趙思肖，梁步閣，楊德貴，熊明耀

(中南大學 自動化學院，湖南 長沙 410083)

0 引言

超寬帶(Ultra-wideband,UWB)穿墻雷達是一種先進的非接觸式生命探測設備[1]，在災后救援中有著廣泛的應用[2]。傳統(tǒng)的UWB穿墻雷達目標檢測方法包括基于恒虛警率(Constant False-Alarm Rate,CFAR)的檢測算法[3]和CLEAN算法[4]。CFAR檢測算法在給定虛警率的情況下具有多目標檢測能力。然而，在多個人體目標相鄰較近時，會出現(xiàn)目標遮蔽效應[5]，降低目標檢測概率，導致難以高效精確地檢測到目標并實現(xiàn)分離。CLEAN算法通過在回波中多次抽取目標強散射點信號來避免目標遮蔽效應，實現(xiàn)鄰近多目標檢測，但是由于UWB雷達實測信號的振鈴拖尾效應[6]，存在虛假鄰近目標的問題，導致誤檢概率升高，鄰近多目標檢測與分離效果差。

UWB穿墻雷達鄰近多目標精確檢測問題需要根據(jù)人體呼吸和心跳產(chǎn)生的信號判斷相鄰目標數(shù)量并分離，對精度要求高。從UWB雷達回波信號模型來看，人體靜目標回波具有距離穩(wěn)定性和起伏周期性，在波形圖中近似表現(xiàn)為慢時間維度上的多條正弦曲線。雷達圖像域鄰近多目標檢測可看作復雜背景下的多曲線分離問題。因此，本文提出一種基于Faster-RCNN的IR-UWB穿墻雷達鄰近多目標檢測算法，有效解決了多個人體目標相鄰較近時難以高效分離的問題。與傳統(tǒng)方法不同，本文提出算法在自適應預處理算法對雷達回波處理后，使用Faster-RCNN[7]通過網(wǎng)絡訓練的方式實現(xiàn)目標的分類和位置回歸，在優(yōu)化檢測速度的同時，具有很好的目標形狀尺度變化適應性和高精度檢測性能。

1 Faster-RCNN網(wǎng)絡結(jié)構(gòu)

Faster-RCNN是一種區(qū)域推薦[8]卷積神經(jīng)網(wǎng)絡，由卷積層[9]、區(qū)域候選網(wǎng)絡(Region Proposal Network, RPN)[10]、ROI池化層[11]和分類回歸層組成。其中，卷積層負責提取圖片的特征，從輸入的原始圖片中提取feature map并送入RPN和ROI池化層。RPN通過網(wǎng)絡訓練的方式從feature map中獲得一批大小不等的候選區(qū)域proposals并送入ROI池化層。ROI池化層根據(jù)輸入的feature map和proposals計算出固定大小的proposals feature map送入后續(xù)網(wǎng)絡。最后，分類回歸層對proposals feature map進行目標分類和位置回歸操作，得到候選區(qū)域目標種類和候選框精確位置。Faster-RCNN結(jié)構(gòu)如圖1所示。

圖1 Faster-RCNN結(jié)構(gòu)Fig.1 Structure of Faster-RCNN

RPN是Faster-RCNN的核心，其本質(zhì)是一個輕量級的全卷積網(wǎng)絡，通過掃描卷積層生成的feature map，畫出一批大小不一的邊界框，經(jīng)過篩選、平移和縮放等操作，最后生成候選區(qū)域proposals。這種方式極大地提升了網(wǎng)絡檢測速度，實現(xiàn)了高精度檢測性能[12]。

RPN結(jié)構(gòu)如圖2所示。使用3×3的滑動窗口遍歷feature map上的每一個錨點[13]生成一個特征向量，并以錨點為中心畫出3種大小(128，256，512)、3種長寬比(1∶1，1∶2，2∶1)的9個邊界框。需要注意的是，雖然錨點位于feature map上，但是邊界框是映射在原圖上的，這樣可以大幅提高訓練速度和不同尺度目標檢測準確率。之后將特征向量分別輸入1×1的分類層和1×1的回歸層進行卷積運算，分類層輸出2×9個概率值，即該錨點對應的9個邊界框，每個邊界框的2個值表示包含目標的概率和不包含目標的概率；回歸層輸出4×9個值，每個邊界框?qū)粋€四維向量，分別表示對目標的寬高(w,h)和坐標(x,y)的預測。利用四維向量對預測包含目標的邊界框進行平移和縮放，產(chǎn)生大量候選框，然后使用非極大抑制[14]篩選一些預測分較高的候選框，作為最終輸出的proposals。

圖2 RPN結(jié)構(gòu)Fig.2 Structure of RPN

為了訓練RPN，給每個邊界框設置一個標簽，定義邊界框和目標標注框的交并比最大或超過0.7時為正樣本，低于0.3時為負樣本，非負非正樣本對訓練無意義。通過設置損失函數(shù)來控制RPN的訓練，損失函數(shù)為：

(2)

(3)

(4)

2 檢測算法

本文提出的基于Faster-RCNN的IR-UWB穿墻雷達鄰近多目標檢測算法包括構(gòu)建IR-UWB穿墻雷達回波模型、構(gòu)建雷達回波數(shù)據(jù)集、訓練目標檢測模型和目標信號檢測4個部分的內(nèi)容。算法結(jié)構(gòu)如圖3所示。

圖3 算法結(jié)構(gòu)Fig.3 Algorithm structure

2.1 IR-UWB穿墻雷達回波模型

IR-UWB穿墻雷達能發(fā)射電磁波，透過非金屬墻體探測墻后人體目標，電磁波到達人體目標后，經(jīng)過目標反射再次穿透墻體被雷達接收。雷達接收到的回波包括目標回波和背景雜波。IR-UWB穿墻雷達回波模型如圖4所示。

圖4 IR-UWB穿墻雷達回波模型Fig.4 Echo model of IR-UWB TWR

IR-UWB穿墻雷達回波函數(shù)表達式[15]如下所示：

E(t)=s(t)+r1(t)+r2(t)+r3(t)+r4(t)，

(5)

式中，E(t)表示雷達接收到的回波；s(t)表示目標反射回波；r1(t)表示天線產(chǎn)生的耦合直達波；r2(t)表示固定物體反射回波；r3(t)表示墻體反射波；r4(t)表示環(huán)境噪聲。

2.2 雷達回波數(shù)據(jù)集構(gòu)建

基于Faster-RCNN的鄰近多目標檢測算法本質(zhì)上屬于圖像目標檢測，考慮到雷達回波數(shù)據(jù)中存在的雜波干擾和信號衰減問題，有必要在數(shù)據(jù)集構(gòu)建過程中對雷達原始回波數(shù)據(jù)進行適當?shù)念A處理。本文先將雷達回波原始數(shù)據(jù)在慢時間上截取500道生成距離-慢時間二維灰度圖，然后進行雜波抑制和弱信號增強等預處理操作，構(gòu)成樣本庫。最后使用LabelImg軟件對樣本庫中的每個樣本標注people標簽，生成UWB穿墻雷達鄰近多目標檢測數(shù)據(jù)集。雷達回波數(shù)據(jù)集構(gòu)建流程如圖5所示。

圖5 構(gòu)建雷達回波數(shù)據(jù)集Fig.5 Construct radar echo dataset

2.2.1 雜波抑制算法

雷達原始回波數(shù)據(jù)中包含墻體反射波、天線產(chǎn)生的耦合直達波、固定物體反射回波和環(huán)境噪聲等雜波干擾，目標信號的能量較低，無法直接檢測。為凸顯墻后人體目標的圖像域特征，需要使用雜波抑制方法對穿墻雷達原始回波數(shù)據(jù)進行處理。

根據(jù)人體目標微動的特性，其雷達回波信號幅度會發(fā)生變化，在頻域上表現(xiàn)為高頻分量，運動幅度越大、高頻分量越多；雷達雜波信號在頻域上表現(xiàn)為低頻分量，其幅值變化緩慢。在工程實踐中常采用背景估計法對雜波信號進行抑制，背景估計法通過歷史回波信號來估計當前時刻背景信號值，再從當前時刻原始信號中減去背景信號估計值，得到目標回波信號。在鄰近多目標精確檢測問題中，由于人體目標處于靜止狀態(tài)，呼吸信號能量較弱，易被誤判為背景，故本文采用基于指數(shù)加權(quán)的背景相消法抑制雜波?；谥笖?shù)加權(quán)的背景相消法通過加權(quán)因子優(yōu)化背景估計值，對回波信號的波動具有很好的適應性，在起伏背景情況下可以準確地更新背景信息[16]。

yt+1=αyt+(1-α)rt+1=yt+(1-α)(rt+1-yt)=

(1-α)(rt+1+α(r1+…+α2r2)+αty1，

(6)

式中，α為加權(quán)系數(shù)，決定背景估計值的穩(wěn)定性；yt+1表示t+1時刻背景；yt表示t時刻背景；rt+1表示t+1時刻的回波。t時刻的背景估計值可以由t時刻的回波和t-1時刻的背景均值得到。

2.2.2 弱信號增強算法

在介質(zhì)環(huán)境中，電磁波能量隨傳播距離呈指數(shù)級衰減。對IR-UWB雷達回波進行雜波抑制后，還應采用弱信號增強算法來提高數(shù)據(jù)的信噪比，使目標信號的能量達到可檢測水平。由于遠場噪聲信號距離較遠，按距離衰減補償會導致遠場雜波過度增益。因此本文采用基于信號能量的自動增益算法?；谛盘柲芰康淖詣釉鲆婵刂剖歉鶕?jù)回波信號的幅值方差控制信號增益系數(shù)。設置時間范圍t和最大增益gmax，并將回波信號z(τ)和最大增益比較。

(7)

式中，i∈[t0,tend]。在每道回波數(shù)據(jù)的時間范圍t中求得增益系數(shù)g(i)，并根據(jù)該增益系數(shù)的最小值進行歸一化處理得到gnorm(i)；對比gnorm(i)和最大增益gmax得到增益掩膜系數(shù)gmask(i)，利用該掩膜系數(shù)對原始回波信號進行增益補償。

IR-UWB雷達回波數(shù)據(jù)預處理效果如圖6所示，圖中目標信號由方框標出。使用指數(shù)加權(quán)法對原始雷達回波進行雜波抑制，去除圖6(a)中原始回波中的雜波，如圖6(b)所示；使用基于信號能量的自動增益算法對其進行弱信號增強，提高數(shù)據(jù)的信噪比，使目標信號的能量達到可檢測水平，如圖6(c)所示。

圖6 雷達回波數(shù)據(jù)預處理效果Fig.6 Effect of radar echo data preprocessing

2.3 網(wǎng)絡訓練

使用UWB穿墻雷達鄰近多目標檢測數(shù)據(jù)集中的訓練集數(shù)據(jù)訓練目標檢測模型，訓練過程可分為RPN訓練和分類器網(wǎng)絡訓練2部分。整個訓練流程如下所示：

第①步：訓練RPN，使用預訓練模型VGG-16[17]初始化RPN權(quán)重和共享卷積網(wǎng)絡，將訓練后的共享卷積網(wǎng)絡命名為model1。端對端訓練RPN網(wǎng)絡，生成proposals。

第②步：訓練分類器網(wǎng)絡，使用相同的預訓練模型VGG-16初始化一個新的共享卷積網(wǎng)絡，將訓練后的共享卷積網(wǎng)絡命名為model2，需要注意的是，此處的共享卷積網(wǎng)絡和第①步中的網(wǎng)絡結(jié)構(gòu)相同。然后結(jié)合第①步生成的proposals訓練分類器網(wǎng)絡。

第③步：微調(diào)RPN，保持model2在訓練過程中不變，并使用model2訓練RPN，實現(xiàn)RPN微調(diào)。

第④步：微調(diào)分類器網(wǎng)絡，使用model2和RPN再次訓練分類器網(wǎng)絡，得到最終的目標檢測網(wǎng)絡。

2.4 檢測原理

基于Faster-RCNN的IR-UWB穿墻雷達鄰近多目標檢測算法的檢測原理如圖7所示。首先，將輸入的原始圖像縮放成M×N大小的圖片，并送入卷積層進行特征提取[18]生成feature map。本文所使用Faster-RCNN的卷積層由VGG-16模型構(gòu)成，該模型中包含13個conv層、13個ReLU層和4個pooling層。之后，將feature map送入RPN，使用3×3的滑動窗口遍歷feature map上的每一個錨點，生成一大批邊界框。一方面使用Softmax[19]數(shù)篩選正標簽邊界框，另一方面使用bounding box regression方法微調(diào)正標簽邊界框的位置和大小并生成proposals。需要注意的是，proposals大小各不相同，無法直接被后續(xù)網(wǎng)絡處理。所以feature map和proposals同時被送入ROI池化層，生成固定大小的proposals feature map。分類回歸層通過全連接層和Softmax對proposals feature map的計算，確定每個proposals的目標種類；同時再次利用bounding box regression方法微調(diào)proposals的位置和大小，輸出精確的目標檢測框。

圖7 Faster-RCNN目標檢測網(wǎng)絡檢測原理Fig.7 Detection principle of Faster-RCNN target detection network

3 實驗設計與結(jié)果分析

3.1 實驗設計

UWB穿墻雷達鄰近多目標檢測數(shù)據(jù)集由沖激脈沖體制UWB穿墻雷達進行采集獲得，UWB穿墻雷達參數(shù)如表1所示。

表1 雷達參數(shù)Tab.1 Radar parameters

將雷達和人體目標置于磚混結(jié)構(gòu)的墻體兩側(cè)，墻體厚24 cm，雷達貼墻放置，雷達收發(fā)天線距離地面100 cm，人體目標沿雷達徑向坐在固定位置，保持身體靜止，正常呼吸，通過移動人體目標位置采集不同距離情況下的雷達回波數(shù)據(jù)。為體現(xiàn)算法的普適性，針對人體目標的性別和體型差異設置不同被測目標類型。采集場景及雷達回波數(shù)據(jù)如圖8所示。

圖8 采集場景及雷達回波數(shù)據(jù)Fig.8 Collect scene and radar echo data

UWB穿墻雷達鄰近多目標檢測數(shù)據(jù)集共包含1 500個人體目標回波樣本，分為訓練集和測試集，其中訓練集中包含600個樣本，測試集中包含900個樣本，每個樣本中包含不同數(shù)量、不同位置的人體目標回波。測試集分成6個小組進行統(tǒng)計，其中第1組為距離雷達不同長度的單人目標情況；第2組為距離雷達不同長度的2人目標相距0.5 m；第3組為距離雷達不同長度的2人目標相距1 m；第4組為距離雷達不同長度的3人目標相距1 m；第5組為距離雷達不同長度的3人目標分別相距1和1.5 m；第6組為距離雷達不同長度的3人目標相距1.5 m，分組情況如表2所示。實驗過程中，測試集內(nèi)所有樣本隨機混合，統(tǒng)一檢測，分組統(tǒng)計。

表2 實驗數(shù)據(jù)集Tab.2 Experimental dataset

3.2 檢測結(jié)果分析與性能評估

本文使用召回率(Recall)和平均準確率(AP)作為評價指標對基于Faster-RCNN的IR-UWB穿墻雷達鄰近多目標檢測算法的檢測性能進行評估，該算法在測試集上的檢測結(jié)果如表3所示。其中Recall表示將正例數(shù)據(jù)預測為正的個數(shù)占所有正確預測的數(shù)據(jù)個數(shù)的比例；準確率(p)表示將正例數(shù)據(jù)預測為正的個數(shù)占所有被預測為正的數(shù)據(jù)個數(shù)的比例；AP為測試集中每個樣本準確率的平均值。

表3 檢測結(jié)果Tab.3 Test results 單位：%

(8)

式中，N表示樣本總數(shù)，下標i表示參數(shù)對應第i個樣本；TPi表示將正例數(shù)據(jù)預測為正的個數(shù)；FPi表示將負例數(shù)據(jù)預測為正的個數(shù)；FNi表示將負例數(shù)據(jù)預測為負的個數(shù)。

基于Faster-RCNN的IR-UWB穿墻雷達鄰近多目標檢測算法與傳統(tǒng)基于CFAR檢測方法進行對比，選用CA-CFAR檢測器，根據(jù)靜止人體目標雷達回波先驗信息設定虛警概率為0.01，設置保護單元為30 pixel，檢測單元為100 pixel，并使用M/N邏輯算法抑制孤立噪聲點。

檢測結(jié)果對比如表4所示，其中左側(cè)為基于CFAR檢測方法的檢測結(jié)果，右側(cè)為Faster-RCNN目標檢測網(wǎng)絡檢測結(jié)果。從對比圖中可以看出，2種方法都能實現(xiàn)人體目標檢測的功能，但是對于鄰近多目標精確檢測問題，基于CFAR檢測方法存在誤檢和漏檢情況，原因在于檢測單元內(nèi)存在臨近目標，噪聲功率的估計值被抬高而導致“目標遮蔽”現(xiàn)象，這種現(xiàn)象在目標信噪比較低時也極為嚴重。

表4 檢測結(jié)果對比Tab.4 Comparison of test results

4 結(jié)束語

針對IR-UWB穿墻雷達鄰近多目標精確檢測難點，提出了一種基于Faster-RCNN的IR-UWB穿墻雷達鄰近多目標檢測算法，在對雷達回波原始數(shù)據(jù)進行雜波抑制和弱信號增強處理的基礎上，構(gòu)建了UWB穿墻雷達鄰近多目標檢測數(shù)據(jù)集并應用于目標檢測模型訓練過程，有效提高了精度。實驗表明，本文算法能準確檢測人體目標并將鄰近多目標精確分離。根據(jù)不同目標距離和目標數(shù)量的檢測效果對比分析，相較于傳統(tǒng)基于CFAR檢測算法，本文算法具有更好的鄰近多目標分離檢測性能，在工程應用方面具有一定的實用價值。

未來將繼續(xù)改進雜波抑制算法和弱信號增強算法，進一步提升凸顯目標特征的能力；優(yōu)化網(wǎng)絡模型結(jié)構(gòu)，提高檢測精度，實現(xiàn)鄰近多目標精確檢測及分離。