深度學(xué)習(xí)是近年來人工智能領(lǐng)域最為熱門和前沿的技術(shù)之一，在計算機(jī)視覺、自然語言處理、語音識別等方面取得的效果顯著，展現(xiàn)出強(qiáng)大的預(yù)測、分類以及聚類能力。本期文章我們將簡要探討AI技術(shù)在雷達(dá)目標(biāo)檢測方向的研究和應(yīng)用。

1 傳統(tǒng)檢測方法存在的問題

傳統(tǒng)的雷達(dá)目標(biāo)檢測方法，主要圍繞雷達(dá)回波信號的統(tǒng)計特性進(jìn)行建模，進(jìn)而在噪聲和雜波的背景下對目標(biāo)存在與否進(jìn)行判決，常用的典型算法如似然比檢測（LRT）、檢測前跟蹤（TBD）以及恒虛警（CFAR）等。

但實際工程化應(yīng)用中我們發(fā)現(xiàn)，雷達(dá)回波信號的統(tǒng)計特性復(fù)雜多變，建模匹配難度高，并且檢測模型和算法參數(shù)對雷達(dá)型號、特性及周圍環(huán)境有很強(qiáng)的依賴性，在不同的探測環(huán)境下系統(tǒng)參數(shù)難以量化，目標(biāo)檢測的效果常常不盡人意。

2 深度學(xué)習(xí)技術(shù)應(yīng)用的可行性分析

基于圖像的目標(biāo)檢測（Object Detection）是計算機(jī)視覺領(lǐng)域的重要研究方向。近些年，隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，目標(biāo)檢測算法也從基于手工特征的傳統(tǒng)算法轉(zhuǎn)向了基于深度卷積神經(jīng)網(wǎng)絡(luò)的檢測技術(shù)，并具有更好的準(zhǔn)確性和魯棒性。如RCNN、Fast R-CNN、Faster R-CNN和YOLO等典型深度學(xué)習(xí)目標(biāo)檢測模型，已經(jīng)在民用及軍事領(lǐng)域取得了出色的應(yīng)用效果。

在雷達(dá)目標(biāo)檢測方向，雖然雷達(dá)圖像相比光學(xué)圖像信息量較少，在成像機(jī)理、目標(biāo)特性、分辨率等方面也存在差異，但隨著現(xiàn)代雷達(dá)技術(shù)的發(fā)展，空間分辨率、多普勒分辨率等技術(shù)指標(biāo)的逐步提升，回波圖像的質(zhì)量和信息量顯著提高，基于深度學(xué)習(xí)的雷達(dá)目標(biāo)檢測在理論上分析是可行的，該技術(shù)的研究和應(yīng)用是解決傳統(tǒng)算法瓶頸的新思路、新方法。

3 算法概要原理 ? ?

基于深度學(xué)習(xí)的目標(biāo)檢測算法原理框圖如圖1所示。

圖1 深度學(xué)習(xí)雷達(dá)目標(biāo)檢測算法原理框圖 流程上主要包括數(shù)據(jù)特征預(yù)處理、特征提取、分類器和檢測判決四個部分。其中數(shù)據(jù)特征預(yù)處理負(fù)責(zé)將逐幀的回波B顯圖像轉(zhuǎn)換到特征空間，即通過特定的統(tǒng)計方法將圖像信息轉(zhuǎn)化成算法要求的量化數(shù)據(jù)。隨后通過深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，這個階段我們所知的干擾、雜波、噪聲及目標(biāo)必然在某些特征上存在差異，進(jìn)而分類器可依據(jù)提取的特征構(gòu)建分類模型實現(xiàn)對目標(biāo)、干擾以及雜波的區(qū)分。最后檢測判決模塊依據(jù)分類結(jié)果，對疑似目標(biāo)進(jìn)行判決輸出，形成點跡。

目前，在典型的目標(biāo)檢測算法中，大致可分為“兩階段檢測”以及“單階段檢測”兩種檢測方法。

3.1 兩階段檢測算法

兩階段檢測算法，先通過選擇性搜索方法確定候選區(qū)域，再使用深度學(xué)習(xí)方法對該區(qū)域進(jìn)行特征提取和分類。該算法的代表的Faster R-CNN, 但其檢測速度一般情況下難以滿足實時性要求。Faster R-CNN結(jié)構(gòu)流程圖，如下圖2所示。 ? ?

圖2 Faster R-CNN結(jié)構(gòu)流程圖

Faster RCNN檢測部分主要可以分為四個模塊：

（1）conv layers。即特征提取網(wǎng)絡(luò)，用于提取特征。通過一組conv + relu + pooling層來提取圖像的feature maps，用于后續(xù)的RPN層和取proposal。 （2）RPN（Region Proposal Network）。即區(qū)域候選網(wǎng)絡(luò)，該網(wǎng)絡(luò)替代了之前RCNN版本的Selective Search，用于生成候選框。這里任務(wù)有兩部分，一個是分類：判斷所有預(yù)設(shè)anchor是屬于positive還是negative（即anchor內(nèi)是否有目標(biāo)，二分類）；還有一個bounding box regression：修正anchors得到較為準(zhǔn)確的proposals。因此，RPN網(wǎng)絡(luò)相當(dāng)于提前做了一部分檢測，即判斷是否有目標(biāo)。 （3）RoI Pooling。即興趣域池化，用于收集RPN生成的proposals（每個框的坐標(biāo)），并從（1）中的feature maps中進(jìn)行提取，生成proposals feature maps送入后續(xù)全連接層繼續(xù)做分類和回歸。 （4）Classification and Regression。利用proposals feature maps計算出具體類別，同時再做一次bounding box regression獲得檢測框最終的精確位置。

3.2 單階段檢測算法 ? ?

單階段檢測算法，采取端到端的檢測，只進(jìn)行一次前饋網(wǎng)絡(luò)計算，檢測速度得到了大幅提高。具有代表性的算法模型是，YOLO（You Only Look Once）。

以yolov5模型為例，其模型結(jié)構(gòu)如圖3所示，主要包括以下組成部分：

圖3 YOLOv5 的網(wǎng)絡(luò)結(jié)構(gòu)

（1）輸入端：YOLOv5的Head網(wǎng)絡(luò)由3個不同的輸出層組成，分別負(fù)責(zé)檢測大中小尺度的目標(biāo)。 （2）Backbone網(wǎng)絡(luò)：YOLOv5使用CSPDarknet53作為其主干網(wǎng)絡(luò)，其具有較強(qiáng)的特征提取能力和計算效率。

（3）Neck網(wǎng)絡(luò)：YOLOv5使用的是FPN網(wǎng)絡(luò)，可以融合來自不同特征圖層次的信息。

（4）輸出端：損失函數(shù)，YOLOv5使用的是Focal Loss損失函數(shù)，該函數(shù)可以緩解目標(biāo)檢測中類別不平衡的問題，提高模型的性能。非極大值抑制（NMS），YOLOv5在輸出結(jié)果后，會對重疊的目標(biāo)框進(jìn)行NMS處理，以得到最終的檢測結(jié)果。

總體來說，YOLOv5的模型結(jié)構(gòu)相對簡單，其中使用了多種技術(shù)和策略，如CSP結(jié)構(gòu)、FPN網(wǎng)絡(luò)、Mish激活函數(shù)和Focal Loss損失函數(shù)等，以提高模型的性能和魯棒性。

4 應(yīng)用示例 ? ?

這里，我們選用YOLOv5模型實測應(yīng)用，在100張訓(xùn)練樣本的基礎(chǔ)上，基于舟山試驗場實裝雷達(dá)環(huán)境部署測試，算法推理效果如圖4所示，目標(biāo)自動檢測跟蹤效果如圖5所示。

圖4 算法推理效果圖

圖5 目標(biāo)自動檢測跟蹤效果圖

5?總結(jié)

實際效果表明，基于AI的雷達(dá)目標(biāo)檢測技術(shù)合理可行，相比傳統(tǒng)方法可顯著提高雜波區(qū)目標(biāo)檢測概率、有效降低虛警率，提升系統(tǒng)整體目標(biāo)檢測精度，具備重要而又長遠(yuǎn)的研究意義。? ??

【參考文獻(xiàn)】

1.《深度學(xué)習(xí)在雷達(dá)目標(biāo)檢測中的應(yīng)用綜述》，施端陽 2.《雷達(dá)回波信號的深度學(xué)習(xí)目標(biāo)檢測識別方法研究》，宋海凌 3.《基于改進(jìn)型YOLOv3的SAR圖像艦船目標(biāo)檢測》，陳冬 4.《基于深度學(xué)習(xí)的雷達(dá)目標(biāo)檢測技術(shù)》，劉軍偉 5.《基于時頻圖深度學(xué)習(xí)的雷達(dá)動目標(biāo)檢測與分類》，牟效乾 6.《基于遷移學(xué)習(xí)的SAR圖像目標(biāo)檢測》，張椰 ? ? ?

審核編輯：黃飛

?