基于目标场景结构化稀疏重构的三维雷达成像方法

基于成像场景散射强度稀疏表示的3维雷达成像结果对目标的外形几何细节体现较差,不利于目标识别.该文首先分析了目标在成像场景内散射强度的结构化特征,然后以散射点梯度信息进行了结构化稀疏表示,构建了基于目标散射强度梯度变化的结构化稀疏重构模型,最后通过改进的联合正交匹配追踪算法重构出目标3维图像.实验结果表明,该方法具有较好的抗噪性能和成像质量,可以更好地反映目标外形几何特征.     

结合最近邻图模型的稀疏ISAR成像方法

逆合成孔径雷达（Inverse Synthetic Aperture Radar,ISAR）稀疏成像方法可提供图像对比度高、旁瓣干扰少的成像结果 .稀疏成像以场景或目标散射率分布具有稀疏性为前提,待成像目标场景的稀疏特性决定了最终成像质量. ISAR目标场景的自然稀疏特性着重刻画点状特征,变换域稀疏表示可增强目标图像的纹理等通用特征.通过学习获得的稀疏变换字典,可自适应于待成像的ISAR目标场景,找到面向ISAR目标图像块的特有稀疏表示.但是,图像块的特有稀疏表示中忽略了待成像目标场景中目标的几何特征信息.最近邻图模型可建立给定数据的几何特征描述算子,刻画出给定数据的几何特征信息.本文利用最近邻图模型来刻画待成像目标场景中目标的几何特征信息,并映射到待成像目标场景的特有稀疏表示中;提出结合最近邻图模型的ISAR稀疏成像方法,用于不同类别实测ISAR数据成像.相比已有的ISAR稀疏成像方法,所提成像方法可获得目标轮廓更清晰的成像结果,成像所需时间平均减少10.4%.     

基于扩展目标先验的贝叶斯压缩感知成像

已有的基于压缩感知理论的雷达成像技术通常是基于待重构目标散射点自身非常“稀疏”的前提下。然而实际情形中，针对大型刚体目标成像，如飞机、舰船等，其距离维及方位维通常存在一定的扩展特性，此时成像场景目标空间域的稀疏性相对较差，如果仍采用传统方法进行目标反演，所获得的目标重构性能通常并不理想。据此，基于扩展目标的先验信息，提出了一种改进的贝叶斯压缩感知成像方法。仿真试验验证了所提方法的有效性。     

一种机载SAR层析三维成像算法

针对机载平台难以同时满足多基线SAR层析3维成像所要求的短基线及大孔径问题,本文提出一种基于稀疏信号表示的机载SAR层析3维成像算法。首先基于高频率SAR目标的多散射中心假设,将目标在第3维成像方向上建模为稀疏分布模型,进而根据观测系统几何及信号频率特征构建了冗余字典,从而实现了成像问题到稀疏信号表示问题的转化,并最终通过求解以稀疏性度量函数为正则项的不适定方程获得成像结果。通过仿真实例的成像结果阐述了算法参数对成像的影响,并通过对SAR层析3维成像的仿真结果证明了算法的有效性。     

超宽带雷达建筑物结构稀疏成像

超宽带雷达具备穿透墙体获得建筑物内部结构布局的能力,为建筑物内人员探测定位提供更丰富的信息。传统成像常存在较为严重的旁瓣,而且墙后目标成像位置也会受墙体影响而产生偏移。为提高成像质量,稀疏重构技术被引入穿墙成像领域,但传统方法对弱散射目标的重构概率较低。该文提出结合相干因子(Coherence Factor, CF)加权的稀疏重构方法,在稀疏重构提取支撑集的过程中,利用CF增强成像的结果来提高支撑集原子的正确性,降低稀疏重构过程中强散射目标旁瓣的影响,最终提高场景中弱散射目标的重构概率。同时建立了多层墙体位置校正模型,将场景校正放到稀疏重构之后进行,从而以较低的计算复杂度降低墙体定位误差。实测数据处理结果表明,相比于传统的稀疏成像方法,相同的数抽取比例下,该文提出的方法能够有效提高场景中弱散射目标重构概率,并将建筑物内部墙体定位误差降低至10 cm以内。      

连续场景的稀疏阵列SAR侧视三维成像研究

合成孔径雷达的回波数据和图像数据都是复数,由于各个分辨单元散射点的初始相位是随机的,致使连续变化地物场景的信号带宽较大,传统的单天线SAR很难实现空间稀疏降采样。该文采用交轨向多天线观测结构,分析了交轨向稀疏阵列SAR的成像模型,首次提出利用信号重构方法,去除散射点随机初相位,降低复信号带宽,以较大间隔的空间稀疏采样实现稀疏阵列SAR侧视3维成像。干涉SAR 2维成像实际数据处理结果验证了通过信号重构可以降低复信号带宽,稀疏阵列SAR侧视3维成像的仿真结果验证了该文方法的有效性。     

一种低秩张量约束的下视稀疏线阵SAR三维成像算法

为了解决3维稀疏数据处理中向量化或矩阵化带来的原始空间结构破坏与计算复杂度高的问题,该文针对下视稀疏线阵3维SAR成像几何模型和回波信号特点,构建了张量空间信号模型,提出了一种基于低秩张量补全的3维SAR稀疏成像算法。该算法首先利用回波张量的低秩性,通过张量补全重构稀疏回波中的丢失元素,再对补全后的全采样信号张量进行3维成像,从而获得高效率、低旁瓣、高分辨率3维图像。基于X波段下视稀疏线阵3维SAR点目标回波进行了3维成像仿真实验,比较了在不同信噪比和采样率条件下的成像性能,并基于实测数据进一步验证了该算法的有效性和优势。     

多航迹圆迹SAR三维联合稀疏成像方法

多航迹圆迹SAR具备三维成像能力,但受多次航迹观测,在高度向采样不足以及目标多角度观测散射特性变化等因素影响,多航迹圆迹SAR三维成像性能还需进一步提高,以满足后端目标解译的需求。文中综合利用成像场景在距离、方位和高度三个维度的稀疏分布特性,建立联合稀疏重构模型,实现高分辨率三维成像。进一步,针对建筑物等人造目标后向散射特性随角度变化剧烈的问题,采用分子孔径稀疏约束成像后进行子孔径非相干叠加的方式,以提高最终三维成像结果的信噪比等性能,在进行联合稀疏重构时采用分子孔径处理提高了目标的可解译度。Gotcha实测停车场数据中圆台Top-hat和Toyota Camry轿车的三维成像实验验证了方法的有效性。     

一种低秩张量约束的下视稀疏线阵SAR三维成像算法

为了解决3维稀疏数据处理中向量化或矩阵化带来的原始空间结构破坏与计算复杂度高的问题,该文针对下视稀疏线阵3维SAR成像几何模型和回波信号特点,构建了张量空间信号模型,提出了一种基于低秩张量补全的3维SAR稀疏成像算法.该算法首先利用回波张量的低秩性,通过张量补全重构稀疏回波中的丢失元素,再对补全后的全采样信号张量进行3维成像,从而获得高效率、低旁瓣、高分辨率3维图像.基于X波段下视稀疏线阵3维SAR点目标回波进行了3维成像仿真实验,比较了在不同信噪比和采样率条件下的成像性能,并基于实测数据进一步验证了该算法的有效性和优势.     

基于稀疏孔径的联合稀疏约束干涉ISAR机动目标三维成像

InISAR系统能够实现对目标的3维几何估计,更加有利于目标的分类和识别。同时多功能ISAR/InISAR系统针对的多是机动性很强的目标,在某些情况下对单个目标仅能获取稀疏孔径观测,尤其是在目标存在机动特性的情况下,更是增加了ISAR成像的难度,这些对传统的ISAR成像算法提出了挑战。为了解决上述这些问题,该文针对机动目标提出一种基于稀疏孔径的联合稀疏约束InISAR 3维成像方法。对匀加速转动的目标,回波的多普勒调制可以建模成线性调频的形式,并用chirp-傅里叶字典来表征其机动性。接着将联合的多通道InISAR 2维成像转化为联合稀疏约束的最优化求解问题,并用改进的OMP算法进行求解。然后利用各个通道估计的ISAR图像和调频参数实现对目标的3维几何重构。相比于单通道独立成像,联合多通道稀疏约束成像能获得更好的2维和3维成像结果。最后,进行实测数据实验以验证该文算法的有效性。     

基于自学习稀疏先验的三维SAR成像方法

合成孔径雷达三维成像技术(3D SAR)能通过孔径维度扩展实现三维成像能力,但数据维度大、系统实现难、成像分辨率低。压缩感知稀疏重构技术在简化3D SAR系统、提升成像质量等方面展现出巨大潜力,但面临计算复杂度高、参数设置困难、弱稀疏场景适应差等新问题,制约了其实际应用。针对上述问题,该文结合卷积神经网络的特征学习及迭代算法的深度展开理论,提出了基于自学习稀疏先验的3D SAR成像方法。首先,探讨了常规3D SAR稀疏成像中矩阵向量线性表征模型的局限性,引入成像算子提升成像算法处理效率。其次,讨论了迭代算法映射网络的深度展开模型和实现方式,包括网络拓扑结构设计、算法参数的优化约束及网络的训练方法。最后,通过仿真数据和地面实验,证明了所提方法在提升成像精度的同时,其运行时间较传统稀疏成像算法降低一个数量级。      

基于稀疏信号表示的雷达目标成像技术

雷达目标成像本质上是对雷达目标散射特性进行信号表示的过程.在高频区,雷达目标散射特性可用少数几个散射中心来描述,利用散射中心稀疏分布的先验信息能有效增强雷达图像的分辨率.以稀疏信号表示为基础,针对雷达成像系统的结构特点,提出了一种基于FFT和分块Toeplitz系统的快速成像算法.该算法无需存储系数矩阵,极大地降低了存储量和运算量.仿真结果表明,该技术对雷达目标图像具有良好的分辨率增强能力.     

基于GTD模型的多雷达信号二维融合

多雷达信号2维融合是一种能显著提高成像分辨率和图像质量的参数化成像新方法。但是在宽带小角度观测的情况下,实际目标散射是随着频率的变化而变化,因此传统先插值后处理的融合方法就不再适用了。该文针对以上情况,提出了一种基于几何绕射模型的多雷达信号2维融合的方法,将多雷达信号2维融合问题转化为信号稀疏表示问题,并利用正则化的方法来估计散射模型参数。此方法不仅不需要2维解耦处理,而且通过信号稀疏表示方法可以准确地估计目标散射的频率依赖因子。仿真实验也表明该文方法有效性。     

High resolution 3D imaging in MIMO radar with sparse array

High resolution three-dimensional (3D) imaging method using MIMO radar with sparse array is studied in this paper. A method based on compressive sensing (CS) is firstly given. However, the CS-based method has the off-grid problem which will reduce the estimation accuracy of scatterers’ position on the target. Moreover, a high dimensional measurement matrix is required in the CS-based method, which will lead to a heavy storage and computation burden. To solve the two problems of CS, a new method based on matrix completion is proposed in this paper. After reshaping the sparse 3D echo into a low-rank structured matrix, the full 3D echo can be recovered by solving a nuclear norm minimization problem. Then the accurate position of scatterers can be estimated by applying multi-dimensional harmonic retrieval methods to the full 3D echo. Finally, the high resolution 3D image of targets is reconstructed. The effectiveness of the method is validated by the results of comparative simulations.     

基于目标物理特征和压缩感知的地雷目标鉴别方法

通过压缩感知(Compressed Sensing, CS)算法可以实现对目标的稀疏成像,并获取其空间散射结构用于目标鉴别和识别。该文针对穿透地表成像的前视超宽带虚拟孔径雷达(Forward Looking Virtual Aperture Radar, FLVAR)实测数据,以CS理论为基础对地雷目标进行稀疏成像,利用地雷目标电磁散射的稀疏性实现其散射结构的提取,将目标散射特性转化为与物理结构相关的几何特征,并基于该特征进行目标的分类鉴别。新方法不仅拓展了地雷鉴别的新思路,而且也为压缩感知在目标散射结构提取和目标鉴别上的应用进行了初步有效的尝试。     

基于结构化稀疏表达的高分辨率光学遥感图像的船只检测

为克服近岸船只检测中复杂港内背景干扰和基于深度学习算法的大视场光学遥感图像标注工作量大的困难,本文提出了基于小样本集的结构化稀疏表达方法来实现近岸船只检测的算法。构建由近岸船只目标,背景干扰信息和误差矩阵等三部分子字典组成的结构化稀疏表达字典,经小样本集的字典训练过程生成判别性稀疏编码。首先将多方向近岸船只目标样本与港内复杂背景信息样本经过HOG特征提取和PCA分析对原子进行初始化,然后使用K-SVD和LASSO算法对字典进行训练。在字典中引入误差矩阵对样本的类内差异进行表示,增强了稀疏编码的判别能力和系统鲁棒性。最后提出船只目标区域提取的置信度计算方法,对生成的结构化稀疏编码进行判别,提取船只目标区域,实现船只检测。通过对不同尺寸字典模型、引入误差矩阵前后的结构化稀疏表达模型进行实验,实验结果表明提出的引入误差矩阵的结构化稀疏表达方法的有效性,以及在小样本集下比现有技术方法具有更好的检测性能。      

MIMO雷达三维干涉诊断成像方法

2维合成孔径雷达(Synthetic Aperture Radar, SAR)和逆合成孔径雷达(Inverse Synthetic Aperture Radar, ISAR)成像是目标散射机理高分辨率分析和散射诊断测量的重要手段,现有被广泛采用的技术主要包括转台ISAR和导轨SAR成像技术。相比于传统的2维成像,3维成像可以提供目标局部散射中心在空间的3维位置和散射强度信息。因此,探索新的、可工程化实现与应用的目标3维成像技术是一项极具吸引力的工作。该文提出一种基于多输入多输出(Multiple-Input Multiple-Output, MIMO)阵列技术的3维干涉成像方法。首先,设计并试验了一种具有高孔径利用率和通过虚拟孔径实现干涉成像功能的MIMO阵列;其次,分析了MIMO阵列合成的两组虚拟孔径所成两幅2维雷达像的干涉相位与目标散射中心高度之间的关系,发展了MIMO雷达3维干涉成像算法;最后,通过数值仿真和原理样机实验验证了所提方法在目标散射机理分析和诊断测量应用中的可行性和有效性。      

基于联合稀疏性的高分辨全极化雷达成像研究

针对频率步进体制高分辨全极化雷达,本文研究了基于稀疏信号表示的高分辨全极化雷达成像,并提出了一种基于极化平滑l₀范数算法的成像方法.算法中的联合稀疏性度量综合利用了目标在全极化下的散射特性,因而成像结果兼具全极化处理和稀疏优化算法的优点,不仅能以较少的观测回波获得高分辨距离像,还能全面准确反映目标全极化散射特性,有利于目标识别等进一步应用.仿真和暗室实测数据实验结果验证了本文方法的有效性.     

结合字典学习技术的ISAR稀疏成像方法

鉴于稀疏ISAR成像方法的成像质量受到待成像场景的稀疏表示不准确的限制,该文将字典学习(DL)技术引入到ISAR稀疏成像中,以提升目标成像质量。该文给出基于离线DL和在线DL两种ISAR稀疏成像方法。前者通过已有同类目标ISAR图像进行学习,获得更优稀疏表示,后者在成像过程中从现有数据中通过优化获得稀疏表示。仿真和实测ISAR数据成像结果表明,结合离线DL和在线DL的成像方法均可获得比现有方法更优的成像结果,离线DL成像优于在线DL成像,而且前者计算效率优于后者。     

参数化稀疏表征在雷达探测中的应用

稀疏信号处理已经在雷达目标探测领域得到应用,并获得了优于传统方法的探测性能。然而,雷达目标探测过程中往往存在目标运动、雷达轨迹误差等未知因素,这导致预先设计的字典矩阵无法实现雷达信号的最优稀疏表征。该文将介绍字典学习的一个分支参数化稀疏表征,该方法通过构建参数化的字典矩阵,实现了对雷达探测过程中未知参数的动态学习和雷达信号的最优稀疏表征。该文还将介绍参数化稀疏表征在逆合成孔径雷达成像、合成孔径雷达自聚焦、基于微多普勒的目标识别等若干雷达探测问题中的应用。