(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210625921.1 (22)申请日 2022.06.02 (71)申请人 北京理工大 学 地址 100081 北京市海淀区中关村南大街5 号 (72)发明人 傅雄军　刘畅　李明玲　谢民　 杜慧茜　 (74)专利代理 机构 北京众元弘策知识产权代理 事务所(普通 合伙) 11462 专利代理师 白元群 (51)Int.Cl. G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 20/70(2022.01) G06V 10/774(2022.01)G06V 10/764(2022.01) G06V 10/22(2022.01) G06T 7/73(2017.01) G01S 7/41(2006.01) (54)发明名称 一种基于多尺度特征融合的雷达目标检测 方法 (57)摘要 本发明涉及一种基于多尺度特征融合的雷 达目标检测方法， 属于雷达目标探测技术领域。 所述方法致力于改进现有目标检测模型Faster   RCNN， 通过多尺度特征融合设计增强小目标特征 表征能力， 进而提升杂波背景下的小目标检测性 能。 包括： 构建目标检测数据集并划分训练集和 测试集； 将训练集依次输入基于多尺度特征融合 的主干网络、 区域生成网络、 分块池化网络和输 出网络进行模 型训练， 获得训练好的目标检测模 型； 将测试集输入训练好的目标检测模型中进行 模型测试， 获得测试图像的预测类别和位置坐 标。 所述方法通过融合高层特征的强语义信息和 低层特征的丰富细节信息， 有效提高了小目标的 特征表征能力， 从而实现了 较高的检测精度。 权利要求书2页 说明书7页 附图4页 CN 115019141 A 2022.09.06 CN 115019141 A 1.一种基于多尺度特 征融合的雷达目标检测方法， 其特 征在于： 包括如下步骤： S1、 构建目标检测数据集并划分训练集和 测试集； S2、 将训练集输入目标检测模型进行训练， 获得训练好的目标检测模型； 所述目标检测模型包括基于多尺度特征融合的主干网络、 区域生成网络、 分块池化网 络和输出网络； S2具体包括以下子步骤： S21、 将训练集输入基于多尺度特征融合的主干网络， 对训练图像进行特征提取， 获得 融合特征图； 所述基于多尺度特 征融合的主干网络包括VG G16网络和特 征融合网络； 所述特征融合网络是自顶向下高层特 征和下一层特 征逐层融合的网络； S21具体如下： S211、 将训练集输入VG G16网络， 获得多尺度特 征图C_1、 C_2、 C_3、 C_4和C_5； S212、 将C_3、 C_4和C_5 输入特征融合网络， 获得融合特 征图； 所述特征融合网络 的具体连接方式为： 将C_3、 C_4和C_5分别经过1 ×1大小的卷积层， 获得P3、 P4和P5特征图； 将P5和P4直接元素相加得到融合特征W4； 将W4上采样后和P3尺寸对 齐， 然后元 素相加得到融合特 征W3； 将W3经 过3×3大小的卷积层平 滑后得到融合特 征图； S22、 将融合特 征图输入区域 生成网络， 获得目标候选区域， 具体如下： S221、 采用尺寸为G ×G的滑动窗口在融合特征图上滑动， 然后将每个对应区域经过中 间层映射成长度为D的特 征向量； S222、 将特征向量分别送入两个网络， 第一个网络进行目标和背景的二分类， 获得类别 得分； 第二个网络进行目标位置回归， 获得候选 框坐标； S223、 根据目标得分和候选框坐标进行非极大值抑制去除冗余框， 取目标得分排名前N 的候选框作为目标候选区域； S23、 将目标候选区域映射回融合特征图， 并输入分块池化网络， 获得固定尺寸为F ×F 大小的特 征图； S24、 将固定尺寸 为F×F大小的特 征图送入输出网络， 获得目标 预测类别和位置坐标； S25、 重复S2 1至S24， 遍历训练集 中的所有图像， 完成训练集所有图像的训练， 获得所有 图像中目标的预测类别和位置坐标， 并得到训练好的目标检测模型； S3、 将测试集输入训练好的目标检测模型中进行模型测试， 并遍历测试集中的所有图 像， 获得模型对测试图像的预测类别和位置坐标； 至此， 从S2到S3 完成了一次模型的训练和 测试； S4、 重复S2至S3， 进行多次的训练和测试， 直至满足预设的训练轮数E， 则停止训练和测 试。 2.如权利要求1所述的雷达目标检测方法， 其特征在于： S1所述目标检测数据集的具体 构建方式为： 针对雷达回波， 每K个脉冲在快时间维进行脉冲压缩， 在慢 时间维进行快速傅 里叶变换， 得到相应的距离 ‑多普勒图； 然后， 根据 目标在距离 ‑多普勒图上的位置打出标 签， 得到目标 标签文件； 脉冲个数 K的取值范围为128至1024， 且为整数。 3.如权利要求1所述的雷达目标检测方法， 其特征在于： S1所述训练集和测试集的比例 为X:10‑X， 且无重 叠数据； X的取值范围为6.5 至8.5。权　利　要　求　书 1/2 页 2 CN 115019141 A 24.如权利 要求1所述的雷达目标检测方法， 其特征在于： S2 1所述VGG16 网络是自底向上 逐层降采样的网络， 包括五个卷积模块， 记为C1、 C2、 C3、 C4和C5； 所述C1包含两个通道数为 64， 卷积核大小为3 ×3的卷积层和一个池化层； C2包含两个通道数为128， 卷积核 大小为3× 3的卷积层和一个池化层； C3包含三个通道数为256， 卷积核大小为3 ×3的卷积层和一个池 化层； C4包含三个通道数为512， 卷积核大小为3 ×3的卷积层和一个池化层； C5包含三个通 道数为512， 卷积核大小为3 ×3的卷积层。 5.如权利要求1或4所述 的雷达目标检测 方法， 其特征在于： S211中， C_1、 C_2、 C_3、 C_4 和C_5分别为C1、 C2、 C 3、 C4和C5输出的特 征图； 所述C_1和C_2不与特 征融合网络相连。 6.如权利 要求1所述的雷达目标检测方法， 其特征在于： S212所述1 ×1大小的卷积层的 作用是减少并统一输出特征图的通道数， 并避免梯度直接影 响VGG16网络； 所述3 ×3大小的 卷积层的作用是平 滑特征图， 减少对W 4进行上采样操作导致的混叠效。 7.如权利要求1所述的雷达目标检测方法， 其特征在于： S221中， G的取值范围为3至5， 且为整数； D的取值范围为大于等于256且为整数； S222所述类别 得分表示目标得分和背景 得分构成的二维向量， 得分表 示属于该类别的概率值； 所述候选框坐标的格式为(x1,y1,x2, y2)， 其中(x1,y1)表示的候选 框的左上坐标， (x2,y2)表示候选框的右下坐标。 8.如权利 要求1所述的雷达目标检测方法， 其特征在于： S223中， N的取值范围为大于等 于2000； S23中， F的取值范围为3 至10， 且为整数。 9.如权利要求1所述的雷达目标检测方法， 其特征在于： S24所述输出网络由四个全连 接层组成， 记为： FC1、 FC2、 FC 3和FC4； S24、 具体操作如下： S241、 将固定尺寸 为F×F大小的特 征图依次输入FC1和FC2， 得到 长度为M的特 征向量； S242、 将特征向量分别送入FC3和FC4， FC3基于softmax函数获得目标预测类别； FC4进 行位置回归， 获得位置坐标。 10.如权利 要求1或9所述的雷达目标检测方法， 其特征在于： S242中， 在目标类别数为N 的情况下， 则FC3的输出节点数为N+1， FC4的输出节点数为4(N+1)； S4中， E的取值范 围为大 于1。权　利　要　求　书 2/2 页 3 CN 115019141 A 3