雷達(dá)信號與遙感地圖融合的深度學(xué)習(xí)低慢小目標(biāo)檢測算法

高梅國 林升泰

（北京理工大學(xué)信息與電子學(xué)院，北京 100081）

1 引言

近年來，小型無人機(jī)技術(shù)不斷發(fā)展，無人機(jī)的成本不斷降低，功能不斷完善，使其在軍事和民用領(lǐng)域都得到了廣泛應(yīng)用，但無人機(jī)帶來的危害也不斷擴(kuò)大。目前，對于這種低空慢速小目標(biāo)的可靠探測仍然是雷達(dá)探測領(lǐng)域的難點(diǎn)［1］。這種低慢小目標(biāo)的雷達(dá)散射截面積（RCS）很小且速度較低，其還常處于復(fù)雜強(qiáng)雜波環(huán)境下，這使得傳統(tǒng)的雷達(dá)檢測算法難以對其進(jìn)行有效檢測，另外雷達(dá)對機(jī)場飛鳥的探測也存在同樣的問題，因此有必要尋求新的能適應(yīng)復(fù)雜地形環(huán)境的對低慢小目標(biāo)進(jìn)行有效檢測的雷達(dá)檢測算法，這對軍事安全、航空安全等方面有著重大意義。

針對低慢小目標(biāo)的雷達(dá)檢測識別算法主要有以下四種發(fā)展方向［2］：信號精細(xì)化處理、信號和數(shù)據(jù)特征融合、利用深度學(xué)習(xí)智能方法以及使用新體制雷達(dá)。

（1）信號精細(xì)化處理方向：楊勇等人［3］提出了一種時頻檢測與極化匹配相結(jié)合的雙極化雷達(dá)無人機(jī)檢測方法；余啟等人［4］針對LFMCW 雷達(dá)提出了一種運(yùn)用2D-FFT的低慢小目標(biāo)檢測技術(shù)。

（2）信號和數(shù)據(jù)特征融合方向：章鵬飛等人［5］提出了一種多角度雷達(dá)觀測微動特征融合的無人機(jī)識別方法，通過將兩個不同角度雷達(dá)傳感器得到的特征融合在一起提高對無人機(jī)的識別率；陳帥等人［6］提出了一種將雷達(dá)與RGB 相機(jī)等傳感器進(jìn)行融合的方法，用于對無人機(jī)目標(biāo)的檢測。

（3）利用深度學(xué)習(xí)智能方向：HANIF A 等人［7］利用MobileNetV2深度卷積神經(jīng)網(wǎng)絡(luò)對低慢小目標(biāo)頻譜圖進(jìn)行分類；王陳幸［8］提出了一種基于深度學(xué)習(xí)的脈沖多普勒雷達(dá)低慢小目標(biāo)檢測算法。

（4）新體制雷達(dá)方向：KLARE J 等人［9］利用Ku波段MIMO 體制雷達(dá)對低慢小目標(biāo)進(jìn)行檢測；MARTELLI T等人［10］利用地面數(shù)字電視廣播外輻射源雷達(dá)在機(jī)場區(qū)域同時對無人機(jī)與民航飛機(jī)進(jìn)行監(jiān)測。

本文所提出的檢測算法結(jié)合了深度學(xué)習(xí)和數(shù)據(jù)特征融合的方法。我們在文獻(xiàn)［11］首先提出了一種將雷達(dá)信號與遙感地圖進(jìn)行融合的神經(jīng)網(wǎng)絡(luò)檢測方法，該方法對雷達(dá)信號處理形成RD 圖（距離-多普勒圖），對衛(wèi)星遙感地圖進(jìn)行分塊和類別標(biāo)注，將RD 峰值區(qū)域圖、對應(yīng)遙感地圖及其區(qū)域類別作為檢測和先驗(yàn)信息輸入深度學(xué)習(xí)網(wǎng)絡(luò)中，以背景圖像輔助雷達(dá)目標(biāo)信號檢測功能。通過將目標(biāo)背景中的特征信息融入檢測決策中，提高目標(biāo)檢測的準(zhǔn)確性和魯棒性，減少對強(qiáng)雜波和移動物體的干擾敏感性，改善目標(biāo)檢測算法在復(fù)雜環(huán)境下的表現(xiàn)。本文在文獻(xiàn)［11］研究基礎(chǔ)上，對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了優(yōu)化，重新設(shè)計(jì)出了雷達(dá)地圖融合檢測網(wǎng)絡(luò)RMDNV2，通過加入通道注意力機(jī)制、對雷達(dá)數(shù)據(jù)與地圖數(shù)據(jù)特征提取網(wǎng)絡(luò)深度主次區(qū)分，讓地圖信息起到更好的輔助檢測作用，從而提高了對低慢小目標(biāo)的檢測精度。此外，本文還對距離-多普勒圖峰區(qū)域大小、用于輔助檢測的地圖峰區(qū)域大小的選取對檢測性能的影響進(jìn)行了深入探究。

與其他數(shù)據(jù)特征融合的算法相比，本文算法額外融合的是衛(wèi)星遙感地圖數(shù)據(jù)，并不需要多雷達(dá)共同檢測［5］或添加其他傳感器［6］，成本更低。與其他深度學(xué)習(xí)方法相比，本文沒有直接使用已有的網(wǎng)絡(luò)模型，而是針對衛(wèi)星遙感地圖的融合做出了針對性的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)。由于本文采用的是有監(jiān)督學(xué)習(xí)的方式，本文算法需要有大量的低慢小目標(biāo)實(shí)測數(shù)據(jù)樣本進(jìn)行預(yù)訓(xùn)練，且應(yīng)盡可能多的在各種背景環(huán)境下進(jìn)行數(shù)據(jù)采集。

2 算法描述

2.1 算法流程描述

本文檢測算法的具體流程如圖1所示：

圖1 算法流程Fig.1 Algorithm flow chart

1）對采集到的雷達(dá)回波信號進(jìn)行匹配濾波與多普勒處理，生成距離-多普勒圖（RD圖）。

2）在RD 圖上進(jìn)行峰值檢測（低門限二維CACFAR 檢測）找出所有可疑目標(biāo)的峰值點(diǎn)位置，根據(jù)目標(biāo)峰值點(diǎn)在RD 圖中的位置得到可疑目標(biāo)的距離與速度信息。

3）通過天線指向、方向圖、目標(biāo)峰時刻進(jìn)行角度測量，得到可疑目標(biāo)的方位角度信息。

4）將衛(wèi)星遙感地圖轉(zhuǎn)換為極坐標(biāo)格式并進(jìn)行圖像分割，得到地圖圖像類別（田野、樹林、建筑等）掩碼。

5）根據(jù)距離與速度信息截取RD 圖中可疑目標(biāo)峰附近的像素點(diǎn)，形成“RD 峰區(qū)域圖”。根據(jù)可疑目標(biāo)的距離與角度信息，截取目標(biāo)所在地圖位置附近的遙感圖像與類別掩碼形成“峰區(qū)域地圖”和“峰地圖類別”。

6）將每個可疑目標(biāo)的RD 峰區(qū)域圖、峰區(qū)域地圖和峰地圖類別組合在一起，共同輸入神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行分類，判斷此可疑目標(biāo)是否為真實(shí)目標(biāo)，完成目標(biāo)最終檢測。

2.2 雷達(dá)與地圖數(shù)據(jù)預(yù)處理

與傳統(tǒng)雷達(dá)信號處理一樣，對采集的信號數(shù)據(jù)進(jìn)行匹配濾波、脈沖多普勒處理，提高目標(biāo)信噪比、抑制雜波，形成回波信號的距離-多普勒數(shù)據(jù)，也就是RD 圖，它是一個二維的數(shù)據(jù)矩陣，矩陣的每個元素表示一個特定距離單元和速度單元的回波信號強(qiáng)度。得益于匹配濾波和多普勒處理對回波信號的增益，在RD 圖中具有一定速度的目標(biāo)會具有比周圍元素更高的信號幅值，形成一個凸起的峰，根據(jù)這個峰在RD 圖中的位置可以得到其代表的徑向距離和徑向速度。在得到RD圖后，緊接著用CFAR進(jìn)行峰值檢測。在距離維與多普勒維同時進(jìn)行檢測，當(dāng)兩個維度都被檢測出有目標(biāo)時就將其認(rèn)作為可疑目標(biāo)，之后以可疑目標(biāo)峰為中心截取周圍區(qū)域，得到RD 峰區(qū)域圖。在后續(xù)神經(jīng)網(wǎng)絡(luò)的樣本訓(xùn)練和檢測輸入時，只需輸入這些被截取出的RD 峰區(qū)域數(shù)據(jù)。之所以截取RD 峰周圍區(qū)域數(shù)據(jù)是因?yàn)镽D峰周圍數(shù)據(jù)也包含目標(biāo)的信息。

在進(jìn)行雷達(dá)信號數(shù)據(jù)與衛(wèi)星遙感地圖數(shù)據(jù)融合前，需要對雷達(dá)數(shù)據(jù)與地圖數(shù)據(jù)進(jìn)行配對映射，即找到當(dāng)前雷達(dá)可疑目標(biāo)的背景區(qū)域?qū)?yīng)于地圖中的像素區(qū)域，這主要是通過距離和角度信息進(jìn)行關(guān)聯(lián)。獲取雷達(dá)最大探測區(qū)域內(nèi)的衛(wèi)星遙感地圖，一般地圖中像素點(diǎn)是按照空間直角坐標(biāo)分布的，為了將其更好地與雷達(dá)數(shù)據(jù)相結(jié)合，以雷達(dá)位置為原點(diǎn)正北為0°對地圖進(jìn)行極坐標(biāo)轉(zhuǎn)換，得到以距離-角度為坐標(biāo)的地圖形式，具體轉(zhuǎn)換公式如下：

其中，x0和y0為雷達(dá)原點(diǎn)坐標(biāo)，x和y為地圖中像素點(diǎn)的原始坐標(biāo)，θ為坐標(biāo)(x，y)像素點(diǎn)相對于雷達(dá)原點(diǎn)的方位角度，r為距離。

在經(jīng)過極坐標(biāo)轉(zhuǎn)換得到距離-角度坐標(biāo)下的地圖后，將該地圖輸入到預(yù)先訓(xùn)練好的圖像分割網(wǎng)絡(luò)。本文使用的圖像分割網(wǎng)絡(luò)模型為Swin Transformer U-Net 模型［12］，它結(jié)合了Swin Transformer 和U-Net 的優(yōu)勢。它使用Swin Transformer 作為特征提取器，并在頂部添U-Net 的解碼器部分。這樣可以在保持Swin Transformer 高效率和表達(dá)能力的同時，利用U-Net 的跳躍連接結(jié)構(gòu)來提高分割的精度和細(xì)節(jié)恢復(fù)能力，對高分辨率遙感圖像有著較好的語義分割能力。在訓(xùn)練該地圖分割模型時，使用的是武漢大學(xué)王俊玨博士采集的LoveDA 數(shù)據(jù)集［13］。遙感地圖被送入到圖像分割模塊后就可以得到地圖每個像素對應(yīng)的地圖類別掩碼。

在雷達(dá)數(shù)據(jù)預(yù)處理階段，已得到了可疑目標(biāo)的距離和角度信息，可以據(jù)此與經(jīng)過極坐標(biāo)轉(zhuǎn)換后的地圖以及它經(jīng)過分割后得到的類別掩碼圖進(jìn)行像素點(diǎn)級別的映射，從而以映射的像素點(diǎn)為中心向四周截取出RD 峰區(qū)域?qū)?yīng)的遙感地圖以及其對應(yīng)的地圖類別掩碼。

最終每個可疑目標(biāo)都會得到RD 峰區(qū)域圖、峰區(qū)域地圖和峰地圖類別這三類特征信息，各自記為xpeak、xmap、xmask。這些信息將作為一個整體輸入到后續(xù)的網(wǎng)絡(luò)模型中進(jìn)行特征提取和分類檢測任務(wù)。

2.3 神經(jīng)網(wǎng)絡(luò)模型

本文搭建的網(wǎng)絡(luò)模型命名為雷達(dá)地圖融合檢測網(wǎng)絡(luò)RMDN-V2（Radar Map fusion Detection Network Version 2），其結(jié)構(gòu)如圖2所示。該網(wǎng)絡(luò)模型針對雷達(dá)信號和遙感地圖兩類數(shù)據(jù)設(shè)計(jì)了兩個主輔特征提取模塊，其中一個模塊負(fù)責(zé)RD 峰區(qū)域圖的距離維度與多普勒維度特征信息提取，另一個模塊則用來提取遙感地圖中的背景信息。網(wǎng)絡(luò)的輸入數(shù)據(jù)是數(shù)據(jù)預(yù)處理后得到的三種數(shù)據(jù)，即RD 峰區(qū)域圖、峰區(qū)域地圖以及峰地圖類別，網(wǎng)絡(luò)最后的輸出是長度為2的特征向量，表示了有無目標(biāo)的概率。RD 峰區(qū)域圖輸入到RD 圖特征提取模塊后，該模塊會從各類可疑目標(biāo)的RD 峰區(qū)域圖中提取出最重要的雷達(dá)信號特征。峰區(qū)域地圖和峰地圖類別共同輸入到遙感地圖特征提取模塊后，該模塊會從地圖中提取出有用的背景信息特征，作為最終目標(biāo)檢測的輔助信息。兩個特征提取模塊提取出的特征信息會被一個特征融合模塊融合到一起，之后再傳遞到全連接網(wǎng)絡(luò)中，得到可疑目標(biāo)屬于不同類別的概率。

圖2 RMDN-V2結(jié)構(gòu)示意圖Fig.2 Schematic diagram of RMDN-V2 structure

1）RD圖特征提取模塊

RD圖特征提取模塊的具體結(jié)構(gòu)如圖3所示，其搭建以CNN 為主干，局部采用了ResNet 的殘差分支結(jié)構(gòu)。

圖3 RD圖特征提取模塊結(jié)構(gòu)示意圖Fig.3 Schematic diagram of the structure of the RD image feature extraction module

不同于常規(guī)的殘差結(jié)構(gòu)，本文中所用的殘差分支特征在匯入主干網(wǎng)絡(luò)時并不是簡單的相加模式，而是使用了一個自主設(shè)計(jì)的融合單元Fusion，簡單的特征相加可能會破壞特征的完整性，而為此做出針對設(shè)計(jì)的Fusion 單元可以避免這一問題。其具體結(jié)構(gòu)如圖4所示。

圖4 融合單元結(jié)構(gòu)示意圖Fig.4 Schematic diagram of fusion unit structure

融合單元的公式如下：

式（3）中x1，x2代表了融合單元的兩個輸入特征，xF代表了融合單元的輸出，Cat(·，·)代表拼接操作，即將輸入的特征圖在通道維度進(jìn)行拼接；Conv(·)代表卷積操作，卷積核的數(shù)量是x1和x2的通道數(shù)，卷積大小為3×3；BN(·)代表批量歸一化操作，Relu(·)則為激活函數(shù)。融合單元的輸入可以為兩個或兩個以上，但必須確保它們的大小尺度是一致的。

在RD 圖特征提取模塊中，采用了多層的卷積操作，以此獲得RD 峰區(qū)域圖中高層次、抽象的特征表示。通過加入殘差結(jié)構(gòu)，可以適當(dāng)保留一些淺層的特征信息，讓某些重要特征不會隨著網(wǎng)絡(luò)層數(shù)的加深而丟失，此外殘差結(jié)構(gòu)還可以幫助解決梯度消失和模型訓(xùn)練困難的問題。采用了Relu激活函數(shù)，當(dāng)神經(jīng)元輸出為負(fù)值時將其置零，因此可以引發(fā)稀疏激活性，即只有部分神經(jīng)元處于激活狀態(tài)，其他神經(jīng)元被抑制。這種稀疏性可以在一定程度上降低模型的復(fù)雜性，并有助于防止過擬合。在反向傳播過程中，Relu函數(shù)能夠保持正值的梯度為1，這意味著梯度能夠有效地傳播到更深層的網(wǎng)絡(luò)。相比于其他激活函數(shù)（如Sigmoid 和tanh），Relu 的梯度不會出現(xiàn)飽和現(xiàn)象，從而減緩梯度消失的問題，有助于加快模型的訓(xùn)練速度。在Relu 層后都會進(jìn)行一次Batch Normalization（BN）層，在每個mini-batch的訓(xùn)練數(shù)據(jù)中，對每個特征進(jìn)行標(biāo)準(zhǔn)化，將其均值調(diào)整為0，方差調(diào)整為1，這樣可以使得輸入數(shù)據(jù)更加規(guī)范化，減少了不同特征之間的尺度差異，從而加速收斂過程、提高了模型的泛化能力。此外利用BN層，可以使得網(wǎng)絡(luò)中每一層的輸入都具有相似的分布，避免了梯度的不穩(wěn)定性，這樣可以更好地傳播梯度，降低梯度消失和梯度爆炸的風(fēng)險(xiǎn)，從而提高模型的穩(wěn)定性和訓(xùn)練效果。并且BN 層可以起到一定的正則化作用，有助于防止過擬合。在模型的最后加入了一個平均池化層來調(diào)整特征圖的大小，這是為了能與遙感地圖模塊的特征張量進(jìn)行匹配。

2）遙感地圖特征提取模塊

遙感地圖特征提取模塊主要負(fù)責(zé)地圖背景信息的提取，由于這里地圖只起到提供背景環(huán)境的輔助檢測作用，與原始的RMDN相比，本文算法在遙感地圖特征提取模塊減少了卷積層的層數(shù)，其具體結(jié)構(gòu)如圖5所示。該模塊的輸入是峰區(qū)域地圖和峰地圖類別，它們各自經(jīng)過一層卷積提取出淺層信息后，便將提取出的兩種特征信息利用融合單元進(jìn)行融合。緊接著，特征圖會通過一個空間注意力機(jī)制模塊進(jìn)行加權(quán)，并與未加權(quán)的特征通過融合單元進(jìn)行融合。

圖5 遙感地圖特征提取模塊結(jié)構(gòu)示意圖Fig.5 Schematic diagram of satellite map feature extraction module structure

空間注意力機(jī)制通過為輸入數(shù)據(jù)中的不同部分分配不同的權(quán)重，使模型能夠根據(jù)任務(wù)的需要有選擇地關(guān)注輸入的某些部分，計(jì)算機(jī)視覺中，空間注意力機(jī)制可以幫助模型在圖像中聚焦于重要的區(qū)域，從而減少模型對噪聲和干擾的敏感性，達(dá)到提高模型魯棒性的效果。

空間注意力機(jī)制公式如下：

其中x代表了模塊的輸入特征圖，xa代表了輸出的空間注意力機(jī)制特征圖，Conv(·)代表卷積操作，在整個過程中，輸入與輸出的通道數(shù)與大小不變。sigmoid函數(shù)用來生成每個特征點(diǎn)上的空間注意力權(quán)重，最后通過與特征圖x相乘的方式來施加空間注意力影響。雷達(dá)在某些區(qū)域進(jìn)行探測時容易產(chǎn)生虛警點(diǎn)，例如高大樹叢處、風(fēng)電場區(qū)等，通過用空間注意力機(jī)制關(guān)注這些特別的區(qū)域可以應(yīng)用這些虛警點(diǎn)的特征。在與空間注意力機(jī)制信息融合后，特征圖會繼續(xù)被送入卷積和殘差結(jié)構(gòu)中，進(jìn)行更深層的特征提取。

雷達(dá)探測目標(biāo)的準(zhǔn)確性很大程度上受周圍環(huán)境的影響，而遙感地圖可以直接地展現(xiàn)出探測目標(biāo)所處的背景環(huán)境信息，通過融入目標(biāo)背景環(huán)境信息，讓算法可以適應(yīng)不同背景環(huán)境下的檢測任務(wù)，提高目標(biāo)檢測的準(zhǔn)確性和魯棒性，降低對強(qiáng)雜波和運(yùn)動目標(biāo)干擾的敏感性，從而達(dá)到提高目標(biāo)檢測算法在復(fù)雜環(huán)境中的性能的目的。本文通過融入遙感圖像提供背景環(huán)境信息，讓神經(jīng)網(wǎng)絡(luò)能動態(tài)的根據(jù)不同的背景環(huán)境信息調(diào)整判決模型參數(shù)（門限）。

3）特征融合模塊

特征融合模塊主要起到將雷達(dá)信號特征以及地圖特征進(jìn)行融合的作用。在檢測任務(wù)當(dāng)中，只有雷達(dá)數(shù)據(jù)會包含目標(biāo)信息，地圖信息只是提供了探測環(huán)境的背景信息，起到輔助作用，所以雷達(dá)數(shù)據(jù)特征應(yīng)在目標(biāo)檢測中占主導(dǎo)地位。在雷達(dá)與地圖特征進(jìn)行通道合并后，加入了WANG Qilong等人［14］提出的ECA（Efficient Channel Attention）模塊，通過加入通道注意力機(jī)制，讓模型可以自動學(xué)習(xí)雷達(dá)數(shù)據(jù)特征與地圖數(shù)據(jù)特征的關(guān)聯(lián)程度，并給予更重要的通道更高的權(quán)重。這樣可以使模型更有效地利用特征圖中有用的通道信息，進(jìn)而提高模型的表現(xiàn)和泛化能力。ECA模塊首先通過全局平均池化得到每個通道的全局平均值，然后利用一維卷積高效實(shí)現(xiàn)局部跨通道交互，提取各個通道間的關(guān)系，在這之后再經(jīng)過Sigmoid激活函數(shù)得到各個通道的權(quán)重，最后將權(quán)重與原始輸入特征圖對應(yīng)通道元素相乘并再通過一個1×1的二維卷積進(jìn)行降維從而得到最終的融合特征，整個特征融合模塊具體結(jié)構(gòu)如圖6所示。

圖6 特征融合模塊結(jié)構(gòu)示意圖Fig.6 Schematic diagram of feature fusion module structure

雷達(dá)信號特征與地圖特征在經(jīng)過特征融合模塊后得到融合特征，最后融合特征會被送到全連接網(wǎng)絡(luò)中，得到有目標(biāo)以及無目標(biāo)的概率。

4）損失函數(shù)

RMDN-V2 模型訓(xùn)練時采用的是交叉熵?fù)p失函數(shù)（CrossEntropy Loss），它是一種常用的分類問題損失函數(shù)，常用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。在實(shí)際雷達(dá)搜索探測中，含有目標(biāo)的雷達(dá)回波數(shù)是極少的，大部分是雜波回波數(shù)據(jù)，即樣本的類別是極不均衡的，在峰值檢測過后得到的目標(biāo)峰的類別分布為40∶1（虛假可疑目標(biāo)：真實(shí)可疑目標(biāo)）。為了克服樣本類別分布不均衡的問題，避免模型對虛假目標(biāo)樣本過度依賴，本文的損失函數(shù)對兩種類別設(shè)置了相應(yīng)的權(quán)重，損失函數(shù)如式（5）。

式（5）中，w0和w1代表兩種類別的損失權(quán)重，該權(quán)重由類別數(shù)的比例決定，即w0：w1=n1：n0且w0+w1=1，n0與n1代表兩種類別的樣本數(shù)。

3 實(shí)驗(yàn)結(jié)果

3.1 實(shí)驗(yàn)數(shù)據(jù)集說明

本文實(shí)驗(yàn)所采用的數(shù)據(jù)為城市和郊區(qū)環(huán)境背景下無人機(jī)目標(biāo)的雷達(dá)實(shí)測數(shù)據(jù)。本實(shí)驗(yàn)所用雷達(dá)為C 波段脈沖雷達(dá)，信號帶寬20 MHz，脈沖重復(fù)周期為64.88 μs，相干脈沖數(shù)為1536，天線方位角轉(zhuǎn)速為12 c/m，方位波束寬度為5°，俯仰多波束，俯仰單波束寬度為5°。無人機(jī)目標(biāo)有兩類，分別為大疆精靈4 無人機(jī)與大疆御2pro 無人機(jī)，飛行時為合作目標(biāo)記錄航路信息。背景環(huán)境包括樓宇、公路、高壓線、樹木、荒地等，飛行實(shí)驗(yàn)信息如表1所記錄。

表1 數(shù)據(jù)采集表Tab.1 Data collection table

本文用大疆精靈4無人機(jī)與大疆御2pro分別進(jìn)行了兩次飛行實(shí)驗(yàn)構(gòu)成數(shù)據(jù)集，其具體外觀如圖7所示。

圖7 大疆御 2pro（左）與精靈 4（右）無人機(jī)展示Fig.7 DJI Mavic 2 Pro（left）and Phantom 4（right）display

3.2 模型參數(shù)

本文的網(wǎng)絡(luò)模型詳細(xì)參數(shù)如表2所示。在訓(xùn)練階段，采用的是Adam 優(yōu)化器，學(xué)習(xí)率為0.001，batch size=1024，系統(tǒng)環(huán)境為ubuntu 18.04，硬件設(shè)備為CPU E5-2680 v4 和GPU 1080 ti，編程語言為Matlab 和PyTorch，當(dāng)中Matlab 主要負(fù)責(zé)基帶數(shù)據(jù)的預(yù)處理，Pytorch負(fù)責(zé)網(wǎng)絡(luò)模型訓(xùn)練和處理。

表2 模型參數(shù)Tab.2 Model parameter

3.3 算法性能實(shí)驗(yàn)

為了檢驗(yàn)本文算法的性能，首先將本文的檢測算法與傳統(tǒng)的CFAR 算法以及原有的RMDN 進(jìn)行比較。對于經(jīng)典的CFAR 模型，通過改變檢測門限系數(shù)，來計(jì)算虛警率變化時的檢測率。對于本文提出的RMDN-V2模型，通過改變類別概率門限，來仿真不同虛警率下的檢測率分布情況。

從圖8中可以看出，在使用相同檢測算法的情況下，對精靈4的檢測性能表現(xiàn)均優(yōu)于御2pro，這是因?yàn)橛?pro雷達(dá)反射截面積更小，雷達(dá)回波更弱，檢測難度更高，所以相同檢測方法在相同虛警率下，御2pro檢測率要低于精靈4。在各種虛警率情況下本文提出的RMDN-V2算法對兩類目標(biāo)的檢測性能均優(yōu)于原有的RMDN算法以及CFAR檢測算法，其檢測性能的提升在體積更小的御2pro上表現(xiàn)得尤為明顯，在虛警率1×10-6時，RMDN-V2 對御2pro 的檢測率比RMDN高出約30%，比CFAR檢測高出約50%。改進(jìn)后的RMDN-V2模型適當(dāng)?shù)販p小了地圖特征提取模塊的網(wǎng)絡(luò)深度，同時通過加入通道注意力機(jī)制來讓網(wǎng)絡(luò)自主學(xué)習(xí)雷達(dá)與地圖特征的權(quán)重，使得RMDN-V2相比RMDN對低慢小目標(biāo)有了更好的檢測性能。

圖8 RMDN-V2算法與傳統(tǒng)CFAR及RMDN對御2pro（左）和精靈4（右）檢測結(jié)果對比Fig.8 Comparison of detection results between RMDN-V2 algorithm and traditional CFAR and RMDN for Mavic 2 Pro（left）and Phantom 4（right）

在圖9 中展示了在相近虛警率下RMDN-V2 和CFAR 檢測各自在御2pro 和精靈4 無人機(jī)的測試集數(shù)據(jù)中檢測到的點(diǎn)跡。在本文中，神經(jīng)網(wǎng)絡(luò)只是進(jìn)行真?zhèn)文繕?biāo)的二分類，不進(jìn)行距離和方位角信息預(yù)測，距離和方位角信息由先前的數(shù)據(jù)預(yù)處理過程獲得。圖9中的每一個點(diǎn)跡都對應(yīng)著RD圖中的一個可疑目標(biāo)峰，數(shù)據(jù)預(yù)處理時得到的可疑目標(biāo)峰若在通過神經(jīng)網(wǎng)絡(luò)判決后被判斷為無人機(jī)目標(biāo)，則根據(jù)其距離和方位角信息在圖中繪制出相應(yīng)的點(diǎn)跡，此過程中沒有進(jìn)行航跡關(guān)聯(lián)處理。在圖中，RMDN-V2檢測到的目標(biāo)點(diǎn)跡更為連續(xù)密集，CFAR檢測所得的目標(biāo)點(diǎn)跡則相對稀疏，目標(biāo)點(diǎn)跡缺失現(xiàn)象更為明顯，若應(yīng)用在實(shí)際檢測場景中，RMDN-V2更不易丟失目標(biāo)。

圖9 RMDN-V2和CFAR檢測點(diǎn)跡展示Fig.9 Display of RMDN-V2 and CFAR detection traces

本節(jié)實(shí)驗(yàn)還進(jìn)行了與其他算法的比較，當(dāng)中包括FAN-FCNN［15］、Win-CNN［16］和PD-method［9］。該實(shí)驗(yàn)是在RD峰區(qū)域圖大小為7×7條件下進(jìn)行的，F(xiàn)ANFCNN、Win-CNN和PD-method無地圖融合結(jié)構(gòu)，在本次實(shí)驗(yàn)均不輸入地圖信息，結(jié)果如表3所示。

表3 與其他深度學(xué)習(xí)方法的對比實(shí)驗(yàn)（虛警率=1×10-6）Tab.3 Comparative experiments with other deep learning methods（FAR=1×10-6）

FAN-FCNN 和Win-CNN 都是基于深度學(xué)習(xí)網(wǎng)絡(luò)的雷達(dá)目標(biāo)檢測方法，嘗試用這兩種算法對無人機(jī)雷達(dá)實(shí)測數(shù)據(jù)進(jìn)行檢測，其效果均不理想，檢測性能遠(yuǎn)遠(yuǎn)弱于本文的RMDN-V2 算法。經(jīng)分析認(rèn)為：FAN-FCNN 全部由全連接層構(gòu)成，網(wǎng)絡(luò)結(jié)構(gòu)相對簡單，難以從低慢小雷達(dá)實(shí)測數(shù)據(jù)中提取出關(guān)鍵的信號特征。而Win-CNN 該文章中的輸入數(shù)據(jù)是整張RD圖，與本文的輸入數(shù)據(jù)RD峰區(qū)域圖有著較大區(qū)別，所以該網(wǎng)絡(luò)表現(xiàn)的性能不佳。PD-method其同樣是使用脈沖雷達(dá)對無人機(jī)目標(biāo)進(jìn)行檢測，基于神經(jīng)網(wǎng)絡(luò)對RD 圖進(jìn)行特征提取，與本文對雷達(dá)數(shù)據(jù)的特征提取方法類似，但在本文數(shù)據(jù)下訓(xùn)練時，由于樣本的類別極不均衡，模型易被訓(xùn)練成把所有目標(biāo)都判斷成虛假目標(biāo)。從以上結(jié)果可以驗(yàn)證本文算法的優(yōu)越性。

3.4 性能影響因素分析

1）地圖信息輔助效果實(shí)驗(yàn)

在本文所構(gòu)建的檢測模型中，分別輸入RD 峰區(qū)域圖、峰區(qū)域地圖和峰地圖類別這三類信息，其中RD 峰區(qū)域圖信息是用來檢測目標(biāo)的主要信息，地圖信息和地圖類別信息主要起到提供背景環(huán)境信息的輔助作用。

該實(shí)驗(yàn)主要目的是探究地圖信息與地圖類別信息對檢測任務(wù)的貢獻(xiàn)程度。圖10展示了給神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，圖11展示了各個模塊的輸出特征圖，包括對融合后特征的展示。在“No Mask”模型中，去除了xmask特征提取分支，保留了xmap的特征提取分支，即直接輸入極坐標(biāo)轉(zhuǎn)換后的遙感地圖信息。在“No Map”模型中，去除了xmap特征提取分支，保留了xmask的特征提取分支，即直接輸入峰地圖類別信息。在“No Mask and Map”模型中，去除了遙感地圖特征提取模塊，只保留了RD 圖特征提取模塊，該模型就是單單使用雷達(dá)信息的檢測模型。

圖10 初始輸入RD峰區(qū)域圖（左）、峰區(qū)域地圖（中）、峰地圖類別（右）Fig.10 Initial input RD peak area map（left），peak area map（center），and peak map category（right）

圖11 RD圖特征提取模塊輸出特征圖（左）、地圖特征提取模塊輸出特征圖（中）、特征融合模塊輸出特征圖（右）Fig.11 RD image feature extraction module output feature map（left），map feature extraction module output feature map（center），feature fusion module output feature map（right）

圖12 展示了4 類模型實(shí)驗(yàn)結(jié)果ROC 曲線。其中完整的RMDN-V2 模型利用了RD 峰區(qū)域圖、峰區(qū)域地圖和峰地圖類別這三類信息，其性能表現(xiàn)最好；只用遙感地圖信息進(jìn)行輔助的“No Mask”和只用地圖類別信息進(jìn)行輔助的“No Map”模型性能都有所下降，而不用輔助信息只用雷達(dá)信息進(jìn)行檢測的“No Mask and Map”模型性能表現(xiàn)最差。從本實(shí)驗(yàn)結(jié)果說明峰區(qū)域地圖和峰地圖類別信息對于雷達(dá)目標(biāo)檢測有好的輔助效果，它們能有效提高雷達(dá)目標(biāo)檢測性能。進(jìn)一步比較，“No Map”模型性能好于“No Mask”模型，這說明地圖類別信息作為地圖信息的進(jìn)一步提煉起到更好的輔助檢測效果，同時說明了使用地圖類別信息作為分類網(wǎng)絡(luò)的先驗(yàn)信息對本文的檢測任務(wù)是有效的。

圖12 不同地圖信息輔助情況下ROC對比曲線Fig.12 Comparison of ROC curve with different map information aids

2）RD峰區(qū)域圖大小性能影響實(shí)驗(yàn)

截取RD峰區(qū)域圖時，是在RD圖上按一定的邊長截取以峰值點(diǎn)為中心的正方形區(qū)域作為RD 峰區(qū)域圖，RD 峰區(qū)域圖大小實(shí)驗(yàn)將對比不同大小的RD峰區(qū)域?qū)δ繕?biāo)檢測性能的影響。

對比了分別采用邊長為3 到12 的RD 峰區(qū)域圖下的檢測效果，當(dāng)邊長為奇數(shù)時，是以峰值點(diǎn)為中心對稱取點(diǎn)，當(dāng)邊長為偶數(shù)時，以峰值點(diǎn)為中心，上半部分比下半部分多取一點(diǎn)，左半部分比右半部分多取一點(diǎn)，例如邊長為12時，是以峰值點(diǎn)為中心，峰值點(diǎn)左半?yún)^(qū)長度為6，右半?yún)^(qū)長度為5，上半?yún)^(qū)長度為6，下半?yún)^(qū)長度為5。具體實(shí)驗(yàn)結(jié)果如表4所示。

表4 不同RD峰區(qū)域圖大小檢測性能實(shí)驗(yàn)結(jié)果（虛警率=1×10-6）Tab.4 Experimental results of different RD peak area sizes（FAR=1×10-6）

從實(shí)驗(yàn)結(jié)果中可以看出，在虛警率為1×10-6時，檢測率從整體上看是隨著RD峰區(qū)域圖的增大而先提高隨后下降的趨勢，當(dāng)RD峰區(qū)域圖大小取到7×7時檢測效果最好。雷達(dá)信號帶寬20 MHz，加窗距離分辨率約為10 m，采樣量化單元是6 m，雷達(dá)主瓣寬度到根部一般都有5～7個采樣點(diǎn)，用7個采樣點(diǎn)可以把主瓣能量和特征都用上，這與實(shí)驗(yàn)結(jié)果也是吻合的。

3）峰區(qū)域地圖大小性能影響實(shí)驗(yàn)

峰區(qū)域地圖大小實(shí)驗(yàn)的主要目的是探究輸入到網(wǎng)絡(luò)中與RD 峰區(qū)域?qū)?yīng)的地圖大小對算法檢測性能的影響。

從表5中可看出，峰區(qū)域地圖大小在邊長140 m左右時算法的檢測性能最好，當(dāng)峰地圖大小與140 m范圍差距越大時，檢測性能下降越明顯。這應(yīng)該是與雷達(dá)信號檢測用的信號覆蓋區(qū)域大小有關(guān)，檢測時使用的距離范圍為42 m（采樣單元7 個，RD 峰區(qū)域取值），橫向?qū)挾葹?57 m（方位波束寬度5°在距離1800 m處對應(yīng)寬度），這與140 m相當(dāng)。當(dāng)峰區(qū)域地圖代表的實(shí)際范圍太小時，地圖所能提供的環(huán)境信息過少，無法起到有效的輔助檢測作用，而當(dāng)峰區(qū)域地圖代表的實(shí)際范圍太大時，會引入大量與無人機(jī)檢測實(shí)際背景無關(guān)的地圖信息，對網(wǎng)絡(luò)提取關(guān)鍵背景環(huán)境信息進(jìn)行干擾，導(dǎo)致檢測性能下降。

4 結(jié)論

本文在文獻(xiàn)［1］提出的RMDN算法模型的基礎(chǔ)上進(jìn)行了優(yōu)化改進(jìn)，主要從區(qū)分雷達(dá)數(shù)據(jù)和遙感地圖數(shù)據(jù)的主次作用進(jìn)行優(yōu)化，一方面通過適當(dāng)減少遙感地圖特征提取模塊的卷積層數(shù)，減少了整體模型對地圖信息的關(guān)注度；另一方面通過新加入通道注意力機(jī)制讓網(wǎng)絡(luò)自主學(xué)習(xí)雷達(dá)與地圖特征的權(quán)重，讓其能自主區(qū)分雷達(dá)與地圖特征的重要性。此外，本文更深入分析了RMDN 類算法輸入數(shù)據(jù)RD峰區(qū)域圖大小和峰地圖大小選取對檢測性能的影響。實(shí)測數(shù)據(jù)驗(yàn)證結(jié)果表明了本文算法的優(yōu)越性，對于兩類無人機(jī)目標(biāo)檢測RMDN-V2算法都表現(xiàn)出了較好的檢測性能，尤其是對體積更小，更難以檢測的大疆御2pro 無人機(jī)，RMDN-V2 的檢測性能提升尤為明顯，在虛警率1×10-6時，RMDN-V2 對御2pro 的檢測率比RMDN 高出約30%，比CFAR 檢測高出約50%。本文為解決當(dāng)下低慢小目標(biāo)檢測的難題提出了新的算法。