深度學習技術在雷達目標檢測中的研究進展

宋婷 賀豐收 程宇峰

摘要：隨著對航空科技水平需求的不斷提升，人工智能技術為該領域突破發展提供了可能。其中，深度學習作為一種人工智能的技術方法，在諸多方面展現出巨大的優勢而受到廣泛研究和關注。針對雷達目標檢測而言，深度學習方法是以數據驅動的方式，建立端對端網絡，避免人工提取特征表達力不足，實現優越檢測的性能，因此在雷達領域受到越來越多的關注和研究。本文首先介紹了雷達目標檢測領域相關知識，指出傳統檢測方法的局限性；然后對目前深度神經網絡檢測經典方法進行了分析和歸納，重點介紹了深度神經網絡在雷達目標檢測中的研究現狀；最后對深度學習在雷達目標檢測領域應用中存在的技術挑戰進行了分析，并就未來相關技術的發展趨勢進行了展望。

關鍵詞：深度學習；雷達目標檢測；深度神經網絡；時序信號檢測；時頻域信號檢測

中圖分類號：TN953文獻標識碼：ADOI：10.19452/j.issn1007-5453.2020.10.003

基金項目：航空科學基金（20172007002）

雷達具有全天候、全天時、作用距離遠等特點，可以對環境和目標進行監測。雷達工作在探測模式下，可對照射區域的回波進行分析處理，從雜波、干擾、噪聲等信號中檢測到目標信息，并確定其距離、速度、角度等信息[1]。由于雷達檢測技術跟任務和應用場景緊密相關，以機載雷達為例，目前機載雷達主要采用脈沖多普勒體制，能夠適應對空、對海和對地探測任務，完成目標檢測處理，提取目標信息。當機載雷達執行對空目標探測時，主要通過相參積累提高目標信雜噪比后，再進行恒虛警（CFAR）檢測；當執行對海搜索任務時，可通過非相參積累實現目標檢測；當執行對地觀測任務時，通過寬帶成像功能的雷達還可以獲取目標高分辨距離像（HRRP）數據和合成孔徑雷達（SAR）成像，針對HRRP和SAR圖像實現目標檢測功能。

近年來，雷達目標檢測技術日臻成熟?，F有的目標檢測主要采用目標先積累后檢測的方法和雜波抑制后檢測的方法。僅積累目標能量后檢測方法適用于均勻雜波、噪聲場景，然而，針對復雜雜波場景下目標檢測方法[2-3]，往往需要先估計雜波分布特性，如空時二維自適應處理（STAP），獲取待測距離單元雜波同分布特性的雜波樣本，通過空、時域加權在待測目標通道形成雜波凹口實現雜波抑制。但由于目前雜波環境復雜性，傳統雜波協方差估計難以獲取足夠獨立同分布樣本，使得復雜雜波抑制效果欠佳，目標檢測能力受限。

2012年，在ImageNet競賽上，深度學習方法以絕對優勢獲得冠軍，其中，卷積神經網絡（CNN）由于其強大的特征提取能力受到廣泛關注。1998年，Y. Lecun[4]等提出LeNet-5網絡作為CNN最經典的網絡結構實現文本識別，而后發展到2015年Ross B.Grishick提出的Faster R-CNN[5]兩階段檢測網絡，以較高的準確率實現自動目標檢測。2018年，Joseph Redmon提出的YOLOV3[6]端到端檢測模型，以其出色的實時檢測速度成為目前開源主流檢測算法之一。除此之外，還有基于針對數據重構的自編碼器（AE）[7]系列、基于概率生成模型的深度置信網絡（DBN）[8]等，在序列信號處理領域有著廣泛的應用。隨著深度學習方法在圖像識別、語音處理、優化決策領域的卓越表現，目前許多研究學者利用深度學習技術在雷達中展開研究，主要的研究領域包括：采用卷積神經網絡等進行自動目標識別（ATR）[9-12]，采用深度神經網絡（deep neural network ， DNN）進行微動多普勒分類[13]，采用深度學習方法進行雷達對抗環境下的作戰意圖分析[14-15]等?；谏疃葘W習的雷達目標檢測方法是以數據驅動的形式，利用深層神經網絡對特征的高維空間表達提取有效信息，建立從輸入數據到輸出檢測結果的端對端網絡，避免了人工提取特征和建模方法表達力不足的問題，在有效訓練數據充足的前提下，網絡在定位、分類等問題上的準確性能相比傳統網絡有著顯著提升。本文主要利用深度學習技術解決雷達目標檢測的問題。

1目標檢測現狀

雷達目標檢測任務可以分解為兩個部分：雷達目標分類和目標定位。雷達目標分類需要判斷輸入數據是目標還是雜波、干擾，目標定位需要解算輸入數據的位置。以對空探測為例，雷達目標檢測會在雷達多普勒-距離維回波中標注出目標所在距離門和頻率門，同時將目標功率、信噪比、雷達截面積（RCS）、角度、速度等信息存儲在目標列表中，便于后續進行目標跟蹤、識別。

1.1傳統雷達目標檢測方法

以相控陣雷達目標檢測[1]為例，針對相控陣雷達的回波數據，先對其進行相參/非相參積累和相關濾波處理，盡可能濾除噪聲，抑制雜波，然后根據某些準則（如奈曼-皮爾遜準則），對每幀回波設置固定或自適應檢測門限，將超過檢測門限的數據輸出得到檢測結果，如圖1所示。

近年來，隱身、高機動目標的出現，給傳統雷達檢測帶來了巨大的挑戰，同時傳統檢測方法在處理經典應用場景（如對海探測等）時，相關的性能輸出指標已經逼近技術上限，存在明顯的瓶頸，亟待突破。主要表現在：（1）現代雷達信號理論基本還是遵循平穩信號的處理模型，在非平穩信號（雜波）場景下的應用存在技術瓶頸；（2）只利用單個頻率和距離單元的孤立處理方法，如經典的恒虛警檢測技術，并未涉及目標高機動時速度變化和距離門走動等。

針對雷達高速弱小復雜環境下的目標檢測，非平穩現象對目標積累帶來的影響會嚴重影響傳統方法的檢測性能。

當前機載雷達對海面目標檢測方法主要針對海雜波分布模型假設，用統計模型描述海雜波分布進行檢測?；诜植寄Ｐ偷姆椒ê诵脑谟谝詫嶋H數據和假設模型高擬合度為前提[16]。但受實際海情影響，模型方法對數據描述精確度不夠，限制了對海目標檢測性能的提升。

1.2基于深度學習的目標檢測方法

基于深度學習（deep learning）的目標檢測流程如圖2所示。

深度學習是基于人類大腦的認知結構發展出來的一種機器學習方法，相比于傳統的機器學習算法（淺層學習），其算法通過多層的非線性變換，能夠由低層到高層逐層提取越來越抽象的特征，從而能夠通過大量的訓練數據學到高層的可分特征。深度學習檢測網絡則是利用多隱層神經元，對輸入數據進行特征學習，用以區分目標和背景信息的深層網絡結構，可實現復雜的檢測任務。深度堆疊自動編碼器的深層網絡結構如圖3所示，其中包含多個隱藏層結構h1，h2，h3，可以逐層提取輸入信息x的抽象隱式特征。

在復雜非平穩環境中，以復雜海況下的目標檢測為例，傳統基于海雜波分布模型的假設不成立，傳統目標檢測方法性能受限，采用深度學習的目標檢測方法，不基于固定模式下的海雜波分布，而是從海面目標和背景數據差異性出發，借助充足的不同海況下的標記數據作為網絡輸入，構建最大化區分背景和目標的代價函數，利用深層神經網絡對數據進行學習，每一層得到非顯性的數據特征表達；同時利用監督訓練的方法，將誤差反向傳遞實現網絡權值的調優，使得網絡輸出與期望值更加接近。

通過對網絡框架、層級結構、代價函數、網絡訓練、調優方法等的確立，在大量數據樣本的支撐下，深度神經網絡可實現對復雜海情海況數據下目標信息和背景雜波的高層特征抽象表達，輸出為目標有無，如果檢測出目標還將進一步給出目標位置信息。

基于自動特征提取的深度學習方法為復雜環境中的目標檢測提供了全新的思路。深度學習基于大數據，利用深層感知網絡構建模型，充分提取輸入信息的深層抽象特征，避免了過度依賴人工經驗手動提取特征，可以對數據中潛在特征進行挖掘。因此，本節針對現有典型的深度學習目標檢測模型進行歸納介紹。

目前基于目標檢測的深度網絡模型可以分為基于CNN及其變體的目標檢測網絡，如根據回歸方法的YOLO[17]一階段系列檢測網絡，根據分類方法的R-CNN[18]二階段系列檢測網絡；基于數據重構的自編器（AE）網絡；基于概率生成模型的深度置信網絡（DBN）等。由于目標檢測問題可以轉化為目標和背景的二分類問題，因此采用深度學習分類模型也可在一定問題場景下實現目標檢測的功能。

1.2.1 CNN檢測模型

CNN網絡作為主流的檢測算法，可以達到較高的檢測準確率。傳統CNN網絡是LeCun提出的LeNet-5模型，如圖4所示，網絡一共有7層，主要包含輸入層、卷積層、池化層、全連接層以及輸出層。卷積層主要用來提取特征，通過多個卷積核實現不同特征的映射圖，其中參數共享機制減少了網絡的模型復雜度，使網絡更容易訓練；池化層采用最大池化或平均池化方法，對輸出特征圖進行降維操作，使得網絡具有更好的魯棒性；通過激活函數使得網絡具有非線性逼近能力，更容易學習到高維抽象特征，因而具有良好的分類能力。

以卷積為核心發展起來的深度檢測網絡，其中具有代表性算法為基于候選窗口的卷積神經網絡方法RCNN[18]，以RCNN為基礎又發展出了faster-RCNN，如圖5所示。Ren等提出Faster-RCNN[5]實現了區域候選框和CNN網絡分類的端到端目標檢測模型，在VOC07上的mAP=73.2%，在COCO上mAP=42.7%。

RCNN系列方法在目標檢測中可以得到較高的檢測準確度，但是計算速度慢，缺乏實時性?；贠ne-Stage的YOLO目標檢測框架、SSD檢測框架在輸入圖像上直接得到該位置的目標邊框和目標類別。R.Joseph于2015年提出YOLO[17]網絡模型，通過將圖像分割成多個網格，每個網格對應多個邊界框，通過回歸預測每個網格的邊界框位置和類別位置，以及目標置信度分數，采用非極大值抑制（NMS）設置閾值得到最終的檢測結果。W. Liu[19]等提出了SSD網絡，使用多尺寸特征圖提取特征和多個anchor boxes進行邊界框坐標偏差和類別置信度預測，比YOLOV系列[20-21]更適合檢測多種尺寸的目標，SSD方法檢測性能與FasterRCNN相當但速度比YOLO更快，在VOC07數據集上的mAP=76.8%。

1.2.2 AE檢測模型

自編碼器（AE）是一種無監督學習方法，通過用于提取特征的編碼器結構和用于重構的解碼器組成。輸入數據經過隱含層特征學習，然后經過解碼器得到網絡輸出，自編碼器通過學習一個恒等映射，讓輸出逼近輸入實現對數據內部隱藏特征的學習。2006年，Hilton對自動編碼器進行改進，提出深度自編碼器[22]，先用無監督逐層貪心訓練算法完成對隱含層的預訓練，然后采用BP算法對整個神經網絡進行參數優化調整，有效改善了BP算法容易陷入局部最優的問題。稀疏自編碼器[23]核心是采用最少的隱藏單元表示輸入層的特征，采用KL距離設置稀疏代價函數，使得隱藏單元平均激活值接近于0，通過壓縮原始信號的維度得到輸入特征的稀疏表示。降噪自編碼器[24]一定程度解決了自編碼器原始數據重構的敏感性，又對訓練數據不夠敏感，可以略微破壞輸入數據，但仍維持未損壞的數據維作為目標輸出。通過在訓練過程中增加噪聲提升模型的抗噪性能。

通過對深度神經網絡CNN和其變體網絡、AE系列等檢測模型的分析和梳理，可對雷達時間維-頻率維-空間維的數據進行分析，以便于針對雷達數據的特點，對網絡進行優化或改進，使其適合于對雷達序列數據、雷達時域-頻域數據、雷達圖像數據等的處理。

2基于深度學習的雷達檢測應用

上一節對目前典型的深度學習目標檢測網絡的處理過程進行了介紹，在此基礎上分析了深度學習相關算法在雷達目標檢測上的應用，通過與傳統方法相比，深度學習目標檢測性能有著顯著的優勢。

不同于光學圖像處理過程，基于深度學習的雷達目標檢測方法，需要對雷達信號進行解析，利用雷達信號在空間域、時間域、頻率域的特性，針對不同雷達應用場景構建合適的深度神經網絡實現雷達目標檢測。雷達目標檢測從檢測環境上可以分為均勻環境，如噪聲中的目標檢測和復雜環境如非均勻雜波下的目標檢測；從研究對象上可以為針對二維圖像（如SAR圖像、時域-頻域（R-D）圖等）以及一維序列信號（如單一頻率維信號、目標高分辨距離像HRRP信號）下的檢測。本節從研究對象輸入角度出發，結合雷達處理流程，對深度學習針對雷達目標檢測的可行性、應用情況和與傳統方法結果對比等方面進行介紹。

2.1雷達時域-頻域（R-D）上的檢測

雷達回波在快時間域經過脈壓后，可獲得目標距離維信息，再通過對各距離單元慢時間域FFT處理，可以得到回波的多普勒域信息，即目標在距離-多普勒域的能量分布情況，可稱為R-D譜。可針對雷達R-D譜圖開展目標檢測研究。

雷達目標檢測問題可以當成是目標和雜波（噪聲）背景的二分類問題。Wang等[25]在此基礎上進行深度神經網絡的雷達檢測。作者利用R-D圖中包含目標回波和不含目標回波的差異性，網絡輸入是雷達R-D譜域的切片，分為包含目標和噪聲的切片和不包含目標的噪聲切片，切片以圖像形式輸入，大小根據滑窗尺寸決定，根據一致性檢測理論，輸入數據層級數跟相關脈沖串的數量相同。設置CNN網絡結構包含兩個卷積層、兩個Relu層、兩個最大池化層和兩個全連接層。最后一層的全連接層采用softmax得到目標二分類結果，代表輸入目標切片中包含目標與否。利用CNN網絡實現有目標回波和無目標回波的二分類，可以替代完成CFAR的功能。最后通過仿真數據對試驗提出模型進行驗證，發射信號為線性調頻信號，幅度為0均值高斯隨機噪聲環境，檢測結果優于傳統CFAR檢測結果。

參考文獻[26]通過構造卷積層、池化層和全連接層，采用CNN實現人的檢測和人的動作識別。檢測網絡可實現對人、動物、車等目標進行分類，從而檢測人是否存在，檢測概率97.6%。

Su[27]等提出采用深度學習進行海面目標分類，也是將目標檢測問題轉化成分類問題。由于海面目標運動體現在雷達回波的多普勒譜中，可由平動分量和多普勒微動分量構成，而微動分量的譜特性可以對目標進行分類。因此，通過構建非均勻平動、三坐標下的轉動等目標運動模型，對雷達回波時-頻譜信息進行分析，將雷達回波譜作為輸入圖像，利用LeNet等深度神經網絡有效提取目標微動特性，在威布爾雜波環境下實現目標分類。檢測結果受目標信雜噪比的影響較大，當雜波強度較大時，需要采用一些雜波抑制方法才能提升檢測性能，一定程度上解決了雜波環境的海面目標檢測問題。

Rodrigo等[28]提出一種采用YOLO網絡進行檢測識別一體化的方法。先對激光雷達回波數據轉換為距離-多普勒譜信息，將功率譜取dB后轉化為灰度圖作為輸入；再利用OSCA-CFAR檢測器在速度維對目標進行標注，同時，目標先驗框的位置標注是通過攝像機和激光雷達融合自動標注后投影至雷達譜上得到的；通過對目標在不同物理位置的數據，輸入YOLOV3深度檢測網絡中進行訓練，最終在城市交通復雜環境下完成對行人、汽車、自行車的實現檢測和識別，當IoU=0.5時mAP性能為70%左右。

上述文獻在噪聲、雜波等環境中實現了R-D域目標圖像的檢測，將檢測問題轉化為分類問題，為雷達在信號級的檢測進行了一定程度的探索。針對均勻環境下的目標檢測，受信噪比影響較低，可通過深度學習對樣本之間相關性的學習額外獲得略優于傳統檢測方法的性能。然而在實際雷達工作環境中，情況可能較為復雜。如非均勻雜波環境下，離散雜波容易過門限而造成虛警，甚至當散射區域雜波強度較大時，目標很容易被雜波淹沒，這種情況下傳統方法難以有效檢測。可以利用深度學習方法對數據中隱含特征的提取，從目標和雜波回波信號可分性方面入手，探索低信雜噪比環境下目標檢測問題；同時，可對雷達R-D譜域數據劃分為目標、雜波、干擾、噪聲等切片，并利用領域知識進行數據標記，采用深度分類網絡可實現對雷達復雜環境中的精細化檢測。因此，如何在復雜強雜波環境中進行目標檢測仍需要進一步研究難題。

2.2 SAR檢測技術

涂松[29]利用深度SAE網絡實現大尺寸SAR圖像目標的快速提取。先針對大尺寸SAR圖像進行顯著性區域檢測，得到目標和背景雜波，然后構建三層深度自編碼器實現對背景下車輛的檢測。Wang[30]等構建CNN網絡，對海面多個場景進行學習和特征提取，測試階段從海雜波場景下檢測出艦船目標。由于缺少不同姿態下的艦船數據，因此CNN網絡針對不同姿態的海面目標檢測能力還需要進一步提升。

由于缺少有效的帶標簽數據，針對城市變化檢測問題很難通過目前的監督學習方法實現。De[31]等通過SAE網絡小樣本數據情況下，相比傳統方法，在降低虛警率的前提下，檢測概率達到92%左右。Jiao[32]等針對多場景下SAR艦船數據，采用特征映射和高分辨率特征融合的方法，構建基于Faster RCNN的多尺度密集網絡實現艦船檢測。Zhao[33]等基于Faster RCNN提出目標檢測網絡，在多尺度特征圖基礎上提取目標候選區域，可針對不同尺寸的目標實現有效檢測。杜蘭[34]等利用遷移學習的思想，結合數據擴充技術，提出一種基于Faster RCNN的目標檢測方法。利用完備數據集訓練得到的卷積神經網絡模型參數，遷移到Faster RCNN網絡中，在miniSAR公開數據集上可獲得比傳統CFAR更好的檢測性能。Yang[35]等針對艦船目標檢測算法檢測精度易受斑點噪聲影響，且只能提取底層特征及其泛化性較差的問題，提出了一種基于深度卷積神經網絡的SAR圖像艦船目標檢測算法，相比于原始的SSD檢測算法，所提出的方法不僅提高了目標檢測精度，同時也保證了算法的檢測效率。Liu[36]等基于SSD模型的目標檢測方法，在復雜場景中獲得比Faster RCNN更好的檢測性能。圖6為強雜波背景下的目標檢測。

Wang[37]通過遷移學習解決SAR訓練數據有限的問題，通過構建類似于SSD網絡的深度學習框架，采用多尺度特征圖和卷積網絡進行船舶目標檢測。Cui[38]等針對大場景下SAR檢測問題，結合YOLO深度學習檢測思路，先在大場景上進行滑動分割得到多個區域，再進行區域間的非極大值抑制方法優化目標候選區域，最終輸出最佳目標的定位，有效實現大場景下的目標快速檢測問題。Khan[39]、Chang[40]等針對SAR圖像艦船目標檢測，利用YOLOV2深度學習網絡，達到較好的檢測效果。Hu[41]等針對復雜目標背景下艦船目標檢測難題，重新設計殘差網絡單元，提出了改進特征金字塔網絡結構的方法，并引入平衡因子優化損失函數中的小目標權重。試驗結果相比原始YOLOV3方法在公開數據集上提升了F1值，并可實現實時SAR目標檢測問題。

2.3雷達一維序列上檢測

Liu等[42]采用卷積神經網絡對雷達一維序列信號進行處理，通過對雷達背景的分類為雷達自動檢測提供基礎。與目前針對雷達SAR圖像，雷達R-D域圖像開展的檢測研究相比，針對一維雷達信號處理來提升目標自動檢測性能的研究相對較少。作者針對雷達的雜波和噪聲背景進行分析，說明了LeNet網絡在一維序列信號中對雜波和噪聲分辨的可行性，通過分別構建雷達雜波、噪聲在時域回波幅度，頻域的譜幅度對應的一維信號數據集，采用卷積神經網絡對雜波、噪聲數據進行分類，討論了數據預處理方式、輸入時序信號的長度、網絡參數設置對場景分類的影響。通過對雷達雜波、噪聲的一維序列數據進行分類，后續可對目標場景雜波進行精細化研究，設置不同的雜波抑制方法以實現目標高效檢測。

各類針對雷達回波域的深度學習目標檢測方法，主要通過在噪聲、雜波、復雜場景中對雷達海面、地面、空中目標進行檢測，通過對雷達數據進行預處理，使深度神經網絡能夠對輸入數據進行特征學習，并通過優化網絡結構獲知雷達目標、雜波、噪聲之間的差異，說明了深度學習在雷達檢測領域的可行性和有效性。

3面臨挑戰和發展展望

（1）雷達數據自動標注

雷達數據由于與光學數據存在較大差異，光學數據已經有較為成熟的自動化標注軟件，并且有公開的數據集可以對網絡進行初始化訓練。然而針對雷達領域而言，目標數據的標注還大量依賴專業信號信息處理領域從業者，并且雷達目標數據與發射的極化方式、照射場景環境、目標姿態信息等相關性較大，因此，如何針對數據進行自動化標注，是提升深度學習應用的基礎。

針對該問題，利用深度學習的初步檢測結果，是否可實現對數據的粗標注，再利用人工對標注結果進行錯誤糾偏和篩查，借助深度學習工具實現數據標注到檢測的互優化，值得進一步研究。

（2）小樣本條件下的穩健檢測

軍事領域非合作目標獲取存在一定難度，本質上和合作目標散射特性差異不大，但是相關數據樣本缺乏。所以在雷達軍事領域面臨自動標注和小樣本數據的難題。

針對該難題，一方面通過對目標和環境特性的研究，可以利用仿真數據彌補訓練樣本的不足，一定程度上可以緩解小樣本問題；另一方面，遷移學習方法，通過領域知識，找出源數據集合目標數據集之間在特征空間的相關性，針對源域任務的知識來提升目標域函數的求解性能。

（3）復雜作戰環境下目標檢測

由于作戰樣式、作戰環境的改變，雷達目標檢測在復雜作戰環境下檢測難度大大提升。如目標大機動時探測盲區的穩定檢測跟蹤、主瓣干擾存在下的目標檢測等，都是亟待解決的現實雷達檢測處理難題。

針對該難題，利用深度學習對目標運動軌跡特征進行分析，可嘗試針對有限目標機動模型下，采用網絡進行數據推演和分析，開展復雜環境下基于目標運動特性的檢測跟蹤一體化研究。

（4）面向深度學習的雷達處理軟硬件架構實現

當前基于深度學習等人工智能處理技術在雷達檢測、識別等方面的應用還停留在仿真和試飛數據分析與離線處理驗證階段，公開報道中，缺乏基于工程化雷達軟硬件應處理出臺開展的實時處理或者離線數據回放處理驗證過程，距離深度學習等人工處理技術在雷達中的工程化應用還有很長一段的距離。

因此，在進行充分的理論建模和試驗數據離線分析的基礎上，以基于GPU和開放式軟件架構，推進深度學習等人工處理技術的工程化演示驗證，同時，積極規劃雷達專用 AI處理芯片的架構研究和設計，不斷推進技術成熟度邁向新的臺階。

4結束語

雷達擔負著為各類戰機在復雜戰場條件下提供穩定的目標檢測、跟蹤和識別能力的技術要求。隨著近年來，各類戰機作戰任務、作戰對象和作戰目標的逐步擴展，傳統雷達目標檢測技術已經難以適應新的作戰需求，面臨明顯的技術瓶頸和制約。近年來，隨著深度學習技術的日臻成熟，基于深度學習的目標檢測技術成為新的研究熱點。本文通過對目前深度學習目標檢測研究領域典型算法進行梳理和分析，并對其在雷達中的初步應用進行探討，對未來深度學習在雷達目標檢測領域工程化應用存在的問題和可能發展的方向進行探索。通過分析發現，深度學習技術為雷達檢測領域帶來了新的思路和方法，未來將會有更多智能算法在雷達領域進一步應用，值得深入學習和研究。

參考文獻

[1]羅釘.機載有源相控陣火控雷達技術[M].北京：航空工業出版社， 2018. Luo Ding. Airborne AESA fire-control radar[M]. Beijing： Aviation Industry Press，2018. （in Chinese）

[2]Guerci J R，Goldstein J S. Optimal and adaptive reduced-rank STAP[J]. IEEE Transactions on Aerospace & Electronic Systems，2000，36（2）：647-663.

[3]段克清，謝文沖，王永良.非均勻環境下機載雷達STAP方法[J].數據采集與處理，2010， 25（5）：648-654. Duan Keqing，Xie Wenchong，Wang Yongliang. STAP method for airborne radar in nonhomogeneous environment[J]. Journal of Data Acquisition & Processing， 2010， 25（5）： 648-654. （ in Chinese）

[4]Lecun Y，Bottou L. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE，1998，86（11）：2278-2324.

[5]Ren S，He K，Girshick R，et al. Faster R-CNN：towards realtime object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence，2017，39（6）：1137-1149.

[6]Redmon J，Farhadi A. YOLOV3：an incremental improvement[EB/OL].（2018-11-02）. http：//arxiv. org/pdf/1804.02767v1. pdf.

[7]Bengio Y. Learning deep architectures for AI[J]. Foundations and Trends in Machine Learning，2009，2（1）：1-131.

[8]Hinton G E. Deep belief networks[J]. Scholarpedia，2009，4（6）：5947.

[9]Cagli E，Cécile D，Prouff E. Convolutional neural networks with data augmentation against jitter-based countermeasures[C]// International Conference on Cryptographic Hardware and Embedded Systems，2017：45-68.

[10]Geng J，Fan J，Wang H，et al. High-resolution SAR image classification via deep convolutional autoencoders[J]. IEEE Geoscience & Remote Sensing Letters，2015，12（11）：1-5.

[11]Nguyen H，Ngo D，Do V. Deep learning for radar pulse detection[C]//8thInternationalConferenceonPattern RecognitionApplications and Methods，2019.

[12]Jokanovic B，Amin M. Fall detection using deep learning in range-doppler radars[J]. IEEE Transactions on Aerospace and Electronic Systems，2017，54（1）：180-189.

[13]Mehmet S S，Sevgi Z G. Deep neural network initialization methods for micro-doppler classification with low training sample support[J]. IEEE Geoscience & Remote Sensing Letters，2017，14（12）：2462-2466.

[14]歐微，柳少軍，賀筱媛，等.基于時序特征編碼的目標戰術意圖識別算法[J].指揮控制與仿真， 2016，38（6）：36-41. Ou Wei， Liu Shaojun， He Xiaoyuan， et al. Tactical intension recognition algorithm based on encoded temporal features[J]. Command Control & Simulation， 2016， 38（6）： 36-41. （in Chinese）

[15]張曉海，操新文，耿松濤，等.基于深度學習的軍事輔助決策智能化研究[J].兵器裝備工程學報， 2018， 39（10）：168-173. Zhang Xiaohai，Cao Xinwen，Geng Songtao，et al. Research on Intelligence of military auxiliary decision-making system based on deep learning[J]. Journal of Ordnance Equipment Engineering， 2018， 39（10）：168-173. （in Chinese）

[16]蘇寧遠，陳小龍，陳寶欣，等.雷達海上目標雙通道卷積神經網絡特征融合智能檢測方法[J].現代雷達， 2019，41（10）： 47-52. Su Ningyuan，Chen Xiaolong，Chen Baoxin，et al. Dualchannel convolutional neural networks feature fusion method for radar maritime target intelligent detection[J]. Modern Radar， 2019，41（10）：47-52. （ in Chinese）

[17]Redmon J，Divvala S，Girshick R，et al. You only look once：unified，real-timeobjectdetection[C]//The2016IEEE Conference on Computer Vision and Pattern recognition，2016：779-788.

[18]Girshick R，Donahue J，Darrell T，et al. Rich feature hierarchiesforaccurateobjectdetectionandsemantic segmentation[C] // IEEE Conference on Computer Vision & Pattern Recognition. IEEE Computer Society，2014：580-587.

[19]Liu W，Anguelov D，Erhan D，et al. SSD：single shot multibox detector[C]//The 14th European Conference on Computer Vision，2016：21-37.

[20]Redmon J，Farhadi A. YOLO9000：better，faster，stronger[C]// IEEE Conference on Computer Vision & Pattern Recognition. IEEE，2017：6517-6525.

[21]Alexey B，Wang Chienyao，Mark Liao Hongyuan. YOLOV4：optimal speed and accuracy of object detection[EB/OL].（2020-04-23）.http：//arxiv.org/pdf/2004.10934v1.pdf.

[22]Hinton G E，Salakhutdinov R R. Reducing the dimensionality of data with neural networks.[J]. Science，2006，313（5786）：504-511.

[23]Zhang S，Wang J，Tao X，et al. Constructing deep sparse coding network for image classification[J]. Journal of the Pattern Recognition Society，2017，64（11）：130-140.

[24]Yan Huaqing，Zhang Zenghui，Xiong Gang，et al. Radar HRRP recognition based on sparse denoising autoencoder and multi-layer perceptron deep model[C]// Proceedings of the 4th International Conference on Ubiquitous Positioning，Indoor Navigation and Location Based Services，2016：283-288.

[25]Wang L，Tang J，Liao Q. A study on radar target detection based on deep neural networks[J]. IEEE Sensors Letters，2019，3（3）：1-4.

[26]Peibei C，Weijie X，Ming Y，et al. Radar-ID：human identification based on radar micro-Doppler signatures using deep convolutional neural networks[J]. IET Radar Sonar & Navigation，2018，12（7）：729-734.

[27]Su N Y，Chen X L，Mou X，et al. A deep learning method of moving target classification in clutter background[C]// International Conference in Communications，Signal Processing，and Systems，2018：303-311.

[28]Rodrigo P，Schubert F，Rasshofer R H，et al. Deep learning radar object detection and classification for urban automotive scenarios[C]// 2019 Kleinheubach Conference，2019.

[29]涂松.高分辨率SAR圖像目標快速提取算法研究[D].長沙：國防科學技術大學，2016. Tu Song. Fast and accurate target extraction for high-resolution SAR imagery[D]. Changsha： National University of Defense Technology，2016. （in Chinese）

[30]Wang C，Zhang H，Wu F，et al. Ship classification with deep learning using COSMO-SkyMed SAR data[C]// IGARSS 2017-2017 IEEE International Geoscience and Remote Sensing Symposium. IEEE，2017.

[31]De S，Pirrone D，Bovolo F，et al. A novel change detection framework based on deep learning for the analysis of multitemporal polarimetric SAR images[C]// IGARSS 2017—2017 IEEEInternationalGeoscienceandRemoteSensing Symposium. IEEE，2017.

[32]Jiao J，Zhang Y，Sun H，et al. A densely connected end-toend neural network for multiscale and multiscene SAR ship detection[J]. IEEEAccess，2018（6）：20881-20892.

[33]Zhao J，Guo W，Zhang Z，et al. A coupled convolutional neural network for small and densely clustered ship detection in SAR images[J]. Science China（Information Sciences），2019，62（4）：42301.

[34]杜蘭，劉彬，王燕，等.基于卷積神經網絡的SAR圖像目標檢測算法[J].電子與信息學報， 2016，38（12）：3018-3025. Du Lan， Liu Bin， Wang Yan， et al. Target detection method based on convolutional neural networks for SAR Image[J]. Journal of Electronics & Information Technology，2016， 38（12）：3018-3025. （in Chinese）

[35]楊龍，蘇娟，李響.基于深度卷積神經網絡的SAR艦船目標檢測[J].系統工程與電子技術， 2019， 41（9）：1990-1997. Yang Long， Su Juan， Li Xiang. Ship detection in SAR image based on deep convolutional neural network[J]. Systems Engineering and Eletronics， 2019， 41（9）： 1990-1997. （in Chinese）

[36]Liu B，Yang D，Wang Z，et al. SAR target detection based on SSD with data augmentation and transfer learning[J]. IEEE Geoscience and Remote Sensing Letters，2019，16（1）：150-154.

[37]Wang Y，Wang C，Zhang H，et al. Combing single shot multibox detector with transfer learning for ship detection usingChineseGaofen-3images[C]//2017Progressin Electromagnetics Research Symposium-Fall（PIERS-FALL）. IEEE，2017.

[38]Zongyong C，Sihang D，Zongjie C，et al. SAR target recognition in large scene images via region-based convolutional neural networks[J]. Remote Sensing，2018，10（5）：776.

[39]Khan H M，Yunze C. Ship detection in SAR Image using YOLOv2[C]// 2018 37th Chinese Control Conference（CCC），2018.

[40]Chang Y L，Anagaw A，Chang L，et al. Ship detection based on YOLOV2 for SAR imagery[J]. Remote Sensing，2019，11（7）：784-786.

[41]胡昌華，陳辰，何川，等.基于深度卷積神經網絡的SAR圖像目標艦船小目標檢測[J].中國慣性技術學報，2019，27（3）： 397-406. Hu Changhua， Chen Chen，He Chuan，et al.SAR detection for small target ship based on deep convolutional neural network[J]. Journal of Chinese Inertial Technology， 2019， 27（3）： 397-406. （in Chinese）

[42]Liu Ningbo，Xu Yanan，Tian Yonghua，et al. Background classification method based on deep learning for intelligent automotive radar target detection[J]. Future Generation Computer Systems，2019，94（5）：524-535.

（責任編輯陳東曉）

作者簡介

宋婷（1991-）女，碩士，工程師。主要研究方向：雷達智能化探測、認知雷達等。

Tel：15261597156E-mail：tinasongting@163.com

賀豐收（1979-）男，博士，高級工程師。主要研究方向：多源信號融合、信號檢測、雷達數據處理等。

程宇峰（1973-）男，研究員。主要研究方向：智能化雷達、雷達系統等。

Research Progress of Deep Learning Technology in Radar Target Detection

Song Ting1，*，He Fengshou1，2，Cheng Yufeng1

1. Aviation Key Laboratory of Science and Technology on AISSS，AVIC Leihua Electronic Technology Research Institute，Wuxi 214063，China

2. Northwestern Polytechnical University，Xian 710129，China

Abstract： The detection of interesting targets is the basic task for radar. Target detection technology is one of the key technologies in the field of radar signal processing. Since deep learning methods establish an end-to-end network to avoid the lack of artificial feature expression and achieve superior detection performance， it has received more and more attention in the radar field. This paper first introduces the relevant knowledge in target detection and points out the limitation of traditional detection methods； then analyze the current classic methods of deep neural network detection， mainly focuses on the research status of deep learning techniques in radar target detection. Finally， the technical challenges of the application towards deep learning methods in targets detection are analyzed， and the development trend of related technology in the future is prospected.

Key Words： deep learning； radar target detection technology； deep neural network； sequence signal detection； time-frequency domain detection