高频表面波雷达(HFSWR)是海洋遥感中的关键工具,它利用3-30 MHz高频电磁波沿海面的独特衍射传播机制。这使得能够在海平面上实现超出视线的目标检测,这对于领海监视和海上搜救至关重要。此外,由于其全天候操作能力和低运营成本的优势,HFSWR在专属经济区内的船舶检测和海洋状态监测中得到了广泛应用。因此,这项技术引起了国际上的广泛关注(张等人,2017年;Sevgi等人,2001年)。
HFSWR回波信号首先经过快速傅里叶变换(FFT)进行距离解压,生成时域信号表示。随后,对这些时域信号再次应用FFT以获得速度分辨率,得到频域数据。然后将得到的二维频域信息映射起来,生成HFSWR的最终RD谱图,如图1所示。水平和垂直轴分别代表多普勒频率(在本文中转换为速度)和距离单元,颜色渐变从红色到蓝色表示能量水平下降。目标特征在多普勒和距离维度上呈现孤立峰值。
然而,如图1所示,许多船舶目标被强烈的杂波和背景噪声遮挡,给检测算法带来了巨大挑战。此外,HFSWR操作中的相干积分时间允许目标在此期间发生非静止运动。这种运动导致目标的多普勒谱线变宽,显著降低了船舶目标检测的性能,从而导致虚警和漏检(陈等人,2014年;Walsh等人,2010年,2012年)。因此,在HFSWR中实现准确的目标检测仍然面临重大挑战(王等人,2016年)。
为了解决这些挑战,开发可靠的HFSWR船舶目标检测算法至关重要。迄今为止,已经提出了许多HFSWR目标检测算法。现有的HFSWR系统中的船舶检测方法大致分为两类:基于恒定虚警率(CFAR)的方法和基于神经网络的方法。
作为HFSWR目标检测中的传统且广泛采用的方法,CFAR算法(Rohling,2011年)通过动态分析雷达回波信号特征来调整检测阈值。经典变体如单元平均恒定虚警率(CA-CFAR)使用参考单元的平均值,在简单情况下表现良好(Steenson,1968年)。Rohling(1983年)提出了OS-CFAR,用于对单元进行排序以设置阈值。Ritcey(1986年)提出了CML-CFAR,通过修剪窗口来抑制异常值。Gui(2012年)和Liang(2014年)开发了用于多普勒/距离维度的2D CFAR。最近的基于TFA的创新包括Cai等人(Cai等人,2021年)的SST增强STFT方法和Yang等人(Yang等人,2021a,2022年)的TF-BI-CFAR,它们融合了TF/CA-CFAR的输出。虽然在良性条件下CFAR基方法表现令人满意,但在强杂波场景中其效果显著下降:非均匀海面回波使RD统计量偏斜,低信噪比(SCNR)目标淹没在主瓣中导致阈值错误,密集干扰物破坏了单元独立性。这些限制揭示了CFAR基方法在复杂环境中的适用性根本瓶颈。
近年来,神经网络技术被应用于船舶目标检测。这些方法结合了计算机视觉技术,取得了显著的检测结果。例如,Zhang等人(2019年)提出了一种使用RD谱灰度特征进行候选区域识别的EAC-ELM和级联分类器方法,以及用于目标分类的类Haar特征。Zhang等人(2020a)对深度神经网络进行了定制改进,有效抑制了图像干扰,实现了对感兴趣区域的精确船舶检测。Wu等人(2021a)提出了一种使用更快R-CNN和修改后的CFAR的两阶段级联检测器,对部分遮挡的目标有效,但对完全遮挡的情况有限。Wang等人(2022年)开发了一种具有CNN分类的多帧时频分析方法用于距离单元目标检测,尽管它无法进行多普勒单元定位。Wu等人(2021b)提出了一种DCNN模型,具有高检测率,但对杂波和噪声的鲁棒性有限。
神经网络主要采用基于梯度的学习策略,如反向传播。然而,这类网络对学习率非常敏感,并且容易陷入局部最小值,这限制了它们的泛化能力和收敛速度。非梯度策略提供了更好的泛化和更快的学习速度。Schmidt等人(1992年)证明,使用伪逆输出权重计算的随机隐藏层初始化可以简化训练。后续发展包括RVFL(Pao等人,1994年)和RF(Bader-El-Den等人,2019年),而Huang等人(2006年)通过ELM进一步推动了该领域的发展,理论上证明了当使用Moore-Penrose(MP)逆确定输出权重时,具有随机隐藏节点的神经网络可以作为通用逼近器。这一突破催生了众多基于MP逆的算法,显著提高了模型训练速度和泛化能力。
2016年,SNN架构出现用于监督学习(Zhang等人,2020b),在图像分类中优于传统的MP逆分类器。SNN用普通神经元的子网络替换了单个隐藏层感知器,权重从输出层提取的误差矩阵计算得出。最近的发展包括Zhang等人(Zhang等人,2021年)的HKAP,它通过层次特征融合减轻了数据依赖性,但仍存在权重冗余、收敛缓慢和跨帧关联不足的问题。Yang等人(Yang和Wu,2016a)开发的层次子网络通过误差反馈机制优化了特征编码,为渐进式学习提供了新途径。Yang(Yang和Wu,2016b)提出了一种用于特征编码和投影的两层SNN。Yang和Jonian(Yang和Wu,2019)提出了一种由数百个两层SNN组成的层次SNN,以增强表示能力。Zhang等人(2020c)提出了一个适用于复杂数据的宽度增长框架。Zhang等人(2024a)提出了一种优化的广泛学习系统(OBLS),通过调整潜在空间的误差跟踪参数实现了鲁棒的表示。后续工作实现了多层SNN的批量训练(Zhang等人,2020d),使得无需高性能计算即可高效处理大规模数据(例如Places-365(Zhou等人,2018))。虽然SNN通过表达能力强的架构提供了强大的泛化能力,但它们仍然对异常值和噪声敏感,需要提高稳定性。
这些方法面临持续的工程实现挑战:全连接架构导致的参数复杂性爆炸;随机初始化策略引起的特征空间崩溃;以及多模态HFSWR数据处理中的计算效率低下。渐进式子网络模型(例如P-HSNN(Zhang等人,2024b)通过动态构建的隐藏层部分缓解了这些问题,这些隐藏层在保持表示能力的同时减少了参数。然而,它们的残差全连接结构在HFSWR场景中仍然导致高计算开销和收敛缓慢。此外,对雷达信号光谱属性(如区分目标的高频孤立峰值和低频连续杂波)的利用不足,从根本上限制了特征区分能力。尽管基于神经网络的方法在HFSWR目标检测中显示出巨大潜力,但其有效性仍然严重依赖于RD谱质量,并且在强杂波和高干扰下难以处理低SCNR目标。类似的挑战也在最近的弱目标识别和雷达成像研究中出现,其中引入了面向鲁棒性和学习辅助的策略来提高在扰动或有限孔径条件下的感知性能(Xue等人,2024年;Yang等人,2025年)。
为了解决这些挑战,本文提出了一种多阶段检测框架,结合了块矩阵优化与多特征和多通道融合。通过利用时空分析和动态子网络优化,我们重新设计了子网络架构,创建了一个针对雷达信号特性的轻量级模型,实现了在复杂场景中的高精度船舶检测和跟踪。核心贡献包括:
- 1)
一种层次子网络表示模型,它使用权重块合并计算进行多通道融合,通过级联子网络提取多尺度空间光谱特征,并对神经元输出施加正交化约束以消除特征冗余,从而在样本有限的情况下提高鲁棒性;
- 2)
一种自适应训练机制,它引入误差传播动量加速,通过历史梯度累积动态调整参数更新,显著提高了收敛效率;
- 3)
一种多通道和多帧关联策略,通过通道融合增强特征区分能力,通过空间聚类消除重叠虚警,并结合轨迹关联和运动一致性约束来抑制噪声引起的虚警,同时实现连续的低SCNR目标跟踪。