Maritime Target Detection Based on Radar Graph Data and Graph Convolutional Network
基于雷达图数据和图卷积网络的海上目标检测
1、摘要
海上目标检测任务较为复杂
传统基于概率理论方法(将海杂波视为随机过程)性能较低
传统深度学习(CNNs)独立处理每个信号样本,很少使用时空域相关信息
GCN很好的利用了雷达信号中包含的信息
2、传统CNNs的局限性
传统CNNs在提取高维特征方面具有良好的性能与泛化能力
但在海上目标检测上存在一定的困难:
(1)海事雷达的观测区域大,使得一定时空范围对应的回波信号数据量小,导致信号特征不足
(2)海上目标的特征与海杂波高度相似,深度学习方法不能很好地区分
(3)深度学习模型可以实现端到端的处理和自动特征提取,但输入的数据样本是相互独立处理的,结果是数据样本之间以及样本与整个数据集之间的相关信息丢失。
3、图表示雷达数据
雷达信号数据没有明显的图结构,但包含时域和空间域的图信息。在处理部分数据时,在相邻时间和地点采集的信号可以提供重要信息。
图结构用于定于检测单元,图卷积用于提取检测单元特征并聚合相邻检测单元信息,时信号样本不再独立。
文章主要贡献为将雷达数据用图的形式表现,从而在图上进行特征提取与聚合
4、海上机动目标信号模型
雷达发射线性频率调制(LFM)信号
其中 fc 是雷达载波频率,Tp 是脉冲宽度,k = B/Tp 是频率调制率,B 是带宽。则雷达在时间 t 接收到的信号为
解调和脉冲压缩后改写为
泰勒展开得:
5、使用图形映射和 GCN 进行目标检测
首先,雷达信号图数据是根据提取的驻留雷达信号的时间范围数据构建的。节点被定义为一个rangebin中的一维信号部分,节点特征被定义为对应信号的频率分布。
其次,应用时间、空间和功率信息来定义边缘。
节点:短序列信号
驻留模式雷达信号是一个二维矩阵数据,即距离和慢时间,具有 N 个距离箱,每个距离箱包含一个长度为 L 个采样点的时间序列。每个时间序列被分成几个长度为l的短序列,每个短序列信号对应一个节点vi j 。节点特征是对应信号的频率分布。
边:节点vi j 对应的信号的起始时间为ti j ,信号对应的range bin 与雷达的距离为ri j ,信号的平均功率为pi j ,节点vi j 之间的边值节点vmn定义为
减少冗余信息:对边重新定义
6、实验结果与对比实验角度
数据集构建和模型训练:
使用具有高斯背景的模拟目标信号来训练和测试所提出的方法。雷达发射频率为 3 GHz。
采样频率为 1 kHz。观察持续时间为 50 秒。最大观测距离为 8000 m,每个距离箱的宽度为 40 m。
然后,将雷达回波信号数据作为 200 × 50 000 矩阵获得。
前 25 秒的数据用于 GCN 模型训练,后 25 秒的数据用于测试。
对于训练集,随机选择 20% 的节点进行验证。验证集分为杂波集和目标集两个子集,分别由杂波样本和目标样本组成。
不同信噪比下的实验结果
不同信噪比时的虚警漏警