基于SET-CNN的緊湊型地波雷達弱目標檢測方法

李發瑞，紀永剛,2*，任繼紅，程嘯宇，王心玲

（1. 中國石油大學（華東） 海洋與空間信息學院，山東 青島 266580；2. 自然資源部 海上絲路海洋資源環境組網觀測技術創新中心，山東 青島 266580）

高頻地波雷達（High-Frequency Surface Wave Radar, HFSWR）利用垂直極化高頻電磁波沿海面繞射的特性，可實現船只目標大范圍、遠距離、實時的探測（楊強等, 2000; Ji et al, 2022）。目前，用于船只目標探測的高頻地波雷達大都是大型陣列系統，由于其陣列孔徑巨大，雷達場地尋址困難，限制了其推廣應用。而小陣列的緊湊型高頻地波雷達由于天線陣列孔徑小、雷達功率低、系統占地小且電磁輻射低，是用于目標檢測的地波雷達技術的重要發展趨勢之一。緊湊型高頻地波雷達不僅可以安裝在岸邊和海島（Anderson, 2013），還可以布設在船舶（Li et al, 1995）、浮標（Gill et al, 1994）等移動平臺上，進一步擴展了高頻地波雷達的探測范圍和應用場景。

緊湊型高頻地波雷達天線陣列孔徑小且雷達功率低，導致船只目標的回波信號減弱；而弱目標的增多，不利于目標檢測及后續的航跡跟蹤。通常情況下，基于距離-多普勒（Range-Doppler, RD）譜的恒虛警檢測（Constant False Alarm Rate, CFAR）方法（何友等, 1999; 梁建, 2014）及其改進方法（公維春等, 2022）主要適用于大陣列的高頻地波雷達，當其應用于存在較多弱目標信號的緊湊型高頻地波雷達時，會出現目標檢測性能降低的情況。近年來，以同步提取變換（Synchroextracting Transform, SET）方法（Gang et al, 2017）為代表的時頻分析（Time-frequency Analysis, TFA）（Auger et al, 1995; Daubechies et al, 2011）方法憑借其對非平穩信號和弱信號的良好檢測效果，逐漸成為雷達目標檢測研究的熱點，并已應用于地波雷達目標檢測（嚴頌華等, 2006; 胡進峰等, 2015; 劉亞春等, 2023）。在基于時頻分析的目標檢測中，目標脊線檢測是關鍵步驟，通?？刹捎脠D像處理（Cai et al, 2021）、貪婪算法（Yang et al, 2022）等方法來實現；但當目標時頻脊線受到雜波或其他強回波影響時，會出現脊線形變及斷裂等問題，影響了基于時頻分析的目標檢測效果。目前，如卷積神經網絡（Convolutional Neural Network, CNN）等神經網絡深度學習方法憑借其良好的特征提取功能以及泛化能力（Ren et al, 2017），已被成功應用于地波雷達目標檢測（Wu et al, 2021a; 2021b）。而且，深度學習方法也適合于就時頻分析得到的具有不同形狀特征的時頻脊線分類來實現目標檢測，如Wang等（2022）提出了一種基于深度學習與時頻分析相結合的船載地波雷達海雜波內目標檢測方法，其研究思路是通過判別海雜波形狀來檢測有無目標的存在，重點關注海雜波內目標檢測，沒有考慮雜波外及雜波附近的目標檢測。

本文針對由于緊湊型高頻地波雷達弱目標信號增多導致的目標檢測性能降低的問題，綜合時頻分析方法和深度學習方法，提出了一種基于同步提取變換-卷積神經網絡（SET-CNN）的緊湊型地波雷達弱目標檢測方法。文中第一部分給出了SET-CNN方法的流程和各部分步驟，第二部分通過仿真數據和實測數據驗證了SET-CNN的目標檢測效果。

1 同步提取變換-卷積神經網絡方法

結合地波雷達目標檢測的需求，給出了基于SET-CNN的緊湊型地波雷達弱目標檢測方法的處理流程，如圖1所示。方法共分4個步驟：第一步，基于地波雷達時域數據，完成基于SET方法的時頻分析處理，獲得地波雷達時頻譜數據，其中各類信號表現為不同形狀的時頻脊線；第二步，根據時頻譜中脊線的不同形狀特征建立數據庫，主要包含受強回波影響的目標、未受強回波影響的目標和背景噪聲三類信號；第三步，搭建脊線提取和分類的CNN網絡結構，并使用構建的數據庫完成訓練；第四步，通過對分類結果進行后處理，完成船只目標檢測。

圖1 SET-CNN方法流程Fig. 1 Flow diagram of SET-CNN method

1.1 基于SET的時頻分析處理

時頻分析處理的主要目的是得到適合于地波雷達目標檢測的時頻譜。SET時頻處理是在短時傅里葉變換（Short-time Fourier Transform, STFT）的基礎上進行后處理得到的，它通過抑制非中頻區域的能量分量提高時頻譜分辨率。SET方法的時頻Te(t,w)表示可定義為：

式中：t為時間；w為頻率；Ge(t,w)為STFT方法的時頻表示；δ(·)為克羅內克函數；δ(w?w0(t,w))表示同步提取算子（Synchronous Extraction Operator, SEO），w0為純諧波信號模型sh=A·eiw0t的頻率，即中頻區域。SET方法的時頻表示通常也可寫作：

從式（2）可以看出，SET只從中頻軌跡w=w0中提取時頻譜分量Ge(t,w)，而將其余的時頻譜分量去除。

在基于SET的地波雷達時頻譜中，雜波時頻脊線和目標時頻脊線通常具有相似的形狀特征，這往往會導致出現誤檢現象。因此，為減少雜波信號對于目標信號的影響，本文引入了可以有效抑制海雜波的信噪比方法（紀永剛等, 2015）。在使用信噪比方法過程中，需要選取合適的信號窗和噪聲窗，具體過程為：左右兩側一階譜區信號窗中心位置aL、aR分 別預設為和，其中，g為重力加速度，λ為雷達波長（單位為MHz），表示海浪朝向雷達，則表示海浪遠離雷達（梅曉東等, 2014），fc代表海流造成的多普勒頻率偏移，此處設置為0.02 Hz；左側一階譜區信號窗SL選取為右側一階譜區信號窗SR選取為[aR??f,a[R+?f]，?f為一階]譜能量擴散影響范圍，為保[證合理性，此處]設置為0.01 Hz；左側噪聲窗NL選取為aL?k?f,aL+k?f?SL，右側噪聲窗NR選取為aR?k?f,aR+k?f?SR，k為噪聲窗與信號窗的寬度比，k的大小對一階譜邊界的確定影響較小，因此，本文中k選擇0.5，使噪聲窗與信號窗大小相同，則信噪比為：

令aL、aR、?f在限定的取值范圍中做循環，估計其最大信噪比，最大信噪比情況下的aL、aR分別為左右一階譜區的中心位置，?f為一階譜寬度。

設雜波抑制后的背景噪聲區域為N(t,w)，則結合雜波抑制的SET為：

式（4）也可以寫為：

為保證目標回波能夠在檢測時間內持續存在，截取時間長度為3000個采樣周期的地波雷達時域數據，其中采樣周期（T）為0.128 s，選擇滑窗大小為469個采樣周期即t=469T，即t=60 s。同時，為更好地說明海雜波區域劃分效果，給出其中間過程STFT的時頻譜（圖2a），并將海雜波區域劃分結果在基于SET的時頻譜上展示（圖2b），可見海雜波時頻脊線成功位于雜波區域劃分結果中。

圖2 基于信噪比方法的海雜波區域劃定效果Fig. 2 The extracted sea clutter regions by signal-to-noise ratio method

另外，考慮到在SET處理后的時頻譜上，大部分目標時頻脊線占據一個多普勒單元格，而較弱的目標可能占據多個多普勒單元格，為后續數據庫構建增加了困難。因此，需要對時頻脊線進行細化處理，使每條時頻脊線在多普勒維度只占據一個單元，以確保相同類型的目標樣本具有一致的脊線特征。其中，細化處理采用的方法是抑制中頻區域w0處的非極值分量。

1.2 時頻脊線數據庫構建

時頻脊線數據庫是基于上一步驟中的SET處理結果進行構建的，樣本分為3類（圖3）：第一類是未受強回波影響的目標，其特點是由于該目標具有平穩的信號輸入，表現為一條較為平滑的曲線（圖3a）；第二類是受強回波影響的目標，具有獨特的形狀特征，表現為圓弧狀的曲線（圖3b）；第三類是背景噪聲，具有混沌特性，表現為不規則的曲線（圖3c）。

圖3 不同形狀特征的目標時頻脊線和背景噪聲時頻脊線Fig. 3 Morphological characteristics of target and noise time-frequency ridges

在本文中，基于包含3類樣本的實測數據進行數據庫構建，數據庫包含1000個未受強回波影響的目標實例，1000個受強回波影響的目標實例，1000個背景噪聲實例。為保證樣本大小的合理性，在樣本窗口大小選取方面應保證每個樣本中只存在一個目標時頻脊線，因此，樣本的時間維度窗口大小選擇200個采樣周期單元，多普勒維度窗口大小選擇20個單元。

此外，相對于未受強回波影響的目標和背景噪聲，受強回波影響的目標的時頻脊線具有較特殊的形狀特征，且還未有相關研究。為進一步驗證這一類信號的形狀特征，除給出實測個例外，還進行了受強回波影響的目標的時頻分析處理（圖4），結果表明，7 m/s處的時頻脊線為受強回波影響的目標，可以看出仿真結果與實測數據基本一致。

圖4 時頻分析中相鄰目標示意圖Fig. 4 Schematic diagram of adjacent targets in time-frequency analysis

1.3 基于CNN的脊線提取和分類

在脊線提取過程中，由于CNN對圖像形狀特征較為敏感，能夠提供更好的脊線分類效果。同時考慮到輸入特征的尺寸較小，且為了減少卷積層和池化層數目，本文選擇CNN中的AlexNet網絡（Krizhevsky et al, 2012）結構，對時頻譜樣本進行分類。搭建的基于CNN的脊線提取網絡結構圖如圖5所示。

圖5 基于CNN的脊線提取網絡結構Fig. 5 Network structure of ridge extraction by CNN method

在網絡的最后一層，使用了常用來解決樣本多分類問題的Softmax函數：

式中：x為輸出向量；j為當前需要計算的類別；xi為x中第i個節點的輸出值；n為神經網絡的輸出類別個數。則分類目標損失函數為：

在構建好網絡結構后，使用1.2節中的數據庫進行訓練、測試，其中，訓練集和測試集的劃分比例為7∶3。在訓練70輪后，模型的測試正確率為82.4%，損失函數值隨著迭代次數的增加而降低（圖6），可滿足目標時頻脊線分類的需求。

圖6 多次迭代下的損失函數Fig. 6 Loss function under multiple iterations

為了驗證搭建的CNN網絡的正確性，分別利用CNN、徑向基函數（Radial Basis Function,RBF）神經網絡和人工神經網絡（Artificial Neural Network, ANN）提取時頻脊線。其中，輸入了841個時頻脊線樣本，CNN可以正確分類712個，而RBF、ANN的正確分類數量分別為629個和596個，可以看出，本文選擇的深度學習方法對時頻脊線分類具有明顯優勢，詳細的分類正確率對比如表1所示。

表1 CNN與RBF、ANN的分類正確率對比Table 1 Comparison of classification accuracy between CNN with RBF and ANN

1.4 基于分類結果的后處理

基于分類結果的后處理詳細過程為：首先，確定存在目標的多普勒速度范圍；然后，精確船只目標的唯一速度值。針對目標可能存在的多普勒速度范圍，我們通常認為當某一多普勒速度范圍處未受強回波影響的目標樣本數量超過閾值N1，或受強回波影響的目標樣本數量超過閾值N2時，便可認為該速度處存在目標。由于遠距離的目標回波會受到更多的傳播衰減和散射，回波能量通常較小，容易受背景噪聲影響，因此需要根據實際情況來調整閾值。閾值N1、N2具體定義如下：

式中：k1、k2∈[?1,1]；R為目標所處距離單元；Tinit1為未受強回波影響的目標初始閾值；Tinit2為受強回波影響的目標初始閾值。

此時，CNN檢測出的目標速度是樣本對應的面區域速度，為了更好地定位目標位置，需要進一步確定船只目標的唯一速度。對于在相同相干積累時間快速傅里葉變換下的RD譜，樣本對應區域表現為某一距離處的連續速度面區域。當某一面區域對應的時頻譜中，目標樣本數量超過閾值時，檢測出此面區域的極值點，極值點速度便是目標的唯一速度。為更好地說明本文提出的目標檢測方法流程，本文提供了SET-CNN方法的偽代碼：

輸入

按距離劃分的地波雷達時域數據集Tri={Tr1,Tr2,...,TrN}，表示第i個距離單元的時域數據，其中i={1,2,3,...,N}，距離分辨率為2.5 km。

輸出

目標距離，速度{Rt,Vt}

2 方法驗證

2.1 基于仿真數據的方法驗證

為了驗證本文方法的目標檢測能力，分析了未受強回波影響和受強回波影響的弱目標特性，進行了仿真與基于本文方法的檢測，結果分別如圖7和圖8所示（下文中將保留了CNN脊線樣本框的檢測結果和僅保留目標信息的結果分別簡稱為檢測結果和保留結果）。在仿真過程中，使用了與實際緊湊型地波雷達硬件系統相同的配置參數：雷達頻率為4.7 MHz，帶寬為60 kHz，掃頻周期為0.128 s，兩類目標的SNR均為8 dB。仿真過程中選取的SET-CNN方法參數為：時域數據選取長度為384 s，時頻分析滑窗的窗口長度為60 s，未受強回波影響的目標初始閾值Tinit1為14，受強回波影響的目標初始閾值Tinit2為12，k1和k2均為?1。

圖7 未受強回波影響的弱目標的仿真與檢測結果Fig. 7 The simulation and detection results for weak targets unaffected by strong echoes

圖8 受強回波影響的弱目標的仿真與檢測結果Fig. 8 The simulation and detection results for weak targets affected by strong echoes

由圖7c和圖7d可知，未受強回波影響的弱目標由于能量較弱，容易受背景噪聲影響，時頻脊線表現為一條彎曲的連續線段。而從圖8中可以看出，受強回波影響的弱目標時頻脊線表現為圓弧狀的非連續時頻脊線。此時，基于本文方法的時頻脊線檢測結果與圖7b、圖8b的仿真弱目標位置一致，可知，本文方法可以準確實現對兩類弱目標的檢測。

考慮到目標會處于不同的背景噪聲環境中，故分析不同信噪比情況下的方法檢測性能。兩類目標在信噪比SNR為?20、?10、0和10 dB的仿真結果，以及基于本文方法的檢測結果如圖9所示，其中，未受強回波影響的目標速度為3.5 m/s，而受強回波影響的目標速度為5 m/s。從圖9a和圖9e中可以看出，在SNR=?20 dB的情況下，較弱的目標被遮蔽，難以形成獨立的時頻脊線，此時本文方法只能檢測出能量較強的目標時頻脊線；而當SNR≥?10 dB時，兩類目標在時頻譜上均可形成獨立的時頻脊線，此時本文方法可以實現兩類目標時頻脊線的有效檢測。

圖9 提出方法對不同信噪比下仿真目標的檢測效果Fig. 9 The detection effect of the proposed method on simulated targets under different SNR

2.2 基于實測數據的方法驗證

實測驗證數據來自2021年7月在青島周邊海域開展的緊湊型地波雷達海上實驗，高頻雷達系統配置參數和目標檢測方法中所需參數與仿真參數一致。為評價方法的檢測性能，采用同步獲取的船舶自動識別系統（Automatic Identification System, AIS）數據作為真實船只目標數據。

基于本文方法、CA-CFAR方法和貪婪算法在RD譜上的檢測結果（圖10），對3種方法進行比較分析。對于大部分具有較高SNR（≥10 dB）的目標，如圖中目標1、目標2和目標3，3種方法均可實現有效檢測；對于SNR＜10 dB的弱目標，本文方法漏檢較少，而CA-CFAR方法卻難以實現有效的檢測，例如圖中目標4，此時目標點能量較弱，且周圍參考單元能量與目標點能量接近，導致依賴能量幅值的CA-CFAR方法出現了漏檢現象。另外，貪婪算法雖然可以實現大部分弱目標的有效檢測，但卻出現了較高的誤檢率，相比于貪婪算法，本文方法可以有效減少誤檢目標的個數。

圖10 RD譜不同方法的檢測結果對比Fig. 10 Comparison of the detection effect of different methods in RD spectrum

為進一步分析本文方法的檢測效果，給出了實測目標個例的脊線檢測和保留結果，結果如圖11所示，其中目標2與目標3處在同一距離單元處，經過SET時頻處理后，兩者位于同一張時頻譜中。同時，為了說明本文方法對弱目標的檢測能力，給出了本文方法對目標4的時頻脊線檢測和保留結果（圖12）。

圖12 提出方法對實測弱目標的檢測效果Fig. 12 Detection effect of the proposed method on real measured weak targets

從圖12b中可以看出，2 m/s處MMSI為“667001735”的AIS數據對應的弱目標，由于受到周圍強噪聲影響，其時頻脊線呈現出形變、斷裂的形狀特征，但本文方法仍可以準確檢測其位置，也進一步驗證了本文方法對弱目標的檢測能力。此外，從保留結果中可以發現10 m/s處總是存在一條時頻脊線被誤檢為目標，結合RD譜分析可知，這是由射頻干擾影響造成的。

在實測數據的基礎上，為進一步說明本文方法適合于緊湊型地波雷達目標檢測，進行了本文方法與其他2種方法的檢測率（Probability of Detection, PD）和誤檢率（False Alarm Rate, FAR）（Li et al, 2021）對比（分辨率為1%）。從對比結果中（表2）看出，CA-CFAR方法表現出較低的誤檢率，但檢測率低于其他2種方法；貪婪算法憑借其對弱目標的良好檢測效果，擁有較高的檢測率，但這是以犧牲誤檢率為代價的，會導致過多的虛假檢測；本文方法在擁有幾乎與貪婪算法相同的檢測率下，誤檢率仍能保持在一個較低的水平，從而實現對大部分目標的有效檢測。

表2 不同目標檢測方法的性能對比Table 2 Performance comparison of different target detection methods

3 結語

針對緊湊型地波雷達弱目標難以檢測的問題，本文提出了一種基于SET-CNN的緊湊型地波雷達弱目標檢測方法。首先，通過使用SET方法獲得了地波雷達回波信號的時頻譜，并根據時頻脊線形狀特征完成數據庫的構建，其中樣本分為三類，分別為：呈平滑直線狀的未受強回波影響的目標、呈圓弧狀的受強回波影響的目標和呈不規則曲線狀的背景噪聲。然后，搭建適合于時頻脊線樣本分類的CNN的網絡結構并進行訓練，得到時頻脊線分類模型。最后，利用該模型得到分類結果，并經過后處理實現目標檢測。結合仿真與實測數據，證明了本文提出的目標檢測方法可有效提高緊湊型地波雷達目標檢測的能力，尤其針對弱目標，具有更好的檢測性能。