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(xiàn)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(tǒng)檢測方法存在的問題

傳統(tǒng)的雷達目標檢測方法，主要圍繞雷達回波信號的統(tǒng)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(fā)現(xiàn)，雷達回波信號的統(tǒng)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(shù)對雷達型號、特性及周圍環(huán)境有很強的依賴性，在不同的探測環(huán)境下系統(tǒng)參數(shù)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(fā)展，目標檢測算法也從基于手工特征的傳統(tǒng)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(xiàn)代雷達技術的發(fā)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(tǒng)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(shù)據(jù)特征預處理、特征提取、分類器和檢測判決四個部分。其中數(shù)據(jù)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(tǒng)計方法將圖像信息轉化成算法要求的量化數(shù)據(jù)。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(jù)提取的特征構建分類模型實現(xiàn)對目標、干擾以及雜波的區(qū)分。最后檢測判決模塊依據(jù)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(qū)域，再使用深度學習方法對該區(qū)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(xù)的RPN層和取proposal。 （2）RPN（Region Proposal Network）。即區(qū)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(xù)全連接層繼續(xù)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(shù)，YOLOv5使用的是Focal Loss損失函數(shù)，該函數(shù)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(shù)和Focal Loss損失函數(shù)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(huán)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(tǒng)方法可顯著提高雜波區(qū)目標檢測概率、有效降低虛警率，提升系統(tǒng)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

?