基于多尺度特征融合的雷達海上目標檢測方法

王寧，胡哲，周興杰，文慧山，鄭力勇

（中國南方電網超高壓輸電公司廣州局，海南海口 570106）

雷達海上目標檢測對海上環境衛生監測、海上運輸航行和國家安全都具有重大意義。目前雷達海上目標檢測技術所面臨的難題主要包括雷達海上目標回聲變化微弱和目標機動中產生的多普勒時變、雷達對海上目標的高機動性以及對海上雜波的低擾動。所以，對海洋雜波的有效控制、目標檢測可靠的測量特性以及計算的高實時性，是當前雷達海洋目標測量領域中需要解決的關鍵性問題。

一些學者進行了有關研究，文獻[1]提出無源多基雷達測速海洋面活動目標測量與定位方法，實現距離反轉和方位伸縮變換。通過二維時域映射返波轉換為單一維的位置信息，使其在多普勒質心置為零。將所有多源返波均映射到目標運動參數域，通過峰值位置信息達到對目標的方位和速率估計，完成對海面活動對象的有效測量和定位。但該方法檢測計算量巨大，計算過程緩慢。文獻[2]提出激光三維顯像雷達目標檢測技術，通過建立鄰域圖像內的距離方差公式實現噪聲的預處理，并使用建立形狀學的地面估計和高程分割算法完成地物分割。根據敏感目標的尺寸特征，通過最小外接矩形計算完成對總體目標的快速檢測。但該方法在成本控制方面略有不足，檢測耗費很高。

為進一步完善雷達海上目標檢測方法，該文提出一種基于多尺度特征融合技術的雷達海上目標檢測方法。

1 雷達海上目標特征提取

1.1 雷達數據提取

在不同層次的海洋環境下，采用X 波原理的脈沖導航雷達采集數據，獲取在各種海況和氣候環境下的雷達測量回波信息，檢驗采集結果。設定采集次數、采集位置、數據方式等參數，實現信息收集與信息查詢。

采集信息后對其進行預處理，采用Matlab 系統將采集到的初始數據轉換為PPI 圖像。由于PPI 圖像的像素很大，并且在海洋局部地區并沒有目標，因此將PPI 圖像轉換成DAT 的格式。只采用部分PPI圖像進行訓練，以此減少顯存空間占比，方便對原始PPI 圖像進行剪切[3-4]。海上雷達目標應該在PPI 像素的上半部分區域，裁剪PPI 像素的四分之一，形成結果集[5-6]，標記圖片建立數據集。通過標記數據集圖片，形成PascalVOC 格式的標記文本。提取過程如圖1 所示。

圖1 提取過程

根據圖1 的提取結果進行預處理，預處理后集中檢驗數據行，用測試集檢測出最優模型后，再次檢測目標的性能。驗證數據集內部的實測數據，得到真實PPI 圖像，以此獲取雷達數據，提高信號的測試效率。

1.2 目標特征歸一化處理

雷達海上目標有一定的邊界范圍，比雜散噪聲的空間范圍大，通常是相對連續的一個較小信息范圍。其頻率特性主要體現為集中在特定的頻帶范圍中，因此需要對目標特征進行歸一化處理[7-8]。提取雷達海上目標的比較平均差和比較方差，分析目標區和附近背景區之間的平均強度差別。具體過程如式（1）所示：

其中，x、y表示雷達海上目標坐標值；i表示起伏差別值[9-10]。若要使各特征值更有效地表達像素中屬于目標區域的信息，在實現特征統一前，需要事先對各功能信息進行歸一化處理。

歸一化處理的表達式如式（2）所示：

其中，L表示目標所在區域坐標值；μ表示對比均值的方差；ξ表示對比均值的平均值[11-12]。

根據歸一化處理公式在雷達海上目標數據小波框架下分解出各子帶圖像，在圖像平面上存在著較大的低頻部分，需要確定雷達海上目標的灰度變化，降低背景圖像影響程度[13-14]。因此以圖像背景在水平與垂直方向的邊界作為對角線方向的局部區域，通過小波變換原理完成頻譜選擇以及方向性的多尺度分析。取其水平和垂直方向的細節信息進行目標識別，控制對大部分背景雜波的空間的影響。

2 雷達海上目標特征融合

2.1 目標檢測一體化分析

為進一步提高海上雷達目標探測的精度，減少虛警概率，并強化算法的泛化功能，通過特征融合對海上雷達目標檢測一體化進行分析。特征融合過程如圖2 所示。

圖2 特征融合過程

根據圖2 可知，在特征融合過程中需要對雜波進行抑制，增強的歸一化傳輸和注意力殘差網絡模型都是雜波抑制的核心。增強后的信息可對通道的高度數據以及橫向數據進行歸一化處理，處理過程如式（3）所示：

其中，H表示歸一化傳輸系數。

該文采用了注意力殘差網絡，由于其可通過學習完成殘差連接，構成殘差函數。因此建立恒等映射來提高殘差網絡對于海上雷達目標特征的提取速度[15]，其原理如式（4）所示：

其中，Fn表示輸入模塊的基本特征；Fo表示處理后輸出的新特征；F1表示處理前特征。在提高提取速度后，建設雜波控制與目標探測的一體化應用平臺，設計基于YOLO3 的殘差函數，建立目標檢測架構，實現歸一化處理。

2.2 基于特征選擇的目標檢測

海上雷達目標是一個灰度均值很大，但灰度改變較劇烈的小區域。基于區域特征的檢測結果規則如式（5）所示：

其中，P表示基于區域特征的區域坐標。根據式（5）獲得目標在各子帶圖像上的對比平均差和對比方差特征后，可以通過檢測結果規則融合特征信息。消除存在較大灰度均值且與灰度分布相對平衡的較亮背景區，以及非均勻分布的噪聲區域對子帶置信圖的影響。

為了簡化檢測過程的分析與操作，設置單獨節點數據處理平臺，連接不同處理平臺之間的數據信息，進一步強化數據間的共享功能，修改內部共享內存地址，將共享平臺歸類至統一的內存層次結構系統中，添加標準單節處理器裝置至雷達芯片中。由于系統鏈路內部的長度過大，在進行功能設計的同時需結合高密度計算技術調整節點耗能，設置功能調整公式如式（6）所示：

其中，Tbit為調整參數；Ts為密度匹配參數；Tpai為鏈路長度數據。根據特征系統圖像對應任務節點處理順序，應用高密度計算平臺設置相關參數定義[16]，建立架構映射，推斷此時的能耗數據，設置能耗表達公式為：

其中，TZOC為能耗參數；F為特征參數；fm,n為架構數據；D為節點參數；tmn為處理器數據。根據獲取的能耗數據實現雷達檢測的低功耗處理功能設計。

3 實驗研究

為了驗證該文提出的基于多尺度特征融合的雷達海上目標檢測方法的實際應用效果，進行對比實驗。實驗環境的工作電壓為220 V，工作電流為150 A。為確保實驗效果，選用傳統的無源多基雷達海面運動目標檢測與定位方法和基于激光三維成像雷達距離像的目標檢測方法進行實驗對比。實驗過程如圖3 所示。

圖3 實驗檢測過程

同時驗證三種檢測方法的召回率和檢測精度，計算公式如下：

其中，WR表示雷達檢測的召回率；TP 表示在檢測過程中，雷達海上目標實際為正，檢測結果為正；FN 表示實際結果為負，檢測結果為負。

雷達檢測精度公式為：

其中，FP 表示實際結果為負，檢測結果為負。檢測召回率實驗結果如圖4 所示。

圖4 檢測召回率實驗結果

根據圖4 可知，隨著召回時間的增加，召回率也在不斷增加。但是傳統方法的召回率極低，在召回時間為300 s 時，三種檢測方法都達到最高值。無源多基雷達海面運動目標檢測與定位方法的召回率最高值仍然低于20%，大部分數據樣本無法被召回。基于激光三維成像雷達距離像的目標檢測方法低于30%，召回性能較差。而該文提出的基于多尺度特征融合的雷達海上目標檢測方法在召回時間為200 s 時，召回精度已經達到90%，且始終穩定在90%以上。由此可見，該文提出的檢測方法召回能力極強。

在確定召回率后，比較三種檢測方法的檢測精度，得到的實驗結果如圖5 所示。

圖5 檢測結果圖

根據上述檢測結果可知，該文提出的檢測方法能夠檢測到95%以上的目標值，具有很強的目標檢測能力。而傳統的檢測方法僅能確定局部區域目標，檢測范圍較小，檢測能力較弱。根據目標檢測結果確定檢測精度，如圖6 所示。

圖6 檢測精度實驗結果

根據圖6 可知，在前50 s，三種檢測方法的檢測時間快速提高，當到達最高值后，三種檢測方法以平穩的狀態升高。該文提出的檢測方法檢測精度最高，檢測精度基本穩定在95%以上，基于激光三維成像雷達距離像的檢測精度最高可以達到90%，但是檢測時間相對較長。無源多基雷達海面運動目標檢測與定位方法檢測能力最差，最高僅能達到70%。綜上所述，該文所采用的海上雷達目標檢測方法在精確度方面遠遠高于傳統方法，檢測能力強、檢測效果好，更適合應用于海上雷達工作。

4 結束語

為了提升海上運輸的安全性，該文提出了基于多尺度特征融合海上雷達目標檢測方法。首先通過海上雷達進行目標數據提取，并通過歸一化處理完成目標特征提取。進而分體目標檢測一體化，將目標特征融合，完成對海上雷達目標的檢測。經實驗表明，該文提出的海上雷達檢測方法具有準確、高效、穩定的優點，適用于實際使用。但該文的檢測方法在成本控制方面仍有不足，后續將圍繞這方面進行研究。