CN111505643B - 基于时频图深度学习的海面小目标检测方法 - Google Patents

Abstract

本发明针对含目标回波样本是稀疏的、不完备的，并且人工提取的特征往往是经验的、定性的问题，提供一种基于时频图深度学习的检测方法。本发明通过半仿真方法获取含目标回波大量数据，解决两类数据非均衡问题。通过白化预处理和迁移学习分类器，能够自主学习时频图的特性，深入挖掘两类数据的差异。本发明将分类器输出的两类概率作为统计量，解决了虚警控制的问题，这种恒虚警特性在实际雷达检测中具有重要意义。

Description

基于时频图深度学习的海面小目标检测方法

技术领域：

本发明设计属于雷达信号处理技术领域，涉及一种处在低信杂比下海面小目标的检测方法，可用于岸基或舰载高分辨雷达全面提升对海探测性能。

背景技术:

随着隐身技术和目标小型化发展，高分辨对海雷达的主要任务是探测复杂环境下的海面小目标，如小船、快艇、潜艇、漂浮物等。通常，这些小目标的回波淹没在强时变海杂波背景下，具有低信杂比。相对于空中目标，低速运动的海面目标通常具有较弱的机动性，这导致其频谱容易落在海杂波主杂波区，加大了检测的难度。因此，高分辨海杂波背景下小目标检测一直是海内外学者研究的热点和难点。

目前，针对海面小目标具有低信杂比，长时累积增益是一种公认的有效检测途径。在长时观测下，海杂波具有较强的空-时变特性。学者们将分形理论引入到海杂波回波建模中，发展了基于Hurst指数、多尺度分形、扩展分形、频域分形等多种方法，这些检测器通常需要观测时间长达秒级以上。为了打破单一特征检测的性能瓶颈，学者提出了基于幅度和多普勒特性的三特征检测框架，将检测问题转换到多维特征空间中。随后，有学者提出将极化特征引入特征检测框架。多维特征提取主要依据目标和杂波在时域、频域、极化等上的差异性，人为提取的特征往往是经验的、定性的和不完备的。为此，学者们将深度学习方法引入海面目标检测中。有学者采用神经网络估计海杂波的K分布模型参数。在特征检测框架下提出采用虚警可控的SVM获取高维判决区域。此外，将卷积神经网络方法引入到海面目标检测和分类中，但未进行实测数据验证和算法虚警控制研究。

发明内容：

本发明主要解决单分类器和人工特征提取的局限性，实现高分辨海杂波下处在低信杂比下的漂浮小目标的检测。

本发明的技术方案包括如下：

本发明基于时频图深度学习的海面小目标检测方法，包括以下步骤：

(1)雷达接收M个距离单元的N个脉冲的二维数据矩阵，记为R(n,m),n＝1,2,...,N；m＝1,2,...,M；其中，n表示脉冲维，m表示距离维，N表示脉冲数目，M表示距离单元数目；对第m个距离单元的回波向量z_m＝[R(1,m),R(2,m),...,R(N,m)]^T进行检测，即待检测单元；待检测单元周围K个参考距离单元的回波向量z_m,k,k＝1,2,...,K,K＜M；判断待检测单元是否含有目标回波，将回波向量转换为二个分类H₀和H₁，H₀假设表示海杂波，H₁假设表示含目标回波；

(2)计算步骤(1)中回波向量z_m的二维平滑伪魏格纳-维尔分布(smoothed pseudoWigner-Ville distribution,SPWVD)，获得z_m的二维时频图；

(3)海杂波的SPWVD是一个随机过程，其低阶统计特性可用均值函数μ(n,l)和标准差函数σ(n,l)表示；从K个参考距离单元内获取低阶统计特性的估计值，对步骤(2)中的二维时频图进行白化预处理，得到预处理后的时频图，实现海杂波抑制；

(4)当步骤(1)中雷达开机后，可获得大量的海杂波数据；将大量海杂波数据和含目标回波仿真数据作为训练数据，优化基于InceptionV3的迁移学习分类器；检测时，将步骤(3)中的二维时频图作为迁移学习分类器的输入，获取输出值；

(5)将步骤(4)中迁移学习分类器的输出值作为统计量，记为ξ＝[p₀,p₁]^T，p₀表述属于H₀假设的概率，p₁表示属于H₁假设的概率；

(6)在虚警率P_fa下，通过蒙特卡洛试验方法获取H₀假设下判决区域Ω；

(7)计算统计量ξ和判决区域Ω的位置，判决步骤(1)中回波向量z_m中是否存在目标：

如果

则表明回波向量z_m含有目标回波，属于H₁假设；

如果ξ∈Ω，则表明回波向量z_m无目标回波，属于H₀假设。

进一步地，步骤(2)中，z_m的二维时频图SPWVD，通过以下公式计算：

其中，n表示时间维，l表示频率维，Δf_d为归一化多普勒频率的采样间隔，Q和q分别表示时间维采样数目和相应的变量，P和p分别表示频率维采样数目和相应的变量，g(q)和h(p)分别是时间维和频率维的平滑窗。

进一步地，步骤(3)中，白化预处理通过下式计算：

其中，

表示预处理后的时频图；

和

表示K个参考距离单元的回波向量的均值函数的估计值和标准差的估计值。

进一步地，步骤(4)包括，

4.1)从雷达数据中获得I个距离单元的海杂波向量c_i＝[c_i(1),c_i(2),...,c_i(N)]^T,i＝1,2,...,I，任意一个海杂波向量含有N个脉冲,并且满足I≥[100/P_fa]，其中，P_fa为虚警率，[]表示取最大整数；

进一步地，步骤(4)还包括，

4.2)I个距离单元中任一距离单元的海杂波向量为c(n)，该距离单元的含目标回波向量通过下式计算：

其中，SCR为信杂比，λ是雷达波长，T_r是雷达的脉冲重复周期，

是初始相位，v₀和v₁是目标的起始径向速度和末端径向速度，在区间(-5,5)m/s内均匀产生。

进一步地，步骤(4)还包括，

4.3)构建两类数据的训练数据和标签，第一类数据是步骤4.1)中的I个距离单元的海杂波向量，标签为“0”；第二类数据是按照步骤4.2获得I个距离单元的含目标回波向量，标签为“1”；

4.4)根据步骤4.3中的训练数据和标签，实现基于InceptionV3的迁移学习分类器的参数训练，借助InceptionV3深度网络，迁移学习分类器能够提取时频图的多尺度特征；同时，辅助以微调训练用于增加卷积层，降低学习效率。

4.5)根据步骤4.4中获得的迁移学习分类器，将步骤3)中预处理后的二维时频图

作为迁移学习分类器的输入，获得迁移学习分类器的输出值，即两类概率：属于H₀假设的概率为p₀,和属于H₁假设的概率为p₁。

本发明与现有技术比较具有以下优点：

1、本发明针对含目标回波样本是稀疏的、不完备的，并且人工提取的特征往往是经验的、定性的问题，提供一种基于时频图深度学习的检测方法。

2、本发明通过半仿真方法获取含目标回波大量数据，解决两类数据非均衡问题。通过白化预处理和迁移学习分类器，能够自主学习时频图的特性，深入挖掘两类数据的差异。

3、本发明将分类器输出的两类概率作为统计量，解决了虚警控制的问题，这种恒虚警特性在实际雷达检测中具有重要意义。

4、通过本发明可以解决两分类器样本非均衡和虚警可控的问题，提高了低信杂比条件下海面小目标的检测概率，提供了海面小目标两分类检测的新思路。

附图说明：

图1为本发明检测方案流程图；

图2为本发明迁移学习分类器流程图；

图3为本发明虚警可控示意图；

图4(a)为实施例中雷达回波各个距离单元的功率分布；

图4(b)为实施例中实测数据目标单元的时频分布；

图5(a)为实施例中基于Hurst指数的分形检测器的检测结果；

图5(b)为实施例中基于三特征检测器的检测结果；

图5(c)为实施例中基于时频图深度学习的检测器的检测结果。

具体实施方式

下面结合附图对本发明作进一步说明。

实施例一：

参照图1，本发明基于时频图深度学习的海面小目标检测方法，解决人工特征提取局限和虚警控制问题，实现不同探测环境下海面小目标的稳健检测。具体步骤如下：

步骤1，获取回波向量z_m

1.1)对于驻留模式下的岸基雷达或舰载雷达，雷达接收M个距离单元的N个脉冲的二维数据矩阵，记为R(n,m),n＝1,2,...,N；m＝1,2,...,M；其中，n表示脉冲维，m表示距离维；假设目标不存在距离扩展，每个距离单元进行独立检测。假设其中任意一个距离单元的回波向量为z_m＝[R(1,m),R(2,m),...,R(N,m)]^T，称为待检测单元(cell undertest,CUT)。在距离维上，取CUT周围K个参考距离单元的回波向量，记为z_m,k,k＝1,2,...,K,K＜M。

1.2)检测的本质是判别待检测单元CUT是否含有目标回波。因此，检测问题可归为二元假设检验：

其中，c表示海杂波向量，c_k表示第k个距离单元为海杂波向量，s表示目标回波向量。当参考距离单元为海杂波时，为CUT提供海杂波抑制信息。H₀假设表示CUT中海杂波，即无目标回波；H₁假设表示CUT中含有目标回波。因此，本文将目标检测问题转换为两分类问题，一类为H₀假设下海杂波，另一类为H₁假设下含目标回波。

步骤2，计算z_m的二维时频图

相对于一维多普勒频谱，二维时频图蕴含着丰富的数据信息，更适合学习含目标回波和海杂波之间的差异性。计算步骤1中CUT回波向量z_m的二维时频图SPWVD，公式如下：

其中，n表示时间维，l表示频率维，Δf_d为归一化多普勒频率的采样间隔，Q和q分别表示时间维采样数目和相应的变量，P和p分别表示频率维采样数目和相应的变量，g(q)和h(p)分别是时间维和频率维的平滑窗。

步骤3，白化预处理

3.1)海杂波的SPWVD可看成是一个随机过程，该随机过程的均值函数μ(n,l)和标准差函数σ(n,l)。对步骤1)中的K个参考距离单元的回波向量z_m,k,k＝1,2,...,K,K＜M，先按步骤2计算它们的二维时频图，再进行均值函数的估计值

和标准差的估计值

计算，

其中，SPWVD(n,lz_m,k)表示计算第k个参考距离单元回波向量z_m,k的SPVWVD。

3.2)对步骤2中回波向量z_m的二维时频图，进行白化处理。白化预处理定义为：

其中，

表示预处理后的时频图。通过白化预处理后，海杂波均匀分散在二维时频平面上。因此，白化预处理增大了海杂波和含目标回波两类之间的差别，更加适合自主学习特征。

步骤4，获取迁移学习分类器的输出值

4.1)当步骤1.1)中雷达开机时，可以获得大量的海杂波数据。从中获得I个距离单元的海杂波向量c_i＝[c_i(1),c_i(2),...,c_i(N)]^T,i＝1,2,...,I，任意一个海杂波向量含有N个脉冲,并且满足I≥[100/P_fa]，其中，P_fa为虚警率，[]表示取整数。

4.2)由于含目标回波数据是稀少的而海杂波数据是大量的，这两类数据处于非均衡的状态。为了解决这一问题，采用含目标回波的半仿真方法。在几百毫秒的累积时间内，建立具有线性调频(linear frequency modulation,LFM)特性的目标回波，I个距离单元中任一距离单元的的海杂波向量为c(n)，该距离单元的含目标回波向量为：

其中，SCR为信杂比，λ是雷达波长，T_r是雷达的脉冲重复周期，

是初始相位，v₀和v₁是目标的起始径向速度和末端径向速度，在区间(-5,5)m/s内均匀产生。

4.3)构建两个类别的训练数据和标签。第一类数据是步骤4.1)中的I个距离单元的海杂波向量，标签为“0”。第二类数据是按照步骤4.2获得I个距离单元的含目标回波向量，标签为“1”。

4.4)根据步骤4.3中的训练数据和标签，实现基于InceptionV3的迁移学习分类器的参数训练，具体的步骤参照图2。借助于现有的InceptionV3深度网络，迁移学习分类器能够提取时频图的多尺度特征。同时，辅助以微调(fine-tune)训练用于增加卷积层，降低学习效率。

4.5)根据步骤4.4中获得的迁移学习分类器，将步骤3)中预处理后的时频图

作为迁移学习分类器的输入，获得迁移学习分类器的输出值，即两类概率：属于H₀假设的概率为p₀和属于H₁假设的概率为p₁。

步骤5，计算统计量

将步骤4中迁移学习分类器的输出值作为统计量，即两类概率作为最终的统计量为ξ＝[p₀,p₁]^T。

步骤6，获取判决区域Ω

在虚警率P_fa下，由蒙特卡洛试验方法获得判决区域Ω。

6.1)根据步骤4.3中获得的迁移学习分类器，将标签为“0”的I个距离单元海杂波向量分别作为迁移学习分类器模型的输入，按照步骤4.5获得I个统计量，即ξ₁,ξ₂,....,ξ_I。

6.2)以统计量的p₀值为横轴和p₁值为纵轴构建二维平面图，则I个统计量分布在二维图中,参照图3。设计一个线性直线判别器，满足落在直线上方区域的点数为[P_fa×I]。在图3中，直线下方区域为给定虚警率下的判决区域Ω。

步骤7，目标判决

计算检验统计量ξ和判决区域Ω的位置，判决步骤1中回波向量z_m是否存在目标：

如果

则表明回波向量z_m含有目标回波，属于H₁假设。

如果ξ∈Ω，则表明回波向量z_m无目标回波，属于H₀假设。

测试例一：

下面结合实测数据的实验-结果对本发明的效果做进一步说明。

一.实验数据

本实例使用来自网上公开的IPIX雷达于1993年采集的数据库。该数据库是目前国际上公认的小目标实测数据。X波段雷达的脉冲重复频率为1000Hz，距离分辨率30m，测试目标为直径1m的小球。

二.仿真实验

仿真1，基于迁移学习分类器实现过程，流程图如图2所示，其中：输入数据为均衡数目的海杂波数据和含目标回波半仿真数据，标签分别为0和1。

仿真2，演示了虚警可控的判决区域获取，结果如图3所示，其中：10210个海杂波统计量。一般分类网络根据黑色直线判别，属于0类别概率大于0.5的统计量，分类标签为“0”，否则为“1”。这里，按照给定虚警率0.001，只有10个统计量产生虚警。将黑色直线按照箭头方向进行平移，直到只有10个统计量在直线上方。分类判别准则如下：红色线上方为含目标回波所在区域，下方为杂波所在区域，即为判决区域Ω。

仿真3，分析了实测数据特性，结果如图4(a)和图4(b)所示，其中：

图4(a)为雷达回波各个距离单元的功率分布。目标在第7个距离单元，其回波能量较弱，淹没在海杂波中。目标的平均信杂比为2.3dB，处于低信杂比条件下，加大了检测的难度。

图4(b)为实测数据目标单元的时频分布。目标的瞬时频率曲线在零频附近变化，呈现蛇形曲线，占用较小的带宽。海杂波的主杂波在[-200Hz,0Hz]内，随着时间变现为非平稳性。虽然目标能量较弱，但是在多普勒域，海杂波和目标明显分离，为低信杂比小目标检测提供了可能性。

仿真4，验证本发明提出的检测算法，距离单元M＝14，脉冲数N＝256个(观测时间为0.256s)，虚警率P_fa＝10^-3，参考距离单元K取10个，结果如图5(a)、图5(b)、图5(c)所示，其中：

图5(a)为基于Hurst指数的分形检测器的检测结果，检测概率为0.028。结果表明：该检测器在0.25s观测时间下无法工作，这主要因为其性能依赖于雷达回波的不规则性、粗糙程度等分形特性，需要秒级以上的观测时间才能获得较为满意的性能。

图5(b)为基于三特征检测器的检测结果，检测概率为0.591。该检测器主要依靠能量特征和多普勒频谱的几何特征进行工作。在低信杂比下，能量特征拉低了检测性能，不适合运用于低信杂比条件下。

图5(c)为本发明基于时频图深度学习的检测器的检测结果，检测概率为0.885。在三个检测器中，本发明提出的检测器具有最优性能。这说明该检测器在学习时频图时能挖掘能量、频谱几何以外更多的其它深层特性，这是人工特征提取无法获得的优势。相对于三特征检测器，提出检测器的检测概率具有50％的提升。

综上可见，在低信杂比条件下本发明对海面目标的检测性能优于现有的检测方法，能解决人工特征提取的局限性和两类样本非均衡问题。

Claims (3)

1.基于时频图深度学习的海面小目标检测方法，包括以下步骤：

(1)雷达接收M个距离单元的N个脉冲的二维数据矩阵，记为R(n,m),n＝1,2,...,N；m＝1,2,...,M；其中，n表示脉冲维，m表示距离维，N表示脉冲数目，M表示距离单元数目；对第m个距离单元的回波向量z_m＝[R(1,m),R(2,m),...,R(N,m)]^T进行检测，即待检测单元；待检测单元周围K个参考距离单元的回波向量z_m,k,k＝1,2,...,K,K＜M；判断待检测单元是否含有目标回波，将回波向量转换为二个分类H₀和H₁，H₀假设表示海杂波，H₁假设表示含目标回波；

(2)计算步骤(1)中回波向量z_m的二维平滑伪魏格纳-维尔分布SPWVD，获得z_m的二维时频图；

(3)海杂波的SPWVD是一个随机过程，其低阶统计特性可用均值函数μ(n,l)和标准差函数σ(n,l)表示；从K个参考距离单元内获取低阶统计特性的估计值，对步骤(2)中的二维时频图进行白化预处理，得到预处理后的时频图，实现海杂波抑制；

(4)当步骤(1)中雷达开机后，可获得大量的海杂波数据；将大量海杂波数据和含目标回波仿真数据作为训练数据，优化基于Inception V3的迁移学习分类器；检测时，将步骤(3)中的二维时频图作为迁移学习分类器的输入，获取输出值；步骤(4)具体包括，

4.1)从雷达数据中获得I个距离单元的海杂波向量c_i＝[c_i(1),c_i(2),...,c_i(N)]^T,i＝1,2,...,I，任意一个海杂波向量含有N个脉冲,并且满足I≥[100/P_fa]，其中，P_fa为虚警率，[]表示取最大整数；

4.2)I个距离单元中任一距离单元的海杂波向量为c(n)，该距离单元的含目标回波向量通过下式计算：

其中，SCR为信杂比，λ是雷达波长，T_r是雷达的脉冲重复周期，

是初始相位，v₀和v₁是目标的起始径向速度和末端径向速度，在区间(-5,5)m/s内均匀产生；

4.3)构建两类数据的训练数据和标签，第一类数据是步骤4.1)中的I个距离单元的海杂波向量，标签为“0”；第二类数据是按照步骤4.2获得I个距离单元的含目标回波向量，标签为“1”；

4.4)根据步骤4.3中的训练数据和标签，实现基于InceptionV3的迁移学习分类器的参数训练，借助InceptionV3深度网络，迁移学习分类器能够提取时频图的多尺度特征；同时，辅助以微调训练用于增加卷积层，降低学习效率；

4.5)根据步骤4.4中获得的迁移学习分类器，将步骤3)中预处理后的二维时频图

作为迁移学习分类器的输入，获得迁移学习分类器的输出值，即两类概率：属于H₀假设的概率为p₀,和属于H₁假设的概率为p₁；

(5)将步骤(4)中迁移学习分类器的输出值作为统计量，记为ξ＝[p₀,p₁]^T，p₀表述属于H₀假设的概率，p₁表示属于H₁假设的概率；

(6)在虚警率P_fa下，通过蒙特卡洛试验方法获取H₀假设下判决区域Ω；

(7)计算统计量ξ和判决区域Ω的位置，判决步骤(1)中回波向量z_m中是否存在目标：

如果

则表明回波向量z_m含有目标回波，属于H₁假设；

如果ξ∈Ω，则表明回波向量z_m无目标回波，属于H₀假设。

2.根据权利要求1所述基于时频图深度学习的海面小目标检测方法，步骤(2)中，z_m的二维时频图SPWVD，通过以下公式计算：

其中，n表示时间维，l表示频率维，Δf_d为归一化多普勒频率的采样间隔，Q和q分别表示时间维采样数目和相应的变量，P和p分别表示频率维采样数目和相应的变量，g(q)和h(p)分别是时间维和频率维的平滑窗。

3.根据权利要求2所述基于时频图深度学习的海面小目标检测方法，步骤(3)中，白化预处理通过下式计算：

其中，

表示预处理后的时频图；

和

表示K个参考距离单元的回波向量的均值函数的估计值和标准差的估计值。

Images