CN116165646B - 基于分割网络的虚警可控雷达目标检测方法 - Google Patents

Abstract

一种基于分割网络的虚警可控雷达目标检测方法，属于雷达目标检测技术领域。本发明针对基于神经网络的雷达目标检测中，NP准则由于不可微分而无法直接用于神经网络训练的问题。包括确定目标训练样本和杂波训练样本；构建虚警可控的轻量化U‑Net分割网络模型，并利用训练样本对网络参数进行迭代优化训练，得到训练后分割网络模型；所述轻量化U‑Net分割网络模型基于可微分纽曼皮尔逊准则设置关于网络参数的可微分纽曼皮尔逊损失函数，包括监督损失函数项和正则损失函数项；采用训练后分割网络模型对实时雷达AR谱数据进行目标区域的检测，再根据目标区域检测结果采用点迹提取器提取目标位置，实现虚警可控的目标检测。本发明实现了虚警可控雷达目标检测。

Description

基于分割网络的虚警可控雷达目标检测方法

技术领域

本发明涉及基于分割网络的虚警可控雷达目标检测方法，属于雷达目标检测技术领域。

背景技术

相比传统的恒虚警(CFAR)检测器，基于神经网络的检测具有数据驱动的特征表示学习能力，能够改进在非均匀杂波环境中的弱目标检测性能。

在极端样本不平衡条件下，采用交叉熵损失函数进行网络训练的神经网络检测器难以通过设定一个可变的门限来控制虚警概率。在雷达传统理论中，纽曼皮尔逊准则(Neyman-Pearson，NP)被用于寻找在虚警概率受约束情况下的最优检测器，该准则可能被用于神经网络以实现虚警可控的检测。但是，该准则是不可微分的，无法直接用于神经网络的训练。

专利CN114594463A(“一种基于组合凸包的海面小目标特征检测方法”)介绍了一种采用组合凸包实现虚警可控检测的基于特征的检测方法，通过对雷达观测向量提取始于和频域中的三个特征，采用一种组合凸包算法实现特定虚警概率下的3D非凸决策区域，相比原始凸包算法的凸包判决区域具有更小的体积和更高的检测性能。该方法由于凸包算法的维度限制仅适用于小于等于三维度特征，同时其性能主要依赖人工提取的特征，相比神经网络由数据驱动自动提取的特征具有较差的判别性。

专利CN111580064A(“一种基于多域多维特征融合的海面小目标检测方法”)介绍了一种将七维特征压缩到三维特征空间再采用快速凸包算法获得虚警可控检测的方法，将HH、HV、VH、VV这四种极化下的回波数据进行联合处理，提取时域、频域、时频域和极化域的七维特征信息，考虑保证高维度信息量的同时降低计算代价，将七维特征压缩到三维特征空间中，从而采用快速凸包算法获得虚警可控的凸性判决区域，实现目标检测。该方法绕开了凸包算法的维度限制，但是存在着高维特征进行线性降维时的信息丢失问题。同时，其性能主要依赖人工提取的特征，相比神经网络由数据驱动自动提取的特征也具有较差的判别性。

专利CN112147601A(“一种基于随机森林的海面小目标检测方法”)介绍了一种基于随机森林的虚警可控检测的方法，通过提取时域、频域及时频域多维特征向量输入到随机森林的输入，建立分裂因子和虚警率之间的数学关系得到虚警可控检测的随机森林两类分类器，从而完成目标的检测。该方法神经网络的特征提取步骤和后续的虚警可控检测步骤分离，导致自动提取的特征具有较差的判别性。

专利CN113064133A(“一种基于时频域深度网络的海面小目标特征检测方法”)介绍了一种在二维特征空间中采用有引导的三次样条曲线获得虚警可控检测的方法，通过引入Inception-ResNet V2深度网络作为特征提取器提取归一化时频图的二维特征向量，然后在二维特征空间中采用有引导的三次样本曲线获得虚警可控的非凸性判决区域，从而实现异常检测或目标检测。该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，但是由于直接采用大型深层网络具有很大的计算开销。同时，神经网络的特征提取步骤和后续的虚警可控检测步骤分离，导致自动提取的特征具有较差的判别性。

专利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”)介绍了一种采用可变门限和支持向量机(SVM)实现虚警可控检测的方法，首先对雷达回波信号进行预处理得到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提取深度特征，最后采用虚警可控分类器完成目标检测。该方法神经网络的特征提取步骤和后续的基于SVM的虚警可控检测步骤分离，导致自动提取的特征具有较差的判别性；同时，该方法的基于可变门限实现虚警可控检测无法适应于极端样本不平衡的情况。

综上所述，现有雷达目标检测存在的问题包括：

(1)雷达检测中传统的CFAR检测器基于雷达回波信号的统计模型，仅在理想情况下性能达到最优，难以适应变化多样的雷达检测背景和复杂特性的目标；

(2)神经网络是一种基于数据驱动的方法，可同时实现特征的自动学习和分类器的端到端训练，雷达实测数据往往存在的极端样本不平衡现象极大影响了神经网络模型的性能，采用常用的交叉熵损失函数和最小均方误差损失函数均难以实现高性能的分类。

(3)现有的图像分类模型和图像分割模型往往以分类准确率、召回率、Dice系数、F1评分等作为性能评价指标，未充分考虑虚警率的影响，难以满足实际雷达实际的应用需求。

发明内容

针对基于神经网络的雷达目标检测中，NP准则由于不可微分而无法直接用于神经网络训练的问题，本发明提供一种基于分割网络的虚警可控雷达目标检测方法。

本发明的一种基于分割网络的虚警可控雷达目标检测方法，包括，

步骤一：对雷达AR谱数据的真实目标回波区域进行像素标注，获得真实目标像素标签，再根据像素标签采用点迹凝聚操作获得真实目标位置；按真实目标位置设定矩形尺寸标签，得到目标训练样本；将雷达AR谱数据未标注区域作为杂波训练样本；

步骤二：构建虚警可控的轻量化U-Net分割网络模型，并利用目标训练样本和杂波训练样本对网络参数进行迭代优化训练，得到训练后分割网络模型；

所述轻量化U-Net分割网络模型基于可微分纽曼皮尔逊准则设置关于网络参数的可微分纽曼皮尔逊损失函数，包括监督损失函数项和正则损失函数项；首先基于监督损失函数项对网络参数进行预训练；再基于监督损失函数项和正则损失函数项对网络参数进行微调训练；得到训练后分割网络模型；

步骤三：采用训练后分割网络模型对实时雷达AR谱数据进行目标区域的检测，再根据目标区域检测结果采用点迹提取器提取目标位置，实现虚警可控的目标检测。

根据本发明的基于分割网络的虚警可控雷达目标检测方法，步骤二中可微分纽曼皮尔逊损失函数L(θ)为：

式中L_S(θ)为监督损失函数项，L_R(θ)为正则损失函数项，λ为正则项系数，为可微分的目标检测概率，/>为可微分的虚警概率，α为期望的虚警概率水平；

基于监督损失函数项L_S(θ)采用训练样本对网络参数进行预训练；再基于监督损失函数项L_S(θ)和正则损失函数项L_R(θ)采用训练样本对网络参数进行微调训练；得到训练后分割网络模型，训练后分割网络模型的判决阈值为0.5。

根据本发明的基于分割网络的虚警可控雷达目标检测方法，设置可微分的目标检测概率和可微分的虚警概率/>如下：

式中N_s为小批次训练中训练样本的个数；为神经网络对第i个训练样本z_i类别标签的预测值；/>表示第i个训练样本z_i对应的真实标签；ε为常数；

训练样本z_i具有N_a×N_r尺寸，N_a为训练样本的回波角度维单元数量，N_r为训练样本的距离维单元数量；

其中vec(·)为将矩阵转化为列向量的矢量化操作；/>为尺寸为N_aN_r×1的列向量，其元素都为1；||·||₁表示向量的1范数。

根据本发明的基于分割网络的虚警可控雷达目标检测方法，ε取值为1。

根据本发明的基于分割网络的虚警可控雷达目标检测方法，正则项系数λ的确定方法包括：

设置正则项系数λ的取值使网络参数微调训练阶段初始化时监督损失函数项L_S(θ)和λ·L_R(θ)值相同或为相同量级。

根据本发明的基于分割网络的虚警可控雷达目标检测方法，期望的虚警概率水平α设置为：

式中为每个训练样本的真实期望虚警概率，M×M为雷达AR谱数据回波中每个真实目标回波对应的矩形尺寸标签的尺寸；2/(1×10^-4)表示每个训练样本在虚警概率为1×10^-4时存在2个杂波虚警。

根据本发明的基于分割网络的虚警可控雷达目标检测方法，在网络参数训练过程中，对正则损失函数项L_R(θ)进行动态调整，动态调整方法包括：

一)选择最优网络参数采用训练样本构成的验证集评估真实检测概率P_d和真实虚警概率P_fa，采用可微分纽曼皮尔逊损失函数L(θ)的不可导形式/>选择/>在最小损失值下对应的最优网络参数/>

二)改变正则损失函数项L_R(θ)的期望的虚警概率水平α：

在分割网络模型训练的初始阶段，设置α值为α₀；当真实虚警概率P_fa大于真实期望虚警概率时，改变α值为α_I，使真实虚警概率P_fa不大于真实期望虚警概率/>

α_I-1为第I-1次网络训练迭代时的α值，α_I为第I次网络训练迭代时的α值，λ₁为第I次网络训练迭代时的变化步长。

本发明的有益效果：本发明方法提供了一种基于分割网络的虚警可控雷达目标检测方法，采用神经网络实现数据驱动下的自动特征提取，设计了适用于极端样本不平衡场景的两个可微分的纽曼皮尔逊准则的损失函数以近似实现NP准则，实现分割网络的训练。

本发明方法在极端样本不平衡情况下，基于可微分的NP损失函数，采用一个轻量的U-Net分割网络实现了极端样本不平衡情况下的虚警可控检测。

本发明方法相比联合神经网络和特征检测的方法，不需要额外设计基于特征的虚警可控分类器去实现虚警可控检测，相比基于可变门限的虚警可控检测方法，特别适用于极端样本不平衡下雷达实际检测场景。其具备着端到端的神经网络训练过程，实现方式简洁，虚警控制精度高，在低虚警水平下检测性能高，可适用于各种神经网络架构。

本发明方法在雷达数据极端样本不平衡的情况不仅依旧具有很好的虚警控制能力，还在低虚警水平下具备很好的检测性能。

附图说明

图1是本发明所述基于分割网络的虚警可控雷达目标检测方法的流程框图；

图2是轻量化U-Net分割网络模型的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

具体实施方式一、结合图1和图2所示，本发明提供了一种基于分割网络的虚警可控雷达目标检测方法，包括，

步骤一：对雷达AR谱数据的真实目标回波区域采用像素标注工具进行像素标注，获得真实目标像素标签，再根据像素标签采用点迹凝聚操作获得真实目标位置；按真实目标位置设定固定的较小的矩形尺寸标签，得到目标训练样本；将雷达AR谱数据未标注区域作为杂波训练样本；将样本和对应的标签多次输入网络中进行处理以充分训练网络模型参数；

步骤二：构建虚警可控的轻量化U-Net分割网络模型，并利用目标训练样本和杂波训练样本对网络参数进行迭代优化训练，得到训练后分割网络模型；

所述轻量化U-Net分割网络模型基于可微分纽曼皮尔逊准则设置关于网络参数的可微分纽曼皮尔逊损失函数，包括监督损失函数项和正则损失函数项；首先基于监督损失函数项对网络参数进行预训练；再基于监督损失函数项和正则损失函数项对网络参数进行微调训练；得到训练后分割网络模型；

步骤三：采用训练后分割网络模型对实时雷达AR谱数据进行目标区域的检测，再根据目标区域检测结果采用点迹提取器提取目标位置，实现虚警可控的目标检测。

本实施方式的步骤二中对分割网络模型进行迭代优化训练，先采用可微分纽曼皮尔逊损失函数中的监督损失项进行预训练，再完整采用监督损失项和正则损失项进行网络微调，可以降低正则损失项系数的选择难度，最终得到实现期望虚警概率的网络模型参数，其判决阈值可固定为0.5。

进一步，步骤二中可微分纽曼皮尔逊损失函数L(θ)为：

式中L_S(θ)为监督损失函数项，L_R(θ)为正则损失函数项，λ为正则项系数，为可微分的目标检测概率，/>为可微分的虚警概率，α为期望的虚警概率水平；

基于监督损失函数项L_S(θ)采用训练样本对网络参数进行预训练；再基于监督损失函数项L_S(θ)和正则损失函数项L_R(θ)采用训练样本对网络参数进行微调训练；得到训练后分割网络模型。神经网络通过损失函数L(θ)训练后，网络的虚警控制能力固定在期望的水平上，网络输出的判决阈值默认采用0.5，无需进行调整。

设置可微分的目标检测概率和可微分的虚警概率/>如下：

式中N_s为小批次训练中训练样本的个数；为神经网络对第i个训练样本z_i类别标签的预测值；/>表示第i个训练样本z_i对应的真实标签；ε为常数；

训练样本z_i具有N_a×N_r尺寸，N_a为训练样本的回波角度维单元数量，N_r为训练样本的距离维单元数量；

其中vec(·)为将矩阵转化为列向量的矢量化操作；/>为尺寸为N_aN_r×1的列向量，其元素都为1；||·||₁表示向量的1范数，由于网络输出/>都大于1，所以范数运算等于对向量所有元素直接求和；ε是一个较小的常数，用于确保网络训练的稳定性。ε取值可默认为1。

基于损失函数L(θ)可以对分割网络进行网络训练，为了方便设置正则项系数λ，本实施方式采用了二阶段网络训练方法，首先采用监督损失函数项L_S(θ)用于网络的预训练直到网络基本收敛，然后采用正则损失函数项L_R(θ)用于约束网络满足期望的虚警概率。

正则项系数λ的确定方法包括：

设置正则项系数λ的取值使网络参数微调训练阶段初始化时监督损失函数项L_S(θ)和λ·L_R(θ)值相同或为相同量级，从而避免正则项系数λ盲目选择的问题。

此外，由于损失函数中的虚警概率是计算每一个训练样本的像素虚警概率，所以对于参数α的设置，需要将每个训练样本的真实期望虚警概率转化为像素虚警概率：

期望的虚警概率水平α设置为：

式中为每个训练样本的真实期望虚警概率，M×M为雷达AR谱数据回波中每个真实目标回波对应的矩形尺寸标签的尺寸；2/(1×10^-4)表示每个训练样本在虚警概率为1×10^-4时存在2个杂波虚警，该比值随着雷达回波数据形式的不同而发生变化。

再进一步，为了改善分割网络的虚警控制能力，本实施方式设计了一个有效的网络训练策略，包括采用较小固定尺寸M×M的目标标签以消除标签随机尺寸带来的影响和动态调整正则项以缓解后续点迹提取不可导运算带来的偏差。

在网络参数训练过程中，对正则损失函数项L_R(θ)进行动态调整，动态调整方法包括：

一)选择最优网络参数在网络训练时，采用训练样本构成的验证集评估真实检测概率P_d和真实虚警概率P_fa，采用可微分纽曼皮尔逊损失函数L(θ)的不可导形式/>选择/>在最小损失值下对应的最优网络参数/>

对于可微分纽曼皮尔逊损失函数：采用的检测概率和虚警概率都是可导的，不是真实的值，为近似值；而中采用的检测概率和虚警概率都是真实的值，无法可导，因此可通过验证集实时计算获得；

二)改变正则损失函数项L_R(θ)的期望的虚警概率水平α：

在分割网络模型训练的初始阶段，设置α值为α₀；当真实虚警概率P_fa大于真实期望虚警概率时，改变α值为α_I，即降低参数α₀的值，使真实虚警概率P_fa不大于真实期望虚警概率/>

α_I-1为第I-1次网络训练迭代时的α值，α_I为第I次网络训练迭代时的α值，λ₁为第I次网络训练迭代时的变化步长。

本实施方式为了改进分割网络的虚警控制能力，对每个目标采用了一个较小的固定尺寸标签以降低目标随机尺寸的影响，并动态调整正则损失函数以消除由于不可微分步骤带来的偏差。

当网络训练结束后，对分割网络输出的类别概率论图采用默认的检测门限0.5进行阈值检测，然后再进行点迹提取操作就能直接实现对目标的虚警可控检测。

雷达目标检测：

将实时雷达AR谱回波数据制作成待检测信号，输入到基于大量数据训练好的最优目标检测模型中，经过特征提取得到输出值，并采用默认的检测阈值0.5进行目标和杂波背景的判决，实现对目标进行虚警可控的检测。

本实施方式中，构建的轻量化U-Net分割网络模型具体结构如图2所示，所述轻量化U-Net分割网络包含编码器和解码器，编码器对应图2中左侧的结构部分，解码器对应中间的反卷积层与右侧的结构部分；相比原始U-Net网络本实施方式主要修改了卷积层和反卷积层中的通道数，以降低网络的计算复杂度，从而更加适合需要实时处理的雷达目标检测任务。

其中编码器包含4个双卷积层和4个最大池化层，每个双卷积层包含2个普通的卷积层，每个普通卷积层均采用3×3的卷积核。第1个双卷积层处理通道数为1的输入图片数据，输出通道数为2的特征图，其他双卷积层的运算过程类同。每个最大池化层采用2×2的步长提取特征图的局部最大值，将输入特征图的尺寸缩小4倍，从而降低计算复杂度；解码器包含4个双卷积层、5个反卷积层、1个单卷积层和1个sigmoid激活函数，每个双卷积层采用3×3的卷积核，需要同时处理来自编码器的特征图和解码器前一层的特征图，实现对浅层特征和深层特征的融合。每个反卷积层可将输入特征图的尺寸放大4倍，从而最终实现将特征图的空间尺寸还原到输入图片的空间尺寸大小。单卷积层将2通道的特征图映射为1通道的特征图，Sigmoid激活函数随后将1通道的特征图转化为预测的目标类别概率图，最终得到对于目标区域的分割(或检测)结果。

本发明方法中可微分检测概率的设计，可使其适应极端样本不平衡场景；参数α的设计，使其可以直接控制每帧雷达数据的点迹层面的虚警概率；预训练加微调训练的训练流程，使于网络训练，并提高虚警控制精度。

虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其它所述实施例中。

Claims (5)

1.一种基于分割网络的虚警可控雷达目标检测方法，其特征在于包括，

步骤一：对雷达AR谱数据的真实目标回波区域进行像素标注，获得真实目标像素标签，再根据像素标签采用点迹凝聚操作获得真实目标位置；按真实目标位置设定矩形尺寸标签，得到目标训练样本；将雷达AR谱数据未标注区域作为杂波训练样本；

步骤二：构建虚警可控的轻量化U-Net分割网络模型，并利用目标训练样本和杂波训练样本对网络参数进行迭代优化训练，得到训练后分割网络模型；

所述轻量化U-Net分割网络模型基于可微分纽曼皮尔逊准则设置关于网络参数的可微分纽曼皮尔逊损失函数，包括监督损失函数项和正则损失函数项；首先基于监督损失函数项对网络参数进行预训练；再基于监督损失函数项和正则损失函数项对网络参数进行微调训练；得到训练后分割网络模型；

步骤三：采用训练后分割网络模型对实时雷达AR谱数据进行目标区域的检测，再根据目标区域检测结果采用点迹提取器提取目标位置，实现虚警可控的目标检测；

步骤二中可微分纽曼皮尔逊损失函数L(θ)为：

式中L_S(θ)为监督损失函数项，L_R(θ)为正则损失函数项，λ为正则项系数，为可微分的目标检测概率，/>为可微分的虚警概率，α为期望的虚警概率水平；

基于监督损失函数项L_S(θ)采用训练样本对网络参数进行预训练；再基于监督损失函数项L_S(θ)和正则损失函数项L_R(θ)采用训练样本对网络参数进行微调训练；得到训练后分割网络模型，训练后分割网络模型的判决阈值为0.5；

设置可微分的目标检测概率和可微分的虚警概率/>如下：

式中N_s为小批次训练中训练样本的个数；为神经网络对第i个训练样本z_i类别标签的预测值；/>表示第i个训练样本z_i对应的真实标签；ε为常数；

训练样本z_i具有N_a×N_r尺寸，N_a为训练样本的回波角度维单元数量，N_r为训练样本的距离维单元数量；

其中vec(·)为将矩阵转化为列向量的矢量化操作；/>为尺寸为N_aN_r×1的列向量，其元素都为1；||·||₁表示向量的1范数。

2.根据权利要求1所述的基于分割网络的虚警可控雷达目标检测方法，其特征在于，

ε取值为1。

3.根据权利要求1所述的基于分割网络的虚警可控雷达目标检测方法，其特征在于，

正则项系数λ的确定方法包括：

设置正则项系数λ的取值使网络参数微调训练阶段初始化时监督损失函数项L_S(θ)和λ·L_R(θ)值相同或为相同量级。

4.根据权利要求3所述的基于分割网络的虚警可控雷达目标检测方法，其特征在于，

期望的虚警概率水平α设置为：

式中为每个训练样本的真实期望虚警概率，M×M为雷达AR谱数据回波中每个真实目标回波对应的矩形尺寸标签的尺寸；2/(1×10^-4)表示每个训练样本在虚警概率为1×10^-4时存在2个杂波虚警。

5.根据权利要求4所述的基于分割网络的虚警可控雷达目标检测方法，其特征在于，在网络参数训练过程中，对正则损失函数项L_R(θ)进行动态调整，动态调整方法包括：

一)选择最优网络参数采用训练样本构成的验证集评估真实检测概率P_d和真实虚警概率P_fa，采用可微分纽曼皮尔逊损失函数L(θ)的不可导形式/>选择/>在最小损失值下对应的最优网络参数/>

二)改变正则损失函数项L_R(θ)的期望的虚警概率水平α：

在分割网络模型训练的初始阶段，设置α值为α₀；当真实虚警概率P_fa大于真实期望虚警概率时，改变α值为α_I，使真实虚警概率P_fa不大于真实期望虚警概率/>

α_I-1为第I-1次网络训练迭代时的α值，α_I为第I次网络训练迭代时的α值，λ₁为第I次网络训练迭代时的变化步长。