【最新成果】基于卷积神经网络的海上微动目标检测与分类方法

雷达是海上目标探测的重要手段，但受复杂海洋环境产生的海杂波以及海面目标类型多样化的影响（图1），可靠和稳健的海上目标检测和分类始终是关键技术和难点。目前海上目标探测的难点主要在于海杂波抑制、目标高分辨特征提取、复杂特征分类等。传统的检测方法通常基于统计理论，将海杂波视为随机过程，但由于目标和杂波模型的多样化趋势，在复杂背景下难以实现高性能检测。

图1 雷达海上目标探测环境

微多普勒技术的发展为目标检测与分类提供了有效途径，研究表明海面目标也具有微动特性，主要表现为目标速度的变化和目标受海浪影响发生的横滚、俯仰、偏航等姿态变化（图2）。这些变化信息均表现为目标或散射点瞬时速度的变化，可反映目标的运动状态，为海上目标的检测和识别提供更多的有效信息（详见《雷达学报》2013年第1期发表的“微多普勒理论在海面目标检测中的应用及展望”、和”IET Radar, Sonar and Navigation”2015年第9期发表的”Effective coherent integration method for marine target with micromotion via phase differentiation and radon-Lv's 

distribution”）。

图2 海上目标微动类型

海面目标微动特征并不具有较为规律的调频周期特性，时变性强，存在检测、提取和识别难的问题，亟需发展和研究智能化处理方法和手段。为此，海军航空大学关键教授的海上目标探测团队利用深度学习的高维特征泛化学习能力，将卷积神经网络（CNN）用于海上目标微多普勒的检测和分类（图3）。

图3 处理流程图

该工作已发表在《雷达学报》2018年第5期“雷达微多普勒分析技术”专题“基于卷积神经网络的海上微动目标检测与分类方法”（苏宁远，陈小龙*，关键，牟效乾，刘宁波）。

图4 不同类型海面微动数据

该文在海面微动目标模型的基础上，利用实测海杂波数据构建四种类型微动信号的二维时频图（图4），并作为训练和测试数据集；然后，分别采用不同CNN模型进行二元检测和多种微动类型分类，并研究信杂比对检测和分类性能的影响。仿真验证表明，所提方法能够智能学习微动特征，相比传统支持向量机方法具有更好的检测和分类性能（图5），为雷达海上动目标信号检测和分类提供了新的技术途径。

图5 不同CNN模型目标分类结果

该研究团队在雷达低可观测目标探测方面的其它研究成果详见学术网址：https://www.researchgate.net/profile/Xiaolong_Chen7。

了解详细信息请点击下面阅读原文。