專利技術的目的在于充分挖掘目標回波能量的空-時分布特性，用改進的yolo實例分割網絡對基于最大值累積的多幀回波數據進行目標檢測，改進現有檢測前方法依賴目標運動模型的問題。
2、本專利技術提供一種基于回波能量空-時分布特征的機動微弱目標前檢測跟蹤方法，其特征在于，包括以下步驟：
3、步驟1：接收多幀雷達回波數據，獲取接收到的數據中對應于每一個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，構造最大值累積矩陣；
4、步驟2：根據步驟1構造的最大值累積矩陣生成雷達回波圖像；
5、步驟3：對圖像進行預處理，將處理后的圖像輸入到預訓練模型中進行航跡檢測，利用多幀累積后目標航跡所呈現的空-時相關性
6、步驟4：對于每一個錨框，獲取該錨框內的所有分割掩碼的歸一化坐標信息，將歸一化坐標信息映射至雷達坐標系中，轉化為對應的雷達距離分辨單元位置，完成目標的點跡回溯；
7、步驟5：重復步驟4，直至完成所有錨框內的掩碼信息，輸出檢測得到的目標位置信息和目標個數。
8、進一步地，步驟1中，所述接收多幀雷達回波數據，對每一幀數據都不設限門。
9、又進一步地，步驟1中，所述最大值矩陣表達式為：
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幀雷達回波量測數據；zk(i，j)表示第k幀數據中處于(i，j)分辨單元的幅值；nr表示距離維分辨單元個數；na表示方位維分辨單元個數；zint(i，j)表示每個分辨單元的最大值；zint(i，j)表示最大值累積矩陣。
14、進一步地，步驟3中，所述圖像預處理為將最大值累積矩陣生成的雷達回波圖像轉成灰度圖像。
15、進一步地，步驟3中，所述預訓練模型為改進yolov8實例分割網絡，包括主干網絡、頸部結構、檢測頭。
16、進一步地，步驟3中，所述改進yolov8實例分割網絡具體為：
17、步驟3.1：在yolov8網絡的主干網絡集成botnet模塊，對輸入圖像進行特征提取，并輸出特征圖；
18、步驟3.2：在yolov8網絡的頸部結構集成dscoov模塊，對主干網絡輸出的特征圖進行特征融合，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，輸出檢測出的目標航跡掩膜信息和錨框信息，得到目標航跡的像素坐標。
20、進一步地，所述步驟4具體為：
21、假設目標在像素坐標系中的歸一化坐標為(itx，ity)，則該目標像素點在雷達距離-距離坐標系下的坐標可表示為：
22、
23、其中，ftx為目標在x軸方向的坐標，fty為目標在y軸方向的坐標；wp為圖像的寬度，hp為圖像的高度；rx為雷達在x軸方向上的探測范圍，ry為雷達在y軸方向上的探測范圍；fox和foy為圖像原點在距離-距離坐標系中的坐標；
24、目標在距離-方位角坐標系下的坐標表示為：
25、
26、其中，utr為目標距離坐標，uta為目標方位角坐標；
27、將目標在距離-方位角坐標系下的坐標轉換到雷達距離分辨單元中，表示為：
28、
29、其中，(vtr,vta)為目標對應的距離分辨單元，nr為距離分辨率，na為方位角分辨率。
30、本專利技術還提供了一種計算機裝置/設備/系統，包括存儲器、處理器及存儲在存儲器上的計算機程序，所述處理器執行所述計算機程序時實現上述任一項所述基于回波能量空-時分布特征的機動微弱目標前檢測跟蹤方法的步驟。
31、本專利技術還提供了一種計算機可讀存儲介質，其上存儲有計算機程序/指令，其特征在于，該計算機程序/指令被處理器執行時實現上述任一項所述基于回波能量空-時分布特征的機動微弱目標前檢測跟蹤方法的步驟。
32、本專利技術還提供了一種計算機程序產品，包括計算機程序/指令，其特征在于，該計算機程序/指令被處理器執行時實現上述任一項所述基于回波能量空-時分布特征的機動微弱目標前檢測跟蹤方法的步驟。
33、本專利技術的有益效果在于：
34、(1)本專利技術適用于機動目標，不依賴運動模型以及目標的位置、速度、加速度等先驗信息，同時可實現較高的檢測概率。
35、(2)本專利技術適用于多目標檢測，在目標數量未知、目標運動模型相同或不同的情況下，均能實現較高的檢測概率，在信噪比為8的情況下多機動目標的檢測概率可以達到85％以上。
36、(3)本專利技術利用本算法網絡的實例分割特性，不僅能夠區分目標和背景，還能夠準確區分不同目標航跡，準確獲取目標數量信息，在較低信噪比為8的情況下，目標數量識別數率可以達到90％以上。
37、(4)微弱目標回波能量小，采用先檢測后跟蹤的技術很容易造成漏警。相比較于先檢測后跟蹤的算法，檢測前跟蹤算法不針對每幀信號進行門限檢測，而是將多幀雷達目標回波進行累積，根據目標空-時相關性特征，形成運動航跡與噪聲點跡、雜波等進行區分，從而識別目標。
本文檔來自技高網...【技術保護點】
1.一種基于回波能量空-時分布特征的機動微弱目標前檢測跟蹤方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于回波能量空-時分布特征的機動微弱目標前檢測跟蹤方法，其特征在于，步驟1中，所述接收多幀雷達回波數據，對每一幀數據都不設限門。
3.根據權利要求1或2任一項所述的一種基于回波能量空-時分布特征的機動微弱目標前檢測跟蹤方法，其特征在于，步驟1中，所述最大值矩陣表達式為：
4.根據權利要求1所述的一種基于回波能量空-時分布特征的機動微弱目標前檢測跟蹤方法，其特征在于，步驟3中，所述圖像預處理為將最大值累積矩陣生成的雷達回波圖像轉成灰度圖像。
5.根據權利要求1所述的一種基于回波能量空-時分布特征的機動微弱目標前檢測跟蹤方法，其特征在于，步驟3中，所述預訓練模型為改進YOLOv8實例分割網絡，包括主干網絡、頸部結構、檢測頭。
6.根據權利要求5所述的一種基于回波能量空-時分布特征的機動微弱目標前檢測跟蹤方法，其特征在于，步驟3中，所述改進YOLOv8實例分割網絡具體為：
7.根據權利要求1所述的
8.一種計算機裝置/設備/系統，包括存儲器、處理器及存儲在存儲器的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至7中任一項所述方法的步驟。
9.一種計算機可讀存儲介質，其上存儲有計算機程序/指令，其特征在于，該計算機程序/指令被處理器執行時實現權利要求1至7中任一項所述方法的步驟。
10.一種計算機程序產品，包括計算機程序/指令，其特征在于，該計算機程序/指令被處理器執行時實現權利要求1至7中任一項所述方法的步驟。
...【技術特征摘要】
1.一種基于回波能量空-時分布特征的機動微弱目標前檢測跟蹤方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于回波能量空-時分布特征的機動微弱目標前檢測跟蹤方法，其特征在于，步驟1中，所述接收多幀雷達回波數據，對每一幀數據都不設限門。
3.根據權利要求1或2任一項所述的一種基于回波能量空-時分布特征的機動微弱目標前檢測跟蹤方法，其特征在于，步驟1中，所述最大值矩陣表達式為：
4.根據權利要求1所述的一種基于回波能量空-時分布特征的機動微弱目標前檢測跟蹤方法，其特征在于，步驟3中，所述圖像預處理為將最大值累積矩陣生成的雷達回波圖像轉成灰度圖像。
5.根據權利要求1所述的一種基于回波能量空-時分布特征的機動微弱目標前檢測跟蹤方法，其特征在于，步驟3中，所述預訓練模型為改進yolov8實例分割網絡，包括主干網絡、頸部...
【專利技術屬性】
技術研發人員：張一泓，孫殿星，彭銳暉，公金成，
申請(專利權)人：哈爾濱工程大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。