时空域稀疏条件下基于雷达回波时序依赖关系的目标检测_张力文.pdf

时空域稀疏条件下基于雷达回波时序依赖关系的目标检测张力文*潘剑张右承陈元培马喆*黄旭辉孙科武(航天科工集团智能科技研究院有限公司北京100144)(航天防务智能系统与技术科研重点实验室北京100144)摘要：该文基于低慢小目标探测的地面预警雷达实测回波数据，系统性地提出了一种数据驱动式的目标检测方法框架，解决了两个关键问题：(1)针对当前数据驱动式的目标检测方法未能充分利用特征表示学习来发挥优势的问题，提出了回波时序依赖关系的表示学习方法，并给出无监督和有监督学习的两种实现方式；(2)低慢小目标在雷达探测范围中呈现稀疏性，目标-杂波数目的极度不均衡致使网络判决面严重向杂波倾斜。因此，该文提出利用异常值检测方法中的样本均衡思想，有效缓解了检测模型的判决偏移问题。最后基于实测数据对所提方法框架的各组成部分进行了消融实验，实验结果充分验证了回波时序性特征表示学习和样本均衡策略的有效性。在实测序贯验证条件下，两种检测方法均取得了优于多种CFAR方法的综合检测性能。关键词：雷达目标检测；时序依赖关系；回波表示学习；循环神经网络；样本均衡策略中图分类号：TN95;TP391文献标识码：A文章编号：2095-283X(2023)02-0356-20DOI:10.12000/JR22228引用格式：张力文,潘剑,张右承,等.时空域稀疏条件下基于雷达回波时序依赖关系的目标检测J.雷达学报,2023,12(2):356375.doi:10.12000/JR22228.Reference format:ZHANGLiwen,PANJian,ZHANGYoucheng,et al.Capturingtemporal-dependenceinradarechoforspatial-temporalsparsetargetdetectionJ.Journal of Radars,2023,12(2):356375.doi:10.12000/JR22228.Capturing Temporal-dependence in Radar Echo for Spatial-temporalSparse Target DetectionZHANGLiwen*PANJianZHANGYouchengCHENYuanpeiMAZhe*HUANGXuhuiSUNKewu(Intelligent Science&Technology Academy of CASIC,Beijing 100144,China)(Key Laboratory of Aerospace Defense Intelligent Systems and Technology,Beijing 100144,China)Abstract:Existingdata-drivenobjectdetectionmethodsusetheConstantFalseAlarmRate(CFAR)principletoachievemorerobustdetectionperformanceusingsupervisedlearning.Thisstudysystematicallyproposesadata-driventargetdetectionframeworkbasedonthemeasuredechodatafromthegroundearlywarningradarforlow-altitudeslowdimtargetdetection.Thisframeworkaddressestwokeyproblemsinthisfield:(1)aimingattheproblemthatcurrentdata-drivenobjectdetectionmethodsfailtomakefulluseoffeaturerepresentationlearningtoexertitsadvantages,arepresentationlearningmethodofechotemporaldependencyisproposed,andtwoimplementations,includingunsupervised-andsupervised-learningaregiven;(2)Low-altitudeslowdimtargetsshowextremesparsityintheradardetectionrange,suchunevennessoftarget-cluttersamplescalecausesthetrainedmodeltoseriouslytilttothecluttersamples,resultinginthedecisiondeviation.Therefore,wefurtherproposeincorporatingthedatabalancingpolicyofabnormaldetectionintotheframework.Finally,收稿日期：2022-11-28；改回日期：2023-02-07；网络出版：2023-03-01*通信作者：张力文；马喆zhema_*CorrespondingAuthors:ZHANGLiwen,;MAZhe,zhema_基金项目：国家自然科学基金青年科学基金项目(62206258)FoundationItem:YoungScienceFoundationofNationalNaturalScienceFoundationofChina(62206258)责任主编：高永婵CorrespondingEditor:GAOYongchan第12卷第2期雷达学报Vol.12No.22023年4月JournalofRadarsApr.2023ablationexperimentsareperformedonthemeasuredX-bandechodataforeachcomponentintheproposedframework.Experimentalresultscompletelyvalidatetheeffectivenessofourechotemporalrepresentationlearningandbalancingpolicy.Additionally,underrealsequentialvalidation,ourproposedmethodachievescomprehensivedetectionperformancethatissuperiortomultipleCFARmethods.Key words:Radartargetdetection;Temporal-dependence;Echorepresentationlearning;RecurrentNeuralNetwork(RNN);Databalancingpolicy 1 引言作为广泛应用于社会科学发展和军事国防等领域的探测设备，雷达具备极端天气下的良好鲁棒性1，以及对光照不敏感等特点2，具有重要的学术和实用价值3。经典的雷达目标检测方法遵循恒虚警检测(ConstantFalseAlarmRate,CFAR)46原则。CFAR检测隶属于统计检测理论，即一种利用信号和噪声的统计特性，遵照检测概率最大准则(Ney-man-Pearson,N-P)来建立最佳判决的数学理论。其本质上是一种在先验概率和代价函数均未知的情况下，固定虚警概率，再去最小化漏检概率或最大化检出(召回)概率的检测方法。随着大数据科学的发展，以数据为驱动的经典机器学习和当下的深度学习技术也被广泛应用于雷达目标检测与识别。从原理上来说，无论是经典的机器学习还是深度学习方法(以下统称机器学习方法)，他们实现雷达目标检测都是基于对数据的合理表示，其涉及模式识别中的特征工程和表示学习理论范畴。他们与经典CFAR的检测原理有着本质的不同，机器学习更多地是在探讨如何在一个更加抽象或高维的特征空间中对样本进行表示，并利用此种表示来训练分类器，最终实现对目标的检测。这些特征表示可以通过利用基于统计建模的投影算子转换而来7,8，也可以通过学习的方式来获得9。而在分类器的训练方面，其可以是和特征学习部分相分离的方式来单独进行，如经典的支持向量机(SupportVectorMachines,SVM)10与k近邻(k-NearestNeighbors,k-NN)7,8；也可以是与特征学习部分耦合在一起的联合学习方式9。因此，可分析出数据驱动的机器学习方法与经典CFAR的本质区别：前者是在样本空间中挖掘或者构造出能有效表示每个样本的方式，然后在这些表示所处的空间中以任务(例如分类)为驱动的方式去寻找一种能够有效区分目标与杂波的超平面，其不需要显式地获得样本的统计信息，也不需要对样本的分布进行显式的刻画；而后者需要显性地构造出样本在不同假设条件下的分布特性，从而在这些分布特性的明确定义下给出目标检测的依据。而若要类比CFAR与机器学习方法的相似之处，那么笔者认为特征表示部分对应了CFAR中对被检单元和参考单元的采样后的计算部分；而分类器则对应于检测阈值本身。基于以上分析不难看出，由于缺乏对信号统计分布特性的显式定义，机器学习方法虽无法严格保持CFAR性质，但仍然具备很多其他优势：自动化的学习机制可以在一定程度上摆脱对人工先验设参的依赖程度；当具备新的可用数据时，模型可再次经过微调以获得更好的泛化能力(进化学习)；灵活多样的建模形式以适配多种雷达检测识别任务；以及复杂结构带来的更高容量的数据表示能力等等。这些优势也极大地促使研究者开展了众多此方面的研究。然而，考虑到雷达信号在数据形态上的多样性远超过其他形式的信号(如可见光图像、文本类数据)，加之不同的任务需求使得相应的处理方法存在着很大的差异。因此，为便于归纳总结，本文根据所面对任务的不同将近期主流的机器学习方法进行如下分类：(1)基于回波信号的目标-杂波检测方法。此类方法是在探讨如何在一维的回波信号上对某个距离单元上回波信号进行目标/杂波的辨识，是与经典CFAR在任务形态上最为相似的一种方法。目前具有代表性的有基于线性SVM(Linear-SVM,L-SVM)10，以及最近基于卷积神经网络(ConvolutionalNeuralNetworks,CNN)与注意力机制11,12的雷达目标检测方法。以L-SVM为例，该方法借鉴CFAR的处理流程，将经过脉冲压缩和线性匹配滤波后的被检单元与参考单元拼接成向量的形式训练SVM分类器，相比于均值类CFAR方法，SVM能在较低信噪比(Signal-to-NoiseRatio,SNR)的情况下获得稳健的检出效果。为了抑制k-NN算法对杂波的敏感程度，Coluccia等人7,8将参考单元的回波信号看作辅助数据，并用其构建出回波信号的正则化协方差矩阵，从而将原始回波投影为更加平滑的向量表示(杂波抑制)，利用该种向量构建出的训练样本集合可以获得在不同信杂比(Signal-to-ClutterRatio,SCR)情况下都更为鲁棒的检测模型。尽管这些方法无法严格保证CFAR的性质，然而在实际测得的虚警率上都取得了比CFAR更加稳健的表现。第2期张力文等：时空域稀疏条件下基于雷达回波时序依赖关系的目标检测357(2)基于距离/多普勒/角度频域变换的目标检测-识别方法。此类方法综合运用了当下视觉目标检测9,13或语义分割1416的原理，将经典的雷达目标检测任务推广为一种雷达目标检测-识别任务。相比于经典的目标/杂波检测机制，该种方法额外引入了对目标类型的识别。为了能在多种作用域上获取目标的信息，通常都是利用级联式的快速傅里叶变换(FastFourierTransform,FFT)将原始回波转换为距离-多普勒(Range-Doppler,RD)、距离-方位角(Range-Angle,RA)或距离-方位角-多普勒(Range-Angle-Doppler,RAD)等联合多域的频谱表示作为模型的输入，并在输出中得到各域上的位置信