第四章 雷达数据集构建：公开数据集介绍与数据增强技术

做雷达目标识别，最头疼的问题是什么？

我个人觉得，不是算法选得不够好，而是数据不够用。你想想看，雷达数据采集一次成本多高啊，外场实验还得看天气、看场地、看设备状态。我早期做项目时，为了凑够训练样本，连续在野外蹲了两个月，回来一看，样本量还是不够深度学习模型吃的。

所以这一章，咱们重点聊聊数据集构建这件事。说白了，就是怎么把手头有限的雷达数据，变成能喂给机器学习模型的好数据。

4.1 公开数据集介绍

先说说公开数据集。我建议新手入门时，先用公开数据集跑通流程。为什么呢？因为公开数据集大家都用，结果可复现，踩坑了也好找人讨论。

4.1.1 MSTAR数据集

MSTAR，全称是Moving and Stationary Target Acquisition and Recognition。这个数据集在雷达目标识别领域，地位就跟ImageNet在计算机视觉里差不多。

它是由美国国防高级研究计划局和空军研究实验室联合发布的。数据用的是聚束SAR模式，分辨率0.3米×0.3米。包含啥目标呢？主要是军用车辆：

• BMP2：步兵战车
• BRDM2：装甲侦察车
• BTR70：装甲运兵车
• T72：主战坦克
• 2S1：自行榴弹炮
• ZSU234：自行高炮

我记得第一次用MSTAR时，最让我头疼的是它的配置变体问题。同一型号的车，不同批次、不同改装，SAR图像差异还挺大。比如T72坦克，有A64、A32、S7三种配置，图像特征明显不同。

这里有个坑，我得提醒你。MSTAR的标准训练集是17°俯仰角，测试集是15°俯仰角。为什么这么设计？就是为了测试模型的泛化能力。你想想，实际应用中，雷达不可能每次都从同一个角度照射目标。

4.1.2 RADAR-MNIST数据集

说完MSTAR，再聊聊RADAR-MNIST。这个数据集是我个人比较喜欢的入门级数据集。

RADAR-MNIST是啥？说白了，就是把MNIST手写数字用雷达的方式重新表达。怎么做呢？用毫米波雷达扫描3D打印的数字模型，得到雷达回波数据。

它包含0-9共10个类别，每个类别有1000个样本。数据格式是距离-多普勒图，尺寸64×64像素。

RADAR-MNIST和MSTAR最大的区别是什么？

• RADAR-MNIST是微多普勒特征，反映目标的细微运动
• MSTAR是SAR图像，反映目标的几何结构

这两种特征，对应不同的识别任务。微多普勒适合识别行人、车辆的运动模式；SAR图像适合识别静止目标的类别。

4.2 数据标注

数据标注，听起来简单，做起来全是坑。

我早期做过一个项目，标注了5000张SAR图像，结果训练时发现模型死活不收敛。排查了三天，最后发现是标注人员把BMP2和BTR70搞混了——这两款车在SAR图像上确实有点像，都是长方形带个炮塔。

4.2.1 标注规范

做雷达数据标注，我总结了几条铁律：

1. 类别定义要清晰：每个类别必须有明确的视觉特征描述。比如"T72坦克：长方形车体，炮塔位于前1/3处，履带可见"。
2. 边界框要一致：SAR图像中目标周围有阴影和旁瓣，框选时要不要包含这些？必须统一标准。
3. 难例要单独处理：遮挡严重、信噪比低、姿态极端的样本，建议单独建一个"难例集"。
4. 多人标注要交叉验证：至少两个人独立标注同一批数据，计算一致性指标。

{
    "images": [
        {
            "id": 1,
            "file_name": "SAR_001.png",
            "width": 256,
            "height": 256
        }
    ],
    "annotations": [
        {
            "id": 1,
            "image_id": 1,
            "category_id": 3,
            "bbox": [64, 78, 128, 96],
            "area": 12288,
            "iscrowd": 0
        }
    ],
    "categories": [
        {"id": 1, "name": "BMP2"},
        {"id": 2, "name": "BRDM2"},
        {"id": 3, "name": "T72"}
    ]
}

4.2.2 标注工具推荐

我个人常用的标注工具有：

• LabelImg：轻量级，适合小规模标注
• CVAT：支持多人协作，适合团队使用
• LabelStudio：支持多种数据类型，包括雷达信号

嗯，这里要注意。雷达数据和普通图像不一样，它的动态范围很大。标注时最好把图像做一下归一化或者对数变换，让目标更清晰可见。

4.3 数据增强技术

数据增强，说白了就是"无中生有"。但这不是瞎编，而是基于雷达物理特性的合理变换。

我见过有人直接把图像旋转90度做增强，结果模型学到的全是错误特征。为什么？因为SAR图像对旋转角度极其敏感，旋转90度后，目标的散射特性完全变了。

4.3.1 几何变换

适合雷达数据的几何变换：

• 小角度旋转：±10°以内，模拟目标姿态变化
• 平移：模拟目标在场景中的位置变化
• 缩放：0.8-1.2倍，模拟距离变化
• 翻转：仅限左右翻转，上下翻转会破坏物理特性

4.3.2 信号级增强

这个是我比较推荐的方法。直接在雷达信号层面做增强，更符合物理规律。

import numpy as np

def add_clutter(sar_image, clutter_level=0.1):
    """
    添加杂波模拟真实环境
    """
    clutter = np.random.rayleigh(scale=clutter_level, size=sar_image.shape)
    return sar_image + clutter

def simulate_speckle(sar_image, looks=4):
    """
    模拟相干斑噪声
    """
    speckle = np.random.gamma(shape=looks, scale=1/looks, size=sar_image.shape)
    return sar_image * speckle

def random_drop_phase(sar_complex, drop_ratio=0.1):
    """
    随机丢弃部分相位信息
    """
    mask = np.random.random(sar_complex.shape) > drop_ratio
    return sar_complex * mask

4.3.3 高级增强方法

最近几年，基于深度学习的增强方法也火起来了。我试过几种：

• GAN生成：用生成对抗网络生成新的SAR图像。效果不错，但训练不稳定。
• 风格迁移：把晴天采集的数据转成雨天、雪天场景。这个对雷达数据效果一般。
• Mixup：把两张图像按比例混合。简单有效，我经常用。

4.4 数据构建实战流程

最后，我分享一下自己常用的数据构建流程：

1. 数据采集：确保覆盖不同角度、距离、环境
2. 数据清洗：剔除无效数据、重复数据
3. 数据标注：制定规范，多人交叉验证
4. 数据划分：按场景独立划分，避免数据泄露
5. 数据增强：先做基础增强，再尝试高级方法
6. 质量检查：可视化检查增强后的数据是否合理

你想想看，如果数据这步没做好，后面算法调得再好也是白搭。我见过太多项目，算法团队花三个月调模型，最后发现是训练数据和测试数据分布不一致。这种坑，咱们提前避开。

下一章，咱们聊聊特征提取。从雷达回波里，怎么把有用的信息提炼出来。