基于Faster-RCNN的IR-UWB穿墻雷達鄰近多目標檢測算法

趙思肖，梁步閣，楊德貴，熊明耀

(中南大學 自動化學院，湖南 長沙 410083)

0 引言

超寬帶(Ultra-wideband,UWB)穿墻雷達是一種先進的非接觸式生命探測設備[1]，在災后救援中有著廣泛的應用[2]。傳統的UWB穿墻雷達目標檢測方法包括基于恒虛警率(Constant False-Alarm Rate,CFAR)的檢測算法[3]和CLEAN算法[4]。CFAR檢測算法在給定虛警率的情況下具有多目標檢測能力。然而，在多個人體目標相鄰較近時，會出現目標遮蔽效應[5]，降低目標檢測概率，導致難以高效精確地檢測到目標并實現分離。CLEAN算法通過在回波中多次抽取目標強散射點信號來避免目標遮蔽效應，實現鄰近多目標檢測，但是由于UWB雷達實測信號的振鈴拖尾效應[6]，存在虛假鄰近目標的問題，導致誤檢概率升高，鄰近多目標檢測與分離效果差。

UWB穿墻雷達鄰近多目標精確檢測問題需要根據人體呼吸和心跳產生的信號判斷相鄰目標數量并分離，對精度要求高。從UWB雷達回波信號模型來看，人體靜目標回波具有距離穩定性和起伏周期性，在波形圖中近似表現為慢時間維度上的多條正弦曲線。雷達圖像域鄰近多目標檢測可看作復雜背景下的多曲線分離問題。因此，本文提出一種基于Faster-RCNN的IR-UWB穿墻雷達鄰近多目標檢測算法，有效解決了多個人體目標相鄰較近時難以高效分離的問題。與傳統方法不同，本文提出算法在自適應預處理算法對雷達回波處理后，使用Faster-RCNN[7]通過網絡訓練的方式實現目標的分類和位置回歸，在優化檢測速度的同時，具有很好的目標形狀尺度變化適應性和高精度檢測性能。

1 Faster-RCNN網絡結構

Faster-RCNN是一種區域推薦[8]卷積神經網絡，由卷積層[9]、區域候選網絡(Region Proposal Network, RPN)[10]、ROI池化層[11]和分類回歸層組成。其中，卷積層負責提取圖片的特征，從輸入的原始圖片中提取feature map并送入RPN和ROI池化層。RPN通過網絡訓練的方式從feature map中獲得一批大小不等的候選區域proposals并送入ROI池化層。ROI池化層根據輸入的feature map和proposals計算出固定大小的proposals feature map送入后續網絡。最后，分類回歸層對proposals feature map進行目標分類和位置回歸操作，得到候選區域目標種類和候選框精確位置。Faster-RCNN結構如圖1所示。

圖1 Faster-RCNN結構Fig.1 Structure of Faster-RCNN

RPN是Faster-RCNN的核心，其本質是一個輕量級的全卷積網絡，通過掃描卷積層生成的feature map，畫出一批大小不一的邊界框，經過篩選、平移和縮放等操作，最后生成候選區域proposals。這種方式極大地提升了網絡檢測速度，實現了高精度檢測性能[12]。

RPN結構如圖2所示。使用3×3的滑動窗口遍歷feature map上的每一個錨點[13]生成一個特征向量，并以錨點為中心畫出3種大小(128，256，512)、3種長寬比(1∶1，1∶2，2∶1)的9個邊界框。需要注意的是，雖然錨點位于feature map上，但是邊界框是映射在原圖上的，這樣可以大幅提高訓練速度和不同尺度目標檢測準確率。之后將特征向量分別輸入1×1的分類層和1×1的回歸層進行卷積運算，分類層輸出2×9個概率值，即該錨點對應的9個邊界框，每個邊界框的2個值表示包含目標的概率和不包含目標的概率；回歸層輸出4×9個值，每個邊界框對應一個四維向量，分別表示對目標的寬高(w,h)和坐標(x,y)的預測。利用四維向量對預測包含目標的邊界框進行平移和縮放，產生大量候選框，然后使用非極大抑制[14]篩選一些預測分較高的候選框，作為最終輸出的proposals。

圖2 RPN結構Fig.2 Structure of RPN

為了訓練RPN，給每個邊界框設置一個標簽，定義邊界框和目標標注框的交并比最大或超過0.7時為正樣本，低于0.3時為負樣本，非負非正樣本對訓練無意義。通過設置損失函數來控制RPN的訓練，損失函數為：

(2)

(3)

(4)

2 檢測算法

本文提出的基于Faster-RCNN的IR-UWB穿墻雷達鄰近多目標檢測算法包括構建IR-UWB穿墻雷達回波模型、構建雷達回波數據集、訓練目標檢測模型和目標信號檢測4個部分的內容。算法結構如圖3所示。

圖3 算法結構Fig.3 Algorithm structure

2.1 IR-UWB穿墻雷達回波模型

IR-UWB穿墻雷達能發射電磁波，透過非金屬墻體探測墻后人體目標，電磁波到達人體目標后，經過目標反射再次穿透墻體被雷達接收。雷達接收到的回波包括目標回波和背景雜波。IR-UWB穿墻雷達回波模型如圖4所示。

圖4 IR-UWB穿墻雷達回波模型Fig.4 Echo model of IR-UWB TWR

IR-UWB穿墻雷達回波函數表達式[15]如下所示：

E(t)=s(t)+r1(t)+r2(t)+r3(t)+r4(t)，

(5)

式中，E(t)表示雷達接收到的回波；s(t)表示目標反射回波；r1(t)表示天線產生的耦合直達波；r2(t)表示固定物體反射回波；r3(t)表示墻體反射波；r4(t)表示環境噪聲。

2.2 雷達回波數據集構建

基于Faster-RCNN的鄰近多目標檢測算法本質上屬于圖像目標檢測，考慮到雷達回波數據中存在的雜波干擾和信號衰減問題，有必要在數據集構建過程中對雷達原始回波數據進行適當的預處理。本文先將雷達回波原始數據在慢時間上截取500道生成距離-慢時間二維灰度圖，然后進行雜波抑制和弱信號增強等預處理操作，構成樣本庫。最后使用LabelImg軟件對樣本庫中的每個樣本標注people標簽，生成UWB穿墻雷達鄰近多目標檢測數據集。雷達回波數據集構建流程如圖5所示。

圖5 構建雷達回波數據集Fig.5 Construct radar echo dataset

2.2.1 雜波抑制算法

雷達原始回波數據中包含墻體反射波、天線產生的耦合直達波、固定物體反射回波和環境噪聲等雜波干擾，目標信號的能量較低，無法直接檢測。為凸顯墻后人體目標的圖像域特征，需要使用雜波抑制方法對穿墻雷達原始回波數據進行處理。

根據人體目標微動的特性，其雷達回波信號幅度會發生變化，在頻域上表現為高頻分量，運動幅度越大、高頻分量越多；雷達雜波信號在頻域上表現為低頻分量，其幅值變化緩慢。在工程實踐中常采用背景估計法對雜波信號進行抑制，背景估計法通過歷史回波信號來估計當前時刻背景信號值，再從當前時刻原始信號中減去背景信號估計值，得到目標回波信號。在鄰近多目標精確檢測問題中，由于人體目標處于靜止狀態，呼吸信號能量較弱，易被誤判為背景，故本文采用基于指數加權的背景相消法抑制雜波。基于指數加權的背景相消法通過加權因子優化背景估計值，對回波信號的波動具有很好的適應性，在起伏背景情況下可以準確地更新背景信息[16]。

yt+1=αyt+(1-α)rt+1=yt+(1-α)(rt+1-yt)=

(1-α)(rt+1+α(r1+…+α2r2)+αty1，

(6)

式中，α為加權系數，決定背景估計值的穩定性；yt+1表示t+1時刻背景；yt表示t時刻背景；rt+1表示t+1時刻的回波。t時刻的背景估計值可以由t時刻的回波和t-1時刻的背景均值得到。

2.2.2 弱信號增強算法

在介質環境中，電磁波能量隨傳播距離呈指數級衰減。對IR-UWB雷達回波進行雜波抑制后，還應采用弱信號增強算法來提高數據的信噪比，使目標信號的能量達到可檢測水平。由于遠場噪聲信號距離較遠，按距離衰減補償會導致遠場雜波過度增益。因此本文采用基于信號能量的自動增益算法。基于信號能量的自動增益控制是根據回波信號的幅值方差控制信號增益系數。設置時間范圍t和最大增益gmax，并將回波信號z(τ)和最大增益比較。

(7)

式中，i∈[t0,tend]。在每道回波數據的時間范圍t中求得增益系數g(i)，并根據該增益系數的最小值進行歸一化處理得到gnorm(i)；對比gnorm(i)和最大增益gmax得到增益掩膜系數gmask(i)，利用該掩膜系數對原始回波信號進行增益補償。

IR-UWB雷達回波數據預處理效果如圖6所示，圖中目標信號由方框標出。使用指數加權法對原始雷達回波進行雜波抑制，去除圖6(a)中原始回波中的雜波，如圖6(b)所示；使用基于信號能量的自動增益算法對其進行弱信號增強，提高數據的信噪比，使目標信號的能量達到可檢測水平，如圖6(c)所示。

圖6 雷達回波數據預處理效果Fig.6 Effect of radar echo data preprocessing

2.3 網絡訓練

使用UWB穿墻雷達鄰近多目標檢測數據集中的訓練集數據訓練目標檢測模型，訓練過程可分為RPN訓練和分類器網絡訓練2部分。整個訓練流程如下所示：

第①步：訓練RPN，使用預訓練模型VGG-16[17]初始化RPN權重和共享卷積網絡，將訓練后的共享卷積網絡命名為model1。端對端訓練RPN網絡，生成proposals。

第②步：訓練分類器網絡，使用相同的預訓練模型VGG-16初始化一個新的共享卷積網絡，將訓練后的共享卷積網絡命名為model2，需要注意的是，此處的共享卷積網絡和第①步中的網絡結構相同。然后結合第①步生成的proposals訓練分類器網絡。

第③步：微調RPN，保持model2在訓練過程中不變，并使用model2訓練RPN，實現RPN微調。

第④步：微調分類器網絡，使用model2和RPN再次訓練分類器網絡，得到最終的目標檢測網絡。

2.4 檢測原理

基于Faster-RCNN的IR-UWB穿墻雷達鄰近多目標檢測算法的檢測原理如圖7所示。首先，將輸入的原始圖像縮放成M×N大小的圖片，并送入卷積層進行特征提取[18]生成feature map。本文所使用Faster-RCNN的卷積層由VGG-16模型構成，該模型中包含13個conv層、13個ReLU層和4個pooling層。之后，將feature map送入RPN，使用3×3的滑動窗口遍歷feature map上的每一個錨點，生成一大批邊界框。一方面使用Softmax[19]數篩選正標簽邊界框，另一方面使用bounding box regression方法微調正標簽邊界框的位置和大小并生成proposals。需要注意的是，proposals大小各不相同，無法直接被后續網絡處理。所以feature map和proposals同時被送入ROI池化層，生成固定大小的proposals feature map。分類回歸層通過全連接層和Softmax對proposals feature map的計算，確定每個proposals的目標種類；同時再次利用bounding box regression方法微調proposals的位置和大小，輸出精確的目標檢測框。

圖7 Faster-RCNN目標檢測網絡檢測原理Fig.7 Detection principle of Faster-RCNN target detection network

3 實驗設計與結果分析

3.1 實驗設計

UWB穿墻雷達鄰近多目標檢測數據集由沖激脈沖體制UWB穿墻雷達進行采集獲得，UWB穿墻雷達參數如表1所示。

表1 雷達參數Tab.1 Radar parameters

將雷達和人體目標置于磚混結構的墻體兩側，墻體厚24 cm，雷達貼墻放置，雷達收發天線距離地面100 cm，人體目標沿雷達徑向坐在固定位置，保持身體靜止，正常呼吸，通過移動人體目標位置采集不同距離情況下的雷達回波數據。為體現算法的普適性，針對人體目標的性別和體型差異設置不同被測目標類型。采集場景及雷達回波數據如圖8所示。

圖8 采集場景及雷達回波數據Fig.8 Collect scene and radar echo data

UWB穿墻雷達鄰近多目標檢測數據集共包含1 500個人體目標回波樣本，分為訓練集和測試集，其中訓練集中包含600個樣本，測試集中包含900個樣本，每個樣本中包含不同數量、不同位置的人體目標回波。測試集分成6個小組進行統計，其中第1組為距離雷達不同長度的單人目標情況；第2組為距離雷達不同長度的2人目標相距0.5 m；第3組為距離雷達不同長度的2人目標相距1 m；第4組為距離雷達不同長度的3人目標相距1 m；第5組為距離雷達不同長度的3人目標分別相距1和1.5 m；第6組為距離雷達不同長度的3人目標相距1.5 m，分組情況如表2所示。實驗過程中，測試集內所有樣本隨機混合，統一檢測，分組統計。

表2 實驗數據集Tab.2 Experimental dataset

3.2 檢測結果分析與性能評估

本文使用召回率(Recall)和平均準確率(AP)作為評價指標對基于Faster-RCNN的IR-UWB穿墻雷達鄰近多目標檢測算法的檢測性能進行評估，該算法在測試集上的檢測結果如表3所示。其中Recall表示將正例數據預測為正的個數占所有正確預測的數據個數的比例；準確率(p)表示將正例數據預測為正的個數占所有被預測為正的數據個數的比例；AP為測試集中每個樣本準確率的平均值。

表3 檢測結果Tab.3 Test results 單位：%

(8)

式中，N表示樣本總數，下標i表示參數對應第i個樣本；TPi表示將正例數據預測為正的個數；FPi表示將負例數據預測為正的個數；FNi表示將負例數據預測為負的個數。

基于Faster-RCNN的IR-UWB穿墻雷達鄰近多目標檢測算法與傳統基于CFAR檢測方法進行對比，選用CA-CFAR檢測器，根據靜止人體目標雷達回波先驗信息設定虛警概率為0.01，設置保護單元為30 pixel，檢測單元為100 pixel，并使用M/N邏輯算法抑制孤立噪聲點。

檢測結果對比如表4所示，其中左側為基于CFAR檢測方法的檢測結果，右側為Faster-RCNN目標檢測網絡檢測結果。從對比圖中可以看出，2種方法都能實現人體目標檢測的功能，但是對于鄰近多目標精確檢測問題，基于CFAR檢測方法存在誤檢和漏檢情況，原因在于檢測單元內存在臨近目標，噪聲功率的估計值被抬高而導致“目標遮蔽”現象，這種現象在目標信噪比較低時也極為嚴重。

表4 檢測結果對比Tab.4 Comparison of test results

4 結束語

針對IR-UWB穿墻雷達鄰近多目標精確檢測難點，提出了一種基于Faster-RCNN的IR-UWB穿墻雷達鄰近多目標檢測算法，在對雷達回波原始數據進行雜波抑制和弱信號增強處理的基礎上，構建了UWB穿墻雷達鄰近多目標檢測數據集并應用于目標檢測模型訓練過程，有效提高了精度。實驗表明，本文算法能準確檢測人體目標并將鄰近多目標精確分離。根據不同目標距離和目標數量的檢測效果對比分析，相較于傳統基于CFAR檢測算法，本文算法具有更好的鄰近多目標分離檢測性能，在工程應用方面具有一定的實用價值。

未來將繼續改進雜波抑制算法和弱信號增強算法，進一步提升凸顯目標特征的能力；優化網絡模型結構，提高檢測精度，實現鄰近多目標精確檢測及分離。