基于深度遷移學習的低分辨雷達目標識別方法

施端陽,林 強,胡 冰,牛 闖

(1.空軍預警學院,武漢 430019; 2. 95174部隊, 武漢 430040)

0 引言

隨著現代戰爭的發展,僅能提供目標位置信息的常規雷達已無法滿足信息化戰爭的需要。以電子戰為中心的戰爭對雷達目標識別技術提出了更高的要求,雷達目標識別是對雷達獲取的回波數據進行處理,提取目標特征,實現目標類型、數量甚至武器掛載情況等信息的判別[1]。目前,對于空中目標的識別,主要依靠窄帶雷達的目標回波信號、寬帶雷達的一維距離像和二維ISAR圖像進行特征提取和識別。由于寬帶雷達具有較高的分辨率,可以獲取目標更詳細的信息,國內外學者主要針對寬帶高分辨率雷達的目標識別問題進行研究。但寬帶雷達作用距離比窄帶小,且成本高昂、難以普及,我國現役防空雷達仍以低分辨率雷達為主。低分辨率雷達難以獲取目標的結構、尺寸等精細化特征信息。使用低分辨率雷達無法對目標的具體型號進行識別,僅能夠對目標的大小和架次進行判斷。因此,對低分辨雷達進行目標粗略分類和識別有著廣泛的應用前景。

現階段,低分辨雷達的目標識別主要采用人工判別法。雷達操縱員利用目標回波強度及其起伏特性,結合目標運動軌跡和速度,綜合判斷目標的類型和數量。該方法的識別性能嚴重依賴于操縱員的主觀經驗和業務水平,存在誤差大、效率低的問題。實現防空雷達自動目標識別功能是當前急需解決的難題,雷達自動目標識別實質上是從雷達回波中提取各類目標具有差異化的特征進行目標自動分類。其過程主要包含回波采集、信號預處理、特征提取和分類器設計4個階段。前2個階段主要是為了從雷達回波信號中整理出格式統一的回波數據集,特征提取是從回波數據中提取出目標的特征,分類器設計是根據分類準則設計合適的分類器,對輸入的特征向量進行分類判別。識別特征是雷達目標識別的基礎,特征的穩定性和可分性直接影響識別效果,不同體制的雷達所提取的目標特征不同,在低分辨雷達目標識別的研究中,提取的特征主要有目標運動特征[2]、波形特征[3]、調制特征[4]和極化特征[5]等。在目標識別中,分類器的性能同樣起著重要作用。雷達目標識別中設計的分類器主要有模板匹配分類器[6]、決策樹分類器[7]、模糊判別分類器[8]、支持向量機分類器[9]以及淺層神經網絡[10]等。但上述傳統分類方法需要人工提取出明確的特征矢量,需具備專業的領域知識和消耗大量的時間精力,特征提取難度較大,適用范圍受限。

近年來,以深度學習技術為代表的智能化分類方法逐漸成熟,它能夠利用自學習功能挖掘輸入信息的深層特征,實現自動特征提取,為雷達自動目標識別提供了一種新的思路。但這類方法需要數據驅動,其識別性能嚴重依賴于帶標簽訓練樣本的數量和質量。而雷達在實際工作中,對于非合作目標往往很難積累大量的回波數據[11]。針對小樣本條件下的雷達目標識別問題,目前主要有3種解決方案,一是數據增強[12]的方法擴充數據集。文獻[13]利用生成對抗網絡(generative adversarial network,GAN)產生大量逼近真實數據的樣本來提高分類器的識別能力。二是元學習[14]方法泛化目標和學習內涵。文獻[15]提出了一種結合概率推理和元學習的識別模型來轉移先驗知識,利用少量訓練數據得到了更高的識別能力。三是遷移學習[16]方法將知識從源任務遷移至目標任務。文獻[17]詳細討論了適合遷移到雷達目標識別任務中的網絡和源任務,提出了多源數據域自適應傳遞遷移方法,提高了小樣本下的目標識別性能。但GAN在訓練時要求生成器和判別器保持同步,易發生訓練不穩定的問題。元學習對數據的要求比較苛刻,要求源任務的樣本量充足且與目標任務的差異性小。

為此,本文中對低分辨雷達的空中目標識別問題展開研究,考慮到低分辨雷達目標回波中無法獲取目標的形狀、結構等詳細信息,使用雷達回波序列輪廓像構建空中目標數據集,應用卷積神經網絡模型自動提取雷達回波序列輪廓像中深層的特征。模型訓練時,針對小樣本條件,運用模型遷移的學習方法,將經過ImageNet數據集預訓練過的模型遷移到雷達目標識別任務中,實現自動識別空中目標的類型和架次。

1 雷達目標識別框架

雷達目標識別框架如圖1所示。首先,對采集的雷達回波信號進行預處理,生成雷達目標回波圖像;其次,從目標回波圖像中提取目標回波序列輪廓像,并依此構建空中目標數據集;然后,利用空中目標數據集對遷移而來的AlexNet網絡模型進行微調;最后,利用訓練好的AlexNet模型對目標進行自動識別,區分出飛機的類型和架次,達到低分辨雷達對空中目標粗略分類識別的目的。

1.1 信號預處理

采集L波段某型航管雷達的I/Q信號,經過脈沖壓縮處理后,進行視頻處理形成方位-距離二維的雷達原始圖像。該原始圖像由接收的回波序列按時間和方位順序排列而來,一幀的雷達原始圖像,橫向為3 726個方位序列,表示0～360°的方位范圍,縱向為20 96個距離單元,表示0～150 km的距離范圍,可對應于雷達B顯圖像。由于整幀雷達原始圖像覆蓋空域過大,空中目標的回波圖像不明顯,采取放大、裁剪等措施后將整幀雷達原始圖像分割為416像素×416像素的圖像塊。分割時為了不遺漏目標,圖像塊之間有一定的重疊。原始圖像塊經過目標檢測后,可顯示目標的位置信息。部分被檢測到的目標圖像如圖1中帶紅色檢測框的圖像所示。

圖1 雷達目標識別框架Fig.1 Radar target recognition framework

1.2 空中目標數據集構建

根據目標檢測結果,濾除圖像中的雜波,將目標圖像單獨顯示。該目標圖像為雷達目標回波序列輪廓像[18],由雷達波速掃描時不同方位上的目標回波序列組合而成。雷達波速照射目標的過程如圖2所示,由于雷達波束具有一定的寬度,天線旋轉時,波束依次掃過目標的頭部、中部和尾部。目標被雷達波束照射時產生的后向散射信號為

y(t,f,θ,R,α)=F(θ)·{s(t,f)*

(1)

式(1)中:F(·)為天線方向性函數;s(t,f)為雷達發射信號函數;N為目標散射點數量;σn為各散射點雷達截面積;dn為各散射點到目標中心的距離;θ為目標與雷達波束中心指向的夾角;α為姿態角;R為目標中心到雷達的距離。

圖2 雷達波束掃描目標示意圖Fig.2 The schematic diagram of radar beam scanning target

由式(1)可知,目標回波信號是天線方向性函數和波束指向目標中心時回波的乘積。由于目標被雷達波束照射時除了與波束中心指向的夾角發生變化,其余變量幾乎不變。因此在雷達波束掃描目標的過程中,目標回波序列的幅度會出現上升、平穩和下降的情況。

由圖2可知,目標回波序列輪廓像在方位上具有一定的展寬,且方位展寬對應雷達初始探測到目標時與目標剛好消失時波束中心指向θ1和θ2之間的夾角。文獻[19]指出:目標輪廓像在方位上的展寬由目標橫向長度引起的展寬和雷達波束寬度造成的展寬疊加而成,與目標橫向長度和目標雷達橫截面積(radar cross section,RCS)具有以下關系:

θ2-θ1=L/R+2θF

(2)

式(2)中:L為目標橫向長度;R為目標距離;θF為發現目標時目標與波束中心指向的夾角。θF滿足以下條件:

(3)

文獻[20]證明了目標回波序列輪廓像與目標姿態沒有太大的關系。因此,可對目標回波序列輪廓像進行分析,提取不同目標的特征,進行目標識別。

根據目標回波序列輪廓像構建空中目標數據集時,結合友鄰雷達站的空情和上級下發的預飛報等信息對該型航管雷達探測到的目標回波序列輪廓像進行標注。鑒于該型航管雷達的帶寬為20 MHz,距離分辨率約為7.5 m,利用它確定飛機的具體型號不太現實,但可以對飛機的類型和架次進行區分,實現空中目標的粗略識別。所以在標注數據時,將數據分為大型機一批一架、大型機一批兩架、小型機一批一架和小型機一批兩架4類。每類數據各200個,共計800個樣本,按照7∶3的比例隨機分成訓練集和測試集。部分數據集如圖3所示。

圖3 空中目標數據集示例Fig.3 Aerial target dataset example

2 基于深度遷移學習的雷達目標識別模型

單隱含層的淺層神經網絡在復雜的分類任務中難以提取深層的特征,模型容易欠擬合[21]。因此,為了更好的提取樣本特征,本文中采用深度卷積神經網絡作為目標識別模型。常見的卷積神經網絡有LeNet-5[22]、AlexNet[23]、VGGNet[24]、GoogLeNet[25]和ResNet[26]等。上述網絡的層數依次加深,模型愈發復雜,過擬合和梯度消失問題也越來越嚴重。考慮雷達目標回波序列輪廓像的特征并不十分復雜,且雷達目標識別的實時性要求較高,因此需要選擇結構比較簡單的網絡模型。上述5類網絡的層數分別是7層、8層、16或19層、22層以及50或101層。LeNet-5和AlexNet的網絡層數較少且相近,但AlexNet首次使用了很多現代深度卷積網絡的技術方法,其不僅包含了LeNet-5的優點還具有更強的魯棒性,所以本文中選用AlexNet模型來識別雷達目標。

2.1 AlexNet模型結構

AlexNet模型由5個卷積層、3個池化層、3個全連接層和1個Softmax函數輸出層組成,其中池化層和輸出層不計入網絡深度。AlexNet模型具有一系列的創新,使用非線性激活函數ReLU獲得更快的收斂速度。ReLU激活函數是一個簡單的分段函數,如果輸入大于0,直接返回輸入值,如果輸入是0或更小,則返回0值;在2個池化層之后進行局部響應歸一化增強模型的泛化能力;使用Dropout防止模型過擬合;使用GPU加快訓練速度。AlexNet模型中通過卷積層和池化層自動提取樣本中的特征,經全連接層做特征加權,通過輸出層輸出1 000個類別的條件概率,其模型結構如圖4所示。

圖4 AlexNet網絡結構Fig.4 AlexNet neural network structure

2.2 基于遷移學習的AlexNet模型結構

由于AlexNet模型采取的是有監督的學習方式,需要大量帶標簽的樣本對模型進行訓練。但在和平年代下,非合作目標的探測機會很罕見,難以積累數量充足的訓練樣本,雷達目標識別不得不面臨小樣本學習的問題[27]。對此,引入遷移學習思想,將具有大量樣本的源任務中學到的先驗知識遷移到雷達目標識別任務中,改善小樣本學習的性能。遷移學習按不同的遷移內容可分為關系遷移、樣本遷移、特征遷移和模型遷移[28]。其中,模型遷移更適用于AlexNet模型的訓練。模型遷移時有2種方式:一是去掉網絡的全連接層,將網絡模型視為一個自動特征提取器,根據提取的特征再單獨設計一個分類器進行分類識別;二是替換網絡后面的卷積層和全連接層,先通過源域預訓練學習到淺層特征,再利用空中目標數據集對模型進行再訓練,通過反向傳播方式更新網絡參數,得到最終的模型。前者要求源域的數據集和空中目標數據集有很相近的特征,但雷達目標回波序列輪廓像與ImageNet數據集中的光學圖像區別較大。因此,在低分辨雷達目標識別任務中,不適合采用第一種模型遷移方式。

本文中采用第二種模型微調的方式進行遷移學習,遷移流程如圖5所示,具體步驟如下:

步驟1：在ImageNet數據集上對AlexNet模型進行預訓練。

步驟2：遷移AlexNet預訓練模型的前4個卷積層,固定該部分的網絡結構和參數。

步驟3：將遷移部分與1個新的卷積層和3個新的全連接層組合成新的網絡。

步驟4：利用空中目標數據集對新網絡進行再訓練,對非固定的參數進行微調,將模型輸出由1 000類改為4類。

圖5 基于深度遷移學習的雷達目標識別流程Fig.5 The flow chart of radar target recognition based on deep transfer learning

3 實驗結果與分析

為了驗證所提方法的有效性,本實驗采用AlexNet模型、VGGNet-16模型、GoogLeNet模型、ResNet-50模型和人工方式對雷達目標識別的效果進行對比。實驗采用自建的空中目標數據集,為了保證數據來源的一致性,對采集I/Q數據時同步的雷達P顯畫面進行錄頻。人工識別時,將P顯視頻分別交給某雷達站操縱排10名操縱員進行獨立的目標判別。AlexNet模型、VGGNet-16模型、GoogLeNet模型和ResNet-50模型的實驗基于Windows10操作系統,軟硬件平臺:CPU為Intel(R) Core(TM) i7-10750H@2.60GHz,GPU為NVIDIA Quadro P620,內存8 GB,支持CUDA10.1加速,運用Matlab 2020b搭建雷達目標識別模型。

3.1 實驗設置及訓練過程

AlexNet模型、VGGNet-16模型、GoogLeNet模型和ResNet-50模型的預訓練采用ImageNet數據集進行,Matlab神經網絡工具箱中有預訓練好的各種網絡模型,可以直接下載使用。模型再訓練時,均采用帶動量的隨機梯度下降法,動量值為0.9,初始學習率為0.000 1,批處理量為10,迭代次數為500次。

4種模型訓練時,損失和準確率曲線如圖6所示。

圖6 模型訓練過程Fig.6 The effect of transfer learning

4種模型均有較好的訓練效果,隨著迭代次數的增加,準確率不斷提高,損失不斷下降,最終收斂在較好的水平。其中,AlexNet模型的最終驗證準確率為87.5%,驗證損失為0.515 8,訓練耗時1分40秒;VGGNet-16模型的最終驗證準確率為79.17%,驗證損失為0.573 2,訓練耗時13分17秒;GoogLeNet模型的最終驗證準確率為79.17%,驗證損失為0.562 8,訓練耗時36分4秒;ResNet-50模型的最終驗證準確率為83.33%,驗證損失為0.583 3,訓練耗時50分19秒。

3.2 遷移學習效果對比

AlexNet模型具有收斂迅速、訓練快捷、泛化性好和不易過擬合的優勢。將AlexNet模型進行遷移學習前后的識別結果進行對比分析。隨機選取一個測試樣本,分別輸入遷移前后的2個AlexNet模型,識別結果如圖7所示。遷移學習前的AlexNet識別模型將大型機一批兩架的樣本誤判為錘子,遷移學習后的AlexNet識別模型識別正確,說明遷移學習對AlexNet模型進行優化后,比原有的AlexNet模型具有更好的識別效果。

圖7 遷移學習效果Fig.7 The effect of transfer learning

3.3 識別結果對比

從測試集中隨機選取24個樣本進行展示,識別錯誤的結果用紅色框標出,4種模型的識別效果如圖8所示。

圖8中AlexNet模型識別錯誤2個樣本,VGGNet-16模型識別錯誤5個樣本,GoogLeNet模型識別錯誤5個樣本,ResNet-50模型識別錯誤4個樣本。采用平均識別率指標來評估模型的識別性能,其公式為

(4)

式(4)中:Ni為第i類識別正確的目標樣本數;Mi為第i類目標樣本總數;T為測試集中目標種類數。

計算識別率時,取10名操縱員的平均識別結果以表示人工識別的整體水平,同時選取識別率最高的操縱員表示人工識別的最高水平,識別率最高的操縱員記為操縱員甲。經過統計,五種方法的識別性能如表1所示。由表1可知,AlexNet模型的平均識別率最高,識別性能最優。同時,VGGNet-16、GoogLeNet和的ResNet-50模型的平均識別率低于操縱員甲高于操縱員均值,說明深度學習識別方法比大多數人工識別方法具有更好的目標識別性能,但是與極少數經驗豐富的人工識別相比,還是有不足之處。但是隨著工作時間的增長,人工會存在疲勞的情況,識別率會受到影響,但深度學習識別方法依賴計算機運行,不會受此影響。因此,采用深度學習的雷達自動目標識別方法還是很有必要的。

表1 不同方法識別性能對比

AlexNet模型、VGGNet-16模型、GoogLeNet模型和的ResNet-50模型對應的識別模型訓練耗時和模型識別速度如表2所示。由表2可知,與另外3種模型相比,AlexNet模型的訓練耗時更少,識別速度更快,綜合性能更優。

表2 4種方法識別效果對比

4 結論

本文中針對低分辨雷達在小樣本條件下的空中目標識別問題,在AlexNet分類模型的基礎上,提出一種深度遷移學習的雷達自動目標識別方法。實驗結果表明,遷移學習對深度卷積神經網絡在小樣本條件下具有很好的效果。深度學習的雷達目標識別方法的性能已超出了大部分人工識別方式,且具有性能穩定、全天候工作的優勢,為現役低分辨雷達開展自動目標識別打下了良好的理論基礎。為了全面驗證本文方法的有效性,下一步將對不同型號低分辨雷達在不同工作環境下的回波數據,開展自動目標識別研究,對該方法的普適性進行分析。