汪 浩,竇賢豪,田開嚴(yán),張鵬達(dá)

(中國船舶集團有限公司第八研究院,江蘇 南京 211153)

0 引 言

目標(biāo)識別是當(dāng)前研究的熱點,傳統(tǒng)的雷達(dá)目標(biāo)判別往往依靠人工,需耗費巨大的人力與物力。尤其在復(fù)雜環(huán)境下,目標(biāo)數(shù)量較多時,人工判別的效率低下,研發(fā)智能識別系統(tǒng)的需求越來越迫切[1]。

雷達(dá)目標(biāo)識別領(lǐng)域已有多項研究,如文獻(xiàn)[2]建立了空中目標(biāo)微多普勒運動的理論模型,結(jié)合根據(jù)理論模型仿真產(chǎn)生的仿真數(shù)據(jù)和窄帶雷達(dá)錄取的實測數(shù)據(jù),分析了目標(biāo)微多普勒調(diào)制特性的差異,利用微多普勒調(diào)制的差異來實現(xiàn)空中目標(biāo)的分類。文獻(xiàn)[3]利用回波時域幅度調(diào)制信息的幅度偏差系數(shù)作為調(diào)制特征,提出了一種最近鄰分類器的設(shè)計方法實現(xiàn)分類。但是航跡級識別的相關(guān)文獻(xiàn)較少,缺乏有效的應(yīng)用。

航跡級識別可直接利用的信息較少,想要達(dá)到好的識別效果,需要雷達(dá)自身有良好的探測性能、信號處理和數(shù)據(jù)處理能力,給出的航跡數(shù)據(jù)足夠準(zhǔn)確。航跡識別還依賴于當(dāng)?shù)丨h(huán)境,例如道路、海域、鳥群節(jié)律,以區(qū)分車輛、船舶、飛鳥等特定目標(biāo),這需要一定的工作量。但它也有自身獨特的優(yōu)勢,航跡級識別的工程實現(xiàn)相對簡單,軟件的通用性、可移植性非常好,只需要雷達(dá)給出目標(biāo)航跡信息就能應(yīng)用。航跡級識別還可以作為其他識別手段的補充措施,與微動特性識別、電偵、紅外或者光電識別相結(jié)合,可達(dá)到更好的識別效果[4]。它對于民航、直升機等穩(wěn)定目標(biāo)的識別準(zhǔn)確率也較高。如何區(qū)分具有相似航跡的不同目標(biāo),是較大的難點,可以根據(jù)回波幅度、目標(biāo)雷達(dá)截面積(RCS)等進(jìn)行補充。

1 雷達(dá)航跡分類

在某型雷達(dá)的實際探測中,典型的目標(biāo)航跡有5類:無人機、飛鳥、直升機、民航飛機和其他不明目標(biāo)(包含地雜波、車輛及行人等)。在實際探測中發(fā)現(xiàn),民航和直升機往往高度較高、速度較快,在雷達(dá)探測空域內(nèi)基本做直線或簡單的曲線運動。而“低慢小”目標(biāo)及地雜波的識別,僅靠人工判別相當(dāng)困難,它們的航跡較為復(fù)雜,變化頻率快,航跡數(shù)目較多。本研究實測了一部分飛鳥與無人機的航跡數(shù)據(jù),航速對比見圖1。

圖1 無人機與飛鳥航速對比

兩者的運動學(xué)特征存在著一定差異,雷達(dá)所探測的無人機數(shù)據(jù)相對穩(wěn)定,而鳥類數(shù)據(jù)波動較大。對于無人機做復(fù)雜的高機動、無規(guī)律運動情況,本文暫不予考慮。其他不明目標(biāo)的航跡與“低慢小”等空中目標(biāo)的航跡差別較大,在回波幅度、高度等參數(shù)上的波動更為明顯,尤其地物雜波的各項參數(shù)往往呈無規(guī)律的波動。

以上5類目標(biāo)的航跡各有其特征,在運動學(xué)上有一定差異。雷達(dá)所給出的目標(biāo)批號信息的差異性使得應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)判別成為一個有效途徑。在工程應(yīng)用中,目標(biāo)的分類閾值需要通過人工標(biāo)記的方法進(jìn)行準(zhǔn)確的驗證和設(shè)定,確保算法的識別效果。

2 基于CNN的航跡分類識別

2.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)集的構(gòu)建:目標(biāo)分為5類,包括無人機、鳥、民航、直升機、其他目標(biāo)(包含地物雜波、車輛等)。雷達(dá)所上報的目標(biāo)航跡信息通常是不穩(wěn)定的,需要人工或者在代碼中濾除不穩(wěn)定數(shù)據(jù),保留準(zhǔn)確部分,保證數(shù)據(jù)集的準(zhǔn)確性。

表1 無人機航跡原始數(shù)據(jù)

表2 對數(shù)處理后的數(shù)據(jù)

2.2 ResNet模型構(gòu)建

基于運動學(xué)特征的雷達(dá)航跡分類問題本質(zhì)上是一個時間序列分類問題,本文不將航跡轉(zhuǎn)化為圖像進(jìn)行處理,只需采用一維卷積神經(jīng)網(wǎng)絡(luò)[6]。ResNet殘差網(wǎng)絡(luò)常用于圖像分類檢測任務(wù),將其中的二維卷積改為一維卷積,則可很好地應(yīng)用于雷達(dá)航跡分類。在卷積塊間增加殘差連接,可以將全卷積網(wǎng)絡(luò)(FCN)擴展為深層網(wǎng)絡(luò)結(jié)構(gòu)[7],如圖2所示。

圖2 殘差網(wǎng)絡(luò)結(jié)構(gòu)

卷積塊包括一維卷積層、批量歸一化層和激活函數(shù),一維卷積層用以提取數(shù)據(jù)的局部特征,卷積后經(jīng)由批量歸一化層與激活函數(shù)完成非線性變換:

(1)

式中:*為卷積符號;x為輸入向量;W為卷積核的權(quán)值矩陣;b為偏置向量;BN為批標(biāo)準(zhǔn)化函數(shù);ReLU為激活函數(shù);H1、H2、H3為中間運算結(jié)果。

3個卷積塊組成全卷積網(wǎng)絡(luò)。航跡序列為多變量序列,卷積核的維數(shù)選擇與其維數(shù)相同。殘差塊的濾波器數(shù)量分別為64、128和128,可以表示為:

(2)

式中:h1、h2、h3、h4為中間運算結(jié)果。

采用全局平均池化層(GAP)取代全連接層,傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)常用全連接網(wǎng)絡(luò)降維,但全連接層在特征降維過程中的參數(shù)量過大,訓(xùn)練速度降低且容易產(chǎn)生過擬合。采用全局平均池化的降維方法可以極大地降低參數(shù)量,防止過擬合,有:

h=GAP(h4)

(3)

式中:h為全卷積網(wǎng)絡(luò)的輸出。

采用交叉熵代價函數(shù)來定義損失值,當(dāng)損失值越大時,調(diào)整梯度就越大,訓(xùn)練速度就越快。激活函數(shù)為Softmax,用于航跡多分類的輸出。由GAP組成最后的特征向量,送入Softmax中進(jìn)行計算,預(yù)測出當(dāng)前目標(biāo)各類型的置信度Y:

Y=Softmax(h)

(4)

2.3 連續(xù)識別策略

為了取得良好的識別效果,還需要考慮以下策略。

(1) 單次識別:以上CNN模型的輸入維度為固定值,例如每k個航跡點識別一次信息,對于一條包含N個點的目標(biāo)航跡,每經(jīng)過k個航點,都向神經(jīng)網(wǎng)絡(luò)中輸入一次k×5維的矩陣,得到一次識別結(jié)果,因此總共得到N-k+1個單次識別結(jié)果。

(2) 全局判定:僅采用單次識別,取置信度最高的目標(biāo)類型,會導(dǎo)致同一個目標(biāo)的識別結(jié)果可能不停變化(由于每k個點重新識別一次,而雷達(dá)的探測結(jié)果并非總是穩(wěn)定的)。為了盡量保持識別結(jié)果穩(wěn)定,需要考慮全局策略。對于N個點的目標(biāo)航跡,歷次單次識別累計概率的最大值為:

(5)

式中:k為單次識別所需的航跡點數(shù);i為目標(biāo)類型的序號;Pij為在第j次單次識別中,Softmax函數(shù)所給出的目標(biāo)類型為i的概率。

Psum所對應(yīng)的目標(biāo)類型即為全局判定的類型。

(3) 局部判定:由于雷達(dá)航跡的不穩(wěn)定,一條航跡不一定會對應(yīng)同一個目標(biāo),可能會關(guān)聯(lián)到另一種目標(biāo),因此需要考慮目標(biāo)類型發(fā)生變化的情況。局部判定包含2種策略:①在近期的數(shù)個航點中,回波幅度為0的航點占比過高,則立刻判定為“其他”。②當(dāng)一個目標(biāo)的單次識別結(jié)果持續(xù)為一種新的目標(biāo)類型,則認(rèn)為已經(jīng)從舊的目標(biāo)關(guān)聯(lián)到了新的目標(biāo),立刻判定此目標(biāo)類型,并且清空所有歷史信息。

局部判定在策略中的優(yōu)先級高于全局判定。

(4) 異常懲罰:航跡中存在推測點以及異常點,通常這些點的回波幅度為0,或者航跡信息中出現(xiàn)異常值(如航速過高、高度異常等)。另外,航跡末尾存在外推數(shù)據(jù),外推數(shù)據(jù)的回波幅度為0。針對以上航點,給出2種懲罰策略:①航點不送入神經(jīng)網(wǎng)絡(luò),當(dāng)前的單次識別結(jié)果判為“其他”,識別概率寫一個固定的懲罰值。②統(tǒng)計整條航跡的異常點比例,當(dāng)達(dá)到一定的百分比后,強制判定目標(biāo)類型為“其他”(在全局判定的時候?qū)崿F(xiàn))。

因此,目標(biāo)的連續(xù)識別策略如圖3所示。

圖3 連續(xù)識別策略

3 模型訓(xùn)練與雷達(dá)實測

3.1 模型訓(xùn)練

本文采用某型雷達(dá)實測獲得的目標(biāo)航跡數(shù)據(jù),飛行過程中的機動運動較少。數(shù)據(jù)集規(guī)模如表3所示。

表3 數(shù)據(jù)集規(guī)模

取優(yōu)化器為SGD優(yōu)化器,學(xué)習(xí)率為1e-5,學(xué)習(xí)率衰減為1e-6,取數(shù)據(jù)集中的10%為驗證集,迭代600次,模型訓(xùn)練結(jié)果見圖4。

圖4 SGD優(yōu)化器訓(xùn)練結(jié)果

測試集的準(zhǔn)確率不到40%,反復(fù)測試后結(jié)果仍不理想,改用Adam優(yōu)化器重新訓(xùn)練,迭代1 000次,結(jié)果如圖5所示。

圖5 Adam優(yōu)化器訓(xùn)練結(jié)果

訓(xùn)練集的準(zhǔn)確率達(dá)到98%,測試集準(zhǔn)確率收斂于90%。將該模型應(yīng)用于實際探測,截取部分探測與識別數(shù)據(jù)見表4～表6。

表4 直升機數(shù)據(jù)及識別結(jié)果

表5 無人機數(shù)據(jù)及識別結(jié)果

表6 飛鳥數(shù)據(jù)及識別結(jié)果

模型對于民航、直升機和穩(wěn)定飛行的無人機的識別準(zhǔn)確率較高,置信度在0.85以上,但是也存在目標(biāo)類型誤報的現(xiàn)象,例如有部分鳥類航跡被誤判成無人機等。當(dāng)飛鳥航跡非常穩(wěn)定,置信度向無人機靠攏;當(dāng)飛鳥航跡波動變大,置信度向“其他”靠攏。典型的飛鳥識別數(shù)據(jù)見表6,其中對飛鳥的置信度為0.5～0.6,此時對無人機的置信度為0.1～0.2。

3.2 連續(xù)識別策略應(yīng)用

在某機場架設(shè)了雷達(dá)進(jìn)行探測,某日單次識別的民航航跡如圖6所示(左上角設(shè)置了靜默區(qū)域)。

圖6 民航單次識別結(jié)果

由于民航在起降階段的速度和高度較低,和鳥類的航跡有一定重疊,在當(dāng)日的單次識別結(jié)果中,有很多鳥類的飛行點跡和一部分的雜波剩余被誤判為民航。圖6中的識別結(jié)果較為混亂。應(yīng)用連續(xù)識別策略,增加局部判別和異常懲罰,繼續(xù)采集數(shù)據(jù),某日下午民航識別結(jié)果如圖7所示。

圖7 民航識別結(jié)果2

由圖7可見識別結(jié)果得到了明顯改善,但仍存在部分孤立的雜散點跡,經(jīng)檢查其航速和回波幅度異于民航,將這類數(shù)據(jù)在異常懲罰中加以限制,再次采集數(shù)據(jù)進(jìn)行民航識別,如圖8所示。

圖8 民航識別結(jié)果3

圖8中的雜散點跡基本得到抑制,并且民航航跡也被較好地保留,能和飛鳥數(shù)據(jù)有效區(qū)分。

4 結(jié)束語

本文基于實測的雷達(dá)目標(biāo)航跡數(shù)據(jù),搭建了ResNet網(wǎng)絡(luò),實現(xiàn)了對目標(biāo)航跡的檢測與識別。實驗表明,基于卷積神經(jīng)網(wǎng)絡(luò)的航跡級目標(biāo)分類方法能夠有效應(yīng)用。在未來的工作中,會進(jìn)一步研究無人機機動變化情形,以及鳥類和飛行器更有效的辨別方法。