CN113064133B - 一种基于时频域深度网络的海面小目标特征检测方法 - Google Patents

Abstract

本发明公开了一种基于时频域深度网络的海面小目标特征检测方法，获取待检测单元的观测向量，并建立三元假设检验问题；将观测向量转换到二维时频域中，获得二维时频图；对二维时频图进行归一化处理，获得归一化时频图；构建深度网络模型，提取属于三类假设的概率值作为特征值；构建一个2D特征向量，作为最终的检验统计量；在给定虚警率下，结合三次样条曲线算法，确定虚警可控的判决区域；计算检验统计量是否在判决区域内。本发明结合了神经网络和特征检测技术，具有自主学习特征提取和多维特征联合的优势，提升了雷达对处在低信杂比下的海面小目标的探测性能。

Description

一种基于时频域深度网络的海面小目标特征检测方法

技术领域

本发明属于雷达信号处理技术领域，具体涉及一种基于时频域深度网络的海面小目标特征检测方法，适用于具有长时观测体制的对海探测雷达。

背景技术

目前，小船、快艇、飞机残骸等海面小目标已成为海洋雷达探测的重点和难点对象。通常，这些小目标的物理尺寸较小且具有隐身材料，使得信杂比(signal-to-clutter，SCR)往往临界可检测。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。

在雷达信号处理中，长时观测累积是提高海面小目标检测性能的一种有效途径。在长时观测下，海杂波具有较强的空-时变特性，其幅度建模为具有时变纹理的复合高斯模型。在时频域，海杂波频谱占据较大的带宽且呈现出主杂波区和噪声区，其频谱过程可建模为随机过程。运动刚体目标的频谱占据较小的带宽且能量汇聚在瞬时频率曲线上。因此，时频域蕴含着更多的海杂波和目标特性，从理论上保证了目标检测性能的上升空间。

目前，长时观测累积的检测方法主要分为三大类。第一类，基于分形理论的检测方法，适用于秒级以上观测条件。根据海杂波的多尺度分形特性，有学者提出基于Hurst指数的海面目标检测方法。第二类，基于多维特征的目标检测方法。有学者提出基于三特征检测器以及特征检测框架，联合了1个时域能量和2个频域几何特征。有学者提出一种基于改进SVM的三特征检测方法和基于决策树的三特征检测，两者都需要搜索最优的参数进行虚警控制。这类方法需要人为提取特征，提取的特征往往是经验的、定性的和不完备的。第三类，基于卷积神经网络(convolutional neural network，CNN)的智能检测方法。有学者将时频图作为CNN的输入，用于仿真数据下的多种海面机动目标检测和分类中。有学者将平面位置显示器(PPI)图像作为输入，实现基于INet的杂波抑制和中小型船的检测。这类智能检测方法是提升检测性能的有效途径，难点在于虚警可控判决区域的设计。

针对人工特征提取的局限性和虚警可控判决区域设计的问题，本发明提出一种基于时频域深度网络的海面小目标特征检测方法，将深度网络作为特征提取器，进而深入挖掘海杂波和含目标回波在时频图上的差异性，实现低信杂比下海面小目标的检测。

发明内容

发明目的：本发明提出一种基于时频域深度网络的海面小目标特征检测方法，结合了神经网络和特征检测技术，具有自主学习特征提取和多维特征联合的优势，旨在提升雷达对处在低信杂比下的海面小目标的探测性能。

技术方案：本发明所述的一种基于时频域深度网络的海面小目标特征检测方法，包括以下步骤：

(1)雷达在一个距离单元接收到连续N个脉冲，构成一个观测向量z＝[z(1),z(2),...,z(N)]^T，构成待检测单元，然后获取待检测单元周围P个观测向量，z_p,p＝1,2,...,P；建立三元假设检验问题H₀、H₁₊、H_1-，精细化目标落在海杂波带内外的不同特性；

(2)将观测向量z和z_p,p＝1,2,...,P，转换到二维时频域中，通过计算平滑伪魏格纳-维尔分布SPWVD，获得二维时频图TFG(z)和TFG(z_p),p＝1,2,...,P；

(3)对二维时频图TFG(z)进行归一化处理，获得归一化时频图NTFG(z)

(4)构建深度网络模型，提取属于三类假设的概率值作为特征值，记为p₀，p₁，p₂且满足p₀+p₁+p₂＝1；

(5)构建一个2D特征向量ξ＝[p₁,p₂]^T,p₁,p₂∈[0,1]，作为最终的检验统计量ξ；

(6)在给定虚警率P_fa下，结合三次样条曲线算法，不断迭代和优化边界区域，确定虚警可控的判决区域Ω；

(7)计算检验统计量ξ是否在判决区域Ω内，判断出观测向量z中是否存在目标，如果

则表明观测向量z中有目标；如果ξ∈Ω，则表明观测向量z中没有目标。

进一步地，步骤(1)所述的三元假设检验问题为：

其中，c表示海杂波向量，c_p表示第p个参考单元为海杂波向量，s表示目标回波向量，f_d表示目标的多普勒偏移，H₀假设表示只有海杂波，H₁₊假设表示具有正多普勒偏移的含目标观测向量，H_1-假设表示具有负多普勒偏移的含目标观测向量。

进一步地，所述步骤(2)通过以下公式实现：

其中，n＝1，2，…，N表示时间维，l＝1，2，…，N表示频率维，g和h分别是时间和频率的平滑窗，Δf_d为归一化多普勒频率的采样间隔。

进一步地，步骤(4)所述的深度网络模型包括Stem模块、Reduction-A以及Reduction-B两个网格缩减模块，5个Inception-resnet-A模块、10个Inception-resnet-B模块、5个Inception-resnet-C模块、平均池化模块、Dropout模块以及Softmax模块。

进一步地，所述步骤(6)包括以下步骤：

(61)按照步骤(5)获得3Q个2D特征向量，即H₀假设下Q个特征向量

H₁₊假设下Q个特征向量

H_1-假设下Q个特征向量

分别计算H₁₊假设和H_1-假设下的类别中心：

(62)在H₀假设下，计算Q个特征向量离

的最短距离：

其中，||·||₂表示计算向量的模，min表示取最小值，从小到大进行排序

获得虚警特征向量集合为

[]表示取整数；判决区域Ω只包含以下特征向量：

(63)根据p₂值，将样本集Ω₀划分到M个等宽区间中，其中，第i个区间记为：

将各个区间最值点作为样条控制点，若区间无样本则不设置控制点；

(64)对所有区间的样条控制点按p₂值升序排列，从最小值开始进行滑窗分组，窗长为4；每组中，4个点的p₂和p₁分别对应x和y值，采用三次多项式拟合：

y＝a₃x³+a₂x²+a₁x+a₀

其中，a₃,a₂,a₁,a₀为拟合参数，选择每组最大值点作为分段函数起始点，对所有组数据进行拟合后，得到完整的样条曲线，作为初始边界；

(65)将H₀假设下Q个特征向量代入(64)中初始边界验证，保证只有虚警点在判决区域外面，若存在某个特征向量分类错误，微调所在分段的样条控制点，迭代更新边界，获得临时边界；

(66)通过减小全部样条控制点拟合时y维度数值，实现样条边界内部收缩，不断迭代优化(65)中的临时边界，直到边界发生错误时停止收缩，获得最终边界，即虚警可控的判决区域Ω。

有益效果：与现有技术相比，本发明的有益效果：1、本发明建立三元假设检验问题，更加精细化地区分目标落在主杂波带内外的不同特性；2、本发明引入深度网络作为特征提取器，深入自主学习时频图的特征，解决人工特征提取的局限性问题；3、本发明提出2D特征空间中具有引导的三次样条曲线算法，获得虚警可控的判决区域；4、通过此发明可以解决人工特征提取局限性

以及判决区域虚警控制的问题，提高了海面低速运动小目标的检测概率。

附图说明

图1为本发明的流程图；

图2为IRV2深度网络模型结构示意图；

图3为2D特征空间判决区域示意图；

图4为基于三特征检测器的检测结果；

图5为基于AlexNet检测器的检测结果图；

图6为本发明提出检测器的检测结果图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

本发明提出一种基于时频域深度网络的海面小目标特征检测方法，如图1所示，具体包括以下步骤：

步骤1：获取待检测单元周围P个观测向量，z_p,p＝1,2,...,P；建立三元假设检验问题H₀、H₁₊、H_1-，精细化目标落在海杂波带内外的不同特性。

假设雷达在一个距离单元接收到连续N个脉冲，构成一个观测向量z＝[z(1),z(2),...,z(N)]^T，称为待检测单元(Cell Under Test，CUT)。同时，获得CUT周围P个参考单元的观测向量z_p,p＝1,2,...,P。

为了进一步精细化目标落在海杂波带内外的不同特性，建立三元假设检验问题：

其中，H₀假设表示只有海杂波，H₁₊假设表示具有正多普勒偏移的含目标观测向量，H_1-假设表示具有负多普勒偏移的含目标观测向量，c表示海杂波向量，c_p表示第p个参考单元为海杂波向量，s表示目标回波向量，f_d表示目标的多普勒偏移。

步骤2：将观测向量z和z_p,p＝1,2,...,P，转换到二维时频域中，通过计算平滑伪魏格纳-维尔分布(smoothed pseudo Wigner-Ville distribution，SPWVD)，获得二维时频图TFG(z)和TFG(z_p),p＝1,2,...,P。计算公式如下：

其中，n＝1，2，…，N表示时间维，l＝1，2，…，N表示频率维，g和h分别是时间和频率的平滑窗。Δf_d为归一化多普勒频率的采样间隔。

步骤3：对二维时频图TFG(z)进行归一化处理，获得归一化时频图NTFG(z)。

在时频域中，海杂波可看成是一个随机过程。从参考单元的TFG(z_p),p＝1,2,...,P中，估计获得该随机过程的均值函数

和标准差函数

计算公式如下：

对步骤2中的TFG(z)进行归一化处理，获得归一化时频图NTFG：

步骤4：构建深度网络模型，提取属于三类假设的概率值作为特征值，记为p₀，p₁，p₂且满足p₀+p₁+p₂＝1。

4.1)雷达开机后，获取H₀假设下Q个观测向量；同时仿真分别获得H₁₊假设和H_1-假设下Q个观测向量。按照步骤2和步骤3，计算三类假设下NTFG样本，依次记标签为“0”，“1”，“2”，作为训练样本。

4.2)参照图2搭建深度网络模型Inception-ResNet V2(简称IRV2)，包括Stem模块、Reduction-A以及Reduction-B两个网格缩减模块，5个Inception-resnet-A模块、10个Inception-resnet-B模块、5个Inception-resnet-C模块、平均池化模块、Dropout模块以及Softmax模块。

4.3)将步骤4.1)中训练样本作为IRV2深度网络的输入，进行训练学习不同类别时频图的差异性，这些差异性凝聚到深度网络模型的参数中。最后，通过多次迭代学习和更新，获得最优的深度网络模型参数。

4.4)将步骤3中的NTFG(z)进入到步骤4.3)中深度网络中，得到属于H₀假设、H₁₊假设和H_1-假设的概率值，作为检测的特征值，记为p₀，p₁，p₂，且满足p₀+p₁+p₂＝1。

步骤5：根据步骤4中输出的概率值，将属于H₁₊假设和H_1-假设的概率值作为特征值，构建一个2D特征向量：

ξ＝[p₁,p₂]^T,p₁,p₂∈[0,1]

将之作为最终的检验统计量ξ。

步骤6：在给定虚警率Pfa下，结合三次样条曲线算法，不断迭代和优化边界区域，确定虚警可控的判决区域Ω。

6.1)将步骤4.1)中训练样本进入到深度网络中，按照步骤5获得3Q个2D特征向量，即H₀假设下Q个特征向量

H₁₊假设下Q个特征向量

H_1-假设下Q个特征向量

分别计算H₁₊假设和H_1-假设下的类别中心：

6.2)在H₀假设下，计算Q个特征向量离

的最短距离

其中，||·||₂表示计算向量的模，min表示取最小值。从小到大进行排序

获得虚警特征向量集合为

[]表示取整数。因此，判决区域Ω只包含以下特征向量

6.3)根据p₂值，将样本集Ω₀划分到M个等宽区间中，其中，第i个区间记为

将各个区间最值点作为样条控制点，若区间无样本则不设置控制点。

6.4)对所有区间的样条控制点按p₂值升序排列，从最小值开始进行滑窗分组，窗长为4。每组中，4个点的p₂和p₁分别对应x和y值，采用三次多项式拟合

y＝a₃x³+a₂x²+a₁x+a₀

其中，a₃,a₂,a₁,a₀为拟合参数。选择每组最大值点作为分段函数起始点，对所有组数据进行拟合后，得到完整的样条曲线，作为初始边界。

6.5)将H₀假设下Q个特征向量代入步骤6.4)中初始边界验证，保证只有虚警点在判决区域外面。若存在某个特征向量分类错误，微调所在分段的样条控制点，迭代更新边界，获得临时边界。

6.6)在保证划分正确前提下，通过减小全部样条控制点拟合时y维度数值，实现样条边界内部收缩，不断迭代优化步骤6.5)中的临时边界。直到边界发生错误时停止收缩，获得最终边界。因此，最终边界就是虚警可控的判决区域Ω。

步骤7：计算检验统计量ξ是否在判决区域Ω内，判断出观测向量z中是否存在目标，如果

则表明观测向量z中有目标；如果ξ∈Ω，则表明观测向量z中没有目标。

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。

本实例使用来自已公开的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。实验中，数据名称19931118_162155_stareC0000310。X波段雷达的脉冲重复频率为1000Hz，距离分辨率30m，测试目标为海面漂浮的小球，直径1m。

仿真实验1：演示了2D特征空间中的判决区域获取过程，如图3所示，其中：海杂波训练特征向量共10230个，即Q＝10230，虚警率P_fa＝0.001。H₁₊假设和H_1-假设的类别中心分别标注为六角星和五角星。根据目标类别中心引导信息，获得离类别中心最近的10个虚警特征向量，标注为圆圈。按照步骤6.3)至步骤6.6)进行优化迭代，最终获得基于三次样条曲线的判决区域边界，标注为黑色粗实线，见右下角放大图。该样条边界由22段三次样条曲线联合构成，实现了判决区域形状的非凸性。

仿真实验2：验证本发明提出的检测算法，设置脉冲累积数为N＝256，即观测时间为0.256s，参考单元P＝10，虚警率P_fa＝0.001，结果如图4、图5、图6所示，其中：

图4为基于三特征检测器的检测结果，检测概率为0.591，人工提取了一个时域特征和两个频域特征，这3个特征在高信杂比下具有较好的性能。由于该数据的信杂比约为2.3dB，因而时域和频域联合检测的性能有限。

图5为基于AlexNet的检测器的检测结果，检测器对二维时频图进行学习和分类，并采用一类概率进行虚警控制。相对于三特征检测器，该检测器性能从0.591降低到0.506。这主要因为该检测器并未对时频域海杂波抑制，在低信杂比下很难从原始时频图上学习到有效的特征。同时，AlexNet网络的层数较为浅，很难学习到深层特性。

图6为本发明提出检测器的检测结果，检测概率为0.948，性能提升显著。性能提升主要来源于三个方面。第一，归一化处理实现对时频域海杂波抑制，提高了信杂比。同时，建立三元假设问题，进一步精细化了目标落在主杂波带内外的差异性。第二，将深度网络作为特征提取器，能够自主学习时频域的深层特性，相对于传统地人工特征提取的方式优势更大。第三，在2D特征空间中，提出了具有引导的三次样条曲线算法，获得非凸性的判决区域。

综上可见，本发明对海面小目标的检测性能优于现有的检测方法，集成了深度网络自主学习和多维特征联合的优势，为传统检测方法提出了新思路。

Claims (4)

1.一种基于时频域深度网络的海面小目标特征检测方法，其特征在于，包括以下步骤：

(1)雷达在一个距离单元接收到连续N个脉冲，构成一个观测向量z＝[z(1),z(2),...,z(N)]^T，构成待检测单元，然后获取待检测单元周围P个观测向量，z_p,p＝1,2,...,P；建立三元假设检验问题H₀、H₁₊、H_1-，精细化目标落在海杂波带内外的不同特性；

(2)将观测向量z和z_p,p＝1,2,...,P，转换到二维时频域中，通过计算平滑伪魏格纳-维尔分布SPWVD，获得二维时频图TFG(z)和TFG(z_p),p＝1,2,...,P；

(3)对二维时频图TFG(z)进行归一化处理，获得归一化时频图NTFG(z)；

(4)构建深度网络模型，提取属于三类假设的概率值作为特征值，记为p₀，p₁，p₂且满足p₀+p₁+p₂＝1；

(5)构建一个2D特征向量ξ＝[p₁,p₂]^T,p₁,p₂∈[0,1]，作为最终的检验统计量ξ；

(6)在给定虚警率P_fa下，结合三次样条曲线算法，不断迭代和优化边界区域，确定虚警可控的判决区域Ω；

(7)计算检验统计量ξ是否在判决区域Ω内，判断出观测向量z中是否存在目标，如果

则表明观测向量z中有目标；如果ξ∈Ω，则表明观测向量z中没有目标；

所述步骤(6)包括以下步骤：

(61)按照步骤(5)获得3Q个2D特征向量，即H₀假设下Q个特征向量

H₁₊假设下Q个特征向量

H_1-假设下Q个特征向量

分别计算H₁₊假设和H_1-假设下的类别中心：

(62)在H₀假设下，计算Q个特征向量离

的最短距离：

其中，||·||₂表示计算向量的模，min表示取最小值，从小到大进行排序

获得虚警特征向量集合为

[]表示取整数；判决区域Ω只包含以下特征向量：

(63)根据p₂值，将样本集Ω₀划分到M个等宽区间中，其中，第i个区间记为：

将各个区间最值点作为样条控制点，若区间无样本则不设置控制点；

(64)对所有区间的样条控制点按p₂值升序排列，从最小值开始进行滑窗分组，窗长为4；每组中，4个点的p₂和p₁分别对应x和y值，采用三次多项式拟合：

y＝a₃x³+a₂x²+a₁x+a₀

其中，a₃,a₂,a₁,a₀为拟合参数，选择每组最大值点作为分段函数起始点，对所有组数据进行拟合后，得到完整的样条曲线，作为初始边界；

(65)将H₀假设下Q个特征向量代入(64)中初始边界验证，保证只有虚警点在判决区域外面，若存在某个特征向量分类错误，微调所在分段的样条控制点，迭代更新边界，获得临时边界；

(66)通过减小全部样条控制点拟合时y维度数值，实现样条边界内部收缩，不断迭代优化(65)中的临时边界，直到边界发生错误时停止收缩，获得最终边界，即虚警可控的判决区域Ω。

2.根据权利要求1所述的基于时频域深度网络的海面小目标特征检测方法，其特征在于，步骤(1)所述的三元假设检验问题为：

其中，c表示海杂波向量，c_p表示第p个参考单元为海杂波向量，s表示目标回波向量，f_d表示目标的多普勒偏移，H₀假设表示只有海杂波，H₁₊假设表示具有正多普勒偏移的含目标观测向量，H_1-假设表示具有负多普勒偏移的含目标观测向量。

3.根据权利要求1所述的基于时频域深度网络的海面小目标特征检测方法，其特征在于，所述步骤(2)通过以下公式实现：

其中，n＝1,2,…,N表示时间维，l＝1,2,…,N表示频率维，g和h分别是时间和频率的平滑窗，△f_d为归一化多普勒频率的采样间隔。

4.根据权利要求1所述的基于时频域深度网络的海面小目标特征检测方法，其特征在于，步骤(4)所述的深度网络模型包括Stem模块、Reduction-A以及Reduction-B两个网格缩减模块，5个Inception-resnet-A模块、10个Inception-resnet-B模块、5个Inception-resnet-C模块、平均池化模块、Dropout模块以及Softmax模块。

Images