0 引 言
雷达在自动驾驶领域具有关键作用，其全天候工作能力、远距离探测性能、高精度测量以及物体识别与分类能力，使其成为实现安全、可靠自动驾驶的关键传感器技术。雷达目标检测识别是雷达信号处理领域的研究热点，有着广泛的应用。雷达目标检测识别能侦测车辆、行人、障碍物等目标物体，帮助自动驾驶系统实现环境感知和决策，从而提高行驶安全性和可靠性。
传统的雷达目标检测采用时频分析方法对雷达回波信号进行处理，得到距离-多普勒图（Range-Doppler Map，RD图），然后采用恒虚警率检测方法（Constant False Alarm Rate, CFAR）［1］进行目标检测。恒虚警率检测方法实时性高、自适应性和可定制性强，但是采用滑窗方法复杂度高、参数调整困难且对环境敏感，无法适应环境复杂多变的自动驾驶应用场景。基于深度神经网络（Deep Neural Networks, DNN）的方法采用数据驱动的方式，能够对不同场景的距离-多普勒图进行特征自动学习，具有更好的泛化能力和场景适应性。
近年来，深度神经网络在雷达信号处理领域展现了强大的性能。文献［2］利用卷积神经网络（Convolutional Neural Network, CNN）在训练样本不足的条件下对合成孔径雷达（Synthetic Aperture Radar，SAR）图像实现目标检测。文献［3］使用图像目标检测和识别领域的Faster-RCNN方法，对复杂背景下的SAR图像进行车辆目标检测。文献［4］采用小规模沙漠背景下的SAR图像数据对Faster-RCNN网络进行迁移训练，一体化完成典型目标的检测与识别。文献［5］采用CNN对机载气象雷达进行目标检测。文献［6］采用神经网络关联剪枝方法，实现轻量级的SAR图像舰船检测。文献［7］采用半软标签导引网络结合网络自蒸馏方法，对SAR图像中的舰船进行检测。文献［8］利用深度学习和可解释网络，提高雷达微弱目标检测与识别的性能。文献［9］基于改进后的Faster RCNN方法，对距离-多普勒图中的目标进行准确检测。文献［10］基于生成对抗网络（GAN）的数据增强技术，生成用于训练雷达目标分类器的合成RD图。
本文提出了一种基于距离-多普勒图的雷达目标智能检测识别算法。算法采用两步式的检测识别框架，图像经过骨干网络提取得到特征图，将特征图输入到区域生成网络（RPN）得到感兴趣区域（ROI），在特征图上提取ROI对应的卷积特征，输入到分类网络和位置回归网络得到目标的类别信息和位置参数。本文的改进包括：
1） 采用多普勒极大值对ROI的卷积特征进行补偿，解决了CNN引入的多普勒平移不变性造成的目标多普勒误差；
2） 根据RD图的特点，本文提出了改进的位置回归损失函数，能够更精确地量化候选框和真实值之间的位置偏差，从而提高目标检测中的定位精度；
3） 本文提出了新的样本增强策略，缓解RD图中表观相似的样本类型值跳变引起的网络训练过程发散的问题，在样本数量有限的条件下提升了目标检测的性能。
实验证明，提出的算法能够实现快速准确的雷达目标检测识别。
1 基于RD图的智能检测识别算法
1.1 RD图
假设雷达为调频连续波体制，雷达载频为fc，频率调制常数为K，则单个脉冲的发射信号为
假设仅有一个目标且不考虑多径效应，接收机接收到的对应一帧内第p个脉冲第n个采样点的回波信号为
式中，R为目标距离，c为光速，fd为多普勒频率，fs为采样率，T0为脉冲重复周期。从式（2）可以看出，在脉冲维（慢时间维）做快速傅里叶变换（FFT）即可得到多普勒频率fd，在快时间维做FFT即可得到目标距离R。因此，对回波信号先后做快时间维和慢时间维FFT即可得到RD图。
如图1所示为典型的场景图及对应的RD图。雷达放置在远离镜头50 m处。可以看到，由于场景中大部分目标为静止目标，因此多普勒维上能量集中在零频。
图1 典型的场景图和对应的RD图
1.2 智能检测识别算法流程
本文提出的智能检测识别算法流程如图2所示，原始图像经过骨干网络后计算得到特征图。该模型原理如图2所示，输入图像经过骨干网络得到卷积特征图，输入到区域生成网络得到目标的感兴趣区域（ROI）。ROI池化网络输入ROI和卷积特征图，计算得到每个候选位置的卷积特征，将卷积特征输入到分类网络和回归网络得到目标属性和精确位置。
图2 智能检测识别算法流程图
速度是目标的固有属性，因此RD图在多普勒维不具有平移不变性。沿多普勒维计算ROI的最大值作为目标速度值，将速度值加入ROI的卷积特征中得到增强特征，提升分类准确率和定位精度。
1.3 RD图样本增强策略
深度神经网络是数据驱动的学习范式，要求数量充足且具有多样性的训练样本。从图1可以看出，相对于自然图像，RD图色彩单一、纹理简单，底层像素信息和高层语义信息稀少，因此需要进行样本增强提高训练样本的数量和多样性。
由于RD图大部分为简单的背景区域，因此本文首先采用如下方式进行样本增强：随机选择4张RD图样本，通过随机缩放、裁剪、排布的方式进行拼接，形成新的训练样本。这种方式不仅丰富了样本数据，而且随机缩放增加了不同尺寸、不同位置的目标，提升了网络的鲁棒性。在相同的批量大小（batch size）设置下，这种策略能够包含更多的有效训练样本，在不增加训练时间和GPU显存的条件下提高了等效的样本迭代次数。
如图3所示，图3（a）是存在1个行人时对应的RD图，图3（b）是存在1个骑行者时对应的RD图。可以看到，相对于自然图像能够区分各种类型的目标，RD图对不同目标的区分能力更弱。区域像素分布类似，对应的类别不同，这种类别值的突然畸变导致图2中的分类网络分支训练过程中梯度过大而无法收敛。因此，需要对目标的类型标签添加正则约束项来防止网络发散。本文将不同类之间的图像进行混合，从而扩充训练数据集来解决这个问题。通过以下方式构建虚拟训练样本：
图3 不同目标对应的RD图
式中，（xi，yi）和（xj，yj）是从训练数据中随机抽取的两个例子，λ∈［0,1］。式（3）和式（4）对类型标签添加线性约束，从而提高网络对类型识别的鲁棒性，消除含噪声样本和对抗样本带来的影响。
1.4 自适应位置损失函数
已有的目标检测方法多采用Smooth L1位置回归损失函数［11］：
式中，x为网络计算得到的目标位置和真实值之间的差异。Smooth L1损失函数收敛且可导，但是不能体现目标和真实值尺寸和重合度的差异。如图4所示，根据式（5）计算得到的图4（a）、图4（b）和图4（c）计算的位置损失相同，图4（c）的目标框和真实框最接近。
图4 不同的目标框和真实值
为了解决Smooth L1函数不能体现目标尺寸和重合度的问题，本文将目标的尺寸和重合度加入到损失函数中。
如图5所示，区域A为计算得到的目标框，区域B为目标真实框，根据A和B计算得到最小外接框区域C。则本文提出的位置损失函数为
图5 重合度计算示意图
式中，|A|表示计算区域A的面积，|A⋂B|、|A⋃B|分别表示区域A和区域B相交和相并区域的面积，|C\(A⋃B)|表示区域C中除了A和B以外区域的面积。可以看到，区域A和区域B尺寸和位置越接近，重合度越高，位置损失越小。由式（6）计算得到图4（a）、（b）、（c）三种情况对应的损失值分别为0.77、0.59和0.35，和直观的结果一致。
2 实验结果和分析
2.1 实验条件
为了验证提出的算法的性能，本文在两个公开可用的雷达数据集CARRADA［12］和RADDET［13］上进行对比测试。
CARRADA数据集包括21.1分钟12 666帧数据，每一帧的脉冲数为64，每个脉冲内采样点数为256。因此，RD图的尺寸大小为256×64，目标类型包括汽车、骑行者、行人和背景4类。RADDET数据集包括总共10 158帧数据，每一帧脉冲数为64，每个脉冲内采样点数为256，RD的尺寸大小为256×64，目标类型包括行人、自行车、汽车、摩托车、公交汽车和卡车6类。
测试系统为Ubuntu18.04LTS，深度学习框架为TensorFlow2.4.1。对CARRADA数据集进行测试时，批大小设为4，学习率设为0.001，优化器选择Adam［14］，训练轮数为150轮。对RADDET数据集进行测试时，批大小设为16，学习率设为0.001，优化器选择Adam，训练轮数为75轮。式（3）和式（4）中λ设为0.2。算法指标采用微软在PASCAL VOC数据集中提出的均值平均精度（mAP）、精确率（P）、召回率（R）、F1分数［15］。
2.2 消融实验
如表1所示，在CARRADA数据集上采用样本增强策略mAP和P分别提升7.9%和11.9%，采用改进后的位置损失函数mAP提升6.3%，两者结合mAP和P分别提升7.9%和20.1%。如表2所示，在RADDET数据集上采用样本增强策略mAP和P分别提升3.6%和7.8%，采用改进后的位置损失函数mAP和P提升9.1%和2.6%，两者结合mAP和P分别提升12.7%和13.0%。
表1 CARRADA数据集结果（IOU=0.5）
改进方法Base Line样本增强改进损失函数样本增强+改进损失函数F1 0.57 0.60 0.59 0.59 mAP 0.63 0.68 0.67 0.68 P R 0.67 0.75 0.67 0.81 0.52 0.50 0.58 0.48
表2 RADDET数据集结果（IOU=0.5）
改进方法Base Line样本增强改进损失函数数据增强+改进损失函数mAP 0.55 0.57 0.60 0.62 P R 0.77 0.83 0.79 0.87 0.41 0.39 0.44 0.43 F1 0.52 0.53 0.55 0.56
采用样本增强策略相当于对样本空间进行正则化，学习到更加紧致精确的网络模型，精确率上升，召回率下降，与表中的结果一致。
2.3 算法对比测试
为了进一步验证本文提出的算法的性能，在CARRADA和RADDET数据集上和Faster RCNN ［16］以及DAROD［9］算法进行比较。如表3所示，在CARRADA数据集上，本文方法相对于Faster RCNN算法mAP提升4.6%，精确率提升9.5%，相对于DAROD算法mAP近似，精确率提升11.0%。如表4所示，在RADDET数据集上，本文方法相对于Faster RCNN算法mAP提升3.3%，精确率提升10.1%，相对于DAROD算法mAP近似，精确率提升13.0%。
表3 CARRADA数据集算法对比结果（IOU=0.5）
P R 算法Faster RCNN DAROD本文算法mAP 0.65 0.68 0.68 0.74 0.73 0.81 0.51 0.54 0.48 F1 0.60 0.61 0.59
表4 RADDET数据集算法对比结果
P R 算法Faster RCNN DAROD本文算法mAP 0.60 0.63 0.62 0.79 0.77 0.87 0.44 0.46 0.43 F1 0.55 0.57 0.56
2.4 实验结果分析
图6为部分结果图。在图6（a）中，FasterRCNN在真实目标左侧出现虚警；DAROD在左侧和下边出现虚警；本文算法能正确检测并识别出目标。
图6 检测识别结果对比图（从左至右:摄像头图像、Faster RCNN、DAROD、本文算法）
在图6（b）中，Faster RCNN和本文算法均能够正确检测识别，DAROD出现了虚警。
在图6（c）中，Faster RCNN在行人和骑行者之间出现了汽车虚警，DAROD出现了大量行人虚警，只有本文算法能正确检测并识别目标。本文通过样本增强策略对网络进行正则化，能学习到更精确的模型，同时改进后的损失函数能对错误匹配的背景目标增加惩罚损失，因此能减少虚警，提高召回率。
3 结束语
针对雷达距离-多普勒图中的目标检测识别，本文提出了基于深度神经网络的智能检测识别算法。算法采用目标多普勒增强感兴趣区域特征表示，采用基于随机变换和标签混合的样本增强策略提升网络的鲁棒性，并且采用改进后的位置回归损失提高算法的位置计算精度。实验证明提出的算法能够实现准确的雷达目标检测识别。
本文研究监督学习条件下的雷达目标检测识别，如何利用半监督学习和非监督学习的方法提高检测识别性能，是未来探索的方向。
另外，如何根据检测识别结果结合数据关联和状态估计方法，形成稳定准确的多目标跟踪方法，值得进一步的探索和优化。
［1］ 刘世琦，匡华星，杨昊成.基于CFAR-CNN的轻量级海上目标检测［J］.雷达科学与技术，2024，22（3）:312-320.
［2］ 杜兰，刘彬，王燕，等.基于卷积神经网络的SAR图像目标检测算法［J］.电子与信息学报，2016，38（12）:3018-3025.
［3］ 常沛，夏勇，李玉景，等.基于CNN的SAR车辆目标检测［J］.雷达科学与技术，2019，17（2）:220-224.
［4］ 夏勇，田西兰，常沛，等.基于深度学习的复杂沙漠背景SAR目标检测［J］.雷达科学与技术，2019，17（3）:305-309.
［5］ 喻庆豪，吴迪，朱岱寅，等.基于CNN的机载气象雷达气象目标检测方法［J］.雷达科学与技术，2021，19（4）:409-416.
［6］ 张丽丽，王贤俊，屈乐乐，等.SAR图像舰船检测的神经网络关联剪枝方法［J］.雷达科学与技术，2024，22（3）:284-290.
［7］ QIN Chuan, WANG Xueqian, LI Gang, et al.A Semi-Soft Label-Guided Network with Self-Distillation for SAR Inshore Ship Detection［J］.IEEE Trans on Geoscience and Remote Sensing,2023,61:1-14.
［8］ 陈小龙，何肖阳，邓振华，等.雷达微弱目标智能化处理技术与应用［J］.雷达学报，2024，13（3）：501-524.
［9］ DECOURT C, VANRULLEN R, SALLE D, et al.DAROD:A Deep Automotive Radar Object Detector on Range-Doppler Maps［C］//2022 IEEE Intelligent Vehicles Symposium（IV）, Aachen, Germany: IEEE, 2022:112-118.
［10］ PARK S, LEE S, KWAK N.Range-Doppler Map Augmentation by Generative Adversarial Network for Deep UAV Classification［C］//2022 IEEE Radar Conference,New York，USA: IEEE, 2022:1-7.
［11］ HUANG Zhaojin, HUANG Lichao, GONG Yongchao, et al.Mask Scoring R-CNN［C］//2019 IEEE Conference on Computer Vision and Pattern Recognition,Long Beach,CA, USA: IEEE, 2019: 6402-6411.
［12］ OUAKNINE A, NEWSON A, REBUT J, et al.CARRADA Dataset: Camera and Automotive Radar with Range-Angle-Doppler Annotations［C］// 2020 25th International Conference on Pattern Recognition, Milan, Italy:IEEE, 2021:5068-5075.
［13］ ZHANG Ao, NOWRUZI F E, LAGANIERE R.RADDet:Range-Azimuth-Doppler Based Radar Object Detection and Recognition for Dynamic Road Users［C］// 2021 18th Conference on Robots and Vision, Burnaby, BC,Canada: IEEE,2021:95-102.
［14］ ZHANG Zijun.Improved Adam Optimizer for Deep Neural Networks［C］// 2018 IEEE/ACM 26th International Symposium on Quality of Service,Banff, AB, Canada: IEEE,2018:1-2.
［15］ EVERINGHAM M, GOOL L V, WILLIAMS C K I, et al.The Pascal Visual Object Classes（VOC） Challenge［J］.International Journal of Computer Vision, 2010,88（2）:303-338.
［16］ REN Shaoqing, HE Kaiming, GIRSHICK R, et al.Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks［C］// IEEE Trans on Pattern Analysis and Machine Intelligence,2017,39（6）:1137-1149.