趙宏宇，張志文，公茂果，武 越，葉 舟，呂宇宙，張 楊

（1.西安電子科技大學(xué) 電子工程學(xué)院，陜西 西安 710071；2.西安電子科技大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，陜西 西安 710071；3.上海航天電子通訊設(shè)備研究所，上海 201108）

0 引言

近年來，人工智能技術(shù)的不斷突破推動(dòng)了無人機(jī)產(chǎn)業(yè)的飛速發(fā)展。無人機(jī)由于其體積小、能耗低、機(jī)動(dòng)性高等優(yōu)勢，在航拍測繪、環(huán)境監(jiān)測、應(yīng)急救援、技術(shù)安防、軍事化偵查等民用及軍事領(lǐng)域得到廣泛應(yīng)用。而我國工業(yè)級(jí)無人機(jī)在民用無人機(jī)中的占比達(dá)54.3%［1］，是民用無人機(jī)的應(yīng)用主體。在推動(dòng)社會(huì)進(jìn)步的同時(shí)，無人機(jī)對(duì)個(gè)人隱私、社會(huì)安全、軍事安全等領(lǐng)域構(gòu)成了嚴(yán)重威脅，為此需要發(fā)展針對(duì)無人機(jī)的反制手段。由于無人機(jī)較靈活，如何利用現(xiàn)有傳感器實(shí)現(xiàn)高效率的無人機(jī)目標(biāo)檢測是一個(gè)需要深入研究的課題［2］。

雷達(dá)回波數(shù)據(jù)是一個(gè)復(fù)序列信號(hào)，信號(hào)序列中包含大量的冗余信息，傳統(tǒng)方法難以有效挖掘數(shù)據(jù)內(nèi)部的信息，從而導(dǎo)致目標(biāo)檢測的準(zhǔn)確率低下。隨著深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）［3］的發(fā)展，DNN 可以從復(fù)雜數(shù)據(jù)中學(xué)習(xí)到高維度的特征信息，因此解決了不同領(lǐng)域中較多的難題，包括視覺識(shí)別、語義理解以及語音識(shí)別等［4-7］。尤其是深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN），在目標(biāo)的分類和識(shí)別方面取得了巨大的成功。KRIZHEVSKY 等［8］將DNN 應(yīng)用在圖像的分類和識(shí)別領(lǐng)域中。SZEGEDY 等［9］研究了更深層的卷積神經(jīng)網(wǎng)絡(luò)。卷積網(wǎng)絡(luò)可以充分利用圖像的空間信息，提取更加豐富的語義信息，增強(qiáng)目標(biāo)的特征表示。

針對(duì)雷達(dá)無人機(jī)目標(biāo)識(shí)別精度低、特征提取困難、網(wǎng)絡(luò)容易過擬合等問題，構(gòu)建使用距離-多普勒圖像訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)檢測的方法。首先，利用經(jīng)典相參累積方法通過積分生成雷達(dá)回波的距離-多普勒圖像；隨后，利用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建特定于距離-多普勒圖像的目標(biāo)檢測框架和特征增強(qiáng)模塊實(shí)現(xiàn)無人機(jī)的準(zhǔn)確識(shí)別與跟蹤；同時(shí)，為解決訓(xùn)練中可用樣本不足導(dǎo)致的網(wǎng)絡(luò)過擬合問題，采用生成對(duì)抗模型對(duì)距離-多普勒圖像進(jìn)行數(shù)據(jù)擴(kuò)充，以獲得充足的圖像數(shù)據(jù)訓(xùn)練性能更加魯棒的卷積神經(jīng)網(wǎng)絡(luò)；最后，通過實(shí)驗(yàn)驗(yàn)證了提出的方法在雷達(dá)回波序列中弱小飛機(jī)目標(biāo)檢測跟蹤數(shù)據(jù)集上的有效性。

1 研究內(nèi)容

1.1 相關(guān)工作

WANG 等［10］將DNN 應(yīng)用在雷達(dá)波形識(shí)別方面。MENDIS 等［11］將DNN 應(yīng)用在微型無人機(jī)識(shí)別系統(tǒng)中，提高了檢測的準(zhǔn)確率。SEYFIOGLU［12］將DNN 應(yīng)用在微多普勒分類技術(shù)當(dāng)中。同時(shí)還有一系列針對(duì)合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）的深度學(xué)習(xí)方法被眾多學(xué)者提出，陳立福等［13］采用MSTAR 中3 類目標(biāo)數(shù) 據(jù)集作為源域數(shù)據(jù)集進(jìn)行訓(xùn)練，針對(duì)3 類目標(biāo)識(shí)別任務(wù)有監(jiān)督地訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，得到預(yù)訓(xùn)練模型。然后，通過構(gòu)建與預(yù)訓(xùn)練模型相同的卷積神經(jīng)網(wǎng)絡(luò)，將10 類MSTAR 數(shù)據(jù)集作為目標(biāo)域的目標(biāo)任務(wù)，將預(yù)訓(xùn)練模型作為目標(biāo)域的初始參數(shù)，對(duì)10 類目標(biāo)進(jìn)行微調(diào)訓(xùn)練，效果良好。任碩良等［14］通過遷移VGG16 和ResNet 網(wǎng)絡(luò)進(jìn)行微調(diào)訓(xùn)練形成對(duì)比實(shí)驗(yàn)，驗(yàn)證了遷移學(xué)習(xí)在SAR 圖像目標(biāo)識(shí)別中的應(yīng)用，提高了MSTAR 數(shù)據(jù)集目標(biāo)識(shí)別的準(zhǔn)確率。王澤隆等［15］通過電磁仿真得到大量SAR 圖像數(shù)據(jù)，通過卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)訓(xùn)練，通過預(yù)訓(xùn)練權(quán)重文件作為初始參數(shù)，遷移到實(shí)測SAR 圖像數(shù)據(jù)進(jìn)行識(shí)別，進(jìn)一步提升識(shí)別準(zhǔn)確率。王博威等［16］針對(duì)SAR 圖像目標(biāo)識(shí)別小樣本的問題，采用正負(fù)樣本對(duì)策略，對(duì)樣本數(shù)量進(jìn)行了擴(kuò)充后基于深度學(xué)習(xí)的孿生神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)識(shí)別。PAN等［17］采用孿生卷積神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行小樣本SAR 目標(biāo)識(shí)別。DING 等［18］將CNN 引 入SAR 雷達(dá)目標(biāo)檢測，并進(jìn)行數(shù)據(jù)擴(kuò)充增廣。WANG 等［19］將CNN 引入CFAR 的判別器，利用CNN 替代傳統(tǒng)的CFAR 檢測器，取得了較好的效果。這些研究均是嘗試使用DNN 來解決雷達(dá)目標(biāo)檢測和分類的問題。

1.2 算法整體結(jié)構(gòu)

本文提出的網(wǎng)絡(luò)設(shè)計(jì)主要包括3 個(gè)部分，分別為雷達(dá)數(shù)據(jù)的預(yù)處理、基于位置感知的卷積神經(jīng)網(wǎng)絡(luò)做目標(biāo)的檢測識(shí)別以及最終的結(jié)果處理。具體地，首先利用相參積累對(duì)雷達(dá)脈沖輸入進(jìn)行處理，得到距離-多普勒圖像；其次訓(xùn)練基于位置感知的無人機(jī)目標(biāo)檢測卷積神經(jīng)網(wǎng)絡(luò)，其中為應(yīng)對(duì)訓(xùn)練樣本稀缺的問題，采用生成對(duì)抗網(wǎng)絡(luò)對(duì)樣本進(jìn)行擴(kuò)充；最后根據(jù)網(wǎng)絡(luò)在距離-多普勒圖像上的檢測結(jié)果對(duì)物體的實(shí)時(shí)坐標(biāo)和速度進(jìn)行輸出，以實(shí)現(xiàn)無人機(jī)的識(shí)別與跟蹤。整體結(jié)構(gòu)如圖1 所示。

圖1 網(wǎng)絡(luò)總體結(jié)構(gòu)Fig.1 Overall frame of the network

1.3 雷達(dá)特征分析建模

關(guān)于多普勒雷達(dá)，最經(jīng)典的假設(shè)檢驗(yàn)方法是基于Newman-Pearson 準(zhǔn)確做判別的恒虛警檢測（Constant False Alarm Rate，CFAR）［20-21］，恒虛警檢測首先對(duì)輸入的噪聲進(jìn)行處理后確定門限，將門限與輸入信號(hào)進(jìn)行相比，超過門限則判別為有目標(biāo)。

由于雷達(dá)信號(hào)中不僅含有微弱的目標(biāo)信號(hào)，而且包含很強(qiáng)的噪聲，因此在對(duì)雷達(dá)信號(hào)預(yù)處理過程中首先需要對(duì)目標(biāo)信號(hào)進(jìn)行放大，增加目標(biāo)回波信號(hào)的信噪比。單純的放大雷達(dá)回波信號(hào)不僅會(huì)放大目標(biāo)信號(hào)，同時(shí)也會(huì)放大噪聲，使得信噪比下降，因此采用相參累積的方式提高目標(biāo)信號(hào)信噪比。相參累積就是對(duì)多個(gè)雷達(dá)回波進(jìn)行疊加，由于噪聲隨機(jī)，疊加后的結(jié)果是信號(hào)變強(qiáng)，噪聲由于隨機(jī)性強(qiáng)度反而變小，這樣就可以達(dá)到提高目標(biāo)信號(hào)與信噪比的目的，通過下述公式可以獲得相參累積后的信號(hào)：

式中：xij為第i個(gè)脈沖序列壓縮后第j個(gè)距離單元的幅值；yj為第j個(gè)距離單元慢時(shí)間相干積累后的結(jié)果；k為脈沖個(gè)數(shù)；tPR為脈沖重復(fù)時(shí)間；fd為目標(biāo)的多普勒頻率。

對(duì)于脈沖雷達(dá)而言，目標(biāo)距離由回波脈沖的延遲時(shí)間決定，回波脈沖的幅度受到多普勒頻率fd的調(diào)制，即回波脈沖的幅度以頻率為fd的正弦規(guī)律變化。因此，結(jié)合二維的距離-多普勒圖像，可以完成對(duì)目標(biāo)距離和速度的檢測。

對(duì)32 個(gè)脈沖序列進(jìn)行相參累積后獲得的距離-多普勒圖像的三維展示如圖2 所示。其中，由于在0 處的脈沖強(qiáng)度過大，因此在后續(xù)的數(shù)據(jù)處理部分會(huì)抑制該處過強(qiáng)的幅度值。

圖2 相參累積Fig.2 Cancellation accumulation

1.4 目標(biāo)檢測網(wǎng)絡(luò)結(jié)構(gòu)

網(wǎng)絡(luò)核心結(jié)構(gòu)分為3 個(gè)部分：由卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的特征提取模塊、由變形卷積構(gòu)建的特征增強(qiáng)模塊、由全連接層構(gòu)成的檢測回歸器。網(wǎng)絡(luò)的輸入是二維距離-多普勒圖像，通過特征提取骨干網(wǎng)絡(luò)獲取輸入圖像的特征圖。由于圖像的2 個(gè)維度分別表示目標(biāo)的不同特性，為進(jìn)一步增強(qiáng)目標(biāo)信息，因此采用基于位置感知的特征融合模塊，分別在速度維度和距離維度進(jìn)行變形卷積，即縱向感知卷積和橫向感知卷積。在得到增強(qiáng)的特征后，將數(shù)據(jù)送入全連接層進(jìn)行目標(biāo)信息的預(yù)測，網(wǎng)絡(luò)的輸出包含待測目標(biāo)的坐標(biāo)信息（x，y）和檢測置信度（Prob），位置感知卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 位置感知卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Structure of the position-aware convolutional neural network

1.4.1 雷達(dá)數(shù)據(jù)特征提取和增強(qiáng)

特征提取網(wǎng)絡(luò)的輸入為單通道的距離-多普勒圖像，像素值為信號(hào)的幅度值，采用基于殘差連接的DarkNet 作為骨干網(wǎng)絡(luò)對(duì)目標(biāo)信號(hào)進(jìn)行特征提取，由于該特定場景下網(wǎng)絡(luò)規(guī)模較小，為減少額外的計(jì)算提高網(wǎng)絡(luò)性能，使用了輕量化的MobileNet網(wǎng)絡(luò)結(jié)構(gòu)對(duì)基準(zhǔn)骨干網(wǎng)絡(luò)進(jìn)行了替換，具體過程在實(shí)驗(yàn)部分給出。

輸入的圖像為距離-多普勒圖像，圖像中的H為示波門距離，W為多普勒頻率值，圖像的行表示在同樣的波門距離下的多普勒頻率值，而列則表示同樣多普勒頻率下不同波門距離上信號(hào)的強(qiáng)度。在骨干網(wǎng)絡(luò)之后額外增加了縱向感知卷積和橫向感知卷積，用于融和同一列和同一行內(nèi)領(lǐng)域內(nèi)的特征信息并且對(duì)特征圖進(jìn)行進(jìn)一步的降采樣。

橫向和縱向感知卷積實(shí)現(xiàn)過程可以看作一種特殊的空洞卷積，橫向感知卷積在x軸方向上的空洞率為0，在y軸方向上的空洞率為1，而縱向感知卷積在y軸方向上的空洞率為0，在x軸方向上的空洞率為1。

在3×3 卷積核下的橫向感知卷積的示意圖如圖4 所示，在x軸方向上對(duì)鄰域內(nèi)的特征信息提取，同時(shí)在y軸方向上對(duì)圖像進(jìn)行降采樣，縱向感知卷積與其類似，主要用來提取目標(biāo)信號(hào)在縱向領(lǐng)域內(nèi)的特征，擴(kuò)大其感受野。感知卷積的計(jì)算公式為

圖4 橫向感知卷積Fig.4 Lateral perceptual convolution

式中：Zin、Zout分別為感知卷積層的輸入與輸出；ωk為當(dāng)前層的卷積核的參數(shù)；k為圖像的信道數(shù)。

該橫向和縱向感知模塊既滿足了對(duì)特定領(lǐng)域內(nèi)的目標(biāo)特征進(jìn)行提取，并且也達(dá)到了降采樣的作用，有利于在不增加計(jì)算量的同時(shí)提高目標(biāo)信號(hào)的感受野。由于該卷積模塊對(duì)輸入圖片進(jìn)行稀疏采樣，因此不適合級(jí)聯(lián)多層使用，會(huì)導(dǎo)致遠(yuǎn)距離獲取信息不具有相關(guān)性以及丟失局部信息。

1.4.2 檢測回歸器設(shè)計(jì)與損失函數(shù)

與傳統(tǒng)基于光學(xué)圖像的目標(biāo)檢測網(wǎng)絡(luò)不同，對(duì)于雷達(dá)信號(hào)生成的距離-多普勒圖像，圖像中包含的信息維度分別代表了目標(biāo)的位置和速度。因此在圖像上目標(biāo)并不是以中心點(diǎn)和長寬的形式存在，而是以點(diǎn)的形式存在，相應(yīng)的點(diǎn)代表了待檢測的目標(biāo)。因此，拋棄了傳統(tǒng)目標(biāo)檢測框架中的錨框結(jié)構(gòu)，設(shè)計(jì)了針對(duì)于特定雷達(dá)信號(hào)的目標(biāo)檢測頭，該特征頭將骨干網(wǎng)絡(luò)提取到的融合特征作為輸入，輸出是目標(biāo)在對(duì)應(yīng)位置下的存在概率。

基于網(wǎng)絡(luò)特征提取部分得到的特征圖，構(gòu)建柵格網(wǎng)絡(luò)對(duì)于目標(biāo)坐標(biāo)進(jìn)行回歸。誤差統(tǒng)計(jì)示意圖如圖5 所示，用柵格表示每一個(gè)像素，而預(yù)測目標(biāo)的實(shí)際位置與柵格左上角頂點(diǎn)的相對(duì)差值，這樣得到一個(gè)連續(xù)預(yù)測結(jié)果，可更加精確地判斷物體的坐標(biāo)以及實(shí)時(shí)的速度。對(duì)于損失函數(shù)部分，坐標(biāo)的誤差用均方誤差進(jìn)行計(jì)算，存在物體的置信度用二分類交叉熵，因?yàn)榇藭r(shí)僅僅考慮存在物體或者不存在物體，為一個(gè)二分類的問題。該網(wǎng)絡(luò)的損失函數(shù)分為兩個(gè)部分：1）預(yù)測坐標(biāo)的損失；2）預(yù)測柵格是否有物體的損失。預(yù)測坐標(biāo)的損失用預(yù)測坐標(biāo)(xi，yi)與實(shí)際目標(biāo)位置(，)的歐氏距離的平方來度量?？偟膿p失函數(shù)如下：

圖5 誤差統(tǒng)計(jì)Fig.5 Error statistics

由于樣例中正負(fù)樣本不均衡，因此為了讓網(wǎng)絡(luò)能更準(zhǔn)確地學(xué)到物體是否存在的信息，需要將物體不存在時(shí)的置信度損失增大，以便于提高準(zhǔn)確率。

1.5 少量樣本數(shù)據(jù)增強(qiáng)

隨著深度學(xué)習(xí)技術(shù)的發(fā)展，網(wǎng)絡(luò)模型的規(guī)模越來越大?；诒O(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型依賴于高質(zhì)量的雷達(dá)標(biāo)記數(shù)據(jù)，然而，獲取高質(zhì)量的雷達(dá)目標(biāo)檢測數(shù)據(jù)集比較困難，對(duì)數(shù)據(jù)集的標(biāo)注工作也會(huì)消耗大量的人力和物力，因此有必要研究如何利用少量樣本來訓(xùn)練可用的網(wǎng)絡(luò)模型。

對(duì)于上述問題，構(gòu)建了基于無監(jiān)督判別模型的數(shù)據(jù)增強(qiáng)模型進(jìn)行解決，模型結(jié)構(gòu)如圖6 所示。該生成模型通過無監(jiān)督訓(xùn)練可以學(xué)習(xí)真實(shí)樣本的數(shù)據(jù)分布，并通過判別器來逐漸優(yōu)化生成模型樣本的質(zhì)量。通過迭代訓(xùn)練，可以得到輸出高質(zhì)量的仿真樣本的生成模型。經(jīng)過上述的數(shù)據(jù)增強(qiáng)操作，可以極大地?cái)U(kuò)充可用的數(shù)據(jù)樣本。更豐富的數(shù)據(jù)樣本不僅可以增強(qiáng)網(wǎng)絡(luò)的泛化性能，同時(shí)也可以避免網(wǎng)絡(luò)由于訓(xùn)練樣本過少導(dǎo)致的過擬合。

圖6 數(shù)據(jù)增強(qiáng)流程Fig.6 Flow chart of data augmentation

生成器由4 層轉(zhuǎn)置卷積網(wǎng)絡(luò)級(jí)聯(lián)而成，判別器由4 層卷積網(wǎng)絡(luò)級(jí)聯(lián)而成。交替訓(xùn)練判別模型和生成模型，最終會(huì)生成逼真的數(shù)據(jù)，從而擴(kuò)充樣本。該數(shù)據(jù)增強(qiáng)網(wǎng)絡(luò)的目標(biāo)函數(shù)公式為

式中：D為判別器；G為尾生成器。

該目標(biāo)函數(shù)包含2 個(gè)部分，分別是生成器的損失函數(shù)和判別器的損失函數(shù)。優(yōu)化判別器的目標(biāo)函數(shù)為

式中：Ex～Pdata(x)logD(x)為判別x屬于真實(shí)數(shù)據(jù)的對(duì)數(shù)損失函數(shù)，最大化該項(xiàng)的目的在于使得判別器能準(zhǔn)確預(yù)測真實(shí)樣本數(shù)據(jù)；Ez～Pz(z)log(1-D(G(z)))為判別器識(shí)別生成假數(shù)據(jù)的對(duì)數(shù)損失函數(shù)，最大化該項(xiàng)的目的在于使得判別器不會(huì)被生成的假數(shù)據(jù)所欺騙。

式（6）為優(yōu)化生成模型G的目標(biāo)函數(shù)，最小化該函數(shù)即為D(G(z))最大，也即使得樣本越逼真，判別器判別假數(shù)據(jù)也就越困難。訓(xùn)練好的模型使用多普勒距離圖像作為輸入。

1.6 結(jié)果后處理

輸出結(jié)果后，依據(jù)多普勒效應(yīng)進(jìn)行處理，最終計(jì)算出無人機(jī)目標(biāo)的運(yùn)動(dòng)速度和到雷達(dá)的距離，計(jì)算流程如圖7 所示。

圖7 后處理流程Fig.7 Flow chart of post-processing

根據(jù)多普勒效應(yīng)，反射波的頻率和振幅會(huì)隨著所碰到的物體的運(yùn)動(dòng)狀態(tài)發(fā)生改變，因此可以利用該效應(yīng)測量物體的運(yùn)動(dòng)速度。可以根據(jù)多普勒頻移計(jì)算物體運(yùn)動(dòng)的徑向速度：

式中：f0為原始發(fā)射頻率；v為反射波的行進(jìn)速度；c為光速。

根據(jù)網(wǎng)絡(luò)輸出距離-多普勒圖像上檢測點(diǎn)的坐標(biāo)，可以得到目標(biāo)點(diǎn)對(duì)應(yīng)的速度坐標(biāo)和距離坐標(biāo)；根據(jù)速度坐標(biāo)計(jì)算多普勒頻移，可以獲得物體的運(yùn)動(dòng)速度；結(jié)合采樣數(shù)據(jù)的距離分辨率，可以獲得物體與雷達(dá)之間的距離。

2 實(shí)驗(yàn)

2.1 數(shù)據(jù)集介紹

本實(shí)驗(yàn)數(shù)據(jù)集采用公開的雷達(dá)回波序列中弱小飛機(jī)目標(biāo)檢測跟蹤數(shù)據(jù)集［22］，該數(shù)據(jù)集基本信息介紹見表1。

表1 數(shù)據(jù)集詳情Tab.1 Details of the data set

該數(shù)據(jù)集包括2 個(gè)部分：第1 部分是一定時(shí)長內(nèi)所有脈沖進(jìn)行脈沖壓縮后形成的連續(xù)時(shí)間脈沖序列；第2 部分是距離波門文件，采樣數(shù)據(jù)僅為距離波門后的脈沖序列。連續(xù)時(shí)間的脈沖序列見表2，距離波門的數(shù)據(jù)文件如圖8 所示，距離波門的刷新時(shí)間為1 ms。

表2 連續(xù)時(shí)間脈沖序列Tab.2 Continuous time pulse sequences

圖8 距離波門Fig.8 Range gate

2.2 實(shí)驗(yàn)結(jié)果

2.2.1 原始數(shù)據(jù)上檢測結(jié)果

首先在原始公開數(shù)據(jù)集上進(jìn)行測試，實(shí)驗(yàn)中采用DarkNet 作為基準(zhǔn)骨干網(wǎng)絡(luò)，通過添加提出的檢測頭來進(jìn)行目標(biāo)檢測。經(jīng)過雷達(dá)數(shù)據(jù)預(yù)處理得到的連續(xù)兩幀距離-多普勒圖像如圖9 所示，距離-多普勒圖像下的檢測結(jié)果（綠色代表真值信息，紅色代表檢測結(jié)果）如圖10 所示。從圖中可以看出，檢測網(wǎng)絡(luò)可以有效地檢出距離-多普勒圖像中的無人機(jī)目標(biāo)。在原數(shù)據(jù)上進(jìn)行目標(biāo)檢測的準(zhǔn)確率為82%，召回率為85%，由于原始數(shù)據(jù)中的目標(biāo)較少，目標(biāo)特征比較單一，因此輸入網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)較少，導(dǎo)致最終的檢測精度不高。

圖9 距離-多普勒圖像Fig.9 Range-Doppler images

圖10 基準(zhǔn)檢測結(jié)果Fig.10 Benchmark results

2.2.2 訓(xùn)練樣本數(shù)據(jù)增強(qiáng)

為了減少網(wǎng)絡(luò)的過擬合，增加可用的訓(xùn)練目標(biāo)樣本，本實(shí)驗(yàn)驗(yàn)證了提出的基于生成模型的數(shù)據(jù)增強(qiáng)方法的有效性。在實(shí)驗(yàn)中，使用相同的網(wǎng)絡(luò)結(jié)構(gòu)和相同的訓(xùn)練參數(shù)進(jìn)行測試，相比于基準(zhǔn)算法，使用數(shù)據(jù)增強(qiáng)后，檢測準(zhǔn)確率提高了6.5%，可視化結(jié)果如圖11 所示。

圖11 數(shù)據(jù)增強(qiáng)結(jié)果Fig.11 Results based on data enhancement

由圖11 可以發(fā)現(xiàn)，當(dāng)部分目標(biāo)在距離-多普勒圖像上相對(duì)靠近的情況下會(huì)存在一定程度的漏檢，這可能是由于采用了最大池化層，使得相鄰的目標(biāo)特征進(jìn)行了一定程度的融合從而導(dǎo)致后續(xù)的檢測出現(xiàn)了漏檢的情況。但從檢測結(jié)果來看，該實(shí)驗(yàn)相對(duì)基準(zhǔn)方法具有更好的檢測精度，說明數(shù)據(jù)增強(qiáng)有助于提高網(wǎng)絡(luò)對(duì)于無人機(jī)識(shí)別的精度。

2.2.3 基于位置感知模塊的檢測結(jié)果

本實(shí)驗(yàn)采用1.3 節(jié)中圖3 描述的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行無人機(jī)目標(biāo)識(shí)別。在特征提取網(wǎng)絡(luò)后接入位置感知模塊，通過該感知模塊增加特征圖中每個(gè)像素的感受野，并融合距離多普勒圖像的鄰域信息。本實(shí)驗(yàn)的檢測結(jié)果如圖12 所示。

圖12 基于位置感知模塊檢測結(jié)果Fig.12 Detection results based on the position perception module

采用特征感知模塊對(duì)后，能在一定程度上增強(qiáng)對(duì)于相鄰目標(biāo)的檢測精確度，網(wǎng)絡(luò)可以達(dá)到91%的準(zhǔn)確率和89%的召回率，相對(duì)于基準(zhǔn)實(shí)驗(yàn)提高了9%的準(zhǔn)確率，召回率提高了3%，由此證明設(shè)計(jì)的特征感知模塊對(duì)于無人機(jī)目標(biāo)識(shí)別任務(wù)的檢測精度具有較好的效果。

2.2.4 特征感知模塊參數(shù)消融實(shí)驗(yàn)

為了對(duì)提出的特征感知模塊有效性進(jìn)行驗(yàn)證，選取不同的空洞率參數(shù)進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果見表3。從結(jié)果中可以看出，空洞率為0 檢測的召回率最低，網(wǎng)絡(luò)等效為普通卷積。但是相比表3 中的結(jié)果，該實(shí)驗(yàn)說明僅添加額外的卷積層也有助于提升準(zhǔn)確率。此外，空洞率設(shè)置為1、2 和4 時(shí)，會(huì)得到更高的召回率結(jié)果，也證明了網(wǎng)絡(luò)的增益受益于空洞卷積。此外，在空洞率設(shè)為1 時(shí)達(dá)到最高的準(zhǔn)確率和召回率。

表3 不同空洞率對(duì)特征感知模塊的影響Tab.3 Effects of the dilate rate on the feature perception module

2.2.5 基于輕量化骨干網(wǎng)絡(luò)的檢測結(jié)果

為了測試不同的特征提取骨干網(wǎng)絡(luò)對(duì)檢測精度的影響，并保證在網(wǎng)絡(luò)大小與檢測精度之間進(jìn)行較好的平衡，以達(dá)到在應(yīng)用場景下對(duì)無人機(jī)的實(shí)時(shí)性目標(biāo)檢測，將采用輕量化的MobileNet 對(duì)基于殘差模塊設(shè)計(jì)的DarkNet 進(jìn)行替換，保留橫向與縱向感知模塊來對(duì)鄰域信息進(jìn)行提取。

基于輕量化骨干網(wǎng)絡(luò)MobileNet 實(shí)現(xiàn)的無人機(jī)目標(biāo)識(shí)別網(wǎng)絡(luò)的檢測結(jié)果如圖13 所示，輕量化網(wǎng)絡(luò)在使用了位置感知模塊之后仍然可以保持較好的檢測精度和召回率，可視化結(jié)果也展示了該方法較魯棒的檢測結(jié)果。

圖13 輕量化骨干網(wǎng)絡(luò)檢測結(jié)果Fig.13 Detection results based on the lightweight backbone network

2.3 不同方法檢測結(jié)果對(duì)比

4 種實(shí)驗(yàn)檢測精度的對(duì)比見表4，添加位置感知模塊的無人機(jī)目標(biāo)識(shí)別網(wǎng)絡(luò)模型在檢測的準(zhǔn)確率和召回率方面都高于其他3 種網(wǎng)絡(luò)模型，達(dá)到了預(yù)期的檢測指標(biāo)。

表4 檢測精度和召回率對(duì)比Tab.4 Comparison of the detection accuracy and recall rate

2.4 模型參數(shù)信息統(tǒng)計(jì)

各個(gè)模型的相關(guān)參數(shù)統(tǒng)計(jì)見表5。從表中參數(shù)可以看出，采用輕量化骨干網(wǎng)絡(luò)的情況下模型的參數(shù)量和所需算力大幅降低，但是也會(huì)帶來檢測精度一定程度上的損失，在算力有限的移動(dòng)設(shè)備端可以采用該方案來實(shí)現(xiàn)無人機(jī)目標(biāo)識(shí)別，其余3 種實(shí)驗(yàn)在參數(shù)量和算力上大致相當(dāng)，而添加位置感知模塊的識(shí)別模型對(duì)于無人機(jī)目標(biāo)的檢測精度最高，處理幀率大于50 幀/s，可以滿足實(shí)時(shí)檢測的需求。

表5 網(wǎng)絡(luò)信息統(tǒng)計(jì)Tab.5 Statistics of the network information

3 結(jié)束語

本文研究了基于卷積神經(jīng)網(wǎng)絡(luò)的無人機(jī)檢測技術(shù)。針對(duì)多普勒雷達(dá)回波序列生成距離-多普勒圖像后，利用卷積神經(jīng)網(wǎng)絡(luò)的技術(shù)對(duì)圖像進(jìn)行特征提取，從而實(shí)現(xiàn)對(duì)無人機(jī)的檢測。但是本文未考慮實(shí)際中的干擾信號(hào)與虛假目標(biāo)，未來計(jì)劃在增加虛假目標(biāo)的情況下對(duì)無人機(jī)完成更加精準(zhǔn)的檢測。