一种通道多尺度特征强化的雷达目标检测方法

本发明属于雷达目标检测，具体涉及一种通道多尺度特征强化的雷达目标检测方法。

背景技术：

1、穿墙生命探测雷达系统好比一对透视眼，在不需要工作人员进入封闭空间的情况下，使用先进的技术，快速地预先获知空间内部的各类信息，包括空间布局结构、空间内目标的数量、位置以及其他更加详细的属性。它可以广泛应用于安防监控、医疗救治、灾后救援、执法营救等领域，另外，与其他众多传感器相比，雷达具有防止个人隐私泄露，全天候运行，功耗低等特点。这使得穿墙生命探测雷达在智能家具的领域也具有广大的研究价值和应用前景。

2、雷达图像目标检测主要是对雷达图像进行特征提取以及分析，而目前人工智能算法有很强大的特征提取能力，能很好得利用特征信息，在很多光学图像识别上取得了很好的效果。随着深度学习技术的迅速发展，其在穿墙生命探测雷达探测领域的应用越来越广，基于深度学习的穿墙生命探测雷达目标检测算法逐渐得到了科研人员的关注。

3、众所周知，基于回归算法的单阶段目标检测模型检测速度极快，已经可以应用于高帧率视频目标检测任务，其主要代表有2015年兴起的yolo系列算法、以及2016年提出的ssd模型。其中，饱受好评的yolov1算法模型于2015年被提出，在速度上相较于fast r-cnn有较大的突破。yolov2于2017年被提出，其在速度上有了明显地提升，这使得目标检测逐渐运用到了视频处理领域。到了2018年，yolov3相较于上代在特征提取模块上进行了改进，嵌入了当时最新的darknet-53，不仅速度上相较于前几代更快，而且在检测精度上更高。到目前，yolo已经发展至yolov5a算法。

4、然而，由于穿墙生命探测雷达图像存在大量噪声、探测目标繁杂且成像环境复杂的问题，现有的yolov5a算法仍然存在目标漏检的情况，从而导致检测效果不佳，且在目标定位精度与置信度上还有较大提升空间。

技术实现思路

1、针对穿墙生命探测雷达图像目标检测中存在检测精确率不高，检测能力弱等问题，本发明提供了一种通道多尺度特征强化的雷达目标检测方法。本发明要解决的技术问题通过以下技术方案实现：

2、一种通道多尺度特征强化的雷达目标检测方法，包括：

3、基于yolov5a算法构建具有多个yolo层的雷达目标检测网络模型se-dtyo5 net；

4、利用所述网络模型对雷达图像进行处理；其中，所述网络模型首先基于se-resnet通道注意力机制从雷达图像中提取具有不同分辨率的特征图像；然后对所述具有不同分辨率的特征图像进行多尺度特征复融合，以实现穿墙生命探测雷达目标检测。

5、在本发明的一个实施例中，所述网络模型包括若干第一csp模块、若干detr模块、若干特征复融合模块、若干第二csp模块；其中，

6、若干所述第一csp模块依次对雷达图像进行特征提取，得到多尺度第一特征图像；

7、若干所述detr模块基于通道注意力机制对所述第一特征图像再次进行特征提取，得到第二特征图像；

8、若干所述特征复融合模块分别对所述第二特征图像进行特征复融合，得到若干融合图像；

9、若干所述第二csp模块分别对所述融合图像进行处理，以输出不同尺度的特征图像。

10、在本发明的一个实施例中，所述第一csp模块包括多个csp1单元，每个所述csp1单元均包括两个cbl单元、多个se-resnet单元、两个1×1卷积层、以及bn模块和relu非线性层；其中，

11、一个cbl单元、多个se-resnet单元以及一个1×1卷积层构成csp1单元的主路径，另一个1×1卷积层构成csp1单元的快捷路径；通过对两条路径的输出以通道维度进行拼接，再经过bn模块、relu非线性层和以及一个cbl单元，得到csp1单元的输出。

12、在本发明的一个实施例中，所述se-resnet单元包括一个卷积核conv、一个bn模块以及一个se unit网络，通过将卷积核conv的输入和se unit网络的输出相加，得到输出结果。

13、在本发明的一个实施例中，所述detr模块包括依次连接的骨干网backbone、transformer编码器、transformer解码器以及预测头prediction heads。

14、在本发明的一个实施例中，所述特征复融合模块包括上采样单元、第一特征融合单元、下采样单元以及第二特征融合单元，其中，

15、上采样单元对当前detr模块输出的深层特征进行上采样，然后通过第一特征融合单元将采样得到的特征与上一层的detr模块输出的浅层特征进行拼接，以增加浅层特征图像的语义信息；

16、下采样单元对拼接后的特征图像进行下采样，然后通过第二特征融合单元将精确的定位信息与深层特征进行融合，以提升模型的特征学习能力。

17、在本发明的一个实施例中，所述第二csp模块包括多个csp2单元，每个所述csp2单元均包括两个cbl单元、多个cpl单元、两个1×1卷积层、以及bn模块和relu非线性层；其中，

18、一个cbl单元、多个cpl单元以及一个1×1卷积层构成csp2单元的主路径，另一个1×1卷积层构成csp2单元的快捷路径；通过对两条路径的输出以通道维度进行拼接，再经过bn模块、relu非线性层和以及一个cbl单元，得到csp2单元的输出。

19、本发明的有益效果：

20、1、本发明提供的通道多尺度特征强化的雷达目标检测方法通过对现有的yolov5a算法进行改进，设计了一种具有多个yolo层的雷达目标检测网络模型se-dtyo5 net，该模型以yolov5框架为基础，通过引入通道注意力机制，增强了有益特征学习的能力和特征学习的针对性；同时，该模型通过增加yolo分支和采用多尺度特征复融合策略，不仅能够提高感受野的灵活性，而且可以将加强特征之间的再融合，提升抽象特征和位置信息和学习能力，从而进一步的增强了目标检测能力和检测准确度；

21、2、本发明提供的雷达目标检测网络模型se-dtyo5net在现有的yolov5a网络中嵌入了detr网络，引入了注意力机制，进一步提高了模型的计算效率。

22、以下将结合附图及实施例对本发明做进一步详细说明。

技术特征：

1.一种通道多尺度特征强化的雷达目标检测方法，其特征在于，包括：

2.根据权利要求1所述的通道多尺度特征强化的雷达目标检测方法，其特征在于，所述网络模型包括若干第一csp模块、若干detr模块、若干特征复融合模块、若干第二csp模块；其中，

3.根据权利要求2所述的通道多尺度特征强化的雷达目标检测方法，其特征在于，所述第一csp模块包括多个csp1单元，每个所述csp1单元均包括两个cbl单元、多个se-resnet单元、两个1×1卷积层、以及bn模块和relu非线性层；其中，

4.根据权利要求3所述的通道多尺度特征强化的雷达目标检测方法，其特征在于，所述se-resnet单元包括一个卷积核conv、一个bn模块以及一个se unit网络，通过将卷积核conv的输入和se unit网络的输出相加，得到输出结果。

5.根据权利要求2所述的通道多尺度特征强化的雷达目标检测方法，其特征在于，所述detr模块包括依次连接的骨干网backbone、transformer编码器、transformer解码器以及预测头prediction heads。

6.根据权利要求2所述的通道多尺度特征强化的雷达目标检测方法，其特征在于，所述特征复融合模块包括上采样单元、第一特征融合单元、下采样单元以及第二特征融合单元，其中，

7.根据权利要求2所述的通道多尺度特征强化的雷达目标检测方法，其特征在于，所述第二csp模块包括多个csp2单元，每个所述csp2单元均包括两个cbl单元、多个cpl单元、两个1×1卷积层、以及bn模块和relu非线性层；其中，

技术总结
本发明公开了一种通道多尺度特征强化的雷达目标检测方法，包括：基于YOLOv5a算法构建具有多个YOLO层的雷达目标检测网络模型SE‑DTYO5Net；利用网络模型对雷达图像进行处理；其中，网络模型首先基于SE‑ResNet通道注意力机制从雷达图像中提取具有不同分辨率的特征图像；然后对具有不同分辨率的特征图像进行多尺度特征复融合，以实现穿墙生命探测雷达目标检测。本发明提供的方法通过引入通道注意力机制，增强了有益特征学习的能力和特征学习的针对性；同时，通过增加YOLO分支和采用多尺度特征复融合策略，不仅能够提高感受野的灵活性，而且可以将加强特征之间的再融合，提升抽象特征和位置信息和学习能力，从而进一步增强了目标检测能力和检测准确度。

技术研发人员：包敏,王书振,李乔,黄锐,李亚超,郭亮
受保护的技术使用者：西安电子科技大学
技术研发日：
技术公布日：2024/1/13