本發(fā)明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(shè)備及存儲介質(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(shù)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(jié)果進行處理，最終輸出目標檢測結(jié)果。目前主流的tbd方法包括hough變換法(ht)、動態(tài)規(guī)劃法(dp)、粒子濾波法(pfd)等。在使用傳統(tǒng)的基于目標運動模型的檢測前跟蹤算法時，當目標的機動方式與預設(shè)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(shù)實現(xiàn)思路

1、本發(fā)明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(wǎng)絡對基于最大值累積的多幀回波數(shù)據(jù)進行目標檢測，改進現(xiàn)有檢測前方法依賴目標運動模型的問題。

2、本發(fā)明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(shù)據(jù)，獲取接收到的數(shù)據(jù)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(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(xiàn)的空-時相關(guān)性，進行目標航跡的實例分割，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：對于每一個錨框，獲取該錨框內(nèi)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(zhuǎn)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(nèi)的掩碼信息，輸出檢測得到的目標位置信息和目標個數(shù)。

8、進一步地，步驟1中，所述接收多幀雷達回波數(shù)據(jù)，對每一幀數(shù)據(jù)都不設(shè)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(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數(shù)；na表示方位維分辨單元個數(shù)；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(zhuǎn)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(wǎng)絡，包括主干網(wǎng)絡、頸部結(jié)構(gòu)、檢測頭。

16、進一步地，步驟3中，所述改進yolov8實例分割網(wǎng)絡具體為：

17、步驟3.1：在yolov8網(wǎng)絡的主干網(wǎng)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(wǎng)絡的頸部結(jié)構(gòu)集成dscoov模塊，對主干網(wǎng)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(shè)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(zhuǎn)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、本發(fā)明還提供了一種計算機裝置/設(shè)備/系統(tǒng)，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(zhí)行所述計算機程序時實現(xiàn)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、本發(fā)明還提供了一種計算機可讀存儲介質(zhì)，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(zhí)行時實現(xiàn)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、本發(fā)明還提供了一種計算機程序產(chǎn)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(zhí)行時實現(xiàn)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、本發(fā)明的有益效果在于：

34、(1)本發(fā)明適用于機動目標，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(xiàn)較高的檢測概率。

35、(2)本發(fā)明適用于多目標檢測，在目標數(shù)量未知、目標運動模型相同或不同的情況下，均能實現(xiàn)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)本發(fā)明利用本算法網(wǎng)絡的實例分割特性，不僅能夠區(qū)分目標和背景，還能夠準確區(qū)分不同目標航跡，準確獲取目標數(shù)量信息，在較低信噪比為8的情況下，目標數(shù)量識別數(shù)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(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(jù)目標空-時相關(guān)性特征，形成運動航跡與噪聲點跡、雜波等進行區(qū)分，從而識別目標。

技術(shù)特征：

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(jù)權(quán)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(shù)據(jù)，對每一幀數(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(jù)權(quán)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(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(wǎng)絡，包括主干網(wǎng)絡、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(wǎng)絡具體為：

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

8.一種計算機裝置/設(shè)備/系統(tǒng)，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(zhí)行所述計算機程序時實現(xiàn)權(quán)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(zhì)，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(zhí)行時實現(xiàn)權(quán)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(chǎn)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(zhí)行時實現(xiàn)權(quán)利要求1至7中任一項所述方法的步驟。

技術(shù)總結(jié)
本發(fā)明公開一種基于回波能量空?時分布特征的機動微弱目標前檢測跟蹤方法、程序、設(shè)備及存儲介質(zhì)，屬于目標檢測與跟蹤領(lǐng)域。首先，對多幀雷達目標回波進行最大值非相參累積，將累積后的雷達量測轉(zhuǎn)化為二維雷達目標回波圖像。進而，將回波圖像輸入改進的YOLOv8實例分割網(wǎng)絡進行識別。最后，對識別結(jié)果進行坐標轉(zhuǎn)換，將圖像像素映射到雷達分辨單元，輸出檢測得到的目標位置信息和目標個數(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(jù)目標空?時相關(guān)性特征，形成運動航跡與噪聲點跡、雜波等進行區(qū)分，從而識別目標，提高了檢測概率和目標數(shù)量識別數(shù)率。

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