基于深度學(xué)習(xí)模型的SAR圖像間歇采樣轉(zhuǎn)發(fā)干擾檢測

陶臣嵩, 陳思偉, 肖順平

(國防科技大學(xué)電子科學(xué)學(xué)院電子信息系統(tǒng)復(fù)雜電磁環(huán)境效應(yīng)國家重點(diǎn)實(shí)驗(yàn)室, 湖南 長沙 410073)

0 引 言

合成孔徑雷達(dá)(synthetic aperture radar, SAR)能夠全天時(shí)、全天候工作,通過距離向和方位向脈沖壓縮成像,具有高分辨能力,是軍事偵察領(lǐng)域的主要傳感器[1-2]?；赟AR圖像的高價(jià)值人造目標(biāo)檢測與識別,是SAR在偵察監(jiān)視任務(wù)中的重要應(yīng)用。

在電子對抗中,為有效應(yīng)對SAR的偵察威脅,SAR干擾逐漸興起并成為研究熱點(diǎn)。SAR干擾通過輻射或反射電磁能量,使得SAR成像質(zhì)量下降,進(jìn)而削弱其對目標(biāo)的檢測識別能力。從能量角度,SAR干擾可分為無源干擾和有源干擾[3-6]。其中,無源干擾不主動發(fā)射能量,包括角反射器、偶極子反射器、隱身材料、箔條及反雷達(dá)偽裝網(wǎng)等。而有源干擾則主動發(fā)射能量,且包含多種干擾樣式[3-6]。其中,周期調(diào)制干擾即干擾機(jī)將截獲的SAR信號與距離向或方位向周期信號相乘,進(jìn)而在SAR圖像距離向或方位向形成多個(gè)超前或滯后相干假目標(biāo)的一類干擾樣式[3-6]。

一種典型的周期調(diào)制干擾即間歇采樣轉(zhuǎn)發(fā)干擾(interrupted sampling repeater jamming, ISRJ)[7]。ISRJ的基礎(chǔ)信號模型是一個(gè)周期脈沖串信號,其與SAR信號相乘,經(jīng)匹配濾波后在SAR圖像的距離向生成多個(gè)間隔分布的假目標(biāo)[7-8]。在此基礎(chǔ)上,將ISRJ擴(kuò)展至SAR方位向,即可在SAR圖像的方位向形成假目標(biāo)串[9]。由于利用了SAR的匹配濾波特性,ISRJ在SAR圖像中產(chǎn)生的假目標(biāo)與真實(shí)目標(biāo)較為相似[7-9],因而可對SAR圖像目標(biāo)檢測與識別等應(yīng)用產(chǎn)生欺騙的效果[10]。

從抗干擾角度,為保證SAR目標(biāo)檢測與識別的性能,對SAR圖像中存在的ISRJ進(jìn)行抑制十分必要。當(dāng)前,對ISRJ抑制的研究主要集中在信號域,相關(guān)方法可以歸納為3大類。第1類ISRJ抑制方法針對ISRJ信號時(shí)域采樣的不連續(xù)性,具體包括:文獻(xiàn)[11]利用線性調(diào)頻分段信號之間的正交性進(jìn)行波形掩護(hù),通過窄帶濾波器組對ISRJ信號和目標(biāo)回波信號進(jìn)行區(qū)分并剔除ISRJ信號。文獻(xiàn)[12]利用脈內(nèi)步進(jìn)線性調(diào)頻子脈沖之間的正交性互相掩護(hù),子脈沖間頻率步進(jìn)使得ISRJ采樣段信號經(jīng)調(diào)制后無法干擾相鄰子脈沖,進(jìn)而有效提取無干擾信號段。文獻(xiàn)[13]同樣利用上述脈內(nèi)步進(jìn)線性調(diào)頻子脈沖之間的正交性互相掩護(hù),通過短時(shí)傅里葉變換,將時(shí)頻矩陣投影至?xí)r間維,提取ISRJ不連續(xù)轉(zhuǎn)發(fā)段信號并以其最大值為門限,進(jìn)而對時(shí)頻矩陣進(jìn)行ISRJ抑制。第2類ISRJ抑制方法旨在破壞ISRJ信號的一些造成欺騙效果的特性。文獻(xiàn)[14]使用偽隨機(jī)性序列對雷達(dá)波形進(jìn)行編碼,從而降低回波信號與ISRJ信號之間的相關(guān)性,進(jìn)而有效抑制ISRJ。文獻(xiàn)[15]基于模糊函數(shù)設(shè)計(jì)雷達(dá)波形,通過破壞ISRJ信號在多普勒頻率上的輸出連續(xù)性,對其進(jìn)行抑制。文獻(xiàn)[16]針對ISRJ信號匹配濾波后高柵瓣的特點(diǎn),設(shè)計(jì)低集成旁瓣電平的波形,以及相應(yīng)的快速求解方法。而第3類ISRJ抑制方法則是通過一定的變換或表征,增強(qiáng)目標(biāo)回波信號與ISRJ信號之間的區(qū)分度。文獻(xiàn)[17]對受干擾回波信號做分?jǐn)?shù)階傅里葉變換,然后通過窄帶濾波處理抽取目標(biāo)回波信號。文獻(xiàn)[18]對受干擾回波信號進(jìn)行切片化,并基于目標(biāo)回波信號與ISRJ信號之間的切片差異設(shè)計(jì)線性正則聯(lián)合字典,識別并剔除ISRJ相應(yīng)的能量點(diǎn)。文獻(xiàn)[19]在分析目標(biāo)雙曲調(diào)頻波形解調(diào)頻回波特性的基礎(chǔ)上,提出一種基于稀疏重構(gòu)的ISRJ抑制方法。文獻(xiàn)[20]以一個(gè)相干處理間隔的受干擾回波信號作為處理對象,通過對不同重復(fù)周期的回波進(jìn)行不同階次的分?jǐn)?shù)階相關(guān)處理,改變ISRJ假目標(biāo)在快時(shí)間的位置,經(jīng)相參積累后實(shí)現(xiàn)對ISRJ的抑制。文獻(xiàn)[21]通過信號累積在時(shí)頻域增強(qiáng)接收信息,并在時(shí)頻面提取ISRJ信號分布區(qū)域,再根據(jù)重構(gòu)的目標(biāo)回波信號設(shè)計(jì)帶通濾波器,實(shí)現(xiàn)對ISRJ的抑制。文獻(xiàn)[22]設(shè)計(jì)脈內(nèi)正交的線性調(diào)頻-相位編碼波形,將ISRJ信號拆分為不同的子信號,再利用匹配濾波器對ISRJ進(jìn)行識別與對抗。文獻(xiàn)[23]定義能量函數(shù),并根據(jù)目標(biāo)回波信號和ISRJ信號能量函數(shù)的差異,提取無干擾的目標(biāo)回波信號數(shù)據(jù)。

在圖像域方面,基于SAR圖像的ISRJ存在性檢測與位置判定,是抑制ISRJ的前提?，F(xiàn)階段,SAR圖像ISRJ檢測以人工判讀為主,即通過專業(yè)技術(shù)人員的知識與經(jīng)驗(yàn),判斷SAR圖像中ISRJ的有無以及其假目標(biāo)的具體位置。在SAR系統(tǒng)成像能力提升且SAR圖像數(shù)據(jù)累積的情況下,上述人工判讀的方法在精度與效率方面逐漸無法滿足需求。故本文在圖像域中對ISRJ檢測問題開展研究。首先,采用實(shí)測SAR數(shù)據(jù)結(jié)合仿真ISRJ的策略,基于不同的實(shí)測場景及仿真參數(shù),構(gòu)建不同類別的ISRJ樣本。其次,針對SAR圖像中ISRJ假目標(biāo)所呈現(xiàn)的間隔分布的特點(diǎn),將相應(yīng)的假目標(biāo)串視為整體并進(jìn)行標(biāo)注,同時(shí)選用深度學(xué)習(xí)檢測領(lǐng)域中具有代表性的更快的區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(faster region-convolutional neural network, faster R-CNN)模型[24]以及“你只看一次”(you only look once, YOLO)模型[25-27]作為檢測器。接著,以單一場景的ISRJ樣本作為訓(xùn)練樣本,對不同的深度學(xué)習(xí)模型進(jìn)行訓(xùn)練。最后,以其他場景的ISRJ樣本作為測試樣本,利用訓(xùn)練好的模型分別對其進(jìn)行ISRJ檢測。

本文主要內(nèi)容分為4個(gè)部分:第1節(jié)詳細(xì)說明SAR圖像的ISRJ原理,并構(gòu)建ISRJ樣本;第2節(jié)在簡單介紹深度學(xué)習(xí)模型的基礎(chǔ)上,提出SAR圖像ISRJ檢測的基本思路和方法流程;第3節(jié)通過實(shí)驗(yàn)及對比,驗(yàn)證上述檢測方法的性能表現(xiàn);第4節(jié)總結(jié)全文。

1 ISRJ及樣本構(gòu)建

1.1 SAR ISRJ原理

ISRJ利用SAR的匹配濾波特性,在其圖像距離向/方位向形成多個(gè)逼真假目標(biāo)。其中,在SAR圖像距離向生成假目標(biāo),即對SAR距離向ISRJ[8],而將類似干擾效果拓展至SAR圖像方位向,并生成假目標(biāo),即對SAR方位向ISRJ[9]。

1.1.1 對SAR距離向ISRJ

對SAR距離向ISRJ的原理如下:干擾機(jī)截獲到SAR發(fā)射的線性調(diào)頻信號,進(jìn)而高保真地采樣其中一小段信號進(jìn)行轉(zhuǎn)發(fā)處理,之后再采樣下一小段信號并進(jìn)行轉(zhuǎn)發(fā),如此收發(fā)分時(shí)、采樣和轉(zhuǎn)發(fā)交替工作,直至大時(shí)寬信號結(jié)束[8]。

假設(shè)SAR發(fā)射的線性調(diào)頻信號為

(1)

式中:rect(·)為矩形窗函數(shù);t=tr+ta為全時(shí)間;tr為距離向快時(shí)間;ta為方位向慢時(shí)間;Tp為脈沖寬度;f0為載頻;μr為調(diào)頻斜率。

針對上述信號,距離向間歇采樣脈沖信號即矩形包絡(luò)脈沖串,具體為

(2)

式中:δ(·)為沖激函數(shù);Tw為間歇采樣脈沖寬度;Ts為間歇采樣周期;定義fs=1/Ts為間歇采樣頻率;D=Tw/Ts=Twfs為間歇采樣占空比(簡稱占空比);?表示卷積運(yùn)算。

間歇采樣后得到的干擾信號為

ss(tr,ta)=p(t)·s(tr,ta)

(3)

在SAR接收端,干擾信號經(jīng)過混頻、距離向匹配濾波、距離遷徙校正以及方位向脈沖壓縮等處理后,最終為

sinc [μata(TL-|ta|)]

(4)

由式(4)可知,距離向ISRJ即在SAR圖像距離向輸出多個(gè)逼真假目標(biāo),且各假目標(biāo)在幅度上存在差異。相鄰假目標(biāo)的峰值點(diǎn)間距為

ΔR=cfs/(2μr)=c/(2μrTs)

(5)

式中:c為光速。由式(5)以及an=Dsin(nD)可知,參數(shù)Ts和D直接影響著距離向ISRJ在SAR圖像中的輸出結(jié)果,包括距離向上假目標(biāo)的數(shù)量、幅度以及分布間隔等。

1.1.2 對SAR方位向ISRJ

對SAR方位向ISRJ的原理如下:干擾機(jī)截獲到SAR發(fā)射的脈沖信號后,進(jìn)行全脈沖高保真采樣與存儲,并在經(jīng)過一定處理后于下一個(gè)或數(shù)個(gè)脈沖重復(fù)周期轉(zhuǎn)發(fā)出去;再進(jìn)行全脈沖的采樣和存儲,然后處理并轉(zhuǎn)發(fā);如此收發(fā)分時(shí)、采樣和轉(zhuǎn)發(fā)交替工作,直至照射到干擾機(jī)的合成孔徑時(shí)間結(jié)束[9]。

針對式(1)所示的SAR發(fā)射信號,方位向間歇采樣脈沖信號依舊是矩形包絡(luò)脈沖串,具體為

(6)

式中:Tw為間歇采樣脈沖寬度,通常有Tw≤T,T為線性調(diào)頻信號的脈沖重復(fù)周期;Ts為間歇采樣周期,通常有Ts=KT(K≥2且K∈Z),即間歇采樣周期通常為脈沖重復(fù)周期的倍數(shù)。而K-1則為干擾組數(shù),當(dāng)K=2時(shí)為單組干擾,當(dāng)K≥3時(shí)為多組干擾。

類似地,間歇采樣所得干擾信號經(jīng)過混頻、距離向匹配濾波、距離遷徙校正以及方位向脈沖壓縮等處理后,最終在SAR接收端為

(7)

由式(7)可知,方位向ISRJ即在SAR圖像方位向輸出多個(gè)逼真假目標(biāo),且各假目標(biāo)在幅度上存在差異。相鄰假目標(biāo)的峰值點(diǎn)間距為

ΔR=-vfs/μa=-v/(μaKT)

(8)

式中:v為SAR平臺運(yùn)動速度。在實(shí)際的干擾過程中,為了確保完整地采集到SAR發(fā)射信號,通常會對整個(gè)脈沖重復(fù)周期充分采樣,即設(shè)置Tw=T。此時(shí),占空比和幅度加權(quán)系數(shù)分別為

D=Tw/Ts=T/(KT)=1/K

(9)

(10)

由式(8)和式(10)可知,參數(shù)K直接影響著方位向ISRJ在SAR圖像中的輸出結(jié)果,包括方位向上假目標(biāo)的數(shù)量、幅度以及分布間隔等。

1.2 ISRJ樣本構(gòu)建

在電子對抗中,SAR受有源干擾影響。然而,特定干擾樣式下的實(shí)測SAR數(shù)據(jù)難以獲取。對此,本文采用實(shí)測數(shù)據(jù)與仿真干擾相結(jié)合的策略生成ISRJ條件下的SAR圖像,進(jìn)而構(gòu)建ISRJ樣本。

ISRJ條件下SAR圖像的生成流程如圖1所示。

圖1 ISRJ條件下SAR圖像的生成流程

一方面,使用逆成像算法[1]重構(gòu)實(shí)測SAR數(shù)據(jù)的原始回波。另一方面,通過設(shè)置典型的干擾參數(shù),利用信號級仿真手段[7-9]得到ISRJ的信號回波。在上述基礎(chǔ)上,將SAR原始回波與干擾信號回波相疊加,最后使用成像算法[1]得到ISRJ條件下的SAR圖像?；谏鲜隽鞒炭蚣?本文使用的逆成像算法和成像算法具體分別為逆ω-k算法和ω-k算法[1]。其中,ω-k算法的成像過程主要包含二維傅里葉變換、一致壓縮、補(bǔ)余壓縮以及二維傅里葉逆變換等4步,且每一步均為線性處理,而逆ω-k算法即ω-k算法的逆過程。

在實(shí)測數(shù)據(jù)方面,選用美國MiniSAR系統(tǒng)在6個(gè)不同場景獲取的實(shí)測SAR圖像數(shù)據(jù),如圖2所示。其中,圖2(a)～圖2(f)分別對應(yīng)場景1～場景6,圖像分辨率為0.1 m×0.1 m,全圖尺寸大小為1 638像素×2 510像素,包含車輛、飛機(jī)、建筑物等人造目標(biāo)以及樹木、草叢、裸地等自然地物。

圖2 MiniSAR數(shù)據(jù)

在干擾仿真的過程中,需要設(shè)置的參數(shù)包括干信比(jamming to signal ratio, JSR)和干擾機(jī)位置等通用參數(shù),以及與干擾的具體樣式密切相關(guān)的特有參數(shù)。對于ISRJ仿真,JSR分別為5 dB、10 dB、15 dB和20 dB,而干擾機(jī)則被分別置于場景中的9個(gè)位置,SAR圖像中相應(yīng)的坐標(biāo)即(x/4,y/4)、(x/4,y/2)、(x/4, 3y/4)、(x/2,y/4)、(x/2,y/2)、(x/2, 3y/4)、(3x/4,y/4)、(3x/4,y/2)以及(3x/4, 3y/4),x和y分別為SAR圖像的總列數(shù)與總行數(shù)。此外,對于SAR距離向ISRJ,設(shè)置間歇采樣周期Ts分別為0.3 μs、0.4 μs和0.5 μs,設(shè)置占空比D分別為0.1、0.2和0.25。對于SAR方位向ISRJ,設(shè)置干擾組數(shù)K分別為5、10和20。

基于上述參數(shù)設(shè)置,將仿真的ISRJ信號回波與MiniSAR實(shí)測圖像的原始回波進(jìn)行疊加,再通過成像處理得到ISRJ條件下的SAR圖像。在此基礎(chǔ)上,以干擾機(jī)位置為中心,進(jìn)一步提取尺寸大小為501像素×501像素的區(qū)域作為ISRJ樣本,其部分示例如圖3所示,包含場景1中的3個(gè)不同區(qū)域,分別對應(yīng)圖3(a)～圖3(f)、圖3(g)～圖3(l)以及圖3(m)～圖3(r),且在仿真過程中的JSR均為5 dB。其中,圖3(a)、圖3(g)～圖3(m)為SAR距離向ISRJ,Ts為0.3 μs且D為0.1(參數(shù)1);圖3(b)、圖3(h)、圖3(n)為SAR距離向ISRJ,Ts為0.3 μs且D為0.25(參數(shù)2);圖3(c)、圖3(i)、圖3(o)為SAR距離向ISRJ,Ts為0.5 μs且D為0.1(參數(shù)3);圖3(d)、圖3(j)、圖3(p)為SAR距離向ISRJ,Ts為0.5 μs且D為0.25(參數(shù)4);圖3(e)、圖3(k)、圖3(q)為SAR方位向ISRJ,K為5(參數(shù)5);圖3(f)、圖3(l)、圖3(r)為SAR方位向ISRJ,K為20(參數(shù)6)。

圖3 ISRJ樣本

2 基于深度學(xué)習(xí)模型的ISRJ檢測

ISRJ在SAR圖像中產(chǎn)生一系列逼真的相干假目標(biāo),對SAR圖像目標(biāo)檢測與識別等造成干擾。故在對抗背景下,SAR圖像ISRJ檢測與抑制具有重要意義。其中,針對SAR圖像中ISRJ的存在性檢測以及位置判定,是后續(xù)進(jìn)行ISRJ抑制的前提。

由圖3可以發(fā)現(xiàn),ISRJ假目標(biāo)在SAR圖像中呈現(xiàn)整列或整行等間隔分布的特點(diǎn)。針對此類擴(kuò)展式目標(biāo),一方面,以恒虛警檢測器為代表的像素級檢測方法很難得到理想的檢測結(jié)果。另一方面,在深度學(xué)習(xí)領(lǐng)域中,深度卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)模型具有多層網(wǎng)絡(luò)結(jié)構(gòu),能夠?qū)D像目標(biāo)區(qū)域進(jìn)行抽象特征的提取與學(xué)習(xí),進(jìn)而更為準(zhǔn)確地描述目標(biāo)的檢測特性。具體到SAR圖像中的ISRJ,深度CNN模型以其“多假目標(biāo)等間隔分布”作為檢測特性,對于檢測性能的提升極具潛力。

基于上述思路,本文提出基于深度學(xué)習(xí)模型的SAR圖像ISRJ檢測方法。具體地,針對SAR圖像中ISRJ假目標(biāo)的整體進(jìn)行真值標(biāo)注,進(jìn)而將其灰度圖像導(dǎo)入檢測器中進(jìn)行相應(yīng)的訓(xùn)練與測試。而在檢測器方面,基于深度CNN的檢測器通常可分為“兩階段”檢測器和“單階段”檢測器。前者首先粗略提取目標(biāo)檢測框并剔除背景,然后再進(jìn)行目標(biāo)檢測框的分類與邊界回歸,以Faster R-CNN模型[24]為代表;而后者則是將上述兩個(gè)過程融合在一起,采用“錨點(diǎn)”與“分類精修”相結(jié)合的處理框架,以YOLO模型[25-27]為代表。故本文分別選用Faster R-CNN和YOLO模型作為檢測器。

對于Faster R-CNN模型,其結(jié)構(gòu)如圖4所示[24]。其中主要包含卷積層、區(qū)域建議網(wǎng)絡(luò)(region proposal network, RPN)、感興趣區(qū)域池化層(region of interest pooling, ROI Pooling)以及分類與回歸處理等模塊。具體地,卷積層通常直接使用典型深度CNN模型的卷積層部分,例如視覺幾何組(visual geometry group, VGG)網(wǎng)絡(luò)等。原始圖像經(jīng)過卷積層即得到其特征圖,而將特征圖送入RPN模塊,則可得到有關(guān)目標(biāo)所在區(qū)域的建議框。在此基礎(chǔ)之上,將特征圖與建議框兩者導(dǎo)入ROI Pooling,再經(jīng)過分類與回歸模塊的處理,即可在原始圖像上得到最終的檢測結(jié)果。Faster R-CNN模型的具體細(xì)節(jié)詳見文獻(xiàn)[24]。

圖4 Faster R-CNN模型

此外,對于YOLO模型,以YOLOv3為例,其結(jié)構(gòu)如圖5所示[25]。其中主要包含DBL、resN(N=1、2、4、8等)和卷積等模塊,以及上采樣和張量拼接等操作。具體地,卷積模塊即卷積層的疊加與處理。DBL模塊由卷積模塊、批量歸一化(batch normalization, BN)操作以及有漏隙的修正線性單元(leaky rectified linear unit, leaky ReLU)3者組成。而resN模塊則是由零填充操作、DBL模塊以及數(shù)量為N的殘差單元所組成?？偨Y(jié)而言,YOLOv3模型包含“跳層連接”“殘差模塊”“多尺寸檢測”,以及“上采樣”與“特征融合”等先進(jìn)的目標(biāo)檢測處理結(jié)構(gòu),其具體細(xì)節(jié)詳見文獻(xiàn)[25]。

基于ISRJ樣本,分別利用Faster R-CNN和YOLO等深度學(xué)習(xí)模型,本文提出的SAR圖像ISRJ檢測方法具體流程如下:

(1) 對ISRJ樣本中間隔分布的假目標(biāo)進(jìn)行真值標(biāo)注,即使用矩形框框選對應(yīng)的列或行;

(2) 基于ISRJ樣本對應(yīng)的不同場景,將其整體劃分為訓(xùn)練樣本集和測試樣本集;

(3) 針對預(yù)先訓(xùn)練好的深度學(xué)習(xí)模型(基于典型光學(xué)圖像數(shù)據(jù)集),使用訓(xùn)練樣本集及相應(yīng)真值進(jìn)行更進(jìn)一步的調(diào)整訓(xùn)練;

(4) 利用調(diào)整訓(xùn)練完備的深度學(xué)習(xí)模型對測試樣本集進(jìn)行ISRJ假目標(biāo)檢測,再通過對比檢測結(jié)果及相應(yīng)真值,評估檢測性能。

3 檢測實(shí)驗(yàn)

3.1 實(shí)驗(yàn)數(shù)據(jù)

基于前文介紹的ISRJ樣本,開展SAR圖像ISRJ檢測實(shí)驗(yàn)。整個(gè)實(shí)驗(yàn)過程可分為訓(xùn)練與測試兩個(gè)階段,即需要相應(yīng)的訓(xùn)練樣本集和測試樣本集。

利用MiniSAR系統(tǒng)在場景1所獲取的實(shí)測SAR圖像(見圖2(a)),生成ISRJ樣本并構(gòu)建訓(xùn)練樣本集。具體而言,訓(xùn)練樣本集包含僅存在距離向ISRJ的樣本(簡稱距離向ISRJ樣本)以及僅存在方位向ISRJ的樣本(簡稱方位向ISRJ樣本)。對于距離向ISRJ樣本,設(shè)置4種JSR、9個(gè)干擾機(jī)位置以及3種間歇采樣周期Ts和3種占空比D,樣本數(shù)量為324(4×9×3×3)。而對于方位向ISRJ樣本,則設(shè)置4種JSR、9個(gè)干擾機(jī)位置以及3種干擾組數(shù)K,樣本數(shù)量為108(4×9×3)。故整個(gè)訓(xùn)練樣本集共包含432個(gè)樣本。相似地,利用MiniSAR系統(tǒng)在場景2、場景3、場景4、場景5以及場景6等5個(gè)場景所獲取的實(shí)測SAR圖像(見圖2(b)～圖2(f)),生成ISRJ樣本并構(gòu)建測試樣本集。具體而言,測試樣本集包含3類樣本,即距離向ISRJ樣本、方位向ISRJ樣本以及存在距離向與方位向ISRJ相互疊加的樣本(簡稱疊加ISRJ樣本)。對于距離向ISRJ樣本,設(shè)置5個(gè)實(shí)測場景、4種JSR、9個(gè)干擾機(jī)位置以及3種間歇采樣周期Ts和3種占空比D,樣本數(shù)量為1 620(5×4×9×3×3)。對于方位向ISRJ樣本,設(shè)置5個(gè)實(shí)測場景、4種JSR、9個(gè)干擾機(jī)位置以及3種干擾組數(shù)K,樣本數(shù)量為540(5×4×9×3)。而對于疊加ISRJ樣本,則設(shè)置5個(gè)實(shí)測場景、4種JSR、9個(gè)干擾機(jī)位置以及3種間歇采樣周期Ts、3種占空比D和3種干擾組數(shù)K,樣本數(shù)量為4 860(5×4×9×3×3×3)。故整個(gè)測試樣本集共包含7 020個(gè)測試樣本。綜上所述,對訓(xùn)練樣本集和測試樣本集的總結(jié)如表1所示。需要特別說明的是,上述訓(xùn)練樣本集與測試樣本集分別源自同一SAR系統(tǒng)對不同實(shí)測場景所獲取的SAR圖像數(shù)據(jù),因此兩者中的ISRJ樣本不存在交集。分別基于訓(xùn)練樣本集與測試樣本集對深度學(xué)習(xí)模型進(jìn)行訓(xùn)練與測試,即體現(xiàn)相應(yīng)檢測方法對于不同場景的泛化能力。

表1 對訓(xùn)練樣本集和測試樣本集的總結(jié)

3.2 實(shí)驗(yàn)設(shè)置

在實(shí)驗(yàn)過程中,距離向ISRJ樣本與方位向ISRJ樣本的干擾樣式均為ISRJ,而疊加ISRJ樣本則為ISRJ出現(xiàn)多次并發(fā)生疊加的情況。故對上述樣本中的假目標(biāo)進(jìn)行真值標(biāo)注時(shí),僅有一種干擾類別。

在深度學(xué)習(xí)模型的訓(xùn)練階段,由于訓(xùn)練樣本數(shù)量有限,故采取“微調(diào)”的訓(xùn)練策略。首先,基于經(jīng)典的“常見環(huán)境物體”(common objects in context, COCO)光學(xué)圖像數(shù)據(jù)集,對深度學(xué)習(xí)模型進(jìn)行預(yù)先訓(xùn)練,得到其相應(yīng)參數(shù)。然后,基于距離向ISRJ樣本和方位向ISRJ樣本所組成的訓(xùn)練樣本集,對深度學(xué)習(xí)模型的參數(shù)進(jìn)行微調(diào)。具體地,對于Faster R-CNN模型,主要的訓(xùn)練參數(shù)設(shè)置包括:批處理大小為128,訓(xùn)練次數(shù)為500,學(xué)習(xí)率為10-3;而對于YOLOv3模型,主要的訓(xùn)練參數(shù)設(shè)置包括:批處理大小為8,訓(xùn)練次數(shù)為50,學(xué)習(xí)率為10-4～10-6。在實(shí)際的訓(xùn)練過程中,所用計(jì)算機(jī)的硬件配置包括Intel Core i5-7400的CPU,16 GB的安裝內(nèi)存,NVIDIA GeForce GTX 1080 Ti的GPU顯卡,以及11 GB的顯卡內(nèi)存。此外,本文所用操作系統(tǒng)為Ubuntu Kylin 16.04 LTS,而相應(yīng)的深度學(xué)習(xí)框架則為TensorFlow 1.12.0的GPU版本。

在訓(xùn)練深度學(xué)習(xí)模型至收斂的前提之下,對測試樣本集進(jìn)行ISRJ檢測。在此過程中,深度學(xué)習(xí)模型會對每個(gè)測試樣本輸出若干檢測框,并賦予各檢測框一個(gè)分?jǐn)?shù)。該分?jǐn)?shù)越高,則表示相應(yīng)檢測框之中存在ISRJ假目標(biāo)的概率越大。故在上述的檢測過程中,通過設(shè)定檢測框的分?jǐn)?shù)門限以及檢測框之間的交并比門限,即可得到每個(gè)測試樣本的最終檢測結(jié)果。

3.3 實(shí)驗(yàn)結(jié)果與分析

使用訓(xùn)練好的Faster R-CNN和YOLOv3模型,分別對上述的測試樣本進(jìn)行ISRJ檢測,所得檢測結(jié)果如表2所示。此外,在YOLOv3模型的基礎(chǔ)上,相關(guān)研究還發(fā)展出了YOLOv4[26]以及YOLOv5[27]等模型。其中,YOLOv4模型即在YOLOv3模型的基礎(chǔ)上增添了一系列比較新的目標(biāo)檢測參數(shù)優(yōu)化手段[26]。具體而言,YOLOv4模型對輸入數(shù)據(jù)使用了馬賽克處理以及自對抗訓(xùn)練等數(shù)據(jù)增強(qiáng)技術(shù)。此外,YOLOv4模型在YOLOv3模型的主干網(wǎng)絡(luò)之中引入了跨級部分連接和加權(quán)殘差連接等優(yōu)化結(jié)構(gòu),并且對其激活函數(shù)、損失函數(shù)、小批量標(biāo)準(zhǔn)化處理過程以及正則化處理過程等均進(jìn)行了不同程度的改進(jìn)。在訓(xùn)練的過程之中,YOLOv4模型還用到了標(biāo)簽平滑以及學(xué)習(xí)率余弦退火衰減等加速模型收斂的技巧[26]。而YOLOv5模型相對于YOLOv4模型則創(chuàng)新較少,其主要改進(jìn)在于模型自身的輕量化[27]。故在表2中僅增加了一組使用YOLOv4模型所得到的ISRJ檢測結(jié)果,表內(nèi)括號中為正確檢測樣本數(shù)與全部樣本數(shù)的比值,即模型檢測準(zhǔn)確率。由表2可知,對于距離向ISRJ樣本,Faster R-CNN模型能夠在全部1 620個(gè)測試樣本中正確檢測出距離向假目標(biāo),YOLOv3模型也可以在1 613個(gè)測試樣本中實(shí)現(xiàn)對距離向假目標(biāo)的正確檢測,而YOLOv4模型則僅在1 527個(gè)測試樣本中正確檢測出距離向假目標(biāo),有93個(gè)測試樣本出現(xiàn)漏檢。對于方位向ISRJ樣本,Faster R-CNN模型、YOLOv3模型和YOLOv4模型針對方位向假目標(biāo)均可達(dá)到較高的檢測準(zhǔn)確率(均大于98.50%)。對于疊加ISRJ樣本,Faster R-CNN模型在4 791個(gè)測試樣本中正確檢測出距離向與方位向疊加假目標(biāo),YOLOv3模型在4 855個(gè)測試樣本中實(shí)現(xiàn)對距離向與方位向疊加假目標(biāo)的正確檢測,而YOLOv4模型則僅在4 150個(gè)測試樣本中正確檢測出距離向與方位向疊加假目標(biāo),有710個(gè)測試樣本出現(xiàn)漏檢或者檢測不完整。綜上所述,對于上述測試樣本集,Faster R-CNN、YOLOv3以及YOLOv4 3個(gè)深度學(xué)習(xí)模型所得總體檢測準(zhǔn)確率分別為98.92%、99.79%和88.56%,而上述3者所得平均總體檢測準(zhǔn)確率則為95.75%。

表2 SAR圖像ISRJ檢測性能

進(jìn)一步地,以測試樣本集之中同一區(qū)域的1個(gè)距離向ISRJ樣本、1個(gè)方位向ISRJ樣本以及1個(gè)疊加ISRJ樣本作為示例,使用訓(xùn)練好的Faster R-CNN模型、YOLOv3模型以及YOLOv4模型分別對其進(jìn)行ISRJ檢測,所得檢測結(jié)果如圖6所示。其中,圖6(a)、圖6(d)、圖6(g)分別為Faster R-CNN模型對于距離向ISRJ樣本(ISRJ_Rg.)、方位向ISRJ樣本(ISRJ_Az.)以及疊加ISRJ樣本(ISRJ_Mt.)的檢測結(jié)果;圖6(b)、圖6(e)、圖6(h)分別為YOLOv3模型對于距離向ISRJ樣本(ISRJ_Rg.)、方位向ISRJ樣本(ISRJ_Az.)以及疊加ISRJ樣本(ISRJ_Mt.)的檢測結(jié)果;圖6(c)、圖6(f)、圖6(i)分別為YOLOv4模型對于距離向ISRJ樣本(ISRJ_Rg.)、方位向ISRJ樣本(ISRJ_Az.)以及疊加ISRJ樣本(ISRJ_Mt.)的檢測結(jié)果。由圖6可知,Faster R-CNN模型和YOLOv3模型對于這一區(qū)域的距離向ISRJ樣本、方位向ISRJ樣本以及疊加ISRJ樣本均可得到正確的ISRJ檢測結(jié)果。而YOLOv4模型則僅在該區(qū)域的方位向ISRJ樣本上得到正確的檢測結(jié)果,其在相應(yīng)的距離向ISRJ樣本上產(chǎn)生漏檢,且在相應(yīng)的疊加ISRJ樣本上產(chǎn)生檢測不完整(即僅檢測出方位向假目標(biāo),而漏檢距離向假目標(biāo))的情形。

基于表2與圖6所示的實(shí)驗(yàn)結(jié)果,對于SAR圖像ISRJ檢測,一方面,Faster R-CNN模型與YOLOv3模型在總體檢測性能方面表現(xiàn)相仿。Faster R-CNN模型對于距離向假目標(biāo)的檢測性能更優(yōu),而對于方位向假目標(biāo)的檢測效果則不如YOLOv3模型。另一方面,YOLOv4模型雖然對方位向假目標(biāo)能夠達(dá)到較高的檢測準(zhǔn)確率,但是對于距離向假目標(biāo)的檢測效果不佳。此外,YOLOv4模型在疊加ISRJ樣本之中所出現(xiàn)的漏檢也大多發(fā)生在距離向。上述的情況即影響了YOLOv4模型對于整個(gè)測試樣本集的總體檢測準(zhǔn)確率。

綜上所述,Faster R-CNN模型與YOLOv3模型對于SAR圖像ISRJ檢測有著更好的精度表現(xiàn)。此外,由于訓(xùn)練樣本集與測試樣本集不存在交集,故兩個(gè)模型均具有較強(qiáng)的泛化能力。而在檢測效率方面,對于一個(gè)尺寸大小為501像素×501像素的ISRJ樣本,Faster R-CNN模型檢測用時(shí)為0.050 s,而YOLOv3模型檢測用時(shí)則為0.035 s。結(jié)合對ISRJ的檢測準(zhǔn)確率以及檢測用時(shí)的考慮,YOLOv3模型更為適用于SAR圖像ISRJ檢測。

4 結(jié) 論

本文從圖像域的角度對SAR圖像ISRJ檢測進(jìn)行研究。首先將實(shí)測數(shù)據(jù)與仿真干擾相結(jié)合,基于不同實(shí)測場景和仿真參數(shù)構(gòu)建ISRJ樣本;然后,針對ISRJ樣本中假目標(biāo)所呈現(xiàn)出的間隔分布特性,選用Faster R-CNN和YOLO兩類深度學(xué)習(xí)模型作為檢測器;接著,以單一場景的ISRJ樣本對深度學(xué)習(xí)模型進(jìn)行訓(xùn)練;最后,利用訓(xùn)練好的模型對其他場景的樣本進(jìn)行ISRJ檢測測試,并得到最終的ISRJ檢測結(jié)果。

基于MiniSAR數(shù)據(jù)開展檢測實(shí)驗(yàn),相應(yīng)的實(shí)驗(yàn)結(jié)果表明,針對不同類別、不同實(shí)測場景以及不同仿真參數(shù)的ISRJ樣本,Faster R-CNN模型、YOLOv3模型與YOLOv4模型三者能夠達(dá)到95.75%的平均總體檢測精度。其中,YOLOv3模型能夠達(dá)到最高99.79%的總體檢測精度,具有較強(qiáng)的泛化能力,且對于尺寸大小為501像素×501像素的ISRJ樣本,其檢測用時(shí)為0.035 s。此外,Faster R-CNN模型在檢測性能方面與YOLOv3模型相仿,其對于每個(gè)ISRJ樣本的檢測用時(shí)為0.050 s。

對于電子對抗背景下的SAR圖像目標(biāo)檢測與解譯而言,針對SAR圖像中干擾及假目標(biāo)的檢測僅僅只是開始。下一步的工作將在此基礎(chǔ)上,嘗試反演干擾的具體參數(shù),進(jìn)而在圖像域中實(shí)現(xiàn)對SAR干擾的抑制。