基于Faster-RCNN的IR-UWB穿墙雷达邻近多目标检测算法

赵思肖，梁步阁，杨德贵，熊明耀

(中南大学 自动化学院，湖南 长沙 410083)

0 引言

超宽带(Ultra-wideband,UWB)穿墙雷达是一种先进的非接触式生命探测设备[1]，在灾后救援中有着广泛的应用[2]。传统的UWB穿墙雷达目标检测方法包括基于恒虚警率(Constant False-Alarm Rate,CFAR)的检测算法[3]和CLEAN算法[4]。CFAR检测算法在给定虚警率的情况下具有多目标检测能力。然而，在多个人体目标相邻较近时，会出现目标遮蔽效应[5]，降低目标检测概率，导致难以高效精确地检测到目标并实现分离。CLEAN算法通过在回波中多次抽取目标强散射点信号来避免目标遮蔽效应，实现邻近多目标检测，但是由于UWB雷达实测信号的振铃拖尾效应[6]，存在虚假邻近目标的问题，导致误检概率升高，邻近多目标检测与分离效果差。

UWB穿墙雷达邻近多目标精确检测问题需要根据人体呼吸和心跳产生的信号判断相邻目标数量并分离，对精度要求高。从UWB雷达回波信号模型来看，人体静目标回波具有距离稳定性和起伏周期性，在波形图中近似表现为慢时间维度上的多条正弦曲线。雷达图像域邻近多目标检测可看作复杂背景下的多曲线分离问题。因此，本文提出一种基于Faster-RCNN的IR-UWB穿墙雷达邻近多目标检测算法，有效解决了多个人体目标相邻较近时难以高效分离的问题。与传统方法不同，本文提出算法在自适应预处理算法对雷达回波处理后，使用Faster-RCNN[7]通过网络训练的方式实现目标的分类和位置回归，在优化检测速度的同时，具有很好的目标形状尺度变化适应性和高精度检测性能。

1 Faster-RCNN网络结构

Faster-RCNN是一种区域推荐[8]卷积神经网络，由卷积层[9]、区域候选网络(Region Proposal Network, RPN)[10]、ROI池化层[11]和分类回归层组成。其中，卷积层负责提取图片的特征，从输入的原始图片中提取feature map并送入RPN和ROI池化层。RPN通过网络训练的方式从feature map中获得一批大小不等的候选区域proposals并送入ROI池化层。ROI池化层根据输入的feature map和proposals计算出固定大小的proposals feature map送入后续网络。最后，分类回归层对proposals feature map进行目标分类和位置回归操作，得到候选区域目标种类和候选框精确位置。Faster-RCNN结构如图1所示。

图1 Faster-RCNN结构Fig.1 Structure of Faster-RCNN

RPN是Faster-RCNN的核心，其本质是一个轻量级的全卷积网络，通过扫描卷积层生成的feature map，画出一批大小不一的边界框，经过筛选、平移和缩放等操作，最后生成候选区域proposals。这种方式极大地提升了网络检测速度，实现了高精度检测性能[12]。

RPN结构如图2所示。使用3×3的滑动窗口遍历feature map上的每一个锚点[13]生成一个特征向量，并以锚点为中心画出3种大小(128，256，512)、3种长宽比(1∶1，1∶2，2∶1)的9个边界框。需要注意的是，虽然锚点位于feature map上，但是边界框是映射在原图上的，这样可以大幅提高训练速度和不同尺度目标检测准确率。之后将特征向量分别输入1×1的分类层和1×1的回归层进行卷积运算，分类层输出2×9个概率值，即该锚点对应的9个边界框，每个边界框的2个值表示包含目标的概率和不包含目标的概率；回归层输出4×9个值，每个边界框对应一个四维向量，分别表示对目标的宽高(w,h)和坐标(x,y)的预测。利用四维向量对预测包含目标的边界框进行平移和缩放，产生大量候选框，然后使用非极大抑制[14]筛选一些预测分较高的候选框，作为最终输出的proposals。

图2 RPN结构Fig.2 Structure of RPN

为了训练RPN，给每个边界框设置一个标签，定义边界框和目标标注框的交并比最大或超过0.7时为正样本，低于0.3时为负样本，非负非正样本对训练无意义。通过设置损失函数来控制RPN的训练，损失函数为：

(2)

(3)

(4)

2 检测算法

本文提出的基于Faster-RCNN的IR-UWB穿墙雷达邻近多目标检测算法包括构建IR-UWB穿墙雷达回波模型、构建雷达回波数据集、训练目标检测模型和目标信号检测4个部分的内容。算法结构如图3所示。

图3 算法结构Fig.3 Algorithm structure

2.1 IR-UWB穿墙雷达回波模型

IR-UWB穿墙雷达能发射电磁波，透过非金属墙体探测墙后人体目标，电磁波到达人体目标后，经过目标反射再次穿透墙体被雷达接收。雷达接收到的回波包括目标回波和背景杂波。IR-UWB穿墙雷达回波模型如图4所示。

图4 IR-UWB穿墙雷达回波模型Fig.4 Echo model of IR-UWB TWR

IR-UWB穿墙雷达回波函数表达式[15]如下所示：

E(t)=s(t)+r1(t)+r2(t)+r3(t)+r4(t)，

(5)

式中，E(t)表示雷达接收到的回波；s(t)表示目标反射回波；r1(t)表示天线产生的耦合直达波；r2(t)表示固定物体反射回波；r3(t)表示墙体反射波；r4(t)表示环境噪声。

2.2 雷达回波数据集构建

基于Faster-RCNN的邻近多目标检测算法本质上属于图像目标检测，考虑到雷达回波数据中存在的杂波干扰和信号衰减问题，有必要在数据集构建过程中对雷达原始回波数据进行适当的预处理。本文先将雷达回波原始数据在慢时间上截取500道生成距离-慢时间二维灰度图，然后进行杂波抑制和弱信号增强等预处理操作，构成样本库。最后使用LabelImg软件对样本库中的每个样本标注people标签，生成UWB穿墙雷达邻近多目标检测数据集。雷达回波数据集构建流程如图5所示。

图5 构建雷达回波数据集Fig.5 Construct radar echo dataset

2.2.1 杂波抑制算法

雷达原始回波数据中包含墙体反射波、天线产生的耦合直达波、固定物体反射回波和环境噪声等杂波干扰，目标信号的能量较低，无法直接检测。为凸显墙后人体目标的图像域特征，需要使用杂波抑制方法对穿墙雷达原始回波数据进行处理。

根据人体目标微动的特性，其雷达回波信号幅度会发生变化，在频域上表现为高频分量，运动幅度越大、高频分量越多；雷达杂波信号在频域上表现为低频分量，其幅值变化缓慢。在工程实践中常采用背景估计法对杂波信号进行抑制，背景估计法通过历史回波信号来估计当前时刻背景信号值，再从当前时刻原始信号中减去背景信号估计值，得到目标回波信号。在邻近多目标精确检测问题中，由于人体目标处于静止状态，呼吸信号能量较弱，易被误判为背景，故本文采用基于指数加权的背景相消法抑制杂波。基于指数加权的背景相消法通过加权因子优化背景估计值，对回波信号的波动具有很好的适应性，在起伏背景情况下可以准确地更新背景信息[16]。

yt+1=αyt+(1-α)rt+1=yt+(1-α)(rt+1-yt)=

(1-α)(rt+1+α(r1+…+α2r2)+αty1，

(6)

式中，α为加权系数，决定背景估计值的稳定性；yt+1表示t+1时刻背景；yt表示t时刻背景；rt+1表示t+1时刻的回波。t时刻的背景估计值可以由t时刻的回波和t-1时刻的背景均值得到。

2.2.2 弱信号增强算法

在介质环境中，电磁波能量随传播距离呈指数级衰减。对IR-UWB雷达回波进行杂波抑制后，还应采用弱信号增强算法来提高数据的信噪比，使目标信号的能量达到可检测水平。由于远场噪声信号距离较远，按距离衰减补偿会导致远场杂波过度增益。因此本文采用基于信号能量的自动增益算法。基于信号能量的自动增益控制是根据回波信号的幅值方差控制信号增益系数。设置时间范围t和最大增益gmax，并将回波信号z(τ)和最大增益比较。

(7)

式中，i∈[t0,tend]。在每道回波数据的时间范围t中求得增益系数g(i)，并根据该增益系数的最小值进行归一化处理得到gnorm(i)；对比gnorm(i)和最大增益gmax得到增益掩膜系数gmask(i)，利用该掩膜系数对原始回波信号进行增益补偿。

IR-UWB雷达回波数据预处理效果如图6所示，图中目标信号由方框标出。使用指数加权法对原始雷达回波进行杂波抑制，去除图6(a)中原始回波中的杂波，如图6(b)所示；使用基于信号能量的自动增益算法对其进行弱信号增强，提高数据的信噪比，使目标信号的能量达到可检测水平，如图6(c)所示。

图6 雷达回波数据预处理效果Fig.6 Effect of radar echo data preprocessing

2.3 网络训练

使用UWB穿墙雷达邻近多目标检测数据集中的训练集数据训练目标检测模型，训练过程可分为RPN训练和分类器网络训练2部分。整个训练流程如下所示：

第①步：训练RPN，使用预训练模型VGG-16[17]初始化RPN权重和共享卷积网络，将训练后的共享卷积网络命名为model1。端对端训练RPN网络，生成proposals。

第②步：训练分类器网络，使用相同的预训练模型VGG-16初始化一个新的共享卷积网络，将训练后的共享卷积网络命名为model2，需要注意的是，此处的共享卷积网络和第①步中的网络结构相同。然后结合第①步生成的proposals训练分类器网络。

第③步：微调RPN，保持model2在训练过程中不变，并使用model2训练RPN，实现RPN微调。

第④步：微调分类器网络，使用model2和RPN再次训练分类器网络，得到最终的目标检测网络。

2.4 检测原理

基于Faster-RCNN的IR-UWB穿墙雷达邻近多目标检测算法的检测原理如图7所示。首先，将输入的原始图像缩放成M×N大小的图片，并送入卷积层进行特征提取[18]生成feature map。本文所使用Faster-RCNN的卷积层由VGG-16模型构成，该模型中包含13个conv层、13个ReLU层和4个pooling层。之后，将feature map送入RPN，使用3×3的滑动窗口遍历feature map上的每一个锚点，生成一大批边界框。一方面使用Softmax[19]数筛选正标签边界框，另一方面使用bounding box regression方法微调正标签边界框的位置和大小并生成proposals。需要注意的是，proposals大小各不相同，无法直接被后续网络处理。所以feature map和proposals同时被送入ROI池化层，生成固定大小的proposals feature map。分类回归层通过全连接层和Softmax对proposals feature map的计算，确定每个proposals的目标种类；同时再次利用bounding box regression方法微调proposals的位置和大小，输出精确的目标检测框。

图7 Faster-RCNN目标检测网络检测原理Fig.7 Detection principle of Faster-RCNN target detection network

3 实验设计与结果分析

3.1 实验设计

UWB穿墙雷达邻近多目标检测数据集由冲激脉冲体制UWB穿墙雷达进行采集获得，UWB穿墙雷达参数如表1所示。

表1 雷达参数Tab.1 Radar parameters

将雷达和人体目标置于砖混结构的墙体两侧，墙体厚24 cm，雷达贴墙放置，雷达收发天线距离地面100 cm，人体目标沿雷达径向坐在固定位置，保持身体静止，正常呼吸，通过移动人体目标位置采集不同距离情况下的雷达回波数据。为体现算法的普适性，针对人体目标的性别和体型差异设置不同被测目标类型。采集场景及雷达回波数据如图8所示。

图8 采集场景及雷达回波数据Fig.8 Collect scene and radar echo data

UWB穿墙雷达邻近多目标检测数据集共包含1 500个人体目标回波样本，分为训练集和测试集，其中训练集中包含600个样本，测试集中包含900个样本，每个样本中包含不同数量、不同位置的人体目标回波。测试集分成6个小组进行统计，其中第1组为距离雷达不同长度的单人目标情况；第2组为距离雷达不同长度的2人目标相距0.5 m；第3组为距离雷达不同长度的2人目标相距1 m；第4组为距离雷达不同长度的3人目标相距1 m；第5组为距离雷达不同长度的3人目标分别相距1和1.5 m；第6组为距离雷达不同长度的3人目标相距1.5 m，分组情况如表2所示。实验过程中，测试集内所有样本随机混合，统一检测，分组统计。

表2 实验数据集Tab.2 Experimental dataset

3.2 检测结果分析与性能评估

本文使用召回率(Recall)和平均准确率(AP)作为评价指标对基于Faster-RCNN的IR-UWB穿墙雷达邻近多目标检测算法的检测性能进行评估，该算法在测试集上的检测结果如表3所示。其中Recall表示将正例数据预测为正的个数占所有正确预测的数据个数的比例；准确率(p)表示将正例数据预测为正的个数占所有被预测为正的数据个数的比例；AP为测试集中每个样本准确率的平均值。

表3 检测结果Tab.3 Test results 单位：%

(8)

式中，N表示样本总数，下标i表示参数对应第i个样本；TPi表示将正例数据预测为正的个数；FPi表示将负例数据预测为正的个数；FNi表示将负例数据预测为负的个数。

基于Faster-RCNN的IR-UWB穿墙雷达邻近多目标检测算法与传统基于CFAR检测方法进行对比，选用CA-CFAR检测器，根据静止人体目标雷达回波先验信息设定虚警概率为0.01，设置保护单元为30 pixel，检测单元为100 pixel，并使用M/N逻辑算法抑制孤立噪声点。

检测结果对比如表4所示，其中左侧为基于CFAR检测方法的检测结果，右侧为Faster-RCNN目标检测网络检测结果。从对比图中可以看出，2种方法都能实现人体目标检测的功能，但是对于邻近多目标精确检测问题，基于CFAR检测方法存在误检和漏检情况，原因在于检测单元内存在临近目标，噪声功率的估计值被抬高而导致“目标遮蔽”现象，这种现象在目标信噪比较低时也极为严重。

表4 检测结果对比Tab.4 Comparison of test results

4 结束语

针对IR-UWB穿墙雷达邻近多目标精确检测难点，提出了一种基于Faster-RCNN的IR-UWB穿墙雷达邻近多目标检测算法，在对雷达回波原始数据进行杂波抑制和弱信号增强处理的基础上，构建了UWB穿墙雷达邻近多目标检测数据集并应用于目标检测模型训练过程，有效提高了精度。实验表明，本文算法能准确检测人体目标并将邻近多目标精确分离。根据不同目标距离和目标数量的检测效果对比分析，相较于传统基于CFAR检测算法，本文算法具有更好的邻近多目标分离检测性能，在工程应用方面具有一定的实用价值。

未来将继续改进杂波抑制算法和弱信号增强算法，进一步提升凸显目标特征的能力；优化网络模型结构，提高检测精度，实现邻近多目标精确检测及分离。