深度迁移学习的两阶段雷达目标检测方法_施端阳.pdf

书书书雷达智能信号处理专题DOI:1016592/jcnki10047859202212005深度迁移学习的两阶段雷达目标检测方法施端阳1，2，林强*1，胡冰1，尹建国1(1 空军预警学院，武汉 430019;2 解放军 95174 部队，武汉 430040)摘要:针对传统的基于统计特性的目标检测方法统计建模困难和机器学习目标检测方法特征提取复杂的问题，提出了深度迁移学习的雷达目标检测方法。采集雷达的 IQ 数据，经过脉冲压缩处理后形成雷达原始图像，通过对雷达图像进行放大、裁剪等步骤构建飞机目标数据集;设计-CNN、SPP-Net、Fast-CNN 和 Faster-CNN 等两阶段深度学习目标检测模型，对雷达图像中的飞机目标进行自动检测;模型训练时，引入迁移学习思想，使用预训练过的卷积神经网络自动提取图像中的深层特征，以达到减少雷达图像训练样本量的目的。某型航管雷达实测数据的实验结果表明:与传统的恒虚警率检测方法相比，该方法提高了雷达目标检测率，降低了虚警率，解决了检测率与虚警率的矛盾。关键词:雷达;深度学习;迁移学习;目标检测中图分类号:TN957文献标志码:A文章编号:10047859(2022)12003408引用格式:施端阳，林强，胡冰，等 深度迁移学习的两阶段雷达目标检测方法 J 现代雷达，2022，44(12):3441SHI Duanyang，LIN Qiang，HU Bing，et al Two-stage radar target detection method based on deep transfer learning J Modern adar，2022，44(12):3441Two-stage adar Target Detection Method Based on Deep Transfer LearningSHI Duanyang1，2，LIN Qiang*1，HU Bing1，YIN Jianguo1(1 Air Force Early Warning Academy，Wuhan 430019，China)(2 Unit 95174 of the PLA，Wuhan 430040，China)Abstract:Aiming at the difficulty of statistical modeling of traditional target detection methods based on statistical characteristicsand the complex feature extraction of machine learning target detection methods，a radar target detection method based on deeptransfer learning was proposed The IQ data of the radar was collected，and the original radar image was formed after pulse com-pression processing The aircraft target data set was constructed by amplifying and clipping the radar image;-CNN，SPP-Net，Fast-CNN and Faster-CNN two-stage deep learning target detection models were designed to automatically detect aircraft targetsin radar images;during model training，the idea of transfer learning is introduced，and the pre-trained convolutional neural networkis used to automatically extract the deep features in the images，so as to reduce the training sample size of radar images The exper-imental results of the measured data of a certain type of air traffic control radar show that compared with the traditional constantfalse alarm rate detection method，this method improves the radar target detection rate and reduces the false alarm rate，and solvesthe contradiction between the detection rate and the false alarm rateKey words:radar;deep learning;transfer learning;target detection基金项目:军事类研究生重点资助项目(JY2020B150)收稿日期:2022-08-15修订日期:2022-10-160引言目标检测作为雷达的基本功能之一，是雷达目标跟踪和目标识别的前提，其检测性能的好坏决定了雷达探测能力的高低。传统基于统计特性的恒虚警率(CFA)检测方法1 将目标检测视为典型的统计判决问题，利用雷达回波的先验统计知识判断目标是否存在。但由于现代雷达回波信号复杂，导致基于统计特性构建的判决模型适应性受限，难以满足各种复杂条件下的目标检测需求。针对此问题，广大学者从检测原理入手，将目标检测看作一个模式分类问题，即根据目标和杂波在分形特征2、混沌特征3、频域特征4、极化特征5 等多特征域的差异性，通过机器学习6 方法构建分类器对目标和杂波进行区分，从而检测出目标。但该方法仍然存在特征提取难度大、训练样本数量多等诸多不足。为了解决传统的基于统计特性的目标检测方法建模困难和基于特征的机器学习目标检测方法特征提取过程复杂的问题，引入由数据驱动、可自动提取特征的深度学习技术实现雷达目标检测。深度学习技术凭借优异的特征表达能力，已在光学图像检测领域得到了广泛应用。2014 年，GISHICK 等7 首次将区域卷积神经网络(-CNN)模型应用到目标检测中，使深度学习目标检测算法得到了飞速发展。深度学习利用多个隐含层对输入数据的特征进行学习，具有强大的图像特征自动提取能力。同时，迁移学习可辅助深度卷积神经网络的43第 44 卷第 12 期2022 年 12 月现 代 雷 达Modern adarVol44No12Dec 2022训练，降低深度学习目标检测模型对训练样本量的需求。将深度学习和迁移学习应用于雷达目标检测，可降低特征提取的难度和雷达图像训练集的数量。本文首先通过采集雷达 IQ 数据构建飞机目标数据集，然后针对雷达目标检测的特点设计四种两阶段深度学习目标检测模型，随后为了解决自建的飞机目标数据集样本规模有限的问题，引入迁移学习，将经过预训练的特征提取网络迁移到飞机目标图像数据上，使得模型能够在雷达图像中将目标和背景进行区分，并对每个目标进行精准定位和分类标签预测，从而检测出雷达目标的位置。1雷达目标检测结构11雷达目标检测问题模型雷达目标检测的实质是判断目标信号是否存在。雷达接收的信号 xi(t)中，可能存在两种情形:既有目标 又有噪声xi(t)=s(t)+n(t);或只有噪声无目标xi(t)=n(t)。从回波信号中检测目标的问题相当于统计理论中的假设检验问题，可能出现检测概率 Pd、漏警概率 1Pd、虚警概率 Pfa和正确不发现概率 1Pfa四种情况。将两种错误判断相加得到总错误概率 PePe=1 Pd+Pfa(1)式中:是拉格朗日因子，表示两种错误的权重系数。假设在 tk时刻对输入信号的一个采样取值为 xi(tk)，Pd和 Pfa可写为Pd=(有目标信号区间)P(xi|1)dxi(2)Pfa=(有目标信号区间)P(xi|0)dxi(3)式中:P(xi|1)和 P(xi|0)分别为有目标回波时和无目标回波时的分布函数。式(1)可写为Pe=1(有目标信号区间)P(xi|1)P(xi|0)dxi(4)一般要求总错误概率 Pe最小，因此要使式(4)中的积分函数始终大于 0，即P(xi|1)/P(xi|0)，有目标信号区间P(xi|1)/P(xi|0)，无目标信号区间(5)当分布函数P(xi|1)和P(xi|0)已知时，可由=P(xi|1)/P(xi|0)求解 的值。将一个完整空间划分为有目标回波区间和无目标回波区间，且使 xi(tk)落在有目标回波区间和无目标回波区间的概率满足总错误概率 Pe最小。由此，可设计目标是否存在的判决器。但雷达实际工作中，噪声总是存在且相对稳定，因此 P(xi|0)可认为已知，P(xi|1)未知。由于虚警会导致严重错误，因此雷达检测系统中的判决准则是首先限定虚警概率，在虚警概率一定时，使检测概率最大。但雷达工作环境十分复杂，基于统计特性的目标检测方法建模困难，因此需要研究新的目标检测方法。基于深度卷积神经网络的雷达目标检测的整体结构如图 1 所示，采集雷达的 IQ 数据后，进行脉冲压缩处理，得到方位距离二维雷达原始图像，在雷达图像中使用预训练的卷积神经网络进行深度特征学习，最后经过训练得到性能良好的深度学习模型用于雷达目标检测。图 1雷达目标检测结构示意图12基于卷积神经网络的特征提取在深度学习中，卷积神经网络(CNN)8 是图像特征提取最常用的模型，其结构如图 2 所示。CNN包含输入层、隐含层和输出层。输入层是直接输入的二维图像数据。隐含层具有多层网络，可分为卷积层、池化层和全连接层。卷积层中各神经元相连上层的局部感受域，并由滤波器和非线性变换提取局部感受域的特征。池化层对卷积层提取的特征进行特征选择和特征降维，以降低模型参数。全连接层中相邻层的所有神经元之间都相互连接，将前面得到的二维特征信息压缩为一维特征信息。输出层紧挨着全连接层，用于分类输出全连接层得到的特征。一个典型的卷积神经网络一般由多个卷积层和池化层、至少一个全连接层构成。图 2CNN 网络结构53雷达智能信号处理专题施端阳，等:深度迁移学习的两阶段雷达目标检测方法2022，44(12)CNN 具有权值共享和局部连接的特点9，可以简化网络结构、减少模型参数。CNN 的参数为卷积核中的权重和偏置。参数的学习一般采用误差反向传播算法。CNN 工作过程分为训练和测试。训练是学习的过程，在训练集上模型的参数不断被优化，最终训练出满足条件的模型。测试时，输入全新的数据集来评估已训练模型的学习能力。CNN 的训练过程如图 3 所示，训练步骤为:(1)给权值矩阵 W 随机赋予 01 较小的数值，从训练集中随机选取样本 XP、YP，将 XP输入网络;(2)逐层计算得到输出值 OP;(3)计算输出值 OP与对应的真实值 YP的误差;(4)通过极小化误差的方法反向传播调整权值矩阵。图 3CNN 训练流程图CNN 具有多种典型的网络结构，如 AlexNet10、VGGNet11、GoogLeNet12 和 esNet13 等。不同的网络模型，具有不同的特征提取能力，但相同的是这些CNN 模型都包含大量待训练的参数。若从头训练这些参数，需要大量带标注的数据集，且调参过程复杂，使得上述模型的应用受限14。13基于网络的迁移学习深度学习是一种基于表示学习的方法，对于一个特定的问题，模型的表达空间必须足够大，才能发现训练数据的高级特征，因此深度学习依赖海量的训练数据。但在雷达目标检测领域，由于雷达工作环境复杂，目标特性各异，尤其是和平年代下搜集外军航空目标雷达图像的机会罕见，要构建大规