復雜環境下少樣本域自適應雷達RD智能識別技術

石曉榮,張 康,倪 亮,劉澤文,姜 豐,陳 鑫

北京控制與電子技術研究所,北京 100038

0 引言

雷達誕生于20世紀初,由于其工作不受天氣和晝夜影響,可以實現對目標全天時、全天候、遠距離的探測,因此在探測領域中有著十分重要的地位[1]。隨著科技的逐步發展,僅僅探測目標位置信息的傳統雷達已經不能夠滿足復雜場景下對目標多方面信息的需求,能夠從雷達回波中提取出目標詳細信息是雷達發展的必然趨勢[2]。

在雷達應用領域中,海背景下的目標檢測識別是當下研究的重點之一。不同于可見光數據,受復雜海洋環境產生的海雜波以及海面目標類型多樣化的影響,雷達回波數據由于其本身特性,信息表現方式更為復雜,目標具有不封閉輪廓且呈現出多點散布的形式,且目標有效區域占比遠不及可見光數據[3]。同時,隨著復雜電磁環境場景的增加,雷達視場內目標增多、辨識難度提升,對雷達目標檢測識別方法的魯棒性和對真實目標的辨別能力均提出了更高的要求[4]。

針對典型海背景環境下的目標檢測識別問題,在以往的應用中通常采用傳統的恒虛警率[5]方法和模板匹配方法[6]等對目標進行定位和識別。前者需要構建雜波統計模型來確定檢測閾值,參數估計和計算求解復雜耗時,后者需建立依賴專家知識的完整模板庫。針對樣本獲取難度大的稀缺目標和場景,如極端電磁環境、低信噪比和高海情的復雜場景皆會直接導致傳統算法性能驟降。同時,傳統算法需要較為準確的專家先驗知識和手工特征提取,存在算法設計門檻高、算法魯棒性較弱的缺陷。

受益于深度學習技術的發展、數據量的增加和硬件設備的完善,目標檢測識別領域的研究進展突飛猛進。相比傳統算法,深度卷積神經網絡的目標檢測識別算法具備自動化和智能化屬性,算法通過自適應特征提取和調整,與專家經驗進行淺解耦,通過合理地設置優化方式達到較好的目標識別效果,能夠準確定位出指定目標的位置并給出目標的詳細信息。以Girshick等提出的Faster R-CNN[7]兩階段架構目標檢測算法和Redmon等提出的YOLO系列[8]單階段目標檢測算法,改進了卷積神經網絡的特征提取過程,同時增強了模型對小目標的檢測能力,奠定了智能目標檢測算法的典型基礎架構。

當前,基于深度學習的目標檢測識別研究多圍繞可見光圖像和視頻展開,針對紅外圖像和SAR圖像也存在部分研究[9-10],但面向雷達回波數據的相關研究相對較少。雖然深度學習具有較強的特征提取能力,但需要較大的數據量作為算法的訓練保障,否則將無法充分發揮其優勢。

綜上所述,目前在雷達目標識別方面主要面臨的問題如下:

1)現階段雷達在復雜場景下目標檢測識別手段嚴重不足,特別是在目標分布密集、類間特征區分度低的情況下,現有方法難以做到對識別目標的準確區分;

2)當多個目標間距離較近時,難以對目標做到精確定位,同時在高海情等較為復雜場景下,尤其是在目標信號較弱、噪聲和雜波較強的情況下,無法定位目標;

3)數據的場景完備性難以保障,用于算法研究的訓練數據與真實應用場景的數據存在跨域問題,并且數據量級較小,導致算法場景適應性差。

基于上述描述,針對典型海背景環境下對海面目標準確識別的重大需求,本文將深度學習技術應用到基于雷達回波的目標檢測識別中來,建立了基于復雜場景的樣本數據集,提出了一種基于少樣本的域自適應雷達智能目標檢測識別技術,設計了基于特征金字塔的雙階段目標檢測識別算法架構,充分挖掘神經網絡的目標定位和辨別能力,同時設計了域自適應技術對源域和目標域進行特征配準,提高了對不同域目標的精確定位和準確識別能力,實現了不同域下對具有不封閉輪廓、多點散布目標的精細化辨識,達到提升復雜環境下識別能力的目的。

1 復雜場景樣本數據集

1.1 數據集構建總體思路

圍繞復雜場景下基于雷達回波的智能目標檢測識別具體需求,需要建立不同目標分布形式和不同場景構造(仿真數據和真實數據)的樣本數據集以滿足算法模型的訓練和測試驗證需求。

樣本數據集按照“原始數據獲取-處理與標注-數據集劃分”的步驟進行構建,由仿真數據和真實數據以RD(距離多普勒)時頻域數據的形式組成。其中仿真數據由全數字信號級仿真平臺生成,通過搭建多類目標RCS特性數據庫、電磁特性數據庫、海雜波特性數據庫形成用于生成數據的目標特性數據庫,同時搭建信號級回波仿真模型、典型雷達信號處理模型形成雷達回波生成模型,用于RD時頻數據的生成。

1.2 復雜場景構建

數據集以包含各類目標和電磁特性的雷達RD時頻樣本數據為處理對象,復雜場景描述見下表1。

表1 復雜場景構建方案

表2 樣本及標注文件描述

其中仿真數據由全數字信號級仿真平臺生成,首先設定仿真參數,其次生成雷達回波信號,根據場景配置索引目標特性數據庫、電磁特性數據庫和海雜波數據庫,與參考信號卷積生成回波信號,最后生成樣本數據和對應標注,雷達模型對回波信號進行脈壓,輸出RD時頻數據。

圖1 仿真樣本示例

1.3 樣本生成

針對仿真數據,通過其復雜場景的設置可生成對應的標注文件;針對真實數據,通過采集時的相關設備計算得到對應的標注文件,具體形式如下:

2 檢測識別算法

針對識別中面臨的低信噪比、目標分布稀疏、目標特征判別性弱、目標尺度小、背景復雜等難題,本方案以兩階段目標檢測框架為基礎,采用基于分離注意力的偏移區間配準智能識別算法。

如圖2所示,首先針對給定雷達RD數據,對其進行抗幅度敏感性處理,然后將處理后的RD數據送入基于分離注意力的主干特征提取網絡提取整幅雷達RD圖像的特征,通過在殘差塊之間添加自頂向下的路徑,結合基于特征金字塔的多尺度特征融合網絡,提取多個尺度且語義豐富的目標特征,再采用基于候選區域對齊的目標特征選擇網絡生成可能包含目標的候選框,并將候選框映射到特征譜上,提取候選區域的特征信息,最后采用偏移區間分類網絡Offset-Bin去實現精準的目標檢測識別和定位目標,輸出目標的類別、位置及置信度。

圖2 基于分離注意力的偏移區間配準目標檢測識別算法架構圖

圖3 偏移區間配準預測

2.1 數據抗幅度敏感性的預處理

雷達RD數據的幅度敏感性從理論上本應是識別目標時的有效特征,如果在完全相同的錄取條件下,屬于不同目標的雷達RD數據幅度信息可以反映目標尺寸大小等特性。然而這些條件在現實應用場景中很難達到,即使是相同雷達面對相同目標,在以上多種因素的影響下仍然無法獲得回波強度一致的雷達RD數據,從而導致了雷達RD數據的幅度敏感性。

針對雷達數據中幅度敏感性、目標響應值差異較大、分布稀疏等特點,采用了歸一化、標準化及尺度放大、翻轉、平移、裁減、拼接等數據增廣策略,以擴張數據集大小以及目標分布多樣性,防止網絡過擬合。同時,數據中距離和速度多普勒維表達了二維空間中的能量分布,強點特征較為明顯,可通過數據增廣的方式加強特征利用效率。

2.2 基于分離注意力機制的特征提取主干網絡

針對目標特征判別性弱、類間目標易混淆的問題,區別于傳統手工設計的特征,模擬人類視覺信息處理機制。通過加入分離注意力模塊,基于智能識別經典模型深度殘差網絡進行修改,提升重要特征信息的提取權重,具有特征提取融合能力強,泛化能力好等優勢,從而對于不同復雜程度的目標和圖像都能提取語義豐富的特征,更容易區分目標和噪聲。

根據目標尺度小的特點,基于自底向上的殘差網絡作為主干網絡,通過添加自頂向下的路徑,對語義抽象的低分辨率特征譜上采樣,與細節豐富的高分辨率特征譜逐步融合,從而增強小目標的特征判別性,解決多類特征稀缺目標難以區分的問題。

2.3 基于特征金字塔的多尺度特征融合網絡

針對雷達RD數據中目標距離域尺度小、特征不明顯的問題,本文采用基于特征金字塔模型的多尺度特征融合網絡用于聚合骨架模型提取到的多尺度特征。所采用的經典智能算法特征金字塔網絡具有特征融合能力強、對目標尺度變化魯棒、計算復雜度低等優勢。

2.4 基于偏移區間配準的分類網絡

針對精準定位目標的需求,本方案巧妙地將回歸問題轉化為分類問題,基于不同偏移區間的輸出概率分布,采用偏移區間分類網絡預測更精確的目標位置。不同于傳統方法,目標定位通常利用回歸網絡預測錨點框和真實框之間的偏移,由于不充分地懲罰往往導致了次優的回歸和不精確的定位。

具體首先將連續地偏移范圍離散化為n個離散的偏移區間,其中每個區間的中值作為每個區間的表示偏移,從而構建離散的偏移區間,再基于特征金字塔網絡提取的候選區域特征,預測偏移區間打分向量,則目標定位能夠被轉化為多分類問題,使用交叉熵損失函數優化定位網絡的學習。最后,通過計算期望值,將離散的偏移轉化為高精度的定位預測,解決目標間隔距離較近的問題。

3 智能目標識別算法

圖4基于少樣本的域自適應雷達智能目標檢測識別算法架構圖在部分應用場景中,真實數據的獲取成本是較高的。即使最終獲取到了數據,由于數量不足,直接訓練網絡會產生過擬合問題。故在面對使用仿真數據訓練、真實數據測試的背景下,設計基于梯度反轉層的域自適應結構,并利用一致性約束保障不同數據域下分類識別的正確性。

如圖4所示,基于少樣本的域自適應雷達智能目標檢測識別算法由左右兩部分組成,其中左邊部分為在雙階段架構上改進的基于特征金字塔的目標檢測識別算法,由源數據域提供數據和標注,學習檢測識別任務;右邊部分為基于梯度反轉層的域自適應結構,由源域和目標域共同提供數據,實現特征域對準。

如圖5所示,源域提供數據和標簽用于檢測任務的監督學習,目標域提供數據,并聯合源域極少部分的數據對特征進行配準。

圖5 域自適應示意圖

圖6 測試結果樣例

網絡優化時,一方面域分類器要盡可能區分特征所屬的數據域,另一方面讓提取到的特征迷惑域分類器。隨著對抗過程的持續,源域和目標域特征逐漸靠近。配準之后,利用源域數據學習得到的分類界面也能夠適用于目標域數據。

4 仿真校驗

該項任務為二分類任務,即定位、分辨出目標和背景,故選用F1 Score作為評判標準。根據所建數據集進行訓練測試,測試環境為Ubuntu 16.04.6 LTS,GPU加速集群為Nvidia Tesla A100,CUDA版本號為10.2。

4.1 偏移區間配準的檢測識別算法驗證

基于訓練數據,針對基于特征金字塔的雙階段目標檢測識別算法在測試場景1～3上進行測試,同時設置基于CFAR的傳統方法得分作為基準線,具體結果如表3。

表3 各場景測試結果

經過測試分析說明:在仿真場景下,相較傳統方法,該算法模型在測試集內可以達到較高的目標識別精度,尤其在假目標強度數倍于真目標和低于目標強度的情況下,能夠做到目標的準確識別,證明了智能識別網絡的有效性,這有望解決各類復雜場景應用中目標誤識別的難題。

4.2 基于少樣本的域自適應算法驗證

基于訓練數據,針對基于少樣本的域自適應雷達智能目標檢測識別算法在測試場景4中進行測試,同時設置基于直接模型訓練微調方法的得分進行對比,目標域全部訓練集為1000個,與仿真數據訓練集個數對應,具體測試結果如圖7。

圖7 數據跨域場景下的測試結果

經過測試分析說明:在目標任務數據量不足的情形下,可以借助其他數據,利用域自適應方法提升目標任務的性能,通過與直接模型訓練微調的結果對比也證明了該方法的有效性。目標任務數據量大小會影響到最終的性能,條件允許的情況下需要盡可能多地提供目標域的訓練數據,保證目標任務的效果。

5 結論

針對雷達回波智能目標識別技術進行了研究,建立了復雜場景樣本數據集,提出了基于少樣本的域自適應雷達智能目標檢測識別算法,進行了算法模型的訓練和測試,證明了算法在仿真數據集上達到了較好的效果,同時在面臨數據跨域時,使用少量樣本即可較大幅度提高算法的檢測識別精度。

驗證了深度學習在雷達回波數據目標檢測識別任務上的可行性,相比傳統雷達檢測識別算法,能夠有效提取各類目標間更深層次的細微差異特征,從而達到較好的分類識別效果。同時,深度學習太過依賴于數據本身,導致在較差數據保障的應用條件下,算法模型常常面臨場景適應性不足的問題,由于特征的自學習,也帶來了算法性能邊界條件模糊不清,識別對錯原因無法溯源的問題,這些問題成為了深度學習在低容錯場景下應用必須要翻越的“大山”,也是作者后續的研究方向。

在后續工作中,將研究算法泛化能力,尤其是在面向更多實測數據時算法的魯棒性問題,同時形成實測與仿真的數據集構建閉環,深化對算法與數據遷移方面的技術研究,逐漸摸清算法的性能邊界,持續提升算法模型的健壯性。