基于深度卷積神經網絡的慢動目標檢測*

扶 明, 鄭 霖, 楊 超, 黃鳳青, 符杰林, 王俊義

(桂林電子科技大學 廣西無線寬帶通信與信號處理重點實驗室，廣西 桂林 541004)

0 引 言

強雜波環境下慢速運動目標的有效檢測一直是雷達檢測領域的困難之一。實際情況下,目標檢測常常受到強雜波干擾,且慢動目標的多普勒頻移較低,往往會與低頻雜波的多普勒產生交疊,影響到目標多普勒信息的提取[1]。傳統的目標檢測方法如運動目標顯示(moving target indication,MTI),及基于子空間的方法[2,3]被廣泛應用于雷達系統。但MTI方法檢測常處在零多普勒頻率附近的慢動目標時,對其多普勒成分衰減過大[4],導致檢測性能下降。而基于子空間的方法常常面臨構建子空間時如何選取雜波基的問題[5,6],且實際情況中特征空間會出現相互交疊[7],使得最終的目標檢測性能并不理想。

近年來,隨著深度學習的迅猛發展,其在雷達信號處理領域也被廣泛應用。文獻[8]提出了一種深度卷積神經網絡(deep convolutional neural network,DCNN)方法以實現無監督的判別性特征學習,然后結合支持向量機實現了合成孔徑雷達(synthetic aperture radar,SAR)圖像的分類。文獻[9]中將連續幀的距離—多普勒(range-Doppler,R-D)譜送入一個三維的DCNN,借鑒人臉識別中的三元組損失函數來學習網絡模型,最后實現手勢動作的分類。現有多數利用神經網絡的方法是對雷達成像如SAR像、R-D譜等進行目標檢測的分類與識別[8～11],而對于本文場景來說,需要從雜波和噪聲干擾嚴重的復雜背景中檢測出目標,并進一步獲取目標的運動信息。

本文考慮到傳統目標檢測方法的局限性,基于深度學習理論,設計了一種DCNN的目標檢測方法。通過DCNN直接對回波信號R-D譜進行處理,主要利用DCNN中多個卷積層提取回波信號中雜波的特征,在網絡中引入批量標準化層以加速網絡訓練的收斂速度,并嵌入一個子網絡以自動學習卷積層輸出的各特征通道的重要程度并對其重新標定。然后DCNN依據殘差學習的策略獲取殘差譜,并與回波信號R-D譜相減實現背景雜波的對消,進而有效的檢測運動目標。實驗證明了該方法的有效性。

1 慢動目標檢測與信號模型

1.1 雷達回波信號模型

本文中主要利用一個單基地脈沖多普勒雷達系統,設其發射信號為

s(t,h)=uh(t)exp(j2πfct),

t∈[-Tc/2+hTr,Tc/2+hTr]

(1)

式中uh(t)為第h個發射脈沖的復包絡,fc為載波頻率。Tr為脈沖重復周期,Tc為Chirp信號掃頻時長。則雷達回波信號模型為

x(t,h)=αuh(t-τ(t))exp(j2πfc(t-τ(t)))+

c(t)+n(t)

(2)

式中α為回波信號的衰減系數,τ(t)為目標回波相對于發射信號的延時,c(t)為雜波,n(t)為高斯白噪聲。將回波信號x(t)重排成快慢時間維回波矩陣,對快時間維脈沖壓縮,慢時間維進行傅里葉變換,可以得到回波信號的R-D譜,依據對R-D譜中的目標進行檢測,從中可以提取到目標的距離信息和徑向速度信息。

式(2)的回波模型可以簡化為

X=S+V

(3)

式中X為回波信號,S為目標信號,V為雜波與噪聲的集合。本文基于殘差學習的思想[12],構建一個DCNN,期望學習到一個殘差映射R(·),使得R(X)=V,因此,構建的DCNN輸入為代表的回波信號R-D譜,期望輸出為代表為V的殘差譜,最后通過S=X-R(X)的方式進行背景雜波的對消,從而抑制雜波,并獲得對運動目標回波的估計。

1.2 用于目標檢測的DCNN模型結構

本文構建的DCNN為一個全卷積的神經網絡模型,如圖1所示,主要由7個虛線框內的模塊構成,模塊內構建為一個殘差塊結構,即添加了一條直接連接的映射支路,其中卷積層(convolution layer,Conv layer)的卷積核大小都設置為3×3,卷積核滑動步長設置為1,卷積核個數為64,激活函數采用修正線性單元(rectified linear unit,ReLU)函數。

圖1 用于目標檢測DCNN模型

另外,在每個模塊中還嵌入了一個子網絡[13],如圖1中所示。其子網絡由一個池化層(pooling layer),兩個卷積層構成,其中卷積層卷積核設置為“1×1”。池化層采用全局平均池化,即將所有特征通道的二維特征圖池化為一個實數,以獲取特征圖的全局感受野。接著,第一層卷積層將特征通道壓縮到輸入的1/4,然后,經過第二層卷積層后再恢復原來的特征通道數,以具備更好的非線性,并期望對特征通道間的相關性建模。最后通過Sigmoid函數輸出一個0～1之間數值權重,并將其與原卷積層的輸出逐個通道加權相乘,以對通道維度上的原始特征進行重標定。此子網絡主要思想是從卷積層的特征通道之間相關性出發,通過訓練學習以自動獲取各特征通道的重要程度,并依此增加有用特征的權重,減輕無用特征的權重,以提升整個網絡的性能。

殘差學習最開始被用來解決深層網絡中性能退化問題,主要通過在殘差網絡的各堆積層中添加一個恒等映射(identity mapping),將原本需要學習的H(x)轉化為F(x)+x,進而使網絡的非線性結構層學習殘差F(x)=H(x)-x,即從輸入到輸出的一個殘差映射(residual mapping),如圖2。

圖2 殘差學習單元

利用這種殘差學習單元結構,有利于網絡的訓練與優化,并且可以很容易地擴展出一個深度網絡。因此,本文利用這種思想,通過DCNN直接擬合一個殘差映射,即從回波信號R-D譜到殘差譜的一個映射。此外,深度網絡訓練時模型參數的不斷改變,會造成內部協變量偏移現象[14],導致網絡訓練速度慢且效率低下。因此，在圖1模型中間部分的卷積層后都接了一個批標準化層(batch normalization layer,BN layer),以增加每個中間層輸出概率分布的穩定性,加速網絡的收斂。

2 實驗與結果分析

本文設置系統仿真參數為：載波頻率為2.4 GHz,信號帶寬為60 MHz,Chirp時長為1.12 μs,脈沖重復周期為2 ms,脈沖積累數目為200,IQ采樣頻率為60 MHz,信雜噪比為-24 dB?；夭Ｐ彤a生的非平穩回波由目標回波、瑞利雜波以及高斯白噪聲組成,具體如式(2)。產生雷達回波數據后,經變換生成回波信號的R-D譜與相應的殘差R-D譜作為樣本數據。在回波中預先設置慢速目標,并從速度取值范圍為-3.4～3.5 m/s內、距離取值范圍為20～50 m內隨機選取目標的速度值與距離值,其中運動目標速度的正負值表示運動的方向。實驗在MATLAB R2016b平臺上進行仿真分析,產生回波樣本數據共100 000個,并根據1.2節所述參數采用TensorFlow框架,搭建出如圖1所示的神經網絡結構,隨后將樣本數據送入網絡訓練學習。

為檢驗本文算法有效性,設了相應的對比實驗,采用同樣的雷達系統參數生成雷達回波,在其中注入一個距離為40 m,步行速度為2 m/s的運動目標,并進行處理以對比本文算法與傳統目標檢測方法。另外與基于深度學習的方法進行對比時,主要考慮：未添加如圖1模塊中子網絡的CNN模型,將其命名CNN—1；以及基于直接學習一個從X到S的映射(如式(3))的傳統CNN模型,將其命名為CNN—2。其中,三種網絡模型中除了上述說明的不同,基本的網絡超參數,例如卷積核尺寸、滑動步長,網絡層數等均為相同的設置。對比如圖3所示。

圖3 各目標檢測算法與本文DCNN方法性能比較

圖3(a)為未經過雜波抑制處理的距離—速度圖,可以看出,由于雜波的擴展使得慢動目標在多普勒譜上被雜波所淹蓋,嚴重影響到了對目標的檢測。而在圖3(b)與(c)中的MTI方法與子空間方法中,雖然抑制掉了部分雜波,但并不能很好地檢測出目標。這是因為MTI濾波器對處于零多普勒頻率附近慢動目標的能量衰減過大,而基于子空間的方法一般采用最大的一個或幾個特征值對應的特征向量來構建雜波子空間,這樣會使得雜波成分出現較大殘余,因此兩者檢測性能均不理想。

圖3(d)～(f)為基于神經網絡的處理結果,可以看出圖3(d)中雖然能去除大部分雜波與噪聲,但仍然有較多殘余影響檢測結果。圖3(e)中采用CNN直接學習一個從X到S的映射,雖然也檢測出來目標,但檢測結果呈現為一個大光斑,無法清晰辨別以確定運動目標的距離與速度。在圖3(f)中為本文基于DCNN模型的處理結果,其依據殘差學習的策略得到殘差譜,并背景對消以有效檢測目標,并在網絡中嵌入能重標定特征通道的子網絡以提升整個網絡模型的性能,可以看出,雖然有少量雜波以及噪聲的殘留,但可以較清晰地檢測出運動目標在圖上的位置。

模擬多目標檢測場景時,雷達回波中預先設置兩個運動目標,其中令目標1的距離為40 m,步行速度為2 m/s,目標2的距離為30 m,步行速度為-1 m/s。本文DCNN模型檢測結果以及對比如圖4,可以看出,本文方法在多目標檢測場景中相對于傳統方法也有較好的檢測效果。

圖4 多目標檢測場景中各目標檢測算法與本文DCNN方法性能比較

為了定量地給出相應檢測方法處理后的改善情況,本文計算了在信噪比為0 dB,信雜比為-24 dB的條件下,不同檢測方法的R-D譜改善因子IF[15],計算公式如式(4)

IF=10lg(TCR1/TCR0)

(4)

式中TCR0與TCR1分別為未處理R-D譜與處理之后的R-D譜的目標雜波比(target-to-clutter ratio),計算式如式(5)

(5)

式中PT與PC分別為目標區域與雜波區域,NT與NC分別為目標區域和雜波區域的元素個數,I(x,y)為相應(x,y)處的元素幅值。

表1為各檢測方法處理后的改善因子對比。

表1 本文方法及傳統檢測方法處理后的改善因子對比 dB

從表1可以看出,在單目標檢測時本文方法的改善因子能達到6.64 dB,相比于MTI方法、子空間方法,以及基于CNN—1方法改善能力較好。在檢測多目標時,本文方法對目標1的改善因子為5.02 dB,目標2的改善因子為4.52 dB,也較優于傳統方法。其中基于CNN—2的方法改善因子相比于其他方法都較高,這是因為其除目標區域外雜波與噪聲濾除比較干凈,但其對于R-D譜上被檢測目標的精細度較差,這對檢測結果產生了很大影響。另外值得一提的是,因目標2的運動速度相對更慢,導致在MTI檢測時目標2的能量衰減過大,造成了改善因子為負的情況。

3 結束語

本文針對強雜波背景下慢速運動目標檢測問題,設計了一個基于DCNN的目標檢測方法。其依據殘差學習的思想,利用DCNN學習回波信號中的雜波特征,隱含的去除其運動目標成分,最后輸出回波信號的殘差譜并進行背景對消,進而對目標進行有效的檢測。實驗結果表明：該算法具有一定的有效性及好于傳統方法的性能表現。