基于深度学习的机载SAR典型目标识别算法_何涛.pdf

书书书雷达智能信号处理专题DOI:1016592/jcnki10047859202212013基于深度学习的机载 SA 典型目标识别算法何涛*，李大亮，曹兰英(中国航空工业集团公司雷华电子技术研究所，江苏 无锡 214063)摘要:在多分辨率场景下基于合成孔径雷达(SA)图像进行多类典型目标识别，是 SA 图像信息解译的重要环节。基于YOLO-v4 网络模型，针对目前机载 SA 图像及目标信息的特点，提出一种应用于真实机载平台下多场景跨分辨率的实时检测处理架构。文中通过对多类目标进行双重检测，对样本数据量低的训练集进行数据增强，并将图像分割后的同类型目标信息进行合并，解决了多分辨率 SA 场景下目标尺度跨度较大的问题。实验结果表明:该方法能够在相关机载 SA数据集上达到六类目标(机场、桥梁、立交桥、汽车、装甲车、飞机)828%的 mAP 值，对后续机载 SA 复杂场景下更多类型目标的检测识别具有重要的借鉴意义。关键词:合成孔径雷达;目标识别;YOLO;深度学习中图分类号:TN957;TP39141文献标志码:A文章编号:10047859(2022)12008706引用格式:何涛，李大亮，曹兰英 基于深度学习的机载 SA 典型目标识别算法 J 现代雷达，2022，44(12):8792HE Tao，LI Daliang，CAO Lanying An algorithm of typical target recognition for aibrome SA based on deep learning J Modern adar，2022，44(12):8792An Algorithm of Typical Target ecognition for Airborne SABased on Deep LearningHE Tao*，LI Daliang，CAO Lanying(AVIC Leihua Electronic Technology esearch Institute，Wuxi 214063，China)Abstract:In multi-resolution circumstances，multi-class typical target recognition based on synthetic aperture radar(SA)pic-tures is an important aspect of SA image information interpretation Based on the YOLO-v4 network model，a real-time detectionprocessing architecture is provided for multi-scene cross-resolution detection on real airborne platforms using the existing propertiesof airborne SA images and target information The problem of a vast span of target scales in multi-resolution SA sceneries is ad-dressed by double detection of several types of targets，data augmentation of training sets with low sample data volume，and combi-ning the same type of target information after picture segmentation The experimental results show that this method can achieve 828%mean average precision(MAP)values on the relevant airborne SA dataset for six types of targets(airports，bridges，over-passes，cars，armed vehicles and aircraft)，which has important implications for the detection and recognition of more types of tar-gets in subsequent airborne SA complex scenesKey words:synthetic aperture radar;target recognition;YOLO;deep learning收稿日期:2022-08-16修订日期:2022-10-150引言随着图形处理器(GPU)、嵌入式神经网络处理器(NPU)等人工智能硬件平台的快速发展，基于卷积神经网络(CNN)的目标检测识别技术取得了重大突破，以YOLO12、Faster-CNN3、SSD4 等为代表的经典深度学习方法已广泛应用于目标检测识别领域，为基于 SA图像的典型目标检测识别提供了新的解决思路。目前 SA 已成为各种军民用平台飞行器的标准配置之一，对 SA 图像进行信息解译已变得愈发重要。最近几年，国内众多大学及研究机构开展了基于深度学习网络的机载 SA 典型目标检测识别技术研究。文献 5 提出了一种应用于遥感图像多尺度特征及小目标检测问题的方案;文献 67 引入特征金字塔网络，用于复杂环境下多尺度目标的检测问题;文献 811 研究了应用于汽车、舰船等典型小目标的 SA图像深度学习检测方法;文献 1213研究了应用于机场、飞机、舰船等大场景 SA 图像的多尺度特征检测的深度学习方法。以上文献以深度学习网络为基础进行 SA 图像单类目标的检测识别。随着机载 SA多分辨率数据源及 SA 任务使用率的增加，对多类典型机载 SA 目标(例如机场、桥梁、港口、汽车、飞机、装甲车)同时分类识别的需求也提上日程。但是相对于常规光学图像数据集(COCO)等，机载 SA 图像数据集在实际应用中存在以下三个难点:(1)同一数据集的图像分辨率多，导致同一目标类型在检测上存在多尺度的特征;(2)数据集原始图像尺寸远超目标尺寸，对小目标的检测有较大难度;(3)不同类型目标在78第 44 卷第 12 期2022 年 12 月现 代 雷 达Modern adarVol44No12Dec 2022同一个分辨率下尺寸差异巨大，难以在具有较大尺度差异的多类型目标场景下进行检测。因此，本文的研究工作从机载 SA 实际应用场景出发，解决机载 SA多分辨率多类型目标的检测识别问题。本文提出的方法已应用于某飞机平台地面雷达席位控制软件进行真实 SA 图像的目标检测识别，其实时性及识别效率已初步满足指标需求。1SA 多分辨率、多类型典型目标检测需求11基于深度学习的目标检测算法需求根据算法流程，目前主流的 CNN 目标检测模型可以分为两大类:两阶段检测模型和单阶段检测模型。两阶段检测模型精度较高但耗时较长，这是由于在两阶段检测过程，首先需要产生大量的候选区域，再对候选区域进行目标检测识别，这些候选区域的处理占用了大量的处理时间。另一种是以 SSD、YOLO 为代表的单阶段检测模型，其主要思路是基于 anchor 调整检测边界框，可以直接预测目标的位置以及所属类别。由于单阶段模型能够较好地平衡精度和速度，实时目标检测识别能够在多个工业领域进行广泛普及。YOLO 系列网络相对于其他检测算法模型的最大优势是检测速度快，同时具有较好的检测精度，是目前使用最多的目标检测算法。YOLO-v1 创造性地提出了单阶段检测方法，即直接利用深度 CNN 网络得出目标的位置以及所属类别。但 YOLO-v1 模型存在物体检测精度低、对于小物体的检测效果不好的缺陷;YO-LO-v2 模型、YOLO-v3 模型在 v1 的基础上采用加入BN 层、提升输入层分辨率、预测位置偏移值、加入残差单元和多尺度检测架构及改进损失函数等措施来提升小目标检测准确率和检测速度;YOLO-v4 在 v3 基础上对网络的 backbone、neck、激活函数及损失函数等进行了改进，其网络模型如图 1 所示。鉴于 YOLO-v4 在检测精度及速度的综合性能较高，本文选择 YOLO-v4 模型作为本文目标检测的基本模型。图 1YOLO-v4 网络模型12基于 SA 实际应用场景的检测识别需求本文从项目实际应用背景出发，强需求点如下:1)处理实时性需求。即要求能够对机载平台传输到地面的 SA 图像进行实时目标检测。该平台最大 SA 图像尺寸为 32K16K 像素，图像一帧时间最长为 45 s，这对目标检测算法的实时性提出较高挑战。2)多分辨率场景目标检测需求。该项目的 SA图像分辨率跨度较大，包含03 m、05 m、10 m、25 m 等多个分辨率，其中高分辨(03 m、05 m)主要针对典型小目标(飞机、汽车、坦克类)，低分辨主要针对典型大目标(机场、桥梁、港口类)。首先，不同目标类型在同一个分辨率场景下尺度差异巨大;其次，同一目标类型在不同分辨率下呈现多尺度的目标尺寸。因此，在选择合适的检测网络模型的同时，还需构建一种稳健的处理架构来实现大场景、多分辨率、不同尺寸的 SA图像目标识别。13实际应用场景下的典型目标特征(尺寸)分析在实际应用场景下，SA 图像源通常会由多个分辨率的图像源构成，在不同分辨率下典型目标在图像中的像素尺寸如表 1、表 2 所示。其中，机场主要以中等机场为例，以跑道作为机场大小基准，同时考虑到同类目标尺寸(机场、飞机等目标)跨度较大，表 2 中所示的目标大小只作为本文后续分析参考。表 1项目实际应用背景的 SA 图像尺寸(像素)分辨率/m图像尺寸0332K16K0532K16K1032K8K2564K4K882022，44(12)现 代 雷 达表 2实际应用场景下的地面典型目标尺寸信息(像素)目标类型目标大小03 m(像素)05 m(像素)10 m(像素)25 m(像素)机场5 km1 km16 6663 33310 0002 0005 0001 0002 000400桥梁200 m20 m667674004020020808飞机25 m20 m836650402520108汽车5 m25 m17910552521根据表 2 数据可以得出以下结论:1)源图像方面:(1)不同分辨率源图像尺寸规格差异性较大。(2)图像长宽比例规格众多。(3)图像尺寸远大于常规目标检测网络的输入。(4)对于某些目标，图像远大于目标尺寸。基于以上特点，相对于常规其他类型图像数据库，该平台项目很难将原 SA 图像进行目标标注后直接用于训练和测试。2)考虑到机场及桥梁等大型目标在不同分辨率图像上大小差异及机场规模差异，以及不同规模机场的大小差异，在不同分辨率下，机场目标的差异会更大。3)考虑到 SA 图像的灰度特征、相干斑噪声特性及在强显点附近的副瓣影响，在目标尺寸只有几个像素点时，目标形状及细节信息不清晰，较难提取，进一步分析出以下两点需求:(1)飞机类小目标能够在 10 m、05 m、03 m 分辨率图像上进行检测识别。(2)汽车、装甲车类小目标能够在 03 m 及更高分辨率图像上进行检测识别。2目标检测处理设计及应用21目标检测软件简介本文基于某型号机载雷达 SA 目标检测识别需求进行设计开发目标检测识别软件，完成在地面指控系统上的部署运行，对 SA 图像进行实时目标检测识别。该软件嵌入到地面指控系统，实时接收地面其他系统软件发送的 SA 图像，进行检测识别并输出目标信息。软件应用背景如图 2 所示。图 2SA 目标检测识别软件应用背景22基于重叠分块的双重检测处理策略由于机载平台实时 SA 图像待检测目标具有多分辨率多类型的特征，主要有以下检测难点:(1)SA 图像尺寸规格众多且远超目前检测网络的输