基于ResNet 的智能恒虛警目標檢測方法

張晨，葉舟，呂宇宙，方明，高永嬋

（1.西安電子科技大學 電子工程學院，陜西 西安 710068；2.上海航天電子通訊設備研究所，上海 201109）

0 引言

由于能提高雷達在雜波、干擾背景下檢測目標的能力，恒虛警檢測技術一直是雷達信號處理理論和應用研究的基本問題之一。FINN等［1］提出了單元平均恒虛警檢測（Cell Average-Constant False Alarm Ratio，CA-CFAR）算法，該算法通過計算鄰近距離單元雷達雜波數據的統計平均值來估計待測單元的功率水平。CA-CFAR 檢測算法要求待測單元的雜波與訓練雜波數據滿足獨立同分布條件。然而，在實際雷達工作環境中，強雜波呈現出非均勻特性，沿距離單元的雜波統計特性差異變化較大，使得該算法的檢測性能嚴重下降。

針對非均勻雜波環境給目標恒虛警檢測帶來的影響，國內外學者展開了大量研究［1-9］。TRUNK等［4］提出的單元平均選小恒虛警檢測（Smallest of CFAR，SO-CFAR）算法和Hansen等［5］提出的單元平均選大恒虛警檢測（Greatest of CFAR，GOCFAR）算法均首先計算待測單元兩邊的平均功率水平，再選取其中一個作為該單元的功率水平，但這兩種算法無法兼顧目標檢測性能和恒虛警特性。ROHLING等［6］提出了排序統計恒虛警檢測（Order Statistic CFAR，OS-CFAR）算法，該算法首先將鄰近單元的數據按升序排序，然后按照規則選擇某一個單元的數值來表示待測單元功率水平。王永良等［8］提出了一種海雜波背景下的雙參數有序統計恒虛警檢測算法，該算法提高了在非均勻海雜波環境下的目標恒虛警檢測性能，但同時帶來了均勻雜波環境下檢測性能下降和計算復雜度提高的問題。

作為一種高效的智能處理方法，深度學習能有效避免傳統的復雜特征設計、具備較好的泛化能力［10-15］，目前在視頻處理領域、雷達圖像處理領域等中取得了較好應用［16-18］。殘差神經網絡（Residual Neural Network，ResNet）［19-23］能解決隨著網絡加深而出現的梯度消失問題和退化問題，使網絡在深層時具有更好的表達能力，具有挖掘雜波數據的高維數據特征和信息、實現雷達信號域智能處理的潛力。

因此，本文從雜波統計特征提取分類出發，提出了一種基于ResNet 的智能恒虛警目標檢測方法。首先，根據雷達實測雜波數據建立雷達回波信號樣本數據庫、ResNet 的訓練集和測試集；其次，構建ResNet 的智能提取雜波數據統計特征，并用該網絡對測試集進行測試、實現分類；最后，根據分類結果實現基于ResNet 的智能恒虛警目標檢測。

1 傳統恒虛警檢測方法及雜波特性分析

當雷達系統在接收K個距離維回波數據后{x1，x2，…，xK}，需檢測判決待檢距離單元內是否存在目標。目標檢測問題可描述為以下二元檢測：

式中：假設H1為目標存在；H0為目標不存在；s為存在的目標；ci為第K個距離維的雜波數據。

經典的CA-CFAR 檢測基本原理：首先，假設訓練單元內雜波與待測單元內雜波滿足獨立同分布條件，選取M個訓練單元和P個保護單元；其次，根據訓練單元和保護單元的個數設置滑動窗口大小，取滑動窗口內單元的平均值與標稱因子相乘得到閾值；最后，與檢測單元進行比較，如果檢測單元大于閾值則判斷存在目標；反之，則判斷不存在目標。

雜波幅度分布特性是雜波數據統計分析的重要部分，將其作為篩選雜波樣本數據的準則，能解決實際檢測中面臨的樣本不滿足獨立同分布的問題，從而提高恒虛警目標檢測性能。

大量實測雷達數據分析表明，在實際工作環境中，雜波幅度的距離單元呈現不同的統計分布特性，典型的分布有瑞利分布、對數正態分布、韋布爾分布和K 分布。因此，區分不同幅度分布特性的雜波并建立服從相同分布的雜波樣本數據子庫是提高恒虛警目標檢測性能的前提條件。

2 ResNet(RN)-CA-CFAR 算法

本文以ResNet18 作為雜波數據預分類的網絡模型。ResNet18 是一種深度殘差神經網絡，共有20層結構，其殘差塊的結構如圖1 所示。其卷積核大小為3×3，維度為64，激活函數為ReLU［21］，且在2個殘差塊之間引入跳躍連接，保證反向傳播更新參數時不會出現梯度消失問題。

圖1 ResNet18 殘差塊結構Fig.1 Residual block structure of ResNet18

根據雷達實測雜波數據建立ResNet 的訓練集和測試集，其中訓練集由某雷達對海飛行收集的雜波數據組成，測試集數據為IPIX 雷達的海雜波測量試驗中記錄的雜波數據集子集。IPIX 雷達［24-25］是一個全相參的X 波段雷達，由其得到的高分辨率雷達數據已經成為測試雷達目標檢測算法的重要基準數據。利用訓練集數據對ResNet18 進行充分訓練，并使用已有標簽的測試集數據對已訓練的神經網絡進行性能測試，確保網絡具備提取數據特征并實現準確分類的能力。

2.1 網絡模型訓練

根據已建的訓練集，以雷達雜波數據構建ResNet，進行智能特征提取，得到雜波的統計特征。

利用海雜波雷達實測數據訓練ResNet18，隨機初始化網絡的權重和偏置，通過隨機梯度下降（Stochastic Gradient Descent，SGD）算法［22］和交叉熵損失函數逐步迭代更新網絡的參數。網絡的參數設置如下：分段函數初始網絡學習率η0_seg為0.001，總迭代次數為100，類別數為4，批量大小（batchsize）為128。由于網絡學習率η過大會導致網絡不能收斂，η過小會降低網絡優化的速度，因此本文分別采用分段函數和指數衰減函數Exponential LR 函數調整η，并比較2種η的調整函數對網絡性能優化的影響。

Exponential LR 更新η為

式中：指數函數初始學習率η0_exp為0.05；g為底數，取值為0.7；e為訓練的迭代次數。

η隨迭代次數變化如圖2 所示。

圖2 η 變化曲線Fig.2 η curves

在保證其他超參數不變的情況下，將η分別設置為隨迭代次數變化的分段函數和Exponential LR函數，η設置情況見表1。根據表1 和式（2）中η的設置情況充分訓練網絡，得到網絡在訓練過程中的損失函數值隨訓練次數變化如圖3 所示。

表1 η 設置情況Tab.1 Setting of η

圖3 損失函數值變化曲線Fig.3 Relationship between the iteration number and the loss function

由圖3 可知，隨著訓練迭代次數的增加，網絡的損失函數值逐漸減小。采用分段函數調整η的初始網絡的損失函數值約為1.25，隨著訓練迭代次數的增加逐漸減少，最終近乎趨近于0。采用Exponential LR 函數調整η的初始網絡的損失函數值約為1.1，隨著訓練迭代次數的增加逐漸減少，最終近乎趨近于0.02，這說明網絡得到較充分的訓練，網絡性能得到優化。

批量大小對訓練精度和網絡收斂速度的影響很大，不同批量大小在測試集下的網絡收斂情況曲線如圖4（a）所示，不同批量大小在訓練集下的網絡收斂情況曲線如圖4（b）所示。由圖4 可知，隨著批量大小的增大，網絡分類準確率達到相同精度所需的迭代次數增多。但批量越大，每次迭代訓練的數據就越多，當訓練數據量很大時，增大批量大小可縮短整個訓練過程的時間，且保證網絡能夠收斂。

圖4 批量大小與損失函數關系曲線Fig.4 Relationship between the batchsize and the loss function

2.2 網絡模型測試

基于所構建的ResNet，本節將對數據進行智能特征提取，得到雜波的統計特征，用訓練好的網絡對已知標簽的測試集進行測試，并對統計特征進行分類，驗證網絡的泛化能力。

本節所用的測試集數據是IPIX 雷達的海雜波測量試驗中記錄的數據集子集。測試集數據與訓練集數據由來自不同地點、不同時間的不同雷達采集所得。測試數據集共包含有400 個數據，其中雜波幅度特性滿足K 分布、對數正態分布、瑞利分布以及韋布爾分布的數據各100 個。輸入測試集數據，經訓練的ResNet18 提取數據統計特征，再以閾值可設的Softmax 分類器對所得統計特征進行分類，根據測試集數據的真實分類和經網絡得到的預測分類，分別記錄4 種雜波幅度特性數據正確分類的數據個數，并計算4 種雜波幅度特性分類的準確率結果見表2。

表2 測試集分類準確率Tab.2 Test set classification accuracy

由表2 可知，分段函數調整η的ResNet18 經過充分訓練能以較高的準確率實現雜波幅度特性分類，但服從韋布爾分布的雜波數據相比于服從K 分布、對數正態分布和瑞利分布的雜波數據較少。因此，網絡關于服從韋布爾分布的雜波數據分類訓練不充分，導致分類正確率較其他三類略低。經Exponential LR 函數調整η得到的分類準確率結果較為均勻，表明自動調整η的訓練網絡能在一定程度上降低訓練樣本數量較少對網絡性能優化產生的影響。

實驗結果表明：基于ResNet18 的雜波幅度特性分類算法效果優良，在后續的處理中可首先利用ResNet18 準確對雜波數據進行預分類處理，為剔除樣本和建立雜波信號模型做了充分準備。

2.3 RN-CA-CFAR 檢測

根據分類結果實現基于ResNet的智能恒虛警目標檢測，RN-CA-CFAR檢測器結構如圖5所示。

圖5 RN-CA-CFAR 檢測器結構Fig.5 Structure diagram of the RN-CA-CFAR detector

RN-CA-CFAR 檢測的具體步驟如下：

步驟1根據分類結果建立不同幅度特性的雜波樣本數據子庫Xr，Xw，Xlog和XK；

步驟2根據待檢單元xi（i=1，2，…，K，i為待檢距離門的總數）服從的雜波幅度特性，在相應的雜波樣本數據子庫中選取與該待檢單元臨近的N個檢測單元作為訓練單元集XN；

步驟3計算待檢單元的背景功率Pi=|xi|2；

步驟4計算訓練單元集XN的平均值Vi=作為待檢單元xi的背景功率水平；

步驟5利用門限因子計算門限TCA=αCAVi，其中αCA為根據所設定的虛警概率，αCA=，虛警概率Pfa和訓練單元個數N確定的門限因子；

步驟6重復步驟2～步驟5，直到計算出所有K個待檢單元的檢測統計量為止；

步驟7根據自適應判決準則判定是否存在目標，自適應判決準則如下：

式中：H1為存在目標；H0為不存在目標。

根據以上過程，本文提出的RN-CA-CFAR 檢測方法的算法總體實現框如圖6 所示。

圖6 RN-CA-CFAR 檢測方法總體實現框Fig.6 Realization process of the RN-CA-CFAR detection method

3 實驗結果及分析

本節所用數據是IPIX 雷達的海雜波測量試驗中記錄的數據集子集：總共包含34 個距離單元，每個距離單元的采樣點數為60 000 個，每個實驗使用全部距離單元的前12 544 個采樣點，Pfa=10-6，訓練單元個數N為6，試驗參數為目標的信雜噪比（Signal Clutter Noise Radio，SCNR）。實驗分為2組，該實驗數據不含目標，因此在實驗1 中插入2 個仿真目標，在實驗2 中插入3 個仿真目標，目標信息見表3、表4。加入目標后的距離-脈沖如圖7 所示。

圖7 距離-脈沖回波Fig.7 Range-pulse echo pattern

表3 實驗中各大目標的參數Tab.3 Parameters of each big target in Experiment 1 and 2

表4 實驗中各小目標的參數Tab.4 Parameters of each small targets in Experiment 1 and 2

3.1 實驗1 結果及分析

含2 個目標的回波數據分別在2 組不同SCNR下的恒虛警檢測結果如圖8 所示。

圖8 存在2 個目標的恒虛警檢測Fig.8 Schematic diagram of CFAR detection with 2 targets

其中，圖8（a）的第6 個距離單元目標的SCNR為20 dB，第14 個距離單元目標的SCNR 為10 dB；圖8（b）的第6 個距離單元目標的SCNR 為40 dB，第14 個距離單元目標的SCNR 為20 dB。

圖8 為分別使用CA-CFAR、OS-CFAR 和RNCA-CFAR 檢測器對回波數據進行目標檢測的閾值曲線示意圖。

由圖8（b）可知，當目標具有較大的SCNR 時，由于目標功率較強，3 種檢測器均表現出良好的檢測性能；由圖8（a）可知，當目標具有較小的SCNR時，CA-CFAR 檢測器和OS-CFAR 檢測器均不能有效檢測第6 和14 個距離單元是否存在目標，而本文提出的RN-CA-CFAR 檢測器則對目標具有較小的SCNR 表現出良好的檢測性能。因此，本文提出的RN-CA-CFAR 檢測器有效提高了在復雜海雜波背景下對弱小目標的檢測性能，自適應能力更強。

3.2 實驗2 結果及分析

含3 個目標的回波數據分別在兩組不同SCNR下的恒虛警檢測結果如圖9 所示。

圖9 存在3 個目標的恒虛警檢測Fig.9 Schematic diagram of CFAR detection with 3 targets

其中：圖9（a）的第6 個距離單元目標的SCNR為20 dB，第14 個距離單元目標的SCNR 為10 dB，第23 個距離單元目標的SCNR 為10 dB；圖9（b）的第6 個距離單元目標的SCNR 為40 dB，第14 個距離單元目標的SCNR 為20 dB，第23 個距離單元目標的SCNR 為20 dB。

由圖9（b）可知，對于目標功率較強的情況，3 種恒虛警檢測器均能檢測到目標信號，其中CACFAR 對20 dB 目標的檢測性能較弱；由圖9（a）可知，對于目標具有較小的SCNR=10 dB，CA-CFAR檢測器和OS-CFAR 檢測器不能在第16 個和第23個距離單元有效檢測出是否存在目標，而本文提出的RN-CA-CFAR 檢測器則表現出良好的檢測性能。因此，本文提出的RN-CA-CFAR 檢測器相比于傳統恒虛警檢測器性能更優。

4 結束語

由于觀測環境、雷達平臺以及雷達參數等因素影響，通常導致獲取的雷達回波數據不滿足獨立同分布條件，使得傳統恒虛警檢測器性能不理想。針對該問題，本文提出了一種基于ResNet 的智能恒虛警目標檢測方法。該方法通過雷達實測雜波數據構建ResNet 提取雜波統計特征，再通過測試數據進行分類，進而實現智能恒虛警目標檢測。實驗結果表明，相比傳統恒虛警目標檢測方法，本文方法具有以下優點：①引入深度學習思想，準確高效地完成了雜波數據分類和樣本篩選，獲得服從獨立同分布的雜波訓練數據；②自適應能力更強，在實際非均勻雜波環境下檢測性能更好。