牟效乾 陳小龍 關 鍵 周 偉 劉寧波 董云龍

(海軍航空大學 煙臺 264001)

1 引言

雷達海面動目標檢測是雷達目標檢測中的重要內容[1]，在海洋環(huán)境監(jiān)測、海上運輸航行以及國防安全等領域都有著重要的意義?？煽亢头€(wěn)健的動目標檢測技術的難點主要體現(xiàn)在目標回波微弱、機動導致多普勒時變等。雷達在動目標探測時不僅受到目標機動特性的影響，還受雜波和噪聲等干擾，在實際的復雜背景下檢測難度大。其中，海雜波是海面目標檢測的主要干擾源[2]，一方面，海上目標反射系數(shù)較小造成目標回波信號微弱，回波信雜比(Signal-to-Clutter Ratio, SCR)較低，易造成漏檢[3]，另一方面，高海況下產(chǎn)生的海尖峰是一種強海雜波，其幅值類似于目標回波，易引起虛警；而且，由于風力的影響，海雜波也有著一定的速度，其多普勒不為零，進一步提升了海面慢速目標檢測的難度[4]。

傳統(tǒng)的雷達動目標檢測方法主要是通過時域、頻域、變換域的處理[5,6]，改善SCR，實現(xiàn)目標的可靠檢測。時域處理的經(jīng)典方法包括非相參積累以及恒虛警(Constant False-Alarm Rate, CFAR)檢測[7]，然而此類方法多基于回波統(tǒng)計模型假設，抗雜波能力和對環(huán)境的適應能力不強。頻域處理經(jīng)典方法包括動目標顯示(Moving Target Indicator, MTI)和動目標檢測(Moving Target Detection, MTD)[8]，通過傅里葉變換實現(xiàn)多普勒信息的提取，利用多普勒濾波器來區(qū)分運動目標和雜波，但面對變速和機動目標，會產(chǎn)生頻譜發(fā)散，能量難以積累。分數(shù)階傅里葉變換(FRactional Fourier Transform, FRFT)[9,10]是機動目標檢測的典型方法，算法復雜度較低，卻需要進行變換角度的搜索來匹配目標的運動特性，難以實現(xiàn)快速目標檢測任務。

針對傳統(tǒng)目標檢測算法抗雜波能力差和泛化能力弱的現(xiàn)狀，新的研究思路和方法亟需被提出。近年來，深度學習方法得到了飛躍式發(fā)展，卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network, CNN)作為深度學習的重要組成部分，能夠自動學習和提取目標的特征，實現(xiàn)對圖像目標的智能檢測與分類等任務[11,12]。2012年以來，基于CNN的目標檢測算法從RCNN到Faster R-CNN[13]，從YOLO到YOLOv3[14],YOLOv4[15]等，實現(xiàn)了重要的突破，在PASCAL VOC 2007數(shù)據(jù)集(包含20類目標)上的平均檢測準確率從58.5%提升到了83.8%，為雷達目標快速、穩(wěn)定、高精度檢測提供了新的途徑。將深度學習應用于雷達圖像目標檢測的新方法也不斷被提出[16,17]。蘇寧遠等人[18]提出了一種基于卷積神經(jīng)網(wǎng)絡的海面微動目標檢測與分類方法，通過智能化特征提取回波信號時頻圖特征，實現(xiàn)微動目標的檢測與分類；陳晨等人[19]提出了一種基于深度卷積網(wǎng)絡的多尺度SAR圖像船舶檢測方法；黃潔等人[20]提出了一種基于卷積神經(jīng)網(wǎng)絡的遙感圖像艦船目標檢測方法，將深度學習方法延伸到了SAR圖像以及遙感圖像的目標檢測領域并且實現(xiàn)了較好的檢測性能提升。然而，上述方法大多是深度學習方法在高分辨遙感圖像和SAR圖像上的應用，強海雜波背景下的目標檢測首要問題就是海雜波抑制，但對于普通的中低分辨率雷達圖像尤其是對海雷達圖像目標檢測研究較少。同時，考慮到圖像目標實時檢測領域，YOLOv3作為基于卷積神經(jīng)網(wǎng)絡的檢測算法中實時性最好的方法，被廣泛地應用于人臉識別、行人檢測等工程實踐中并取得了良好的效果[21—23]。然而，將其應用于雷達的海面目標檢測時雖然可以滿足實時性的需求，但存在著漏檢率高、虛警率高的“雙高”問題，海面小目標的機動性和海雜波的干擾限制了其性能的進一步提升。因此，對雜波的有效抑制、目標檢測可靠的檢測性能以及算法的實時性是當前雷達圖像目標檢測領域需要解決的重要問題。

本文提出了一種基于雜波抑制和目標檢測融合網(wǎng)絡(Integrated Network for clutter suppression and target detection)的導航雷達圖像雜波抑制和動目標檢測方法。首先設計了雜波抑制和目標檢測一體化融合網(wǎng)絡INet，包括網(wǎng)絡前端實施雜波抑制的雜波抑制網(wǎng)絡和網(wǎng)絡后端實施快速檢測的目標檢測網(wǎng)絡，建立了INet雷達圖像動目標檢測模型，構建了海面目標數(shù)據(jù)集，將深度學習方法與雷達動目標檢測在實踐上相結合，通過模型的預訓練和平面位置顯示器(Plan Position Indicator, PPI)圖像的幀間積累對INet 進行了進一步的優(yōu)化，得到了最終的O-INet(Optimized INet)目標檢測模型，經(jīng)過多種天氣條件下的海面目標數(shù)據(jù)集的訓練、測試和驗證證明了O-INet目標檢測模型的優(yōu)越性能，實現(xiàn)了雷達運動目標的實時高精度檢測。

2 雷達圖像雜波抑制和目標檢測一體化模型(INet)

YOLOv3是一種具有良好檢測性能的深度學習目標檢測算法，目前已廣泛地應用到工程實踐領域，其包括darknet-53網(wǎng)絡、特征融合網(wǎng)絡、多尺度輸出網(wǎng)絡3部分，darknet-53網(wǎng)絡被用來提取目標特征，特征融合網(wǎng)絡將darknet-53網(wǎng)絡輸出的不同尺度的特征進行融合，最后，多尺度輸出網(wǎng)絡實現(xiàn)了最終的檢測和分類。而YOLOv4在YOLOv3的基礎上引入了CSPDarknet53, PANet, Cosine Annealing scheduler, Label Smoothing等改進方法，提高了模型檢測的速度和精度。然而，將YOLOv3算法用于雷達圖像動目標檢測時，雜波的干擾導致其存在漏檢率高、虛警率高的“雙高”問題，YOLOv4算法雖然提高了檢測概率和檢測速度，但是沒有在根本上解決雜波干擾問題，漏檢率和虛警率仍然較高。

為了提高海面目標檢測的準確率和降低虛警率，增強算法的泛化能力，本文設計了雜波抑制和目標檢測一體化融合網(wǎng)絡INet，基于INet網(wǎng)絡和YOLOv3的損失函數(shù)，同時引入了YOLOv4算法的數(shù)據(jù)增強方法Mosaic和交并比(Intersection Over Union, IOU)計算方法Ciou，構建了目標檢測模型，如圖1所示。主要創(chuàng)新在于：第1，在目標檢測網(wǎng)絡前端加入了雜波抑制網(wǎng)絡，實現(xiàn)了雜波抑制和目標檢測網(wǎng)絡的融合和功能的一體；第2，提出了一種層歸一化-傳遞和連接(Layer Normalization-Transfer and Connection, LN-TC)方法，用來提取圖像中的關鍵目標特征并進行編碼傳輸和解碼，實現(xiàn)雜波抑制的同時保證目標的完整；第3，提出了一種注意力殘差網(wǎng)絡(Attention Residual Network,ARN)，實現(xiàn)海雜波的抑制和海面目標的增強；第4，提出了一種跨階段局部殘差網(wǎng)絡模塊(Cross Stage Partial Residual Module, CSPRM)，保證檢測網(wǎng)絡的輕量化和準確性。

PartⅠ：雜波抑制部分。提出用于關鍵特征提取和增強的層歸一化-傳遞和連接方法LN-TC和一種新型的注意力殘差網(wǎng)絡模塊(Residual Attention Network, ARN)，LN-TC模塊和ARN模塊是雜波抑制的核心。

(1) LN-TC。提取圖像中的關鍵目標信息，并加以增強，保證在完成海雜波抑制任務的同時使海面目標得以完整保留，同時可以減少對于數(shù)據(jù)集樣本數(shù)量的依賴，實現(xiàn)小樣本的高效生成對抗訓練。

(a) LN層歸一化[24]是一種經(jīng)典的歸一化方法，在通道方向對通道、張量的長、寬進行歸一化，與Batch Normalization相比在小批量、少樣本的矩信息提取方面有著極大的優(yōu)勢，其公式為

其中， μn為 第n層特征矩陣的均值， σn為第n層特征矩陣的標準差， H 為該層的神經(jīng)元數(shù)量， xni為該層第i個輸入的神經(jīng)元，ε 為一常數(shù)，防止 σb,h,w為0。

(b) TC傳遞和連接把提取的矩信息 μ , σ與后續(xù)的網(wǎng)絡層進行跳變連接，對在LN中被歸一化的特征進行解碼和增強。

圖 1 INet網(wǎng)絡結構Fig. 1 The network structure of INet

其中， Y 為輸出的新特征張量， x為輸入的特征張量， μ , σ 分 別為 μn和 σn的 集合， γ , β分別為層歸一化中提取的方差和均值， f (·)為整個ARN模塊的函數(shù)表示。

(2) ARN。由3個注意力子網(wǎng)絡以及殘差連接組成，具體結構詳見圖2，包括注意力網(wǎng)絡0(Attention Network 0, AN 0)、注意力網(wǎng)絡Ⅰ(Attention Network Ⅰ, ANⅠ)、注意力網(wǎng)絡Ⅱ(Attention Network Ⅱ, ANⅡ)3部分組成。殘差連接能夠通過學習殘差函數(shù)來構造一個新的恒等映射，提高神經(jīng)網(wǎng)絡的特征提取效率和特征信息的完整性。注意力網(wǎng)絡可以通過訓練實現(xiàn)模型權重的合理分配，關注圖像和特征張量中的重點信息，忽略和少關注不重要的信息，而在海雜波圖像中，海面目標是重要信息，海雜波是可以忽略的無關信息。ARN的公式為

其中， F0=f0(Featureold) , F1=f1(F0) ,F2=f2(F0·F1), F eatureold表示輸入基本模塊的特征，F(xiàn)eaturenew表示ARN網(wǎng)絡處理后輸出的新特征，f0(·)表 示注意力網(wǎng)絡0的函數(shù)， f1(·)表示注意力網(wǎng)絡Ⅰ的函數(shù)， f2(·)表示注意力網(wǎng)絡Ⅱ的函數(shù)。

Part Ⅱ：目標檢測部分。提出一種用于特征的快速提取和傳輸?shù)目珉A段局部殘差網(wǎng)絡CSPRM,CSPRM和多尺度輸出是目標檢測網(wǎng)絡的核心。

(1) CSPRM?；贑SPnet[25]和Resnet[26]網(wǎng)絡構建的新的網(wǎng)絡模塊，CSPNet能夠把提取的特征通過兩條通道繼續(xù)向下傳播：一條通道經(jīng)過中間層向下傳輸，另一條通道將與傳輸?shù)奶卣骱喜⒗^續(xù)向下傳輸。該網(wǎng)絡結構可以增強特征提取能力的同時減少網(wǎng)絡參數(shù)，大大減少顯存的資源占用，在保證良好的特征提取性能的同時提高網(wǎng)絡的訓練和測試速度，Resnet網(wǎng)絡的殘差連接能夠增強特征提取的完整性，減少梯度消失的可能。CSPRM能夠使網(wǎng)絡輕量化的同時不影響特征提取性能，其具體結構如圖3所示。

(2) 多尺度輸出。沿用了YOLOv3的3個尺度的輸出，即圖1中的output 1, output 2, output 3，通過大、中、小3個尺度的設計，實現(xiàn)目標的多尺度檢測，增強對不同尺度目標的檢測能力。而與YOLOv3, YOLOv4不同的是，該多尺度輸出部分特征輸出之前沒有進行特征融合，一方面是為了減少網(wǎng)絡參數(shù)，使網(wǎng)絡輕量化，另一方面是經(jīng)過INet前端的雜波抑制和特征增強，以及I N e t 后端CSPRM模塊的特征傳輸，特征已得到了較好的提取和傳輸。

INet的目標檢測算法包括兩個階段：離線訓練階段和測試階段，如圖4所示。離線訓練階段流程如下：

(1) 數(shù)據(jù)采集。使用導航雷達發(fā)射長脈沖和短脈沖采集不同條件下(不同天氣、不同海況)的雷達回波數(shù)據(jù)，以保證采集的數(shù)據(jù)樣本的多樣性。同時，選擇并采集復雜樣本(不容易被檢測的樣本)，以提高數(shù)據(jù)集在不同情況下的泛化能力。

圖 2 ARN網(wǎng)絡結構Fig. 2 The network structure of ARN

圖 3 CSPRM結構Fig. 3 The network structure of CSPRM

(2) 數(shù)據(jù)轉換。將回波數(shù)據(jù)轉換成PPI圖像。

(3) 海面目標數(shù)據(jù)集的構建。對PPI圖像進行裁剪，將PPI圖像中的艦船目標標注添加標簽，構建海面目標數(shù)據(jù)集。

(4) INet目標檢測模型的建立。設計雜波抑制和目標檢測融合網(wǎng)絡INet，建立INet目標檢測模型。

(5) 模型的訓練和優(yōu)化。將海面目標數(shù)據(jù)集輸入到INet模型進行迭代訓練，調整模型的初始訓練參數(shù)對模型進行調整和優(yōu)化。

(6) 最優(yōu)目標檢測模型的獲得。選取損失函數(shù)值loss＜1的訓練模型，使用海面目標數(shù)據(jù)集對模型進行測試，選取檢測概率達到90%以上的模型作為最優(yōu)目標檢測模型。

圖 4 基于INet的目標檢測算法流程圖Fig. 4 Flowchart of target detection algorithm based on INet

實際檢測階段流程如下：

(7) 數(shù)據(jù)采集。使用導航雷達采集實時的方位-距離回波數(shù)據(jù)。

(8) 數(shù)據(jù)處理。將實時回波數(shù)據(jù)實時轉換為PPI視頻流。

(9) 將實時PPI視頻流輸入最優(yōu)目標檢測模型，進行實時的動目標檢測，并得到目標檢測結果。

3 對海雷達圖像數(shù)據(jù)集的構建

3.1 數(shù)據(jù)的采集

圖 5 探測環(huán)境及雷達PPI界面Fig. 5 Detection environment and radar PPI interface

在1級、2級、3級和4級海況下，利用X波段非相參脈沖體制導航雷達，在煙臺港附近進行數(shù)據(jù)采集實驗，得到不同海況和天氣下民用船只的雷達回波數(shù)據(jù)，如圖5所示。JMA-5312導航雷達量程0.125～48 n mile，發(fā)射功率10 kW，轉速24 rpm，雷達天線距離海平面高度約為80 m。該海域海上目標眾多，為數(shù)據(jù)的采集提供了便利。此外，船舶自動識別系統(tǒng)(Automatic Identification System,AIS)設備得到船只的位置信息可作為目標檢測結果的驗證。設置采樣頻率、采集方位、存儲路徑等參數(shù)，進行數(shù)據(jù)采集和信息記錄。圖5(b)為雷達原始PPI界面，包括陸地、島嶼、港口、船舶等。

3.2 數(shù)據(jù)預處理

(1) 圖像的生成：使用Matlab將PCI采集卡采集到的DAT格式原始數(shù)據(jù)轉換生成PPI圖像。

(2) 圖像的裁剪：由于PPI圖像較大而且部分區(qū)域沒有目標，使用完整的PPI圖像訓練會占用過高的顯存和耗費過長的時間，因此需要對原始PPI圖像進行裁剪處理。從圖5(b)中可以看出，海面目標主要位于PPI圖像的上半部分，因此裁剪完整PPI圖像的1/4并基于此構建數(shù)據(jù)集。

(3) 圖像的標注及數(shù)據(jù)集的構建：使用標注精靈軟件標注數(shù)據(jù)集圖像, 生成Pascal VOC格式的標注文件；構建的數(shù)據(jù)集中訓練數(shù)據(jù)集包含1600張圖像，測試數(shù)據(jù)集包含400張圖像。

3.3 驗證數(shù)據(jù)集

利用測試集對模型測試得到最優(yōu)模型后，需要進一步對其對于動目標的檢測性能進行驗證，這里需要用到實時驗證數(shù)據(jù)集。驗證數(shù)據(jù)集來源于實時的實測回波數(shù)據(jù)生成的實時PPI視頻，而為了提高模型的檢測速度，將雷達回波數(shù)據(jù)實時生成灰度PPI圖像。本文選用了五類不同類型(低海況簡單背景Data_01#、低海況復雜背景Data_02#、高海況下的多目標Data_03#、大雪Data_04#和中雨Data_05#)的實時回波數(shù)據(jù)對模型進行驗證，5類數(shù)據(jù)的具體參數(shù)如表1所示。

表 1 實時驗證數(shù)據(jù)集參數(shù)Tab. 1 Parameters of real-time verification dataset

4 模型訓練及實驗結果分析評價

4.1 INet的訓練和測試

計算機配置如下：Intel? CoreTMi7-8700K處理器，16 G內存，Ge Force GTX 1050Ti顯卡，顯存為6 G。系統(tǒng)環(huán)境是Windows，框架是Pytorch。實驗的參數(shù)設置如下：梯度下降算法為Adam算法，anchor數(shù)目設置為9類，目標類別設置為1類(ship)，初始學習率設置為0.001，學習率衰減方式設置為“step”，epoch設置為100。輸入海面目標數(shù)據(jù)集到INet目標檢測模型中后，經(jīng)過190.87 min的迭代訓練，在96 epoch時得到了最優(yōu)INet目標檢測模型，其測試結果見表2。

其中，表2中的Recall, FA對應于傳統(tǒng)目標檢測中的檢測概率和虛警率，其公式為

其中，R為Recall，表示召回率，P為Precision，表示精確度，F(xiàn)A為虛警率，F(xiàn)P(False Positive)表示負樣本的模型預測結果為正，TP(True Positive)表示正樣本的模型預測結果為負，F(xiàn)N(False Negative)表示負樣本的模型預測結果為負。

表 2 測試結果Tab. 2 Test result

為了檢驗雜波抑制網(wǎng)絡的雜波抑制效果，本文以1幀包含3個運動民船目標的圖像輸入到INet網(wǎng)絡的Part Ⅰ雜波抑制網(wǎng)絡中，選取了兩種具有代表性的特征圖進行輸出展示：第1個卷積層輸出的特征圖、最后一層輸出的特征圖，如圖6所示，通過對比證明了INet網(wǎng)絡的Part Ⅰ雜波抑制網(wǎng)絡具有良好的雜波抑制能力。

4.2 INet目標檢測模型的優(yōu)化(幀間積累和預訓練)

圖 6 Part Ⅰ 雜波抑制網(wǎng)絡的部分特征圖Fig. 6 Feature maps of the clutter suppression network in Part Ⅰ

INet目標檢測模型可以通過預訓練的方式進一步改善檢測能力，預訓練是指先對模型進行訓練，將測試后得到的最優(yōu)模型的網(wǎng)絡參數(shù)作為真正訓練時網(wǎng)絡的初始參數(shù)，基于預訓練網(wǎng)絡再進行一次模型的訓練，達到進一步優(yōu)化網(wǎng)絡模型參數(shù)和提高模型訓練效果的目的。同時，地雜波和海雜波是引起虛警率高的主要原因，雖然INet前端的雜波抑制網(wǎng)絡能夠起到抑制雜波的功能，但是可以通過非相參積累的方式實現(xiàn)雜波的進一步抑制。本文借鑒非相參積累的思路，在實時PPI輸入INet目標檢測模型之前，將天線掃描R個周期(幀)下的PPI圖像進行累加并取平均，實現(xiàn)檢測前PPI圖像的多幀積累，從而實現(xiàn)增強目標，進一步抑制海雜波的目的。其中， Qr是第r個天線掃描周期去海雜波后的圖像，Q為R個掃描周期PPI圖像在累加取平均后的結果，R值可根據(jù)對整個流程檢測速度的要求進行調整。

對INet目標檢測模型進行預訓練和幀間積累的優(yōu)化結果見表3。從表3中可以看出，經(jīng)過INet目標檢測模型的預訓練和幀間積累，漏檢率和虛警率得到了進一步的降低，檢測概率Recall提升了1.61%，達到了92.73%，虛警率由1.12%降低到了0.33%，降低了一個數(shù)量級，INet目標檢測模型實現(xiàn)了良好的優(yōu)化，得到了最終的O-INet(Optimized INet)目標檢測模型。

預訓練和幀間積累對于INet目標檢測模型性能提升的驗證效果見圖7?？梢钥闯?，對于高海況下的多目標的檢測，INet目標檢測模型經(jīng)過預訓練后仍然存在漏檢，而經(jīng)過模型的預訓練和幀間積累，實現(xiàn)了對模型的進一步優(yōu)化，避免了漏檢。

表 3 INet模型優(yōu)化結果對比Tab. 3 Comparison of optimization results

4.3 O-INet目標檢測模型的檢驗

為了檢驗O-INet目標檢測模型對于復雜背景下目標檢測的能力，分別利用數(shù)據(jù)Data_01#～Data_05# 5類數(shù)據(jù)驗證算法：低海況簡單背景下動目標檢測、低海況復雜背景下動目標檢測(含弱小目標)、高海況下多目標檢測、大雪多目標檢測、中雨目標檢測。測試結果詳見圖8—圖12。圖8中目標周圍無干擾物，證明了O-INet算法對于機動目標有著良好的檢測能力；圖9中動目標周圍是地雜波，包括陸地和港口，證明了O-INet算法對于復雜背景和弱小目標具有較好的檢測能力；圖10中目標數(shù)量為9個，證明了O-INet算法高海況下多目標的檢測能力，在圖10中給出了顯示檢測結果的類別標簽和評分標簽以及不顯示相關標簽的檢測結果圖，給出檢測結果標簽會在一定程度上影響算法的速度；圖11證明了O-INet算法的整體檢測性能較好，然而個別目標受強雪和海浪雜波影響，產(chǎn)生了漏檢；圖12表明雨雜波和多徑散射對于檢測的穩(wěn)定性有一定的干擾，檢測時偶爾會產(chǎn)生虛警(驗證數(shù)據(jù)中的多徑散射是由于雷達天線架設處的建筑物遮擋產(chǎn)生的干擾，在實際檢測的情況下可以通過屏蔽進行抑制)。

4.4 與YOLOv3, YOLOv4算法的對比

比較YOLOv3, YOLOv4和INet系列的檢測性能。在實驗中，采用構建的不同天氣條件下海面目標數(shù)據(jù)集對模型進行訓練和測試，測試實驗結果如表4，圖13—圖17所示。結果表明，所提的O-INet的性能優(yōu)于YOLOv3, YOLOv4算法，具有更高的準確率和更低的虛警率，適合復雜背景下導航雷達海面目標檢測。YOLOv4算法雖然檢測速度相較于O-INet目標檢測算法更快，但是對于海面弱小目標的檢測能力較弱，同時對于復雜背景和雨雪天氣下的動目標檢測時容易產(chǎn)生虛警，而O-INet能夠較好地改善弱小目標的漏檢和復雜環(huán)境的虛警問題，具有更強的泛化能力。

圖 7 模型優(yōu)化前后的對比(Data_03#)Fig. 7 Comparison before and after model optimization (Data_03#)

圖 8 低海況簡單背景下的動目標(Data_01#)檢測Fig. 8 Moving target detection under simple background of low sea state (Data_01#)

4.5 與CFAR算法的對比

圖 9 低海況復雜背景下的動目標(Data_02#)檢測Fig. 9 Moving target detection under complex background of low sea state (Data_02#)

圖 10 高海況下的多目標(Data_03#)檢測Fig. 10 Multi-target detection under high sea conditions (Data_03#)

圖 11 大雪下的多目標(Data_04#)檢測Fig. 11 Multi-target detection under heavy snow (Data_04#)

本文將所提方法與統(tǒng)計類目標檢測方法進行對比，即雙參數(shù)CFAR[27]檢測方法和經(jīng)典的二維單元平均CFAR (Cell Averaging CFAR, CA-CFAR)[28]方法。使用Data_01#, Data_02#, Data_03#，3類驗證數(shù)據(jù)進行驗證。二維CA-CFAR中檢測單元上、下、左、右的參考單元數(shù)量設置為20，檢測單元上、下、左、右的保護單元數(shù)量設置為2，雙參數(shù)CFAR中目標窗口長寬為25，保護窗口長寬為30，參考窗口長寬為 60。分別選取虛警率為10—4,10—3, 10—2的兩種方法(非相參積累+雙參數(shù)CFAR、非相參積累+CA-CFAR)的檢測結果與O-INet算法進行比較，測試結果如表5所示。選擇與檢測概率在定義上相近的召回率作為深度學習模型(O-INet)檢測概率的評價指標；同時，為了使O-INet能夠在不同的虛警概率下與兩種CFAR算法進行對比，本文通過調整置信度閾值的方式實現(xiàn)對O-INet虛警率的調控。

圖 12 中雨下的多目標(Data_05#)檢測結果對比Fig. 12 Comparison of multi-target detection results under rain weather (Data_05#)

表 4 各類算法的實驗結果對比Tab. 4 Comparison of experimental results on different algorithms

圖 13 低海況簡單背景下的動目標(Data_01#)檢測結果對比Fig. 13 Comparison of moving targets under simple background of low sea state (Data_01#)

圖 14 低海況復雜背景下的動目標(Data_02#)檢測結果對比Fig. 14 Moving target detection under complex background of low sea state (Data_02#)

圖 15 高海況下的多目標(Data_03#)檢測結果對比Fig. 15 Multi-target detection under high sea conditions (Data_03#)

圖 16 大雪下的多目標(Data_04#)檢測結果對比Fig. 16 Multi-target detection under heavy snow (Data_04#)

圖 17 中雨下的動目標(Data_05#)檢測結果對比Fig. 17 Comparison of multi-target detection results under rain weather (Data_05#)

從表5中可以看出，兩種CFAR方法的檢測效果不佳，CFAR算法受背景環(huán)境雜波分布模型的限制，單一的雜波分布模型不能適應多樣的背景環(huán)境，對目標檢測時易受到地雜波(島嶼、陸地)和海雜波的干擾，檢測性能不穩(wěn)定。經(jīng)過對比發(fā)現(xiàn)，本文所提的方法比兩種CFAR算法在相同虛警率的情況下有著更高的檢測概率，且檢測性能更穩(wěn)健。

表 5 對測試集的檢測結果(%)Tab. 5 Test results about the test dataset (%)

圖 18 高海況下的多目標(Data_03#)檢測結果Fig. 18 Multi-target detection results under high sea conditions (Data_03#)

圖18 給出了虛警率為10—3下的對比檢測結果?？梢钥闯觯軓姾ｋs波干擾兩種算法對Data_03#高海況下的動目標檢測時漏檢率較高，而雙參數(shù)CFAR漏檢率低于二維CA-CFAR；兩種算法都存在虛警損失的問題?？傮w來講，兩種CFAR算法不能適應多樣的背景環(huán)境，對目標檢測時易受到地雜波(島嶼、陸地)、多徑散射和海雜波以及雨雪雜波的干擾，檢測性能不穩(wěn)定，而且存在虛警損失，而O-INet算法具有更好的泛化能力，抗雜波干擾能力更強。

綜上，O-INet算法能夠較好得實現(xiàn)不同海況、不同目標數(shù)量、不同檢測背景下的動目標檢測任務，具有較好的泛化能力，較好地改善了漏檢率高、虛警率高的“雙高”問題，具有良好的動目標檢測性能。

5 結論

針對現(xiàn)有雷達海面目標檢測算法性能上限低和泛化能力弱的現(xiàn)狀，本文提出了一種基于INet的導航雷達圖像雜波抑制和海面動目標檢測方法，并利用實測數(shù)據(jù)測試和驗證了模型檢測海面動目標的實時性和準確性，主要工作總結如下：設計了雜波抑制和目標檢測融合網(wǎng)絡INet，構建了INet目標檢測模型；通過采集不同觀測條件下的數(shù)據(jù)，構建了海面目標數(shù)據(jù)集；通過預訓練和幀間積累對INet 目標檢測模型進行了優(yōu)化，得到了O-INet目標檢測模型；實測數(shù)據(jù)實驗證明，O-INet與經(jīng)典的算法YOLOv4相比平均速度慢約2 FPS，但是檢測概率得到了約3%的提升，虛警率降低到了0.33%，與傳統(tǒng)的目標檢測算法雙參數(shù)CFAR和二維CA-CFAR相比泛化能力更強，可以較好地完成海面動目標實時檢測任務。本文所提網(wǎng)絡模型也為其它雜波背景下的雷達目標智能檢測提供了新的途徑，后續(xù)可在海面目標數(shù)據(jù)集的擴充、圖像的精準自動化標注等方面進行更深入的研究，進一步提高復雜背景環(huán)境下模型的檢測精度和泛化能力。