CN110363151A - 基于双通道卷积神经网络虚警可控的雷达目标检测方法 - Google Patents

Abstract

本发明涉及基于双通道卷积神经网络虚警可控的雷达目标检测方法，属于雷达信号处理技术领域。首先，雷达回波信号预处理，用信号时频信息和幅度信息构建训练数据集；然后，构建双通道卷积神经网络模型，包括双通道特征提取网络，特征融合网络和虚警可控分类器，输入训练数据集对双通道卷积神经网络模型进行迭代优化训练，得到最优网络参数和判决阈值；最后，对实时雷达回波信号预处理，输入训练后的双通道卷积神经网络模型进行测试，完成目标检测。本发明专利适用于复杂环境下雷达目标检测，智能提取和融合雷达信号多维特征，提升检测性能，并实现虚警率控制，满足雷达目标检测实际需求。

Description

基于双通道卷积神经网络虚警可控的雷达目标检测方法

技术领域

本发明属于雷达信号处理技术领域，更具体地，本发明涉及一种基于双通道卷积神经网络虚警可控的雷达目标检测方法，可用于雷达目标检测智能处理。

背景技术

雷达目标的检测与分类在军事和民用等领域有广泛应用，但受复杂环境产生的杂波或噪声以及目标类型多样化的影响，可靠和稳健的雷达目标检测和分类始终是需要研究的关键技术之一。目前雷达目标的检测与识别的难点主要在于背景抑制、目标高分辨特征提取、复杂特征分类等。传统的检测方法通常基于统计理论，将背景视为随机过程，但由于目标和背景模型的多样化趋势，该方法在复杂背景下难以实现高性能检测。

近年来迅速发展的深度学习方法是一种高效的智能处理方法，该方法适合挖掘更高维度的抽象特征，具有良好的泛化能力，并且在雷达领域开始得到应用。基于深度学习和多普勒雷达的人体姿态识别方法已用于手势指令识别、步态识别、异常姿态(如跌落、溺水)检测等领域。此外，在高分辨距离像、微多普勒谱图和距离多普勒谱图等识别中也有非常好的应用前景。目前常用的深度学习模型包括卷积神经网络(Convolutional NeuralNetwork，CNN)、循环神经网络(Recurrent Neural Network，RNN)、深度置信网络(DeepBelief Network，DBN)等。其中CNN是在计算机视觉中最常用的算法，该方法不仅可以实现高精度的分类，而且可直接输入原始图像，在特征提取过程中也不需人为干预。在徐丰等人提出的对于地面不同装甲目标的识别方法准确率已达到99.13％。由于微动特性具有时变性，时频图是一种有效的分析工具。因此，将深度学习用于目标的检测既可以充分利用目标微动信息，又可以发挥深度学习方法在图像处理上的优势，实现目标微动信号的智能化提取和识别。

与其他图像分类不同，将CNN用于杂波或噪声背景中的雷达信号检测和分类有两个需要重点考虑的问题：一是由于复杂环境影响，背景有时会在时间-多普勒谱上表现出于目标类似的特征，仅用时频图对目标背景信号进行分类时准确率较低。二是雷达目标检测不仅要尽可能提高检测性能，还要保证虚警可控，传统的恒虚警检测(Constant FalseAlarm Rate,CFAR)是基于背景单元的统计分布特性确定的自适应门限，而CNN的各层网络的输出难以得到确定的特征统计特性，现有的CNN检测方法多从图像本身统计虚警性能，如SAR图像CNN检测，针对回波信号本身的CNN检测方法研究较少，与CNN结合时大多未考虑虚警的影响，因此不满足实际雷达应用需求。

本专利提出了一种基于DCCNN(Dual Channel Convolutional Neural Networks，双通道卷积神经网络)和虚警可控二元分类器的雷达目标检测方法，双通道CNN同时对雷达信号多普勒信息和回波幅度信息进行特征提取，提高目标、背景分类准确率，并对虚警概率进行控制，满足实际应用需求。

发明内容

本发明的目的在于将基于深度学习的数据分类方法应用于雷达目标检测领域，提高雷达目标检测性能，提出一种基于双通道卷积神经网络虚警可控的雷达目标检测方法。其中要解决的技术问题包括：

(1)基于统计模型的检测方法仅在假设的统计模型条件下性能才能达到最优，且大多对信号幅度信息进行处理，难以适应变化多样的复杂背景和多类型目标场景；

(2)深度学习是一种数据驱动的方法，训练数据对模型性能其决定性影响，基于单通道的CNN只对一类目标信息进行处理，当目标与背景该信息特征类似时，单通道CNN难以实现高性能分类；

(3)现有的CNN图像分类模型以分类准确率、召回率等为性能评价指标，未充分考虑虚警率影响，难以满足实际雷达应用需求。

本发明所述的基于双通道卷积神经网络虚警可控的雷达目标检测方法，其特征在于包括以下技术措施：

步骤一、雷达回波信号预处理，用信号时频信息和幅度信息构建训练数据集；

步骤二、构建双通道卷积神经网络(DCCNN)模型，包括双通道特征提取网络，特征融合网络和虚警可控分类器；

步骤三、输入训练数据集对双通道卷积神经网络模型进行迭代优化训练，得到最优网络参数和判决阈值；

步骤四、对实时雷达回波信号进行预处理，输入训练后的双通道卷积神经网络模型进行测试，完成目标检测。

对比现有技术，本技术方案所述的基于双通道卷积神经网络虚警可控的雷达目标检测方法，有益效果在于：

(1)突破传统统计检测方法的限制，能够实现复杂环境下雷达目标智能检测；

(2)该方法克服单通道神经网络特征提取的不足，同时对雷达回波信号中的时频信息和幅度信息进行特征提取和融合处理，提升雷达目标检测性能；

(3)该方法在奈曼皮尔逊准则(Neyman-Pearson Criterion)基础上，结合softmax函数，构建了虚警可控分类器，实现虚警率控制。

附图说明

附图1是基于双通道卷积神经网络虚警可控的雷达目标检测方法的实施流程图。

附图2是DCCNN模型结构图。

附图3是双通道卷积神经网络通道1结构图示例。

附图4是双通道卷积神经网络通道2结构图示例。

具体实施方式

对照附图1，本发明的处理流程分以下步骤：

1)雷达信号预处理，训练数据集构建

(1)雷达信号预处理：

采集多种观测条件和区域下的雷达回波数据，确保采集数据样本的多样性，根据采集信息，分离目标所在距离单元信号和背景距离单元信号时间序列，根据设定样本观测时长对雷达信号时间序列截取，得到信号样本序列，对每个信号样本序列分别进行时频分析和取模运算，得到样本的时频信息和幅度信息，并进行归一化。

(2)训练数据集构建：

由于在训练过程中，每个样本会多次输入网络进行处理，为减少时频变换运算次数，先将数据进行预处理，用预处理后的数据作为数据集。训练数据集包含多个信号样本矩阵和对应标签，根据目标的位置信息，判断各个时刻雷达信号中目标回波所处的距离单元，将该距离单元数据取出，作为目标数据，用于构建目标训练样本；除目标单元、目标单元相邻的距离单元以外的数据为背景数据，用于构建背景样本；每个样本矩阵包括信号时频图和幅度向量两部分，时频图为方阵，幅度向量为1维数组，当时频图不进行压缩时，幅度向量长度与时频图边长相等，直接将时频图和幅度向量上下拼接构成信号样本矩阵：

其中，x_sample为数据样本，tf为时频图，amp为幅度向量；

若时频图进行压缩，将幅度向量后补0至压缩后时频图边长的整数倍，然后将补0后的幅度向量截取成多个长度与时频图边长相等的序列并上下拼接，再将压缩后的时频图和截取拼接后的幅度向量上下进行拼接：

2)构建数据集和目标检测模型

对照附图2，构建的DCCNN目标检测模型结构分为三部分：双通道特征提取网络、特征融合网络、虚警可控分类器，其中，双通道特征提取网络由卷积神经网络(如LeNet、AlexNet、VGG等)的卷积层、池化层、全连接层组成，实现信号特征提取功能；特征融合网络将双通道特征提取网络的两个通道的输出进行融合；虚警可控分类器根据判决阈值对融合后的特征进行分类，实现雷达目标检测。

设DCCNN输入信号矩阵为x，P＝{x₁，x₂，x₃，…，x_i，…x_n}为输入共享卷积神经网络特征图的集合，则第i个信号对应的特征图矩阵为x_i。

(1)双通道特征提取网络

双通道特征提取网络包括输入层、通道1和通道2，输入层通过对输入信号矩阵进行拆分操作，将矩阵中时频图和幅度向量分离并分别输出至两个特征提取通道，每个通道采用任意一种卷积神经网络(如LeNet、AlexNet、VGG等)中的卷积层、池化层、全部或部分全连接层。

a)通道1

以LeNet为例，如附图3所示，由LeNet除最后一层输出层以外的层组成：第一层卷积层通过卷积核k¹对输入的特征图x₁进行卷积操作，使用偏置系数b₁扩充卷积区域，使边缘特征能够更完整的提取，自动提取特征图中信号的特征，然后经过ELU激活函数引入非线性因素，其中α为调节参数，ELU激活函数收敛速度快，鲁棒性增强并且能缓解梯度消失。

则输出的j个特征图，

其中，表示第一层对第i个特征图进行卷积操作的第j个卷积核，表示第一层中与第j个卷积核相对应的第j个偏置系数，表示卷积操作，L_j为输入的特征图集合，表示第一层输出的第j个特征图；

第二层池化层通过池化函数对y¹进行下采样，降低数据维度和减少运算量，得到第二层输出的第j个特征图池化函数采用平均池化，

其中，函数为平均池化函数，表示在每个大小为c×c池化核窗口内取特征图矩阵的平均值，c为设定的池化核大小；

第三层卷积层通过卷积核k³对第二层输出的第j个特征图进行卷积操作，使用偏置系数b³扩充卷积区域，M_j为输入的特征图集合，则输出第j个特征图

其中，表示第三层对第i个特征图进行卷积操作的第j个卷积核，表示第三层中与第j个卷积核相对应的第j个偏置系数，表示第三层输出的第j个特征图；

第四层池化层通过池化函数对第三层输出j个的特征图进行下采样，输出的第j个特征图池化函数采用平均池化，

第五层卷积层通过卷积核k⁵对第四层输出的第j个特征图进行卷积操作，使用偏置系数b⁵扩充卷积区域，L_j为输入的特征图集合，则输出第j个特征图

由于该层卷积核尺寸为1×1，因此该层也可看做全连接层；

第六层全连接层输出节点数为84，通过权值矩阵w₆对第5层输出的特征向量进行矩阵乘法运算，并加偏置系数b₆。L_c2为输出特征矩阵：

L_c2＝f(w₆L₅+b₆)。

b)通道2

以VGG19为例，如附图4所示，由VGG19除最后一层输出层以外的层组成：第一层卷积层通过卷积核k^2,11对输入x₂进行卷积操作，使用偏置系数b^2,11扩充卷积区域，M_j为输入的特征图集合，则输出第j个特征图

其中，表示第一层对第i个特征图进行卷积操作的第j个卷积核，表示第一层中与第j个卷积核相对应的第j个偏置系数，表示第三层输出的第j个特征图；

第二层卷积层通过卷积核k^2,12对第一层输出y^2,11进行卷积操作，使用偏置系数b^{2 ,12}扩充卷积区域，M_j为输入的特征图集合，则输出第j个特征图

其中，表示第二层对第i个特征图进行卷积操作的第j个卷积核，表示第二层中与第j个卷积核相对应的第j个偏置系数，表示第三层输出的第j个特征图；

第三层池化层通过池化函数对第二层输出j个的特征图进行下采样，输出的第j个特征图池化函数采用平均池化，

第四层卷积层通过卷积核k^2,21对第三层输出y^2,1进行卷积操作，使用偏置系数b^2,21扩充卷积区域，M_j为输入的特征图集合，则输出第j个特征图

其中，表示第四层对第i个特征图进行卷积操作的第j个卷积核，表示第四层中与第j个卷积核相对应的第j个偏置系数，表示第四层输出的第j个特征图；

第五层卷积层通过卷积核k^2,22对第四层输出y^2,21进行卷积操作，使用偏置系数b^{2 ,22}扩充卷积区域，M_j为输入的特征图集合，则输出第j个特征图

其中，表示第五层对第i个特征图进行卷积操作的第j个卷积核，表示第五层中与第j个卷积核相对应的第j个偏置系数，表示第五层输出的第j个特征图；

第六层池化层通过池化函数对第五层输出j个的特征图进行下采样，输出的第j个特征图池化函数采用平均池化，

第七层卷积层通过卷积核k^2,31对第六层输出y^2,2进行卷积操作，使用偏置系数b^2,31扩充卷积区域，M_j为输入的特征图集合，则输出第j个特征图

其中，表示第七层对第i个特征图进行卷积操作的第j个卷积核，表示第七层中与第j个卷积核相对应的第j个偏置系数，表示第七层输出的第j个特征图；

第八层卷积层通过卷积核k^2,32对第七层输出y^2,31进行卷积操作，使用偏置系数b^{2 ,32}扩充卷积区域，M_j为输入的特征图集合，则输出第j个特征图

其中，表示第八层对第i个特征图进行卷积操作的第j个卷积核，表示第八层中与第j个卷积核相对应的第j个偏置系数，表示第八层输出的第j个特征图；

第九层卷积层通过卷积核k^2,33对第八层输出y^2,32进行卷积操作，使用偏置系数b^{2 ,33}扩充卷积区域，M_j为输入的特征图集合，则输出第j个特征图

其中，表示第九层对第i个特征图进行卷积操作的第j个卷积核，表示第九层中与第j个卷积核相对应的第j个偏置系数，表示第九层输出的第j个特征图；

第十层池化层通过池化函数对第九层输出j个的特征图进行下采样，输出的第j个特征图池化函数采用平均池化，

第十一层卷积层通过卷积核k^2,41对第十层输出y^2,3进行卷积操作，使用偏置系数b^2,41扩充卷积区域，M_j为输入的特征图集合，则输出第j个特征图

其中，表示第十一层对第i个特征图进行卷积操作的第j个卷积核，表示第十一层中与第j个卷积核相对应的第j个偏置系数，表示第十一层输出的第j个特征图；

第十二层卷积层通过卷积核k^2,42对十一层输出y^2,41进行卷积操作，使用偏置系数b^2,42扩充卷积区域，M_j为输入的特征图集合，则输出第j个特征图

其中，表示第十二层对第i个特征图进行卷积操作的第j个卷积核，表示第十二层中与第j个卷积核相对应的第j个偏置系数，表示第十二层输出的第j个特征图；

第十三层卷积层通过卷积核k^2,43对十二层输出y^2,42进行卷积操作，使用偏置系数b^2,43扩充卷积区域，M_j为输入的特征图集合，则输出第j个特征图

其中，表示第十三层对第i个特征图进行卷积操作的第j个卷积核，表示第十三层中与第j个卷积核相对应的第j个偏置系数，表示第十三层输出的第j个特征图；

第十四层池化层通过池化函数对第十三层输出j个的特征图进行下采样，输出的第j个特征图池化函数采用平均池化，

第十五层卷积层通过卷积核k^2,51对十四层输出y^2,4进行卷积操作，使用偏置系数b^2,51扩充卷积区域，M_j为输入的特征图集合，则输出第j个特征图

其中，表示第十五层对第i个特征图进行卷积操作的第j个卷积核，表示第十五层中与第j个卷积核相对应的第j个偏置系数，表示第十五层输出的第j个特征图；

第十六层卷积层通过卷积核k^2,52对十五层输出y^2,51进行卷积操作，使用偏置系数b^2,52扩充卷积区域，M_j为输入的特征图集合，则输出第j个特征图

其中，表示第十六层对第i个特征图进行卷积操作的第j个卷积核，表示第十六层中与第j个卷积核相对应的第j个偏置系数，表示第十六层输出的第j个特征图；

第十七层卷积层通过卷积核k^2,53对十六层输出y^2,52进行卷积操作，使用偏置系数b^2,53扩充卷积区域，M_j为输入的特征图集合，则输出第j个特征图

其中，表示第十七层对第i个特征图进行卷积操作的第j个卷积核，表示第十七层中与第j个卷积核相对应的第j个偏置系数，表示第十七层输出的第j个特征图；

第十八层池化层通过池化函数对第十七层输出j个的特征图进行下采样，输出的第j个特征图池化函数采用平均池化，

第十九层全连接层输出节点数为4096，通过权值矩阵w_2,6对第十八层输出的特征向量进行矩阵乘法运算，并加偏置系数b_2,6。L_2,6为输出特征矩阵：

L_2,6＝f(w_2,6y^2,5+b_2,6)；

第二十层全连接层输出节点数为4096，通过权值矩阵w_2,7对第十九层输出的特征向量进行矩阵乘法运算，并加偏置系数b_2,7。L_2,7为输出特征矩阵：

L_2,7＝f(w_2,7L_2,6+b_2,7)；

第二十一层全连接层输出节点数为1000，通过权值矩阵w_2,8对第二十层输出的特征向量进行矩阵乘法运算，并加偏置系数b_2,8。L_c2为输出特征矩阵：

L_c2＝f(w_2,8L_2,7+b_2,8)。

(2)特征融合网络

特征融合网络通过一层或多层全连接层将双通道特征提取网络的两路输出特征向量进行拼接，层数和每层节点数量根据应用场景设置，以三层全连接层构成的特征融合网络为例，第一层全连接层输出节点数为512，通过权值矩阵w_3,1对特征提取网络输出的特征向量进行矩阵乘法运算，并加偏置系数b_3,1。L_3,1为输出特征矩阵：

L_3,1＝f(w_3,1[L_c1,L_c2]+b_3,1)；

第二层全连接层输出节点数为128，通过权值矩阵w_3,2对第一层输出的特征向量进行矩阵乘法运算，并加偏置系数b_3,2。L_3,2为输出特征矩阵：

L_3,2＝f(w_3,2L_3,1+b_3,2)；

第三层全连接层输出节点数为2，表示二元分类，通过权值矩阵(2×n)对第二层输出的特征向量进行矩阵乘法运算，并加偏置系数b_3,3。L_3,3为输出特征矩阵：

L_3,3＝f(w_3,3L_3,2+b_3,3)。

(3)虚警可控分类器

特征融合网络输出L_3,3为1×2矩阵：[y₁,y₂]，y₁和y₂为网络输出值，采用softmax函数：将输出转换为分类概率，并归一化：

阈值为：

i＝N_s·P_fa

式中，为从大到小排序后的训练集中背景样本输出的集合，N_s为训练集样本数，P_fa为需控制的虚警率，i为在设定虚警率P_fa条件下训练集中背景样本允许分类错误的数量。

3)输入训练数据集对模型进行迭代优化训练，得到最优的网络参数和判决阈值

卷积神经网络训练的目的调整权值系数优化卷积神经网络，进一步提高检测的精确度后获得最优的权值参数。用损失函数来表示输出值与真实值的误差，包括分类损失和回归损失，目标函数是求得损失函数的最小值，从而使得目标检测模型最优化，即通过梯度下降法对模型进行训练，经过不断的迭代优化训练，对目标和背景两类样本分别设定训练目标，当两类样本损失函数值达到训练目标时训练结束，目标检测模型训练完成，网络参数实现最优化，将所有背景样本经模型运算后的输出值从大到小排序，将第i个输出值设定为检测阈值，则虚警率达到P_fa。

4)雷达目标检测

重复步骤一，将实时生成的回波数据预处理，将处理后得到的时频信息和幅度信息按照输入数据集的结构制作成信号样本，输入到基于大量优质数据训练好的最优目标检测模型中，经过特征提取、特征融合得到输出值，并根据检测阈值进行目标和背景的判决，实现对目标进行检测。

Claims (8)

1.基于双通道卷积神经网络虚警可控的雷达目标检测方法，其特征在于，包括以下步骤：

步骤一、雷达回波信号预处理，用信号时频信息和幅度信息构建训练数据集；

步骤二、构建双通道卷积神经网络模型，包括双通道特征提取网络，特征融合网络和虚警可控分类器；

步骤三、输入训练数据集对双通道卷积神经网络模型进行迭代优化训练，得到最优网络参数和判决阈值；

步骤四、对实时雷达回波信号预处理，输入训练后的双通道卷积神经网络模型进行测试，完成目标检测。

2.根据权利要求1所述的基于双通道卷积神经网络虚警可控的雷达目标检测方法，其特征在于，步骤一所述的雷达回波信号预处理方法为：

采集多种观测条件和区域下的雷达回波数据，分离目标所在距离单元信号和背景距离单元信号时间序列，根据设定样本观测时长对雷达信号时间序列截取，得到信号样本序列，对每个信号样本序列分别进行时频分析和取模运算，得到样本的时频信息和幅度信息，并对幅度信息进行归一化。

3.根据权利要求2所述的基于双通道卷积神经网络虚警可控的雷达目标检测方法，其特征在于，步骤一所述的训练数据集构建方法为：

训练数据集包含多个信号样本矩阵和对应标签，根据目标的位置信息，判断各个时刻雷达信号中目标回波所处的距离单元，将该距离单元数据取出，作为目标数据，用于构建目标训练样本；除目标单元、目标单元相邻的距离单元以外的数据为背景数据，用于构建背景样本；每个样本矩阵包括信号时频图和幅度向量两部分，时频图为方阵，幅度向量为1维数组，当时频图不进行压缩时，幅度向量长度与时频图边长相等，直接将时频图和幅度向量上下拼接构成信号样本矩阵：

其中，x_sample为数据样本，tf为时频图，amp为幅度向量；

当时频图进行压缩时，将幅度向量后补0至压缩后时频图边长的整数倍，然后将补0后的幅度向量截取成多个长度与时频图边长相等的序列并上下拼接，再将压缩后的时频图和截取拼接后的幅度向量上下进行拼接：

4.根据权利要求1所述的基于双通道卷积神经网络虚警可控的雷达目标检测方法，其特征在于，步骤二所述的双通道特征提取网络为：

双通道特征提取网络包括输入层、通道1和通道2，输入层通过对输入信号矩阵进行拆分操作，将矩阵中时频图和幅度向量分离并分别输出至两个特征提取通道，每个通道采用任意一种卷积神经网络中的卷积层、池化层、全部或部分全连接层。

5.根据权利要求1所述的基于双通道卷积神经网络虚警可控的雷达目标检测方法，其特征在于，步骤二所述的特征融合网络为：

特征融合网络通过一层或多层全连接层将双通道特征提取网络的两路输出特征向量进行拼接，特征融合网络输出层节点数为2，表示二元分类。

6.根据权利要求1所述的基于双通道卷积神经网络虚警可控的雷达目标检测方法，其特征在于，步骤二所述的虚警可控分类器为：

特征融合网络输出为1×2矩阵：[y₁,y₂]，用softmax函数转换为分类概率，并归一化：

阈值为：

i＝N_s·P_fa

式中，为从大到小排序后的训练集中背景样本输出的集合，N_s为训练集样本数，P_fa为需控制的虚警率，i为在给定虚警率P_fa条件下，背景样本训练集中允许错误分类的数量。

7.根据权利要求1-6所述的基于双通道卷积神经网络虚警可控的雷达目标检测方法，其特征在于，步骤三所述的方法为：

将步骤一构建的训练数据集输入步骤二建立的目标检测模型中，利用梯度下降法对模型进行训练，经过不断的迭代优化训练，对目标和背景两类样本分别设定训练目标，当两类样本损失函数值达到训练目标时训练结束，目标检测模型训练完成，网络参数实现最优化，将所有背景样本经模型运算后的输出值从大到小排序，将第i个输出值设定为检测阈值，则虚警率达到P_fa。

8.根据权利要求7所述的基于双通道卷积神经网络虚警可控的雷达目标检测方法，其特征在于，步骤四所述的方法为：

将实时生成的回波数据预处理，将处理后得到的时频信息和幅度信息按照输入数据集的结构制作成信号样本，输入到基于大量优质数据训练好的最优目标检测模型中，经过特征提取、特征融合得到输出值，并根据检测阈值进行目标和背景的判决，实现对目标进行检测。