基于神经网络和散射中心模型的目标参数提取

罗宇航, 陈彦锡, 郭琨毅, 盛新庆, 马 静

(1. 北京理工大学信息与电子学院应用电磁研究所, 北京 100081; 2. 北京仿真中心, 北京 100854)

0 引 言

散射中心建模目前是目标散射特性研究领域的热门方向之一。采用少量带属性的散射中心散射场的叠加可以精确仿真扩展目标的散射特性,因此基于散射中心模型的散射仿真非常高效。同时，散射中心特征与雷达图像特征直接对应,因此该方法在雷达成像仿真、目标特征提取、自动目标识别等领域具有较高的实用价值[1-3]。散射中心建模方法可以分为正向方法和逆向方法两种,正向方法依据电磁计算方法以及散射贡献分离的方法,直接获得各散射中心的散射场,进而建立参数化模型[4];逆向方法先利用参数化模型表示目标上各散射中心的散射场,然后采用参数估计方法从目标散射场或成像结果通过估计或提取得到模型的参数[5]。逆向方法不需要电磁计算过程,利用通用的参数估计工具即可实现。

散射中心研究一直伴随着雷达技术的发展,在以低分辨率雷达为主流的时期主要用点目标来模拟目标散射波。而近些年来，由于高分辨雷达的出现，点目标模型已经不能满足目标特征识别的需求。因此,为了精确描述雷达高分辨图像呈现的特征,出现了带有频率、方位依赖性描述的散射中心模型。这些带有属性的散射中心模型可以描述目标强散射源的位置分布、散射幅度起伏等。散射中心的参数提取是如今散射中心的重要研究内容之一,遗传算法、粒子群方法等虽然在散射中心参数估计中被广泛应用[6-8],但其往往计算复杂，耗时量大,而神经网络可以有效地解决类似的逆向问题。

卷积神经网络(convolutional neural network,CNN)是在深度学习中应用最为广泛的一类网络,众多CNN模型在图像分类、目标检测等领域取得了突破性的成果。如采用单层卷积神经网络对高分辨一维距离像、合成孔径雷达(synthetic aperture radar,SAR)图像进行特征自动识别[9-10],利用双向卷积-循环网络来提取目标特征[11]。采用预训练的CNN模型到其他数据集做迁移学习,并重新学习目标集特征[12-13]。目标识别传统方法需要大量的己标注训练样本数据,需要不同尺寸目标的全方位散射数据,而采用数值法计算目标的散射非常耗时,可见充足的训练样本非常难以获得。为此,本文利用已知几何结构目标的散射中心模型快速生成训练样本。以弹头目标为例,由散射中心模型模拟得到的散射场时频像与全波法结果相比,相关系数可以达到90%以上。因此，将可替代数值计算结果用作训练样本,可极大地节约获得训练样本所需的计算资源和时间。

对于雷达目标的几何参数提取,传统方法多是利用目标的SAR图像或逆合成孔径雷达(inverse SAR, ISAR)图像来获取,目标的几何参数获取较为困难[14-15]。前馈神经网络(back propagation neural network, BPNN)是一种按误差逆传播算法训练的多层前馈网络,其网络结构相对简单,可以逼近非线性函数,可用于多种情景下的参数预测[16-18]。利用散射中心模型快速生成的训练数据作为输入,通过改变网络的具体结构来训练得到目标几何参数。

本文利用神经网络以及散射中心模型,快速实现自动目标类型识别,以及从目标散射中自动逆向提取目标几何参数。以常见的锥-柱-台结构弹头目标为例,通过改变散射中心的参数,快速得到多种结构、不同尺寸的目标的大量训练数据,利用CNN识别出目标类型,再用BPNN预测输出目标的几何参数。经数值实验,验证了网络具有较高的识别率,而且预测输出的几何参数结果与实际几何尺寸具有较高的一致性。该方法可以推广至其他结构相似、尺寸不同的目标类型,具有较高的应用价值。

1 弹头类目标的散射中心模型及其时频像特征

属性散射中心模型是目前应用最为广泛的散射中心模型。它的提出为描述复杂目标电磁散射特性提供了简明、有效的技术手段。散射中心的属性参数包括幅度、位置以及其对方位、频率、极化的依赖性等。依据散射中心的位置分布特征，散射中心可以分为分布型散射中心(distributed scattering center,DSC)(如位于平面、单曲面、长直棱边)、局部性散射中心(local scattering center,LSC)(如位于尖顶、小圆顶等)和滑动型散射中心(sliding scattering center, SSC)(如位于双曲面、曲边等)。散射中心模型的部分参数与目标的几何结构直接相关,如DSC的分布长度为平面或单曲面、长直棱边的长度,SSC的位置轨迹为目标的几何轮廓。因此,通过提取散射中心的参数可以在一定程度上反演出目标的几何尺寸[3]。

时频像在散射中心特征分析中被广泛采用。由于时频像仅需要单频回波就可以分析散射中心的空间位置分布,因此相比于高分辨成像方法,其所需要的散射数据更少。不同类型散射中心的时频像特征也不同[19]。基于目标匀速转动的假定条件,在雷达连续观测获得回波的时频像特征中,DSC呈现为竖直亮线,局部型散射中心呈现为正弦曲线(有遮挡时曲线不连续),SSC呈现为非正弦曲线的亮线。这些时频像特征的差异为散射中心类别以及目标几何特征的识别提供了理论基础[20-21]。

本文以锥-柱-台结构弹头为例,给出了详细的散射中心类型以及时频像特征分析。几何模型和散射中心分布如图1(a)所示。弹头顶部半径为b0,底座底面半径为b1,圆柱半径为b2,尖顶、柱身、底座的高分别为h1、h2、h3,θ为观测角度。弹头目标的散射中心包括DSC和LSC两大类。由于球顶半径较小,可将该处散射中心视为LSC。底部曲边缘的散射中心在雷达俯仰观测面内位置固定,因此这里也可视为LSC。依据几何结构和散射中心的形成机理可预估出,可能形成的散射中心如图1(b)所示。

图1 烈火1几何结构和散射中心分布Fig.1 Geometry and scattering center distribution of Agni-1

经实际计算发现,LCS2、LSC3幅度很弱,在时频像中几乎无显示,因此在散射中心建模中不予考虑。其他散射中心的数学模型及参数说明如表1所示。

表1 烈火1散射中心的类型、成因和模型表述

表1中,LSC1、LSC4、LSC5的数学模型为

DSC1、DSC2、DSC3、DSC4的数学模型为

式中:L为分布型散射中心的长度参数。

假设目标在XOZ面内匀速转动,雷达频率f为3 GHz,观测角度为θ，θ=0°～180°,极化方式为VV极化。已知弹头顶部半径、底座底面半径、尖顶底面半径分别为0.15 m、0.5 m、0.4 m,锥体、柱体、锥台的高分别为1.986 m、1.8 m、0.275 m。基于全波计算的上述频率、连续观测下的散射场数据,再采用遗传算法估计得到散射中心的未知参数[3],全波法与模型仿真结果时频像的相似度最高为遗传算法所使用的目标函数。

由全波法计算散射场的时频像和散射中心模型模拟得到的时频像如图2(a)和图2(b)所示。本文采用的时频变换方法为重排平滑伪魏格纳维尔分布(reassigned smoothed pseudo Wigner-Ville distribution, RSPWVD)法[22]。各类散射中心也在图2中进行了标注。两时频像的相似度为92%,表明散射中心模型仿真精度较高。

时频曲线的特征由目标的几何结构决定。对于上述弹头而言,DSC1所呈现的竖直亮线长度由锥面的母线长度决定;DSC2的竖直亮线长度由柱面的高度决定;DSC3所呈现的竖直亮线长度由锥台侧面的母线长度决定;DSC4所呈现的竖直亮线长度由底面的直径决定;DSC1和DSC2分布型散射中心出现的角度间隔由锥体的半锥角决定;DSC2和DSC3分布型散射中心出现的角度间隔由锥台的半锥角决定。基于这些信息，可以构建出弹头目标的主要几何外形。

图2 全波法结果与模型仿真结果对比Fig.2 Comparison of full wave method results and model simulation results

图3 改变散射中心模型参数后时频图像Fig.3 Time frequency image after changing parameters of scattering center model

2 基于CNN的目标识别

在传统CNN结构中,随着网络层的深入,会出现网络退化的问题,导致训练集准确率下降[23-24]。在以往的目标属性分类过程中,特征之间的相关性容易被忽略,降低模型的工作效率,而残差网络的优势正好解决了目标的多属性识别问题[25-26]。本文选用CNN中的残差神经网络(residual neural network, ResNet),该模型网络深度为18层,其网络结构设置情况如表2所示。

表2 ResNet结构设置

通过改变散射中心模型参数,获得2 000幅弹头目标的时频图像。当雷达俯仰角θ相对目标的变化范围为0°～180°时,结果表明，通过十几次迭代，就可以获得很好的识别精度。为了验证CNN的识别有效性,在3种非理想情况下进行测试,分别为:改变雷达频率、加入白噪声、减少观测角范围。当改变雷达频率和加入白噪声时,弹头目标的识别效果统计如表3所示。

从表3中的数据可知,在频率不同的情况下,目标的识别效果几乎不受影响,因为改变频率对时频像特征而言仅为尺度缩放,图像特征并没有明显改变;在散射场数据中加入的白噪声,在时频像中体现为斑点噪声,但信噪比大于10 dB时,并不改变时频像特征中竖直亮线的长度分布,因此虽然CNN的识别效果会有1%～3%的降低,但就整体而言不会对神经网络的识别造成过大的干扰。此外,经测试,在测试样本中加入其他类型目标的时频像时,网络的稳定性不受影响。

表3 改变频率并加入白噪声后的识别效果

对于上述弹头目标,完整的时频像特征需要观测角度扫描范围为0°～180°(俯仰角),CNN中卷积运算的目的是提取输入的不同特征,低层次的卷积层可能只能提取一些低级的特征(如边缘、线条),深层的网络才能从低级特征中迭代提取更复杂的特征。因此,本文测试了在不同观测角度范围下的识别效果。俯仰角θ从0°～30°到0°～180°依次增大角度范围,测试识别率结果如图4所示。在图4中，数据点从左到右分别代表观测角度范围为0°～30°、0°～60°、0°～90°、0°～120°、0°～150°、0°～180°。随着角度范围的增大,各目标的识别率均逐步增加,证明CNN的识别有很好的泛用性。

图4 不同俯仰角角度范围下的识别率Fig.4 Recognition rate in different pitch angle range of θ

3 基于BPNN的目标几何参数提取

BPNN预测模型一般采用3层结构,根据网络的效果来调整输入层节点、隐含层节点和输出层节点的个数[27-28]。BPNN算法由数据的前向传播和误差的反向传播两个部分组成。前向传播是将输入层传入的数据输送到隐含层进行处理，再传向输出层,如果输出的参数值与实际的参数有偏差,则将偏差沿着网络进行反向传播，直至网络输出的误差减少到可以接受的程度,或者进行到预先设定的学习次数[29-30]。

本文预测模型采用的结构如图5所示。以烈火弹头目标的时频像作为网络输入,wij为输入层结点与隐含层结点之间的网络连接权值,wjk为后两层结点之间的网络连接权值,输出为弹头目标高度参数h1、h2、h3，以及半径参数b1、b2。

本文中训练样本占总体样本的90%,剩下的为测试样本。训练样本在网络经历不断的迭代更新,当预测准确率达到设定的精度或学习次数之后停止训练。最后，将训练出符合要求的BPNN用于弹头的几何参数的预测。本文中目标时频像的个数即为网络中的输入层节点数,几何参数个数即为网络中的输出层节点数。参数预测误差统计平均结果如表4所示。随机抽取10个测试样本,将测试样本的实际几何参数与预测参数进行对比,如表5所示。由表5可以看出，预测得出的参数与几何体实际参数具有很高的一致性。

图5 BPNN拓扑图Fig.5 BPNN topology

表4 几何参数预测误差统计结果

表5 样本的实际参数与预测参数对比

4 结 论

本文提出了一种基于CNN+BPNN、依据散射中心时频像特征快速自动识别目标、提取目标几何参数的方法。在该方法中,采用CNN网络提取时频图像特征用于识别目标类型,之后用BPNN预测得到目标的几何参数。建立该网络首先需要大样本散射场数据库,然而目标的散射数据库计算非常耗时,为此提出了利用神经网络以及散射中心模型快速生成大样本时频像的方法。以锥-柱-台弹头目标为例,通过数值仿真验证了该网络的泛用性,以及几何参数提取精度。与传统方法相比,本网络可实现少量散射数据下的弹头类的自动化识别和几何参数提取。该方法也可以推广应用于几何结构相似、尺度不同的其他类型目标。