基于卷积神经网络的多通道合成孔径雷达动目标检测方法

技术领域

本发明涉及基于卷积神经网络的多通道合成孔径雷达动目标检测方法，属于地面慢速或小目标检测技术领域。

背景技术

合成孔径雷达(SAR)是一种高分辨率成像雷达，在军事民用领域均具备重要作用。地面动目标指示(GMTI)作为SAR技术的重要扩展，能够实现预警与测绘相结合，是近年来雷达信号领域的研究热点之一。随着人们对雷达系统检测性能提升的需求日益增加，对于现有的SAR/GMTI系统，如何在复杂的探测环境中实现地面慢速或小目标的检测成为了一个核心问题。

传统的单通道动目标检测方法由于受到空域自由度的限制，导致检测性能并不能达到令人满意的效果。鉴于这种情况，研究者将阵列信号处理技术与SAR相结合，提出采用多通道SAR实现地面动目标检测的方法。该技术通过空时二维处理，极大地提高了现有机载SAR系统对地面慢速目标的检测能力。目前，根据检测前是否采用杂波对消或抑制步骤，可将现有的多通道SAR地面动目标检测技术分为两类，第一类是以空时自适应处理(STAP)和偏移相位中心天线(DPCA)为代表，此类技术采用多通道信号实现，多通道之间杂波对消后，根据图像素幅度实现动目标的检测。第二类是以沿航迹干涉(ATI)SAR技术和单脉冲SAR为代表，此类技术通过多通道之间的相互关系，设置干涉相位或单脉冲和差比为检验统计量，由于统计量上的不同，可用来区分杂波和动目标，从而实现动目标的检测。

上述这些方法，在实际中均具备可行性，且一些算法的性能在实际系统中已经得到了验证。然而，这些方法在实际处理中同样存在着各自的一些问题，这些问题主要包括：(1)现有绝大多数算法均假设杂波背景服从高斯分布且为均匀杂波，但在实际处理中这一条件很难满足，特别是在城市、港口等一些复杂的背景中，从而导致各种算法的检测性能下降；(2)实际处理中，以SAR-STAP为代表的“最优”自适应检测方案和以ATI等技术为代表的非自适应处理方案各有优势。如在一些强杂波背景中，SAR-STAP技术并不能像理论上实现杂波完全对消。因此强杂波背景中，必然受到强杂波剩余的影响，导致检测效果变弱。但是以ATI技术为代表的检测方法，反而在强杂波条件下性能比较稳定(因为与噪声相比，杂波的干涉相位相对稳定)。因此，多种检测算法在不同条件下各有优势，而现有的检测器并没有做到互相取长补短。(3)现有多通道SAR杂波抑制算法对目标的径向速度敏感，而对切向速度并不敏感，因此，当动目标仅具备切向运动时(或径向速度分量较小)，往往难以通过检测。对于切向运动目标的检测，往往需要通过其他技术实现，如采用自聚焦技术等。这些问题的存在，说明了现有的多通道SAR/GMTI技术还需要进行改进，存在性能提升空间。

近年来，卷积神经网络(CNN)越来越受到广大学者的关注，并被用于处理复杂结构的高维数据中，从中学习到有效特征。在2012年ImageNet图片分类比赛上，Hinton团队采用深度学习算法设计的AlexNet模型获得冠军之后，逐渐成为科学界的关注热点。2014年Chridtian Szegedy提出了一种全新的深度学习网络GoogleNet，与之前通过增大网络结构深度的AlexNet、VGG等不同，从多个尺寸上进行卷积再聚合的角度来提升训练结果。经过R-CNN和Fast RCNN的积淀，Ross B.Girshick在2016年提出了新的Faster RCNN，在结构上，Faster RCNN已经将特征抽取、RPN、Roi Pooling以及分类都整合在了一个网络中，使得综合性能有较大提高，在检测速度方面尤为明显。2017年CVPR最佳论文DenseNet，该网络提出了一个更激进的密集连接机制，而且DenseNet是直接通道连接来自不同层的特征图，这可以实现特征重用，提升效率。由于深度学习在其他领域的巨大成功，为雷达领域提供了新的研究思路，现有研究主要集中在传感、雷达信号处理(RSP)和自动目标识别(ATR)。然而在深度学习SAR/GMTI方面的研究还处于起步阶段，2019年包金玉等人提出利用Faster R-CNN检测SAR图像中慢速运动目标的方法，使用双向成像模式创建数据集，通过增大运动目标位移，从而实现对运动目标的检测。2020年丁金山等人提出通过改进的基于密度的聚类算法来过滤视频SAR中神经网络对运动目标阴影的每帧检测结果，并利用设计的Bi-LSTM网络可以抑制检测中的漏警，提高检测性能。这些算法都在一定程度上解决了某些情况下的动目标检测问题，但是目前并没有应用在多通道SAR动目标检测上，因此，探索该方面的应用具备必要性。

发明内容

本发明所要解决的技术问题是：提供基于卷积神经网络的多通道合成孔径雷达动目标检测方法，提高了复杂探测环境下地面慢速或小目标检测的性能。

本发明为解决上述技术问题采用以下技术方案：

基于卷积神经网络的多通道合成孔径雷达动目标检测方法，包括如下步骤：

步骤1，获取n通道雷达实测数据和仿真数据，基于实测数据和仿真数据构建仿真-实测混合样本集，所述仿真-实测混合样本集包括动目标样本和杂波样本；

步骤2，采用独热编码形式对仿真-实测混合样本集中的样本加标签，其中，动目标样本加目标存在的标签，杂波样本加目标不存在的标签；

步骤3，构建卷积神经网络模型，该模型的网络结构包括依次连接的输入层、第一卷积层、第二卷积层、第三卷积层、展平层、第一全连接层、第二全连接层和输出层，其中，第一卷积层、第二卷积层和第三卷积层均包括依次连接的卷积层、批量标准化层、激活函数和最大池化核；

步骤4，对于加了标签的仿真-实测混合样本集中的样本，将其实部虚部分开，整合为2n通道数据输入卷积神经网络模型进行训练，得到训练好的卷积神经网络模型参数；

步骤5，将训练好的卷积神经网络模型参数导入卷积神经网络模型，采用滑窗形式对待检测的雷达实测数据进行检测，获得检测图像。

作为本发明的一种优选方案，所述步骤1的具体过程如下：

1.1，获取雷达仿真数据，具体为：采用沿航迹排列的n个通道同时接收仿真雷达回波数据，n个通道接收的仿真雷达回波数据经过成像和配准后，得到n通道SAR复图像数据，即动目标；

1.2，获取雷达实测数据，将实测数据中的杂波背景与动目标进行叠加作为动目标样本；

1.3，将实测数据中不含动目标的静止场景图像作为杂波样本。

作为本发明的一种优选方案，步骤3所述激活函数采用带泄露修正线性单元函数。

作为本发明的一种优选方案，步骤3所述第一卷积层、第二卷积层和第三卷积层的卷积核均为3×3，通道数依次为32、64和128，第一全连接层和第二全连接层的通道数依次为256和128。

作为本发明的一种优选方案，步骤3所述第一全连接层和第二全连接层的激活函数后面均加正则化，以防止过拟合。

作为本发明的一种优选方案，步骤3所述卷积神经网络模型采用指数衰减学习率。

作为本发明的一种优选方案，步骤5所述滑窗窗口大小等于仿真-实测混合样本集中样本大小。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1、本发明采用仿真-实测混合样本集作为训练样本，然后在AlexNet卷积神经网络的结构上进行改进，大大减小损失函数值，使得卷积神经网络达到更好的动目标检测效果。

2、本发明提出的CNN架构由多个复杂的隐藏层结构组成，每个较低层的输出作为更高层的输入，可以发现变量之间的真正关系形式，从大量的输入数据中学习到有效的特征。由于网络隐层的增加，从而拥有强大的拟合和泛化能力。并且CNN无需人工标注特征，能够利用多个非线性单元自动提取更抽象和更有用的特征。

3、本发明解决了现有多通道SAR系统地面动目标检测算法面临的复杂探测环境中检测性能下降，对切向运动目标不敏感等问题。

附图说明

图1是本发明多通道SAR回波模型图。

图2是本发明基于卷积神经网络的多通道合成孔径雷达动目标检测方法的整体架构图。

图3是本发明用于多通道SAR动目标检测CNN网络示意图。

图4是仿真动目标样本示例，其中，(a)是仿真动目标样本单个通道SAR图像，(b)是仿真动目标样本杂波抑制输出图，(c)是仿真动目标样本干涉相位图。

图5是实测杂波样本示例，其中，(a)是实测杂波样本单个通道SAR图像，(b)是实测杂波样本杂波抑制输出图，(c)是实测杂波样本干涉相位图。

图6是网络训练图，其中，(a)是网络训练时指数衰减学习率曲线，(b)是网络训练结果图。

图7是第一组实测数据，其中，(a)是第一组实测数据图，(b)是第一组实测数据的神经网络检测图，(c)是第一组实测数据的CFAR检测图。

图8是第二组实测数据，其中，(a)是第二组实测数据图，(b)是第二组实测数据的杂波抑制输出图，(c)是第二组实测数据的神经网络检测图，(d)是第二组实测数据的CFAR检测图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

机载多通道SAR回波信号模型如图1所示。定义载机飞行方向为X轴，飞行速度为v

因此，由1、2两通道接收到的Q点回波信号会存在不同的相位，其相位差(即干涉相位)为：

经过成像及图像配准等相关处理后，将该目标所在像素单元对应的多通道信号采用矢量形式表示，则可得该目标在图像域的空域快拍为：

x＝ρz

式中，ρ、z分别为动目标幅度和导引矢量，z可表示为：

式中，

在上述讨论时，并没有对Q点的运动特性限定，即出现在同一地面位置的运动目标和杂波回波信号的空域响应相同。下面我们再对目标Q的多普勒信息进行分析，此时，首先假设Q为杂波(静止目标)，由于载机运动引起的相对运动，其多普勒频率可表示为：

而当Q点为运动目标，设其相对于雷达的径向速度为v

可见，处于地面同一方位的杂波与运动目标具有不同的多普勒频率，因此，经过SAR成像后会处于图像中不同的方位(多普勒)单元内。同理，对于图像中同一像素单元的运动目标与杂波，其实际位置处于不同的地面方位上，故两者由不同通道接收造成的相位差不同。

鉴于这一原理，本发明提出一种基于卷积神经网络的多通道SAR动目标检测方法。CNN的架构是由多层非线性运算单元组成的，每个较低层的输出做为更高层的输入，试图找到数据的内部结构，发现变量之间的真正关系形式，从大量的输入数据中学习到有效的特征。如图2所示，包括以下步骤：

1)采用沿航迹排列的多个通道同时接收数据，经过成像和配准后，得到n通道SAR复图像，截取训练所需大小的区域块，将数据实部虚部分开，整合为2n个通道数据输入卷积神经网络训练；

2)利用深度学习高维特征泛化学习能力，设计一种基于卷积神经网络的多通道SAR地面动目标检测方法，其包含三层卷积层和两层全连接层，最终由分类器输出结果；

3)对样本标签采用独热编码形式，分为目标存在和目标不存在两类，目标不存在为[1 0]和目标存在为[0 1]，以便采用分类问题解决；

4)针对雷达实测数据较少，动目标样本更难获得的问题，提出基于仿真-实测混合样本集的网络训练方法完成网络的高精度训练；

制作样本过程为：仿真产生具备不同功率和不同速度的高逼真运动目标，并将其与实测杂波背景进行叠加作为动目标样本，另外实测数据中不含动目标的静止场景图像作为杂波样本。

5)训练好的网络模型参数导入网络框架，采用滑窗形式检测雷达实测数据，获得检测图像；

检测实测数据动目标过程为：将训练好的网络模型参数导入网络框架，设定和训练样本图像大小一样的滑窗窗口，对实测数据图逐单元格检测，并将检测结果逐单元格填入，获得检测图像。

如图3所示，设计的网络结构包含三层卷积核为3×3的卷积层，数量分别为32个、64个和128个，激活函数采用带泄露修正线性单元。此外，本发明采用批量标准化层代替原来的局部响应归一化层，放在卷积层之后。使用最大池化对图像进行下采样，选取每个池化窗中的最大值，可以有效的提高网络运算速度，同时提高所提取特征的鲁棒性。接下来利用展平层，对输入的特征数据整型成一维数据，依次对256和128个神经元进行全连接，并在每个全连接层的激活函数后面加正则化防止过拟合，最后通过分类器进行分类。此外，采用指数衰减学习率，在训练初期选用较大的学习率，随着训练的推移，学习率下降，使网络更快的得到最优解。

由于相对于其他研究领域，雷达因为其独特的军事背景，导致可用于网络训练的公开实测数据样本难以获取，特别是配合动目标更是稀少(必须在录取数据时同时采用地面配合目标实验)，获取动目标的实测数据更为困难。鉴于这一情况，提出采用仿真-实测混合样本集实现网络训练的方法。首先可根据多组实测数据的雷达参数，飞行中数据采集几何关系，仿真产生具备不同功率和不同速度的高逼真运动目标，并将其与实测杂波背景进行叠加得到动目标数据集，如图4的(a)、(b)和(c)所示；而实测数据中不含动目标的静止场景图像则作为杂波数据集，如图5的(a)、(b)和(c)所示。

如图6所示，其中(a)为网络训练时指数衰减学习率曲线；(b)为网络训练的结果图，其中增长的曲线是卷积神经网络验证识别准确率曲线，下降曲线是验证数据得到的损失函数值曲线，随着损失值越小代表求解的目标函数越优，第50次迭代时准确率高达99.95％，损失函数值低至0.015494。由图可知设计的网络训练过程更稳定，波动性小，并且准确率和损失函数值更为理想。

为了检验卷积神经网络的性能，采用该网络对两组X波段机载雷达实测数据进行了动目标检测处理，为了与现有方法进行对比，同样采用了SAR-STAP级联单元平均CFAR检测的经典方法对数据进行了处理。如图7的(a)、(b)和(c)所示，在同一探测区域内有五个地面配合目标(Q1～Q5)，还有三个非配合目标(Q6～Q8，由其他多种方法检测确定)，神经网络检测效果更优于CFAR检测，所有目标皆被检测出，并且虚警率更低。为了进一步验证神经网络的优异性，如图8的(a)、(b)、(c)和(d)所示，选取了包含较多强杂波背景的实测数，可以看出当杂波抑制后的场景中存在较多的孤立强散射点时(如城市背景)，会导致CFAR检测实际虚警率急剧上升，使得检测性能下降，相比较而言，卷积神经网络更能提取深层特征，在较多孤立强散射点时也能表现出较为优秀的性能。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。