復(fù)雜環(huán)境下少樣本域自適應(yīng)雷達RD智能識別技術(shù)

石曉榮,張 康,倪 亮,劉澤文,姜 豐,陳 鑫

北京控制與電子技術(shù)研究所,北京 100038

0 引言

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

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

針對典型海背景環(huán)境下的目標(biāo)檢測識別問題,在以往的應(yīng)用中通常采用傳統(tǒng)的恒虛警率[5]方法和模板匹配方法[6]等對目標(biāo)進行定位和識別。前者需要構(gòu)建雜波統(tǒng)計模型來確定檢測閾值,參數(shù)估計和計算求解復(fù)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(biāo)和場景,如極端電磁環(huán)境、低信噪比和高海情的復(fù)雜場景皆會直接導(dǎo)致傳統(tǒng)算法性能驟降。同時,傳統(tǒng)算法需要較為準(zhǔn)確的專家先驗知識和手工特征提取,存在算法設(shè)計門檻高、算法魯棒性較弱的缺陷。

受益于深度學(xué)習(xí)技術(shù)的發(fā)展、數(shù)據(jù)量的增加和硬件設(shè)備的完善,目標(biāo)檢測識別領(lǐng)域的研究進展突飛猛進。相比傳統(tǒng)算法,深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測識別算法具備自動化和智能化屬性,算法通過自適應(yīng)特征提取和調(diào)整,與專家經(jīng)驗進行淺解耦,通過合理地設(shè)置優(yōu)化方式達到較好的目標(biāo)識別效果,能夠準(zhǔn)確定位出指定目標(biāo)的位置并給出目標(biāo)的詳細信息。以Girshick等提出的Faster R-CNN[7]兩階段架構(gòu)目標(biāo)檢測算法和Redmon等提出的YOLO系列[8]單階段目標(biāo)檢測算法,改進了卷積神經(jīng)網(wǎng)絡(luò)的特征提取過程,同時增強了模型對小目標(biāo)的檢測能力,奠定了智能目標(biāo)檢測算法的典型基礎(chǔ)架構(gòu)。

當(dāng)前,基于深度學(xué)習(xí)的目標(biāo)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(shù)據(jù)的相關(guān)研究相對較少。雖然深度學(xué)習(xí)具有較強的特征提取能力,但需要較大的數(shù)據(jù)量作為算法的訓(xùn)練保障,否則將無法充分發(fā)揮其優(yōu)勢。

綜上所述,目前在雷達目標(biāo)識別方面主要面臨的問題如下:

1)現(xiàn)階段雷達在復(fù)雜場景下目標(biāo)檢測識別手段嚴(yán)重不足,特別是在目標(biāo)分布密集、類間特征區(qū)分度低的情況下,現(xiàn)有方法難以做到對識別目標(biāo)的準(zhǔn)確區(qū)分;

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

3)數(shù)據(jù)的場景完備性難以保障,用于算法研究的訓(xùn)練數(shù)據(jù)與真實應(yīng)用場景的數(shù)據(jù)存在跨域問題,并且數(shù)據(jù)量級較小,導(dǎo)致算法場景適應(yīng)性差。

基于上述描述,針對典型海背景環(huán)境下對海面目標(biāo)準(zhǔn)確識別的重大需求,本文將深度學(xué)習(xí)技術(shù)應(yīng)用到基于雷達回波的目標(biāo)檢測識別中來,建立了基于復(fù)雜場景的樣本數(shù)據(jù)集,提出了一種基于少樣本的域自適應(yīng)雷達智能目標(biāo)檢測識別技術(shù),設(shè)計了基于特征金字塔的雙階段目標(biāo)檢測識別算法架構(gòu),充分挖掘神經(jīng)網(wǎng)絡(luò)的目標(biāo)定位和辨別能力,同時設(shè)計了域自適應(yīng)技術(shù)對源域和目標(biāo)域進行特征配準(zhǔn),提高了對不同域目標(biāo)的精確定位和準(zhǔn)確識別能力,實現(xiàn)了不同域下對具有不封閉輪廓、多點散布目標(biāo)的精細化辨識,達到提升復(fù)雜環(huán)境下識別能力的目的。

1 復(fù)雜場景樣本數(shù)據(jù)集

1.1 數(shù)據(jù)集構(gòu)建總體思路

圍繞復(fù)雜場景下基于雷達回波的智能目標(biāo)檢測識別具體需求,需要建立不同目標(biāo)分布形式和不同場景構(gòu)造(仿真數(shù)據(jù)和真實數(shù)據(jù))的樣本數(shù)據(jù)集以滿足算法模型的訓(xùn)練和測試驗證需求。

樣本數(shù)據(jù)集按照“原始數(shù)據(jù)獲取-處理與標(biāo)注-數(shù)據(jù)集劃分”的步驟進行構(gòu)建,由仿真數(shù)據(jù)和真實數(shù)據(jù)以RD(距離多普勒)時頻域數(shù)據(jù)的形式組成。其中仿真數(shù)據(jù)由全數(shù)字信號級仿真平臺生成,通過搭建多類目標(biāo)RCS特性數(shù)據(jù)庫、電磁特性數(shù)據(jù)庫、海雜波特性數(shù)據(jù)庫形成用于生成數(shù)據(jù)的目標(biāo)特性數(shù)據(jù)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(shù)據(jù)的生成。

1.2 復(fù)雜場景構(gòu)建

數(shù)據(jù)集以包含各類目標(biāo)和電磁特性的雷達RD時頻樣本數(shù)據(jù)為處理對象,復(fù)雜場景描述見下表1。

表1 復(fù)雜場景構(gòu)建方案

表2 樣本及標(biāo)注文件描述

其中仿真數(shù)據(jù)由全數(shù)字信號級仿真平臺生成,首先設(shè)定仿真參數(shù),其次生成雷達回波信號,根據(jù)場景配置索引目標(biāo)特性數(shù)據(jù)庫、電磁特性數(shù)據(jù)庫和海雜波數(shù)據(jù)庫,與參考信號卷積生成回波信號,最后生成樣本數(shù)據(jù)和對應(yīng)標(biāo)注,雷達模型對回波信號進行脈壓,輸出RD時頻數(shù)據(jù)。

圖1 仿真樣本示例

1.3 樣本生成

針對仿真數(shù)據(jù),通過其復(fù)雜場景的設(shè)置可生成對應(yīng)的標(biāo)注文件;針對真實數(shù)據(jù),通過采集時的相關(guān)設(shè)備計算得到對應(yīng)的標(biāo)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(biāo)分布稀疏、目標(biāo)特征判別性弱、目標(biāo)尺度小、背景復(fù)雜等難題,本方案以兩階段目標(biāo)檢測框架為基礎(chǔ),采用基于分離注意力的偏移區(qū)間配準(zhǔn)智能識別算法。

如圖2所示,首先針對給定雷達RD數(shù)據(jù),對其進行抗幅度敏感性處理,然后將處理后的RD數(shù)據(jù)送入基于分離注意力的主干特征提取網(wǎng)絡(luò)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(jié)合基于特征金字塔的多尺度特征融合網(wǎng)絡(luò),提取多個尺度且語義豐富的目標(biāo)特征,再采用基于候選區(qū)域?qū)R的目標(biāo)特征選擇網(wǎng)絡(luò)生成可能包含目標(biāo)的候選框,并將候選框映射到特征譜上,提取候選區(qū)域的特征信息,最后采用偏移區(qū)間分類網(wǎng)絡(luò)Offset-Bin去實現(xiàn)精準(zhǔn)的目標(biāo)檢測識別和定位目標(biāo),輸出目標(biāo)的類別、位置及置信度。

圖2 基于分離注意力的偏移區(qū)間配準(zhǔn)目標(biāo)檢測識別算法架構(gòu)圖

圖3 偏移區(qū)間配準(zhǔn)預(yù)測

2.1 數(shù)據(jù)抗幅度敏感性的預(yù)處理

雷達RD數(shù)據(jù)的幅度敏感性從理論上本應(yīng)是識別目標(biāo)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(biāo)的雷達RD數(shù)據(jù)幅度信息可以反映目標(biāo)尺寸大小等特性。然而這些條件在現(xiàn)實應(yīng)用場景中很難達到,即使是相同雷達面對相同目標(biāo),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(shù)據(jù),從而導(dǎo)致了雷達RD數(shù)據(jù)的幅度敏感性。

針對雷達數(shù)據(jù)中幅度敏感性、目標(biāo)響應(yīng)值差異較大、分布稀疏等特點,采用了歸一化、標(biāo)準(zhǔn)化及尺度放大、翻轉(zhuǎn)、平移、裁減、拼接等數(shù)據(jù)增廣策略,以擴張數(shù)據(jù)集大小以及目標(biāo)分布多樣性,防止網(wǎng)絡(luò)過擬合。同時,數(shù)據(jù)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(shù)據(jù)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(wǎng)絡(luò)

針對目標(biāo)特征判別性弱、類間目標(biāo)易混淆的問題,區(qū)別于傳統(tǒng)手工設(shè)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(jīng)典模型深度殘差網(wǎng)絡(luò)進行修改,提升重要特征信息的提取權(quán)重,具有特征提取融合能力強,泛化能力好等優(yōu)勢,從而對于不同復(fù)雜程度的目標(biāo)和圖像都能提取語義豐富的特征,更容易區(qū)分目標(biāo)和噪聲。

根據(jù)目標(biāo)尺度小的特點,基于自底向上的殘差網(wǎng)絡(luò)作為主干網(wǎng)絡(luò),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(jié)豐富的高分辨率特征譜逐步融合,從而增強小目標(biāo)的特征判別性,解決多類特征稀缺目標(biāo)難以區(qū)分的問題。

2.3 基于特征金字塔的多尺度特征融合網(wǎng)絡(luò)

針對雷達RD數(shù)據(jù)中目標(biāo)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(wǎng)絡(luò)用于聚合骨架模型提取到的多尺度特征。所采用的經(jīng)典智能算法特征金字塔網(wǎng)絡(luò)具有特征融合能力強、對目標(biāo)尺度變化魯棒、計算復(fù)雜度低等優(yōu)勢。

2.4 基于偏移區(qū)間配準(zhǔn)的分類網(wǎng)絡(luò)

針對精準(zhǔn)定位目標(biāo)的需求,本方案巧妙地將回歸問題轉(zhuǎn)化為分類問題,基于不同偏移區(qū)間的輸出概率分布,采用偏移區(qū)間分類網(wǎng)絡(luò)預(yù)測更精確的目標(biāo)位置。不同于傳統(tǒng)方法,目標(biāo)定位通常利用回歸網(wǎng)絡(luò)預(yù)測錨點框和真實框之間的偏移,由于不充分地懲罰往往導(dǎo)致了次優(yōu)的回歸和不精確的定位。

具體首先將連續(xù)地偏移范圍離散化為n個離散的偏移區(qū)間,其中每個區(qū)間的中值作為每個區(qū)間的表示偏移,從而構(gòu)建離散的偏移區(qū)間,再基于特征金字塔網(wǎng)絡(luò)提取的候選區(qū)域特征,預(yù)測偏移區(qū)間打分向量,則目標(biāo)定位能夠被轉(zhuǎn)化為多分類問題,使用交叉熵損失函數(shù)優(yōu)化定位網(wǎng)絡(luò)的學(xué)習(xí)。最后,通過計算期望值,將離散的偏移轉(zhuǎn)化為高精度的定位預(yù)測,解決目標(biāo)間隔距離較近的問題。

3 智能目標(biāo)識別算法

圖4基于少樣本的域自適應(yīng)雷達智能目標(biāo)檢測識別算法架構(gòu)圖在部分應(yīng)用場景中,真實數(shù)據(jù)的獲取成本是較高的。即使最終獲取到了數(shù)據(jù),由于數(shù)量不足,直接訓(xùn)練網(wǎng)絡(luò)會產(chǎn)生過擬合問題。故在面對使用仿真數(shù)據(jù)訓(xùn)練、真實數(shù)據(jù)測試的背景下,設(shè)計基于梯度反轉(zhuǎn)層的域自適應(yīng)結(jié)構(gòu),并利用一致性約束保障不同數(shù)據(jù)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(yīng)雷達智能目標(biāo)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(gòu)上改進的基于特征金字塔的目標(biāo)檢測識別算法,由源數(shù)據(jù)域提供數(shù)據(jù)和標(biāo)注,學(xué)習(xí)檢測識別任務(wù);右邊部分為基于梯度反轉(zhuǎn)層的域自適應(yīng)結(jié)構(gòu),由源域和目標(biāo)域共同提供數(shù)據(jù),實現(xiàn)特征域?qū)?zhǔn)。

如圖5所示,源域提供數(shù)據(jù)和標(biāo)簽用于檢測任務(wù)的監(jiān)督學(xué)習(xí),目標(biāo)域提供數(shù)據(jù),并聯(lián)合源域極少部分的數(shù)據(jù)對特征進行配準(zhǔn)。

圖5 域自適應(yīng)示意圖

圖6 測試結(jié)果樣例

網(wǎng)絡(luò)優(yōu)化時,一方面域分類器要盡可能區(qū)分特征所屬的數(shù)據(jù)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(xù),源域和目標(biāo)域特征逐漸靠近。配準(zhǔn)之后,利用源域數(shù)據(jù)學(xué)習(xí)得到的分類界面也能夠適用于目標(biāo)域數(shù)據(jù)。

4 仿真校驗

該項任務(wù)為二分類任務(wù),即定位、分辨出目標(biāo)和背景,故選用F1 Score作為評判標(biāo)準(zhǔn)。根據(jù)所建數(shù)據(jù)集進行訓(xùn)練測試,測試環(huán)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(qū)間配準(zhǔn)的檢測識別算法驗證

基于訓(xùn)練數(shù)據(jù),針對基于特征金字塔的雙階段目標(biāo)檢測識別算法在測試場景1～3上進行測試,同時設(shè)置基于CFAR的傳統(tǒng)方法得分作為基準(zhǔn)線,具體結(jié)果如表3。

表3 各場景測試結(jié)果

經(jīng)過測試分析說明:在仿真場景下,相較傳統(tǒng)方法,該算法模型在測試集內(nèi)可以達到較高的目標(biāo)識別精度,尤其在假目標(biāo)強度數(shù)倍于真目標(biāo)和低于目標(biāo)強度的情況下,能夠做到目標(biāo)的準(zhǔn)確識別,證明了智能識別網(wǎng)絡(luò)的有效性,這有望解決各類復(fù)雜場景應(yīng)用中目標(biāo)誤識別的難題。

4.2 基于少樣本的域自適應(yīng)算法驗證

基于訓(xùn)練數(shù)據(jù),針對基于少樣本的域自適應(yīng)雷達智能目標(biāo)檢測識別算法在測試場景4中進行測試,同時設(shè)置基于直接模型訓(xùn)練微調(diào)方法的得分進行對比,目標(biāo)域全部訓(xùn)練集為1000個,與仿真數(shù)據(jù)訓(xùn)練集個數(shù)對應(yīng),具體測試結(jié)果如圖7。

圖7 數(shù)據(jù)跨域場景下的測試結(jié)果

經(jīng)過測試分析說明:在目標(biāo)任務(wù)數(shù)據(jù)量不足的情形下,可以借助其他數(shù)據(jù),利用域自適應(yīng)方法提升目標(biāo)任務(wù)的性能,通過與直接模型訓(xùn)練微調(diào)的結(jié)果對比也證明了該方法的有效性。目標(biāo)任務(wù)數(shù)據(jù)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(biāo)域的訓(xùn)練數(shù)據(jù),保證目標(biāo)任務(wù)的效果。

5 結(jié)論

針對雷達回波智能目標(biāo)識別技術(shù)進行了研究,建立了復(fù)雜場景樣本數(shù)據(jù)集,提出了基于少樣本的域自適應(yīng)雷達智能目標(biāo)檢測識別算法,進行了算法模型的訓(xùn)練和測試,證明了算法在仿真數(shù)據(jù)集上達到了較好的效果,同時在面臨數(shù)據(jù)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(xué)習(xí)在雷達回波數(shù)據(jù)目標(biāo)檢測識別任務(wù)上的可行性,相比傳統(tǒng)雷達檢測識別算法,能夠有效提取各類目標(biāo)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(xué)習(xí)太過依賴于數(shù)據(jù)本身,導(dǎo)致在較差數(shù)據(jù)保障的應(yīng)用條件下,算法模型常常面臨場景適應(yīng)性不足的問題,由于特征的自學(xué)習(xí),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(xué)習(xí)在低容錯場景下應(yīng)用必須要翻越的“大山”,也是作者后續(xù)的研究方向。

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