扶 明， 鄭 霖， 楊 超， 黃鳳青， 鄧小芳， 劉爭(zhēng)紅

(1.桂林電子科技大學(xué)廣西無線寬帶通信與信號(hào)處理重點(diǎn)實(shí)驗(yàn)室，廣西 桂林 541004；2.通信網(wǎng)信息傳輸與分發(fā)技術(shù)重點(diǎn)實(shí)驗(yàn)室，石家莊 050081)

0 引言

慢速運(yùn)動(dòng)目標(biāo)的有效檢測(cè)是短距雷達(dá)的重要目標(biāo)之一，實(shí)際檢測(cè)環(huán)境中，目標(biāo)雷達(dá)截面積(Radar Cross Section，RCS)小，回波能量微弱，同時(shí)接收到的回波信號(hào)中包含大量的背景噪聲和雜波，其能量往往大于目標(biāo)信號(hào)的能量，導(dǎo)致待檢測(cè)目標(biāo)被淹沒在這些噪聲和雜波中[1]，這些因素都使得短距雷達(dá)的慢速目標(biāo)檢測(cè)變得困難。傳統(tǒng)方法中有基于運(yùn)動(dòng)目標(biāo)指示(Moving Target Indication，MTI)和相參積累，以及子空間投影等目標(biāo)檢測(cè)方法被應(yīng)用于雷達(dá)系統(tǒng)。MTI是依據(jù)雜波與目標(biāo)回波多普勒的差異來濾除零頻附近的雜波，保留遠(yuǎn)離零頻的運(yùn)動(dòng)目標(biāo)[2-3]。但對(duì)慢動(dòng)目標(biāo)來說，當(dāng)運(yùn)動(dòng)目標(biāo)靠近零頻時(shí)，MTI濾波器對(duì)其多普勒成分有極大衰減，使得檢測(cè)性能并不理想[4]?；谧涌臻g投影的目標(biāo)檢測(cè)方法主要是對(duì)回波信號(hào)特征分解，依據(jù)特征值譜的性質(zhì)分離雜波特征分量并突顯目標(biāo)信號(hào)。然而，子空間方法一般要假定雜波子空間的維數(shù)[5]以及目標(biāo)信號(hào)子空間與雜波子空間的獨(dú)立性[3,6]，但在實(shí)際情況中雜波子空間具有多維度特性，并且特征空間會(huì)出現(xiàn)交疊，導(dǎo)致目標(biāo)檢測(cè)性能下降。另外，基于時(shí)頻分析的目標(biāo)檢測(cè)方法，存在時(shí)頻聚集程度低等缺點(diǎn)[7]，當(dāng)運(yùn)動(dòng)目標(biāo)的多普勒頻移與雜波接近時(shí)，這些方法不能有效地檢測(cè)出目標(biāo)[8]。

近年來，隨著深度學(xué)習(xí)的迅猛發(fā)展，其在雷達(dá)信號(hào)處理領(lǐng)域也被廣泛應(yīng)用[9-12]。文獻(xiàn)[10]中采用超寬帶雷達(dá)得到不同物體的雷達(dá)回波信號(hào)，并生成距離—多普勒(Range-Doppler，R-D) 譜圖，然后將其送入3種卷積神經(jīng)網(wǎng)絡(luò)中對(duì)不同目標(biāo)分類識(shí)別以控制機(jī)器人的行為；文獻(xiàn)[11]則研究一維雷達(dá)信號(hào)的特性，采用卷積神經(jīng)網(wǎng)絡(luò)用于汽車?yán)走_(dá)的雜波和噪聲分類，以期望實(shí)現(xiàn)復(fù)雜檢測(cè)場(chǎng)景的準(zhǔn)確分類；文獻(xiàn)[12]基于快速的區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Faster R-CNN)對(duì)R-D譜中的目標(biāo)特征和雜波特征自動(dòng)提取，可以避免復(fù)雜的手工設(shè)計(jì)特征，最后完成了對(duì)R-D譜中雜波的高精度分類和識(shí)別?，F(xiàn)有多數(shù)利用神經(jīng)網(wǎng)絡(luò)的方法大都是如上述實(shí)現(xiàn)對(duì)被檢測(cè)目標(biāo)的分類與識(shí)別，抑或基于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)雜波特征然后對(duì)雜波分類。而對(duì)于本文場(chǎng)景來說，需要從雜波和噪聲干擾嚴(yán)重的復(fù)雜背景中檢測(cè)出目標(biāo)，并進(jìn)一步處理獲取目標(biāo)的運(yùn)動(dòng)信息，因此，本文期望利用神經(jīng)網(wǎng)絡(luò)理論對(duì)回波信號(hào)的R-D譜中的雜波和目標(biāo)信號(hào)進(jìn)行特征學(xué)習(xí)以實(shí)現(xiàn)雜波的端到端抑制，最終完成慢動(dòng)目標(biāo)的檢測(cè)。

本文考慮到傳統(tǒng)目標(biāo)檢測(cè)方法對(duì)慢動(dòng)目標(biāo)檢測(cè)存在局限性，依據(jù)上述思路，設(shè)計(jì)了一種深度卷積自編碼器網(wǎng)絡(luò)的目標(biāo)檢測(cè)方法。首先，卷積層對(duì)R-D譜進(jìn)行編碼以學(xué)習(xí)相關(guān)的雜波信號(hào)特性，提取運(yùn)動(dòng)目標(biāo)信號(hào)隱含特征，然后反卷積層解碼以重構(gòu)目標(biāo)信號(hào)，最后實(shí)現(xiàn)端對(duì)端的雜波抑制，并在輸出層恢復(fù)出相對(duì)純凈的運(yùn)動(dòng)目標(biāo)。其中，通過在網(wǎng)絡(luò)中引入雙通道的結(jié)構(gòu)，以同時(shí)提取到回波信號(hào)的幅度信息與相位信息，以及設(shè)計(jì)了一種跳躍連接的結(jié)構(gòu)，在減輕梯度消散問題的同時(shí)，能有效地提取R-D譜中的目標(biāo)特征，提高目標(biāo)檢測(cè)性能，并能使網(wǎng)絡(luò)訓(xùn)練更加高效。實(shí)驗(yàn)證明了該方法的有效性。

1 回波信號(hào)模型

考慮一個(gè)單基地脈沖多普勒雷達(dá)，設(shè)其發(fā)射信號(hào)為

(1)

式中：uh(t)為第h個(gè)發(fā)射脈沖的復(fù)包絡(luò)；fc為載波頻率；Tr為脈沖重復(fù)周期；Tc為Chirp信號(hào)掃頻時(shí)長(zhǎng)。則運(yùn)動(dòng)目標(biāo)的回波模型為

x(t,h)=αuh(t-τ(t))exp(j2πfc(t-τ(t)))+c(t)+n(t)

(2)

式中：α為回波信號(hào)的衰減系數(shù)；τ(t)為目標(biāo)回波相對(duì)于發(fā)射信號(hào)的延時(shí)；c(t)為雜波；n(t)為高斯白噪聲。將回波信號(hào)x(t)重排成快慢時(shí)間維回波矩陣，對(duì)快時(shí)間維進(jìn)行脈沖壓縮，對(duì)慢時(shí)間維進(jìn)行傅里葉變換，可以得到回波信號(hào)的R-D譜，通過對(duì)R-D譜中的目標(biāo)進(jìn)行檢測(cè)，從中可以提取到目標(biāo)的距離信息和徑向速度信息。

2 基于深度卷積自編碼器的目標(biāo)檢測(cè)方法

2.1 卷積自編碼器

卷積神經(jīng)網(wǎng)絡(luò)[13](Convolutional Neural Network,CNN)與其他網(wǎng)絡(luò)相比，有局部連接與權(quán)值共享兩個(gè)不同之處。局部連接即每個(gè)神經(jīng)元只與上一層網(wǎng)絡(luò)的一小塊區(qū)域的部分神經(jīng)元相連，減少了很多參數(shù)且考慮到了像素之間的位置信息；而權(quán)值共享使得神經(jīng)元不再是每個(gè)連接都有對(duì)應(yīng)不同的權(quán)重，而是一組連接可共享同一權(quán)重，減少需要訓(xùn)練的權(quán)值個(gè)數(shù)，降低網(wǎng)絡(luò)的計(jì)算復(fù)雜度。

自動(dòng)編碼器(Auto-Encoder，AE)是一種旨在將輸入復(fù)制到輸出的神經(jīng)網(wǎng)絡(luò)。AE通過編碼器(Encoder)可以學(xué)習(xí)到輸入數(shù)據(jù)的隱含特征，然后解碼器(Decoder)用新學(xué)習(xí)到的特征重構(gòu)出原始輸入數(shù)據(jù)，常用于對(duì)數(shù)據(jù)的降維或去噪。而卷積自編碼器(Convolutional Auto-Encoder，CAE)主要是利用卷積神經(jīng)網(wǎng)絡(luò)中的卷積層與池化層代替AE中的全連接層。

2.2 具有跳躍連接結(jié)構(gòu)的雙通道卷積自編碼器網(wǎng)絡(luò)

本文設(shè)計(jì)了一種如圖1所示的雙通道卷積自編碼器模型，就其中一條通道來說，該模型主要由3層卷積層(Convolution Layer,Conv)、6個(gè)殘差塊，以及3層反卷積層[14](Deconvolution Layer，deConv)組成，其中，3層卷積層為編碼器網(wǎng)絡(luò)，3層反卷積層為解碼器網(wǎng)絡(luò)。

圖1 基于跳躍連接的雙通道卷積自編碼器網(wǎng)絡(luò)模型

編碼器網(wǎng)絡(luò)中，為了減少計(jì)算量，卷積核大小都設(shè)置為“3×3”。同時(shí)，為了壓縮特征圖尺寸，卷積核滑動(dòng)步長(zhǎng)依次為1,2,2，卷積核個(gè)數(shù)依次設(shè)置為256,128,64。解碼器網(wǎng)絡(luò)為了恢復(fù)被壓縮的特征圖尺寸，保持輸出尺寸與輸入相同，其超參數(shù)設(shè)置與解碼器網(wǎng)絡(luò)正好相反。

深度網(wǎng)絡(luò)訓(xùn)練時(shí)模型參數(shù)的不斷改變，會(huì)造成內(nèi)部協(xié)變量偏移(Internal Covariate Shift)現(xiàn)象，導(dǎo)致網(wǎng)絡(luò)訓(xùn)練速度慢且效率低下[15]。因此在每一個(gè)卷積層和反卷積層后都接一個(gè)批標(biāo)準(zhǔn)化(Batch Normalization，BN)層，對(duì)網(wǎng)絡(luò)每一中間層的輸入做標(biāo)準(zhǔn)化處理。網(wǎng)絡(luò)神經(jīng)元激活函數(shù)使用帶泄露的修正線性單元 (Leaky Rectified Linear Unit, Leaky ReLU)函數(shù)，并設(shè)置系數(shù)a為0.2，主要是為了防止訓(xùn)練時(shí)出現(xiàn)“Dead Neuron”，即ReLU激活函數(shù)在輸入為負(fù)數(shù)時(shí)輸出為零，如

f(x)=max(ax,x)。

(3)

為了更深層地提取回波數(shù)據(jù)的特征，本文模型增加了卷積層的層數(shù)，考慮到這樣會(huì)帶來梯度消散問題，甚至網(wǎng)絡(luò)的性能退化[16]，因此本文模型使用了一種殘差結(jié)構(gòu)塊(ResBlock)，如圖2所示。殘差塊的卷積層卷積核大小為[3,3]，滑動(dòng)步長(zhǎng)為1，卷積核的數(shù)量為64。

圖2 殘差塊結(jié)構(gòu)

本文檢測(cè)場(chǎng)景中因探測(cè)目標(biāo)本身的RCS較小，回波能量微弱，并且目標(biāo)在時(shí)頻譜上尺度較小，本文網(wǎng)絡(luò)模型刪除了可能降低特征圖分辨率的池化層，使用了全卷積網(wǎng)絡(luò)模型。考慮在低分辨率雷達(dá)中，目標(biāo)在時(shí)頻譜上成像為點(diǎn)目標(biāo)，其尺度較小，且解碼器網(wǎng)絡(luò)中的反卷積層可能無法從抽象的特征中很好地恢復(fù)目標(biāo)細(xì)節(jié)，因此設(shè)計(jì)了一種跳躍連接結(jié)構(gòu)，即將編碼器中的3個(gè)卷積層，跳過中間的各層，與解碼器中相應(yīng)的3個(gè)反卷積層直接連接，如圖1所示，其中連接時(shí)將卷積操作后的特征圖以特征通道進(jìn)行串接。當(dāng)網(wǎng)絡(luò)很深時(shí)，運(yùn)動(dòng)目標(biāo)隱含特征細(xì)節(jié)盡管會(huì)丟失，但是跳躍連接傳遞的特征包含了很多原始輸入的細(xì)節(jié)，有助于反卷積更好地恢復(fù)目標(biāo)信號(hào)特征。而且跳躍連接還有另一個(gè)好處是在反向傳播時(shí)可以將梯度從底層傳遞到頂層，緩解了整個(gè)網(wǎng)絡(luò)訓(xùn)練時(shí)的梯度消散問題。

另外，當(dāng)雷達(dá)接收端接收IQ兩路信號(hào)時(shí)，如果只考慮其中之一，難免會(huì)丟失回波信號(hào)的部分信息，因此，將回波數(shù)據(jù)R-D譜的實(shí)部矩陣與虛部矩陣分別送入本模型中兩個(gè)子編碼器進(jìn)行特征學(xué)習(xí)，以提取到回波信號(hào)的幅度與相位特征，然后經(jīng)過3個(gè)殘差塊以繼續(xù)進(jìn)行深層特征的提取，最后將提取的特征進(jìn)行融合，這樣保證了回波信號(hào)在輸入時(shí)的信息完整度，神經(jīng)網(wǎng)絡(luò)可以提取到更多特征，有助于后續(xù)的目標(biāo)檢測(cè)。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 仿真實(shí)驗(yàn)及分析

為驗(yàn)證算法的有效性，本文進(jìn)行了相應(yīng)的實(shí)驗(yàn)。如式(1)所示回波模型，非平穩(wěn)回波數(shù)據(jù)由目標(biāo)回波、瑞利雜波以及高斯白噪聲組成，系統(tǒng)參數(shù)如表1所示。

表1 雷達(dá)系統(tǒng)參數(shù)

實(shí)驗(yàn)在Matlab R2016b平臺(tái)上進(jìn)行仿真分析，在表1所示系統(tǒng)參數(shù)的條件下產(chǎn)生回波信號(hào)的R-D譜以及相應(yīng)純凈目標(biāo)回波的R-D譜，以構(gòu)建樣本數(shù)據(jù)集。其中在回波中預(yù)先設(shè)置運(yùn)動(dòng)目標(biāo)，考慮為近距離慢速目標(biāo)，從速度取值范圍為-3.4～3.5 m/s、距離取值范圍為20～50 m隨機(jī)選取其速度值與距離值，速度的正負(fù)值表示運(yùn)動(dòng)的方向。

仿真產(chǎn)生回波樣本數(shù)據(jù)共100 000個(gè)，并基于TensorFlow框架，搭建出如圖1所示的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，隨后將樣本數(shù)據(jù)送入網(wǎng)絡(luò)中訓(xùn)練學(xué)習(xí)。

為檢驗(yàn)算法的有效性，設(shè)置了相應(yīng)的對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)中，采用同樣方式生成雷達(dá)回波數(shù)據(jù)，并在其中注入一個(gè)距離為40 m、步行速度為2 m/s的運(yùn)動(dòng)目標(biāo)，以檢驗(yàn)本文方法，并與傳統(tǒng)的雜波抑制目標(biāo)檢測(cè)算法進(jìn)行對(duì)比。圖3分別為傳統(tǒng)目標(biāo)檢測(cè)算法與本文方法的檢測(cè)結(jié)果比較。

圖3 傳統(tǒng)目標(biāo)檢測(cè)算法與本文CAE方法檢測(cè)結(jié)果比較

由圖3可得，MTI方法與子空間方法雖然抑制掉了部分雜波或干擾，但并不能很好地檢測(cè)出目標(biāo)。這是因?yàn)镸TI的本質(zhì)是在零多普勒附近產(chǎn)生凹陷來抑制雜波的，所以會(huì)同樣抑制處于零多普勒頻率附近慢動(dòng)目標(biāo)的部分能量，特別當(dāng)雜波能量比較大時(shí)，經(jīng)MTI處理過后的殘余雜波仍然會(huì)淹沒掉目標(biāo)；而子空間方法一般采用最大的一個(gè)或幾個(gè)特征值對(duì)應(yīng)的特征向量來構(gòu)建雜波子空間，這樣會(huì)使雜波成分出現(xiàn)較大殘余，并且雜波子空間常常呈現(xiàn)多維度及交織特性，也無法有效地分離出雜波基；本文CAE網(wǎng)絡(luò)模型檢測(cè)結(jié)果則表現(xiàn)比較好，相對(duì)前兩者來說雜波抑制得比較干凈，能很清晰地分辨出目標(biāo)在R-D譜上的位置。

模擬多目標(biāo)檢測(cè)場(chǎng)景時(shí)，雷達(dá)回波中預(yù)先設(shè)置兩個(gè)運(yùn)動(dòng)目標(biāo)，其中一個(gè)距離為40 m，步行速度為2 m/s，另一個(gè)距離為30 m，步行速度為-1 m/s。圖4為本文基于CAE的檢測(cè)方法與傳統(tǒng)檢測(cè)方法的檢測(cè)結(jié)果對(duì)比。可以看出，本文CAE方法在多目標(biāo)檢測(cè)場(chǎng)景中相對(duì)于傳統(tǒng)方法也有較好的檢測(cè)效果。

圖4 多目標(biāo)檢測(cè)場(chǎng)景中傳統(tǒng)目標(biāo)檢測(cè)算法與本文CAE方法檢測(cè)結(jié)果比較

另外，本文還與基于深度學(xué)習(xí)的方法進(jìn)行了對(duì)比，主要考慮：基于本文的CAE網(wǎng)絡(luò)基本結(jié)構(gòu)，其去掉跳躍連接且僅為單通道，并將其命名為CAE-1；以及基于本節(jié)的CAE網(wǎng)絡(luò)基本結(jié)構(gòu)，其具有跳躍連接但僅為單通道，將其命名為CAE-2；與這兩者進(jìn)行對(duì)比，對(duì)最后的檢測(cè)結(jié)果與網(wǎng)絡(luò)損失函數(shù)的Loss值曲線進(jìn)行了分析。其中，3種網(wǎng)絡(luò)模型中除了上述說明的不同，基本的網(wǎng)絡(luò)超參數(shù)，例如卷積核尺寸、滑動(dòng)步長(zhǎng)，網(wǎng)絡(luò)層數(shù)等均為相同的設(shè)置。

圖5 CAE及改進(jìn)算法的檢測(cè)性能比較

圖5為3種基于神經(jīng)網(wǎng)絡(luò)的檢測(cè)結(jié)果。圖5(a)中，單通道的CAE網(wǎng)絡(luò)檢測(cè)結(jié)果顯示目標(biāo)周圍有較強(qiáng)的干擾，使得檢測(cè)效果不佳；圖5(b)中單通道CAE網(wǎng)絡(luò)中加入了跳躍連接結(jié)構(gòu)后，檢測(cè)效果明顯得到了改善，這是因?yàn)樘S連接結(jié)構(gòu)減少了神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中的信息損失，有利于目標(biāo)的檢測(cè)；圖5(c)中雙通道結(jié)構(gòu)更完整地利用了回波信號(hào)的信息，而跳躍連接結(jié)構(gòu)使目標(biāo)信號(hào)在解碼器中被更完好地重構(gòu)，因此與前兩種方法相比，該方法能很清晰地檢測(cè)出目標(biāo)。分別將圖5(a)與圖5(b)相對(duì)比、圖5(b)與圖5(c)相對(duì)比，驗(yàn)證了網(wǎng)絡(luò)中跳躍連接結(jié)構(gòu)與雙通道結(jié)構(gòu)對(duì)于提高目標(biāo)檢測(cè)性能的有效性。

圖6為3種網(wǎng)絡(luò)結(jié)構(gòu)中每個(gè)Batch在訓(xùn)練時(shí)的Loss函數(shù)值隨訓(xùn)練次數(shù)增加的曲線圖，表示了神經(jīng)網(wǎng)絡(luò)的收斂趨勢(shì)。由圖6中可以看出，具有跳躍結(jié)構(gòu)的CAE網(wǎng)絡(luò)(紅色曲線與藍(lán)色曲線)收斂趨勢(shì)相差不大，但相比無跳躍連接結(jié)構(gòu)的CAE網(wǎng)絡(luò)(綠色曲線)，其收斂得更快，且網(wǎng)絡(luò)收斂曲線趨于平穩(wěn)時(shí)Loss函數(shù)的值更小，證明了具有跳躍結(jié)構(gòu)的網(wǎng)絡(luò)在訓(xùn)練時(shí)相比于無跳躍結(jié)構(gòu)的網(wǎng)絡(luò)更具有高效性。

圖6 Loss Batch曲線圖

3.2 實(shí)測(cè)數(shù)據(jù)處理

為了進(jìn)一步驗(yàn)證本文方法的有效性,采集了實(shí)際場(chǎng)景數(shù)據(jù)進(jìn)行測(cè)試。實(shí)驗(yàn)中利用了LabVIEW軟件結(jié)合通用軟件無線電外設(shè)(Universal Software Radio Peripheral, USRP)硬件搭建NI USRP-2974數(shù)據(jù)采集平臺(tái)。如圖7所示，數(shù)據(jù)采集裝置由USRP上位機(jī)、USRP、板狀天線(RX，TX)等構(gòu)成，通過上位機(jī)編程結(jié)合硬件實(shí)現(xiàn)雷達(dá)波形數(shù)據(jù)發(fā)送與接收，其中，編程中采用的波形參數(shù)及硬件射頻參數(shù)配置與仿真相同, USRP發(fā)射功率設(shè)為2 dBm。

圖7 實(shí)測(cè)場(chǎng)景

圖8所示分別為2階MTI算法、子空間法以及本文CAE網(wǎng)絡(luò)對(duì)實(shí)際場(chǎng)景數(shù)據(jù)的處理結(jié)果。圖8(a)所用的傳統(tǒng)MTI濾波器，在抑制了雜波成分的同時(shí)，也抑制了慢速運(yùn)動(dòng)目標(biāo)的多普勒成分；圖8(b)采用子空間方法，在R-D譜中仍有殘余部分雜波和噪聲；圖8(c)為本文方法，從中可以看到目標(biāo)能被較清晰地檢測(cè)到，其中，運(yùn)動(dòng)人體目標(biāo)距離大概為35 m，速度為0.6 m/s左右。

圖8 實(shí)測(cè)數(shù)據(jù)處理時(shí)，傳統(tǒng)目標(biāo)檢測(cè)算法與本文CAE方法檢測(cè)結(jié)果比較

4 結(jié)束語

本文針對(duì)在低RCS、雜波或干擾嚴(yán)重環(huán)境下的短距離慢速目標(biāo)檢測(cè)問題，設(shè)計(jì)了一種具有跳躍連接的雙通道卷積自編碼器的目標(biāo)檢測(cè)算法。利用CAE中編碼器對(duì)距離-多普勒?qǐng)D中的目標(biāo)信號(hào)成分和雜波成分進(jìn)行特征學(xué)習(xí)，并提取運(yùn)動(dòng)目標(biāo)信號(hào)隱含特征，然后反卷積層解碼以重構(gòu)目標(biāo)信號(hào)，最后實(shí)現(xiàn)端對(duì)端的雜波抑制。另外，網(wǎng)絡(luò)采用了雙通道的結(jié)構(gòu)以更完整地提取目標(biāo)回波特征，并且考慮到網(wǎng)絡(luò)模型較深，設(shè)計(jì)了跳躍連接的結(jié)構(gòu)，減少了梯度消散問題，增強(qiáng)了信息在網(wǎng)絡(luò)中的流動(dòng)，使網(wǎng)絡(luò)訓(xùn)練時(shí)更高效。實(shí)驗(yàn)驗(yàn)證了該算法的有效性及較傳統(tǒng)方法有更好的性能表現(xiàn)。