基于深度學習模型的SAR圖像間歇采樣轉發干擾檢測

陶臣嵩, 陳思偉, 肖順平

(國防科技大學電子科學學院電子信息系統復雜電磁環境效應國家重點實驗室, 湖南 長沙 410073)

0 引 言

合成孔徑雷達(synthetic aperture radar, SAR)能夠全天時、全天候工作,通過距離向和方位向脈沖壓縮成像,具有高分辨能力,是軍事偵察領域的主要傳感器[1-2]。基于SAR圖像的高價值人造目標檢測與識別,是SAR在偵察監視任務中的重要應用。

在電子對抗中,為有效應對SAR的偵察威脅,SAR干擾逐漸興起并成為研究熱點。SAR干擾通過輻射或反射電磁能量,使得SAR成像質量下降,進而削弱其對目標的檢測識別能力。從能量角度,SAR干擾可分為無源干擾和有源干擾[3-6]。其中,無源干擾不主動發射能量,包括角反射器、偶極子反射器、隱身材料、箔條及反雷達偽裝網等。而有源干擾則主動發射能量,且包含多種干擾樣式[3-6]。其中,周期調制干擾即干擾機將截獲的SAR信號與距離向或方位向周期信號相乘,進而在SAR圖像距離向或方位向形成多個超前或滯后相干假目標的一類干擾樣式[3-6]。

一種典型的周期調制干擾即間歇采樣轉發干擾(interrupted sampling repeater jamming, ISRJ)[7]。ISRJ的基礎信號模型是一個周期脈沖串信號,其與SAR信號相乘,經匹配濾波后在SAR圖像的距離向生成多個間隔分布的假目標[7-8]。在此基礎上,將ISRJ擴展至SAR方位向,即可在SAR圖像的方位向形成假目標串[9]。由于利用了SAR的匹配濾波特性,ISRJ在SAR圖像中產生的假目標與真實目標較為相似[7-9],因而可對SAR圖像目標檢測與識別等應用產生欺騙的效果[10]。

從抗干擾角度,為保證SAR目標檢測與識別的性能,對SAR圖像中存在的ISRJ進行抑制十分必要。當前,對ISRJ抑制的研究主要集中在信號域,相關方法可以歸納為3大類。第1類ISRJ抑制方法針對ISRJ信號時域采樣的不連續性,具體包括:文獻[11]利用線性調頻分段信號之間的正交性進行波形掩護,通過窄帶濾波器組對ISRJ信號和目標回波信號進行區分并剔除ISRJ信號。文獻[12]利用脈內步進線性調頻子脈沖之間的正交性互相掩護,子脈沖間頻率步進使得ISRJ采樣段信號經調制后無法干擾相鄰子脈沖,進而有效提取無干擾信號段。文獻[13]同樣利用上述脈內步進線性調頻子脈沖之間的正交性互相掩護,通過短時傅里葉變換,將時頻矩陣投影至時間維,提取ISRJ不連續轉發段信號并以其最大值為門限,進而對時頻矩陣進行ISRJ抑制。第2類ISRJ抑制方法旨在破壞ISRJ信號的一些造成欺騙效果的特性。文獻[14]使用偽隨機性序列對雷達波形進行編碼,從而降低回波信號與ISRJ信號之間的相關性,進而有效抑制ISRJ。文獻[15]基于模糊函數設計雷達波形,通過破壞ISRJ信號在多普勒頻率上的輸出連續性,對其進行抑制。文獻[16]針對ISRJ信號匹配濾波后高柵瓣的特點,設計低集成旁瓣電平的波形,以及相應的快速求解方法。而第3類ISRJ抑制方法則是通過一定的變換或表征,增強目標回波信號與ISRJ信號之間的區分度。文獻[17]對受干擾回波信號做分數階傅里葉變換,然后通過窄帶濾波處理抽取目標回波信號。文獻[18]對受干擾回波信號進行切片化,并基于目標回波信號與ISRJ信號之間的切片差異設計線性正則聯合字典,識別并剔除ISRJ相應的能量點。文獻[19]在分析目標雙曲調頻波形解調頻回波特性的基礎上,提出一種基于稀疏重構的ISRJ抑制方法。文獻[20]以一個相干處理間隔的受干擾回波信號作為處理對象,通過對不同重復周期的回波進行不同階次的分數階相關處理,改變ISRJ假目標在快時間的位置,經相參積累后實現對ISRJ的抑制。文獻[21]通過信號累積在時頻域增強接收信息,并在時頻面提取ISRJ信號分布區域,再根據重構的目標回波信號設計帶通濾波器,實現對ISRJ的抑制。文獻[22]設計脈內正交的線性調頻-相位編碼波形,將ISRJ信號拆分為不同的子信號,再利用匹配濾波器對ISRJ進行識別與對抗。文獻[23]定義能量函數,并根據目標回波信號和ISRJ信號能量函數的差異,提取無干擾的目標回波信號數據。

在圖像域方面,基于SAR圖像的ISRJ存在性檢測與位置判定,是抑制ISRJ的前提。現階段,SAR圖像ISRJ檢測以人工判讀為主,即通過專業技術人員的知識與經驗,判斷SAR圖像中ISRJ的有無以及其假目標的具體位置。在SAR系統成像能力提升且SAR圖像數據累積的情況下,上述人工判讀的方法在精度與效率方面逐漸無法滿足需求。故本文在圖像域中對ISRJ檢測問題開展研究。首先,采用實測SAR數據結合仿真ISRJ的策略,基于不同的實測場景及仿真參數,構建不同類別的ISRJ樣本。其次,針對SAR圖像中ISRJ假目標所呈現的間隔分布的特點,將相應的假目標串視為整體并進行標注,同時選用深度學習檢測領域中具有代表性的更快的區域卷積神經網絡(faster region-convolutional neural network, faster R-CNN)模型[24]以及“你只看一次”(you only look once, YOLO)模型[25-27]作為檢測器。接著,以單一場景的ISRJ樣本作為訓練樣本,對不同的深度學習模型進行訓練。最后,以其他場景的ISRJ樣本作為測試樣本,利用訓練好的模型分別對其進行ISRJ檢測。

本文主要內容分為4個部分:第1節詳細說明SAR圖像的ISRJ原理,并構建ISRJ樣本;第2節在簡單介紹深度學習模型的基礎上,提出SAR圖像ISRJ檢測的基本思路和方法流程;第3節通過實驗及對比,驗證上述檢測方法的性能表現;第4節總結全文。

1 ISRJ及樣本構建

1.1 SAR ISRJ原理

ISRJ利用SAR的匹配濾波特性,在其圖像距離向/方位向形成多個逼真假目標。其中,在SAR圖像距離向生成假目標,即對SAR距離向ISRJ[8],而將類似干擾效果拓展至SAR圖像方位向,并生成假目標,即對SAR方位向ISRJ[9]。

1.1.1 對SAR距離向ISRJ

對SAR距離向ISRJ的原理如下:干擾機截獲到SAR發射的線性調頻信號,進而高保真地采樣其中一小段信號進行轉發處理,之后再采樣下一小段信號并進行轉發,如此收發分時、采樣和轉發交替工作,直至大時寬信號結束[8]。

假設SAR發射的線性調頻信號為

(1)

式中:rect(·)為矩形窗函數;t=tr+ta為全時間;tr為距離向快時間;ta為方位向慢時間;Tp為脈沖寬度;f0為載頻;μr為調頻斜率。

針對上述信號,距離向間歇采樣脈沖信號即矩形包絡脈沖串,具體為

(2)

式中:δ(·)為沖激函數;Tw為間歇采樣脈沖寬度;Ts為間歇采樣周期;定義fs=1/Ts為間歇采樣頻率;D=Tw/Ts=Twfs為間歇采樣占空比(簡稱占空比);?表示卷積運算。

間歇采樣后得到的干擾信號為

ss(tr,ta)=p(t)·s(tr,ta)

(3)

在SAR接收端,干擾信號經過混頻、距離向匹配濾波、距離遷徙校正以及方位向脈沖壓縮等處理后,最終為

sinc [μata(TL-|ta|)]

(4)

由式(4)可知,距離向ISRJ即在SAR圖像距離向輸出多個逼真假目標,且各假目標在幅度上存在差異。相鄰假目標的峰值點間距為

ΔR=cfs/(2μr)=c/(2μrTs)

(5)

式中:c為光速。由式(5)以及an=Dsin(nD)可知,參數Ts和D直接影響著距離向ISRJ在SAR圖像中的輸出結果,包括距離向上假目標的數量、幅度以及分布間隔等。

1.1.2 對SAR方位向ISRJ

對SAR方位向ISRJ的原理如下:干擾機截獲到SAR發射的脈沖信號后,進行全脈沖高保真采樣與存儲,并在經過一定處理后于下一個或數個脈沖重復周期轉發出去;再進行全脈沖的采樣和存儲,然后處理并轉發;如此收發分時、采樣和轉發交替工作,直至照射到干擾機的合成孔徑時間結束[9]。

針對式(1)所示的SAR發射信號,方位向間歇采樣脈沖信號依舊是矩形包絡脈沖串,具體為

(6)

式中:Tw為間歇采樣脈沖寬度,通常有Tw≤T,T為線性調頻信號的脈沖重復周期;Ts為間歇采樣周期,通常有Ts=KT(K≥2且K∈Z),即間歇采樣周期通常為脈沖重復周期的倍數。而K-1則為干擾組數,當K=2時為單組干擾,當K≥3時為多組干擾。

類似地,間歇采樣所得干擾信號經過混頻、距離向匹配濾波、距離遷徙校正以及方位向脈沖壓縮等處理后,最終在SAR接收端為

(7)

由式(7)可知,方位向ISRJ即在SAR圖像方位向輸出多個逼真假目標,且各假目標在幅度上存在差異。相鄰假目標的峰值點間距為

ΔR=-vfs/μa=-v/(μaKT)

(8)

式中:v為SAR平臺運動速度。在實際的干擾過程中,為了確保完整地采集到SAR發射信號,通常會對整個脈沖重復周期充分采樣,即設置Tw=T。此時,占空比和幅度加權系數分別為

D=Tw/Ts=T/(KT)=1/K

(9)

(10)

由式(8)和式(10)可知,參數K直接影響著方位向ISRJ在SAR圖像中的輸出結果,包括方位向上假目標的數量、幅度以及分布間隔等。

1.2 ISRJ樣本構建

在電子對抗中,SAR受有源干擾影響。然而,特定干擾樣式下的實測SAR數據難以獲取。對此,本文采用實測數據與仿真干擾相結合的策略生成ISRJ條件下的SAR圖像,進而構建ISRJ樣本。

ISRJ條件下SAR圖像的生成流程如圖1所示。

圖1 ISRJ條件下SAR圖像的生成流程

一方面,使用逆成像算法[1]重構實測SAR數據的原始回波。另一方面,通過設置典型的干擾參數,利用信號級仿真手段[7-9]得到ISRJ的信號回波。在上述基礎上,將SAR原始回波與干擾信號回波相疊加,最后使用成像算法[1]得到ISRJ條件下的SAR圖像。基于上述流程框架,本文使用的逆成像算法和成像算法具體分別為逆ω-k算法和ω-k算法[1]。其中,ω-k算法的成像過程主要包含二維傅里葉變換、一致壓縮、補余壓縮以及二維傅里葉逆變換等4步,且每一步均為線性處理,而逆ω-k算法即ω-k算法的逆過程。

在實測數據方面,選用美國MiniSAR系統在6個不同場景獲取的實測SAR圖像數據,如圖2所示。其中,圖2(a)～圖2(f)分別對應場景1～場景6,圖像分辨率為0.1 m×0.1 m,全圖尺寸大小為1 638像素×2 510像素,包含車輛、飛機、建筑物等人造目標以及樹木、草叢、裸地等自然地物。

圖2 MiniSAR數據

在干擾仿真的過程中,需要設置的參數包括干信比(jamming to signal ratio, JSR)和干擾機位置等通用參數,以及與干擾的具體樣式密切相關的特有參數。對于ISRJ仿真,JSR分別為5 dB、10 dB、15 dB和20 dB,而干擾機則被分別置于場景中的9個位置,SAR圖像中相應的坐標即(x/4,y/4)、(x/4,y/2)、(x/4, 3y/4)、(x/2,y/4)、(x/2,y/2)、(x/2, 3y/4)、(3x/4,y/4)、(3x/4,y/2)以及(3x/4, 3y/4),x和y分別為SAR圖像的總列數與總行數。此外,對于SAR距離向ISRJ,設置間歇采樣周期Ts分別為0.3 μs、0.4 μs和0.5 μs,設置占空比D分別為0.1、0.2和0.25。對于SAR方位向ISRJ,設置干擾組數K分別為5、10和20。

基于上述參數設置,將仿真的ISRJ信號回波與MiniSAR實測圖像的原始回波進行疊加,再通過成像處理得到ISRJ條件下的SAR圖像。在此基礎上,以干擾機位置為中心,進一步提取尺寸大小為501像素×501像素的區域作為ISRJ樣本,其部分示例如圖3所示,包含場景1中的3個不同區域,分別對應圖3(a)～圖3(f)、圖3(g)～圖3(l)以及圖3(m)～圖3(r),且在仿真過程中的JSR均為5 dB。其中,圖3(a)、圖3(g)～圖3(m)為SAR距離向ISRJ,Ts為0.3 μs且D為0.1(參數1);圖3(b)、圖3(h)、圖3(n)為SAR距離向ISRJ,Ts為0.3 μs且D為0.25(參數2);圖3(c)、圖3(i)、圖3(o)為SAR距離向ISRJ,Ts為0.5 μs且D為0.1(參數3);圖3(d)、圖3(j)、圖3(p)為SAR距離向ISRJ,Ts為0.5 μs且D為0.25(參數4);圖3(e)、圖3(k)、圖3(q)為SAR方位向ISRJ,K為5(參數5);圖3(f)、圖3(l)、圖3(r)為SAR方位向ISRJ,K為20(參數6)。

圖3 ISRJ樣本

2 基于深度學習模型的ISRJ檢測

ISRJ在SAR圖像中產生一系列逼真的相干假目標,對SAR圖像目標檢測與識別等造成干擾。故在對抗背景下,SAR圖像ISRJ檢測與抑制具有重要意義。其中,針對SAR圖像中ISRJ的存在性檢測以及位置判定,是后續進行ISRJ抑制的前提。

由圖3可以發現,ISRJ假目標在SAR圖像中呈現整列或整行等間隔分布的特點。針對此類擴展式目標,一方面,以恒虛警檢測器為代表的像素級檢測方法很難得到理想的檢測結果。另一方面,在深度學習領域中,深度卷積神經網絡(convolutional neural network, CNN)模型具有多層網絡結構,能夠對圖像目標區域進行抽象特征的提取與學習,進而更為準確地描述目標的檢測特性。具體到SAR圖像中的ISRJ,深度CNN模型以其“多假目標等間隔分布”作為檢測特性,對于檢測性能的提升極具潛力。

基于上述思路,本文提出基于深度學習模型的SAR圖像ISRJ檢測方法。具體地,針對SAR圖像中ISRJ假目標的整體進行真值標注,進而將其灰度圖像導入檢測器中進行相應的訓練與測試。而在檢測器方面,基于深度CNN的檢測器通常可分為“兩階段”檢測器和“單階段”檢測器。前者首先粗略提取目標檢測框并剔除背景,然后再進行目標檢測框的分類與邊界回歸,以Faster R-CNN模型[24]為代表;而后者則是將上述兩個過程融合在一起,采用“錨點”與“分類精修”相結合的處理框架,以YOLO模型[25-27]為代表。故本文分別選用Faster R-CNN和YOLO模型作為檢測器。

對于Faster R-CNN模型,其結構如圖4所示[24]。其中主要包含卷積層、區域建議網絡(region proposal network, RPN)、感興趣區域池化層(region of interest pooling, ROI Pooling)以及分類與回歸處理等模塊。具體地,卷積層通常直接使用典型深度CNN模型的卷積層部分,例如視覺幾何組(visual geometry group, VGG)網絡等。原始圖像經過卷積層即得到其特征圖,而將特征圖送入RPN模塊,則可得到有關目標所在區域的建議框。在此基礎之上,將特征圖與建議框兩者導入ROI Pooling,再經過分類與回歸模塊的處理,即可在原始圖像上得到最終的檢測結果。Faster R-CNN模型的具體細節詳見文獻[24]。

圖4 Faster R-CNN模型

此外,對于YOLO模型,以YOLOv3為例,其結構如圖5所示[25]。其中主要包含DBL、resN(N=1、2、4、8等)和卷積等模塊,以及上采樣和張量拼接等操作。具體地,卷積模塊即卷積層的疊加與處理。DBL模塊由卷積模塊、批量歸一化(batch normalization, BN)操作以及有漏隙的修正線性單元(leaky rectified linear unit, leaky ReLU)3者組成。而resN模塊則是由零填充操作、DBL模塊以及數量為N的殘差單元所組成。總結而言,YOLOv3模型包含“跳層連接”“殘差模塊”“多尺寸檢測”,以及“上采樣”與“特征融合”等先進的目標檢測處理結構,其具體細節詳見文獻[25]。

基于ISRJ樣本,分別利用Faster R-CNN和YOLO等深度學習模型,本文提出的SAR圖像ISRJ檢測方法具體流程如下:

(1) 對ISRJ樣本中間隔分布的假目標進行真值標注,即使用矩形框框選對應的列或行;

(2) 基于ISRJ樣本對應的不同場景,將其整體劃分為訓練樣本集和測試樣本集;

(3) 針對預先訓練好的深度學習模型(基于典型光學圖像數據集),使用訓練樣本集及相應真值進行更進一步的調整訓練;

(4) 利用調整訓練完備的深度學習模型對測試樣本集進行ISRJ假目標檢測,再通過對比檢測結果及相應真值,評估檢測性能。

3 檢測實驗

3.1 實驗數據

基于前文介紹的ISRJ樣本,開展SAR圖像ISRJ檢測實驗。整個實驗過程可分為訓練與測試兩個階段,即需要相應的訓練樣本集和測試樣本集。

利用MiniSAR系統在場景1所獲取的實測SAR圖像(見圖2(a)),生成ISRJ樣本并構建訓練樣本集。具體而言,訓練樣本集包含僅存在距離向ISRJ的樣本(簡稱距離向ISRJ樣本)以及僅存在方位向ISRJ的樣本(簡稱方位向ISRJ樣本)。對于距離向ISRJ樣本,設置4種JSR、9個干擾機位置以及3種間歇采樣周期Ts和3種占空比D,樣本數量為324(4×9×3×3)。而對于方位向ISRJ樣本,則設置4種JSR、9個干擾機位置以及3種干擾組數K,樣本數量為108(4×9×3)。故整個訓練樣本集共包含432個樣本。相似地,利用MiniSAR系統在場景2、場景3、場景4、場景5以及場景6等5個場景所獲取的實測SAR圖像(見圖2(b)～圖2(f)),生成ISRJ樣本并構建測試樣本集。具體而言,測試樣本集包含3類樣本,即距離向ISRJ樣本、方位向ISRJ樣本以及存在距離向與方位向ISRJ相互疊加的樣本(簡稱疊加ISRJ樣本)。對于距離向ISRJ樣本,設置5個實測場景、4種JSR、9個干擾機位置以及3種間歇采樣周期Ts和3種占空比D,樣本數量為1 620(5×4×9×3×3)。對于方位向ISRJ樣本,設置5個實測場景、4種JSR、9個干擾機位置以及3種干擾組數K,樣本數量為540(5×4×9×3)。而對于疊加ISRJ樣本,則設置5個實測場景、4種JSR、9個干擾機位置以及3種間歇采樣周期Ts、3種占空比D和3種干擾組數K,樣本數量為4 860(5×4×9×3×3×3)。故整個測試樣本集共包含7 020個測試樣本。綜上所述,對訓練樣本集和測試樣本集的總結如表1所示。需要特別說明的是,上述訓練樣本集與測試樣本集分別源自同一SAR系統對不同實測場景所獲取的SAR圖像數據,因此兩者中的ISRJ樣本不存在交集。分別基于訓練樣本集與測試樣本集對深度學習模型進行訓練與測試,即體現相應檢測方法對于不同場景的泛化能力。

表1 對訓練樣本集和測試樣本集的總結

3.2 實驗設置

在實驗過程中,距離向ISRJ樣本與方位向ISRJ樣本的干擾樣式均為ISRJ,而疊加ISRJ樣本則為ISRJ出現多次并發生疊加的情況。故對上述樣本中的假目標進行真值標注時,僅有一種干擾類別。

在深度學習模型的訓練階段,由于訓練樣本數量有限,故采取“微調”的訓練策略。首先,基于經典的“常見環境物體”(common objects in context, COCO)光學圖像數據集,對深度學習模型進行預先訓練,得到其相應參數。然后,基于距離向ISRJ樣本和方位向ISRJ樣本所組成的訓練樣本集,對深度學習模型的參數進行微調。具體地,對于Faster R-CNN模型,主要的訓練參數設置包括:批處理大小為128,訓練次數為500,學習率為10-3;而對于YOLOv3模型,主要的訓練參數設置包括:批處理大小為8,訓練次數為50,學習率為10-4～10-6。在實際的訓練過程中,所用計算機的硬件配置包括Intel Core i5-7400的CPU,16 GB的安裝內存,NVIDIA GeForce GTX 1080 Ti的GPU顯卡,以及11 GB的顯卡內存。此外,本文所用操作系統為Ubuntu Kylin 16.04 LTS,而相應的深度學習框架則為TensorFlow 1.12.0的GPU版本。

在訓練深度學習模型至收斂的前提之下,對測試樣本集進行ISRJ檢測。在此過程中,深度學習模型會對每個測試樣本輸出若干檢測框,并賦予各檢測框一個分數。該分數越高,則表示相應檢測框之中存在ISRJ假目標的概率越大。故在上述的檢測過程中,通過設定檢測框的分數門限以及檢測框之間的交并比門限,即可得到每個測試樣本的最終檢測結果。

3.3 實驗結果與分析

使用訓練好的Faster R-CNN和YOLOv3模型,分別對上述的測試樣本進行ISRJ檢測,所得檢測結果如表2所示。此外,在YOLOv3模型的基礎上,相關研究還發展出了YOLOv4[26]以及YOLOv5[27]等模型。其中,YOLOv4模型即在YOLOv3模型的基礎上增添了一系列比較新的目標檢測參數優化手段[26]。具體而言,YOLOv4模型對輸入數據使用了馬賽克處理以及自對抗訓練等數據增強技術。此外,YOLOv4模型在YOLOv3模型的主干網絡之中引入了跨級部分連接和加權殘差連接等優化結構,并且對其激活函數、損失函數、小批量標準化處理過程以及正則化處理過程等均進行了不同程度的改進。在訓練的過程之中,YOLOv4模型還用到了標簽平滑以及學習率余弦退火衰減等加速模型收斂的技巧[26]。而YOLOv5模型相對于YOLOv4模型則創新較少,其主要改進在于模型自身的輕量化[27]。故在表2中僅增加了一組使用YOLOv4模型所得到的ISRJ檢測結果,表內括號中為正確檢測樣本數與全部樣本數的比值,即模型檢測準確率。由表2可知,對于距離向ISRJ樣本,Faster R-CNN模型能夠在全部1 620個測試樣本中正確檢測出距離向假目標,YOLOv3模型也可以在1 613個測試樣本中實現對距離向假目標的正確檢測,而YOLOv4模型則僅在1 527個測試樣本中正確檢測出距離向假目標,有93個測試樣本出現漏檢。對于方位向ISRJ樣本,Faster R-CNN模型、YOLOv3模型和YOLOv4模型針對方位向假目標均可達到較高的檢測準確率(均大于98.50%)。對于疊加ISRJ樣本,Faster R-CNN模型在4 791個測試樣本中正確檢測出距離向與方位向疊加假目標,YOLOv3模型在4 855個測試樣本中實現對距離向與方位向疊加假目標的正確檢測,而YOLOv4模型則僅在4 150個測試樣本中正確檢測出距離向與方位向疊加假目標,有710個測試樣本出現漏檢或者檢測不完整。綜上所述,對于上述測試樣本集,Faster R-CNN、YOLOv3以及YOLOv4 3個深度學習模型所得總體檢測準確率分別為98.92%、99.79%和88.56%,而上述3者所得平均總體檢測準確率則為95.75%。

表2 SAR圖像ISRJ檢測性能

進一步地,以測試樣本集之中同一區域的1個距離向ISRJ樣本、1個方位向ISRJ樣本以及1個疊加ISRJ樣本作為示例,使用訓練好的Faster R-CNN模型、YOLOv3模型以及YOLOv4模型分別對其進行ISRJ檢測,所得檢測結果如圖6所示。其中,圖6(a)、圖6(d)、圖6(g)分別為Faster R-CNN模型對于距離向ISRJ樣本(ISRJ_Rg.)、方位向ISRJ樣本(ISRJ_Az.)以及疊加ISRJ樣本(ISRJ_Mt.)的檢測結果;圖6(b)、圖6(e)、圖6(h)分別為YOLOv3模型對于距離向ISRJ樣本(ISRJ_Rg.)、方位向ISRJ樣本(ISRJ_Az.)以及疊加ISRJ樣本(ISRJ_Mt.)的檢測結果;圖6(c)、圖6(f)、圖6(i)分別為YOLOv4模型對于距離向ISRJ樣本(ISRJ_Rg.)、方位向ISRJ樣本(ISRJ_Az.)以及疊加ISRJ樣本(ISRJ_Mt.)的檢測結果。由圖6可知,Faster R-CNN模型和YOLOv3模型對于這一區域的距離向ISRJ樣本、方位向ISRJ樣本以及疊加ISRJ樣本均可得到正確的ISRJ檢測結果。而YOLOv4模型則僅在該區域的方位向ISRJ樣本上得到正確的檢測結果,其在相應的距離向ISRJ樣本上產生漏檢,且在相應的疊加ISRJ樣本上產生檢測不完整(即僅檢測出方位向假目標,而漏檢距離向假目標)的情形。

基于表2與圖6所示的實驗結果,對于SAR圖像ISRJ檢測,一方面,Faster R-CNN模型與YOLOv3模型在總體檢測性能方面表現相仿。Faster R-CNN模型對于距離向假目標的檢測性能更優,而對于方位向假目標的檢測效果則不如YOLOv3模型。另一方面,YOLOv4模型雖然對方位向假目標能夠達到較高的檢測準確率,但是對于距離向假目標的檢測效果不佳。此外,YOLOv4模型在疊加ISRJ樣本之中所出現的漏檢也大多發生在距離向。上述的情況即影響了YOLOv4模型對于整個測試樣本集的總體檢測準確率。

綜上所述,Faster R-CNN模型與YOLOv3模型對于SAR圖像ISRJ檢測有著更好的精度表現。此外,由于訓練樣本集與測試樣本集不存在交集,故兩個模型均具有較強的泛化能力。而在檢測效率方面,對于一個尺寸大小為501像素×501像素的ISRJ樣本,Faster R-CNN模型檢測用時為0.050 s,而YOLOv3模型檢測用時則為0.035 s。結合對ISRJ的檢測準確率以及檢測用時的考慮,YOLOv3模型更為適用于SAR圖像ISRJ檢測。

4 結 論

本文從圖像域的角度對SAR圖像ISRJ檢測進行研究。首先將實測數據與仿真干擾相結合,基于不同實測場景和仿真參數構建ISRJ樣本;然后,針對ISRJ樣本中假目標所呈現出的間隔分布特性,選用Faster R-CNN和YOLO兩類深度學習模型作為檢測器;接著,以單一場景的ISRJ樣本對深度學習模型進行訓練;最后,利用訓練好的模型對其他場景的樣本進行ISRJ檢測測試,并得到最終的ISRJ檢測結果。

基于MiniSAR數據開展檢測實驗,相應的實驗結果表明,針對不同類別、不同實測場景以及不同仿真參數的ISRJ樣本,Faster R-CNN模型、YOLOv3模型與YOLOv4模型三者能夠達到95.75%的平均總體檢測精度。其中,YOLOv3模型能夠達到最高99.79%的總體檢測精度,具有較強的泛化能力,且對于尺寸大小為501像素×501像素的ISRJ樣本,其檢測用時為0.035 s。此外,Faster R-CNN模型在檢測性能方面與YOLOv3模型相仿,其對于每個ISRJ樣本的檢測用時為0.050 s。

對于電子對抗背景下的SAR圖像目標檢測與解譯而言,針對SAR圖像中干擾及假目標的檢測僅僅只是開始。下一步的工作將在此基礎上,嘗試反演干擾的具體參數,進而在圖像域中實現對SAR干擾的抑制。