深度學習是近年來人工智能領域最為熱門和前沿的技術之一，在計算機視覺、自然語言處理、語音識別等方面取得的效果顯著，展現出強大的預測、分類以及聚類能力。本期文章我們將簡要探討AI技術在雷達目標檢測方向的研究和應用。

1 傳統檢測方法存在的問題

傳統的雷達目標檢測方法，主要圍繞雷達回波信號的統計特性進行建模，進而在噪聲和雜波的背景下對目標存在與否進行判決，常用的典型算法如似然比檢測（LRT）、檢測前跟蹤（TBD）以及恒虛警（CFAR）等。

但實際工程化應用中我們發現，雷達回波信號的統計特性復雜多變，建模匹配難度高，并且檢測模型和算法參數對雷達型號、特性及周圍環境有很強的依賴性，在不同的探測環境下系統參數難以量化，目標檢測的效果常常不盡人意。

2 深度學習技術應用的可行性分析

基于圖像的目標檢測（Object Detection）是計算機視覺領域的重要研究方向。近些年，隨著深度學習技術的快速發展，目標檢測算法也從基于手工特征的傳統算法轉向了基于深度卷積神經網絡的檢測技術，并具有更好的準確性和魯棒性。如RCNN、Fast R-CNN、Faster R-CNN和YOLO等典型深度學習目標檢測模型，已經在民用及軍事領域取得了出色的應用效果。

在雷達目標檢測方向，雖然雷達圖像相比光學圖像信息量較少，在成像機理、目標特性、分辨率等方面也存在差異，但隨著現代雷達技術的發展，空間分辨率、多普勒分辨率等技術指標的逐步提升，回波圖像的質量和信息量顯著提高，基于深度學習的雷達目標檢測在理論上分析是可行的，該技術的研究和應用是解決傳統算法瓶頸的新思路、新方法。

3 算法概要原理 ? ?

基于深度學習的目標檢測算法原理框圖如圖1所示。

圖1 深度學習雷達目標檢測算法原理框圖 流程上主要包括數據特征預處理、特征提取、分類器和檢測判決四個部分。其中數據特征預處理負責將逐幀的回波B顯圖像轉換到特征空間，即通過特定的統計方法將圖像信息轉化成算法要求的量化數據。隨后通過深度學習神經網絡進行特征提取，這個階段我們所知的干擾、雜波、噪聲及目標必然在某些特征上存在差異，進而分類器可依據提取的特征構建分類模型實現對目標、干擾以及雜波的區分。最后檢測判決模塊依據分類結果，對疑似目標進行判決輸出，形成點跡。

目前，在典型的目標檢測算法中，大致可分為“兩階段檢測”以及“單階段檢測”兩種檢測方法。

3.1 兩階段檢測算法

兩階段檢測算法，先通過選擇性搜索方法確定候選區域，再使用深度學習方法對該區域進行特征提取和分類。該算法的代表的Faster R-CNN, 但其檢測速度一般情況下難以滿足實時性要求。Faster R-CNN結構流程圖，如下圖2所示。 ? ?

圖2 Faster R-CNN結構流程圖

Faster RCNN檢測部分主要可以分為四個模塊：

（1）conv layers。即特征提取網絡，用于提取特征。通過一組conv + relu + pooling層來提取圖像的feature maps，用于后續的RPN層和取proposal。 （2）RPN（Region Proposal Network）。即區域候選網絡，該網絡替代了之前RCNN版本的Selective Search，用于生成候選框。這里任務有兩部分，一個是分類：判斷所有預設anchor是屬于positive還是negative（即anchor內是否有目標，二分類）；還有一個bounding box regression：修正anchors得到較為準確的proposals。因此，RPN網絡相當于提前做了一部分檢測，即判斷是否有目標。 （3）RoI Pooling。即興趣域池化，用于收集RPN生成的proposals（每個框的坐標），并從（1）中的feature maps中進行提取，生成proposals feature maps送入后續全連接層繼續做分類和回歸。 （4）Classification and Regression。利用proposals feature maps計算出具體類別，同時再做一次bounding box regression獲得檢測框最終的精確位置。

3.2 單階段檢測算法 ? ?

單階段檢測算法，采取端到端的檢測，只進行一次前饋網絡計算，檢測速度得到了大幅提高。具有代表性的算法模型是，YOLO（You Only Look Once）。

以yolov5模型為例，其模型結構如圖3所示，主要包括以下組成部分：

圖3 YOLOv5 的網絡結構

（1）輸入端：YOLOv5的Head網絡由3個不同的輸出層組成，分別負責檢測大中小尺度的目標。 （2）Backbone網絡：YOLOv5使用CSPDarknet53作為其主干網絡，其具有較強的特征提取能力和計算效率。

（3）Neck網絡：YOLOv5使用的是FPN網絡，可以融合來自不同特征圖層次的信息。

（4）輸出端：損失函數，YOLOv5使用的是Focal Loss損失函數，該函數可以緩解目標檢測中類別不平衡的問題，提高模型的性能。非極大值抑制（NMS），YOLOv5在輸出結果后，會對重疊的目標框進行NMS處理，以得到最終的檢測結果。

總體來說，YOLOv5的模型結構相對簡單，其中使用了多種技術和策略，如CSP結構、FPN網絡、Mish激活函數和Focal Loss損失函數等，以提高模型的性能和魯棒性。

4 應用示例 ? ?

這里，我們選用YOLOv5模型實測應用，在100張訓練樣本的基礎上，基于舟山試驗場實裝雷達環境部署測試，算法推理效果如圖4所示，目標自動檢測跟蹤效果如圖5所示。

圖4 算法推理效果圖

圖5 目標自動檢測跟蹤效果圖

5?總結

實際效果表明，基于AI的雷達目標檢測技術合理可行，相比傳統方法可顯著提高雜波區目標檢測概率、有效降低虛警率，提升系統整體目標檢測精度，具備重要而又長遠的研究意義。? ??

【參考文獻】

1.《深度學習在雷達目標檢測中的應用綜述》，施端陽 2.《雷達回波信號的深度學習目標檢測識別方法研究》，宋海凌 3.《基于改進型YOLOv3的SAR圖像艦船目標檢測》，陳冬 4.《基于深度學習的雷達目標檢測技術》，劉軍偉 5.《基于時頻圖深度學習的雷達動目標檢測與分類》，牟效乾 6.《基于遷移學習的SAR圖像目標檢測》，張椰 ? ? ?

審核編輯：黃飛

?