深度学习在雷达目标检测中的应用综述

雷达目标检测技术能够判断回波信号中目标存在与否,并提取目标位置信息。随着雷达图像 质量的提升和人工智能技术的发展,利用雷达图像数据通过深度学习方法实现雷达目标检测功能成为一种 新的思路。该文首先从雷达目标检测原理入手,对传统和现代两类检测方法进行了梳理,分析了各类检测 方法的特点及适用性。然后针对现代雷达回波信号复杂性增大导致传统检测方法统计建模难的问题和机 器学习方法特征提取难度大的问题,对深度学习目标检测方法进行了归纳,主要从深度学习算法、雷达回波 图像数据类型和应用场景三个方面进行总结。最后分析了深度学习在雷达目标检测应用中面临的挑战,展 望了未来的发展趋势。目标检测作为雷达的基本功能之一,是雷达 目标跟踪和目标识别的前提,其检测性能的好坏 决定了雷达探测能力的高低。雷达接收的回波 中,既有目标,也有杂波和噪声等干扰信号。雷达 目标检测技术的本质是在噪声和杂波条件下对目 标存在与否的判决问题和目标的定位问题。目标 定位问题可以通过测量回波信号的延迟时间和雷 达天线的方向性予以解决。判决问题是当前雷达 目标检测面临的主要挑战。 早期的雷达大多采用非相参体制,没有专门 的信号处理设备,目标检测功能是在雷达显示器 上,通过人工观测回波幅度的高低来实现。虽然 人工检测方法在目前许多雷达中仍有使用,但人 工观测无法适应长时间的工作和大批量目标的处 理。因此,需要雷达具备目标自动检测功能。雷达目标自动检测技术根据检测门限和判决准则判 断是否存在目标。雷达目标自动检测的理论基础 是统计检测理论。实际上,雷达回波信号的统计 特性无法预知,导致检测门限难以确定。检测门 限过高会造成漏警,检测门限过低会导致虚警。 为了解 决 这 个 问 题,恒 虚 警 率 (ConstantFalse AlarmRate,CFAR)检测技术[1]应运而生。但传 统的CFAR检测技术主要通过回波能量实现目标 检测,由于可用于参考的单元环境有限,易受到资 源的限制,对于微弱目标易造成漏警[2]。 近年来,深度学习技术在光学图像处理领域 的应用发展迅速,尤其在目标检测[3]、图像分类[4] 和图像分割[5]等方面成果显著。由于雷达技术的 进步,雷达分辨率逐渐提升,不同形式的雷达图像 数据的质量越来越好。虽然雷达图像信息量比光 学图像严重不足,在成像机理、目标特性、分辨率 等方面存在差异,但深度学习强大的图像特征自 动提取能力,为雷达目标检测技术提供了一种新 的思路。在图像层面上,可将雷达目标检测视为 一项计算机视觉任务,在图像中将目标与背景进 行区分,并对每个目标进行精准定位和分类标签 预测,从而实现雷达目标检测功能。