基于深度学习模型的SAR图像间歇采样转发干扰检测

陶臣嵩, 陈思伟, 肖顺平

(国防科技大学电子科学学院电子信息系统复杂电磁环境效应国家重点实验室, 湖南 长沙 410073)

0 引 言

合成孔径雷达(synthetic aperture radar, SAR)能够全天时、全天候工作,通过距离向和方位向脉冲压缩成像,具有高分辨能力,是军事侦察领域的主要传感器[1-2]。基于SAR图像的高价值人造目标检测与识别,是SAR在侦察监视任务中的重要应用。

在电子对抗中,为有效应对SAR的侦察威胁,SAR干扰逐渐兴起并成为研究热点。SAR干扰通过辐射或反射电磁能量,使得SAR成像质量下降,进而削弱其对目标的检测识别能力。从能量角度,SAR干扰可分为无源干扰和有源干扰[3-6]。其中,无源干扰不主动发射能量,包括角反射器、偶极子反射器、隐身材料、箔条及反雷达伪装网等。而有源干扰则主动发射能量,且包含多种干扰样式[3-6]。其中,周期调制干扰即干扰机将截获的SAR信号与距离向或方位向周期信号相乘,进而在SAR图像距离向或方位向形成多个超前或滞后相干假目标的一类干扰样式[3-6]。

一种典型的周期调制干扰即间歇采样转发干扰(interrupted sampling repeater jamming, ISRJ)[7]。ISRJ的基础信号模型是一个周期脉冲串信号,其与SAR信号相乘,经匹配滤波后在SAR图像的距离向生成多个间隔分布的假目标[7-8]。在此基础上,将ISRJ扩展至SAR方位向,即可在SAR图像的方位向形成假目标串[9]。由于利用了SAR的匹配滤波特性,ISRJ在SAR图像中产生的假目标与真实目标较为相似[7-9],因而可对SAR图像目标检测与识别等应用产生欺骗的效果[10]。

从抗干扰角度,为保证SAR目标检测与识别的性能,对SAR图像中存在的ISRJ进行抑制十分必要。当前,对ISRJ抑制的研究主要集中在信号域,相关方法可以归纳为3大类。第1类ISRJ抑制方法针对ISRJ信号时域采样的不连续性,具体包括:文献[11]利用线性调频分段信号之间的正交性进行波形掩护,通过窄带滤波器组对ISRJ信号和目标回波信号进行区分并剔除ISRJ信号。文献[12]利用脉内步进线性调频子脉冲之间的正交性互相掩护,子脉冲间频率步进使得ISRJ采样段信号经调制后无法干扰相邻子脉冲,进而有效提取无干扰信号段。文献[13]同样利用上述脉内步进线性调频子脉冲之间的正交性互相掩护,通过短时傅里叶变换,将时频矩阵投影至时间维,提取ISRJ不连续转发段信号并以其最大值为门限,进而对时频矩阵进行ISRJ抑制。第2类ISRJ抑制方法旨在破坏ISRJ信号的一些造成欺骗效果的特性。文献[14]使用伪随机性序列对雷达波形进行编码,从而降低回波信号与ISRJ信号之间的相关性,进而有效抑制ISRJ。文献[15]基于模糊函数设计雷达波形,通过破坏ISRJ信号在多普勒频率上的输出连续性,对其进行抑制。文献[16]针对ISRJ信号匹配滤波后高栅瓣的特点,设计低集成旁瓣电平的波形,以及相应的快速求解方法。而第3类ISRJ抑制方法则是通过一定的变换或表征,增强目标回波信号与ISRJ信号之间的区分度。文献[17]对受干扰回波信号做分数阶傅里叶变换,然后通过窄带滤波处理抽取目标回波信号。文献[18]对受干扰回波信号进行切片化,并基于目标回波信号与ISRJ信号之间的切片差异设计线性正则联合字典,识别并剔除ISRJ相应的能量点。文献[19]在分析目标双曲调频波形解调频回波特性的基础上,提出一种基于稀疏重构的ISRJ抑制方法。文献[20]以一个相干处理间隔的受干扰回波信号作为处理对象,通过对不同重复周期的回波进行不同阶次的分数阶相关处理,改变ISRJ假目标在快时间的位置,经相参积累后实现对ISRJ的抑制。文献[21]通过信号累积在时频域增强接收信息,并在时频面提取ISRJ信号分布区域,再根据重构的目标回波信号设计带通滤波器,实现对ISRJ的抑制。文献[22]设计脉内正交的线性调频-相位编码波形,将ISRJ信号拆分为不同的子信号,再利用匹配滤波器对ISRJ进行识别与对抗。文献[23]定义能量函数,并根据目标回波信号和ISRJ信号能量函数的差异,提取无干扰的目标回波信号数据。

在图像域方面,基于SAR图像的ISRJ存在性检测与位置判定,是抑制ISRJ的前提。现阶段,SAR图像ISRJ检测以人工判读为主,即通过专业技术人员的知识与经验,判断SAR图像中ISRJ的有无以及其假目标的具体位置。在SAR系统成像能力提升且SAR图像数据累积的情况下,上述人工判读的方法在精度与效率方面逐渐无法满足需求。故本文在图像域中对ISRJ检测问题开展研究。首先,采用实测SAR数据结合仿真ISRJ的策略,基于不同的实测场景及仿真参数,构建不同类别的ISRJ样本。其次,针对SAR图像中ISRJ假目标所呈现的间隔分布的特点,将相应的假目标串视为整体并进行标注,同时选用深度学习检测领域中具有代表性的更快的区域卷积神经网络(faster region-convolutional neural network, faster R-CNN)模型[24]以及“你只看一次”(you only look once, YOLO)模型[25-27]作为检测器。接着,以单一场景的ISRJ样本作为训练样本,对不同的深度学习模型进行训练。最后,以其他场景的ISRJ样本作为测试样本,利用训练好的模型分别对其进行ISRJ检测。

本文主要内容分为4个部分:第1节详细说明SAR图像的ISRJ原理,并构建ISRJ样本;第2节在简单介绍深度学习模型的基础上,提出SAR图像ISRJ检测的基本思路和方法流程;第3节通过实验及对比,验证上述检测方法的性能表现;第4节总结全文。

1 ISRJ及样本构建

1.1 SAR ISRJ原理

ISRJ利用SAR的匹配滤波特性,在其图像距离向/方位向形成多个逼真假目标。其中,在SAR图像距离向生成假目标,即对SAR距离向ISRJ[8],而将类似干扰效果拓展至SAR图像方位向,并生成假目标,即对SAR方位向ISRJ[9]。

1.1.1 对SAR距离向ISRJ

对SAR距离向ISRJ的原理如下:干扰机截获到SAR发射的线性调频信号,进而高保真地采样其中一小段信号进行转发处理,之后再采样下一小段信号并进行转发,如此收发分时、采样和转发交替工作,直至大时宽信号结束[8]。

假设SAR发射的线性调频信号为

(1)

式中:rect(·)为矩形窗函数;t=tr+ta为全时间;tr为距离向快时间;ta为方位向慢时间;Tp为脉冲宽度;f0为载频;μr为调频斜率。

针对上述信号,距离向间歇采样脉冲信号即矩形包络脉冲串,具体为

(2)

式中:δ(·)为冲激函数;Tw为间歇采样脉冲宽度;Ts为间歇采样周期;定义fs=1/Ts为间歇采样频率;D=Tw/Ts=Twfs为间歇采样占空比(简称占空比);⊗表示卷积运算。

间歇采样后得到的干扰信号为

ss(tr,ta)=p(t)·s(tr,ta)

(3)

在SAR接收端,干扰信号经过混频、距离向匹配滤波、距离迁徙校正以及方位向脉冲压缩等处理后,最终为

sinc [μata(TL-|ta|)]

(4)

由式(4)可知,距离向ISRJ即在SAR图像距离向输出多个逼真假目标,且各假目标在幅度上存在差异。相邻假目标的峰值点间距为

ΔR=cfs/(2μr)=c/(2μrTs)

(5)

式中:c为光速。由式(5)以及an=Dsin(nD)可知,参数Ts和D直接影响着距离向ISRJ在SAR图像中的输出结果,包括距离向上假目标的数量、幅度以及分布间隔等。

1.1.2 对SAR方位向ISRJ

对SAR方位向ISRJ的原理如下:干扰机截获到SAR发射的脉冲信号后,进行全脉冲高保真采样与存储,并在经过一定处理后于下一个或数个脉冲重复周期转发出去;再进行全脉冲的采样和存储,然后处理并转发;如此收发分时、采样和转发交替工作,直至照射到干扰机的合成孔径时间结束[9]。

针对式(1)所示的SAR发射信号,方位向间歇采样脉冲信号依旧是矩形包络脉冲串,具体为

(6)

式中:Tw为间歇采样脉冲宽度,通常有Tw≤T,T为线性调频信号的脉冲重复周期;Ts为间歇采样周期,通常有Ts=KT(K≥2且K∈Z),即间歇采样周期通常为脉冲重复周期的倍数。而K-1则为干扰组数,当K=2时为单组干扰,当K≥3时为多组干扰。

类似地,间歇采样所得干扰信号经过混频、距离向匹配滤波、距离迁徙校正以及方位向脉冲压缩等处理后,最终在SAR接收端为

(7)

由式(7)可知,方位向ISRJ即在SAR图像方位向输出多个逼真假目标,且各假目标在幅度上存在差异。相邻假目标的峰值点间距为

ΔR=-vfs/μa=-v/(μaKT)

(8)

式中:v为SAR平台运动速度。在实际的干扰过程中,为了确保完整地采集到SAR发射信号,通常会对整个脉冲重复周期充分采样,即设置Tw=T。此时,占空比和幅度加权系数分别为

D=Tw/Ts=T/(KT)=1/K

(9)

(10)

由式(8)和式(10)可知,参数K直接影响着方位向ISRJ在SAR图像中的输出结果,包括方位向上假目标的数量、幅度以及分布间隔等。

1.2 ISRJ样本构建

在电子对抗中,SAR受有源干扰影响。然而,特定干扰样式下的实测SAR数据难以获取。对此,本文采用实测数据与仿真干扰相结合的策略生成ISRJ条件下的SAR图像,进而构建ISRJ样本。

ISRJ条件下SAR图像的生成流程如图1所示。

图1 ISRJ条件下SAR图像的生成流程

一方面,使用逆成像算法[1]重构实测SAR数据的原始回波。另一方面,通过设置典型的干扰参数,利用信号级仿真手段[7-9]得到ISRJ的信号回波。在上述基础上,将SAR原始回波与干扰信号回波相叠加,最后使用成像算法[1]得到ISRJ条件下的SAR图像。基于上述流程框架,本文使用的逆成像算法和成像算法具体分别为逆ω-k算法和ω-k算法[1]。其中,ω-k算法的成像过程主要包含二维傅里叶变换、一致压缩、补余压缩以及二维傅里叶逆变换等4步,且每一步均为线性处理,而逆ω-k算法即ω-k算法的逆过程。

在实测数据方面,选用美国MiniSAR系统在6个不同场景获取的实测SAR图像数据,如图2所示。其中,图2(a)～图2(f)分别对应场景1～场景6,图像分辨率为0.1 m×0.1 m,全图尺寸大小为1 638像素×2 510像素,包含车辆、飞机、建筑物等人造目标以及树木、草丛、裸地等自然地物。

图2 MiniSAR数据

在干扰仿真的过程中,需要设置的参数包括干信比(jamming to signal ratio, JSR)和干扰机位置等通用参数,以及与干扰的具体样式密切相关的特有参数。对于ISRJ仿真,JSR分别为5 dB、10 dB、15 dB和20 dB,而干扰机则被分别置于场景中的9个位置,SAR图像中相应的坐标即(x/4,y/4)、(x/4,y/2)、(x/4, 3y/4)、(x/2,y/4)、(x/2,y/2)、(x/2, 3y/4)、(3x/4,y/4)、(3x/4,y/2)以及(3x/4, 3y/4),x和y分别为SAR图像的总列数与总行数。此外,对于SAR距离向ISRJ,设置间歇采样周期Ts分别为0.3 μs、0.4 μs和0.5 μs,设置占空比D分别为0.1、0.2和0.25。对于SAR方位向ISRJ,设置干扰组数K分别为5、10和20。

基于上述参数设置,将仿真的ISRJ信号回波与MiniSAR实测图像的原始回波进行叠加,再通过成像处理得到ISRJ条件下的SAR图像。在此基础上,以干扰机位置为中心,进一步提取尺寸大小为501像素×501像素的区域作为ISRJ样本,其部分示例如图3所示,包含场景1中的3个不同区域,分别对应图3(a)～图3(f)、图3(g)～图3(l)以及图3(m)～图3(r),且在仿真过程中的JSR均为5 dB。其中,图3(a)、图3(g)～图3(m)为SAR距离向ISRJ,Ts为0.3 μs且D为0.1(参数1);图3(b)、图3(h)、图3(n)为SAR距离向ISRJ,Ts为0.3 μs且D为0.25(参数2);图3(c)、图3(i)、图3(o)为SAR距离向ISRJ,Ts为0.5 μs且D为0.1(参数3);图3(d)、图3(j)、图3(p)为SAR距离向ISRJ,Ts为0.5 μs且D为0.25(参数4);图3(e)、图3(k)、图3(q)为SAR方位向ISRJ,K为5(参数5);图3(f)、图3(l)、图3(r)为SAR方位向ISRJ,K为20(参数6)。

图3 ISRJ样本

2 基于深度学习模型的ISRJ检测

ISRJ在SAR图像中产生一系列逼真的相干假目标,对SAR图像目标检测与识别等造成干扰。故在对抗背景下,SAR图像ISRJ检测与抑制具有重要意义。其中,针对SAR图像中ISRJ的存在性检测以及位置判定,是后续进行ISRJ抑制的前提。

由图3可以发现,ISRJ假目标在SAR图像中呈现整列或整行等间隔分布的特点。针对此类扩展式目标,一方面,以恒虚警检测器为代表的像素级检测方法很难得到理想的检测结果。另一方面,在深度学习领域中,深度卷积神经网络(convolutional neural network, CNN)模型具有多层网络结构,能够对图像目标区域进行抽象特征的提取与学习,进而更为准确地描述目标的检测特性。具体到SAR图像中的ISRJ,深度CNN模型以其“多假目标等间隔分布”作为检测特性,对于检测性能的提升极具潜力。

基于上述思路,本文提出基于深度学习模型的SAR图像ISRJ检测方法。具体地,针对SAR图像中ISRJ假目标的整体进行真值标注,进而将其灰度图像导入检测器中进行相应的训练与测试。而在检测器方面,基于深度CNN的检测器通常可分为“两阶段”检测器和“单阶段”检测器。前者首先粗略提取目标检测框并剔除背景,然后再进行目标检测框的分类与边界回归,以Faster R-CNN模型[24]为代表;而后者则是将上述两个过程融合在一起,采用“锚点”与“分类精修”相结合的处理框架,以YOLO模型[25-27]为代表。故本文分别选用Faster R-CNN和YOLO模型作为检测器。

对于Faster R-CNN模型,其结构如图4所示[24]。其中主要包含卷积层、区域建议网络(region proposal network, RPN)、感兴趣区域池化层(region of interest pooling, ROI Pooling)以及分类与回归处理等模块。具体地,卷积层通常直接使用典型深度CNN模型的卷积层部分,例如视觉几何组(visual geometry group, VGG)网络等。原始图像经过卷积层即得到其特征图,而将特征图送入RPN模块,则可得到有关目标所在区域的建议框。在此基础之上,将特征图与建议框两者导入ROI Pooling,再经过分类与回归模块的处理,即可在原始图像上得到最终的检测结果。Faster R-CNN模型的具体细节详见文献[24]。

图4 Faster R-CNN模型

此外,对于YOLO模型,以YOLOv3为例,其结构如图5所示[25]。其中主要包含DBL、resN(N=1、2、4、8等)和卷积等模块,以及上采样和张量拼接等操作。具体地,卷积模块即卷积层的叠加与处理。DBL模块由卷积模块、批量归一化(batch normalization, BN)操作以及有漏隙的修正线性单元(leaky rectified linear unit, leaky ReLU)3者组成。而resN模块则是由零填充操作、DBL模块以及数量为N的残差单元所组成。总结而言,YOLOv3模型包含“跳层连接”“残差模块”“多尺寸检测”,以及“上采样”与“特征融合”等先进的目标检测处理结构,其具体细节详见文献[25]。

基于ISRJ样本,分别利用Faster R-CNN和YOLO等深度学习模型,本文提出的SAR图像ISRJ检测方法具体流程如下:

(1) 对ISRJ样本中间隔分布的假目标进行真值标注,即使用矩形框框选对应的列或行;

(2) 基于ISRJ样本对应的不同场景,将其整体划分为训练样本集和测试样本集;

(3) 针对预先训练好的深度学习模型(基于典型光学图像数据集),使用训练样本集及相应真值进行更进一步的调整训练;

(4) 利用调整训练完备的深度学习模型对测试样本集进行ISRJ假目标检测,再通过对比检测结果及相应真值,评估检测性能。

3 检测实验

3.1 实验数据

基于前文介绍的ISRJ样本,开展SAR图像ISRJ检测实验。整个实验过程可分为训练与测试两个阶段,即需要相应的训练样本集和测试样本集。

利用MiniSAR系统在场景1所获取的实测SAR图像(见图2(a)),生成ISRJ样本并构建训练样本集。具体而言,训练样本集包含仅存在距离向ISRJ的样本(简称距离向ISRJ样本)以及仅存在方位向ISRJ的样本(简称方位向ISRJ样本)。对于距离向ISRJ样本,设置4种JSR、9个干扰机位置以及3种间歇采样周期Ts和3种占空比D,样本数量为324(4×9×3×3)。而对于方位向ISRJ样本,则设置4种JSR、9个干扰机位置以及3种干扰组数K,样本数量为108(4×9×3)。故整个训练样本集共包含432个样本。相似地,利用MiniSAR系统在场景2、场景3、场景4、场景5以及场景6等5个场景所获取的实测SAR图像(见图2(b)～图2(f)),生成ISRJ样本并构建测试样本集。具体而言,测试样本集包含3类样本,即距离向ISRJ样本、方位向ISRJ样本以及存在距离向与方位向ISRJ相互叠加的样本(简称叠加ISRJ样本)。对于距离向ISRJ样本,设置5个实测场景、4种JSR、9个干扰机位置以及3种间歇采样周期Ts和3种占空比D,样本数量为1 620(5×4×9×3×3)。对于方位向ISRJ样本,设置5个实测场景、4种JSR、9个干扰机位置以及3种干扰组数K,样本数量为540(5×4×9×3)。而对于叠加ISRJ样本,则设置5个实测场景、4种JSR、9个干扰机位置以及3种间歇采样周期Ts、3种占空比D和3种干扰组数K,样本数量为4 860(5×4×9×3×3×3)。故整个测试样本集共包含7 020个测试样本。综上所述,对训练样本集和测试样本集的总结如表1所示。需要特别说明的是,上述训练样本集与测试样本集分别源自同一SAR系统对不同实测场景所获取的SAR图像数据,因此两者中的ISRJ样本不存在交集。分别基于训练样本集与测试样本集对深度学习模型进行训练与测试,即体现相应检测方法对于不同场景的泛化能力。

表1 对训练样本集和测试样本集的总结

3.2 实验设置

在实验过程中,距离向ISRJ样本与方位向ISRJ样本的干扰样式均为ISRJ,而叠加ISRJ样本则为ISRJ出现多次并发生叠加的情况。故对上述样本中的假目标进行真值标注时,仅有一种干扰类别。

在深度学习模型的训练阶段,由于训练样本数量有限,故采取“微调”的训练策略。首先,基于经典的“常见环境物体”(common objects in context, COCO)光学图像数据集,对深度学习模型进行预先训练,得到其相应参数。然后,基于距离向ISRJ样本和方位向ISRJ样本所组成的训练样本集,对深度学习模型的参数进行微调。具体地,对于Faster R-CNN模型,主要的训练参数设置包括:批处理大小为128,训练次数为500,学习率为10-3;而对于YOLOv3模型,主要的训练参数设置包括:批处理大小为8,训练次数为50,学习率为10-4～10-6。在实际的训练过程中,所用计算机的硬件配置包括Intel Core i5-7400的CPU,16 GB的安装内存,NVIDIA GeForce GTX 1080 Ti的GPU显卡,以及11 GB的显卡内存。此外,本文所用操作系统为Ubuntu Kylin 16.04 LTS,而相应的深度学习框架则为TensorFlow 1.12.0的GPU版本。

在训练深度学习模型至收敛的前提之下,对测试样本集进行ISRJ检测。在此过程中,深度学习模型会对每个测试样本输出若干检测框,并赋予各检测框一个分数。该分数越高,则表示相应检测框之中存在ISRJ假目标的概率越大。故在上述的检测过程中,通过设定检测框的分数门限以及检测框之间的交并比门限,即可得到每个测试样本的最终检测结果。

3.3 实验结果与分析

使用训练好的Faster R-CNN和YOLOv3模型,分别对上述的测试样本进行ISRJ检测,所得检测结果如表2所示。此外,在YOLOv3模型的基础上,相关研究还发展出了YOLOv4[26]以及YOLOv5[27]等模型。其中,YOLOv4模型即在YOLOv3模型的基础上增添了一系列比较新的目标检测参数优化手段[26]。具体而言,YOLOv4模型对输入数据使用了马赛克处理以及自对抗训练等数据增强技术。此外,YOLOv4模型在YOLOv3模型的主干网络之中引入了跨级部分连接和加权残差连接等优化结构,并且对其激活函数、损失函数、小批量标准化处理过程以及正则化处理过程等均进行了不同程度的改进。在训练的过程之中,YOLOv4模型还用到了标签平滑以及学习率余弦退火衰减等加速模型收敛的技巧[26]。而YOLOv5模型相对于YOLOv4模型则创新较少,其主要改进在于模型自身的轻量化[27]。故在表2中仅增加了一组使用YOLOv4模型所得到的ISRJ检测结果,表内括号中为正确检测样本数与全部样本数的比值,即模型检测准确率。由表2可知,对于距离向ISRJ样本,Faster R-CNN模型能够在全部1 620个测试样本中正确检测出距离向假目标,YOLOv3模型也可以在1 613个测试样本中实现对距离向假目标的正确检测,而YOLOv4模型则仅在1 527个测试样本中正确检测出距离向假目标,有93个测试样本出现漏检。对于方位向ISRJ样本,Faster R-CNN模型、YOLOv3模型和YOLOv4模型针对方位向假目标均可达到较高的检测准确率(均大于98.50%)。对于叠加ISRJ样本,Faster R-CNN模型在4 791个测试样本中正确检测出距离向与方位向叠加假目标,YOLOv3模型在4 855个测试样本中实现对距离向与方位向叠加假目标的正确检测,而YOLOv4模型则仅在4 150个测试样本中正确检测出距离向与方位向叠加假目标,有710个测试样本出现漏检或者检测不完整。综上所述,对于上述测试样本集,Faster R-CNN、YOLOv3以及YOLOv4 3个深度学习模型所得总体检测准确率分别为98.92%、99.79%和88.56%,而上述3者所得平均总体检测准确率则为95.75%。

表2 SAR图像ISRJ检测性能

进一步地,以测试样本集之中同一区域的1个距离向ISRJ样本、1个方位向ISRJ样本以及1个叠加ISRJ样本作为示例,使用训练好的Faster R-CNN模型、YOLOv3模型以及YOLOv4模型分别对其进行ISRJ检测,所得检测结果如图6所示。其中,图6(a)、图6(d)、图6(g)分别为Faster R-CNN模型对于距离向ISRJ样本(ISRJ_Rg.)、方位向ISRJ样本(ISRJ_Az.)以及叠加ISRJ样本(ISRJ_Mt.)的检测结果;图6(b)、图6(e)、图6(h)分别为YOLOv3模型对于距离向ISRJ样本(ISRJ_Rg.)、方位向ISRJ样本(ISRJ_Az.)以及叠加ISRJ样本(ISRJ_Mt.)的检测结果;图6(c)、图6(f)、图6(i)分别为YOLOv4模型对于距离向ISRJ样本(ISRJ_Rg.)、方位向ISRJ样本(ISRJ_Az.)以及叠加ISRJ样本(ISRJ_Mt.)的检测结果。由图6可知,Faster R-CNN模型和YOLOv3模型对于这一区域的距离向ISRJ样本、方位向ISRJ样本以及叠加ISRJ样本均可得到正确的ISRJ检测结果。而YOLOv4模型则仅在该区域的方位向ISRJ样本上得到正确的检测结果,其在相应的距离向ISRJ样本上产生漏检,且在相应的叠加ISRJ样本上产生检测不完整(即仅检测出方位向假目标,而漏检距离向假目标)的情形。

基于表2与图6所示的实验结果,对于SAR图像ISRJ检测,一方面,Faster R-CNN模型与YOLOv3模型在总体检测性能方面表现相仿。Faster R-CNN模型对于距离向假目标的检测性能更优,而对于方位向假目标的检测效果则不如YOLOv3模型。另一方面,YOLOv4模型虽然对方位向假目标能够达到较高的检测准确率,但是对于距离向假目标的检测效果不佳。此外,YOLOv4模型在叠加ISRJ样本之中所出现的漏检也大多发生在距离向。上述的情况即影响了YOLOv4模型对于整个测试样本集的总体检测准确率。

综上所述,Faster R-CNN模型与YOLOv3模型对于SAR图像ISRJ检测有着更好的精度表现。此外,由于训练样本集与测试样本集不存在交集,故两个模型均具有较强的泛化能力。而在检测效率方面,对于一个尺寸大小为501像素×501像素的ISRJ样本,Faster R-CNN模型检测用时为0.050 s,而YOLOv3模型检测用时则为0.035 s。结合对ISRJ的检测准确率以及检测用时的考虑,YOLOv3模型更为适用于SAR图像ISRJ检测。

4 结 论

本文从图像域的角度对SAR图像ISRJ检测进行研究。首先将实测数据与仿真干扰相结合,基于不同实测场景和仿真参数构建ISRJ样本;然后,针对ISRJ样本中假目标所呈现出的间隔分布特性,选用Faster R-CNN和YOLO两类深度学习模型作为检测器;接着,以单一场景的ISRJ样本对深度学习模型进行训练;最后,利用训练好的模型对其他场景的样本进行ISRJ检测测试,并得到最终的ISRJ检测结果。

基于MiniSAR数据开展检测实验,相应的实验结果表明,针对不同类别、不同实测场景以及不同仿真参数的ISRJ样本,Faster R-CNN模型、YOLOv3模型与YOLOv4模型三者能够达到95.75%的平均总体检测精度。其中,YOLOv3模型能够达到最高99.79%的总体检测精度,具有较强的泛化能力,且对于尺寸大小为501像素×501像素的ISRJ样本,其检测用时为0.035 s。此外,Faster R-CNN模型在检测性能方面与YOLOv3模型相仿,其对于每个ISRJ样本的检测用时为0.050 s。

对于电子对抗背景下的SAR图像目标检测与解译而言,针对SAR图像中干扰及假目标的检测仅仅只是开始。下一步的工作将在此基础上,尝试反演干扰的具体参数,进而在图像域中实现对SAR干扰的抑制。