深度學(xué)習(xí)在雷達(dá)目標(biāo)檢測(cè)中的應(yīng)用綜述

施端陽， 林 強(qiáng)， 胡 冰， 張馨予

(1. 空軍預(yù)警學(xué)院， 湖北武漢430019； 2. 中國人民解放軍95174部隊(duì)， 湖北武漢 430040； 3. 中國人民解放軍63650部隊(duì)， 新疆和碩 841700)

0 引 言

目標(biāo)檢測(cè)作為雷達(dá)的基本功能之一，是雷達(dá)目標(biāo)跟蹤和目標(biāo)識(shí)別的前提，其檢測(cè)性能的好壞決定了雷達(dá)探測(cè)能力的高低。雷達(dá)接收的回波中，既有目標(biāo)，也有雜波和噪聲等干擾信號(hào)。雷達(dá)目標(biāo)檢測(cè)技術(shù)的本質(zhì)是在噪聲和雜波條件下對(duì)目標(biāo)存在與否的判決問題和目標(biāo)的定位問題。目標(biāo)定位問題可以通過測(cè)量回波信號(hào)的延遲時(shí)間和雷達(dá)天線的方向性予以解決。判決問題是當(dāng)前雷達(dá)目標(biāo)檢測(cè)面臨的主要挑戰(zhàn)。

早期的雷達(dá)大多采用非相參體制，沒有專門的信號(hào)處理設(shè)備，目標(biāo)檢測(cè)功能是在雷達(dá)顯示器上，通過人工觀測(cè)回波幅度的高低來實(shí)現(xiàn)。雖然人工檢測(cè)方法在目前許多雷達(dá)中仍有使用，但人工觀測(cè)無法適應(yīng)長時(shí)間的工作和大批量目標(biāo)的處理。因此，需要雷達(dá)具備目標(biāo)自動(dòng)檢測(cè)功能。雷達(dá)目標(biāo)自動(dòng)檢測(cè)技術(shù)根據(jù)檢測(cè)門限和判決準(zhǔn)則判斷是否存在目標(biāo)。雷達(dá)目標(biāo)自動(dòng)檢測(cè)的理論基礎(chǔ)是統(tǒng)計(jì)檢測(cè)理論。實(shí)際上，雷達(dá)回波信號(hào)的統(tǒng)計(jì)特性無法預(yù)知，導(dǎo)致檢測(cè)門限難以確定。檢測(cè)門限過高會(huì)造成漏警，檢測(cè)門限過低會(huì)導(dǎo)致虛警。為了解決這個(gè)問題，恒虛警率(Constant False Alarm Rate，CFAR)檢測(cè)技術(shù)[1]應(yīng)運(yùn)而生。但傳統(tǒng)的CFAR檢測(cè)技術(shù)主要通過回波能量實(shí)現(xiàn)目標(biāo)檢測(cè)，由于可用于參考的單元環(huán)境有限，易受到資源的限制，對(duì)于微弱目標(biāo)易造成漏警[2]。

近年來，深度學(xué)習(xí)技術(shù)在光學(xué)圖像處理領(lǐng)域的應(yīng)用發(fā)展迅速，尤其在目標(biāo)檢測(cè)[3]、圖像分類[4]和圖像分割[5]等方面成果顯著。由于雷達(dá)技術(shù)的進(jìn)步，雷達(dá)分辨率逐漸提升，不同形式的雷達(dá)圖像數(shù)據(jù)的質(zhì)量越來越好。雖然雷達(dá)圖像信息量比光學(xué)圖像嚴(yán)重不足，在成像機(jī)理、目標(biāo)特性、分辨率等方面存在差異，但深度學(xué)習(xí)強(qiáng)大的圖像特征自動(dòng)提取能力，為雷達(dá)目標(biāo)檢測(cè)技術(shù)提供了一種新的思路。在圖像層面上，可將雷達(dá)目標(biāo)檢測(cè)視為一項(xiàng)計(jì)算機(jī)視覺任務(wù)，在圖像中將目標(biāo)與背景進(jìn)行區(qū)分，并對(duì)每個(gè)目標(biāo)進(jìn)行精準(zhǔn)定位和分類標(biāo)簽預(yù)測(cè)，從而實(shí)現(xiàn)雷達(dá)目標(biāo)檢測(cè)功能。

1 雷達(dá)目標(biāo)檢測(cè)研究現(xiàn)狀

雷達(dá)目標(biāo)檢測(cè)技術(shù)受裝備擔(dān)負(fù)的使命任務(wù)和作戰(zhàn)環(huán)境的影響[6]。目前的研究成果主要集中在利用天波超視距雷達(dá)和合成孔徑雷達(dá)檢測(cè)艦船目標(biāo)[7-8]、探地雷達(dá)檢測(cè)地下目標(biāo)[9]、機(jī)載雷達(dá)檢測(cè)高速運(yùn)動(dòng)目標(biāo)[10]、穿墻雷達(dá)檢測(cè)人體目標(biāo)[11]、多輸入多輸出(Multiple Input Multiple Output，MIMO)雷達(dá)檢測(cè)微弱目標(biāo)[12]和無源雷達(dá)檢測(cè)海面目標(biāo)[13]等方面。雖然目標(biāo)檢測(cè)技術(shù)運(yùn)用的雷達(dá)裝備不同，檢測(cè)對(duì)象各異，但其本質(zhì)內(nèi)容主要包括兩個(gè)方面：一是目標(biāo)信號(hào)是否存在的判決；二是檢測(cè)時(shí)虛警概率的控制。

目標(biāo)信號(hào)是否存在的判決問題可從多個(gè)角度來理解。在統(tǒng)計(jì)學(xué)上，可認(rèn)為是典型的統(tǒng)計(jì)判決問題；在模式分類上，可視為一個(gè)二分類問題。前者根據(jù)回波信號(hào)的先驗(yàn)統(tǒng)計(jì)知識(shí)判斷有無目標(biāo)存在，后者根據(jù)目標(biāo)和干擾在變換域上的特征差異對(duì)回波進(jìn)行分類，以區(qū)分目標(biāo)和干擾。因此，雷達(dá)目標(biāo)檢測(cè)方法可分為基于統(tǒng)計(jì)特性的方法和基于特征的方法，如圖1所示。

圖1 雷達(dá)目標(biāo)檢測(cè)方法

虛警概率控制主要通過CFAR檢測(cè)技術(shù)來實(shí)現(xiàn)。CFAR檢測(cè)的門限根據(jù)被檢測(cè)點(diǎn)的噪聲、雜波等干擾的大小動(dòng)態(tài)調(diào)整，在保持虛警概率不變的情況下使檢測(cè)概率達(dá)到最大。

1.1 傳統(tǒng)雷達(dá)目標(biāo)檢測(cè)方法

傳統(tǒng)雷達(dá)目標(biāo)檢測(cè)方法主要是基于統(tǒng)計(jì)特性的方法，可分為似然比檢測(cè)(Likelihood Ratio Test，LRT)技術(shù)、檢測(cè)前跟蹤(Track Before Detect，TBD)技術(shù)和恒虛警率檢測(cè)技術(shù)。

1.1.1 似然比檢測(cè)技術(shù)

似然比檢測(cè)是基于統(tǒng)計(jì)特性的檢測(cè)方法中最基礎(chǔ)的檢測(cè)理論，目前主要對(duì)其改進(jìn)技術(shù)進(jìn)行研究。針對(duì)目標(biāo)機(jī)動(dòng)過程中系統(tǒng)輸入值未知時(shí)，標(biāo)準(zhǔn)廣義似然比(Generalized Likelihood Ratio，GLR)檢測(cè)器虛警概率降低的問題，提出了魯棒性更強(qiáng)的自適應(yīng)H0-GLR檢測(cè)器。針對(duì)機(jī)載雷達(dá)在干擾環(huán)境下的多通道檢測(cè)問題，提出了一步和兩步GLR檢測(cè)器。隨后，頻域平均似然比檢測(cè)器和波束域變換廣義似然比檢測(cè)器相繼被提出，前者證實(shí)了頻率分集可以提高檢測(cè)能力，后者在強(qiáng)干擾條件下仍具有很好的檢測(cè)性能。為了減少對(duì)數(shù)據(jù)的依賴，催生了自適應(yīng)全對(duì)稱檢測(cè)器和降維GLR檢測(cè)器的發(fā)展。

此外，似然比檢測(cè)技術(shù)還廣泛應(yīng)用于無源雷達(dá)和MIMO雷達(dá)。利用數(shù)字視頻廣播和氣象監(jiān)視雷達(dá)作為輻射源的低復(fù)雜度GLR檢測(cè)器，在不降低多普勒分辨率的同時(shí)具有較好的檢測(cè)性能。基于粒子濾波的LRT方法和GLR檢測(cè)器，檢測(cè)性能均優(yōu)于傳統(tǒng)MIMO雷達(dá)目標(biāo)檢測(cè)方法。

1.1.2 檢測(cè)前跟蹤技術(shù)

檢測(cè)前跟蹤技術(shù)是將連續(xù)的多幀數(shù)據(jù)進(jìn)行能量積累后與門限進(jìn)行判決，實(shí)現(xiàn)目標(biāo)檢測(cè)，再通過航跡回溯，實(shí)現(xiàn)目標(biāo)跟蹤。TBD同時(shí)利用了單次掃描脈沖串積累和多次掃描間積累，對(duì)微弱目標(biāo)具有較好的檢測(cè)能力。典型的TBD原理框圖如圖2所示。信號(hào)處理進(jìn)行雜波抑制和脈沖串積累。預(yù)處理不是必需的步驟，因此用虛線表示，其作用是減少后續(xù)需要處理的數(shù)據(jù)量。跟蹤并積累實(shí)現(xiàn)在跟蹤的同時(shí)進(jìn)行掃描間積累，以獲得目標(biāo)假設(shè)航跡。當(dāng)通過跟蹤能夠得到合理的航跡，且目標(biāo)函數(shù)超過檢測(cè)門限時(shí)，檢測(cè)處理做出目標(biāo)存在的判決并輸出目標(biāo)航跡。TBD的核心是目標(biāo)航跡跟蹤，按照航跡跟蹤方法可分為批處理檢測(cè)跟蹤方法和遞歸檢測(cè)跟蹤方法兩類。前者以動(dòng)態(tài)規(guī)劃(Dynamic Programming，DP)算法和霍夫變換(Hough Transform，HT)算法為代表，后者以粒子濾波(Particle Filter，PF)算法[14-15]、三維匹配濾波(Three Dimensional Matched Filtering，3DMF)算法[16]和級(jí)假設(shè)檢驗(yàn)(Multilevel Hypothesis Testing，MHT)算法[17]為代表。

圖2 典型TBD原理框圖

在傳統(tǒng)TBD方法的改進(jìn)上，劉紅亮等[18]充分利用跟蹤信息設(shè)計(jì)了預(yù)測(cè)波門內(nèi)的多幀聯(lián)合檢測(cè)方法，提高了檢測(cè)性能和跟蹤維持性能。張奕群等[19]將噪聲引入直方圖概率多假設(shè)跟蹤算法中，對(duì)多目標(biāo)在低信噪比時(shí)具有更好的跟蹤檢測(cè)能力。

1.1.3 恒虛警率檢測(cè)技術(shù)

恒虛警率檢測(cè)技術(shù)按背景環(huán)境分為雜波中的CFAR檢測(cè)和噪聲中的CFAR檢測(cè)，分別對(duì)應(yīng)背景快起伏和慢起伏兩種狀態(tài)。雜波的統(tǒng)計(jì)特性比噪聲的更復(fù)雜。因此，目前的研究對(duì)象主要是雜波中的CFAR檢測(cè)。雜波中的CFAR檢測(cè)技術(shù)按數(shù)據(jù)幀數(shù)可分為基于單幀的參量型CFAR檢測(cè)、非參量型CFAR檢測(cè)和基于多幀的雜波圖檢測(cè)。

參量型CFAR檢測(cè)主要用于雜波分布模型已知的情形，具體可分為通用參量型CFAR和專用參量型CFAR。常規(guī)雷達(dá)分辨率較低，在CFAR檢測(cè)時(shí)假設(shè)背景雜波服從瑞利分布，一般采用通用參量CFAR。針對(duì)均勻雜波提出了單元平均恒虛警(Cell Averaging，CA-CFAR)檢測(cè)算法。針對(duì)非均勻雜波提出了選大恒虛警(Greatest of，GO-CFAR)和選小恒虛警(Smallest of，SO-CFAR)檢測(cè)算法。針對(duì)多目標(biāo)場景提出了有序統(tǒng)計(jì)恒虛警率(Ordered Statistics，OS-CFAR)檢測(cè)算法。文獻(xiàn)[20]對(duì)上述四種通用參量CFAR檢測(cè)算法的優(yōu)缺點(diǎn)進(jìn)行了對(duì)比分析，為實(shí)際應(yīng)用提供了指導(dǎo)。高分辨率雷達(dá)的雜波幅度概率分布更為復(fù)雜，常假設(shè)其服從Weibull分布、Log-Normal分布和K分布等非瑞利分布。文獻(xiàn)[21-23]針對(duì)通用參量CFAR檢測(cè)算法在非瑞利分布時(shí)虛警概率顯著增高的問題，先后提出了zlog(z)-CFAR、WL-CFAR(Weighted Likelihood-CFAR)和WHWH-CFAR(Weber Haykin Weber Haykin-CFAR)等專用參量CFAR檢測(cè)算法。然而當(dāng)雜波分布與假設(shè)的雜波模型不一致時(shí)，參量型CFAR檢測(cè)器的性能會(huì)降低，此時(shí)需要用到非參量型CFAR檢測(cè)技術(shù)。

非參量型CFAR檢測(cè)處理將雜波數(shù)據(jù)轉(zhuǎn)換為一個(gè)檢測(cè)統(tǒng)計(jì)量后，與門限進(jìn)行比較，判斷目標(biāo)是否存在。其檢測(cè)性能不受雜波分布模型的影響，適用于模型未知的情況。但由于未充分利用雜波信息，恒虛警損失較大，特別是在較小的脈沖積累數(shù)時(shí)尤為嚴(yán)重，其檢測(cè)性能通常低于參量型CFAR，一般應(yīng)慎用。

基于單幀的CFAR檢測(cè)算法對(duì)于空域上雜波強(qiáng)度變化劇烈，均勻性寬度較窄的地雜波，會(huì)隨著參考單元數(shù)量減少導(dǎo)致恒虛警損失急劇增大。雜波圖CFAR檢測(cè)技術(shù)在時(shí)間上對(duì)多幀回波數(shù)據(jù)進(jìn)行采樣，估算雜波背景強(qiáng)度，形成雜波圖，適用于地雜波中的恒虛警率檢測(cè)。

1.2 現(xiàn)代雷達(dá)目標(biāo)檢測(cè)方法

現(xiàn)代雷達(dá)的空間分辨率和多普勒分辨率顯著提升，回波信號(hào)更加復(fù)雜，承載的信息量更多?；夭ㄐ盘?hào)的復(fù)雜性導(dǎo)致對(duì)其統(tǒng)計(jì)建模的難度增加，傳統(tǒng)的基于統(tǒng)計(jì)特性的檢測(cè)方法應(yīng)用受限。但回波信號(hào)中包含的豐富信息為基于特征的檢測(cè)技術(shù)提供了有利條件。特征檢測(cè)方法從模式分類的角度出發(fā)，提取回波信息中有用的特征，利用目標(biāo)和干擾的特征差異性對(duì)兩者予以區(qū)分，實(shí)現(xiàn)目標(biāo)檢測(cè)功能。特征檢測(cè)技術(shù)的原理框圖如圖3所示，主要包括預(yù)處理、特征提取、分類器和檢測(cè)判決四個(gè)部分。

圖3 特征檢測(cè)原理框圖

預(yù)處理將回波信號(hào)由觀測(cè)空間轉(zhuǎn)換到特征空間，在特征空間中，目標(biāo)和干擾在某個(gè)或某些特征上具有差異性。特征提取用于壓縮預(yù)處理后的冗余信息，降低數(shù)據(jù)維度，并提取能夠區(qū)分目標(biāo)和干擾的特征。分類器根據(jù)提取的特征構(gòu)建分類模型實(shí)現(xiàn)對(duì)目標(biāo)和干擾的區(qū)分。檢測(cè)判決依據(jù)分類結(jié)果，進(jìn)行判決輸出。在雷達(dá)目標(biāo)檢測(cè)中，為了提高檢測(cè)性能，必須增加目標(biāo)和干擾的可分性，即選擇差異性較大的特征，構(gòu)建區(qū)分度較高的分類模型。

1.2.1 檢測(cè)特征的研究進(jìn)展

早期的特征檢測(cè)方法多采用單特征進(jìn)行檢測(cè)。但隨著特征數(shù)量增加，單特征檢測(cè)在性能上會(huì)有一定的損失，多特征聯(lián)合檢測(cè)是未來的研究方向。具有代表性的特征是分形特征、混沌特征、時(shí)頻域特征以及極化特征等，如表1所示。

表1 特征檢測(cè)方法的檢測(cè)特征

1) 分形特征

Lo等[24]提出了基于單一分形維數(shù)的目標(biāo)檢測(cè)方法，開啟了分形理論在雷達(dá)目標(biāo)檢測(cè)應(yīng)用的先河。2006年，Hu等[25]基于多重分形理論，通過計(jì)算Hurst指數(shù)，對(duì)海雜波具有較好的檢測(cè)效果。2009年，李寶等[26]發(fā)現(xiàn)海雜波在分?jǐn)?shù)階傅里葉變換域滿足分形特性，并通過分?jǐn)?shù)維差異最大值檢測(cè)目標(biāo)，在低信雜比下達(dá)到了較好的檢測(cè)性能。隨著分形理論的發(fā)展，頻域的分形特性和AR(Auto Regressive)譜的分形特性也被引入目標(biāo)檢測(cè)中，均取得了良好的檢測(cè)性能。

2) 混沌特征

1995年，Haykin教授首次提出了雷達(dá)海雜波具有混沌特性，并利用關(guān)聯(lián)維數(shù)、Kolmogorov熵和Lyapunov指數(shù)等特征構(gòu)建預(yù)測(cè)模型實(shí)現(xiàn)目標(biāo)檢測(cè)。何伍福等[27]利用IPIX雷達(dá)的實(shí)測(cè)數(shù)據(jù)，通過不同的預(yù)測(cè)模型，驗(yàn)證了基于混沌特征的目標(biāo)檢測(cè)算法的可行性。曾麗萍等[28]總結(jié)了近年來基于混沌預(yù)測(cè)的雷達(dá)目標(biāo)檢測(cè)方法的研究進(jìn)展。唐建軍等[29]近期的研究成果表明，在不破壞海雜波混沌特性的前提下，采用改進(jìn)的蝙蝠算法優(yōu)化混沌預(yù)測(cè)模型，可改善噪聲的影響，提高檢測(cè)效率。

3) 時(shí)域、頻域特征

在時(shí)域和頻域特征方面，戴舜等[30]在研究脈沖超寬帶生命信號(hào)模型的基礎(chǔ)上，以描述信號(hào)時(shí)間尺度的固有模態(tài)函數(shù)為特征，檢測(cè)生命信號(hào)是否存在。劉勁等分析海雜波多普勒譜特性后，提出基于多普勒波形熵特征的檢測(cè)算法。尹輝等[31]根據(jù)目標(biāo)形狀先驗(yàn)知識(shí)，提出以圓周剖面亮度曲線的中心頻率為特征的飛機(jī)目標(biāo)檢測(cè)方法。陳世超等[32]根據(jù)目標(biāo)和雜波多普勒譜的差異性，提出基于多普勒譜非廣延熵的小目標(biāo)檢測(cè)方法。姜?jiǎng)诺韧ㄟ^相對(duì)多普勒熵、相對(duì)多普勒偏移和相對(duì)多普勒峰高等特征，構(gòu)造了特征檢測(cè)器。

4) 極化特征

在極化特征方面，Migliaccio等[33]在SAR(Synthetic Aperture Radar)雷達(dá)圖像中提取極化熵、極化各向異性參數(shù)和平均散射角等三個(gè)特征，對(duì)海面溢油進(jìn)行檢測(cè)。Zhang等[34]對(duì)四極化SAR圖像的特征進(jìn)行分析后，提出基于一致性參數(shù)特征對(duì)墨西哥灣的浮油進(jìn)行檢測(cè)的方法。Shirvany[35]和Nunziata[36]先后利用SAR圖像中的極化度特征，對(duì)海面溢油進(jìn)行了檢測(cè)。

5) 多特征聯(lián)合檢測(cè)

在多特征聯(lián)合檢測(cè)的研究方面，Shui等[37]將時(shí)域的相對(duì)平均幅度特征和頻域的相對(duì)多普勒峰高和相對(duì)多普勒譜熵特征進(jìn)行聯(lián)合，開發(fā)出基于三特征融合的檢測(cè)算法。時(shí)艷玲等[38]提取回波的平均功率和多普勒譜熵兩個(gè)特征，提出基于非加性模型的特征聯(lián)合檢測(cè)方法。陳澤宗等[39]提取頻域峭度、多普勒峰值、熵值三維特征，提出特征聯(lián)合檢測(cè)小目標(biāo)算法。近兩年，多域融合的特征數(shù)量逐漸增多。韓萍等[40]提出了將環(huán)境特征與散射特性進(jìn)行融合的目標(biāo)檢測(cè)方法。夏鄂等[41]在時(shí)域和多普勒域提取基于全極化信息的六維特征，通過IPIX雷達(dá)數(shù)據(jù)集驗(yàn)證了六特征融合檢測(cè)算法的檢測(cè)效果。盧建等[42]從時(shí)域、頻域和極化域提取八維特征，采用主成分分析法進(jìn)行特征融合，提升了海面小目標(biāo)的檢測(cè)性能。羅彬珅等[43]基于時(shí)域、頻域、小波域和雙譜域提取47維特征，采用堆疊自編碼器實(shí)現(xiàn)特征融合，構(gòu)建了雷達(dá)新型干擾識(shí)別檢測(cè)模型。

1.2.2 分類算法的研究進(jìn)展

如圖3所示，特征提取后，需要構(gòu)建分類器對(duì)目標(biāo)和干擾進(jìn)行區(qū)分。分類算法主要有凸包學(xué)習(xí)、決策樹、支持向量機(jī)和淺層神經(jīng)網(wǎng)絡(luò)等。

文獻(xiàn)[38]提取兩維特征進(jìn)行零均值去相關(guān)處理生成歸一化向量，運(yùn)用凸包學(xué)習(xí)算法對(duì)漂浮小目標(biāo)進(jìn)行檢測(cè)，達(dá)到了較好的檢測(cè)效果。但凸包學(xué)習(xí)算法對(duì)于三維以上特征空間的計(jì)算復(fù)雜性增加，檢測(cè)難度大。針對(duì)凸包學(xué)習(xí)算法的維數(shù)限制，文獻(xiàn)[44-46]先后提出了基于決策樹、支持向量機(jī)和K近鄰的檢測(cè)算法。上述算法是有監(jiān)督的學(xué)習(xí)算法，過渡依賴于帶標(biāo)簽的回波數(shù)據(jù)進(jìn)行訓(xùn)練，靈活性較弱。文獻(xiàn)[47]提出了一種半監(jiān)督的基于標(biāo)簽傳播的檢測(cè)算法，只需要雜波數(shù)據(jù)集進(jìn)行訓(xùn)練，適用性更強(qiáng)。針對(duì)樣本規(guī)模不均衡等異常數(shù)據(jù)的情況，文獻(xiàn)[48-49]先后利用最小最大概率機(jī)和支撐向量域描述兩種單類分類器對(duì)機(jī)場跑道異物進(jìn)行分層檢測(cè)，獲得了較好的檢測(cè)性能。2020年，文獻(xiàn)[50]將K-means聚類和單類支持向量機(jī)結(jié)合，設(shè)計(jì)了一種新的LOCSVM(Localized One Class Support Vector Machine)單類分類器，提高了短時(shí)觀測(cè)下的檢測(cè)性能。在無監(jiān)督算法方面，文獻(xiàn)[42]提出了基于孤立森林的檢測(cè)算法，為海面小目標(biāo)的異常檢測(cè)提供了一種思路。

1943年，神經(jīng)元模型誕生。20世紀(jì)90年代，計(jì)算機(jī)技術(shù)的進(jìn)步促進(jìn)了神經(jīng)網(wǎng)絡(luò)的應(yīng)用。在模式分類領(lǐng)域，人工神經(jīng)網(wǎng)絡(luò)比其他人工智能技術(shù)具有更好的性能。文獻(xiàn)[51-56]分別提出了基于六種神經(jīng)網(wǎng)絡(luò)的雷達(dá)目標(biāo)檢測(cè)方法。由于網(wǎng)絡(luò)結(jié)構(gòu)的輸入層節(jié)點(diǎn)數(shù)沒有限制，所以神經(jīng)網(wǎng)絡(luò)分類器可容納的輸入特征維數(shù)更多，檢測(cè)結(jié)果更好。另外其檢測(cè)速度得到了大幅提升，更加適應(yīng)雷達(dá)目標(biāo)實(shí)時(shí)檢測(cè)的需求。

基于特征的目標(biāo)檢測(cè)技術(shù)，其分類結(jié)果的準(zhǔn)確性很大程度上取決于輸入特征的質(zhì)量和分類器的魯棒性。無論是凸包學(xué)習(xí)算法，還是決策樹、支持向量機(jī)和淺層神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)算法，都無法回避特征提取的問題。上述算法中，大多數(shù)的輸入特征都需要專家人工分析鑒別，從合適的特征域中選取差異性大的特征。隨著雷達(dá)回波數(shù)據(jù)量和特征融合維數(shù)的增加，人工特征提取需要消耗大量的精力，工作效率較低。

2 深度學(xué)習(xí)目標(biāo)檢測(cè)算法

深度學(xué)習(xí)是一種深層神經(jīng)網(wǎng)絡(luò)，其利用多個(gè)隱含層對(duì)輸入數(shù)據(jù)的特征進(jìn)行學(xué)習(xí)，通過對(duì)目標(biāo)和背景進(jìn)行分類，實(shí)現(xiàn)目標(biāo)檢測(cè)功能。從本質(zhì)上講，深度學(xué)習(xí)目標(biāo)檢測(cè)方法是一種特征檢測(cè)方法，也屬于現(xiàn)代雷達(dá)目標(biāo)檢測(cè)方法。與機(jī)器學(xué)習(xí)方法相比，深度學(xué)習(xí)方法具有特征自動(dòng)提取、分類準(zhǔn)確度高、魯棒性和泛化性強(qiáng)等優(yōu)勢(shì)。

2010年，斯坦福大學(xué)的李飛飛教授通過其團(tuán)隊(duì)制作的ImageNet圖像數(shù)據(jù)庫，開始主導(dǎo)ILSVRC競賽。該比賽前兩屆的圖像分類項(xiàng)目均采用了機(jī)器學(xué)習(xí)的方法。2012年，Hinton等構(gòu)建的AlexNet模型將分類的準(zhǔn)確率提高了9.4%，一舉獲得冠軍，首次展示了深度學(xué)習(xí)技術(shù)的巨大潛能。2014年，Girshick等率先將R-CNN(Regions with Convolutional Neural Networks Features)模型應(yīng)用到目標(biāo)檢測(cè)中，使深度學(xué)習(xí)目標(biāo)檢測(cè)算法得到了飛速發(fā)展。深度學(xué)習(xí)目標(biāo)檢測(cè)算法原理框圖如圖4所示，按檢測(cè)原理劃分成基于區(qū)域建議和基于回歸兩類。

圖4 深度學(xué)習(xí)目標(biāo)檢測(cè)原理框圖

2.1 基于區(qū)域建議的目標(biāo)檢測(cè)算法

基于區(qū)域建議的目標(biāo)檢測(cè)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(duì)該區(qū)域進(jìn)行特征提取和分類，檢測(cè)流程需要兩步，因此也稱為兩階段檢測(cè)算法。常見的算法有R-CNN、SPP-Net(Spatial Pyramid Pooling Network)[57]、Fast R-CNN[58]、Faster R-CNN[59]、R-FCN(Region-based Fully Convolutional Networks)[60]和FPN(Feature Pyramid Networks)[61]等。

R-CNN采用選擇性搜索(selective search)的建議框提取方法，在圖像中選取2 000個(gè)左右的建議框，將所有建議框調(diào)整為同一尺寸的圖像，再輸入到CNN模型中提取特征得到特征圖，然后對(duì)每個(gè)類別使用SVM分類器對(duì)所有特征向量進(jìn)行打分，得到所有建議框?qū)?yīng)于每個(gè)類別的得分。隨后，在每個(gè)類別上獨(dú)立地對(duì)建議框使用貪心的非極大值抑制方法進(jìn)行篩選，去掉IoU(Intersection over Union)大于特定閾值的分類打分較低的建議框，并采用邊界回歸方法對(duì)建議框的位置和大小進(jìn)行微調(diào)，提高定位的準(zhǔn)確性。R-CNN檢測(cè)流程如圖5所示。R-CNN雖然極大地提高了檢測(cè)性能，但是在進(jìn)行特征提取時(shí)，有2 000個(gè)左右的建議框需要進(jìn)行大量重復(fù)的卷積計(jì)算，導(dǎo)致檢測(cè)速度極慢。另外，CNN模型要求輸入圖像的尺寸固定，由于建議框的尺寸各異，在對(duì)其調(diào)整到固定尺寸時(shí)需要進(jìn)行縮放、拉伸和裁剪等操作，會(huì)導(dǎo)致原圖像出現(xiàn)不同程度的失真。

2014年，何凱明等提出了SPP-Net。該網(wǎng)絡(luò)在產(chǎn)生建議框后只對(duì)原圖進(jìn)行一次全圖特征提取，得到整幅圖像的特征圖，避免了卷積特征的重復(fù)計(jì)算，提高了算法的速度。SPP-Net引入了空間金字塔池化層，其將不同尺寸的輸入固定為同一個(gè)尺寸的輸出，解決了R-CNN需要調(diào)整建議框尺寸的問題，提升了網(wǎng)絡(luò)的檢測(cè)性能。SPP-Net檢測(cè)流程如圖6所示。SPP-Net雖然提高了檢測(cè)速度，但訓(xùn)練仍然是多階段的。SPP-Net僅微調(diào)了全連接層，未調(diào)整之前的所有層。微調(diào)不能在SPP層之前更新卷積層，影響了網(wǎng)絡(luò)精度。

2015年，Girshick在R-CNN的基礎(chǔ)上，設(shè)計(jì)了Fast R-CNN。后者開發(fā)了流線型的訓(xùn)練過程，能夠同時(shí)訓(xùn)練Softmax分類器和邊界框回歸器。同時(shí)，其吸收了SPP-Net的思想，采用與SPP層類似的ROI(Region of Interest)池化層，為每個(gè)建議框提取長度固定的特征向量。這些特征向量輸入到全連接層后，分為兩個(gè)輸出層，分別用于確定目標(biāo)類別預(yù)測(cè)的Softmax概率和區(qū)域細(xì)化的特定類邊界框回歸偏移量。Fast R-CNN檢測(cè)流程如圖7所示。雖然Fast R-CNN結(jié)合了R-CNN和SPP-Net的優(yōu)點(diǎn)，加快了檢測(cè)過程，但其仍受到提案檢測(cè)[62]的影響，檢測(cè)速度受限。

圖5 R-CNN檢測(cè)流程

圖6 SPP-Net檢測(cè)流程

圖7 Fast R-CNN檢測(cè)流程

2015年，Ren、He和Girshick等又提出了Faster R-CNN。由于CNN在卷積層中比在全連接層中有很好的目標(biāo)定位能力，因此可用CNN代替選擇性搜索。Faster R-CNN引入候選區(qū)域網(wǎng)絡(luò)(Region Proposal Network，RPN)，將提取目標(biāo)建議框的步驟融入到深度網(wǎng)絡(luò)中，直接產(chǎn)生候選區(qū)域，檢測(cè)速度大幅提高。Faster R-CNN檢測(cè)流程如圖8所示。雖然Faster R-CNN突破了Fast R-CNN的速度瓶頸，但檢測(cè)階段仍存在冗余計(jì)算，無法實(shí)時(shí)檢測(cè)目標(biāo)。

圖8 Faster R-CNN檢測(cè)流程

2016年，Dai等對(duì)Faster R-CNN進(jìn)行了改進(jìn)，提出了基于區(qū)域的全卷積網(wǎng)絡(luò)(R-FCN)。R-FCN針對(duì)Faster R-CNN對(duì)每個(gè)ROI進(jìn)行大量計(jì)算的問題，提出了位置敏感分?jǐn)?shù)圖，避免了圖像分類時(shí)平移不變性和目標(biāo)檢測(cè)時(shí)平移可變性的沖突，實(shí)現(xiàn)了所有的計(jì)算在整幅圖像上共享。

2017年，Lin等對(duì)Faster R-CNN進(jìn)行了改進(jìn)，構(gòu)建了FPN。FPN之前的大多數(shù)深度學(xué)習(xí)檢測(cè)算法對(duì)圖像底層的特征利用不充分。FPN具有橫向連接的自上而下的設(shè)計(jì)結(jié)構(gòu)。CNN通過它的正向傳播，形成特征金字塔。因此FPN的預(yù)測(cè)在各特征層單獨(dú)實(shí)施，吸收了各層不同尺度的特征，可以檢測(cè)各種尺寸的目標(biāo)。

2.2 基于回歸的目標(biāo)檢測(cè)算法

雖然基于區(qū)域建議的目標(biāo)檢測(cè)算法的檢測(cè)性能比較高，但其檢測(cè)速度無法滿足實(shí)時(shí)檢測(cè)的要求。針對(duì)此問題，研究人員提出了基于回歸的目標(biāo)檢測(cè)算法。基于回歸的目標(biāo)檢測(cè)算法將目標(biāo)檢測(cè)視為回歸問題，沒有單獨(dú)的建議框篩選階段，而是直接回歸目標(biāo)的分類概率和位置坐標(biāo)，檢測(cè)過程一步到位，也稱為單階段檢測(cè)算法。此類算法采取端到端的檢測(cè)，只進(jìn)行一次前饋網(wǎng)絡(luò)計(jì)算，檢測(cè)速度得到了大幅提高。具有代表性的算法是YOLO(You Only Look Once)[63]、SSD(Single Shot Detector)[64]、Retina-Net[65]、RFB-Net(Receptive Field Block Network)[66]、FCOS(Fully Convolutional One-Stage)[67]等。

2015年，Joseph等提出了首個(gè)單階段檢測(cè)算法YOLO。YOLO算法將原始圖像劃分成網(wǎng)格，每個(gè)單元格預(yù)測(cè)目標(biāo)的類別概率、邊界框的位置和置信度。由于沒有建議框生成步驟，YOLO更加輕量化，檢測(cè)速度更快。但同時(shí)也導(dǎo)致目標(biāo)位置精度降低，尤其是小目標(biāo)的檢測(cè)性能顯著下降。為了解決這個(gè)問題，Joseph等又陸續(xù)提出了YOLO v2、YOLO v3、YOLO v4和YOLO v5等版本。YOLO檢測(cè)流程如圖9所示。

2015年，Liu等在借鑒了YOLO快速檢測(cè)思想和RPN的優(yōu)點(diǎn)后，提出了SSD算法。SSD不再只使用頂層特征圖進(jìn)行檢測(cè)，而是引入了多尺度特征圖的檢測(cè)策略，綜合多個(gè)卷積層的檢測(cè)結(jié)果對(duì)不同尺寸目標(biāo)進(jìn)行檢測(cè)。SSD檢測(cè)流程如圖10所示。

圖9 YOLO檢測(cè)流程

圖10 SSD檢測(cè)流程

2017年，Lin等認(rèn)為單階段檢測(cè)算法精度低的原因在于檢測(cè)器訓(xùn)練時(shí)存在正負(fù)樣本不平衡的現(xiàn)象，提出了Retina-Net算法。Retina-Net算法引入了焦點(diǎn)損失函數(shù)，通過對(duì)交叉熵?fù)p失加上權(quán)重，使檢測(cè)器訓(xùn)練時(shí)更關(guān)注難分類的樣本。焦點(diǎn)損失的引入，使得單階段檢測(cè)算法既保持了速度優(yōu)勢(shì)又達(dá)到了兩階段檢測(cè)的精度。Retina-Net檢測(cè)流程如圖11所示。

2018年，Liu等在SSD模型的基礎(chǔ)上加入感受野模塊(receptive field block)提出了RFB-Net算法。該算法采用VGG16作為特征提取網(wǎng)絡(luò)，被提取的特征經(jīng)過RFB后產(chǎn)生不同尺度的特征圖，利用多尺度特征融合思想進(jìn)行分類回歸，檢測(cè)精度得到進(jìn)一步提高。

2019年，Tian等提出了全卷積單階段(fully convolutional one-stage)檢測(cè)算法。該算法采用逐像素點(diǎn)預(yù)測(cè)的思路，使用FPN多級(jí)預(yù)測(cè)和中心點(diǎn)預(yù)測(cè)策略增強(qiáng)目標(biāo)檢測(cè)效果。與基于區(qū)域建議的算法和其他基于回歸的算法相比，F(xiàn)COS算法無需預(yù)先設(shè)定錨框(anchor boxes)，而是由模型自己回歸出來。因此，F(xiàn)COS算法的設(shè)計(jì)參數(shù)和占用內(nèi)存大幅減少，檢測(cè)精度得到提高。

2.3 檢測(cè)算法特點(diǎn)比較

上述主要算法的特點(diǎn)如表2所示。通過分析兩類深度學(xué)習(xí)目標(biāo)檢測(cè)算法的特點(diǎn)可知，與單階段的基于回歸的目標(biāo)檢測(cè)算法相比，兩階段的基于區(qū)域建議的目標(biāo)檢測(cè)算法對(duì)輸入圖像的尺寸要求更低，但需要生成建議框，導(dǎo)致檢測(cè)速度更慢。

圖11 Retina-Net檢測(cè)流程

表2 目標(biāo)檢測(cè)算法特點(diǎn)

3 深度學(xué)習(xí)雷達(dá)目標(biāo)檢測(cè)應(yīng)用

隨著計(jì)算機(jī)硬件處理能力和雷達(dá)分辨率的提高，基于深度學(xué)習(xí)的雷達(dá)目標(biāo)檢測(cè)技術(shù)得到了廣泛應(yīng)用。在應(yīng)用對(duì)象上主要是高分辨雷達(dá)的一維序列數(shù)據(jù)和二維雷達(dá)圖像數(shù)據(jù)。在應(yīng)用場景上主要有復(fù)雜背景下的目標(biāo)檢測(cè)、弱小目標(biāo)檢測(cè)和小樣本檢測(cè)。

3.1 雷達(dá)回波數(shù)據(jù)上的檢測(cè)

由于不同雷達(dá)的信號(hào)處理方法和成像原理有差別，雷達(dá)接收回波信號(hào)后可獲取不同形式的雷達(dá)回波數(shù)據(jù)，如一維的高分辨距離像(High Range Resolution Profiles，HRRP)以及二維的距離多普勒(Range-Doppler，R-D)譜圖、微多普勒(Micro-Doppler，M-D)譜圖和SAR圖像等。

3.1.1 雷達(dá)一維序列信號(hào)檢測(cè)

2019年，Liu等[68]在構(gòu)建回波信號(hào)的時(shí)域回波幅度和頻域譜幅度數(shù)據(jù)集的基礎(chǔ)上，采用LeNet卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)分類模型，對(duì)噪聲和雜波進(jìn)行分類識(shí)別，為基于雷達(dá)一維序列信號(hào)在噪聲和雜波中的目標(biāo)檢測(cè)奠定了良好的基礎(chǔ)。蘇寧遠(yuǎn)等[69]通過建立海雜波和目標(biāo)的一維距離像數(shù)據(jù)集，從預(yù)測(cè)和分類兩種角度出發(fā)，分別采用長短時(shí)記憶網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)檢測(cè)模型。通過實(shí)測(cè)數(shù)據(jù)驗(yàn)證了兩種方法在雷達(dá)一維序列信號(hào)中檢測(cè)目標(biāo)的可行性，同時(shí)發(fā)現(xiàn)CNN分類方法檢測(cè)的實(shí)時(shí)性更好。

雷達(dá)回波信號(hào)在時(shí)域上可看作時(shí)間序列信號(hào)，反映了回波幅度隨時(shí)間的變化。一般情況下，目標(biāo)信號(hào)比雜波信號(hào)的強(qiáng)度高，回波幅度大?？筛鶕?jù)目標(biāo)與雜波在回波幅度上的差異性進(jìn)行目標(biāo)檢測(cè)。但由于雷達(dá)一維序列信號(hào)僅利用了回波信號(hào)的幅度信息，檢測(cè)性能有限。因此，針對(duì)雷達(dá)一維序列信號(hào)采用深度學(xué)習(xí)方法進(jìn)行目標(biāo)檢測(cè)的研究相對(duì)較少。

3.1.2 雷達(dá)二維圖像數(shù)據(jù)檢測(cè)

相比于雷達(dá)一維序列信號(hào)，雷達(dá)二維圖像的數(shù)據(jù)來源更加豐富，研究成果更多。

1) R-D譜圖檢測(cè)

雷達(dá)回波信號(hào)在快時(shí)間域經(jīng)過快速傅里葉變換后得到距離維信息，再對(duì)各距離單元進(jìn)行慢時(shí)間域傅里葉變換后得到回波的R-D譜圖，即回波在距離-多普勒域的能量分布?？衫媚繕?biāo)和干擾在R-D譜圖上的能量差異進(jìn)行檢測(cè)。

Perez等[70]構(gòu)建了激光雷達(dá)R-D圖像數(shù)據(jù)集，設(shè)計(jì)了YOLO v3單階段目標(biāo)檢測(cè)網(wǎng)絡(luò)，對(duì)行人和車輛目標(biāo)具有較好的檢測(cè)性能。Wang等[71]構(gòu)建脈沖多普勒雷達(dá)的R-D圖像數(shù)據(jù)集，提出了一種CNN的檢測(cè)模型，對(duì)無人機(jī)目標(biāo)能夠準(zhǔn)確地檢測(cè)定位，檢測(cè)性能高于CFAR檢測(cè)方法；張暄等[72]以R-D圖像為數(shù)據(jù)集，設(shè)計(jì)了Faster R-CNN的雷達(dá)目標(biāo)檢測(cè)模型，將目標(biāo)檢測(cè)問題轉(zhuǎn)化為目標(biāo)與背景的二分類問題，通過實(shí)驗(yàn)證實(shí)了所提深度學(xué)習(xí)目標(biāo)檢測(cè)算法的檢測(cè)率升高的同時(shí)，虛警率大大降低，解決了傳統(tǒng)CFAR檢測(cè)算法檢測(cè)率與虛警率之間的矛盾。宋海凌等[73]受到可見光數(shù)據(jù)域目標(biāo)檢測(cè)方法的啟示，在雷達(dá)回波信號(hào)的R-D圖像數(shù)據(jù)集基礎(chǔ)上設(shè)計(jì)了特征金字塔目標(biāo)檢測(cè)網(wǎng)絡(luò)，使得檢測(cè)模型能夠利用不同尺度的特征檢測(cè)目標(biāo)，達(dá)到了較好的檢測(cè)效果。

2) M-D譜圖檢測(cè)

根據(jù)多普勒效應(yīng)，目標(biāo)相對(duì)于雷達(dá)做勻變速運(yùn)動(dòng)時(shí)，其回波信號(hào)為線性調(diào)頻信號(hào)。利用時(shí)頻分析工具將雷達(dá)回波信號(hào)變換為二維的雷達(dá)時(shí)頻圖，根據(jù)目標(biāo)的微動(dòng)特征在圖像中進(jìn)行目標(biāo)檢測(cè)。

海軍航空大學(xué)的陳小龍團(tuán)隊(duì)[74]在對(duì)回波信號(hào)進(jìn)行時(shí)頻分析后，建立了時(shí)頻圖數(shù)據(jù)集，先后采用LeNet、AlexNet和GoogLeNet三種卷積神經(jīng)網(wǎng)絡(luò)模型檢測(cè)機(jī)動(dòng)目標(biāo)，證實(shí)了深度學(xué)習(xí)目標(biāo)檢測(cè)方法的檢測(cè)效果優(yōu)于傳統(tǒng)的動(dòng)目標(biāo)檢測(cè)方法和基于支持向量機(jī)的目標(biāo)檢測(cè)方法。南京信息工程大學(xué)的施賽楠等[75]采用SPWVD(Smoothed Pseudo Wigner Ville Distribution)時(shí)頻分析工具將一維回波信號(hào)變換為二維時(shí)頻圖，在純雜波中加入仿真目標(biāo)，克服樣本數(shù)量不均衡的難題，構(gòu)建了半仿真時(shí)頻圖數(shù)據(jù)集，在GoogLeNet的Inception v3網(wǎng)絡(luò)中引入遷移學(xué)習(xí)模型，對(duì)海面目標(biāo)進(jìn)行自主檢測(cè)，消除了人工提取特征的局限性。Kim等[76]利用多普勒雷達(dá)對(duì)人、狗、馬和汽車進(jìn)行探測(cè)，對(duì)獲得的雷達(dá)回波信號(hào)進(jìn)行短時(shí)傅里葉變換得到時(shí)頻圖數(shù)據(jù)集，設(shè)計(jì)DCNN檢測(cè)模型對(duì)人體目標(biāo)進(jìn)行檢測(cè)，達(dá)到了97.6%的檢測(cè)率。

3) SAR圖像檢測(cè)

SAR作為一種主動(dòng)探測(cè)式雷達(dá)，能夠獲取目標(biāo)的二維圖像，且不受天氣、光照等因素的限制，可全天時(shí)、全天候監(jiān)測(cè)目標(biāo)[77]。近幾年，深度學(xué)習(xí)方法在SAR圖像目標(biāo)檢測(cè)中得到了廣泛的關(guān)注。

2017年，Kang等[78]提出了由RPN和上下文特征檢測(cè)網(wǎng)絡(luò)組成的多層融合CNN，該網(wǎng)絡(luò)融合了深度語義特征和淺層高分辨率特征，對(duì)小型艦船具有較好的檢測(cè)性能。2018年，Jiao等[79]針對(duì)多尺度、多場景SAR艦船檢測(cè)問題，在Faster R-CNN框架下設(shè)計(jì)了密集連接多尺度神經(jīng)網(wǎng)絡(luò)。2019年，夏勇等[80]構(gòu)建了Faster R-CNN網(wǎng)絡(luò)模型，借鑒遷移學(xué)習(xí)思想，利用光學(xué)圖像對(duì)模型開展預(yù)訓(xùn)練，保存模型參數(shù)后利用SAR圖像數(shù)據(jù)集對(duì)模型進(jìn)行再訓(xùn)練，通過實(shí)驗(yàn)證明訓(xùn)練好的模型檢測(cè)效果和速度均有可觀的改善。同年，梁懌清等[81]針對(duì)光學(xué)圖像檢測(cè)算法在SAR圖像檢測(cè)上不適用的問題，對(duì)YOLO v3進(jìn)行改進(jìn)，提出了SAR-YOLO-960檢測(cè)算法。將輸入圖像擴(kuò)展到960×960像素，修改YOLO v3網(wǎng)絡(luò)結(jié)構(gòu)并改進(jìn)損失函數(shù)，在自制的SAR圖像數(shù)據(jù)集上檢測(cè)效果明顯增強(qiáng)。2020年，Zhou等[82]針對(duì)大規(guī)模網(wǎng)絡(luò)難以部署在現(xiàn)役雷達(dá)裝備的問題，提出了一種輕量級(jí)的Lira-YOLO模型，該模型參數(shù)少，結(jié)構(gòu)簡單，檢測(cè)性能較好，適用于移動(dòng)設(shè)備。蘇娟等[83]基于SSD算法，提出了改進(jìn)單步多框檢測(cè)算法，通過遷移學(xué)習(xí)和淺層特征增強(qiáng)方法，提高了SAR圖像小目標(biāo)的檢測(cè)性能。2021年，陳冬等[84]、李寶奇等[85]、岳冰瑩等[86]和阮晨等[87]分別對(duì)YOLO v3、SSD、Retina-Net和FCOS四種深度學(xué)習(xí)目標(biāo)檢測(cè)算法進(jìn)行了改進(jìn)，通過SSDD數(shù)據(jù)集證實(shí)了改進(jìn)后的算法具有更好的效果。

受上述研究成果的啟發(fā)，本課題組也針對(duì)雷達(dá)二維圖像開展了深度學(xué)習(xí)目標(biāo)檢測(cè)的研究。利用某型航管雷達(dá)在寬帶模式下形成的方位-距離二維圖像，分別運(yùn)用了基于區(qū)域建議和基于回歸的兩類深度學(xué)習(xí)算法對(duì)飛機(jī)目標(biāo)進(jìn)行檢測(cè)。前者以Faster R-CNN為例，后者以YOLO v3為例，兩種算法的檢測(cè)效果如圖12所示。圖12中橫向?yàn)榉轿幌?，縱向?yàn)榫嚯x向，兩種深度學(xué)習(xí)目標(biāo)檢測(cè)算法均能夠準(zhǔn)確地檢測(cè)出飛機(jī)目標(biāo)的真實(shí)位置。經(jīng)過統(tǒng)計(jì)，在該型航管雷達(dá)圖像數(shù)據(jù)制作的數(shù)據(jù)集上，F(xiàn)aster R-CNN算法的平均準(zhǔn)確率為83.87%，YOLO v3算法的平均準(zhǔn)確率為90.32%，兩者均達(dá)到了較好的目標(biāo)檢測(cè)效果。但Faster R-CNN對(duì)單張圖像的檢測(cè)時(shí)間比YOLO v3高一個(gè)數(shù)量級(jí)，前者約為1.35 s，后者約為0.14 s。

(a) Faster R-CNN檢測(cè)效果

(b) YOLO v3檢測(cè)效果圖12 兩種算法檢測(cè)效果

3.2 雷達(dá)特殊場景下的檢測(cè)

隨著深度學(xué)習(xí)目標(biāo)檢測(cè)技術(shù)的發(fā)展，利用大量雷達(dá)圖像數(shù)據(jù)對(duì)簡單場景下常規(guī)目標(biāo)進(jìn)行檢測(cè)的效果不斷提升，但針對(duì)特殊場景，如復(fù)雜背景下、弱小目標(biāo)和小樣本等的檢測(cè)存在漏檢率和虛警率高的問題。主要原因是復(fù)雜背景下雜波散射強(qiáng)度較高、雜波背景非均勻，對(duì)面積小、散射強(qiáng)度弱的弱小目標(biāo)檢測(cè)時(shí)會(huì)受到強(qiáng)雜波的干擾。另外，小樣本的數(shù)據(jù)集無法使深度學(xué)習(xí)網(wǎng)絡(luò)得到充分的訓(xùn)練，導(dǎo)致檢測(cè)模型精度較低。針對(duì)特殊的應(yīng)用場景下的檢測(cè)，需要采取相應(yīng)的措施。

3.2.1 復(fù)雜背景下的檢測(cè)

文獻(xiàn)[88]針對(duì)復(fù)雜交通場景下的車輛目標(biāo)檢測(cè)難題，采用Faster R-CNN目標(biāo)檢測(cè)算法，通過自制數(shù)據(jù)集證實(shí)了該算法比傳統(tǒng)機(jī)器學(xué)習(xí)檢測(cè)方法的精度和速度顯著提升。文獻(xiàn)[89]針對(duì)復(fù)雜氣象條件下行人目標(biāo)檢測(cè)存在漏檢和虛警的問題，首先對(duì)質(zhì)量不佳的圖片采用暗通道去霧算法進(jìn)行增強(qiáng)處理，然后在YOLO v3網(wǎng)絡(luò)的基礎(chǔ)上，加入密集連接模塊和膨脹卷積增大感受野，提出YOLO v3_dense算法，得到了更好的檢測(cè)效果。文獻(xiàn)[90]針對(duì)復(fù)雜背景下SAR圖像近岸艦船目標(biāo)檢測(cè)效果差的問題，在YOLO v5算法中改用可變形卷積提高特征提取能力，采用級(jí)聯(lián)和并列金字塔進(jìn)行特征融合，使用空洞卷積增加感受野，提出了DFF-YOLO v5(Deformable Feature Fusion-YOLO v5)算法，對(duì)近岸艦船目標(biāo)數(shù)據(jù)集達(dá)到了85.99%的檢測(cè)率。文獻(xiàn)[91]針對(duì)復(fù)雜環(huán)境大場景SAR圖像飛機(jī)目標(biāo)檢測(cè)效率低的問題，簡化了檢測(cè)流程，引入基于灰度特征的機(jī)場區(qū)域精細(xì)化提取模塊，利用YOLO v3網(wǎng)絡(luò)對(duì)飛機(jī)目標(biāo)檢測(cè)的效率明顯提高。

本課題組利用Faster R-CNN和YOLO v3兩種深度學(xué)習(xí)雷達(dá)目標(biāo)檢測(cè)方法對(duì)復(fù)雜背景下的飛機(jī)目標(biāo)進(jìn)行檢測(cè)，檢測(cè)時(shí)改進(jìn)兩種算法的特征提取網(wǎng)絡(luò)從而獲得能夠區(qū)分目標(biāo)和雜波的更深層次的圖像特征，檢測(cè)結(jié)果如圖13所示。圖13中，飛機(jī)目標(biāo)處于雜波區(qū)附近，且目標(biāo)與雜波的外形較為相似，僅憑肉眼很難區(qū)分，但改進(jìn)后的深度學(xué)習(xí)目標(biāo)檢測(cè)方法能夠檢測(cè)出飛機(jī)目標(biāo)的真實(shí)位置，在雜波背景下同樣具有較高的檢測(cè)效果。

(a) Faster R-CNN檢測(cè)效果

(b) YOLO v3檢測(cè)效果圖13 兩種算法復(fù)雜背景下檢測(cè)效果

3.2.2 弱小目標(biāo)的檢測(cè)

文獻(xiàn)[92]針對(duì)機(jī)載雷達(dá)對(duì)海面小型船舶檢測(cè)效果不佳的問題，提出了基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)方法，對(duì)小型船舶的檢測(cè)率超過90%。文獻(xiàn)[93]針對(duì)海雜波下小目標(biāo)檢測(cè)困難的問題，在濾波器設(shè)計(jì)、數(shù)據(jù)增強(qiáng)和非極大值抑制方面對(duì)Tiny-YOLO v2算法進(jìn)行了改進(jìn)，在雷達(dá)時(shí)頻圖數(shù)據(jù)集上對(duì)小目標(biāo)具有較好的檢測(cè)效果。文獻(xiàn)[94-95]針對(duì)SAR圖像遠(yuǎn)海弱小目標(biāo)檢測(cè)難題，分別對(duì)Faster R-CNN和SSD兩種模型的特征提取模塊進(jìn)行改進(jìn)，提出了改進(jìn)的Faster R-CNN和特征增強(qiáng)的SSD算法，增強(qiáng)了小目標(biāo)的發(fā)現(xiàn)能力。文獻(xiàn)[96]提出了有效增強(qiáng)感受野的輕量化檢測(cè)算法，利用ShuffleNetV2特征提取網(wǎng)絡(luò)減小模型尺寸，采用改進(jìn)的SPP模塊增強(qiáng)感受野，加入SAM模塊提高目標(biāo)定位能力，改進(jìn)PAN(Path Aggregation Network)網(wǎng)絡(luò)進(jìn)行特征融合，對(duì)復(fù)雜環(huán)境下的小目標(biāo)具有出色的檢測(cè)性能。文獻(xiàn)[97]針對(duì)側(cè)掃聲吶對(duì)海底小目標(biāo)檢測(cè)性能低的問題，引入特征融合模塊、融入注意力機(jī)制，采用WBF(Weighted Boxes Fusion)提升定位精度和置信度，將DETR(End-to-End Object Detection with Transformers)與YOLO v5融合，提出了DETR-YOLO的輕量型目標(biāo)檢測(cè)模型，提高了小目標(biāo)的檢測(cè)能力。文獻(xiàn)[98]為了提升無人艇對(duì)水面小目標(biāo)的檢測(cè)能力，提出了改進(jìn)SSD目標(biāo)檢測(cè)算法，對(duì)小目標(biāo)的檢測(cè)率提高了20%。

(a) Faster R-CNN檢測(cè)效果

(b) YOLO v3檢測(cè)效果圖14 兩種算法對(duì)弱小目標(biāo)檢測(cè)效果

本課題組采用Faster R-CNN和YOLO v3檢測(cè)航管雷達(dá)弱小目標(biāo)時(shí)對(duì)算法進(jìn)行改進(jìn)，通過增加雷達(dá)原始圖像的放大倍數(shù)來獲得更加清晰的訓(xùn)練樣本，修改兩類算法的特征提取網(wǎng)絡(luò)結(jié)構(gòu)以便提取更深層次的圖像特征。改進(jìn)后的算法對(duì)接近該型航管雷達(dá)探測(cè)威力極限的150 km處小型飛機(jī)目標(biāo)仍然能夠較好地檢測(cè)出來，檢測(cè)效果如圖14所示，說明兩種深度學(xué)習(xí)雷達(dá)目標(biāo)檢測(cè)方法具有較好的弱小目標(biāo)檢測(cè)能力。

3.2.3 小樣本檢測(cè)

近五年，深度學(xué)習(xí)雷達(dá)目標(biāo)檢測(cè)技術(shù)取得了顯著成效，產(chǎn)生了眾多性能優(yōu)越的檢測(cè)模型，但這些模型的訓(xùn)練需要大量帶有標(biāo)簽的樣本。雷達(dá)實(shí)際工作時(shí)，很難獲得大規(guī)模高質(zhì)量的帶標(biāo)簽樣本，導(dǎo)致模型推廣受限。小樣本學(xué)習(xí)可在少量帶標(biāo)簽樣本的情況下，使模型得到很好的訓(xùn)練，降低了對(duì)樣本數(shù)據(jù)規(guī)模的要求。受小樣本學(xué)習(xí)的啟發(fā)，小樣本雷達(dá)目標(biāo)檢測(cè)技術(shù)是當(dāng)前的研究熱點(diǎn)。

文獻(xiàn)[99]提出了元學(xué)習(xí)算法，在模型學(xué)習(xí)到元特征后，通過少量訓(xùn)練樣本可使檢測(cè)模型得到良好的泛化性能。文獻(xiàn)[100]在YOLO v3模型中引入元學(xué)習(xí)算法，提高了SAR圖像艦船目標(biāo)小樣本檢測(cè)的性能。文獻(xiàn)[101]針對(duì)高頻地波雷達(dá)數(shù)據(jù)量不大的情況，采用微調(diào)的方法，先對(duì)Fast R-CNN模型進(jìn)行預(yù)訓(xùn)練，再微調(diào)RPN模塊，利用Faster R-CNN模型提高了小樣本檢測(cè)效果。文獻(xiàn)[102]針對(duì)SAR圖像訓(xùn)練樣本較少的問題，基于FCN-8網(wǎng)絡(luò)模型，引入遷移學(xué)習(xí)方法，利用Pascal VOC數(shù)據(jù)集上訓(xùn)練好的網(wǎng)絡(luò)參數(shù)對(duì)SAR圖像檢測(cè)模型進(jìn)行訓(xùn)練，在MSTAR數(shù)據(jù)集上獲得了較好的檢測(cè)性能。

本課題組采用遷移學(xué)習(xí)的思想，在運(yùn)用Faster R-CNN和YOLO v3進(jìn)行深度學(xué)習(xí)雷達(dá)目標(biāo)檢測(cè)時(shí)，對(duì)在VOC2007數(shù)據(jù)集上已預(yù)訓(xùn)練好的模型進(jìn)行再訓(xùn)練，在168張航管雷達(dá)圖像作為訓(xùn)練樣本的情況下，達(dá)到了80%以上的平均準(zhǔn)確率，該方法對(duì)小樣本檢測(cè)具有一定的適用性。

4 深度學(xué)習(xí)雷達(dá)目標(biāo)檢測(cè)技術(shù)面臨的挑戰(zhàn)和發(fā)展趨勢(shì)

隨著深度學(xué)習(xí)技術(shù)的逐漸成熟，對(duì)雷達(dá)回波圖像數(shù)據(jù)進(jìn)行深度學(xué)習(xí)目標(biāo)檢測(cè)取得了較好的效果。但是深度學(xué)習(xí)技術(shù)也面臨著理論和工程上的挑戰(zhàn)。在理論方面，深度學(xué)習(xí)檢測(cè)技術(shù)的可分析性和可解釋性較差。目前，深度神經(jīng)網(wǎng)絡(luò)中參數(shù)的確定無法進(jìn)行定量的分析，只能通過實(shí)驗(yàn)結(jié)果的好壞來確定，各參數(shù)的設(shè)置依據(jù)和原理尚不知曉。在工程方面，深度學(xué)習(xí)技術(shù)依賴于大量的訓(xùn)練樣本和大規(guī)模的并行計(jì)算。目前，帶標(biāo)簽的雷達(dá)圖像數(shù)據(jù)集的質(zhì)量和數(shù)量有限，大多都是研究者自行采集、制作的數(shù)據(jù)集，通用性較差。另外，深度學(xué)習(xí)模型的訓(xùn)練需要高速計(jì)算平臺(tái)，對(duì)硬件的要求較高。

為了提高檢測(cè)的可信度和效率，深度學(xué)習(xí)雷達(dá)目標(biāo)檢測(cè)技術(shù)下一步的發(fā)展趨勢(shì)可以在以下幾個(gè)方面展開：

1) 弱監(jiān)督或無監(jiān)督目標(biāo)檢測(cè)。在大數(shù)據(jù)時(shí)代，獲得含有雷達(dá)目標(biāo)和干擾的圖像數(shù)據(jù)不是難事，但對(duì)圖像數(shù)據(jù)進(jìn)行分類標(biāo)注需要專業(yè)的人員花費(fèi)大量的時(shí)間和精力，效率低下。開發(fā)輕度依賴甚至不依賴帶標(biāo)簽數(shù)據(jù)的目標(biāo)檢測(cè)算法非常必要，弱監(jiān)督或無監(jiān)督目標(biāo)檢測(cè)是未來的發(fā)展趨勢(shì)。

2) 三維目標(biāo)檢測(cè)。與二維的雷達(dá)圖像數(shù)據(jù)相比，三維雷達(dá)數(shù)據(jù)可展現(xiàn)更多的信息，提取更多的特征，更好地區(qū)分雷達(dá)目標(biāo)和干擾。激光雷達(dá)點(diǎn)云能夠提供深度信息，將其與二維雷達(dá)圖像數(shù)據(jù)進(jìn)行疊加，開展三維目標(biāo)檢測(cè)是一個(gè)新的研究方向。

3) 多元特征融合檢測(cè)。機(jī)器學(xué)習(xí)目標(biāo)檢測(cè)技術(shù)需要人工提取特征，特征維數(shù)通常較少。深度學(xué)習(xí)目標(biāo)檢測(cè)技術(shù)可以自動(dòng)提取特征。兩種特征提取方法的機(jī)理不同，提取的特征各異?？蓪C(jī)器學(xué)習(xí)檢測(cè)技術(shù)與深度學(xué)習(xí)檢測(cè)技術(shù)進(jìn)行融合，提高特征的維度。

4) 開發(fā)新的深度學(xué)習(xí)網(wǎng)絡(luò)。深度學(xué)習(xí)目標(biāo)檢測(cè)技術(shù)需要大量數(shù)據(jù)驅(qū)動(dòng)，生成對(duì)抗網(wǎng)絡(luò)可以根據(jù)有限的樣本，生成大量的虛擬樣本，提高數(shù)據(jù)集的完備性，使目標(biāo)檢測(cè)模型得到充分的訓(xùn)練，提高泛化能力。

5 結(jié)束語

深度學(xué)習(xí)技術(shù)能夠自動(dòng)提取雷達(dá)回波數(shù)據(jù)中的特征，快速準(zhǔn)確地區(qū)分目標(biāo)和干擾，在雷達(dá)目標(biāo)自動(dòng)檢測(cè)領(lǐng)域具有廣闊的應(yīng)用前景。本文從統(tǒng)計(jì)檢測(cè)方法和特征檢測(cè)方法入手，分析了傳統(tǒng)雷達(dá)目標(biāo)檢測(cè)方法的特點(diǎn)和不足，對(duì)深度學(xué)習(xí)目標(biāo)檢測(cè)方法的原理進(jìn)行了介紹，梳理了兩類深度學(xué)習(xí)目標(biāo)檢測(cè)算法的發(fā)展歷程和特點(diǎn)，總結(jié)了深度學(xué)習(xí)雷達(dá)目標(biāo)檢測(cè)的應(yīng)用現(xiàn)狀，并結(jié)合雷達(dá)回波數(shù)據(jù)的特點(diǎn)，對(duì)未來的發(fā)展方向進(jìn)行了展望。