基于深度卷积神经网络的慢动目标检测*

2022-02-28黄凤青符杰林王俊义

传感器与微系统 2022年2期

扶明, 郑霖, 杨超, 黄凤青, 符杰林, 王俊义

(桂林电子科技大学广西无线宽带通信与信号处理重点实验室，广西桂林 541004)

0 引言

强杂波环境下慢速运动目标的有效检测一直是雷达检测领域的困难之一。实际情况下,目标检测常常受到强杂波干扰,且慢动目标的多普勒频移较低,往往会与低频杂波的多普勒产生交叠,影响到目标多普勒信息的提取[1]。传统的目标检测方法如运动目标显示(moving target indication,MTI),及基于子空间的方法[2,3]被广泛应用于雷达系统。但MTI方法检测常处在零多普勒频率附近的慢动目标时,对其多普勒成分衰减过大[4],导致检测性能下降。而基于子空间的方法常常面临构建子空间时如何选取杂波基的问题[5,6],且实际情况中特征空间会出现相互交叠[7],使得最终的目标检测性能并不理想。

近年来,随着深度学习的迅猛发展,其在雷达信号处理领域也被广泛应用。文献[8]提出了一种深度卷积神经网络(deep convolutional neural network,DCNN)方法以实现无监督的判别性特征学习,然后结合支持向量机实现了合成孔径雷达(synthetic aperture radar,SAR)图像的分类。文献[9]中将连续帧的距离—多普勒(range-Doppler,R-D)谱送入一个三维的DCNN,借鉴人脸识别中的三元组损失函数来学习网络模型,最后实现手势动作的分类。现有多数利用神经网络的方法是对雷达成像如SAR像、R-D谱等进行目标检测的分类与识别[8～11],而对于本文场景来说,需要从杂波和噪声干扰严重的复杂背景中检测出目标,并进一步获取目标的运动信息。

本文考虑到传统目标检测方法的局限性,基于深度学习理论,设计了一种DCNN的目标检测方法。通过DCNN直接对回波信号R-D谱进行处理,主要利用DCNN中多个卷积层提取回波信号中杂波的特征,在网络中引入批量标准化层以加速网络训练的收敛速度,并嵌入一个子网络以自动学习卷积层输出的各特征通道的重要程度并对其重新标定。然后DCNN依据残差学习的策略获取残差谱,并与回波信号R-D谱相减实现背景杂波的对消,进而有效的检测运动目标。实验证明了该方法的有效性。

1 慢动目标检测与信号模型

1.1 雷达回波信号模型

本文中主要利用一个单基地脉冲多普勒雷达系统,设其发射信号为

s(t,h)=uh(t)exp(j2πfct),

t∈[-Tc/2+hTr,Tc/2+hTr]

(1)

式中uh(t)为第h个发射脉冲的复包络,fc为载波频率。Tr为脉冲重复周期,Tc为Chirp信号扫频时长。则雷达回波信号模型为

x(t,h)=αuh(t-τ(t))exp(j2πfc(t-τ(t)))+

c(t)+n(t)

(2)

式中α为回波信号的衰减系数,τ(t)为目标回波相对于发射信号的延时,c(t)为杂波,n(t)为高斯白噪声。将回波信号x(t)重排成快慢时间维回波矩阵,对快时间维脉冲压缩,慢时间维进行傅里叶变换,可以得到回波信号的R-D谱,依据对R-D谱中的目标进行检测,从中可以提取到目标的距离信息和径向速度信息。

式(2)的回波模型可以简化为

X=S+V

(3)

式中X为回波信号,S为目标信号,V为杂波与噪声的集合。本文基于残差学习的思想[12],构建一个DCNN,期望学习到一个残差映射R(·),使得R(X)=V,因此,构建的DCNN输入为代表的回波信号R-D谱,期望输出为代表为V的残差谱,最后通过S=X-R(X)的方式进行背景杂波的对消,从而抑制杂波,并获得对运动目标回波的估计。

1.2 用于目标检测的DCNN模型结构

本文构建的DCNN为一个全卷积的神经网络模型,如图1所示,主要由7个虚线框内的模块构成,模块内构建为一个残差块结构,即添加了一条直接连接的映射支路,其中卷积层(convolution layer,Conv layer)的卷积核大小都设置为3×3,卷积核滑动步长设置为1,卷积核个数为64,激活函数采用修正线性单元(rectified linear unit,ReLU)函数。

图1 用于目标检测DCNN模型

另外,在每个模块中还嵌入了一个子网络[13],如图1中所示。其子网络由一个池化层(pooling layer),两个卷积层构成,其中卷积层卷积核设置为“1×1”。池化层采用全局平均池化,即将所有特征通道的二维特征图池化为一个实数,以获取特征图的全局感受野。接着,第一层卷积层将特征通道压缩到输入的1/4,然后,经过第二层卷积层后再恢复原来的特征通道数,以具备更好的非线性,并期望对特征通道间的相关性建模。最后通过Sigmoid函数输出一个0～1之间数值权重,并将其与原卷积层的输出逐个通道加权相乘,以对通道维度上的原始特征进行重标定。此子网络主要思想是从卷积层的特征通道之间相关性出发,通过训练学习以自动获取各特征通道的重要程度,并依此增加有用特征的权重,减轻无用特征的权重,以提升整个网络的性能。

残差学习最开始被用来解决深层网络中性能退化问题,主要通过在残差网络的各堆积层中添加一个恒等映射(identity mapping),将原本需要学习的H(x)转化为F(x)+x,进而使网络的非线性结构层学习残差F(x)=H(x)-x,即从输入到输出的一个残差映射(residual mapping),如图2。

图2 残差学习单元

利用这种残差学习单元结构,有利于网络的训练与优化,并且可以很容易地扩展出一个深度网络。因此,本文利用这种思想,通过DCNN直接拟合一个残差映射,即从回波信号R-D谱到残差谱的一个映射。此外,深度网络训练时模型参数的不断改变,会造成内部协变量偏移现象[14],导致网络训练速度慢且效率低下。因此，在图1模型中间部分的卷积层后都接了一个批标准化层(batch normalization layer,BN layer),以增加每个中间层输出概率分布的稳定性,加速网络的收敛。

2 实验与结果分析

本文设置系统仿真参数为：载波频率为2.4 GHz,信号带宽为60 MHz,Chirp时长为1.12 μs,脉冲重复周期为2 ms,脉冲积累数目为200,IQ采样频率为60 MHz,信杂噪比为-24 dB。回波模型产生的非平稳回波由目标回波、瑞利杂波以及高斯白噪声组成,具体如式(2)。产生雷达回波数据后,经变换生成回波信号的R-D谱与相应的残差R-D谱作为样本数据。在回波中预先设置慢速目标,并从速度取值范围为-3.4～3.5 m/s内、距离取值范围为20～50 m内随机选取目标的速度值与距离值,其中运动目标速度的正负值表示运动的方向。实验在MATLAB R2016b平台上进行仿真分析,产生回波样本数据共100 000个,并根据1.2节所述参数采用TensorFlow框架,搭建出如图1所示的神经网络结构,随后将样本数据送入网络训练学习。

为检验本文算法有效性,设了相应的对比实验,采用同样的雷达系统参数生成雷达回波,在其中注入一个距离为40 m,步行速度为2 m/s的运动目标,并进行处理以对比本文算法与传统目标检测方法。另外与基于深度学习的方法进行对比时,主要考虑：未添加如图1模块中子网络的CNN模型,将其命名CNN—1；以及基于直接学习一个从X到S的映射(如式(3))的传统CNN模型,将其命名为CNN—2。其中,三种网络模型中除了上述说明的不同,基本的网络超参数,例如卷积核尺寸、滑动步长,网络层数等均为相同的设置。对比如图3所示。

图3 各目标检测算法与本文DCNN方法性能比较

图3(a)为未经过杂波抑制处理的距离—速度图,可以看出,由于杂波的扩展使得慢动目标在多普勒谱上被杂波所淹盖,严重影响到了对目标的检测。而在图3(b)与(c)中的MTI方法与子空间方法中,虽然抑制掉了部分杂波,但并不能很好地检测出目标。这是因为MTI滤波器对处于零多普勒频率附近慢动目标的能量衰减过大,而基于子空间的方法一般采用最大的一个或几个特征值对应的特征向量来构建杂波子空间,这样会使得杂波成分出现较大残余,因此两者检测性能均不理想。

图3(d)～(f)为基于神经网络的处理结果,可以看出图3(d)中虽然能去除大部分杂波与噪声,但仍然有较多残余影响检测结果。图3(e)中采用CNN直接学习一个从X到S的映射,虽然也检测出来目标,但检测结果呈现为一个大光斑,无法清晰辨别以确定运动目标的距离与速度。在图3(f)中为本文基于DCNN模型的处理结果,其依据残差学习的策略得到残差谱,并背景对消以有效检测目标,并在网络中嵌入能重标定特征通道的子网络以提升整个网络模型的性能,可以看出,虽然有少量杂波以及噪声的残留,但可以较清晰地检测出运动目标在图上的位置。

模拟多目标检测场景时,雷达回波中预先设置两个运动目标,其中令目标1的距离为40 m,步行速度为2 m/s,目标2的距离为30 m,步行速度为-1 m/s。本文DCNN模型检测结果以及对比如图4,可以看出,本文方法在多目标检测场景中相对于传统方法也有较好的检测效果。

图4 多目标检测场景中各目标检测算法与本文DCNN方法性能比较

为了定量地给出相应检测方法处理后的改善情况,本文计算了在信噪比为0 dB,信杂比为-24 dB的条件下,不同检测方法的R-D谱改善因子IF[15],计算公式如式(4)

IF=10lg(TCR1/TCR0)

(4)

式中TCR0与TCR1分别为未处理R-D谱与处理之后的R-D谱的目标杂波比(target-to-clutter ratio),计算式如式(5)

(5)

式中PT与PC分别为目标区域与杂波区域,NT与NC分别为目标区域和杂波区域的元素个数,I(x,y)为相应(x,y)处的元素幅值。

表1为各检测方法处理后的改善因子对比。

表1 本文方法及传统检测方法处理后的改善因子对比 dB

从表1可以看出,在单目标检测时本文方法的改善因子能达到6.64 dB,相比于MTI方法、子空间方法,以及基于CNN—1方法改善能力较好。在检测多目标时,本文方法对目标1的改善因子为5.02 dB,目标2的改善因子为4.52 dB,也较优于传统方法。其中基于CNN—2的方法改善因子相比于其他方法都较高,这是因为其除目标区域外杂波与噪声滤除比较干净,但其对于R-D谱上被检测目标的精细度较差,这对检测结果产生了很大影响。另外值得一提的是,因目标2的运动速度相对更慢,导致在MTI检测时目标2的能量衰减过大,造成了改善因子为负的情况。