具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例：

请参阅图1，本发明提供一种技术方案：

一种基于SVM的雷达RD图像弱目标检测方法，包括以下步骤：

S1:获取雷达回波数据，对数据进行预处理后，生成雷达距离多普勒维(Range-Doppler，RD)图像。

其中，雷达回波数据中包括目标信息，包括目标的数目、位置和速度等，并且保证目标参数在一定范围内随机；对雷达回波数据通过仿真生成雷达回波数据，在数据中加入不同信噪比的随机噪声，并且存在一定数量的低信噪比数据，并将雷达回波数据中目标数目、位置与速度一定范围内随机生成，将原始回波数据转化为在距离维和多普勒维上的图像，并且保证图像中目标和干扰(噪声、杂波等)同时存在，其中，目标占据一个像素点，生成的RD图像分辨率为256*225，距离维为225个单元，多普勒维为256个单元，从而获得雷达的原始RD图像。

S2:对原始图像进行预处理并进行标签，得到数据集。

其中，所述步骤S2中原始图像进行预处理并进行标签的具体步骤为：

S201:将原始图像标准化，并调整分辨率为适合支持向量机(SVM)学习的大小；

S202:获取目标所在位置的具体坐标值。

S203:针对目标所在位置的坐标值进行标签设置，生成标准标签数据。

其中，步骤S201调整分辨率需要将原始图像分辨率调整为1024*900，目标所占像素变为4*4，从而更适合SVM网络提取目标特征信息；步骤S202中具体坐标值的获取需要标准化后获取目标所在图像中的位置坐标，即所处距离单元与多普勒单元位置；步骤S202中标签设置和生成标准标签数据具体为，以目标中心为中心点生成大小为10*10的标签框，记录标签框的X_min、X_max、Y_min、Y_max以及标签数目，制作标准化标签数据xml文件，xml文件中包括图像的大小、图像中目标的数目和位置信息，根据xml文件标注位置即可在图像中找到目标所在位置，并且图像数据集与标签数据集一一对应。

S3:构建针对低信噪比下弱目标检测的支持向量机(SVM)网络。

其中，支持向量机(SVM)网络包括SVM网络的传输形式、网络架构模式、所采用的激励函数和检测参数。

向量机(SVM)网络内的SVM算法包含了三个参数：核函数、正则化参数C和不敏感参数ε。

常用的核函数有：多项式核函数、Sigmoid核函数和径向基核函数。多项式核函数所对应的支持向量在样本空间中为多项式曲面；Sigmoid核函数只有当参数k和σ取特定数值时，Sigmoid核函数满足Mercer条件，也即在某些条件下，该核函数不能作为SVM的核函数；径向基核函数是应用最广泛的核函数，具有较宽的收敛域，无论是低维、高维，小样本、大样本等情况，径向基核函数有很强的适应性，特别是在时间序列的预测中，径向基核函数更能体现时间序列的非线性特征，而且与其他核函数相比较，其参数少，相应的模型复杂程度也降低。

正则化参数C控制模型的误差与复杂度，可以根据实际需要，选择适当的参数，以便可以在模型误差与复杂度之间折中。C越大，模型对数据的拟合越好，但若C取得过大，则权值就相应减小，SVM模型的泛化能力变差，易发生过拟合现象，若C值越小，就对样本数据中超出ε不敏感带的数据的惩罚因子越小，训练误差越大，以发生欠拟合现象。因此，选择合适的C值，使得SVM模型的泛化能力最好。

S4:对构建的支持向量机(SVM)网络进行目标检测并交叉验证。

其中，交叉验证是为了获得支持向量机的最佳参数，从而得到最优的分类器或预测器，该方法的具体过程为：

S501:将训练样本集分为n个大小相同的子样本集；

S502:选择其中n-1个子样本集用来训练支持向量机，剩余的一个子样本集作为验证模型的子集；

S503:把训练得到的模型在验证子集上进行校验，记录校验误差；

S504:重复以上过程直到每个子集都只作为一次验证子集；

S505:统计每次实验的校验误差，将此误差作为评估支持向量机泛化能力的标准，也即支持向量机参数选择的标准。

S5:获得测试集目标检测准确率结果。

所述步骤S5中准确率包括检测率和虚警率，计算公式如下：

式中P_d为检测率，P_f为虚警率，TP为真正例，FN为假正例，FP为假反例。

目标检测的方法将雷达回波数据目标检测转化为二分类问题，分析目标与杂波之间的差异性，在二分类问题中，我们将真实情况为目标而被神经网络预测为目标的称为真正例(True positive,TP)，将真实情况为目标而未被神经网络预测为目标的称为为真反例(Ture negative,TN)，按照同样的方式可知假正例(False positive,FP)、假反例(Falsenegative,FN)的定义，检测率P_d为真正例占所有真实目标的比例，虚警率P_f为假正例占所有检测结果的比例。

请参阅图2，为实现上述目的，本发明另外还提供一种基于SVM的雷达RD图像弱目标检测系统，其中，所述系统包括：

图像生成模块，用于获取雷达回波数据，并对数据进行预处理，生成雷达距离多普勒维图像；

图像处理模块，用于对原始图像进行预处理并进行标签，然后得到数据集；

网络构建模块，用于构建针对低信噪比下弱目标检测的支持向量机(SVM)网络；

检测验证模块，用于对构建的支持向量机(SVM)网络进行目标检测并交叉验证；以及；

准确率模块，用于获得测试集目标检测准确率结果。

为实现上述目的，本发明另外还提供一种基于SVM的雷达RD图像弱目标检测存储介质，其中，所述存储介质内部存储计算机指令，当所述计算机指令在电子终端上运行时，使得所述电子终端执行上述的弱目标检测方法。

所述存储介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM)、随机存取存储器(RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

为实现上述目的，本发明另外还提供一种基于SVM的雷达RD图像弱目标检测电子终端，其中，所述电子终端包括处理器和存储器，所述存储器用于存储指令，所述处理器用于调用所述存储器中的指令，使得所述电子设备执行上述的弱目标检测方法。

所述电子终端可以是桌上型计算机、工业电脑、数控设备、工业机器人、服务器等计算设备。本领域技术人员可以理解，所述电子终端包括处理器和存储器，所述存储器用于存储指令的描述仅是电子终端的示例，并不构成对电子终端的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子终端还可以包括输入输出设备、网络接入设备、总线等。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。