0 引言
雷达是有效的海洋监测工具之一，被广泛用于海上运输、海上救援、渔业探测等领域［1-3］。当雷达发射信号扫描海面时，接收到海面后向散射回波。一方面，由于海上目标反射系数较小，目标回波信杂噪比（Signal-to-Clutter Noise Ratio,SCNR）较低，易产生漏检［4］。另一方面，高海况下海尖峰的形态特征与目标回波相似，极易产生虚警［5］。
恒虚警（Constant False Alarm Rate,CFAR）算法作为一种经典的传统雷达目标检测算法，主要是基于回波统计模型假设［6］，其因在瑞利噪声背景下的优异性能而得到广泛应用。但在复杂海洋环境中，由于海洋、雨、云等因素的干扰，这类算法容易产生额外的虚警。
近年来，深度学习的兴起有望缓解这一问题。其中基于卷积神经网络（Convolutional Neural Network,CNN）的模型已被广泛用于雷达信号处理、目标检测与识别等领域。Chen 等［7］提出了一种基于LeNet 和特征组合的可控虚警目标检测方法，取得了比CFAR 算法更好的检测性能。在此基础上，Qu等［8］将ResNet骨干结构和非对称卷积引入到神经网络设计中，进一步降低虚警率。在国防雷达中，由于分辨率低，探测性能并不理想。为此，Yan等［9］提出了一种基于Faster R-CNN 的海防雷达目标检测新方法，比原Faster R-CNN 检测精度提高了约10%。但其存在部署困难、检测速度慢的问题。
针对复杂海况下CFAR 算法虚警过高，同时深度学习检测模型难以部署到海防雷达应用中的问题。本文提出了一种CFAR-CNN 架构的轻量级海上目标实时检测算法。主要有四方面改进：1）用简洁的CFAR 算法代替Faster R-CNN 等二阶段算法中复杂的进化算法或区域候选网络来定位潜在目标的位置。2）在雷达海面目标检测中，雷达回波图像上目标有相对单一的形态。因此，本文尝试使用固定大小的切片取代“在Faster R-CNN 中使用RPN 在原始图像大小上设置多个尺度候选框”的步骤。3）使用算术平均、几何平均的归一化方式，提高算法模型对复杂环境变化的泛化能力。4）改进Faster R-CNN 中特征提取网络，加入特征融合策略和注意力机制，提高目标检测能力。这四种策略大大减少了模型规模和训练时间，同时又有稳健和轻量的特点。最后通过与雷达实测数据对比实验证明了方法的有效性。
1 原理与方法
1.1 CA-CFAR算法
CA-CFAR 算法作为传统雷达信号处理流程中的末端操作，在经过脉冲压缩、相参积累、动目标识别检测等一系列提高信杂噪比的操作后，利用回波幅度设置检测阈值。图1 为一维CA-CFAR 结构图。
图1 CA-CFAR结构图
首选通过左右两侧参考单元计算得到杂波功率水平Z，然后与归一化门限T 相乘得到门限S，最后与检测单元比较输出结果。其中D 表示检测单元回波功率，X（ii=1,2,…, n）表示滑窗中检测单元左侧参考单元回波功率，Y（ii=1,2，…,n）表示右侧参考单元回波功率，X，Y分别表示左右两侧平均干扰功率，参考单元总数为2n。保护单元防止参考单元中的目标提高检测阈值。
这种检测方法简洁高效且稳健性强，在当今仍被广泛部署于海防军事雷达中。但其阈值的设定难有一个好的衡量准则。阈值过低时虚警骤增，过高则弱小目标难以检测出。为此，一些研究者们提出了一系列基于CFAR 算法的变体［10-12］，这些方法都在某一方面有所改进，但本质还是基于统计分析，对于数据的高维特征提取能力不强。随着现代化战争日益精细的性能需求，传统CFAR日渐不能满足检测需求。如何保证虚警抑制的前提下，提高对弱小目标的检测能力正成为现阶段急需解决的问题，也是推进雷达迈入智能化阶段的必要之路。
1.2 Faster R-CNN算法
近年来，深度学习技术的快速发展和广泛应用，展示出强大的数据拟合和特征提取能力。其中Faster R-CNN 算法作为深度学习目标检测领域经典的二阶段检测算法，在人脸识别、行人检测、医疗影像等领域中得到了广泛应用［13-15］。其基本网络结构如图2所示。
图2 Faster R-CNN网络结构图
输入图像，首先通过主干特征提取网络获得特征图，然后将特征图同时送入ROI 池化和区域候选网络（Region Proposal Network，RPN）。其中区域候选是通过在一定步长卷积特征映射上滑动一个N×N 卷积核得到的。在每个滑动窗口中心可以找到9个默认的参考边界框，这些参考框通常被称为“锚”，锚点的设置与检测对象设定的纵横比和比例有关。默认三种尺寸为128×128，256×256，512×512，比例为1∶1，1∶2，2∶1。卷积结果被映射成特征向量，然后被输入到RPN 中两个独立的全连接层，分类使用SoftMax 函数计算输出类别的似然概率，得到尺寸为2×9 的输出向量，用于判断锚点是目标或背景。回归层输出4×9 个值，表示9 个锚点的中心坐标及宽度和高度信息。最后通过非极大值抑制（Non-Maximum Suppression，NMS）方法删除重叠候选框。RPN结构示意图如图3所示。
图3 RPN结构示意图
Faster R-CNN 算法舍弃了R-CNN 中选择性搜索框（Select Search，SS）部分，提出RPN 网络，使用锚点产生候选区域，实现端到端训练，大大提高了目标检测的速度和精度。但也存在一些问题：1）算法中采用的VGG-16 网络包含多次下采样，迭代后小目标信息丢失。2）锚的形状和数量将影响探测器的效率和精度。但是对于不同的数据集，默认的锚点大小不能满足实际情况。锚点设置不当不仅会降低网络收敛速度，还会影响误差函数的计算，并且人工确定合适的锚点是非常困难的。3）要对特征图上每个像素点设置一系列候选框，网络参数过大，存在算力要求高，部署困难的问题。
1.3 Lo-CFAR-CNN算法
在海防雷达海上检测任务中，CFAR 算法能够满足实时性要求，但在复杂海况下虚警过高。直接使用Faster R-CNN 算法时，一方面不能做到实时检测；另一方面Faster R-CNN 算法因为RPN 的预设锚框，参数量巨大。因此直接使用Faster R-CNN算法不能满足部署条件。
针对此，本文结合CFAR的简洁轻量性和Faster R-CNN 的强大特征提取能力，通过数据切片手段将两者连接起来，并通过两种归一化方式提高网络泛化能力，最后在特征提取网络上做出改进。提出了Lo-CFAR-CNN 算法架构，其检测流程如图4所示。
图4 Lo-CFAR-CNN算法架构图
首先雷达接收海面回波，对回波I、Q 两路数据取幅度值，得到回波幅度距离-方位图，然后作脉冲压缩处理，之后直接采用低门限一维CA-CFAR 定位，使用低门限是为保证信杂噪比低的弱小目标能被定位到。这里类似Faster R-CNN 中的锚框的设置，找到锚框的中心点。不同的是Faster R-CNN中是对特征图上每个像素点预设置9 种尺寸的候选框，再通过位置校准，Softmax 分类来检测目标。而此处是先通过统计分析的方式找到可能是目标的位置。再经过点迹凝聚得到点迹信息，点迹信息中包含当前过CFAR 门限的点的位置、信杂噪比等信息。导入点迹信息和对应的雷达距离-方位图，对每个CFAR 检测出的目标点做切片，经过两种归一化处理后送入设计的网络中检测。
1.3.1 切片连接
数据切片关联是实现算法高效性和实时性的关键。使用Faster R-CNN 作海防雷达目标检测时，训练和测试数据是雷达扫描一周后得到的图片，是直接输入一整张图检测，这里就存在一个滞后性问题，海防雷达扫描一圈多在几十秒左右。如若在雷达上部署Faster R-CNN 算法，要等雷达先扫描完一圈，然后才能送入模型检测，不能边扫描边检测。
本文使用一维低门限CA-CFAR+数据切片的形式解决此问题。扫描雷达扫描一周得到距离-方位图，方位维对应360°，一维CFAR 可以在雷达扫描任何时刻实时输出检测结果而不必是对扫描一周后的图检测。在得到目标的真实或虚警位置后，以目标点为中心做32×64 大小的矩阵切片（根据雷达回波目标形态设置）。到数据切片后，检测数据不再是扫描一圈对应的大图，而是每刻扫描经一维低门限CFAR 处理，切片后的32×64 的小切片。随后构建切片数据集，然后设计网络训练和测试。
1.3.2 归一化
根据图像处理领域的知识，图像亮度和对比度变化属于图像处理的点运算，如公式（1）所示：
式中，（fx）表示原始图像像素值，g（x）表示输出图像像素，参数a（a＞0）控制图像对比度，b 控制图像亮度。
雷达发射功率、环境信杂噪比、发射波形等因素的变化都会对回波产生影响。在对回波I、Q 数据取幅度值后，这些因素就体现在对图像像素值的影响。由雷达发射方程可以推导出，雷达发射功率与回波接收功率正相关，切片图像是雷达回波取幅度值后缩放到［0 255］得到的。所以可以得到发射功率会影响图像亮度，即表示为对a的影响。环境信杂噪比直接影响图像的对比度，即对b的影响。
为此，本文提出两种归一化方式减弱外界因素影响，提高模型泛化能力。首先，用x（ii=1,2,…,n，n 表示切片图像像素总个数）表示切片像素值，考虑影响后输出像素值为Xi，如公式（2）所示。然后计算算术均值Xam，如公式（3）所示。之后消除参数b 的影响，如公式（4）所示（如果小于0，则取绝对值）。
为消除参数a 影响，首先计算Xi-Xam 的几何均值Xgm，如公式（5）所示。最后除以切片像素几何均值，如公式（6）所示。
1.3.3 网络设计
在本文所研究的海防雷达检测任务中，数据集目标小、海防雷达分辨率低于SAR 图像，但雷达目标回波有相对规则的形状，级联神经网络不必像计算机视觉中使用的先进模型那样复杂。因此，本文在CNN 基础上加入特征融合策略和注意力机制。
特征融合策略：采用跳级结构和SPP模块。将最后一层特征图反卷积上采样与第二层卷积池化后的特征图以add 方式逐像素相加融合。将浅层细节特征与深层语义特征融合，以获取不同尺度目标的视觉特征提高检测效果。之后插入SPP 模块实现多重感受野融合，丰富最终特征图的表达能力。
注意机制：SPP 模块后增加“挤压-激励网络”（Squeeze-and-Excitation Network,SENet）通道注意机制模块。在Squeeze 阶段通过全局平均池化将特征图压缩为向量，在Excitation 阶段，通过全连接层和Sigmoid 函数学习生成通道权重向量，自适应的学习每个通道的重要性，有助于网络更好地关注重要的特征通道，从而提高网络性能。SENet 结构如图5所示。
图5 SENet模块
通过以上两种策略保障网络轻量化的前提下，提高对小目标的检测能力。所用CNN 网络结构如图6所示。
图6 CNN模型结构
2 数据集构建
2.1 数据获取
本文采用窄带扫描雷达回波数据，雷达扫描一圈约12 s。通过采集不同天气条件下的雷达回波数据，保证构建的数据集的多样性。
2.2 数据处理
1）图像生成:利用Matlab 对PCI采集卡采集的原始雷达回波数据进行DAT 格式的转换，生成距离-方位图，如图7所示。
图7 雷达回波距离-方位图
2）图像标注:在使用低门限CFAR 处理雷达回波距离-方位图后，使用点迹凝聚算法获得点迹信息文件。通过标注软件人工标注目标获得XML标记信息文件，存储目标类型和目标位置信息，作为正样本信息。在海杂波区、云雨杂波区和噪声区大范围标注，作为负样本信息。
3）图像切片：从XML 标记文件中读取正负样本点对应的标注框位置信息，即xmin、xmax、ymin、ymax的值。然后计算框中心点位置，并在距离-方位图上制作大小为32×64的切片，并将每一个切片与其对应的点迹信息文件关联。得到的切片作为分类器的输入数据。选择100 000 个正样本切片和100 000个负样本切片作为数据集。根据目标信噪比和目标所处环境位置，将目标分为强噪声目标、弱噪声目标和杂波边缘目标三类，非目标负样本主要有云雨杂波、海杂波等，如表1所示。
表1 雷达数据图像
3 实验
3.1 实验环境
本文实验环境信息如表2 所示。损失函数为交叉熵函数，使用Adam 优化器最小化损失函数，初始学习率（Learning Rate，Lr）设置为0.001，并且每迭代10个周期减少到0.85倍。最大迭代次数设置为60，批块大小设置为128。最后选取验证损失最优时对应的训练结果作为最终模型参数。经过114.42 min的训练，在第58 epoch得到最优模型。
表2 实验环境
3.2 评价标准和检测结果
通过检测概率、虚警抑制率和模型参数量3个指标对检测结果进行评价。我们定义检测概率PD为
式中，C1表示扫描雷达在一段时间内能检测到某一目标的圈数，C2表示雷达在同一时间内扫过的圈数。定义虚警抑制率PC为
式中N1为Lo-CFAR-CNN 或Faster R-CNN 算法检测到的虚警点数，N2为正常CFAR 算法检测到的杂波点数。这里PC 是以正常门限CFAR 算法的虚警为基准衡量其他算法虚警抑制能力。
CFAR、Faster R-CNN 和Lo-CFAR-CNN 3 种算法检测情况如图8～10所示。
图8 3种模型对第4帧噪声中强目标检测结果
图8 检测对象是部分信噪比在8 dB 以上噪声中强目标，此时3种算法都能检测出所有目标。在图9 中检测对象是部分信噪比在8 dB 以下噪声中弱目标，逐帧分析这一区域存在3 个弱目标，但在第13帧时，3种算法都未能完全检测出这一区域内的3 个弱目标，相比之下Lo-CFAR-CNN 效果更好。图10 中，检测对象是杂波边缘4 个目标，3 种算法也都无法完全检测出，但加入了特征融合机制和注意力机制的Lo-CFAR-CNN模型效果更好。
图9 3种模型对第13帧噪声中3个弱目标检测结果
图10 3种模型对第29帧杂波边缘4个目标的检测结果
为定量统计分析算法的检测效果，我们选取了几天不同海况下的雷达回波数据，数据参数如表3所示。
表3 实时验证数据集参数
其中三类目标分别为：信噪比8 dB 以上噪声中强目标；信噪比8 dB 以下噪声中弱目标；信噪比在5～15 dB 之间的杂波边缘目标。统计策略为在某帧图像上选取3种类型的目标各若干个，不同时刻雷达扫描得到的回波图上同一目标表现出不同形态。统计120 帧图像上所有目标平均检测概率PDavg，如表4所示。
表4 3种模型对不同海况下目标检测结果
由表4 统计分析结果可知，在2,3,4 级海况条件下，3种算法对强噪声背景中信噪比8 dB以上强目标检测概率都能达到90%以上；且本文所用Lo-CFAR-CNN 算法在不同海况下对3 种类型目标的平均检测概率都优于另外两种算法。
此外，3 种方法的虚警抑制结果如图11 所示。图11（a）是雷达扫描一周得到的雷达回波幅度距离-方位图，此时为云雨天，云雨杂波密集。图11（b）、（c）、（d）中的红色粉色点是相应算法检测到的“目标点迹”。图11（b）、（c）、（d）每幅图是雷达扫描40圈的数据检测结果的叠加显示。可逐帧回放，统计观察目标检测和虚警抑制情况。
图11 3种模型的虚警抑制效果
从图11（b）可以看出，传统CFAR 算法在云雨杂波区存在大量的虚警。而Lo-CFAR-CNN 和Faster R-CNN 两种结合深度学习的方法，得益于CNN 的强大特征提取能力，对云雨杂波的虚警抑制效果显著。
PC 是以正常门限CFAR 算法的虚警为基准衡量其他算法虚警抑制能力，故CFAR 算法的PC 值为空。若PC 值为1，表示Lo-CFAR-CNN 算法或Faster R-CNN 算法没有任何虚警；PC 值为0，表示两者和CFAR 算法虚警抑制能力一样；PC 值为负，表示两者虚警抑制能力不如CFAR。3种算法在不同海况下虚警抑制结果如表5所示。
表5 3种模型在不同海况下虚警抑制结果
由表5 可知，在2,3,4 级海况下，Lo-CFAR-CNN和基于VGG-16 的Faster R-CNN 算法相比CFAR 都有明显的杂波抑制效果，能够抑制约90%杂波引起的虚警。
此外，Lo-CFAR-CNN 架构在模型参数量、运行速度等方面比Faster R-CNN 等计算机视觉算法有巨大优势。表6中Params表示模型参数量，M 表示106，用来衡量模型空间复杂度；FLOPs 表示每秒浮点运算次数，衡量模型计算量；Memory 表示内存。所有指标都是在同一硬件平台，同一输入下使用torchstat库测量，如表6所示。
表6 算法模型规模评价指标
4 结束语
本文提出了一种基于CFAR-CNN 架构的轻量级海上雷达目标检测算法，并应用到海防雷达检测中。与CFAR 算法相比，该方法有良好的抗杂波和干扰能力，同时对弱小目标检测概率有所提升；与Faster R-CNN 等深度学习模型相比，该方法有更轻量的结构，更快的运行速度，更易部署。本研究对推进雷达智能化进展作了新颖的尝试。实验结果验证了该方法的可行性和有效性。
［1］SHI Yanling,GUO Yaxing,YAO Tingting,et al.Sea-Surface Small Floating Target Recurrence PlotsFAC Classification Based on CNN［J］.IEEE Trans on Geoscience and Remote Sensing,2022,60:1-13.
［2］白玉，迟文恺，谢宝蓉，等.结合目标提取和深度学习的红外舰船检测［J］.电讯技术，2023，63（2）:193-198.
［3］SU Ningyuan,CHEN Xiaolong,GUAN Jian,et al.Maritime Target Detection Based on Radar Graph Data and Graph Convolutional Network［J］.IEEE Geoscience and Remote Sensing Letters,2021,19:1-5.
［4］TRUNK G,GEORGE S F.Detection of Targets in Non-Gaussian Sea Clutter［J］.IEEE Trans on Aerospace and Electronic Systems,1970,6（5）:620-628.
［5］宋锐.一种改进型海尖峰背景下的目标检测算法［J］.火控雷达技术，2021，50（1）:69-76.
［6］HUANG Zhongling,YAO Xiwen,LIU Ying,et al.Physically Explainable CNN for SAR Image Classification［J］.ISPRS Journal of Photogrammetry and Remote Sensing,2022,190:25-37.
［7］CHEN Xiaolong,SU Ningyuan,HUANG Yong,et al.False-Alarm-Controllable Radar Detection for Marine Target Based on Multi Features Fusion via CNNs［J］.IEEE Sensors Journal,2021,21（7）:9099-9111.
［8］WANG Jingang,LI Songbin.Radar Target Detection in Sea Clutter Based on CNN with Dual-Perspective Attention［J］.IEEE Geoscience and Remote Sensing Letters,2022,20:1-5.
［9］YAN He,CHEN Chao,JIN Guodong,et al.Implementation of a Modified Faster R-CNN for Target Detection Technology of Coastal Defense Radar［J］.Remote Sensing,2021,13（9）:1703.
［10］潘慧冲，罗丁利，徐保庆.炸点目标雷达回波建模及双门限检测算法研究［J］.火控雷达技术，2023，52（1）:28-36.
［11］李渝，张升，马纯志，等.基于滑窗对比度的多源融合目标恒虚警检测方法［J］.现代雷达，2023，45（4）:25-30.
［12］李怀巷,卓智海.基于Grubbs 准则的改进的2D CACFAR［J］.北京信息科技大学学报（自然科学版），2023，38（1）:70-75.
［13］RAJESHKUMA G,BRAVEEN M,VENKATESH R,et al.Smart Office Automation via Faster R-CNN Based Face Recognition and Internet of Things［J］.Measurement:Sensors,2023,27:1-9.
［14］ZHAI Sheping,DONG Susu,SHANG Dingrong,et al.An Improved Faster R-CNN Pedestrian Detection Algorithm Based on Feature Fusion and Context Analysis［J］.IEEE Access,2020,8:138117-138128.
［15］SUN Chaoyu,HONG Xiaojian,SHI Shuai,et al.Cascade Faster R-CNN Detection for Vulnerable Plaques in OCT Images［J］.IEEE Access,2021,9:24697-24704.
［16］REN Shaoqing,HE Kaiming,GIRSHICK R,et al.Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks［J］.IEEE Trans on Pattern Analysis and Machine Intelligence,2017,39（6）:1137-1149.
［17］CHENG Xianbao,QIU Guihua,YU Jiang,et al.An Improved Small Object Detection Method Based on Yolo V3［J］.Pattern Analysis and Applications,2021,24（3）:1347-1355.