本发明涉及一种雷达目标检测方法。
背景技术：
1、毫米波雷达因其可以检测到运动物体的速度、距离和方位角，以及在恶劣驾驶条件下(如坏天气或强/弱光照)的优异性能，正越来越多地被应用于智能驾驶车辆当中。然而，雷达数据的稀疏性和原始复数数据处理的复杂性，导致其目标检测的性能仍无法与摄像头和激光雷达相提并论。
2、目前的主流的雷达目标检测方法大多是在经过快速傅里叶变换(fft)处理得到的张量数据(如距离-多普勒谱)上进行物体的检测，这些方法的原理是通过构建雷达张量数据集，使用深度卷积神经网络(convolutional neural network，cnn)的方法进行目标特征的提取。计算机视觉顶刊cvpr、传感器类期刊ieeesensorsjournal和ieee sensorsletters等曾发表过不少基于cnn的雷达目标检测方法，取得了较好的成果。但现有的方法往往包含大量的卷积层、池化层等，使得网络的参数量和计算量偏大且模型的推理时间普遍较长，一方面对车载计算单元的计算能力提出了很高的要求，同时不太适用于自动驾驶这种对实时性要求很高的场景。
技术实现思路
1、本发明要解决的技术问题是：现有雷达检测技术中存在模型体积偏大，推理时间偏长，以及精度较低等问题。
2、为了解决上述技术问题，本发明的技术方案是提供了一种轻量级雷达距离-多普勒谱目标检测方法，其特征在于，包括以下步骤：
3、步骤1、构建网络模型，该网络模型包括特征提取阶段、特征融合阶段和检测结果输出阶段，其中：
4、在特征提取阶段，网络模型结构包含两个标准卷积层、三个最大池化层以及四个elan-gs特征提取模块，elan-gs特征提取模块包含三个标准卷积和两个gsconv模块；被缩放到固定大小的雷达距离-多普勒谱图像依次通过两个标准卷积层、一个elan-gs特征提取模块、一个最大池化层以及一个elan-gs特征提取模块后得到第一个特征，第一个特征再通过一个最大池化层和一个elan-gs特征提取模块得到第二个特征，第二个特征最后通过一个最大池化层和一个elan-gs特征提取模块得到第三个特征；
5、在特征融合阶段，特征提取阶段所获得的第一个特征、第二个特征以及第三个特征分别输入各自的simam注意力机制模块，三个simam注意力机制模块输出的不同维度的特征张量经过两次上采样和下采样获得了新的三个输出特征，并将三个simam注意力机制模块输出的不同维度的特征张量跳跃连接到特征融合阶段输出的新的三个输出特征上，得到三个特征融合阶段输出特征；
6、在检测结果输出阶段，三个特征融合阶段输出特征分别通过三个标准卷积模块，得到有三个具有不同大小的感受野的输出张量，分别负责预测不同大小的物体；
7、步骤2、构建雷达距离-多普勒谱数据集：
8、对公开的数据集进行预处理，沿着雷达原始数据的距离维和多普勒维进行快速傅里叶变换处理，得到距离-多普勒谱复数张量数据，并通过可视化方法得到距离-多普勒谱图像，从而构建得到雷达距离-多普勒谱数据集；
9、步骤3、训练网络模型：
10、使用k-means聚类算法对雷达距离-多普勒谱数据集生成相应的先验框，使得预定义的先验框与雷达距离-多普勒谱数据集中目标的尺寸和比例更加接近；
11、设定网络模型的各个参数；
12、对网络模型进行训练，在每轮训练前对步骤2中生成的距离-多普勒谱图像通过随机平移进行数据增强，然后再送入网络模型进行训练；
13、步骤4、利用训练好的网络模型进行目标检测。
14、优选地，每个所述标准卷积层后分别连接一个批规范化层和frelu激活函数。
15、优选地，在所述特征融合阶段，所述上采样采用了最近邻插值上采样。
16、优选地，在所述特征融合阶段，所述下采样则采用elan-gs模块和gsconv模块。
17、优选地，在所述elan-gs模块中，可以通过控制最短最长的梯度路径，使得网络可以有效地学习和收敛。
18、优选地，在对网络模型进行训练时，根据网络模型的预测结果与实际标注的误差计算损失以进行反向传播算法迭代优化模型，损失函数采用ciou损失函数。
19、优选地，在步骤3中，完成网络模型的训练后，将测试样本集送入训练好的网络模型中，将生成的结果通过相关评价指标来衡量算法的有效性，以评估网络模型的性能。
20、本发明观察到目前算法存在检测精度较低和模型推理速度非常慢的问题，参考yolov7-tiny轻量级网络架构，结合雷达数据的特点进行算法改进，有效地提升了雷达张量数据目标检测技术的检测精度和检测速度。首先，本发明设计了一个更高效的轻量级主干网络，能够更有效地进行特征提取。其次，本发明设计了新的特征融合网络，通过实验，采用了合适的注意力机制使算法能够关注更重要的特征层，采用轻量化算子进一步减少了参数量，并使用跳跃连接有效防止了信息损失。最后，本发明通过实验，采用了更适合雷达张量数据的数据增强方法，有效地提升算法的检测性能。与现有技术相比，本发明公开的算法在carrada数据集和raddet数据集上具有更高的检测精度和检测速度，实现了性能与效率的平衡。
21、综上所述，本发明公开的方法参考yolov7-tiny框架，根据雷达距离-多普勒谱的特点进行改进，在raddet和carrada数据集上进行训练。实验结果表明，本发明公开的方法取得了最快的检测速度和最高的检测精度，优于竞争的方法。
1.一种轻量级雷达距离-多普勒谱目标检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种轻量级雷达距离-多普勒谱目标检测方法，其特征在于，每个所述标准卷积层后分别连接一个批规范化层和frelu激活函数。
3.如权利要求1所述的一种轻量级雷达距离-多普勒谱目标检测方法，其特征在于，在所述特征融合阶段，所述上采样采用了最近邻插值上采样。
4.如权利要求1所述的一种轻量级雷达距离-多普勒谱目标检测方法，其特征在于，在所述特征融合阶段，所述下采样则采用elan-gs模块和gsconv模块。
5.如权利要求1所述的一种轻量级雷达距离-多普勒谱目标检测方法，其特征在于，在所述elan-gs模块中，可以通过控制最短最长的梯度路径，使得网络可以有效地学习和收敛。
6.如权利要求1所述的一种轻量级雷达距离-多普勒谱目标检测方法，其特征在于，在对网络模型进行训练时，根据网络模型的预测结果与实际标注的误差计算损失以进行反向传播算法迭代优化模型，损失函数采用ciou损失函数。
7.如权利要求1所述的一种轻量级雷达距离-多普勒谱目标检测方法，其特征在于，在步骤3中，完成网络模型的训练后，将测试样本集送入训练好的网络模型中，将生成的结果通过相关评价指标来衡量算法的有效性，以评估网络模型的性能。
