基于深度学习的非合作双基地雷达目标检测方法

源自：信号处理

作者：钟宁, 鲍庆龙, 陈健, 戴华骅

“人工智能技术与咨询”  发布

摘 要

非合作双基地雷达由于接收的目标信号能量不强且回波脉冲间相位同步困难，在目标检测时无法进行相参处理从而带来弱小目标检测困难的问题。为解决这一问题，本文把一维雷达数据转换成二维图像数据进行目标检测，通过将脉冲压缩后的雷达回波在慢时间维排列形成二维矩阵，获得雷达回波信号的距离-慢时间图像，输入YOLO（you only look once）v5s网络进行特征学习，实现非合作双基地雷达目标智能化检测。针对距离-慢时间图像中待检测目标的不显著性以及受到背景信息干扰严重的问题，本文对YOLOv5s网络进行改进：首先在Neck部分增加跨连接通路，使训练过程中持续有原始信息的参与；其次通过添加注意力机制SENet模块，加强网络对目标以及周边信息的关注度；最后在骨干网络引入Swin Transformer模块，加强网络对弱目标的发现与表征能力。然后，基于上述工作提出一种基于改进的YOLOv5s距离-慢时间图像处理的非合作双基地雷达目标检测方法。通过大量的对比实验和信噪比灵敏度测试实验，该方法在仿真的雷达回波数据集上获得了99.1%的检测精确度以及98.8%的召回率，比YOLOv5s网络分别提高了4.5%和4.2%，表明该改进方法能有效提高YOLOv5s网络检测性能；对于脉冲压缩后信噪比为7.1 dB的目标，检测率达到98.5%，传统方法的检测概率仅为79.9%，表明本文所提方法能有效提高目标检测的准确率和信噪比灵敏度，具有较强的应用价值。

关键词

弱目标检测 / 深度学习 / 距离-慢时间图 / 非合作双基地雷达 

1.   引 言

在进行非合作双基地雷达目标检测的过程中，需要利用直达波信号估计雷达辐射源信号参数，并将分选出的或通过估计参数重构的辐射源信号和回波信号进行匹配滤波处理。以非合作雷达为辐射源的双基地雷达，接收到的目标信号不仅能量比较弱 ［ 1］，还会受到噪声的干扰。由于雷达发射机的非合作特性，无法知道接收回波的相位信息 ［ 2］且相位同步困难，导致回波脉冲串无法在一定时间内严格相参，无法采用相参积累技术 ［ 3］提高回波信号信噪比；在噪声环境下，非相参处理 ［ 4］会出现信噪比门限效应 ［ 5］，当信噪比低到某个数值时，非相参积累增益几乎为0，从而只能进行单脉冲的处理，导致雷达探测威力受限。

由此，可靠稳健的非合作双基地雷达目标检测技术难点主要体现在辐射源的非合作特性使得回波信号无法相参积累，从而导致目标信噪比过低，现有检测算法难以从低信噪比的回波中有效检测到目标。目前已有不少学者致力于双基地雷达领域的研究，并取得了一些成果：周昱等人 ［ 6］利用首达波的峰值相位对回波信号作相位补偿，并且通过频域对消缩小相位误差。陈多芳等人 ［ 7］提出一种从直达波中提取初始相位的方法，并利用提取的辐射源的初始相位对目标回波进行相位补偿。林春风等人 ［ 8］通过距离-速度域的RFT（Radon-Fourier Transform）处理实现相位补偿，完成双基地雷达目标能量的积累和检测。王万田等人 ［ 9］通过利用修正离散线性傅里叶变换估计的加速度和频率因子实现相位补偿函数的构造，完成目标回波沿脉冲维的相参积累处理。张娟等人 ［ 10］通过设计一种防止产生脉压失配情况的匹配滤波器，完成由于目标运动而导致的脉内多普勒的补偿。李辉等人 ［ 11］通过对回波信号自相关处理以及周期间作相关处理实现非相参体制无源雷达目标检测。其中，文献［ 6］的实验是在露天宽敞阳台上进行的，发射机，接收机，目标都处于阳台上，接收的直达波回波较为干净；文献［ 7］是在已知发射机载频和发射阵列信息的情况下实现的相位补偿；文献［ 8］讨论的是T/R-R类型的双基地雷达；文献［ 9- 10］是基于空-天双基地雷达实现的，主要针对高速运动目标检测，相当于传统双基地雷达模式，信号波形、频点等信息都是已知的。然而，在本文所讨论的非合作双基地雷达的实际工作体制下，实现相参积累的前提条件严苛，辐射源雷达的本振和工作模式未知，且直达波信号受多径效应影响严重，使参考通道接收的信号幅频特性变化多样 ［ 12］，在复杂电磁环境中，直达波天线在工作中会截获到同频段其他辐射源信号，使接收到的直达波信号包含多个不同强度和时频特性的分量信号且强度变化剧烈 ［ 13］，导致直达波相位的测量出现极大偏差，波形参数捷变的辐射源信号使相位同步更加困难，从而导致相参积累几乎难以实现，双基地雷达目标检测亟待新的解决方法。

近年来，深度学习的图像处理技术日趋成熟 ［ 14- 15］，其强大的图像特征自动提取功能给雷达目标检测领域带来新的思路：将一维雷达数据转换成二维图像数据进行目标检测。目前大多数学者将深度学习应用于合成孔径雷达（SAR）图像处理 ［ 16- 18］，提高了检测效率和精度。但用于一维回波生成的雷达图像相对较少：牟效乾等人通过将目标回波转换为时频图输入网络，实现雷达不同运动状态目标的检测，弥补了传统的检测方法的缺陷 ［ 19］。刘军伟等人将雷达回波数据转换成距离-多普勒图像作为网络输入，设计基于条件生成对抗网络的距离-多普勒杂波抑制算法，有效抑制杂波和噪声，增强目标信息 ［ 20］。赵晨帆等人用深度学习网络代替传统信号处理中的恒虚警（CFAR）检测器，将不同杂波背景下的多普勒频谱作为网络数据集，在相同的杂波环境中，检测概率至少提高0.01 ［ 21］。因此，使用深度学习图像检测方法实现雷达弱目标检测，有获得良好的检测效果的可能。

目前，基于深度学习的图像目标检测算法主要包括以YOLO系列算法 ［ 22- 23］为代表的单阶段算法和以Faster-CNN算法 ［ 24］为代表的双阶段算法。在基于距离-慢时间图的非合作双基地雷达目标检测中，由于目标信号能量不强，容易被噪声淹没，而高的检测概率与实时性是雷达目标检测重要的性能指标，需要构建一个在复杂环境中依然兼具实时性与检测精度的网络。与Faster-CNN算法相比，YOLO网络进行目标检测兼具实时性和准确率的优点 ［ 25- 26］，该算法训练一个在一次预测中实现目标分类与定位的模型。其中，YOLOv5具有高性能、通用性强的特点，是目前YOLO系列中在检测速度和检测精确度方面更具优势的模型 ［ 27］。文献［ 28］基于YOLOv5网络设计算法，成功检测出遥感图像中背景信息复杂的小目标，在RSOD数据集上获得了89.5%平均精度均值，适合用来检测雷达图像中的点和线。考虑到便于快速部署的原则