基于深度学习的群目标探测与行为预测技术.pdf

摘要

无人机群相对于单机系统，凭借其高机动性、可扩展性和低成本的优势，能够

更加高效的执行更多复杂的任务，因此在军事领域和民用领域无人机群的应用都

飞速发展，对应带来的的是对无人机群的防御与监管问题。群目标是一种多尺度不

规则扩展目标，不同队形和数量的群目标对应不同的任务需求和威胁程度，因此对

群目标进行整体检测与形态识别、群内个体目标检测与规模估计和队形变换行为

预测，能为群目标的监管和防御系统提供关键信息。但是已有的传统雷达目标检测

算法和聚类算法只能处理单一尺度和密度的目标场景，在多尺度、多密度和多形态

的群目标场景下性能急剧下降，并且无法对其形态和行为进行识别。

针对上述问题，本文基于深度学习网络和相控阵雷达面向群目标研究了群目

标整体检测与形态识别算法、群场景个体小目标检测算法和群目标行为预测算法，

主要工作如下：

1.针对群目标整体检测与形态识别问题，建立了三种具有实际任务意义的回

波级群目标形态模型，以YOLOv7目标检测网络为基础，并引入注意力机制的目

标检测头对其进行改进，提高网络的尺度感知能力来更好地提取和融合不同尺度

特征，并加入任务感知能力更针对性性地处理检测和分类两种任务，能够实现对群

目标的整体检测和形态分类，改进后的网络相较于原网络实现了更高的分类准确

率。同时群目标的整体检测结果也为后续的群目标规模估计和行为预测提供了基

础。

2.针对群目标场景下的个体小目标检测问题，根据群目标场景下个体目标具

有尺度小且相近、分布密集和目标能量由强散射中心向周围衰减的特性，引入基于

注意力机制的尺度序列特征融合模块和基于归一化Wassertein距离的损失函数改

进YOLOv7网络，使其更好的提取和匹配点目标特征，改进后的网络比原YOLOv7

网络的检测性能实现了大幅提升。

3.针对群目标的行为预测问题，首先结合群目标形态模型构建了12种行为模

型，采取基于时序CNN的slowfast网络分别以低帧率采样较少帧数据进行三维卷

积侧重捕获空间语义，以高帧率采样较多帧进行三维卷积侧重捕获精细时间分辨

率的变化特征，最后通过横向连接融合特征后实现群目标的行为预测。

关键词：群目标，目标检测，行为预测，YOLOv7，注意力机制

ABSTRACT

Comparedwithsingle-machinesystems,UAVswarmscanperformmorecomplex

tasksmoreefficientlyduetotheiradvantagesofhighmobility,scalabilityandlowcost.

Therefore,theapplicationofUAVswarmsisdevelopingrapidlyinboththemilitaryand

civilianfields.Whatthiscorrespondstoistheissueofdefenseandsupervisionofdrone

swarms.Theclustertargetisamulti-scaleirregularexpansiontarget.Swarmtargetswith

differentformationsandnumberscorrespondtodifferentmissionrequirementsandthreat

levels.Therefore,theoveralldetectionandshaperecognitionoftheswarmtarget,the

detectionandsizeestimationofindividualtargetswithintheswarmandtheteamare

carriedout.Shapetransformationbehaviorpredictioncanprovidekeyinformationforthe

supervisionanddefensesystemofswarmtargets.However,theexistingtraditionalr