源自：信号处理

作者：钟宁, 鲍庆龙, 陈健, 戴华骅

“人工智能技术与咨询” 发布

摘 要

非合作双基地雷达由于接收的目标信号能量不强且回波脉冲间相位同步困难，在目标检测时无法进行相参处理从而带来弱小目标检测困难的问题。为解决这一问题，本文把一维雷达数据转换成二维图像数据进行目标检测，通过将脉冲压缩后的雷达回波在慢时间维排列形成二维矩阵，获得雷达回波信号的距离-慢时间图像，输入YOLO（you only look once）v5s网络进行特征学习，实现非合作双基地雷达目标智能化检测。针对距离-慢时间图像中待检测目标的不显著性以及受到背景信息干扰严重的问题，本文对YOLOv5s网络进行改进：首先在Neck部分增加跨连接通路，使训练过程中持续有原始信息的参与；其次通过添加注意力机制SENet模块，加强网络对目标以及周边信息的关注度；最后在骨干网络引入Swin Transformer模块，加强网络对弱目标的发现与表征能力。然后，基于上述工作提出一种基于改进的YOLOv5s距离-慢时间图像处理的非合作双基地雷达目标检测方法。通过大量的对比实验和信噪比灵敏度测试实验，该方法在仿真的雷达回波数据集上获得了99.1%的检测精确度以及98.8%的召回率，比YOLOv5s网络分别提高了4.5%和4.2%，表明该改进方法能有效提高YOLOv5s网络检测性能；对于脉冲压缩后信噪比为7.1 dB的目标，检测率达到98.5%，传统方法的检测概率仅为79.9%，表明本文所提方法能有效提高目标检测的准确率和信噪比灵敏度，具有较强的应用价值。

关键词

弱目标检测 / 深度学习 / 距离-慢时间图 / 非合作双基地雷达

1. 引 言

在进行非合作双基地雷达目标检测的过程中，需要利用直达波信号估计雷达辐射源信号参数，并将分选出的或通过估计参数重构的辐射源信号和回波信号进行匹配滤波处理。以非合作雷达为辐射源的双基地雷达，接收到的目标信号不仅能量比较弱 ［ 1］，还会受到噪声的干扰。由于雷达发射机的非合作特性，无法知道接收回波的相位信息 ［ 2］且相位同步困难，导致回波脉冲串无法在一定时间内严格相参，无法采用相参积累技术 ［ 3］提高回波信号信噪比；在噪声环境下，非相参处理 ［ 4］会出现信噪比门限效应 ［ 5］，当信噪比低到某个数值时，非相参积累增益几乎为0，从而只能进行单脉冲的处理，导致雷达探测威力受限。

由此，可靠稳健的非合作双基地雷达目标检测技术难点主要体现在辐射源的非合作特性使得回波信号无法相参积累，从而导致目标信噪比过低，现有检测算法难以从低信噪比的回波中有效检测到目标。目前已有不少学者致力于双基地雷达领域的研究，并取得了一些成果：周昱等人 ［ 6］利用首达波的峰值相位对回波信号作相位补偿，并且通过频域对消缩小相位误差。陈多芳等人 ［ 7］提出一种从直达波中提取初始相位的方法，并利用提取的辐射源的初始相位对目标回波进行相位补偿。林春风等人 ［ 8］通过距离-速度域的RFT（Radon-Fourier Transform）处理实现相位补偿，完成双基地雷达目标能量的积累和检测。王万田等人 ［ 9］通过利用修正离散线性傅里叶变换估计的加速度和频率因子实现相位补偿函数的构造，完成目标回波沿脉冲维的相参积累处理。张娟等人 ［ 10］通过设计一种防止产生脉压失配情况的匹配滤波器，完成由于目标运动而导致的脉内多普勒的补偿。李辉等人 ［ 11］通过对回波信号自相关处理以及周期间作相关处理实现非相参体制无源雷达目标检测。其中，文献［ 6］的实验是在露天宽敞阳台上进行的，发射机，接收机，目标都处于阳台上，接收的直达波回波较为干净；文献［ 7］是在已知发射机载频和发射阵列信息的情况下实现的相位补偿；文献［ 8］讨论的是T/R-R类型的双基地雷达；文献［ 9- 10］是基于空-天双基地雷达实现的，主要针对高速运动目标检测，相当于传统双基地雷达模式，信号波形、频点等信息都是已知的。然而，在本文所讨论的非合作双基地雷达的实际工作体制下，实现相参积累的前提条件严苛，辐射源雷达的本振和工作模式未知，且直达波信号受多径效应影响严重，使参考通道接收的信号幅频特性变化多样 ［ 12］，在复杂电磁环境中，直达波天线在工作中会截获到同频段其他辐射源信号，使接收到的直达波信号包含多个不同强度和时频特性的分量信号且强度变化剧烈 ［ 13］，导致直达波相位的测量出现极大偏差，波形参数捷变的辐射源信号使相位同步更加困难，从而导致相参积累几乎难以实现，双基地雷达目标检测亟待新的解决方法。

近年来，深度学习的图像处理技术日趋成熟 ［ 14- 15］，其强大的图像特征自动提取功能给雷达目标检测领域带来新的思路：将一维雷达数据转换成二维图像数据进行目标检测。目前大多数学者将深度学习应用于合成孔径雷达（SAR）图像处理 ［ 16- 18］，提高了检测效率和精度。但用于一维回波生成的雷达图像相对较少：牟效乾等人通过将目标回波转换为时频图输入网络，实现雷达不同运动状态目标的检测，弥补了传统的检测方法的缺陷 ［ 19］。刘军伟等人将雷达回波数据转换成距离-多普勒图像作为网络输入，设计基于条件生成对抗网络的距离-多普勒杂波抑制算法，有效抑制杂波和噪声，增强目标信息 ［ 20］。赵晨帆等人用深度学习网络代替传统信号处理中的恒虚警（CFAR）检测器，将不同杂波背景下的多普勒频谱作为网络数据集，在相同的杂波环境中，检测概率至少提高0.01 ［ 21］。因此，使用深度学习图像检测方法实现雷达弱目标检测，有获得良好的检测效果的可能。

目前，基于深度学习的图像目标检测算法主要包括以YOLO系列算法 ［ 22- 23］为代表的单阶段算法和以Faster-CNN算法 ［ 24］为代表的双阶段算法。在基于距离-慢时间图的非合作双基地雷达目标检测中，由于目标信号能量不强，容易被噪声淹没，而高的检测概率与实时性是雷达目标检测重要的性能指标，需要构建一个在复杂环境中依然兼具实时性与检测精度的网络。与Faster-CNN算法相比，YOLO网络进行目标检测兼具实时性和准确率的优点 ［ 25- 26］，该算法训练一个在一次预测中实现目标分类与定位的模型。其中，YOLOv5具有高性能、通用性强的特点，是目前YOLO系列中在检测速度和检测精确度方面更具优势的模型 ［ 27］。文献［ 28］基于YOLOv5网络设计算法，成功检测出遥感图像中背景信息复杂的小目标，在RSOD数据集上获得了89.5%平均精度均值，适合用来检测雷达图像中的点和线。考虑到便于快速部署的原则，本文选取的是YOLOv5s（6.0版本）这一轻量的网络模型作为检测的基本框架，其中，骨干网络承担提取图像的特征信息的工作，Neck主要进行特征融合和传递，检测头预测出检测结果。

本文以提高非合作双基地雷达目标检测概率和检测灵敏度为目的，将深度学习引入雷达信号处理领域，提出一种优化后的YOLOv5s网络的距离-慢时间图像目标检测方法。优化后的YOLOv5s网络使用距离-慢时间图像进行训练，训练结束后再通过验证数据来验证训练模型的性能，并通过不同信噪比的仿真回波信号，对比该方法与雷达传统目标检测方法的检测性能，结果表明，所提方法相对传统检测方法有较大提升。

2. 非合作双基地雷达目标回波模型

如 图1所示：Q是初始速度为 V的探测目标，T是非合作外辐射源雷达发射机，R是雷达接收机， L是双基地基线距离， β称作双基地角， δ是目标运动方向与 β角平分线的夹角。

图 1 双基地雷达的探测原理

在双基地雷达系统中，发射机和接收机到目标的初始距离 Rt和 Rr不能直接测得，通过回波脉冲压缩后检测到目标的距离是双基地距离 Rt+Rr-L［ 29］，通常基线距离 L已知， θT和 θR可以测得，通过距离-角度定位法 ［ 30］可求出 Rt和 Rr，实现目标检测。由余弦定理可得：

令 e=LRt+Rr，则：

双基地瞬时距离和 R(tm)为：

其中， tm=mTr代表慢时间，表示到达的第 m个脉冲， (m=0,1,2,…,M-1),M是接收到的总的脉冲数；Tr是脉冲重复周期。对 式（4）在 tm=0作泰勒展开，忽略目标运动的二阶以上分量得到：

非合作雷达发射的线性调频脉冲信号可表示为：

其中， Tp是脉冲宽度， B是信号带宽， k=B/Tp是调频斜率， rect(t?Tp)是矩形信号， t?为快时间， fc为载波频率。则二维回波可以表示为：

其中， Ar表示幅度大小， τm(t?)表示雷达接收到的第 m个回波脉冲的时延，c为电磁波在空气中的传播速度。将目标回波快时间维进行脉冲压缩得到回波信号为：

其中， A为回波信号脉冲压缩后的幅度， h(t?,tm)为发射信号的反转共轭。

雷达回波经脉冲压缩后目标在图像上表现为一个峰值点，将脉冲压缩后的雷达回波按慢时间维（脉冲数）排列放置获得雷达回波的距离-慢时间图像，有目标的位置回波幅度会高于四周而连成一条线从而得到距离-慢时间图。假设非合作双基地雷达辐射源是机械扫描雷达，每分钟转12圈，脉冲重复周期 Tr = 1 ms，波束宽度5°的情况下，目标在雷达扫描一周时停留的脉冲数为5/（360/（60/12））*1000 = 70个脉冲，同一个目标要间隔5000 ms/1 ms = 5000个脉冲才会再次出现。在随机截取800个脉冲时，同一个目标只会出现一次（ 图2）。当目标由于速度在70个脉冲内出现跨距离单元现象时，目标表示为一条斜线，本文所选用的数据集图像的尺寸为2560像素×1272像素，目标在持续的70个脉冲内，跨距离单元的现象在图像上表现的并不明显，只有轻微的倾斜。

图 2 距离-慢时间图

综上所述，把一维回波数据转化成的距离-慢时间图像保留了目标位置、类别等完整的信息，对距离-慢时间图像处理即可完成目标检测任务。

3. 基于YOLOv5s的目标检测算法

在理想环境下，基于YOLOv5s的目标检测技术研究很广泛，而基于非合作双基地雷达的目标所在环境复杂，待检测目标的不显著性以及受到背景信息干扰严重，即将被噪声淹没的目标在距离-慢时间图上表现为分布在一条直线上的零散的点，容易出现目标框回归不准确而导致错检漏检的问题，提出增加特征金字塔结构，添加注意力机制SENet模块，引入Swin Transformer模块等三种改进方法。性能优化后的YOLOv5s网络结构图及部分特征图可视化如 图3所示，虚线框标注地方为改进结构。可以看出在第1个和第2个C3模块时特征图目标的轮廓信息比较明显，从第3个C3模块之后特征图表征出比较深层的语义信息，这些信息对实现目标检测贡献较大。

图 3 改进后网络结构图及部分特征图可视化

C3模块由多个Bottleneck模块和3个Conv模块构成，Bottleneck是参考了ResNet ［ 31］的思想的基本残差块，起到特征学习的作用。当shortcut为True时进行残差连接，实现特征融合并防止梯度消失，结构如 图4所示。

图 4 C3模块结构图

3.1. 特征融合部分改进

YOLOv5s算法的Neck部分采用PANet结构进行特征融合 ［ 32］。PANet在FPN结构的基础上再建立一条自低纬度向高纬度的通路，这样使高层特征图获得有助于目标分类的语义信息，底层特征图获得有助于目标定位的位置信息。考虑到雷达目标在距离-慢时间图像上形状比较单一，为一条线，背景所占比例过大，为了强化距离-慢时间图像中雷达目标局部特征之间的相似度，将简化的BiFPN作为将深度特征信息进行融合的结构 ［ 33］，其主要思想是通过跨尺度连接增强网络特征融合，并采用归一化的权重对特征图加权求和保证网络训练的稳定。本文借助BiFPN的思想，在YOLOv5s的特征融合部分增加跨尺度连接通路，由于训练过程中持续有原始特征信息参与，可以减少目标特征误判为背景的概率，从而使网络在目标尺寸与背景相差极大的数据集上依然具有优秀的检测能力。

BiFPN结构如 图5（c）所示，以P6为例，BiFPN加权特征融合输出为：

式中， x1、 x2等为输入权重， Resize()表示调整分辨率的下采样。

图 5 FPN结构、PANet和BiFPN结构

3.2. 添加注意力机制SENet模块

YOLOv5s网络把目标检测过程当作回归过程来处理，使用卷积网络基于图片像素预测目标检验框及类别。在非合作双基地雷达目标信号信噪比较低的情况下，距离慢时间图中的目标分散在一条线上，容易将背景误检为目标。因此，在网络训练和目标检测的过程中的特征提取阶段，需要使网络关注目标出现的区域及其周边信息，强化目标特征，并与其他零散的强点进行区分。

SENet模块主要包括压缩和激发两个操作 ［ 34］，属于通道注意力机制，是一个可以轻易融合到卷积网络中的模块。SENet模块在特征提取阶段通过网络学习对各个特征通道的重要性进行划分标注，之后根据这个标注值去增加与检测任务相关的特征通道的权重，减少对检测任务不重要的特征通道的权重，完成特征权重的自适应调整。压缩是通过全局平均池化将图像二维向量变成一维向量，激发操作可以确定原始特征在各个通道维上的新的权重。网络结构如 图6所示，各节点输出为：

图 6 SENet模块

其中， uc表示第 c个通道的特征图， z1表示特征图的全局信息， z2表示特征图各个通道新的权重信息， w1、 w2表示特征通道间的重要性关系。

为了关注更加感兴趣的区域，特别是快要被噪声淹没的目标，本文将SENet插入到YOLOv5s网络的C3卷积模块，构成加强版的卷积模块C3即C3SE模块，并在第三个检测头前添加SENet模块，对特征向量进行筛选加权，起到强化目标特征以及弱化噪声信息的效果，并且充分发挥网络学习提取出来的特征的作用，对数据集中的弱目标进行更加准确的定位和识别。

3.3 引入Swin Transformer模块

YOLOv5s的主干网络用来获取目标的语义特征和位置信息，在特征提取的过程中，通过C3和Conv模块的重复来提升模型的感受野，有效捕获各个通道特征图的局部信息和全局信息。然而，随着网络结构加深会导致模型的复杂度增加，雷达目标回波距离-慢时间图像中比较微弱的目标的特征在高级特征图中丢失。Swin Transformer ［ 35］（在以下简称S-T）是一种通过不重叠的和重叠的滑窗操作实现在一个窗口中注意力机制计算的Transformer模型，具有较好全局信息捕获的能力，其网络结构如 图7所示。将经过图像分割和降采样操作后的特征图输入S-T骨干结构进行特征处理。

图 7 Swin Transformer 特征提取网络

为了增强算法在多层卷积模块不断堆叠的情况下对弱目标特征的发现与表征能力，本文将S-T block集成到Backbone端尾部的C3模块构成C3STR模块，网络结构如 图8所示。其中，窗口多头自注意结构将图层划分为不重叠的窗口，并用计算该窗口的自注意力取代全局注意力的计算；移位窗口多头自注意结构使窗口进行滑动的同时，移位填补空出的窗口，实现跨窗口的信息交互，将两者配对使用，降低低信噪比条件下目标漏检误检的概率，增强模型对新样本的适应能力。

图 8 C3STR模块

4. 实验结果与分析

4.1. 实验所用数据集

本文采用的训练数据是基于机械扫描雷达仿真生成的双基地雷达回波信号，仿真参数如 表1所示。

表 1 雷达参数

在使用传统方法对双基地雷达目标进行检测时，需将匹配后的信号进行过门限处理，恒虚警检测（CFAR）就是其中一种，它通过接收信号中的噪声确定一个自适应门限值，然后将回波信号和此门限值比较从而发现目标 ［ 36］。由纽曼-皮尔逊准则可知 ［ 37］，CFAR方法在虚警率（ Pfa）为10 -6时，对于脉冲压缩后的信噪比为12.8 dB的目标的检测概率仅为50%。在 表1的仿真参数下，根据雷达原理可知，理论上脉冲压缩后信噪比的增益为10log（ Bτ）= 23 dB，所以仿真目标信噪比从-10 dB开始，逐步递减。

数据集共1800张，每张图片显示800个脉冲的回波信息，共包括9种不同信噪比的数据，每种信噪比的图片200张（每张数据集图片的回波数据在相同的信噪比下仿真生成），共处理1440000个脉冲回波数据，信噪比由-10 dB到-18 dB以1 dB为间隔逐步递减，训练集、验证集、测试集的比例是4∶1∶1。数据集类别实例如 图9所示，其中，由 图9（a）可知数据集标注对象有3800多个； 图9（b）表示标注框的可视化，可知标注对象尺寸变化不大且较小； 图9（c）表示标注框中心点坐标（ x，y）的分布情况图，可知目标在数据集图片上是均匀分布的； 图9（d）表示经过归一化过的标签高度和宽度分布图，可以发现该数据集中目标尺寸占图像尺寸的比例较小。

图 9 数据集类别实例

4.2 网络训练与测试

实验的软硬件环境为：i7-12700H CPU、NVIDIA RTX3070显卡、Windows10操作系统、Pytorch深度学习框架、CUDA10.2以及对应的CUDNN。本文使用精确度（ P）、召回率（ R）、平均精度均值（ mAP）来评价检测模型性能。召回率和精确度由 公式（14）计算得出，mAP由 公式（15）计算得出。

其中， Tp是指被正确检测的雷达目标；Fp是指被误检为目标的噪声，既虚警；FN是指未被正确检测的目标，既漏检；精确度是检测出的雷达目标的准确率，召回率R是雷达目标样本被正确检测出来的概率，对应传统目标检测中的检测概率 PD。实验参数配置如 表2所示。

表 2 网络训练超参数设置

本文在遵循YOLOv5s网络官方架构的前提下对其进行改进，在直接引入YOLOv5s.pt作为预训练权重时，改进网络会自动加载同名同大小的卷积权重，直接跳过修改部分网络权重的加载，这样在官方预训练模型的基础上训练自己的数据集，能加快网络的收敛速度，并获得更高的精度。为了使网络在更短的时间内梯度变化趋于平缓，采用warm-up预训练3个周期，预训练时随机梯度下降算法（SGD）的动量参数设置为0.8，预热训练初始偏差设置为0.1；正式训练时，SGD动量参数设置为0.937，权重衰减为0.0005。在每个训练周期中，训练集数据和标签文件一起输入网络，通过模型预测训练集与验证集数据的结果与标签的差异计算训练和验证的损失，并将该损失返回模型指导模型参数的优化，多次重复该过程后，损失值逐渐降低，输出最优模型以及网络训练结果。训练流程图如 图10所示，为了获得训练的数据集，在训练之前，需要将接收到的雷达信号进行第2节所述的信号处理。

图 10 网络训练流程图

由如 图11可知，train/obj_loss目标损失均值稳定进行收敛至0.005以下，在对应验证的集的val/obj_loss损失函数误差在0.007以下，说明模型能稳定进行收敛，mAP_0.5达到0.988，由模型训练结果可得，该改进算法在距离-慢时间图数据集上表现优异，取得极高的总体检测率。

图 11 模型训练结果

4.3. 与传统检测方法比较

为了检验本文所提目标检测方法的效果，通过训练得到最优算法后，对该算法作信噪比灵敏度测试实验，并与传统检测算法作对比。实验采用了9种不同信噪比的目标回波数据，由-10 dB到-18 dB以1 dB为间隔逐步递减，每类数据目标数为200个，仿真目标参数如 表1所示。根据网络检测结果计算的虚警率，确定CFAR算法所采用的虚警概率，然后得出传统检测方法的在对应信噪比的目标的检测概率。由于在同一信噪比下CFAR检测算法的检测率随着虚警率的增加而提高，所以在网络检测的虚警率为0时，CFAR检测时采用值为10 -6的虚警率。

各项验证数据如 表3所示，传统方法目标检测概率一栏由1000次蒙特卡络仿真得到，表中非相参积累后信噪比是指不同信噪比情况下的目标在雷达扫描一周时目标停留的70个脉冲作脉冲压缩和非相参积累后的信噪比，具体数值由软件仿真处理获得。

表 3 算法信噪比灵敏度测试

由 表3可知，本文所提目标检测方法对脉冲压缩后信噪比为10.8 dB的目标，能全部检测出来，对脉冲压缩后信噪比在6.6 dB以上的目标，检测概率达到97%以上。对脉冲压缩后信噪比为8.3 dB的目标，算法检测概率为99.5%，而在传统的检测方法中，该目标经非相参积累的信噪比为12 dB，采用虚警率 Pfa = 10 -6时，检测概率仅为27.4%。对经脉冲压缩后信噪比为5.4 dB的目标，算法的检测概率陡然下降为92.5%，而在传统的检测方法中，该目标经非相参积累后的信噪比为5.8 dB，采用虚警率 Pfa = 0.1时，检测概率仅为75.1%。表明本文所提检测方法的检测性能在该仿真数据集上优于传统检测方法，检测概率对回波信噪比的依赖度大幅度降低，并且对于弱目标获得较高的检测准确率，达到了预期效果。

为了使所提检测方法的性能更加直观，假设已准确获得辐射源信号的初始相位，然后利用经典弱目标检测算法RFT以及Keystone变换法（简称K-T） ［ 38］完成距离走动矫正和相位补偿，从而实现相参积累，仿真目标参数如 表1所示。 表4为对含有目标的70个脉冲作脉冲压缩后的相参结果，目标检测概率由1000次蒙特卡洛仿真得到。 图12为不同SNR条件下的RFT法、Keystone变换法、非相参检测算法以及本文所提检测方法的检测性能曲线。

表 4 RFT法和Keystone变换法相参积累检测结果

图 12 不同SNR条件下检测性能曲线

由 表4和 图12可知，理论上在通过直达波信号准确获得辐射源初始相位的之后，采用RFT算法和K-T算法实现回波信号相参积累，皆具有优于本文所提算法的检测性能。当检测概率为0.5时，非相参算法需要SNR约为-13 dB，基于YOLOv5s的图像方法所需约为-18.5 dB，比相参RFT算法和相参K-T算法分别高了约5.5 dB和4.8 dB。但是，由于目标在雷达辐射源扫描一个周期内只停留70个脉冲，由于积累增益=有效积累脉冲数 2/积累总脉冲数，在雷达接收的一段信号中，在SNR较低时，如果不能准确判断目标所处的脉冲数，就会造成一定的积累损失，影响检测概率。采用基于YOLOv5s网络的距离-慢时间图像检测方法，虽与相参方法相比略有不足，但是实现方法与前提条件简单，无须提前知晓回波相位等难以准确估计的先验信息，不受雷达工作环境以及工作模式的限制，可以适应多种非合作双基地雷达工作情景和多样化雷达目标检测，牺牲5 dB左右的信噪比是值得的，并且获得远远优于非相参法的检测性能，有效实现低信噪比的目标检测，适用于非合作双基地雷达回波信号弱的场景。算法易于工程化实现，是一个有效可行的非合作双基地雷达目标检测方法。

4.4 对比实验

为了验证所提优化后的YOLOv5s算法性能的优越性，进行对比实验，共验证7组网络，在同一数据集、同一训练环境下进行训练。网络训练参数如 表2所示， 表5给出了具体验证的网络算法和结果，加粗字体为算法最优值。其中，（1）YOLOv5s+BiFPN表示在YOLOv5s网络中引入2.1节中改进的双向特征金字塔网络：（2）YOLOv5s+C3SE+Swin表示在YOLOv5s网络中的模块C3中加入2.2节中注意力机制SENet模块，并在backbone的最后一个C3模块嵌入2.3节中的Swin Transformer模块；（3）YOLOv5s+BiFPN+C3SE+Swin表示在模型（2）的基础上添加2.1节中改进的双向特征金字塔网络；（4）YOLOv5s+BiFPN+Swin+Se表示在（1）的基础上，骨干网络的最后一个C3模块嵌入S-T模块，并在第三个检测头前添加SENet模块。（5）YOLOv5+C3SE+Swin+SE表示在（2）的基础上，在第三个检测头前添加SENet模块。对比实验的网络结构如 图13所示。

表 5 对比实验结果比较

图 13 对比实验网络结构图

由 表5可知，在YOLOv5s网络中加入跨尺度连接通路、SENet注意力模块以及S-T模块，算法的平均精度均值、召回率以及精确度都有不同程度的提升。本文所提算法YOLOv5s+BiFPN+C3SE+Swin+SE在平均精度均值、召回率以及精确度均表现最佳。与YOLOv5s相比，mAP_0.5提高了5%，达到了98.8%，说明该改进算法可以提高正确检测为目标的置信度；R提高了4.2%，召回率达到了98.8%，说明该改进算法可以减少即将被噪声淹没的弱目标的漏检概率；精确度提升了4.5%，达到了99.1%的检测准确率，说明该改进算法可以降低误检率，获得极高的检测准确率；原始YOLOv5s和本文所提改进网络部分检测结果可视化分析如 图14、 图15所示。

图 14 漏检情况分析（SNR = -12 dB）

图 15 误检情况分析（SNR = -16 dB）

图14、 图15展示了改进模型对漏检和误检情况的改善， 图14的数据在SNR = -12 dB的条件下生成， 图15的数据是在SNR = -16 dB的条件下生成。可以看出原始YOLOv5s网络在目标信噪比为-12 dB的时候就已出现漏检情况，改进网络模型对两种信噪比的目标都能全部正确检测出来，在两种信噪比下，原始YOLOv5s网络输出的预测框置信度普遍比改进网络模型低。

综上所述，本次改进的YOLOv5s算法在非合作双基地雷达目标检测中能达到最佳的检测效果，在保证检测准确度的情况下，减少误检现象和漏检现象的发生。

5. 结 论

为了提高非合作双基地雷达的目标检测性能，本文提出一种优化的YOLOv5s目标检测方法。首先，将SENet插到YOLOv5s网络的C3模块，并添加到第三个检测头前，通过强化目标特征优化检测效果；在特征融合网络中，添加跨尺度连接通路，增强网络特征融合能力；将S-T模块集成到Backbone尾部的C3模块，减少目标特征信息的丢失以及增强算法对新样本的适应能力。经过实验对比，验证了本文算法检测非合作双基地雷达目标的准确性，并克服了传统检测方法信噪比敏感度高的弱点，在低信噪比的情境下，获得优于非相参方法的检测性能，在目标信号的信噪比为-17 dB的情况下可以获得92.5%的检测概率，更加适用于低信噪比情况下的弱目标检测，且实现方法简单，是对非合作双基地雷达目标检测方法的有效扩充，有效提高了雷达的探测威力。和原始的YOLOv5s网络相比，本文所提改进网络在相同的仿真数据集上召回率、精确度、平均精度均值分别有4.2%、4.5%和5%的提升，并且提高了输出预测框的置信度。为了使算法能更好的布署到移动平台，之后本文将压缩优化后的检测算法，在保证不降低网络检测准确率的前提下实现模型轻量化，在实际的雷达目标检测应用中对算法加以完善和改进。

声明:公众号转载的文章及图片出于非商业性的教育和科研目的供大家参考和探讨，并不意味着支持其观点或证实其内容的真实性。版权归原作者所有，如转载稿涉及版权等问题，请立即联系我们删除。

“人工智能技术与咨询” 发布