[论文解读] Mitigation of Through-Wall Distortions of Frontal Radar Images using Denoising Autoencoders

Shelly Vishwakarma, Shobha Sundar Ram|arXiv (Cornell University)|Mar 22, 2019

Geophysical Methods and Applications参考文献 42被引用 29

一句话总结

本文提出一种基于交替方向乘子法（ADMM）的去噪自编码器（DAE），以在不依赖墙体参数或传播模型先验知识的情况下，减轻穿透墙体雷达图像的失真。该模型在多样化的穿透墙体与自由空间雷达图像对上进行训练，能有效恢复静态和动态人体的正面雷达图像，与干净参考图像相比，结构相似性高且均方误差低。

ABSTRACT

Radar images of humans and other concealed objects are considerably distorted by attenuation, refraction and multipath clutter in indoor through-wall environments. While several methods have been proposed for removing target independent static and dynamic clutter, there still remain considerable challenges in mitigating target dependent clutter especially when the knowledge of the exact propagation characteristics or analytical framework is unavailable. In this work we focus on mitigating wall effects using a machine learning based solution -- denoising autoencoders -- that does not require prior information of the wall parameters or room geometry. Instead, the method relies on the availability of a large volume of training radar images gathered in through-wall conditions and the corresponding clean images captured in line-of-sight conditions. During the training phase, the autoencoder learns how to denoise the corrupted through-wall images in order to resemble the free space images. We have validated the performance of the proposed solution for both static and dynamic human subjects. The frontal radar images of static targets are obtained by processing wideband planar array measurement data with two-dimensional array and range processing. The frontal radar images of dynamic targets are simulated using narrowband planar array data processed with two-dimensional array and Doppler processing. In both simulation and measurement processes, we incorporate considerable diversity in the target and propagation conditions. Our experimental results, from both simulation and measurement data, show that the denoised images are considerably more similar to the free-space images when compared to the original through-wall images.

研究动机与目标

• 解决由衰减、折射和多径杂波引起的穿透墙体雷达图像失真问题。
• 开发一种无需依赖墙体特性或解析传播模型先验知识的机器学习解决方案。
• 仅使用配对的穿透墙体与自由空间训练数据，实现鲁棒的图像恢复。
• 通过基于ADMM的优化方法确保快速收敛并具备实时应用潜力。

提出的方法

• 使用配对的穿透墙体与视距（自由空间）雷达图像作为输入和输出，训练去噪自编码器。
• 采用基于ADMM的优化框架，以加速训练并保证收敛性。
• 对静态目标使用宽频带平面阵列数据，对动态目标使用窄带数据结合多普勒处理。
• 在FDTD仿真中引入随机变化，以模拟多样化的墙体参数（介电常数、电导率、加固结构、空气间隙）。
• 应用二维阵列及距离/多普勒处理，从原始雷达数据生成正面雷达图像。
• 通过经验评估优化超参数，包括隐藏层大小和激活函数（线性、tanh、sigmoid）。

实验结果

研究问题

• RQ1 深度学习模型是否能在不依赖墙体属性先验知识的情况下，有效减少正面雷达图像中的穿透墙体失真？
• RQ2 去噪自编码器在不同墙体类型和目标条件下是否具有良好的泛化能力？
• RQ3 与标准反向传播相比，基于ADMM的训练是否能实现更快收敛并支持实时部署？
• RQ4 不同激活函数和隐藏层大小对模型性能有何影响？
• RQ5 当自由空间与穿透墙体图像对之间存在标签不匹配时，模型的容忍度如何？

主要发现

• 去噪后的图像相比原始穿透墙体图像，归一化均方误差（NMSE）显著降低，结构相似性（SSIM）显著提高。
• 在仿真数据中，线性激活函数优于非线性函数（tanh、sigmoid），可能由于数据的窄带特性。
• 当隐藏节点数为500时，SSIM在仿真中实现收敛，表明模型具备足够的容量以实现有效去噪。
• 在真实测量数据中，当隐藏节点数为1500时，SSIM接近1.0，且Sigmoid函数表现最佳。
• 测试推理时间保持较低水平（内存占用低于500MB，可在Raspberry Pi 3+上运行），支持实时部署。
• 模型对多样化的墙体条件和目标变化表现出鲁棒性，且无需针对特定墙体进行调优。