一種SAR圖像干擾效果智能評估方法

劉佳偉，達通航，孫金龍，王 松，張文斌

(解放軍63618部隊，新疆 庫爾勒 841000)

0 引 言

隨著合成孔徑雷達(SAR)傳感器和處理算法的快速發(fā)展，其成像能力得到了極大的提升。SAR衛(wèi)星現已經被廣泛應用于情報偵察等軍事領域。對SAR的干擾研究一直是電子信息對抗領域的熱點問題，如何衡量干擾模式的有效性和干擾機的性能一直以來都是值得關注的焦點問題。隨著人工智能和深度學習的極大發(fā)展，將這2個領域中的先進方法應用于對SAR干擾效果的評估是一種必然趨勢。定性定量的干擾效果評估方法，將大大有利于對SAR干擾方法的研究和武器裝備的試驗鑒定。

本文首先對已有的干擾效果評估方法進行了簡述，然后提出了一種基于神經網絡的智能評估方法，并提出了可以定量衡量干擾效果的評價公式，用以完成對不同干擾樣式和情形的綜合評估，最后通過計算仿真對評估方法進行了初步驗證。

1 現有干擾效果評估方法

現有的干擾方法按照評價方式可以分為主觀和客觀2類：主觀方法實用性強，適用范圍廣，主要依靠人工來進行判別，有其主觀性；客觀方法則是通過一定的量化指標來進行衡量，容易量化，且可以避免主觀因素的影響，往往存在考慮因素不全、適用范圍窄的問題。下面對目前較常用的幾種效果評估方法進行簡要介紹。

1.1 主觀評估方法

進行主觀效果評估前，首先應該進行數據和SAR圖像準備。對同一個場景下的目標，首先進行一次無干擾成像。然后在不同的干擾條件下再進行多次成像，在多次成像過程中盡量保證成像的各個條件和參數與第1次無干擾成像時盡可能一致。邀請多位評判專家，在不知道每幅圖具體信息的情況下對得到的多幅SAR圖像進行干擾效果評估工作,最后將得到的結果匯總，加權求和得到最后的干擾評估結論。主觀評價流程圖如圖1[1]所示，依靠多位有經驗的專家進行判讀往往可以得到很好的評估結論，因此主觀評價方法也是目前最可用和最常用的評估方法。但是這種方法在實施中，打分過分依賴于專家的主觀感受，在定量效果評估方面有一定的局限。

圖1 主觀評價流程圖

1.2 客觀評價方法

冉小輝等[2]對現有電子對抗效果評估技術中的評估準則、評估指標和評估方法進行了總結。馬俊霞[3]研究了基于干擾前后SAR圖像之間歐幾里德空間距離的評估方法；周廣濤[4]研究了基于信息熵的評估方法；韓國強[5]等人提出使用多種方法進行組合評估。客觀評估方法主要依據干擾前后圖像相關指標的變化來衡量干擾對SAR成像的影響，這個結論對壓制干擾來說是正確的，但是對欺騙干擾來說卻不一定正確。

使用神經網絡進行干擾效果評估也得到了一些學者的關注，員志超[6]探討了一種基于RBF神經網絡的干擾評估方法。林連雷[7]考慮各影響因素與干擾效果之間的函數關系，用訓練好的支持向量基(SVM)評估干擾效果。李雨辰[8]使用卷積神經網絡判斷了欺騙干擾的成像結果圖像的質量和航跡誤差大小的關系。以上研究都是通過建立干擾要素對干擾效果的影響關系來進行干擾效果評估，通過神經網絡得到的是干擾效果和干擾因素之間的一個依賴關系，缺乏對干擾效果的直觀評價，且沒有充分利用SAR成像本身是一副圖片的事實。

2 SAR圖像干擾的智能評估方法

卷積神經網絡在近幾年發(fā)展迅速，各種先進的目標檢測和識別算法先后被提出。將這些方法應用于SAR圖像處理，將會使SAR圖像目標檢測和干擾效果評估變得更加高效準確，將逐漸能夠替代人工判別和評估的方法。

這里提出一種新的基于深度學習的SAR圖像識別和干擾效果評估方法。

2.1 Faster-RCNN網絡結構及其訓練

使用的神經網絡結構基于Faster-RCNN[9]結構，Faster-RCNN在Fast-RCNN的基礎上通過將特征提取和區(qū)域建議尋找(Region Proposal)進行整合而進一步提高了目標檢測的速度。其是目前在圖像識別領域幾個最出色的算法之一，且圖像的識別速度能夠達到5～17幀，是一種接近實時的目標檢測和識別算法。網絡結構如圖2左半部分所示。在ILSVRC和COCO比賽中，多個比賽第一名算法的結構都基于Faster-RNN設計，說明了Faster-RCNN在圖像處理上的巨大優(yōu)勢。由于計算資源有限并且進行方法可行性驗證，在進行SAR圖像特征提取時使用了較為簡單的網絡結構，卷積神經網絡結構和組成如圖2右側所示，如果對計算量或者識別時間不敏感，可以使用resnet101等更復雜的網絡形式進行特征提取。

圖2 Faster-RCNN網絡結構及本文使用的特征識別網絡

良好的訓練是使神經網絡具備良好識別能力的保證，前期的數據集標注工作更是建立良好數據集的基礎。通過對網絡進行訓練，使網絡具備在SAR圖像中識別船只或其它物體的能力。使用的數據集是包括了干凈背景和復雜場景中的船只SAR圖像切片。部分訓練用圖切片如圖3所示。

圖3 數據集中部分船舶切片

在訓練過程中，為了更好地收斂且較快地完成訓練，將學習率設置為1e-4。模型優(yōu)化方法為加入動量的隨機梯度下降方法(SGDM)，可以使訓練過程更加平穩(wěn)，使用GPU進行加速。訓練過程中的殘差變化如圖4所示。

圖4 訓練過程最小批次均方根誤差

只有神經網絡具備了可靠的識別能力，才能夠認為它具備干擾效果的評估能力。用同一個雷達的多幅圖像去訓練這個神經網絡可以使網絡具有更好的對此雷達目標的識別性能，如果加入其它類型目標的訓練，那么網絡就能夠具有多種目標類型的識別能力。

2.2 智能評估準則

當SAR面對干擾時，對于壓制干擾，干擾效果越好，神經網絡對真實目標的識別率就會越低。如果用N幅受干擾SAR圖像及其原圖去衡量干擾效果，設第n幅圖中有Wn個真實目標。則壓制干擾效果可具體表示為：

(1)

式中：Sw表示未干擾前第i幅圖中第w個目標的識別置信度(神經網絡識別得到的準確度)；Sw′則表示施加干擾后此目標識別的置信度。

對于欺騙干擾，如果施加的假目標越逼真，那么神經網絡將其識別為真實目標的可能性就越高。同樣用N幅圖去衡量，設第n幅圖中有Kn個因為干擾而產生的假目標，此時欺騙干擾效果可表示為：

(2)

式中：Dk表示第i幅圖中第k個假目標在神經網絡進行目標識別時的置信度。

若場景中同時存在2種干擾，或考慮假目標的加入對于真目標的壓制效應，可以在進行干擾效果評估時綜合考慮公式(1)和公式(2)中的2種效果。總的干擾效果可表示為：

JA=JS+JD

(3)

通過以上2個公式，就可以對干擾機的不同干擾樣式及多個使用場景干擾效果評估，以此來衡量干擾機在一定使用條件下對SAR成像的干擾能力。

3 仿真驗證

使用訓練完的神經網絡對測試集中的圖片進行測試，可以檢驗神經網絡的目標識別能力。通過對干擾前和干擾后的SAR圖像進行識別，并應用上面提出的干擾評估方法可以獲得不同干擾下的效果評估。

3.1 神經網絡目標識別能力

在QuadroM3000M顯卡下，測試單張圖平均用時為0.12 s，識別結果如圖5所示。可以發(fā)現，目前這個神經網絡在單一場景下對船舶的識別能力是非常強的，但是對于復雜場景有時候會出現錯判和漏判的情況。導致這種現象的原因：一方面是因為復雜場景下的識別難度本身就比較大；另外就是在訓練過程中數據集太小，復雜場景的切片不夠導致的。這個問題可以通過后期搜集SAR圖像船舶樣本，增加訓練數據數量來解決。

圖5 簡單背景及復雜背景下的識別結果

3.2 干擾效果評估驗證

將窄帶瞄頻調頻噪聲信號施加到雷達回波數據中，雷達未受干擾時的成像結果見圖6。控制干擾信號的功率，獲得不同噪聲大小下的成像結果，將得到的SAR圖像進行目標識別，并使用上面得到的干擾效果評估公式進行干擾效果的評估，圖像識別的結果如圖7所示。

圖6 未施加干擾時的SAR圖像及識別結果

圖7 存在角反假目標時的SAR圖像及識別結果

圖8和圖9的噪聲干擾仿真結果展示了神經網絡的干擾效果評估能力。從識別結果中可以看出：當干擾信號的功率增大，SAR成像會嚴重惡化，這會導致神經網絡識別的置信度降低。根據公式(1)可以得到在干信比為0 dB時干擾效果指標JS1=0.006 1，干信比為3 dB時的干擾擾效果指標JS3=0.363 45，這2個值可以作為在此類干擾模式下不同功率干擾信號干擾效果的一個定量評價指標。

圖8 干信比為0 dB時的識別結果

圖9 干信比為3 dB時的識別結果

考慮存在假目標的情況。假設在地面布置一個用來模擬艦船雷達反射特性的角反群，角反群由25個角反組成，中央角反雷達截面積(RCS)大小為30 dB，其余角反為25 dB，角反群的布局見圖10。將模擬的雷達回波和真實雷達回波進行疊加，獲得此時的SAR成像,如圖10所示。

圖10 角反群的布置位置

將所成的SAR圖像用神經網絡進行識別，結果見圖10。通過識別結果可以看到，此時并沒有將地面設置的角反群識別為船，也就是說欺騙干擾沒有成功。通過和未施加干擾的圖6對比，發(fā)現此時原目標的識別置信度下降，這是因為角反作為強散射點，壓制了原目標的成像。根據公式(3)，此時的干擾效果為JA=0.179 63+0=0.179 63，和上面的噪聲干擾相比較，可認為角反假目標雖然沒有實現欺騙的目的，但是卻產生了介于瞄頻噪聲在干信比0～3 dB之間的一個壓制效果。

通過以上2種干擾下的干擾評價，可以證明神經網絡判別干擾效果的實用和高效性，同時也克服了主觀評價中不能定量評價的問題。

4 結束語

將圖像處理算法應用于SAR圖像處理中，可以得到非常好的目標識別效果。特別是Faster-RCNN類網絡，可以將目標檢測和目標識別同步完成，在保證高準確率的同時大大增加了目標識別的速度。神經網絡在目標識別中的出色能力使其成為干擾效果檢測的有力手段。使用神經網絡和本文提出的量化公式，可以對同一干擾樣式不同功率或是不同干擾樣式之間的干擾效果進行一定程度的定量評價。后續(xù)通過增加數據集質量和數量，可以使此網絡能力更加完善，進一步提高其目標識別能力和干擾效果評估能力。