基于帧间多维特征的深度学习雷达目标检测技术_王治飞.pdf

书书书雷达智能信号处理专题DOI:1016592/jcnki10047859202212007基于帧间多维特征的深度学习雷达目标检测技术王治飞*1，2，3，于俊朋1，2，3，杨予昊1，2，3，夏凌昊1，2，3(1 南京电子技术研究所，南京 210039)(2 中国电子科技集团公司智能感知技术重点实验室，南京 210039)(3 江苏省探测感知技术重点实验室，南京 210039)摘要:非均匀非平稳非高斯强杂波常导致基于能量的传统阈值检测方法目标检测率低或产生大量虚警，影响目标录取性能。一些工作探索了采用时频特征图基于机器学习的目标检测方法，但对于驻留时间短的雷达搜索应用，难以获得高分辨率时频特征，导致基于时频特征图的机器学习方法性能下降甚至失效。因此，提出了一种新的基于目标帧间多维特征的目标检测方法及相应的神经网络模型 DF-esNet。通过在解模糊过程中提取疑似目标帧间多维特征并输入到 DF-esNet 中，实现在特征空间上对虚警的抑制，结合低阈值检测，实现检测率的有效提升。实测实验数据表明:文中所提方法可实现较传统阈值检测方法约 41%的检测率提升和约 48%的虚警率降低，能有效提升雷达目标检测能力，并为雷达回波特征空间的有效构建和机器学习雷达目标检测提供了新思路。关键词:多维特征;深度学习;卷积神经网络;目标检测中图分类号:TN953文献标志码:A文章编号:10047859(2022)12004807引用格式:王治飞，于俊朋，杨予昊，等 基于帧间多维特征的深度学习雷达目标检测技术 J 现代雷达，2022，44(12):4854WANG Zhifei，YU Junpeng，YANG Yuhao，et al adar target detection with multi-frame multi-dimensional featuresbased on deep learning J Modern adar，2022，44(12):4854adar Target Detection with Multi-frameMulti-dimensional Features Based on Deep LearningWANG Zhifei*1，2，3，YU Junpeng1，2，3，YANG Yuhao1，2，3，XIA Linghao1，2，3(1 Nanjing esearch Institute of Electronics Technology，Nanjing 210039，China)(2 Key Laboratory of IntelliSense Technology，CETC，Nanjing 210039，China)(3 Jiangsu Provincial Key Laboratory of Detection and Perception Technology，Nanjing 210039，China)Abstract:Strong non-uniform，non-stationary and non-Gaussian clutter typically leads to low detection rate or high false-alarm ratefor conventional threshold detection methods in energy domain Target detection based on machine learning with the time-frequencyfeatures has been explored by some previous works However，such features may be unavailable for short dwell-time in real search-ing applications，which results in the performance degradation or even failure for these methods Therefore，a new radar target de-tection method with multi-frame multi-dimensional features based on a new deep neural network DF-esNet is proposed By ex-ploiting multi-frame multi-dimensional features of targets during ambiguity resolution，the proposed DF-esNet can suppress falsealarms effectively Together with low-threshold detection，a significant improvement of detection performance of radars can be a-chieved by the proposed detection method Field experiment demonstrates that the proposed method can increase the detection rateby 41%and reduce the false-alarm rate by 48%compared to the traditional threshold detection A new way is also provided to es-tablish feature spaces for radar echoes and detect targets with machine learning more effectivelyKey words:multi-dimensional features;deep learning;residual convolution neural network;object detection收稿日期:2022-08-15修订日期:2022-10-160引言雷达在强杂波环境中对目标进行准确稳定的探测感知始终是雷达面临的挑战之一。当前对目标检测的常见方法为能量检测器，即利用积累后的回波数据的一阶(幅度)或者二阶(功率、功率谱)的统计特性来进行检测1。样式多、变化大、强度高、非平稳的杂波特性使得杂波和目标从幅度和功率等能量域上难以区分，仅采用基于能量的传统阈值检测严重影响当前雷达目标检测性能，具体表现在对弱目标、小目标检测能力差，虚警点多，严重影响目标录取质量，容易产生大量短航迹、虚假航迹等。84第 44 卷第 12 期2022 年 12 月现 代 雷 达Modern adarVol44No12Dec 2022有别于传统基于统计信号模型的知识驱动的目标检测方法，基于数据驱动的机器学习方法为雷达信息处理提供了一条全新的技术路径。计算机视觉、自然语言处理和内容推荐等领域得益于机器学习技术的广泛应用，均取得了突飞猛进的发展。将机器学习理论与方法应用到雷达信号处理及目标检测领域，结合传统雷达信号处理模型知识，并进一步发展适用于该领域的机器学习方法与技术，有望实现目标和虚警更准确的区分，以实现较传统方法更好的虚警抑制和目标检测效果。目前已有部分工作研究机器学习方法在雷达领域的应用，包括合成孔径雷达(SA)图像处理2，人类手势识别3、目标分类45 和海陆分割6 等。也有一些工作提出了包括决策树、支持向量机、卷积神经网络(CNN)等基于机器学习的目标检测和虚警抑制方法710。其中，文献 78构建了决策树和支持向量机模型，在分形特征等目标属性构成的特征域上对目标进行检测;文献 9在对回波经过脉压和积累等信号处理后按距离门进行分割，随后采用 CNN 对分割后的一维强度图进行分类，以实现对海面扩展目标的检测;文献 10在雷达长时间驻留探测场景下，利用经时频变换获得的二维时频特征图对目标和杂波进行精细化区分，实现较传统阈值检测方法更准确的目标检测。但对于搜索雷达，尤其是对空搜索场景中，由于驻留时间很短，分形特征难以准确计算，高分辨率时频特征图往往难以获得，导致基于分形特征和时频特征图的机器学习方法性能下降甚至失效。因此，本文提出一种新的基于目标帧间多维特征的目标检测方法和相应的 CNN 模型 DF-esNet。通过脉冲多普勒(PD)雷达在低阈值检测后的解模糊过程中提取疑似目标在解模糊多帧上的距离多普勒强度多维特征，输入到 DF-esNet 中，实现对真实目标和虚警在特征空间上的精细化区分。与基于时频特征的目标检测方法不同，本文所提出的帧间多维特征无需长时间的波束驻留，可广泛适用于 PD 雷达搜索场景中，也为在雷达目标检测领域更好地构建有效特征空间和利用机器学习方法提供了新思路。1背景介绍11基于统计信号处理的目标检测传统的雷达目标检测问题可归结为以下二元假设检验问题，即H0 z=n+cH1 z=s+n+c(1)式中:H0假设表示目标不存在;H1假设表示目标存在;z 为雷达回波的观测值;n 和 c 分别为噪声和杂波的回波;s 为目标回波。假设均匀背景的杂波和噪声，工程上通常采用单元平均恒虚警检测(CA-CFA)方法。图 1 给出了一个一维 CA-CFA 的示意图。图中待检测单元(CUT)回波强度为 z，G 代表为避免目标泄露的影响在 CUT 附近设置的保护单元，zi为选取的CUT 附近 2n 个参考单元的回波强度。每个距离单元的回波强度由原始回波数据经过信号处理和平方检波后获得，其中信号处理包括脉冲压缩、积累和波束合成等过程。通过对这 2n 个参考单元求取算数平均以对环境背景强度进行估计，得到估计背景强度zbg。随后选取适当的阈值 T，比较 CUT 和 Tzbg的大小。若 zTzbg，则判定该 CUT 中无目标存在;若 zTzbg，则判定该 CUT 中存在目标。图 1CA-CFA 检测器的原理框图在实际对空搜索时，常采用多脉冲工作模式进行PD 处理，使高速气动目标与地杂波海杂波在多普勒速度谱上分离。此时，上文一维 CA-CFA 将推广到距离多普勒二维，通常选择矩形区域或十字区域的参考单元对背景进行估计，获取估计的背景强度后乘上阈值与 CUT 回波强度进行比较，判定目标是否存在。但这种仅考虑能量域的检测方法在非均匀非平稳杂波环境下容易产生大量虚警或难以检测到目标，因此本文提出一种基于特征空间的深度学习目标检测方法以提升雷达对空目标检测性能。12脉冲多普勒雷达的距离和速度模糊PD 处理时常采用中高重复频率(PF)信号，以便在多普勒频域上有效抑制地面杂波，提高目标探测性能。当脉冲 PF 很高时，对应一个发射脉冲产生的回波可能经过几个周期以后才能被接收到，使收、发脉冲的对应关系发生混乱，同一视在距离可能对应几个目标真实距离的现象叫距离模糊。速度模糊的原理同距离模糊，当脉冲 PF 不够高时，目标回波的多普勒频移可能超过脉冲 PF，使回波谱线与发射信号谱线的对应关系发生混乱，测量出的一个速度可能对应几种真实速度。距离和速度模糊一方面会影响真实目标距离和速度的测量，另一方面也会使得杂波尤其是近程94雷达智能信号处理专题王治飞，等:基于帧间多维特征的深度学习雷达目标检测技术2022，44(12)强杂波出现折叠，使得 PD 处理后对位于杂波区附近的低速目标探测检测能力大大下降。一般可循环发射多帧具有不同 PF 的脉冲信号，在每个 PF 上都能得到一个目标距离和速度的观测值。解模糊即是利用目标真实距离和速度与其模糊观测值间的多重映射关系，由目标在各 PF 测得的模糊距离和模糊速度求解真实距离和速度的过程。解模糊的本质是解同余方程组，常用方法包括中国余数定理、coincidence 算法、一维集算法和聚类算法等1112。2基于深度学习的多帧联合目标检测本节首先介绍所提基于帧间多维特征的深度学习目标检测的处