CN114943251B - 一种基于融合注意力机制的无人机目标识别方法 - Google Patents

Abstract

本发明属于无人机识别技术领域，具体涉及一种基于融合注意力机制的无人机目标识别方法。本发明的识别模型由数据输入层、预处理层、卷积模块、注意力模块、全连接层以及softmax分类层组成，数据输入层与预处理层用于处理输入的无人机微多普勒谱图；由卷积模块与注意力模块提取谱图深度特征；采用全连接层与分类层实现对无人机目标的分类识别。由于注意力模块是针对微多普勒谱图的特点设计的，能够提取有利于分类的局部特征信息，注意力模块与卷积模块相融合可以提取到分类性能更好的特征，从而进一步改善对目标的识别性能。仿真实验验证了本文方法的有效性。

Description

一种基于融合注意力机制的无人机目标识别方法

技术领域

本发明属于无人机识别技术领域，具体涉及一种基于融合注意力机制的无人机目标识别方法。

背景技术

随着科技的发展，不论是在军事领域还是在民用领域，无人机都得到了广泛的应用，但同时也带来了撞机、恐怖袭击、黑飞等安全问题。因此，能快速且准确地识别出无人机类型以便及时做出应对变得尤为重要。

目前，无人机目标识别的主要方法是利用无人机旋翼的微动生成微多普勒谱图，然后基于谱图进行分类识别。传统的无人机目标识别方法需要人为设计要提取的识别特征，这不仅耗时而且准确率不高。近年来，基于卷积神经网络的识别方法在图像领域取得巨大成功，许多学者已经将其引入到无人机目标识别领域，但卷积神经网络关注的是全部区域的特征信息，往往会忽视一些有于分类的局部区域，而注意力机制正好是关注一些有区分力的局部区域，因此融合注意力机制的卷积神经网络可以进一步提高无人机目标识别的准确率。

发明内容

本发明将注意力机制与卷积神经网络相融合，提出了一种基于融合注意力机制的无人机目标识别方法。

本发明的技术方案为：

一种基于融合注意力机制的无人机目标识别方法，包括以下步骤：

S1、获取无人机的微多普勒谱图构成训练数据集；

S2、构建基于融合注意力机制的无人机目标识别模型，包括输入层、第一卷积模块、注意力模块、第二卷积模块、第三卷积模块、全连接层和分类层；所述输入层接收训练数据并进行归一化后输入第一卷积模块，第一卷积模块输出特征图x到注意力模块，注意力模块采用的注意力函数为：

其中，h为x的高度，w为x的宽度，x(i,j)是特征图x中第i行第j列的像素值，r为预先设定参数，表示被识别关注的特征所占的高度比，根据实际需要由实验确定，经过注意力函数g(·)后将生成一个与特征图x同高同宽的二维掩膜，令被识别关注的区域中的像素值为1，而其他区域的像素值为0，经过注意力机制处理后的特征表达为：

f(g(x(i,j)),x(i,j))＝g(x(i,j))×x(i,j),i∈[0,h),j∈[0,w)

再经过第二卷积模块和第三卷积模块进行特征提取，其中第二卷积模块和第三卷积模块是常规的卷积模块，包含多个卷积核，卷积核的大小与数量由实验确定，第三卷积模块的输出即是提取的二维深度特征，后面串接一个全连接层，全连接层将提取的二维深度特征转化为一维向量特征，最后采用softmax分类器实现分类层，全连接层输出的一维向量特征作为分类层的输入，以分类层输出向量中最大的值对应的标签作为该目标的类别标签；

S3、采用S1中训练数据集对S2中无人机目标识别模型进行训练后得到训练好的无人机识别模型；

S4、获取待识别的无人机微多普勒谱图，输入采用训练好的无人机识别模型进行识别。

本发明的有益效果为，由于注意力模块是针对微多普勒谱图的特点设计的，能够提取有利于分类的局部特征信息，注意力模块与卷积模块相融合可以提取到分类性能更好的特征，从而进一步改善对目标的识别性能。仿真实验验证了本文方法的有效性。。

附图说明

图1为基于融合注意力机制的无人机目标识别模型结构示意图。

图2为二旋翼与四旋翼无人机的微多普勒谱图示意图。

具体实施方式

下面结合附图和仿真对本发明进行详细的说明：

如图1所示，本发明提出的基于融合注意力机制的无人机目标识别模型由数据输入层、预处理层、卷积模块、注意力模块、全连接层以及softmax分类层组成，其中，卷积模块与注意力模块用于提取特征，由全连接层与分类层实现对目标的分类识别。输入部分由数据集输入层与预处理层组成。其中，输入的数据集是由无人机的微多普勒谱图组成的训练集或者测试集；预处理层将对输入的谱图进行归一化处理。

特征提取部分由卷积模块1、注意力模块、卷积模块2以及卷积模块3组成。其中，卷积模块即为一般的卷积网络，不同卷积模块的区别主要在于卷积核的大小不一样；注意力模块的实现如下：

如图2所示，(a)是二旋翼无人机的微多普勒谱图，图(b)是四旋翼无人机的微多普勒谱图，从图2可见，其关键的区分特征位于图像的中间区域，因此，希望网络可以更多的关注特征图的中间区域，基于此特点设计了一种注意力机制。设特征图x的高度为h，宽度为w，主要特征所占的高度比为r，则设计注意力函数g(x(i,j))如下：

其中，x(i,j)是特征图x中第i行第j列的像素值，即经过g(·)后将生成一个与特征图x同高同宽的二维掩膜，其主要被关注区域中的像素值为1，而其他区域的像素值为0。经过注意力机制处理后的特征表达为：

f(g(x(i,j)),x(i,j))＝g(x(i,j))×x(i,j),i∈[0,h),j∈[0,w)

即经过注意力机制处理后的特征仅关注有区分力的局部区域特征，而忽视了其他区域的特征。因此，解决了常规卷积网络会关注整个图像区域特征信息的问题。

分类识别部分由全连接层与分类层组成。全连接层将提取的二维深度特征转化为一维向量特征，以便之后的分类识别；采用softmax分类器实现分类层，以softmax分类器输出向量中最大的值对应的标签作为该目标的类别标签。

仿真示例

通过仿真实验设计了6种种类的无人机，分别是单旋翼无人机、双旋翼无人机、三旋翼无人机、四旋翼无人机、六旋翼无人机和八旋翼无人机。其中，无人机的旋翼到其中心距离为0.8m，桨叶长度为0.3m，旋翼转速为30r/s；仿真雷达载频为34.6GHz(Ka波段)，脉冲重复频率为125KHz；无人机中心与雷达的距离为100m，无人机相对于雷达的俯仰角为10°、方位角为45°，信噪比为15dB。

每类目标的总观测时间为15s，取每0.05s的雷达回波信号作为一帧，每帧之间的重复率为0.6，则每类目标均可得到15/(0.05*(1-0.6))＝750个雷达回波信号，随机选取其中的600个雷达回波信号作为样本。

对获取的雷达回波数据进行短时傅里叶变换(STFT)得到微多普勒谱图，则每类目标均有600张微多普勒谱图，每类样本按照7:3的比例划分训练集与测试集，每类目标有420个训练样本、180个测试样本，则6类目标总共有2520个训练样本和1080个测试样本。

利用常规CNN方法和本文方法对以上数据集进行识别实验，结果如表1所示。其中，学习率为0.001，迭代次数为200次，采用交叉熵损失函数，卷积模块1含有32个5*5的卷积核，卷积模块2含有64个5*5的卷积核，卷积模块3含有32个3*3的卷积核；注意力模块中的高度比r取0.7。

表1两种网络模型的识别结果

由表1可知CNN+注意力机制方法的平均识别准确率达到了97.68％，且直接使用CNN的方法与CNN+注意力机制的方法所需的识别时间差不多，但是CNN+注意力机制方法的平均识别准确率要比常规CNN方法高出了0.55％，以上结果表明本文提出的方法是有效的。

Claims (1)

1.一种基于融合注意力机制的无人机目标识别方法，其特征在于，包括以下步骤：

S1、获取无人机的微多普勒谱图构成训练数据集；

S2、构建基于融合注意力机制的无人机目标识别模型，包括输入层、第一卷积模块、注意力模块、第二卷积模块、第三卷积模块、全连接层和分类层；所述输入层接收训练数据并进行归一化后输入第一卷积模块，第一卷积模块输出特征图x到注意力模块，注意力模块采用的注意力函数为：

其中，h为x的高度，w为x的宽度，x(i,j)是特征图x中第i行第j列的像素值，r为预先设定参数，表示被识别关注的特征所占的高度比，经过注意力函数g(·)后将生成一个与特征图x同高同宽的二维掩膜，令被识别关注的区域中的像素值为1，而其他区域的像素值为0，经过注意力机制处理后的特征表达为：

f(g(x(i,j)),x(i,j))＝g(x(i,j))×x(i,j),i∈[0,h),j∈[0,w)

再经过第二卷积模块和第三卷积模块进行特征提取，第三卷积模块的输出即是提取的二维深度特征，后面串接一个全连接层，全连接层将提取的二维深度特征转化为一维向量特征，最后采用softmax分类器实现分类层，全连接层输出的一维向量特征作为分类层的输入，以分类层输出向量中最大的值对应的标签作为该目标的类别标签；

S3、采用S1中训练数据集对S2中无人机目标识别模型进行训练后得到训练好的无人机识别模型；

S4、获取待识别的无人机微多普勒谱图，输入采用训练好的无人机识别模型进行识别。

Images