基于SSD的低空监视雷达目标检测

易重辉，张建伟，钱 江

(1. 四川大学 视觉合成图形图像技术国防重点学科实验室，成都 610065；2. 电子科技大学 长三角研究院(湖州)，浙江 湖州 313001)

近年来，我国各个城市规模不断扩大，民用的小型飞行器日益增多，使得国内航空流量不断增加.这类飞行器机载设备差，不能及时、准确地通报本机位置，导致二次雷达较难探测到此类飞行器；其体积小、速度慢、飞行高度低等特征也使得一次雷达对此类飞行器的检测识别变得非常困难.这给现有的空管工作施加了较大压力，因此解决民用小型飞行器的检测问题具有重要的研究意义和实用价值.

目前，国内外研究人员在雷达目标检测方面做了许多工作.恒虚警率(CFAR)检测是传统的雷达目标检测方法，具有检测时间长和只能检测点目标的缺点.为改善雷达目标检测效果，大致发展出了2 个改进方向，即基于传统信号处理的方法和基于特征的模式分类方法.对于前者，多属于仅针对CFAR 的改进.如基于主成分分析(PCA)的矩阵CFAR 检测[1]和基于积分图像的快速CFAR 算法[2]，显著提升了检测速度.文献[3]提出的多尺度自适应选取区域CFAR 算法，提供了定位不同目标的新思路.基于CFAR 的改进算法只利用了检测区域的信号幅度差异，未对目标进行特征建模，因此容易漏检[4].

对于基于特征的模式分类方法，则将问题转化成模式识别问题.文献[5]用神经网络的方法选择使用CFAR 检测器的种类；文献[6]用卷积神经网络替代分数阶傅里叶变换；文献[7]用改进的支持向量机识别雷达目标与遮挡物.上述方法所考虑的神经网络属于浅层网络，提取特征不够深刻.文献[8]利用多种卷积神经网络对MTD 图像进行学习训练，验证了MTD 图像结合卷积神经网络的目标检测算法在雷达目标检测中的可行性，在检测精度和速度方面有较大的提升，但其列举的网络结构简单，特征提取程度有限，对小目标的检测能力不足.SSD 是针对视频目标的检测算法，其检测速度和综合精度领先于其他视频目标的检测算法[9].相比其他用卷积神经网络进行雷达目标检测的方法，SSD 拥有更深的网络结构，提升了小目标的检测能力，加快了检测速度，可以直接确定目标的位置.

基于此，本文提出了基于SSD 的低空监视雷达目标检测算法.相对视频目标，雷达目标在输入图像上的分辨率更低.根据低空监视雷达的实测数据，雷达目标只有8～16 个像素尺度，因此需要对数据集作许多改进以适应小目标：为便于卷积神经网络处理，增加MTD 图像在速度方向的像素尺度，并进行图像切片；为更加符合实际运行情况，模拟数据的参数均与真实雷达参数相同；为了更好地对比模型优劣，生成了不同信噪比(signal to noise ratio, SNR)的雷达回波信号.

1 SSD 低空监视雷达目标检测

基于SSD 的低空监视雷达目标检测方法的流程如图1 所示.

图1 SSD 低空监视雷达目标检测流程

由图1 可知，首先，系统进行信号预处理；其次，生成MTD 切片图像数据集，改进SSD 模型的各项参数和训练数据集；最后，进行模型测试和评估，并对比不同模型在不同环境下的检测效果.信号预处理部分，主要分为匹配滤波、动目标显示和动目标检测，生成MTD 图像；构建数据集部分，主要分为图像像素拓展和切片；测试评估部分主要对比测试SSD 与CFAR 2 种方法的系统性能.模型评估主要依赖P-R(precision-recall)曲线、平均精度均值(mean average precision, mAP,即各类别AP 的平均值)和平均检测时间3 个性能指标.因CFAR 没有分类功能，为便于对比，实验生成的回波信号中只包含一种目标，所以文中mAP 是仅有一个类别的平均精度均值.

1.1 信号预处理

按照传统的雷达目标检测流程进行信号预处理，生成的MTD 图像能够反映雷达目标的形态学特征，因此可用于卷积神经网络特征提取.图2 显示了具有4 个目标的回波信号在预处理阶段提取其运动特征的过程.

图2 信号预处理效果

匹配滤波也称脉冲压缩，匹配滤波器利用信号发射源的信号参数，设计LFM(linear frequency modulation)信号，将LFM 信号与回波信号进行滤波，显著提升了回波信号的信噪比.图2(a)～(b)展示了模拟雷达回波信号经过匹配滤波器前、后的结果，显然，通过匹配滤波，目标在距离维度上更加清晰.

利用目标回波脉冲间相位的起伏可以区分动目标和固定目标，本研究采用时域差分实现动目标显示.如图2(c)所示，位于距离为1 km 和21 km 的静止目标被对消.通过动目标显示与动目标检测，可以有效地消除静止目标并对运动目标测速测距.图2(d)为动目标检测结果，其中纵轴表示速度大小.由图2(d)可知，MTD 图像反映了雷达目标的距离和速度特征，也反映了雷达目标的部分形态学特征，因此，能够通过设计卷积神经网络进行特征提取.

1.2 构建数据集

数据集的构建主要考虑回波参数设计、图像矩阵和矩阵切片.为了使模型能更贴近实际运用的场景，模拟回波数据的雷达参数和目标参数均与实际雷达保持一致，这样计算得到的模拟回波会更加符合低、小、慢的目标特征，由此训练得到的模型也更具实用性.在传统的图像目标检测中，图片的格式往往是.jpg 或者.png 这类压缩格式，其数值范围只有0～255，但MTD 图像是实数矩阵，若直接转换成图像，将会损失大量目标信息.卷积神经网络的计算过程并未将数值范围严格限制在0～255，因此，为尽可能保留MTD 图像的信息，可将卷积神经网络的输入图像设为归一化后的MTD 图像.

在实际数据中，MTD 图像的分辨率一般为10×2 830，而常用深度学习模型的输入图像分辨率为300～1 000 像素，两者尺度相差较大.因此，先将MTD 图像纵向尺寸进行延展、横向尺寸进行分片，即分辨率为10×2 830 的图像先纵向扩展为64×2 830，再切割成若干个64×64 尺寸的方形图像，切片原理如图3 所示.

图3 MTD 图像切片原理

从图3 可知，每获取到1 个正样本，随后会获取1 份负样本，以保证数据集的平衡性.图3中的三维坐标图则显示了正负样本在一定噪声下的幅值差异.

1.3 SSD 模型设计

SSD 基于前馈卷积网络，该网络会生成固定大小的边界框集合，并对这些框中存在的对象类实例进行评分，再执行非极大值抑制以生成最终检测结果.其主要特点有：用于检测的多尺度特征图、用于检测的卷积检测器和默认先验框.

为了更好地检测不同尺度的目标，设计了多尺度特征图用于检测.卷积神经网络的特征图尺寸逐渐减小，生成了不同大小的特征图；不同尺度的特征图都参与检测，可使IoU(重叠度)达到最大，有利于识别小目标.使用更简单的卷积直接计算得分，可以更快地得到检测值.在特征图中使用多个不同尺寸的先验框，可以有效地得到最适合目标形状的先验框.SSD 模型的网络结构如图4 所示.

图4 SSD 网络结构

由图4 可知，SSD 是在VGG16 的基础上添加更多层来获取更精细的特征.输入图像尺寸为300×300，使用VGG16 进行部分特征提取后，将VGG 的全链接层转换为Conv6 和Conv7；再利用Conv8～Conv10 进一步细化特征图尺寸；最后利用Conv11 输出分数.除此之外，为了得到更精确的先验图位置和尺寸，SSD 还将VGG16 之后的卷积层都输出并参与分类计算.

SSD 损失函数的设计分为3 个部分：前景分类误差、背景分类误差和位置回归误差.在误差计算时，将IoU＞0.5 的先验框用在前景分类误差计算；将IoU＜0.5 的先验框用在背景分类误差计算；将前景分类误差、背景分类误差和位置回归误差进行加权求和得到最终误差.

2 实验结果分析

本研究所用的硬件实验平台主要包括Core i7-7700(CPU)，NVIDA GTX 1080ti(GPU)和16G RAM；软件平台包括Matlab(用于回波信号处理和数据集构建)和MMDetection(用于搭建目标检测的深度学习环境).为直观显示2 个模型的检测效果，随机选取8 组CFAR 与SSD 的检测结果图进行对比，如图5 所示.

图5 CFAR 与SSD 目标检测效果对比

在图5 中，每组图像中的左图为CFAR 检测结果，右图为SSD 检测结果；左侧为64×64 分辨率的切片MTD 图像，右侧为32×32 分辨率的切片MTD 图像；每组图像的检测率阈值设为0.5，回波SNR 为-10 dB.

为准确、定量评估模型的检测效果，设置了P-R 曲线、平均检测时间(ms)和mAP 3 个基础评估指标.其中，P-R 曲线的横轴recall 是查全率；纵轴precision 是查准率.通过调整检测率阈值，获得模型在某个检测率下的查全率和查准率，当检测率阈值越高，查准率越高，查全率越低；反之，当检测率阈值越低，查准率越低，查全率越高.可见，查全率和查准率是一对相互制约的参数.P-R 曲线越接近坐标轴的右上角代表这个模型的检测效果越好.平均检测均值mAP 为P-R曲线的面积积分，可定量评估模型检测效果.平均检测时间为模型检测1 张MTD 图片所花的时间，单位为ms.2 种模型的平均检测时间和平均检测率的对比结果如表1 所示.

表1 2 种模型检测时间和检测率对比

CFAR 和SSD 检测模型的性能测试结果分别如图6(a)～图6(d)所示.其中，图6(a)为2 种模型在5 dB 信噪比下的P-R 曲线对比；图6(b)为2 种模型mAP 在不同SNR 下的变化曲线.由图6(b)中的数据，可以算得CFAR 和SSD 的综合平均检测均值分别为0.521 和0.653.为了更全面地评估CFAR 和SSD 模型的实际使用效果，研究了不同程度噪声对2 种检测模型的干扰，实验模拟出-15，-10，-5，1，5 和10 dB 6 个等级的SNR，对模型进行评估测试.图6(c)和图6(d)分别为不同SNR 对CFAR 和SSD 模型测试效果的影响.

由图5、图6 及表1 可得出如下结论：

1)与CFAR 相比，SSD 能更准确地提取小目标和低分辨率的目标特征.CFAR 需预先设置一种飞行器的固定尺寸，而SSD 能够通过设定更多先验框并不断逼近标签尺寸，更全面地提取MTD图像中目标的形态特征，区分噪声背景.如图5所示，在高分辨率图像中两者差异较小，但在较低分辨率的图像中，CFAR 有明显漏检.

2)与CFAR 相比，SSD 能检测到弱信号的目标.CFAR 设置了固定检测框和检测阈值，这使得CFAR 提取的特征信息不够丰富，当目标信号较弱时，CFAR 无法检测到.如图6(c)和图6(d)所示，SSD 具有约达90%的查全率，而CFAR 最多只能达到70%，虽然此时CFAR 的查准率并不低，但还是说明CFAR 漏检了大量弱信号目标.

3)相对于CFAR 模型，SSD 模型的平均检测均值更高、速度更快.CFAR 和SSD 检测算法虽均使用Python 进行计算，但SSD 可以使用GPU加速，提高效率.如表1 所示，SSD 的检测率比CFAR 高了18.75%，速度约是CFAR 的13.2 倍.

4)与SSD 相比，CFAR 对噪声更敏感.如图6(b)所示，随着信噪比的提升，CFAR 和SSD 的检测率不断提高；当信噪比高于5 dB 后，SSD 的检测率变化并不明显，CFAR 却有一定程度下降，这说明微小的噪声变化对CFAR 的影响更大.

图6 CFAR 和SSD 检测模型的性能测试结果

3 结语

将视频目标检测方法引入雷达目标检测，并针对低空雷达检测目标的特殊性，通过修正图像尺寸来改进MTD 图像，利用低空监视雷达的信号参数生成对应的模拟数据集，对其进行测试和训练以符合真实应用场景.研究结果表明，所提方法在检测准确度和速度上均领先于CFAR.但该方法局限性在于输入图像后，模型会将图像尺寸拉伸至300×300，从而增加了计算量，且拉伸算法可能对目标特征有一定的干扰.