基于SSD的低空監(jiān)視雷達(dá)目標(biāo)檢測(cè)

易重輝，張建偉，錢 江

(1. 四川大學(xué) 視覺合成圖形圖像技術(shù)國防重點(diǎn)學(xué)科實(shí)驗(yàn)室，成都 610065；2. 電子科技大學(xué) 長(zhǎng)三角研究院(湖州)，浙江 湖州 313001)

近年來，我國各個(gè)城市規(guī)模不斷擴(kuò)大，民用的小型飛行器日益增多，使得國內(nèi)航空流量不斷增加.這類飛行器機(jī)載設(shè)備差，不能及時(shí)、準(zhǔn)確地通報(bào)本機(jī)位置，導(dǎo)致二次雷達(dá)較難探測(cè)到此類飛行器；其體積小、速度慢、飛行高度低等特征也使得一次雷達(dá)對(duì)此類飛行器的檢測(cè)識(shí)別變得非常困難.這給現(xiàn)有的空管工作施加了較大壓力，因此解決民用小型飛行器的檢測(cè)問題具有重要的研究意義和實(shí)用價(jià)值.

目前，國內(nèi)外研究人員在雷達(dá)目標(biāo)檢測(cè)方面做了許多工作.恒虛警率(CFAR)檢測(cè)是傳統(tǒng)的雷達(dá)目標(biāo)檢測(cè)方法，具有檢測(cè)時(shí)間長(zhǎng)和只能檢測(cè)點(diǎn)目標(biāo)的缺點(diǎn).為改善雷達(dá)目標(biāo)檢測(cè)效果，大致發(fā)展出了2 個(gè)改進(jìn)方向，即基于傳統(tǒng)信號(hào)處理的方法和基于特征的模式分類方法.對(duì)于前者，多屬于僅針對(duì)CFAR 的改進(jìn).如基于主成分分析(PCA)的矩陣CFAR 檢測(cè)[1]和基于積分圖像的快速CFAR 算法[2]，顯著提升了檢測(cè)速度.文獻(xiàn)[3]提出的多尺度自適應(yīng)選取區(qū)域CFAR 算法，提供了定位不同目標(biāo)的新思路.基于CFAR 的改進(jìn)算法只利用了檢測(cè)區(qū)域的信號(hào)幅度差異，未對(duì)目標(biāo)進(jìn)行特征建模，因此容易漏檢[4].

對(duì)于基于特征的模式分類方法，則將問題轉(zhuǎn)化成模式識(shí)別問題.文獻(xiàn)[5]用神經(jīng)網(wǎng)絡(luò)的方法選擇使用CFAR 檢測(cè)器的種類；文獻(xiàn)[6]用卷積神經(jīng)網(wǎng)絡(luò)替代分?jǐn)?shù)階傅里葉變換；文獻(xiàn)[7]用改進(jìn)的支持向量機(jī)識(shí)別雷達(dá)目標(biāo)與遮擋物.上述方法所考慮的神經(jīng)網(wǎng)絡(luò)屬于淺層網(wǎng)絡(luò)，提取特征不夠深刻.文獻(xiàn)[8]利用多種卷積神經(jīng)網(wǎng)絡(luò)對(duì)MTD 圖像進(jìn)行學(xué)習(xí)訓(xùn)練，驗(yàn)證了MTD 圖像結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法在雷達(dá)目標(biāo)檢測(cè)中的可行性，在檢測(cè)精度和速度方面有較大的提升，但其列舉的網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，特征提取程度有限，對(duì)小目標(biāo)的檢測(cè)能力不足.SSD 是針對(duì)視頻目標(biāo)的檢測(cè)算法，其檢測(cè)速度和綜合精度領(lǐng)先于其他視頻目標(biāo)的檢測(cè)算法[9].相比其他用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行雷達(dá)目標(biāo)檢測(cè)的方法，SSD 擁有更深的網(wǎng)絡(luò)結(jié)構(gòu)，提升了小目標(biāo)的檢測(cè)能力，加快了檢測(cè)速度，可以直接確定目標(biāo)的位置.

基于此，本文提出了基于SSD 的低空監(jiān)視雷達(dá)目標(biāo)檢測(cè)算法.相對(duì)視頻目標(biāo)，雷達(dá)目標(biāo)在輸入圖像上的分辨率更低.根據(jù)低空監(jiān)視雷達(dá)的實(shí)測(cè)數(shù)據(jù)，雷達(dá)目標(biāo)只有8～16 個(gè)像素尺度，因此需要對(duì)數(shù)據(jù)集作許多改進(jìn)以適應(yīng)小目標(biāo)：為便于卷積神經(jīng)網(wǎng)絡(luò)處理，增加MTD 圖像在速度方向的像素尺度，并進(jìn)行圖像切片；為更加符合實(shí)際運(yùn)行情況，模擬數(shù)據(jù)的參數(shù)均與真實(shí)雷達(dá)參數(shù)相同；為了更好地對(duì)比模型優(yōu)劣，生成了不同信噪比(signal to noise ratio, SNR)的雷達(dá)回波信號(hào).

1 SSD 低空監(jiān)視雷達(dá)目標(biāo)檢測(cè)

基于SSD 的低空監(jiān)視雷達(dá)目標(biāo)檢測(cè)方法的流程如圖1 所示.

圖1 SSD 低空監(jiān)視雷達(dá)目標(biāo)檢測(cè)流程

由圖1 可知，首先，系統(tǒng)進(jìn)行信號(hào)預(yù)處理；其次，生成MTD 切片圖像數(shù)據(jù)集，改進(jìn)SSD 模型的各項(xiàng)參數(shù)和訓(xùn)練數(shù)據(jù)集；最后，進(jìn)行模型測(cè)試和評(píng)估，并對(duì)比不同模型在不同環(huán)境下的檢測(cè)效果.信號(hào)預(yù)處理部分，主要分為匹配濾波、動(dòng)目標(biāo)顯示和動(dòng)目標(biāo)檢測(cè)，生成MTD 圖像；構(gòu)建數(shù)據(jù)集部分，主要分為圖像像素拓展和切片；測(cè)試評(píng)估部分主要對(duì)比測(cè)試SSD 與CFAR 2 種方法的系統(tǒng)性能.模型評(píng)估主要依賴P-R(precision-recall)曲線、平均精度均值(mean average precision, mAP,即各類別AP 的平均值)和平均檢測(cè)時(shí)間3 個(gè)性能指標(biāo).因CFAR 沒有分類功能，為便于對(duì)比，實(shí)驗(yàn)生成的回波信號(hào)中只包含一種目標(biāo)，所以文中mAP 是僅有一個(gè)類別的平均精度均值.

1.1 信號(hào)預(yù)處理

按照傳統(tǒng)的雷達(dá)目標(biāo)檢測(cè)流程進(jìn)行信號(hào)預(yù)處理，生成的MTD 圖像能夠反映雷達(dá)目標(biāo)的形態(tài)學(xué)特征，因此可用于卷積神經(jīng)網(wǎng)絡(luò)特征提取.圖2 顯示了具有4 個(gè)目標(biāo)的回波信號(hào)在預(yù)處理階段提取其運(yùn)動(dòng)特征的過程.

圖2 信號(hào)預(yù)處理效果

匹配濾波也稱脈沖壓縮，匹配濾波器利用信號(hào)發(fā)射源的信號(hào)參數(shù)，設(shè)計(jì)LFM(linear frequency modulation)信號(hào)，將LFM 信號(hào)與回波信號(hào)進(jìn)行濾波，顯著提升了回波信號(hào)的信噪比.圖2(a)～(b)展示了模擬雷達(dá)回波信號(hào)經(jīng)過匹配濾波器前、后的結(jié)果，顯然，通過匹配濾波，目標(biāo)在距離維度上更加清晰.

利用目標(biāo)回波脈沖間相位的起伏可以區(qū)分動(dòng)目標(biāo)和固定目標(biāo)，本研究采用時(shí)域差分實(shí)現(xiàn)動(dòng)目標(biāo)顯示.如圖2(c)所示，位于距離為1 km 和21 km 的靜止目標(biāo)被對(duì)消.通過動(dòng)目標(biāo)顯示與動(dòng)目標(biāo)檢測(cè)，可以有效地消除靜止目標(biāo)并對(duì)運(yùn)動(dòng)目標(biāo)測(cè)速測(cè)距.圖2(d)為動(dòng)目標(biāo)檢測(cè)結(jié)果，其中縱軸表示速度大小.由圖2(d)可知，MTD 圖像反映了雷達(dá)目標(biāo)的距離和速度特征，也反映了雷達(dá)目標(biāo)的部分形態(tài)學(xué)特征，因此，能夠通過設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取.

1.2 構(gòu)建數(shù)據(jù)集

數(shù)據(jù)集的構(gòu)建主要考慮回波參數(shù)設(shè)計(jì)、圖像矩陣和矩陣切片.為了使模型能更貼近實(shí)際運(yùn)用的場(chǎng)景，模擬回波數(shù)據(jù)的雷達(dá)參數(shù)和目標(biāo)參數(shù)均與實(shí)際雷達(dá)保持一致，這樣計(jì)算得到的模擬回波會(huì)更加符合低、小、慢的目標(biāo)特征，由此訓(xùn)練得到的模型也更具實(shí)用性.在傳統(tǒng)的圖像目標(biāo)檢測(cè)中，圖片的格式往往是.jpg 或者.png 這類壓縮格式，其數(shù)值范圍只有0～255，但MTD 圖像是實(shí)數(shù)矩陣，若直接轉(zhuǎn)換成圖像，將會(huì)損失大量目標(biāo)信息.卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算過程并未將數(shù)值范圍嚴(yán)格限制在0～255，因此，為盡可能保留MTD 圖像的信息，可將卷積神經(jīng)網(wǎng)絡(luò)的輸入圖像設(shè)為歸一化后的MTD 圖像.

在實(shí)際數(shù)據(jù)中，MTD 圖像的分辨率一般為10×2 830，而常用深度學(xué)習(xí)模型的輸入圖像分辨率為300～1 000 像素，兩者尺度相差較大.因此，先將MTD 圖像縱向尺寸進(jìn)行延展、橫向尺寸進(jìn)行分片，即分辨率為10×2 830 的圖像先縱向擴(kuò)展為64×2 830，再切割成若干個(gè)64×64 尺寸的方形圖像，切片原理如圖3 所示.

圖3 MTD 圖像切片原理

從圖3 可知，每獲取到1 個(gè)正樣本，隨后會(huì)獲取1 份負(fù)樣本，以保證數(shù)據(jù)集的平衡性.圖3中的三維坐標(biāo)圖則顯示了正負(fù)樣本在一定噪聲下的幅值差異.

1.3 SSD 模型設(shè)計(jì)

SSD 基于前饋卷積網(wǎng)絡(luò)，該網(wǎng)絡(luò)會(huì)生成固定大小的邊界框集合，并對(duì)這些框中存在的對(duì)象類實(shí)例進(jìn)行評(píng)分，再執(zhí)行非極大值抑制以生成最終檢測(cè)結(jié)果.其主要特點(diǎn)有：用于檢測(cè)的多尺度特征圖、用于檢測(cè)的卷積檢測(cè)器和默認(rèn)先驗(yàn)框.

為了更好地檢測(cè)不同尺度的目標(biāo)，設(shè)計(jì)了多尺度特征圖用于檢測(cè).卷積神經(jīng)網(wǎng)絡(luò)的特征圖尺寸逐漸減小，生成了不同大小的特征圖；不同尺度的特征圖都參與檢測(cè)，可使IoU(重疊度)達(dá)到最大，有利于識(shí)別小目標(biāo).使用更簡(jiǎn)單的卷積直接計(jì)算得分，可以更快地得到檢測(cè)值.在特征圖中使用多個(gè)不同尺寸的先驗(yàn)框，可以有效地得到最適合目標(biāo)形狀的先驗(yàn)框.SSD 模型的網(wǎng)絡(luò)結(jié)構(gòu)如圖4 所示.

圖4 SSD 網(wǎng)絡(luò)結(jié)構(gòu)

由圖4 可知，SSD 是在VGG16 的基礎(chǔ)上添加更多層來獲取更精細(xì)的特征.輸入圖像尺寸為300×300，使用VGG16 進(jìn)行部分特征提取后，將VGG 的全鏈接層轉(zhuǎn)換為Conv6 和Conv7；再利用Conv8～Conv10 進(jìn)一步細(xì)化特征圖尺寸；最后利用Conv11 輸出分?jǐn)?shù).除此之外，為了得到更精確的先驗(yàn)圖位置和尺寸，SSD 還將VGG16 之后的卷積層都輸出并參與分類計(jì)算.

SSD 損失函數(shù)的設(shè)計(jì)分為3 個(gè)部分：前景分類誤差、背景分類誤差和位置回歸誤差.在誤差計(jì)算時(shí)，將IoU＞0.5 的先驗(yàn)框用在前景分類誤差計(jì)算；將IoU＜0.5 的先驗(yàn)框用在背景分類誤差計(jì)算；將前景分類誤差、背景分類誤差和位置回歸誤差進(jìn)行加權(quán)求和得到最終誤差.

2 實(shí)驗(yàn)結(jié)果分析

本研究所用的硬件實(shí)驗(yàn)平臺(tái)主要包括Core i7-7700(CPU)，NVIDA GTX 1080ti(GPU)和16G RAM；軟件平臺(tái)包括Matlab(用于回波信號(hào)處理和數(shù)據(jù)集構(gòu)建)和MMDetection(用于搭建目標(biāo)檢測(cè)的深度學(xué)習(xí)環(huán)境).為直觀顯示2 個(gè)模型的檢測(cè)效果，隨機(jī)選取8 組CFAR 與SSD 的檢測(cè)結(jié)果圖進(jìn)行對(duì)比，如圖5 所示.

圖5 CFAR 與SSD 目標(biāo)檢測(cè)效果對(duì)比

在圖5 中，每組圖像中的左圖為CFAR 檢測(cè)結(jié)果，右圖為SSD 檢測(cè)結(jié)果；左側(cè)為64×64 分辨率的切片MTD 圖像，右側(cè)為32×32 分辨率的切片MTD 圖像；每組圖像的檢測(cè)率閾值設(shè)為0.5，回波SNR 為-10 dB.

為準(zhǔn)確、定量評(píng)估模型的檢測(cè)效果，設(shè)置了P-R 曲線、平均檢測(cè)時(shí)間(ms)和mAP 3 個(gè)基礎(chǔ)評(píng)估指標(biāo).其中，P-R 曲線的橫軸recall 是查全率；縱軸precision 是查準(zhǔn)率.通過調(diào)整檢測(cè)率閾值，獲得模型在某個(gè)檢測(cè)率下的查全率和查準(zhǔn)率，當(dāng)檢測(cè)率閾值越高，查準(zhǔn)率越高，查全率越低；反之，當(dāng)檢測(cè)率閾值越低，查準(zhǔn)率越低，查全率越高.可見，查全率和查準(zhǔn)率是一對(duì)相互制約的參數(shù).P-R 曲線越接近坐標(biāo)軸的右上角代表這個(gè)模型的檢測(cè)效果越好.平均檢測(cè)均值mAP 為P-R曲線的面積積分，可定量評(píng)估模型檢測(cè)效果.平均檢測(cè)時(shí)間為模型檢測(cè)1 張MTD 圖片所花的時(shí)間，單位為ms.2 種模型的平均檢測(cè)時(shí)間和平均檢測(cè)率的對(duì)比結(jié)果如表1 所示.

表1 2 種模型檢測(cè)時(shí)間和檢測(cè)率對(duì)比

CFAR 和SSD 檢測(cè)模型的性能測(cè)試結(jié)果分別如圖6(a)～圖6(d)所示.其中，圖6(a)為2 種模型在5 dB 信噪比下的P-R 曲線對(duì)比；圖6(b)為2 種模型mAP 在不同SNR 下的變化曲線.由圖6(b)中的數(shù)據(jù)，可以算得CFAR 和SSD 的綜合平均檢測(cè)均值分別為0.521 和0.653.為了更全面地評(píng)估CFAR 和SSD 模型的實(shí)際使用效果，研究了不同程度噪聲對(duì)2 種檢測(cè)模型的干擾，實(shí)驗(yàn)?zāi)M出-15，-10，-5，1，5 和10 dB 6 個(gè)等級(jí)的SNR，對(duì)模型進(jìn)行評(píng)估測(cè)試.圖6(c)和圖6(d)分別為不同SNR 對(duì)CFAR 和SSD 模型測(cè)試效果的影響.

由圖5、圖6 及表1 可得出如下結(jié)論：

1)與CFAR 相比，SSD 能更準(zhǔn)確地提取小目標(biāo)和低分辨率的目標(biāo)特征.CFAR 需預(yù)先設(shè)置一種飛行器的固定尺寸，而SSD 能夠通過設(shè)定更多先驗(yàn)框并不斷逼近標(biāo)簽尺寸，更全面地提取MTD圖像中目標(biāo)的形態(tài)特征，區(qū)分噪聲背景.如圖5所示，在高分辨率圖像中兩者差異較小，但在較低分辨率的圖像中，CFAR 有明顯漏檢.

2)與CFAR 相比，SSD 能檢測(cè)到弱信號(hào)的目標(biāo).CFAR 設(shè)置了固定檢測(cè)框和檢測(cè)閾值，這使得CFAR 提取的特征信息不夠豐富，當(dāng)目標(biāo)信號(hào)較弱時(shí)，CFAR 無法檢測(cè)到.如圖6(c)和圖6(d)所示，SSD 具有約達(dá)90%的查全率，而CFAR 最多只能達(dá)到70%，雖然此時(shí)CFAR 的查準(zhǔn)率并不低，但還是說明CFAR 漏檢了大量弱信號(hào)目標(biāo).

3)相對(duì)于CFAR 模型，SSD 模型的平均檢測(cè)均值更高、速度更快.CFAR 和SSD 檢測(cè)算法雖均使用Python 進(jìn)行計(jì)算，但SSD 可以使用GPU加速，提高效率.如表1 所示，SSD 的檢測(cè)率比CFAR 高了18.75%，速度約是CFAR 的13.2 倍.

4)與SSD 相比，CFAR 對(duì)噪聲更敏感.如圖6(b)所示，隨著信噪比的提升，CFAR 和SSD 的檢測(cè)率不斷提高；當(dāng)信噪比高于5 dB 后，SSD 的檢測(cè)率變化并不明顯，CFAR 卻有一定程度下降，這說明微小的噪聲變化對(duì)CFAR 的影響更大.

圖6 CFAR 和SSD 檢測(cè)模型的性能測(cè)試結(jié)果

3 結(jié)語

將視頻目標(biāo)檢測(cè)方法引入雷達(dá)目標(biāo)檢測(cè)，并針對(duì)低空雷達(dá)檢測(cè)目標(biāo)的特殊性，通過修正圖像尺寸來改進(jìn)MTD 圖像，利用低空監(jiān)視雷達(dá)的信號(hào)參數(shù)生成對(duì)應(yīng)的模擬數(shù)據(jù)集，對(duì)其進(jìn)行測(cè)試和訓(xùn)練以符合真實(shí)應(yīng)用場(chǎng)景.研究結(jié)果表明，所提方法在檢測(cè)準(zhǔn)確度和速度上均領(lǐng)先于CFAR.但該方法局限性在于輸入圖像后，模型會(huì)將圖像尺寸拉伸至300×300，從而增加了計(jì)算量，且拉伸算法可能對(duì)目標(biāo)特征有一定的干擾.