扶 明, 鄭 霖, 楊 超, 黃鳳青, 符杰林, 王俊義

(桂林電子科技大學(xué) 廣西無線寬帶通信與信號處理重點(diǎn)實(shí)驗(yàn)室，廣西 桂林 541004)

0 引 言

強(qiáng)雜波環(huán)境下慢速運(yùn)動(dòng)目標(biāo)的有效檢測一直是雷達(dá)檢測領(lǐng)域的困難之一。實(shí)際情況下,目標(biāo)檢測常常受到強(qiáng)雜波干擾,且慢動(dòng)目標(biāo)的多普勒頻移較低,往往會(huì)與低頻雜波的多普勒產(chǎn)生交疊,影響到目標(biāo)多普勒信息的提取[1]。傳統(tǒng)的目標(biāo)檢測方法如運(yùn)動(dòng)目標(biāo)顯示(moving target indication,MTI),及基于子空間的方法[2,3]被廣泛應(yīng)用于雷達(dá)系統(tǒng)。但MTI方法檢測常處在零多普勒頻率附近的慢動(dòng)目標(biāo)時(shí),對其多普勒成分衰減過大[4],導(dǎo)致檢測性能下降。而基于子空間的方法常常面臨構(gòu)建子空間時(shí)如何選取雜波基的問題[5,6],且實(shí)際情況中特征空間會(huì)出現(xiàn)相互交疊[7],使得最終的目標(biāo)檢測性能并不理想。

近年來,隨著深度學(xué)習(xí)的迅猛發(fā)展,其在雷達(dá)信號處理領(lǐng)域也被廣泛應(yīng)用。文獻(xiàn)[8]提出了一種深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional neural network,DCNN)方法以實(shí)現(xiàn)無監(jiān)督的判別性特征學(xué)習(xí),然后結(jié)合支持向量機(jī)實(shí)現(xiàn)了合成孔徑雷達(dá)(synthetic aperture radar,SAR)圖像的分類。文獻(xiàn)[9]中將連續(xù)幀的距離—多普勒(range-Doppler,R-D)譜送入一個(gè)三維的DCNN,借鑒人臉識別中的三元組損失函數(shù)來學(xué)習(xí)網(wǎng)絡(luò)模型,最后實(shí)現(xiàn)手勢動(dòng)作的分類。現(xiàn)有多數(shù)利用神經(jīng)網(wǎng)絡(luò)的方法是對雷達(dá)成像如SAR像、R-D譜等進(jìn)行目標(biāo)檢測的分類與識別[8～11],而對于本文場景來說,需要從雜波和噪聲干擾嚴(yán)重的復(fù)雜背景中檢測出目標(biāo),并進(jìn)一步獲取目標(biāo)的運(yùn)動(dòng)信息。

本文考慮到傳統(tǒng)目標(biāo)檢測方法的局限性,基于深度學(xué)習(xí)理論,設(shè)計(jì)了一種DCNN的目標(biāo)檢測方法。通過DCNN直接對回波信號R-D譜進(jìn)行處理,主要利用DCNN中多個(gè)卷積層提取回波信號中雜波的特征,在網(wǎng)絡(luò)中引入批量標(biāo)準(zhǔn)化層以加速網(wǎng)絡(luò)訓(xùn)練的收斂速度,并嵌入一個(gè)子網(wǎng)絡(luò)以自動(dòng)學(xué)習(xí)卷積層輸出的各特征通道的重要程度并對其重新標(biāo)定。然后DCNN依據(jù)殘差學(xué)習(xí)的策略獲取殘差譜,并與回波信號R-D譜相減實(shí)現(xiàn)背景雜波的對消,進(jìn)而有效的檢測運(yùn)動(dòng)目標(biāo)。實(shí)驗(yàn)證明了該方法的有效性。

1 慢動(dòng)目標(biāo)檢測與信號模型

1.1 雷達(dá)回波信號模型

本文中主要利用一個(gè)單基地脈沖多普勒雷達(dá)系統(tǒng),設(shè)其發(fā)射信號為

s(t,h)=uh(t)exp(j2πfct),

t∈[-Tc/2+hTr,Tc/2+hTr]

(1)

式中uh(t)為第h個(gè)發(fā)射脈沖的復(fù)包絡(luò),fc為載波頻率。Tr為脈沖重復(fù)周期,Tc為Chirp信號掃頻時(shí)長。則雷達(dá)回波信號模型為

x(t,h)=αuh(t-τ(t))exp(j2πfc(t-τ(t)))+

c(t)+n(t)

(2)

式中α為回波信號的衰減系數(shù),τ(t)為目標(biāo)回波相對于發(fā)射信號的延時(shí),c(t)為雜波,n(t)為高斯白噪聲。將回波信號x(t)重排成快慢時(shí)間維回波矩陣,對快時(shí)間維脈沖壓縮,慢時(shí)間維進(jìn)行傅里葉變換,可以得到回波信號的R-D譜,依據(jù)對R-D譜中的目標(biāo)進(jìn)行檢測,從中可以提取到目標(biāo)的距離信息和徑向速度信息。

式(2)的回波模型可以簡化為

X=S+V

(3)

式中X為回波信號,S為目標(biāo)信號,V為雜波與噪聲的集合。本文基于殘差學(xué)習(xí)的思想[12],構(gòu)建一個(gè)DCNN,期望學(xué)習(xí)到一個(gè)殘差映射R(·),使得R(X)=V,因此,構(gòu)建的DCNN輸入為代表的回波信號R-D譜,期望輸出為代表為V的殘差譜,最后通過S=X-R(X)的方式進(jìn)行背景雜波的對消,從而抑制雜波,并獲得對運(yùn)動(dòng)目標(biāo)回波的估計(jì)。

1.2 用于目標(biāo)檢測的DCNN模型結(jié)構(gòu)

本文構(gòu)建的DCNN為一個(gè)全卷積的神經(jīng)網(wǎng)絡(luò)模型,如圖1所示,主要由7個(gè)虛線框內(nèi)的模塊構(gòu)成,模塊內(nèi)構(gòu)建為一個(gè)殘差塊結(jié)構(gòu),即添加了一條直接連接的映射支路,其中卷積層(convolution layer,Conv layer)的卷積核大小都設(shè)置為3×3,卷積核滑動(dòng)步長設(shè)置為1,卷積核個(gè)數(shù)為64,激活函數(shù)采用修正線性單元(rectified linear unit,ReLU)函數(shù)。

圖1 用于目標(biāo)檢測DCNN模型

另外,在每個(gè)模塊中還嵌入了一個(gè)子網(wǎng)絡(luò)[13],如圖1中所示。其子網(wǎng)絡(luò)由一個(gè)池化層(pooling layer),兩個(gè)卷積層構(gòu)成,其中卷積層卷積核設(shè)置為“1×1”。池化層采用全局平均池化,即將所有特征通道的二維特征圖池化為一個(gè)實(shí)數(shù),以獲取特征圖的全局感受野。接著,第一層卷積層將特征通道壓縮到輸入的1/4,然后,經(jīng)過第二層卷積層后再恢復(fù)原來的特征通道數(shù),以具備更好的非線性,并期望對特征通道間的相關(guān)性建模。最后通過Sigmoid函數(shù)輸出一個(gè)0～1之間數(shù)值權(quán)重,并將其與原卷積層的輸出逐個(gè)通道加權(quán)相乘,以對通道維度上的原始特征進(jìn)行重標(biāo)定。此子網(wǎng)絡(luò)主要思想是從卷積層的特征通道之間相關(guān)性出發(fā),通過訓(xùn)練學(xué)習(xí)以自動(dòng)獲取各特征通道的重要程度,并依此增加有用特征的權(quán)重,減輕無用特征的權(quán)重,以提升整個(gè)網(wǎng)絡(luò)的性能。

殘差學(xué)習(xí)最開始被用來解決深層網(wǎng)絡(luò)中性能退化問題,主要通過在殘差網(wǎng)絡(luò)的各堆積層中添加一個(gè)恒等映射(identity mapping),將原本需要學(xué)習(xí)的H(x)轉(zhuǎn)化為F(x)+x,進(jìn)而使網(wǎng)絡(luò)的非線性結(jié)構(gòu)層學(xué)習(xí)殘差F(x)=H(x)-x,即從輸入到輸出的一個(gè)殘差映射(residual mapping),如圖2。

圖2 殘差學(xué)習(xí)單元

利用這種殘差學(xué)習(xí)單元結(jié)構(gòu),有利于網(wǎng)絡(luò)的訓(xùn)練與優(yōu)化,并且可以很容易地?cái)U(kuò)展出一個(gè)深度網(wǎng)絡(luò)。因此,本文利用這種思想,通過DCNN直接擬合一個(gè)殘差映射,即從回波信號R-D譜到殘差譜的一個(gè)映射。此外,深度網(wǎng)絡(luò)訓(xùn)練時(shí)模型參數(shù)的不斷改變,會(huì)造成內(nèi)部協(xié)變量偏移現(xiàn)象[14],導(dǎo)致網(wǎng)絡(luò)訓(xùn)練速度慢且效率低下。因此，在圖1模型中間部分的卷積層后都接了一個(gè)批標(biāo)準(zhǔn)化層(batch normalization layer,BN layer),以增加每個(gè)中間層輸出概率分布的穩(wěn)定性,加速網(wǎng)絡(luò)的收斂。

2 實(shí)驗(yàn)與結(jié)果分析

本文設(shè)置系統(tǒng)仿真參數(shù)為：載波頻率為2.4 GHz,信號帶寬為60 MHz,Chirp時(shí)長為1.12 μs,脈沖重復(fù)周期為2 ms,脈沖積累數(shù)目為200,IQ采樣頻率為60 MHz,信雜噪比為-24 dB?；夭Ｐ彤a(chǎn)生的非平穩(wěn)回波由目標(biāo)回波、瑞利雜波以及高斯白噪聲組成,具體如式(2)。產(chǎn)生雷達(dá)回波數(shù)據(jù)后,經(jīng)變換生成回波信號的R-D譜與相應(yīng)的殘差R-D譜作為樣本數(shù)據(jù)。在回波中預(yù)先設(shè)置慢速目標(biāo),并從速度取值范圍為-3.4～3.5 m/s內(nèi)、距離取值范圍為20～50 m內(nèi)隨機(jī)選取目標(biāo)的速度值與距離值,其中運(yùn)動(dòng)目標(biāo)速度的正負(fù)值表示運(yùn)動(dòng)的方向。實(shí)驗(yàn)在MATLAB R2016b平臺上進(jìn)行仿真分析,產(chǎn)生回波樣本數(shù)據(jù)共100 000個(gè),并根據(jù)1.2節(jié)所述參數(shù)采用TensorFlow框架,搭建出如圖1所示的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),隨后將樣本數(shù)據(jù)送入網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)。

為檢驗(yàn)本文算法有效性,設(shè)了相應(yīng)的對比實(shí)驗(yàn),采用同樣的雷達(dá)系統(tǒng)參數(shù)生成雷達(dá)回波,在其中注入一個(gè)距離為40 m,步行速度為2 m/s的運(yùn)動(dòng)目標(biāo),并進(jìn)行處理以對比本文算法與傳統(tǒng)目標(biāo)檢測方法。另外與基于深度學(xué)習(xí)的方法進(jìn)行對比時(shí),主要考慮：未添加如圖1模塊中子網(wǎng)絡(luò)的CNN模型,將其命名CNN—1；以及基于直接學(xué)習(xí)一個(gè)從X到S的映射(如式(3))的傳統(tǒng)CNN模型,將其命名為CNN—2。其中,三種網(wǎng)絡(luò)模型中除了上述說明的不同,基本的網(wǎng)絡(luò)超參數(shù),例如卷積核尺寸、滑動(dòng)步長,網(wǎng)絡(luò)層數(shù)等均為相同的設(shè)置。對比如圖3所示。

圖3 各目標(biāo)檢測算法與本文DCNN方法性能比較

圖3(a)為未經(jīng)過雜波抑制處理的距離—速度圖,可以看出,由于雜波的擴(kuò)展使得慢動(dòng)目標(biāo)在多普勒譜上被雜波所淹蓋,嚴(yán)重影響到了對目標(biāo)的檢測。而在圖3(b)與(c)中的MTI方法與子空間方法中,雖然抑制掉了部分雜波,但并不能很好地檢測出目標(biāo)。這是因?yàn)镸TI濾波器對處于零多普勒頻率附近慢動(dòng)目標(biāo)的能量衰減過大,而基于子空間的方法一般采用最大的一個(gè)或幾個(gè)特征值對應(yīng)的特征向量來構(gòu)建雜波子空間,這樣會(huì)使得雜波成分出現(xiàn)較大殘余,因此兩者檢測性能均不理想。

圖3(d)～(f)為基于神經(jīng)網(wǎng)絡(luò)的處理結(jié)果,可以看出圖3(d)中雖然能去除大部分雜波與噪聲,但仍然有較多殘余影響檢測結(jié)果。圖3(e)中采用CNN直接學(xué)習(xí)一個(gè)從X到S的映射,雖然也檢測出來目標(biāo),但檢測結(jié)果呈現(xiàn)為一個(gè)大光斑,無法清晰辨別以確定運(yùn)動(dòng)目標(biāo)的距離與速度。在圖3(f)中為本文基于DCNN模型的處理結(jié)果,其依據(jù)殘差學(xué)習(xí)的策略得到殘差譜,并背景對消以有效檢測目標(biāo),并在網(wǎng)絡(luò)中嵌入能重標(biāo)定特征通道的子網(wǎng)絡(luò)以提升整個(gè)網(wǎng)絡(luò)模型的性能,可以看出,雖然有少量雜波以及噪聲的殘留,但可以較清晰地檢測出運(yùn)動(dòng)目標(biāo)在圖上的位置。

模擬多目標(biāo)檢測場景時(shí),雷達(dá)回波中預(yù)先設(shè)置兩個(gè)運(yùn)動(dòng)目標(biāo),其中令目標(biāo)1的距離為40 m,步行速度為2 m/s,目標(biāo)2的距離為30 m,步行速度為-1 m/s。本文DCNN模型檢測結(jié)果以及對比如圖4,可以看出,本文方法在多目標(biāo)檢測場景中相對于傳統(tǒng)方法也有較好的檢測效果。

圖4 多目標(biāo)檢測場景中各目標(biāo)檢測算法與本文DCNN方法性能比較

為了定量地給出相應(yīng)檢測方法處理后的改善情況,本文計(jì)算了在信噪比為0 dB,信雜比為-24 dB的條件下,不同檢測方法的R-D譜改善因子IF[15],計(jì)算公式如式(4)

IF=10lg(TCR1/TCR0)

(4)

式中TCR0與TCR1分別為未處理R-D譜與處理之后的R-D譜的目標(biāo)雜波比(target-to-clutter ratio),計(jì)算式如式(5)

(5)

式中PT與PC分別為目標(biāo)區(qū)域與雜波區(qū)域,NT與NC分別為目標(biāo)區(qū)域和雜波區(qū)域的元素個(gè)數(shù),I(x,y)為相應(yīng)(x,y)處的元素幅值。

表1為各檢測方法處理后的改善因子對比。

表1 本文方法及傳統(tǒng)檢測方法處理后的改善因子對比 dB

從表1可以看出,在單目標(biāo)檢測時(shí)本文方法的改善因子能達(dá)到6.64 dB,相比于MTI方法、子空間方法,以及基于CNN—1方法改善能力較好。在檢測多目標(biāo)時(shí),本文方法對目標(biāo)1的改善因子為5.02 dB,目標(biāo)2的改善因子為4.52 dB,也較優(yōu)于傳統(tǒng)方法。其中基于CNN—2的方法改善因子相比于其他方法都較高,這是因?yàn)槠涑繕?biāo)區(qū)域外雜波與噪聲濾除比較干凈,但其對于R-D譜上被檢測目標(biāo)的精細(xì)度較差,這對檢測結(jié)果產(chǎn)生了很大影響。另外值得一提的是,因目標(biāo)2的運(yùn)動(dòng)速度相對更慢,導(dǎo)致在MTI檢測時(shí)目標(biāo)2的能量衰減過大,造成了改善因子為負(fù)的情況。

3 結(jié)束語

本文針對強(qiáng)雜波背景下慢速運(yùn)動(dòng)目標(biāo)檢測問題,設(shè)計(jì)了一個(gè)基于DCNN的目標(biāo)檢測方法。其依據(jù)殘差學(xué)習(xí)的思想,利用DCNN學(xué)習(xí)回波信號中的雜波特征,隱含的去除其運(yùn)動(dòng)目標(biāo)成分,最后輸出回波信號的殘差譜并進(jìn)行背景對消,進(jìn)而對目標(biāo)進(jìn)行有效的檢測。實(shí)驗(yàn)結(jié)果表明：該算法具有一定的有效性及好于傳統(tǒng)方法的性能表現(xiàn)。