柏明浩，張園園，趙文彬，張 楊，呂 昊，安 強，梁福來

(空軍軍醫(yī)大學：1基礎醫(yī)學院學員四大隊，4軍事生物醫(yī)學工程學系醫(yī)學電子學教研室，5陜西省生物電磁監(jiān)測與智能感知重點實驗室，陜西 西安 710032；2解放軍95966部隊，黑龍江 哈爾濱 150060，3軍事科學院軍事醫(yī)學研究院科研保障中心信息保障室，北京 100850)

生物雷達利用低頻段電磁波對墻體等障礙物有穿透能力，也可捕捉生物目標呼吸、心跳等體表微動，并以此為依據(jù)定位和辨識生物目標[1]。生物雷達具備對戰(zhàn)場環(huán)境下傷員目標及周圍戰(zhàn)場環(huán)境態(tài)勢的動態(tài)感知能力，對戰(zhàn)場傷員的快速搜救具有重要的應用價值。目前已研制出一維單通道測距型穿透雷達、二維多通道定位型/成像型穿透雷達和三維多通道成像型穿透雷達[2-3]。生物雷達技術方面的研究集中在人體目標的聚焦成像、檢測與定位算法、多徑雜波抑制算法、墻體穿透補償、建筑布局重建等方向。其發(fā)展趨勢從單一的人員探測與定位逐步向雷達成像及戰(zhàn)場態(tài)勢的綜合感知方向轉變。然而，由于戰(zhàn)場環(huán)境的特殊性，生物雷達的成像性能遇到了很大的挑戰(zhàn)。一是戰(zhàn)場傷員的生命體征信號微弱，易受雜波和噪聲的干擾，導致目標圖像模糊不清，難以精確分辨多個遮蔽目標；二是戰(zhàn)場環(huán)境中穿透介質的復雜程度高，難以準確獲得實際傳播路徑且傳播時間延遲，導致目標圖像產(chǎn)生明顯散焦和偏移；三是生物雷達系統(tǒng)稀疏陣列導致的柵瓣、旁瓣干擾等也會引起一定程度散焦。上述特殊性導致傷員目標圖像的信雜噪比較差，傷員目標定位、識別和提取在戰(zhàn)場環(huán)境應用中變得更為困難[4]。

深度學習是目前機器學習研究中的最新技術，其通過構建深層非線性網(wǎng)絡結構并利用計算機的快速計算能力來模擬人腦對復雜數(shù)據(jù)問題分析處理的過程，具有從無標簽數(shù)據(jù)樣本集中學習數(shù)據(jù)樣本集本質特征的特點，減少了手動設置標簽的工作量。由于模型的層次有足夠的深度、對數(shù)據(jù)集表征能力強，與其他機器學習技術相比，深度學習具備表達出大規(guī)模數(shù)據(jù)的數(shù)據(jù)特征的能力。特別是對于圖像這類特征標簽不明顯的問題，深度學習技術能夠較快地分析處理大規(guī)模圖像數(shù)據(jù)并獲得較好的結果[5-6]。

為解決生物雷達成像技術在戰(zhàn)場傷員搜救等應用場景中存在目標散焦和信雜噪比低等問題，利用具有強大圖像映射生成能力的深度學習網(wǎng)絡，將戰(zhàn)場傷員目標成像過程看作原始散焦模糊圖像到期望聚焦高分辨圖像的映射過程，充分提取模糊圖像中介質穿透所引起的散焦的特征，補償介質對成像的影響，實現(xiàn)對戰(zhàn)場傷員雷達圖像聚焦成像，提高目標信號的信雜噪比，提升傷員搜救性能。

1 材料與方法

1.1 材料

利用MATLAB軟件得到多輸入多輸出系統(tǒng)(multiple-input multiple-output，MIMO)生物雷達回波數(shù)據(jù)，通過2D真實磁共振成像(magnetic resonance imaging，MRI)切片模擬人的胸部。根據(jù)虛擬人的數(shù)據(jù)庫，胸腔內的器官被設置為不同的介電常數(shù)值。呼吸時胸壁沿視線的最大位移約為4 mm。在兩個完整的呼吸周期內對45個MRI切片進行采樣，可以獲得每個MRI切片的MIMO生物雷達回波，模擬微動生命體征的回波，并將在實際獲取的廢墟圖像中利用邊緣提取技術生成廢墟結構。

1.2 方法

1.2.1 廢墟壓埋人體目標的正演仿真 MIMO生物雷達回波采用時域有限差分法仿真計算?；夭ǚ抡鎱?shù)設計方法：MIMO生物雷達天線陣列由2個位于陣列中心的發(fā)射陣元和15個接收陣元組成，發(fā)射信號為寬度為5 ns的脈沖波形，將MIMO生物雷達天線陣列的中心設置為坐標系的原點。在距離天線陣1.1 m處布置一定厚度的均勻墻體，其介電常數(shù)(ε)為3.5，并在原始數(shù)據(jù)中添加一定信噪比的高斯白噪聲。仿真場景：在城市巷戰(zhàn)中，戰(zhàn)斗人員在受傷后，常以建筑物為掩體或者被建筑物掩埋。根據(jù)城市巷戰(zhàn)的戰(zhàn)場環(huán)境特點，通過改變介質厚度、目標數(shù)量、仿真場景等參數(shù)，模擬真實戰(zhàn)場的場景，并構建典型戰(zhàn)場環(huán)境傷員電磁仿真模型。如圖1所示，對以下四類常見的場景進行仿真。

A：自由空間單個傷員目標；B：0.3 m厚墻后多傷員目標；C：1.0 m厚墻后單個傷員目標；D：模擬廢墟后單個傷員目標。

1.2.2 傷員目標MIMO雷達成像及預處理 對傷員目標MIMO雷達成像使用向后投影(back projection，BP)成像算法和自聚焦成像算法。在生物雷達應用中，BP成像算法參考了“時延-疊加”的思想，首先計算出生物雷達成像空間內每個像素點到收、發(fā)天線陣元之間的時延并得到相應的積累軌跡，再將所有像素點的積累軌跡在回波域內進行疊加，最終得到該像素點在生物雷達圖像中對應的像素值。相對于戰(zhàn)場復雜環(huán)境中的雜波干擾而言，傷員目標生命體征微動信號幅值較小，信雜噪比較低，影響對傷員目標的精確定位。因此，對成像結果進行微動生理信號積累增強[7]。使用BP成像算法得到的結果，如圖2所示，可見受介質穿透效應的影響，生命微動信號的成像結果出現(xiàn)了嚴重的散焦現(xiàn)象，基于圖像無法判斷生命體的有無和精確定位。

A：自由空間單個傷員目標；B：0.3 m厚墻后多傷員目標；C：1.0 m厚墻后單個傷員目標；D：模擬廢墟后單個傷員目標。

自聚焦成像算法以特定的生物雷達圖像特征(分辨率、信雜噪比等)為評價指標，將介質穿透補償問題轉化為圖像成像效果評價問題。其一般處理過程為對回波數(shù)據(jù)進行生物雷達成像處理，利用生物雷達圖像聚焦度評價函數(shù)對當前成像結果進行評價，評估當前成像結果的聚焦程度，調整參數(shù)再次進行生物雷達成像[2]，經(jīng)過多次迭代后比較圖像聚焦度函數(shù)得到最優(yōu)解，此時圖像的聚焦度最優(yōu)。使用自聚焦成像方法得到如圖3所示的成像結果，可見經(jīng)過自聚焦處理后圖像的聚焦程度明顯改善。

A：0.3 m厚墻后多傷員目標自聚焦成像；B：1.0 m厚墻后單個傷員目標自聚焦成像；C：模擬廢墟后單個傷員目標自聚焦成像。

1.2.3 數(shù)據(jù)準備及預處理 利用上文仿真的典型場景，我們對同一組仿真回波作了BP方法成像和自聚焦方法成像，將自聚焦方法成像結果作為數(shù)據(jù)集中的真實值數(shù)據(jù)，將BP方法成像結果作為深度學習網(wǎng)絡的輸入數(shù)據(jù)。將輸入圖像和真實圖像的大小設置為256×256像素。同時，因為仿真數(shù)據(jù)量不足，我們又進行了數(shù)據(jù)旋轉、數(shù)據(jù)加噪等處理，將數(shù)據(jù)集擴充到了500個。將模擬廢墟場景作為測試集，其余場景下的數(shù)據(jù)都作為訓練集。

1.2.4 模型選擇 模型使用生成式對抗網(wǎng)絡(generative adversarial network，GAN)模型，其由兩個網(wǎng)絡組成，即學習訓練數(shù)據(jù)集分布的生成器網(wǎng)絡(G)和鑒別數(shù)據(jù)樣本來自訓練數(shù)據(jù)而不是生成器的鑒別器網(wǎng)絡(D)[8-10]。如圖4所示，首先預定義G，即G在已知噪聲變量pz的基礎上，學習訓練數(shù)據(jù)集的分布pdata并輸出新的數(shù)據(jù)分布pg。另外，預定義D，即D能夠對樣本數(shù)據(jù)作出判斷，并輸出一個樣本數(shù)據(jù)來自pg或pdata的概率。生成器G和鑒別器D交替訓練，得到pg≈pdata。優(yōu)化G的參數(shù)是通過最小化log(1-D(G(z)))，即通過優(yōu)化D(G(z))提高了生成能力(使D無法區(qū)分樣本是來自pdata或pg)。優(yōu)化參數(shù)D是為了增加判斷訓練樣本和生成樣本的正確率，即通過最大化D(x)=1和最小化D(G(z))=0來提高識別能力。調整G使目標函數(shù)LGAN(D, G)最小化，調整D使目標函數(shù)LGAN(D, G)最大化[5]，即：

圖4 基于GAN的生物雷達圖像優(yōu)化模型

(1)

在原始GAN中，對生成數(shù)據(jù)的模式?jīng)]有控制?？赏ㄟ^附加信息來調節(jié)模型，進而指導數(shù)據(jù)生成過程。一種直觀的理解方式是，原始GAN獲取圖像的相應特征，然后使用噪聲作為基礎來生成真實的圖像。而在本文中，GAN需要以雷達圖像為基礎生成一幅高分辨的圖像。因此，引入含有模糊因素的圖像作為可控信息，引導GAN完成模糊補償。具體的方法是將包含模糊因素的圖像作為附加信息y同時引入到G和D中[11]。將上述的目標函數(shù)修改為：

(2)

其中，D(x,y)表示D在x和y的輸入下的輸出，G(z,y)表示G在z和y的輸入下的輸出。整個訓練過程是G和D交替訓練的迭代動態(tài)過程。首先，參數(shù)G是固定的，通過將G的輸出標記為假，原始圖像標記為真，訓練D盡可能多地區(qū)分G的輸出和原始圖像。然后，固定參數(shù)D來訓練G。優(yōu)化G參數(shù)是為了使D出錯的概率最大化。上式中的目標函數(shù)表示為：

LL1(G)=Ex,y,z[‖y-G(x,z)‖1]

(3)

因此，結合L1和GAN的目標函數(shù)為:

(4)

其中，λ限制輸出和真實圖像之間的差異，使生成器G的輸出圖像在不偏離圖像真實性的前提下，具有更高的分辨率。

1.2.5 模型建立 原始GAN的生成器主要采用將向量映射到圖像的編碼器-解碼器結構[5]。然而，在雷達圖像處理領域中，圖像的輸入和輸出之間存在一些共享信息，仍采用前述結構容易損失目標圖像的邊緣和位置信息。為了解決信息共享問題，在G中采用了跳躍連接方式，使部分信息繞過中間層，這種結構稱為U-net網(wǎng)絡[6]。具體方法是將Ⅰ層與n-Ⅰ+1層相連，其對細節(jié)信息的提升效果非常明顯，在生物雷達成像應用方面，可用來保留高分辨率下的細節(jié)信息。

為了迫使D更加關注生物雷達圖像的像素及細節(jié)信息，一種方法是關注圖像的局部性，縮小感受野，這種類型的D稱為Patch-GAN鑒別器[12]，其結構如圖5所示[8]。讓D對整個圖像進行卷積，得到矩陣輸出值作為結果，用矩陣輸出值來鑒別每個N×N圖像塊是真還是假。該方法能夠更好地表征生物雷達圖像細節(jié)信息，有利于生成高分辨率的生物雷達圖像。

圖5 鑒別器結構

根據(jù)上述描述，G采用U-net網(wǎng)絡，D采用感受野為70×70的Patch-GAN鑒別器。為了簡化起見，CBRk用于表示具有k個濾波器的卷積層，CBDRk表示具有k個濾波器并且采用斜率為0.5的ReLU函數(shù)的卷積層。所有卷積層采用4×4的濾波器，步長為2。其中，Leaky-ReLU的斜率是0.2。生成器和鑒別器的詳細結構在本文中應用如下[8]。

①生成器詳細構架

編碼器：CBR64-CBR128-CBR256-CBR512-CBR512-CBR512-CBR512-CBR512

解碼器：CBR512-CBDR1024-CBDR1024-CBR1024-CBR1024-CBR512-CBR256-CBR128-CBR3(tanh)

②鑒別器詳細架構

Patch-GAN鑒別器：CBR64-CBR128-CBR256-CBR512(步長：1)-CBR1(步長：1，sigmoid)

其中，tanh和sigmoid表示在該層中使用tanh或sigmoid激活函數(shù)。

1.2.6 模型訓練 在GAN的訓練過程中，批次大小設置為1，采用微批次隨機梯度下降和Adam優(yōu)化器，學習率設置為0.000 2，動量參數(shù)β1=0.5，β2=1.0，每個循環(huán)平均需要180 s。此外，等式(4)中的λ設置為100。所有濾波器的權重初始化都選擇均值為0、標準偏差為0.02的高斯分布。

2 結果

GAN生成高分辨率雷達圖像的過程(圖6A)，每經(jīng)過20次迭代，得到生成器所生成的雷達圖像(圖6B)，得到的結果能夠準確反演出模擬廢墟結構以及人體目標的位置。

A：GAN生成圖像過程；B：基于GAN的聚焦成像結果。

訓練損失曲線如圖7所示。在生物雷達圖像訓練過程中，經(jīng)過60次迭代訓練數(shù)據(jù)集，G能夠大致消除介質穿透形成的干擾。

圖7 GAN中生成器和鑒別器損失函數(shù)

取生命體征信號所在的方位向位置，沿二維圖像的距離向進行剖分，分別截取標簽圖像、輸入圖像和生成圖像的一維距離向剖面進行對比分析?？梢?，基于GAN的聚焦成像方法能夠很好地解決戰(zhàn)場復雜環(huán)境以及傷員生命體征信號微弱的問題，提高傷員目標圖像的信雜噪比，如圖8所示。

A：真實圖像；B：輸入圖像；C：生成圖像。

3 討論

生物雷達利用低頻段電磁波對障礙物的穿透能力，實現(xiàn)對戰(zhàn)場環(huán)境下傷員目標及周圍環(huán)境態(tài)勢的動態(tài)感知，在反恐、巷戰(zhàn)等戰(zhàn)場條件下傷員的快速搜救領域中具有重要的應用價值[13-14]。近年來，深度學習方法在諸多領域取得巨大成功，并且在軍事領域中展現(xiàn)出極大的應用潛力[15-17]。本文旨在探索研究基于深度學習的穿透聚焦成像方法，以便在復雜戰(zhàn)場環(huán)境下，獲得高質量的傷員目標生物雷達圖像，提升傷員目標的探測、識別性能。圍繞上述目的，本文構建模擬廢墟場景和傷員目標模型，仿真典型場景下MIMO生物雷達傷員目標回波，利用BP成像算法、自聚焦成像算法對傷員目標回波進行成像處理，并分析比較兩類方法的優(yōu)缺點，為基于深度學習的穿透聚焦成像方法提供了數(shù)據(jù)集，研究并初步實現(xiàn)了基于深度學習的穿透聚焦成像方法，仿真數(shù)據(jù)處理結果驗證了這一思路的可行性。

但本文工作仍存在以下不足：數(shù)據(jù)集為仿真數(shù)據(jù)，缺乏實際復雜場景下的真實數(shù)據(jù)；GAN的結構和具體參數(shù)仍有較大的改進空間，性能也有望進一步改善。后續(xù)的研究將從實際復雜場景入手，構建更加符合生物雷達成像的深度學習框架，優(yōu)化框架的參數(shù)配置，進一步完善基于深度學習的穿透聚焦成像。