基于对抗防御的鲁棒雷达目标检测方法及系统技术方案

本发明专利技术提供了一种基于对抗防御的鲁棒雷达目标检测方法及系统，包括：步骤

【技术实现步骤摘要】
基于对抗防御的鲁棒雷达目标检测方法及系统


[0001]本专利技术涉及目标检测
，具体地，涉及基于对抗防御的鲁棒雷达目标检测方法及系统
。

技术介绍

[0002]基于雷达的目标检测在军事和民用领域都有很普遍且重要的应用
。
雷达作为主要手段，广泛应用于搜救
、
监视
、
国防安全等任务
。
而探测小船
、
浮木
、
冰山
、
无人机等小目标是监视雷达的任务之一，也是难点之一
。
由于目标回波能力弱，海杂波多普勒带宽宽
、
空间异质性强
、
非高斯性强等复杂多变的特点，所以小目标检测问题一直是一个具备着巨大挑战性的问题
。
[0003]传统的检测方法基于统计理论，检测过程基于幅度分布模型假设，将杂波视为随机过程
。
然而，在实际应用中，由于目标和杂波模型的多样化
,
很难用统计模型精确地表示杂波的分布，在复杂多变的环境中很难实现较好的检测性能
。
另一种目标检测方法是从特征差异的角度区分杂波与目标回波
。
除雷达幅度外，目标和杂波的径向速度也有差异，微多普勒可以反映目标或散射点的瞬时速度变化
。
使用时频分析的时间多普勒频谱非常有效，它代表随时间的频率分布
。
此外将卷积神经网络引入雷达目标检测与识别目前已有许多的研究，研究表明该方法相对于传统方法优势明显，具有良好应用前景与广阔发展空间
。
目前已有的基于深度学习方法的雷达目标检测算法研究已有很多，并已在公开数据集上取得了较好的效果，绝大多数的研究都在
IPIX
雷达数据集上进行实验验证
。
目前研究主要采用的方法是：先选用合适的时频分析方法将雷达回波序列转换为时频图，进而可将数据集分为含有目标时频图以及纯杂波时频图，通过深度学习提取两类时频图的深度特征，进而训练一个二分类模型，将问题变为分类问题
。
[0004]现有的雷达目标检测方法在环境较为恶劣的数据上，检测出目标的准确度普遍较低
。
在信杂比目标频谱与杂波频谱高度重合情况下，许多网络的检测性能都急速下降，检测的准确率只在
10
％到
30
％之间
。
含目标回波与纯杂波转换为时频图后，特征区分并不明显，需要更加有效的方法来增大信噪比
。
此外现有研究对目标位置
、
速度等信息未做进一步研究
。
它们都把检测问题转化为一个简单的二分类问题，只关心时频图有无目标，而没有对目标具体位置以及速度做进一步的分析
。
这其实取决于构建时频图的方法，它们采用的方法构建出的时频图很难直观地得到目标的位置信息，所以后续只能做图像分类
。
[0005]如在施赛楠
、
董泽远等人发表于
《
系统工程与电子技术
》
期刊的论文
《
基于时频图自主学习的海面小目标检测
》
中，作者就将将检测问题归为两分类问题，利用
Inception V3
深度神经网络，对归一化时频图实现含目标回波和海杂波之间的有效分类
。
然而在实际应用中，更希望通过使用目标检测算法而不是分类，得到目标的更多状态信息
。
本专利技术与该论文方法最大的不同在于，不再将任务简单归为分类问题，而是利用目标检测深度神经网络，对
RD
图像中目标进行检测定位，从而可以研究目标的位置
、
数量
、
速度等信息，在实际任务中能够提供更加丰富的信息，同时依然保持较高的检测准确率
。
[0006]公开号为
CN113486961A
，标题为
《
基于深度学习的低信噪比下雷达
RD
图像目标检测方法
、
系统及计算机设备
》
的专利提供了一种基于深度学习的雷达
RD
图像目标检测方法，该方法使用目标检测神经网络对低信噪比的下的雷达
RD
图像进行检测，但并未透露目标检测网络的更多设计细节
。
本专利技术与该专利方法在
RD
图像处理与目标检测网络解构上有着显著不同，本专利在利用雷达回波数据生成
RD
图像后，创新地设计了目标增强的算法进一步聚焦
RD
图像中的目标信息，提高了后续检测的准确率，同时本专利还在目标检测网络中加入了对抗防御模块，能够有效提高雷达
RD
图像目标检测模型在可能的对抗样本攻击场景下的检测鲁棒性
。
[0007]公开号为
CN113887583A
，标题为
《
基于深度学习的低信噪比下雷达
RD
图像目标检测方法
》
的专利也提供了一种基于深度学习的雷达
RD
图像目标检测方法，该方法使用
Fast R
‑
CNN
这一两阶段的目标检测网络，对低信噪比的下的雷达
RD
图像进行检测
。
本专利技术与该专利方法在
RD
图像处理与目标检测网络解构上有着显著不同，该方法直接使用距离
‑
多普勒处理后生成的
RD
图像，没有对数据进行目标增强处理，因此在检测精度上还存在进一步提高的空间，而本专利技术在利用雷达回波数据生成
RD
图像后，创新地设计了目标增强的算法进一步聚焦
RD
图像中的目标信息，提高了后续检测的准确率
。
该方法使用的
Fast R
‑
CNN
为两阶段的目标检测网络，本专利技术使用的
Defense
‑
EfficientNet
这类一阶段的目标检测网络与之相比，具有检测速度快，虚警率低的优点，而且同时保持较高的检测准确率，在实际应用中存在显著优势
。
此外，该专利同样也未考虑神经网络的安全性问题，尤其是面对扰动样本的检测可能存在不够鲁棒的问题
。
[0008]发表在
2019
年的国际机器学习大会
(ICML)
上，标题为
《EfficientNet:Rethinking Model Scaling for Convolutional Neural Networks》
的论文提出了一种高效的标准卷积神经网络
EfficientNet。
传统的卷积神经网络通常要手动任意缩放网络维度，如宽度，深度和分辨率
,
以实现针对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于对抗防御的鲁棒雷达目标检测方法，其特征在于，包括：步骤
S1
：对获取的雷达回波数据进行距离
‑
多普勒处理得到
RD
图像，对
RD
图像进行能量聚焦，最后处理聚焦后的
RD
图像得到实验数据集；步骤
S2
：构建对抗攻击鲁棒的目标检测深度神经网络模型；步骤
S3
：采用训练集对目标检测深度神经网络模型进行训练得到训练后的检测神经网络模型；步骤
S4
：利用训练后的检测神经网络模型对测试集图像进行目标检测，获得检测的查准率和查全率，并计算得到检测的各类别平均精度；所述目标检测深度神经网络模型是基于
EfficientNet
与对抗防御模块结合的
Defense
‑
EfficientNet
深度学习网络实现针对雷达目标的有效检测
。2.
根据权利要求1所述的基于对抗防御的鲁棒雷达目标检测方法，其特征在于，所述步骤
S1
采用：步骤
S1.1
：将原始雷达回波数据按快时间维与慢时间维整合，同时将原数据集中对目标的距离与速度的标注转换为图像上的坐标并取整，生成目标检测数据的标注文件；步骤
S1.2
：使用
Chirp
‑
Z
变换算法对一个相参处理时间的雷达回波数据进行
Keystone
变换，消除掉距离与速度之间的耦合，增强目标的聚焦效果；对
Keystone
变换后的数据进行距离
‑
多普勒处理得到雷达
RD
图像；步骤
S1.3
：将得到的雷达
RD
图像中连续帧叠加在一起实现相参积累，得到相参积累后的
RD
图像；步骤
S1.4
：使用二阶差分图像增强方法在相参积累后的
RD
图像的距离维进行二阶差分运算，聚焦目标能量并锐化图像；步骤
S1.5
：将得到的
RD
图像数据按预设要求分成训练集
、
验证集
、
测试集
。3.
根据权利要求1所述的基于对抗防御的鲁棒雷达目标检测方法，其特征在于，所述目标检测深度神经网络模型包括：对抗防御模块
、
特征提取模块
、BiFPN
特征融合模块以及分类与回归模块；将得到的雷达
RD
图像经过所述对抗防御模块消除对抗扰动得到干净的图像数据，再经由特征提取模块进行特征提取并输出特征图，再将特征图输入
BiFPN
特征融合模块进行特征融合，将融合后的特征输入分类与回归模块得到最终的分类预测与边界框的坐标预测
。4.
根据权利要求3所述的基于对抗防御的鲁棒雷达目标检测方法，其特征在于，所述对抗防御模块包括：自然去噪模块以及对抗去噪模块；所述自然去噪模块和所述对抗去噪模块分别用来去除图像的自然噪声以及可能的对抗扰动；在所述对抗防御模块中，雷达
RD
图像先经过自然去噪模块去除自然噪声，再通过对抗去噪模块去除对抗扰动
。5.
根据权利要求4所述的基于对抗防御的鲁棒雷达目标检测方法，其特征在于，所述自然去噪模块和对抗去噪模块的网络结构均包括：多个级联的二维卷积层
、
批正则化层以及
Relu
函数激活层，最终输出预测的噪声图像，使用输入的雷达
RD
图像减去去噪声图像得到去噪后的图像
。6.
根据权利要求4所述的基于对抗防御的鲁棒雷达目标检测方法，其特征在于，步骤
S3
包括：
步骤
S3.1
：对对抗防御模块中的自然去噪模块和对抗去噪模块分别进行训练，对训练数据集的图像分别添加自然噪声与对抗扰动生成自然加噪图像与对抗样本图像，使用配对的原始图像与自然加噪图像输入自然去噪模块进行训练，当类别预测损失收敛时结束训练并输出自然去噪模块参数；对抗去噪模块使用配对的原始图像与对抗样本图像进行训练，并得到相应的对抗去噪模块参数；步骤
S3.2
：使用
K
‑
means
算法对数据集的边界框的宽和高进行聚类得到新的边界框的宽和高，最优聚类中心个数确定为
n
，进而替换默认的
anchors
，从而减少最后边界框预测网络的计算效率；步骤
S3.3
：对
Defense
‑
EfficientNet
网络进行微调训练，训练开始前将会加载之前已经预训练得到的自然去噪模块以及对抗去噪模块参数，并在之后的训练中这自然去噪模块以及对抗去噪模块的参数将会被冻结；然后将训练图像数据集
、
标签数据集输入到搭建的
Defense
‑
EfficientNet
神经网络模型中并计算类别预测损失和边界框预测损失，迭代优化
Defense
‑
EfficientNet
神经网络模型参数，重复进行训练，当损失值收敛且模型在验证集上测试效果达到最优时，结束训练并输出最终的神经网络参数
。7.
根据权利要求6所述的基于对抗防御的鲁棒雷达目标检测方法，其特征在于，所述类别预测损失采用
Focal Loss
，计算所有未被忽略的种类的预测结果的交叉熵损失，
Focal Loss
的表示如下：
FL(p
t
)
＝
‑
(1
‑
p
t
)
γ
log(p
t
)
其中，其中，
γ
表示
Focal Loss
中的可调节因子，用于调节分类准确和不准确的样本在损失函数中的比重；
p
表示网络输出的预测概率大小；
y
表示真实标签；所述边界框预测损失采用
Smooth L1 Loss
，用于计算边界框的4个坐标值和真实标注框之间的误差，然后将这4个
loss
进行相加构成回归损失，
Smooth L1 Loss
的表示如下：其中，
z
表示边界框位置的真实值和预测值之间的差值；总的位置回归损失表示如下：其中，
t
u
代表边界框位置的预测值，
v
代表边界框位置的真实值，
{x,y,w,h}
分别对应边界框的左上顶点坐标的横坐标
、
纵坐标以及边界框的宽和高
。8.
根据权利要求1所述的基于对抗防御的鲁棒雷达目标检测方法，其特征在于，步骤
S4
所述的利用训练后的目标检测模型对测试集图像进行目标检测并获得查准率
、
查全率和
mAP
，计算
mAP
首先要计算各个种类的平均精确度
AP
；查准率的计算公式为：
其中，
TP
为真正例，真实目标预测为目标的数量；
FP
为假正例，非目标预测为目标的数量；查全率的计算公式为：其中，
FN
为假反例，真实目标预测为非目标的数量；根据查准率
Pre
和查全率

【专利技术属性】
技术研发人员：王军，蒋兴浩，许可，顾村锋，顾龙飞，叶鸿宇，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：