民用航空空管监视雷达功能的检测研究

民用航空空管监视雷达功能的检测研究

张衡

中国人民解放军陆军航空兵学院，北京 100000

摘要：近年来，我国各个城市规模不断扩大，民用的飞行器日益增多，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。

关键词：雷达目标检测；监视雷达；运动目标检测；

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检测和基于积分图像的快速CFAR算法，显著提升了检测速度。基于此，本文提出了基于SSD的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，生成了不同信噪比的雷达回波信号。

1监视雷达目标检测

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CFAR2种方法的系统性能。模型评估主要依赖P-R曲线、平均精度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。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。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。位于距离为1km和21km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。其中纵轴表示速度大小。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10×2830，而常用深度学习模型的输入图像分辨率为300~1000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10×2830的图像先纵向扩展为64×2830，再切割成若干个64×64尺寸的方形图像。

1.3SSD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。

2实验结果分析

本研究所用的硬件实验平台主要包括Corei7-7700(CPU)，NVIDAGTX1080ti(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)。，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−10dB。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mAP3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。

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。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。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。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。，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5dB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。

结语

将视频目标检测方法引入雷达目标检测，并针对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。

参考文献

[1]航空发展与安全管理[J].张苏淮.神州.2004(07)

[2]航空维修中的人为差错探讨[J].姜勇.科技风.2015(17)