基于深度自編碼網絡的慢速移動目標檢測

劉 凱,林基明,2,鄭 霖,楊 超

(1.桂林電子科技大學 廣西無線寬帶通信與信號處理重點實驗室,廣西 桂林 541004;2.梧州學院,廣西 梧州 543002)

0 概述

強雜波背景(如樹林、建筑群等環境)下的低速目標檢測一直以來都是一個具有挑戰性的課題,譬如:障礙物和目標的回波具有類似的電磁特性,嚴重的多徑效應及低速特性,使得傳統的動目標檢測技術很難奏效。

從20世紀開始,國內外學者在該領域做了一系列探索,其中比較有效的方法主要有:基于傳統信號處理和基于特征的模式分類。基于傳統的信號處理技術通過統計特性以似然比檢測(LRT)及其改進型作為主要技術手段[1],但必須構建準確的環境統計特性模型,而這對于時變乃至未知環境并不適用;或是從時域波形[2-3]、時頻分析[4-5]和信息論[6-7]等角度來構建特征檢測量,但其構建的RAKE結構雷達傳感網,推導過于理想化,判別函數的實用性值得商榷,因此,對于強雜波淹沒下的低速目標檢測效果并不理想。而基于特征的檢測方法則從模式識別的角度出發,利用傳統信號處理結合數據約簡技術提取特征,最后以機器學習算法構建檢測器[8-11]。該方法雖然成功地將目標檢測問題轉化為模式分類問題,并取得了一定效果,但仍然存在一些問題。首先,所提取特征的有效性值得推敲,是否有利于后面的分類識別,或是否是最優、無冗余的,還有就是它們大多針對固定目標,對于位置變動的目標則沒有涉及;其次,分類器的構建都是基于傳統的淺層機器學習算法,這些算法對復雜函數的逼近能力有限,不能充分地挖掘和表示環境變化特征;最后,簡單地將所提取的特征作為分類器的輸入,并未考慮特征與分類器的組合性能。此外對于更易工程實現的寬帶雷達也并未涉及。

近年來興起的深度學習[12]具有較好的目標信息表示能力、魯棒性和泛化性,可以實現復雜函數逼近,因此,國內外學者成功將其用于圖像處理、自然語言處理等領域并取得了突破性進展。文獻[13]將卷積神經網絡應用于合成孔徑雷達目標識別,取得了比傳統機器學習更好的效果。文獻[14]將自編碼神經網絡應用于人體步行圖像序列的數據降維中,實現了人體運動的跟蹤和姿態的識別。文獻[15]將自編碼神經網絡應用于車牌數字識別,取得了良好的識別性能。

基于以上分析,本文以深度自編碼網絡取代傳統的特征提取,并結合分類器結構構建寬帶信號目標檢測系統。按照信息保留原則,采用維格納-威爾分布(Wigner-Ville Distribution,WVD)進行預處理,以解析回波中的信息,同時引入深度自編碼網絡提取環境特征用于自動監測。

1 預處理

由于目標信號被淹沒在強雜波干擾中,因此有必要通過一定的預處理技術來解析回波信息。對于慢速目標檢測而言,地面和其他靜態障礙物等造成的強雜波干擾會導致監測信號呈現出較強的非平穩特性,而目標的移動又會使環境的散射特性發生改變,這些反映在時頻平面上就體現為具有不同的時頻密度分布[8-9]。時頻變換正是提取這些變化的有效工具。因為WVD變換在二次型時頻變換中具有獨特的信息保留優勢以及良好的時頻聚焦特性[8],且相對于線性時頻變換能更加直觀、合理地描述信號的瞬時功率譜密度,所以本文使用WVD變換進行預處理。但是由于多徑導致了嚴重的交叉項干擾,同時它們也會一定程度反映環境變化,因此使用加核的WVD Choi-Williams分布[16]:

(1)

其中:

(2)

(3)

其中,r(t)為對回波進行脈沖壓縮后的距離信號,r*(t)為其共軛函數,φ(τ,ν)=e-τ2ν2/σ2為核函數。同時,為了抑制噪聲采用了非相干積累。

2 自編碼網絡

WVD的使用,在解析回波信息的同時也引入了冗余。為了有效提取特征,準確感知環境變化,本文將深度自編碼網絡引入到目標監測中。深度自編碼網絡通過堆疊多個自編碼搭建多層神經網絡架構,實現對回波數據中信息的分級表達,并通過整體微調將特征提取和分類器有機結合,充分挖掘數據中的變化特征來優化檢測性能。

2.1 傳統自編碼

自編碼是構建深度自編碼網絡的基礎。傳統自編碼由輸入層、隱含層和輸出層組成,在功能上可分為編碼和解碼兩部分,前者將輸入信號變換成編碼信號,完成特征提取:

h=fθ(x)=s(wx+b),θ={w,b}

(4)

(5)

其中,s表示非線性激活函數,一般為sigm函數或tanh函數,θ、θ′分別表示隱含層和輸出層的權值矩陣和偏置量w、b。為了減少訓練參數的數目,一般將w′和b′取為w和b的轉置,其原理如圖1所示。

圖1 自編碼原理示意圖

通過無監督貪婪算法調節權值和偏置量使重構誤差最小即可完成單個自編碼的訓練。重構誤差通常有2種形式:

均方誤差形式:

(6)

交叉熵形式:

(7)

2.2 稀疏和降噪自編碼

(8)

圖2 降噪自編碼原理示意圖

2.3 深度自編碼網絡

為了挖掘回波中的本質特征,基于上述自編碼,通過堆疊來構建深度自編碼網絡,其構建過程如圖3所示。

圖3 深度自編碼網絡構建和訓練過程

首先將網絡的輸入層和第1個隱層作為自編碼的輸入層和隱層進行訓練,其代價函數如下:

(9)

這樣各個隱含層都對預處理之后的回波數據輸入進行一次編碼,即特征提取,最后再通過全局精調把特征提取和邏輯回歸有效結合起來,挖掘其本質特征,優化檢測性能。

3 基于深度自編碼網絡的目標檢測方法

為了提取更加抽象和有用的特征信息,本文通過深度自編碼網絡來進行目標檢測,檢測流程如圖4所示,其中深度網絡由1個輸入層、6個隱層和1個Softmax[20]回歸層組成。

圖4 目標檢測算法框圖

首先將前面經預處理得到的時頻樣本數據組成矢量X=(x1,x2,…,xn)T,經歸一化后作為輸入,利用貪婪算法對網絡進行逐層初始化訓練,然后在頂端加入Softmax分類器,利用BP算法對深度網絡進行全局精調。這樣網絡前面6個隱層2完成特征提取,Softmax完成最終的分類檢測。

Softmax是最常用的2個分類器之一,其輸出可以認為是輸入屬于每一類的歸一化概率。對于輸入樣本xi,Softmax將其歸入類別j∈{1,2}的概率為:

(10)

其中,hj(xi)表示輸入xi經過前面6層自編碼網絡之后的輸出,也即Softmax層的輸入。那么最后的分類結果為:

(11)

4 實驗與結果分析

4.1 場景模型

為了驗證算法的有效性,本文采用相對簡化的回波模型,實驗數據由地物回波,以及相應的多徑組成的非平穩回波背景和目標回波共同構成:

(12)

表1 場景及系統參數設置

為了減少數據處理的復雜度,在不影響算法性能的條件下,截取回波中前49.5 m的樣本點作為分析數據,目標速度設為±2 m/s、±4 m/s、±6 m/s、±8 m/s和±10 m/s,以此構成樣本。

圖5給出了實驗中采用的模擬雜波與目標的距離像(速度為4 m/s時),目標位于樣本點50～60之間,其功率信雜比(SCR)為-15 dB。本文在此回波基礎上加入高斯白噪聲進行測試實驗。該回波數據經預處理之后的時頻維波形如圖6所示,從圖6可以看出,由于目標的出現致使時頻平面的分布發生了變化。

圖5 實驗數據模擬波形圖

4.2 深度學習性能比較與分析

實驗中采用4.1節中產生的回波數據,使用Matlab進行仿真分析。深度自編碼網絡的具體結構(輸入層-隱層-輸出層)為:4356-3500-2500-1500-500-200-2,預訓練過程加入降噪和稀疏約束,微調中加入Dropout來防止系統過擬合,最終的參數如表2所示。在對比實驗中,分別采用后向傳播神經網絡(BPNN)、超限學習機(ELM)和支持向量機(SVM)結合時頻分析進行測試。其中預處理中的小波包變換(WPT)是參照文獻[11]的處理方法,WVD則表示采用本文的預處理方法并結合主成分分析(PCA)對其進行降維。

表2 深度自編碼網絡的仿真參數

深度自編碼網絡的最后一層是Softmax回歸層,其輸出為對應類別的概率。表3為部分樣本的輸出結果,從表3中可以看出,深度網絡成功地將輸入樣本識別為“有目標”和“沒有目標”2類,且輸出類別的概率近似為1,說明深度自編碼網絡具有很好的目標信息表示能力,能夠實現復雜函數的逼近,可有效提取目標的結構特征,具有較好的魯棒性。

表3 深度網絡的部分輸出結果

另外,實驗中分別使用識別率P和虛警率Pf作為性能指標:

(13)

(14)

其中,Nclu和Ntar分別表示測試集中正常環境的樣本數和出現目標的樣本數,Nclu-clu表示實驗中將正常環境分為正常的數量,Ntar-tar表示將出現目標分為異常的數量,Nclu-tar表示將正常環境分為異常的數量。

從圖7、圖8可以看出,經本文預處理方法的神經網絡和支持向量機的性能優于經WPT處理的算法,說明了本文的預處理方法能有效解析回波中的信息,為后續檢測提供保證。此外,相比于SVM、ELM和BPNN檢測方法,本文方法具有更高的檢測率,尤其是在低信噪比時,其他算法性能急劇下降,本文算法仍保持較高檢測率,說明深度自編碼網絡具有更好的魯棒性,克服了傳統神經網絡和支持向量機的缺陷。深度自編碼網絡優于傳統算法的原因是:多層稀疏結構更能提取數據的本質特征,能更好地逼近非線性分類函數;有監督的微調將特征提取和分類有效結合;降噪自編碼的運用改善了其抗噪性能。

圖7 不同方法識別率對比

圖8 不同方法虛警率對比

5 結束語

針對傳統目標檢測中雜波干擾嚴重、特征提取困難、模型泛化能力有限等不足,本文提出一種采用時頻分析結合深度自編碼網絡進行自動監測的方法。按照信息保留原則,該方法可準確解析回波中的信息,并引入深度自編碼網絡提取環境特征用于自動監測。實驗結果表明,該方法具有較高的檢測率,可以有效感知環境變化,同時對噪聲具有一定的魯棒性,并且所需帶寬小,易于工程實現。

[1] SEN S,NEHORAI A.Adaptive OFDM Radar for Target Detection in Multipath SScenarios[J].IEEE Trans-actions on Signal Processing,2011,59(1):78-90.

[2] LIANG Q.Automatic Target Recognition Using Waveform Diversity in Radar Sensor Networks[J].Pattern Recognition Letters,2008,29(3):377-381.

[3] LIANG J,LIANG Q.Sense-through-foliage Target Detection Using UWB Radar Sensor Networks[J].Pattern Recognition Letters,2010,31(11):1412-1421.

[4] LIANG J,LIANG Q.UWB Radar Sensor Networks Detection of Targets in Foliage Using Short-time Fourier Transform[C]//Proceedings of IEEE International Con-ference on Communications.Washington D.C.,USA:IEEE Press,2009:1-5.

[5] LIANG Q,ZHANG B,WU X.UWB Radar for Target Detection:DCT Versus Matched Filter Approaches[C]//Proceedings of IEEE GLOBECOM’12.Washington D.C.,USA:IEEE Press,2012:1435-1439.

[6] MAHERIN I,LIANG Q.A Mutual Information Based Approach for Target Detection Through Foliage Using UWB Radar[C]//Proceedings of IEEE International Conference on Communications.Washington D.C.,USA:IEEE Press,2012:6406-6410.

[7] MAHERIN I,LIANG Q.Multistep Information Fusion for Target Detection Using UWB Radar Sensor Network[J].IEEE Sensors Journal,2015,15(10):5927-5937.

[8] HAYKIN S,BHATTACHARYA T K.Modular Learning Strategy for Signal Detection in a Nonstationary Environ-ment[J].IEEE Transactions on Signal Processing,1997,45(6):1619-1637.

[9] ZHAI S,JIANG T.Target Detection and Classification by Measuring and Processing Bistatic UWB Radar Signal[J].Measurement,2014,47(1):547-557.

[10] HE X,JIANG T.Target Identification in Foliage Environment Using UWB Radar with Hybrid Wavelet——ICA and SVM Method[J].Physical Communication,2014,13:197-204.

[11] ZHAI S,JIANG T.Application of Ultra-wide Band Radar for Sense-through-foliage Target Detection and Recognition[C]//Proceedings of the 3rd International Conference on Com-munications,Signal Processing and Systems.Washington D.C.,USA:IEEE Press,2015:479-487.

[12] BENGIO Y,COURVILLE A,VINCENT P.Representa-tion Learning:A Review and New Perspectives[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2013,35(8):1798-1828.

[13] DING J,CHEN B,LIU H,et al.Convolutional Neural Network with Data Augmentation for SAR Target Recognition[J].IEEE Geoscience & Remote Sensing Letters,2016,13(3):1-5.

[14] 胡昭華,宋耀良.基于Autoencoder網絡的數據降維和重構[J].電子與信息學報,2009,31(5):1189-1192.

[15] 劉高平,趙杜娟,黃 華.基于自編碼神經網絡重構的車牌數字識別[J].光電子·激光,2011(1):144-148.

[16] 張賢達.現代信號處理[M].2版.北京:清華大學出版社,2002.

[17] VINCENT P,LAROCHELLE H,BENGIO Y,et al.Extracting and Composing Robust Features with Denoising Autoen-coders[C]//Proceedings of ICML’08.Washington D.C.,USA:IEEE Press,2008:1096-1103.

[18] 李傳朋,秦品樂,張晉京.基于深度卷積神經網絡的圖像去噪研究[J].計算機工程,2017,43(3):253-260.

[19] SCHOLKOPF B,PLATT J,HOFMANN T.Greedy Layer-wise Training of Deep Networks[C]//Pro-ceedings of International Conference on Neural Infor-mation Processing Systems.Washington D.C.,USA:IEEE Press,2007:153-160.

[20] ANDREW N G,JIOUAN N,CHUAN Y F,et al.UFLDL Tutorial[EB/OL].(2013-05-21).http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial.