基于卷積神經網絡的海面目標全極化高分辨距離像識別技術

但 波, 付哲泉, 高 山, 簡 濤

(海軍航空大學, 山東 煙臺 264001)

0 引 言

隨著雷達技術的不斷發展,研究人員希望獲得目標更多的有效信息用于目標的分類與識別,傳統體制的雷達導引頭難以滿足現階段多元化的需求。雷達目標回波信號中的極化域信息是繼時域、頻域等特征之后用于目標識別的又一重要特征。高分辨雷達技術使回波信號對目標信息的描述更加精確,而極化域信息則使回波信號對目標信息的描述更加全面。融合高分辨技術和全極化信息的雷達目標識別受到學者們的廣泛關注,已成為雷達信號處理和目標識別技術發展的一個重要方向。目前基于全極化寬帶體制雷達高分辨距離像(high resolution range profile, HRRP)極化特征提取的目標識別研究主要包含以下兩個方面。

(1) 直接將目標的HRRP信息與極化信息進行組合,構造得到距離-極化的二維特征,然后采用不同的分類識別方法進行識別。文獻[12]提出距離-極化的二維目標結構成像方法,利用線性調頻正交極化體制的彈載毫米波雷達對車輛及坦克等多種目標進行識別實驗,達到了很好的識別效果。文獻[13]組合極化信息和HRRP信息,提出一種距離-極化的相關匹配模糊識別方法,仿真結果表明該方法可以自適應地處理目標識別過程中的姿態敏感。

(2) 基于極化目標分解理論從極化散射矩陣中提取目標有效的極化特征用于目標識別。目標的極化分解理論可以分為相干分解和非相干分解兩大類別。相干分解是對極化散射矩陣進行處理,常見的算法有Pauli分解、Cameron分解、Krogager分解等。相比于相干分解方法,非相干分解應用更為廣泛。常見的算法有Huynen分解,Cloude分解,、、分解等。文獻[18]采用集合平均的處理方法從極化相干矩陣中提取目標的散射熵和散射角特征用于人造目標的分類識別。文獻[19]定義參數,將、、特征擴展為、、、,從目標、、、分解、相似性參數以及能量特征3個角度提取極化特征,并分析不同特征的可分性,最后使用支持向量機和核方法分類器對飛機和坦克目標進行分類,取得很好的識別效果,驗證了方法的有效性。

以上研究主要關注從目標全極化HRRP中提取可分性較強的特征。但是部分學者在計算相干矩陣時,對相干矩陣各元素包含的所有距離單元求平均,即利用全部距離單元作為度量尺度,這樣很大程度上降低了特征空間的維度以及數據處理過程中的計算復雜度,無法保留各距離單元的具體特征。

在分類器設計方面,相對于傳統的分類識別算法而言,于卷積神經網絡(convolutional neural network, CNN)識別效果更好。但網絡越深,CNN在訓練時越容易出現梯度爆炸、消失等問題。

針對上述問題,本文基于全極化體制雷達,綜合利用4個極化通道的HRRP信息,同時選擇單個距離單元作為度量尺度。在此基礎上,提出基于Pauli分解、、、、分解和結構相似性參數的特征提取方法對目標極化散射矩陣進行特征提取,并將提取得到的目標全極化特征與基于神經網絡的艦船目標HRRP識別方法結合,利用可擴展改進殘差結構神經網絡從不同特征提取方法得到的極化特征中進一步提取深層可分的特征進行目標分類識別。該方法能夠保留目標全極化HRRP的更多特征,提高目標識別的準確率。

1 基于極化散射矩陣的特征提取

1.1 基于Pauli分解的極化散射矩陣特征提取

基于Pauli分解的極化散射矩陣特征提取是一種相干分解的方法,將目標總的后向散射通過幾種典型散射機理的加權求和來表示。在垂直極化和水平極化的線性正交基下,Pauli基可以表示為

(1)

在滿足互易定理的情況下(=),此時Pauli基可以簡化為、、三項,即極化散射矩陣表示為

(2)

結合式(1)和式(2)可以得到:

(3)

(4)

(5)

式中：、、均為復數,分別表示3種散射類型在目標回波中所占的比重。假設各極化通道的HRRP數據為()、()、()、(),=0,1,2,…,-1,為HRRP數據的距離單元個數。當選擇單個距離單元作為度量尺度時,基于Pauli分解的極化散射特征、、分別為

(6)

1.2 基于H、α、A、α1分解的極化散射矩陣特征提取

組合第21節中提取的、、特征,可以得到極化散射矢量:

(7)

同時可以如下定義相干矩陣:

=

(8)

其中,為半正定的Hermit矩陣,通過對進行特征分解可以得到:

(9)

式中:為特征值,并且≥≥≥0;為對應的特征向量,可表示為

=ej[cos, sincosej, sinsinej]

(10)

式中:和分別表征目標的散射機理和定向角;表示+的相位;表示+與-之間的相位差;則表示+與之間的相位差。

(11)

(12)

(13)

其中,為散射熵,取值區間為[0,1];為散射角,取值區間為0°～90°;為各向異性度。是相干矩陣特征值中最大值對應的散射角,稱為主導散射角,表示目標回波信號的主導散射機制。因此,可以作為一個重要的特征加以保留。

當選擇單個距離單元作為度量尺度時,對寬帶全極化體制雷達目標HRRP數據的、、、特征提取過程可以歸納如下。

:各極化通道的HRRP數據()、()、()、(),其中=0,1,2,…,-1,為HRRP數據的距離單元個數。

:目標全極化HRRP數據的、、、特征。

計算

逐個距離單元計算相干矩陣()=()()。

逐個距離單元進行特征值分解()=

()log()。

逐個距離單元計算各向異性度()=

1.3 基于結構相似性參數的極化散射矩陣特征提取

基于結構相似性參數的極化散射矩陣特征提取由Yang等人提出,該參數體現了兩個目標之間散射特征的相似性,并且該參數與目標的姿態角和回波信號功率無關。

(14)

將各標準體在Pauli基下的極化散射矢量代入式(14)中,即可得到目標與不同標準體的結構相似性參數,例如目標與平板的結構相似性參數:

(15)

依次可計算得到、、、、其余5個特征參數。

選擇單個距離單元作為度量尺度,對每個距離單元的極化散射矩陣依次計算目標的結構相似性參數,對各極化通道的HRRP數據()、()、()、()而言,目標與平板的結構相似性參數為

(16)

目標與其他標準體的結構相似性參數可以參照式(16)得到。經過上述數據處理可以得到目標全極化HRRP數據的、、、、、共6個特征參數。

通過對艦船目標全極化HRRP數據進行以上3種方式的特征提取,每個艦船目標最終可以獲得、、,、、、,、、、、、共13個特征參數。

2 神經網絡模型的分析與設計

2.1 卷積模塊的設計

為了克服網絡層數變深導致深層神經網絡模型出現識別準確率飽和的問題,通常會引入殘差結構,其結構如圖1所示。

圖1 殘差結構Fig.1 Residual structure

其中,殘差結構的輸出如下所示:

+1=()+

(17)

式中:表示第層殘差結構的輸入特征;+1表示第層殘差結構的輸出特征;()表示殘差塊的映射。

文中所使用的CNN分類器參照文獻[23,25]針對艦船目標單極化通道識別提出的融合卷積模塊和改進殘差結構神經網絡的具體結構,如圖2所示。

圖2 卷積模塊結構Fig.2 Structure of convolution module

圖2中,高度模塊化的網絡結構使得模型的可擴展性得到增強。

2.2 模型結構的設計

模型框圖如圖3所示。與圖2相同,將HRRP樣本輸入一層后,其數據維度由括號內數字表示。卷積模塊的個數確定了連續多個卷積模塊和第一個全連接層的輸出數據維度。最后輸出層的結果對應目標的類別數,本文識別的目標類別數為3。限于篇幅,本文使用的聯合損失函數結構參考文獻[25]。

圖3 模型框圖Fig.3 Block diagram of model

3 數據集的建立與預處理

利用FEKO軟件計算得到3種艦船模型的全極化HRRP數據。模型包括LHD-1(長257.2 m,寬40.2 m)、CG-47(長197.3 m,寬19.6 m)和Cargo(長204.6 m,寬40.6 m)。仿真參數設置如表1所示。仿真所用艦船模型示意圖如圖4所示。CG-47在方位角為0°,俯仰角為80°時,各極化通道的HRRP如圖5所示。橫坐標表示HRRP的距離單元,縱坐標表示回波信號的功率,單位為dBsm。綜合不同極化通道的HRRP可以看出,全極化HRRP中包含的目標信息更加豐富,合理使用目標全極化HRRP可提取出可分性更強的特征,有效改善目標分類效果。

表1 仿真參數設置

圖4 艦船模型示意圖Fig.4 Schematic diagram of ship model

圖5 CG-47各極化通道HRRPFig.5 HRRP for each polarization channel of CG-47

為了滿足深度學習訓練要求,需要對仿真數據進行一定擴充,數據擴充過程如下。

(1) 平移截取HRRP數據。將256個距離分辨單元分為8等分,每一個等分包含32個距離單元。將原始數據左右各平移一個和兩個等分,移除的數據舍棄并將空白數據補0,如圖6所示。

圖6 HRRP數據平移截取示意圖Fig.6 Schematic diagram of HRRP data translation interception

圖6中黑色線段部分為原始HRRP數據,紅色部分為補齊數據,數值為0。可以看出,通過平移截取操作后得到的HRRP數據可能丟失原始數據中部分信息,通過截取HRRP樣本中部分重合的部分,HRRP樣本數量得到大量補充,單一艦船目標的HRRP數據由360個變為1 800個。

(2) 對變換后的HRRP數據添加隨機噪聲。將變換后HRRP添加滿足一定信噪比要求的高斯白噪聲,添加次數設定為10次。

此時，單一信噪比條件下單一艦船目標的HRRP數據由1 800個變為18 000個,所有艦船目標的HRRP仿真數據集達到54 000個。其中,隨機選擇2/3和1/3的數據分別作為訓練集和測試集,則訓練集和測試集的HRRP數量分別為36 000個和18 000個。

將艦船數據經過數據擴充處理后,可得到單極化通道數據集Data-HH、Data-HV、Data-VH、Data-VV,數據集的HRRP均為長度為256的一維數據,以及全極化通道數據集Data-Full,數據集的HRRP是維度256×4的二維數據。使用第2節介紹的3種特征提取方法對全極化數據進行處理,可得到各方法對應的數據集:Data-Pauli、Data-,,,及Data-Similarity,且數據集中HRRP維度分別為256×3、256×4、256×6。本文的算法流程如圖7所示。

圖7 基于極化特征提取的目標識別流程圖Fig.7 Target recognition flow chart based on polarization feature extraction

4 基于艦船目標全極化HRRP數據的識別性能分析

實驗運行環境設置如下,操作系統:Windows10;硬件條件:Intel(R) Xeon(R) W-2 125 CPU @4.00 GHz和NVIDIA GeForce RTX 2080 Ti GPU;軟件條件:Python 3.6.1。仿真實驗中網絡從零開始訓練,訓練參數如下:網絡訓練迭代次數為200次,模型初始學習率為0.01,網絡每訓練20次學習率減半,使用Adam優化器更新網絡權重,并且采用批量梯度下降法,每批訓練樣本數為100。模型使用聯合損失函數,損失函數各參數取值為=30、=06、=005、=01。

4.1 基于單極化通道的HRRP識別效果分析

利用第3節融合卷積模塊和殘差結構的神經網絡模型對基于單極化通道HRRP的目標識別進行仿真分析,數據集的信噪比范圍為-15～15 dB,間隔5 dB。模型各階段參數明細如表2所示，參數總數為37 518個。

表2 使用單極化通道數據集時模型各階段參數明細

各信噪比數據集的識別結果如圖8示。由圖8可知,Data-VV數據集的識別效果最好,各極化通道HRRP數據集對應的目標識別準確率均隨著數據集信噪比的增加而增大。基于同極化通道HRRP數據集(Data-HH、Data-VV)的識別準確率均大于交叉極化通道(Data-HV、Data-VH),這是由于同極化通道回波信號能量更強,且包含的有效信息更多。

圖8 單極化通道HRRP目標識別結果Fig.8 HRRP target recognition results of single-polarization channel

4.2 基于極化特征提取的HRRP識別效果分析

以基于Pauli分解的特征提取為例,分析對比全極化通道數據集Data-Full和基于Pauli分解的數據集Data-Pauli的識別效果。同時為了驗證基于Pauli分解所提取特征的有效性,將全極化通道數據集Data-Full中VH極化通道數據剔除,構建新的數據集Data-HHHVVV,對比識別準確率。

構建的3個數據集在不同信噪比條件下的識別結果與Data-VV數據集的識別結果對比如圖9所示。由圖9可知,數據集中極化通道數量的增加使得模型的識別準確率明顯提高,與單極化通道的數據集Data-VV相比,其他3個多極化通道的數據集平均識別準確率要高6%以上。

圖9 不同數據集與單極化通道數據集Data-VV的識別結果對比Fig.9 Recognition results comparison between different datasets and single polarization channel dataset Data-VV

下面將全極化通道數據集Data-Full與經過特征提取后得到的3個數據集組合,比較不同特征提取方法對識別效果的影響。組合后的數據集分別命名為Data-Full+Pauli、Data-Full+,,,和Data-Full+Similarity。不同數據集對應模型的結構和參數明細不變,差別僅限,,,于各階段輸出數據的維度。以上3個數據集在不同信噪比條件下的識別結果與全極化通道數據集Data-Full的識別結果對比如圖10所示。由圖10可知,將全極化通道HRRP與基于極化散射矩陣提取的特征進行組合可以進一步提高模型的識別準確率,且在低信噪比條件下的效果改善更加明顯。3種特征提取方法的改善效果,結構相似性參數大于,,,分解大于Pauli分解。Data-Full+,,,數據集與Data-Full+Pauli數據集的識別結果對比,在信噪比高于-5 dB時,兩個數據集的識別準確率相同,在信噪比低于-5 dB時,基于Data-Full+,,,數據集的識別準確率更高,說明,,,的特征組合相比于Pauli分解得到的特征組合具有更好的噪聲魯棒性。而Data-Full+Similarity數據集識別效果最好,在信噪比大于0 dB時,均達到了100%的識別準確率,在低信噪比時識別效果也有明顯改善。

圖10 組合數據集與全極化通道數據集Data-Full的識別結果對比Fig.10 Recognition results comparison between the combined dataset and the full polarization channel dataset Data-Full

在圖10中,以信噪比為-10 dB為例,不同特征提取方法對應的特征可視化結果如圖11所示。

圖11 -10 dB條件下不同特征提取方法對應的特征可視化結果Fig.11 Feature visualization results corresponding to different feature extraction methods under the condition of -10 dB

從圖10可知,隨著特征方法的改變,特征的類內差異逐漸變小,不同類型目標的特征逐漸收斂到類的中心,類間差異逐漸增大。特征的空間分布范圍從最大[-2.5,2]縮小到[-0.6,0.7]。因此,識別率也相應提高。與Data-Full特征提取方法對應的識別率90.78%相比,Data-Full+Similarity特征提取方法對應的識別率提高了5.84%。

在實際工程應用時,與識別準確率相比,神經網絡模型的大小以及運算時間也是需要考慮的重要因素。本文各數據集對應的參數總數、模型大小、模型復雜度、運算時間以及平均識別準確率的數據明細如表3所示。其中,模型復雜度用模型的浮點運算數FLOPs來衡量,運算時間則表示模型處理每個HRRP數據所需時間。從表3可知,使用單極化通道數據集時,各模型的參數總數、模型大小和模型復雜度相同,運算時間和平均識別準確率存在一定差別。與使用多極化信息的數據集相比,單極化通道數據集對應的模型參數總數更少、模型大小更小、模型復雜度和識別準確率更低、運算時間更長。使用多極化信息的數據集時,各模型的參數總數、模型大小和模型復雜度均相同,模型處理單個HRRP數據所需時間總體上隨著HRRP數據維度的增加而增加。對比不同數據集可知,Data-Full+Similarity數據集在增加一定運算時間的情況下識別效果最佳。

表3 不同數據集對應模型的評價參數明細

5 結 論

本文首先利用艦船目標4個極化通道的HRRP信息,在提取可分性特征時選擇單個距離單元作為度量尺度。然后,提出基于Pauli分解、基于,,,分解以及基于結構相似性參數的特征提取方法對全極化HRRP數據進行特征提取,建立不同數據集。最后，基于以上數據集,利用提出的基于改進殘差結構的CNN對3艘艦船目標進行分類實驗。實驗結果表明，全極化信息的引入可以顯著改善模型對目標的識別效果,識別準確率與單極化通道數據集相比要高6%以上。比較3種特征提取方法,組合全極化數據和結構相似性特征的Data-Full+Similarity數據集在增加一定運算時間的情況下取得了最好的識別效果。但單極化通道數據集對應的模型在模型復雜度更低的情況下運算時間更長的問題還需進一步分析。