雷達圖像目標特征提取方法研究.pdf

1、雷達成像技術具有全天候、全天時、遠距離觀測能力,有效提高了雷達的信息獲取能力,具有重要的軍用和民用應用價值。隨著雷達成像技術的高速發(fā)展,雷達圖像收集能力越來越強。從大量雷達圖像中獲取目標信息進行目標檢測、分類與識別則是雷達成像的目的,其中基于雷達圖像的目標識別受到越來越廣泛的關注。傳統(tǒng)的基于數(shù)據(jù)驅(qū)動的目標識別方法依賴于數(shù)據(jù)本身所反映出來的目標信息,而在實際環(huán)境中數(shù)據(jù)反映的目標信息隨環(huán)境變化而變化,這給基于數(shù)據(jù)驅(qū)動的目標識別方法帶來挑戰(zhàn)。

2、目標的一些物理特征(如目標幾何尺寸,物理結(jié)構(gòu)等)受環(huán)境因素影響較小,而且雷達成像機理在一定程度上可以反映目標物理特征。本文以此為出發(fā)點,研究了基于目標參數(shù)化回波模型雷達圖像中目標物理特征提取技術。論文分別從干涉ISAR(InISAR)橫向定標、目標微動特征提取以及目標電磁特征(屬性散射中心特征與極化特征)三個方面探討和研究目標物理特征提取技術,主要工作概括如下:
　　1.針對干涉ISAR(InISAR)橫向定標中相位纏繞問題,提出

3、一種基于隨機霍夫變換(Randomized Hough Transform, RHT)的InISAR橫向定標算法。該算法利用ISAR圖像中的特顯點的模糊橫距(干涉相位主值得到的橫距)與多普勒頻率的線性關系,估計真實橫距與多普勒頻率之間的尺度因子,實現(xiàn)對目標ISAR圖像橫向定標,從而避免了繁瑣的相位解纏繞過程。仿真實驗結(jié)果表明該算法可以實現(xiàn)對ISAR圖像的定標,并具有一定的抗噪聲性能,由定標后的目標ISAR圖像可以提取目標的幾何尺寸特征。

4、
　　2.研究了目標微動特征提取方法,主要包含兩部分:(1)在分析微動目標窄帶回波信號基礎上,指出窄帶目標的微動特征提取等價于多分量非平穩(wěn)信號的瞬時頻率估計問題,我們提出一種基于曲線跟蹤(Curve track, CT)算法的目標微動特征提取方法。該算法在時頻域通過最近鄰數(shù)據(jù)關聯(lián)( Nearest Neighbor Data Association, NNDA)算法對各分量信號的時頻曲線進行關聯(lián)與分離,然后采用擴展卡爾曼(Kalm

5、an)濾波器對分離的時頻曲線進行平滑濾波,并基于平滑后的時頻曲線估計目標微動參數(shù)。(2)通過分析微動目標的寬帶回波,指出目標回波在距離包絡域具有微距特征,以及時頻域具有微多普勒特征。對于微距特征提取,利用幅度相位估計方法(Amplitude and phase estimation, APES)得到目標距離包絡信號的超分辨估計,在此基礎上由CT算法實現(xiàn)目標微距特征曲線的分離與提取;針對微多普勒特征提取,利用多距離單元信號進行聯(lián)合時頻分析

6、得到目標完整的多普勒譜,并由CT算法提取目標微多普勒特征。最后基于電磁計算數(shù)據(jù)的仿真結(jié)果驗證所提算法的有效性。
　　3.研究了屬性散射中心提取方法,包含兩部分:(1)考慮目標頻率-方位二維觀測數(shù)據(jù)在屬性散射中心模型參數(shù)空間上的稀疏性,我們提出一種基于字典縮放的屬性散射中心提取與參數(shù)估計方法。由于模型參數(shù)維數(shù)較高,構(gòu)造的高維聯(lián)合字典將消耗較多系統(tǒng)資源。針對該問題,所提算法采用交替優(yōu)化與字典縮放實現(xiàn)了對參數(shù)化字典的降維。為了減小鄰近散

7、射中心之間的相互干擾,采用正交匹配追蹤(OMP)-RELAX聯(lián)合算法求解稀疏信號恢復問題,實現(xiàn)在頻率-方位角域提取屬性散射中心。(2)我們提出一種基于距離特性與方位特性解耦合的屬性散射中心提取算法,進一步降低對系統(tǒng)資源的要求。該方法通過分別構(gòu)建包含位置信息與方位特性信息的兩個低維字典代替高維的聯(lián)合字典實現(xiàn)距離特性與方位特性的解耦合,并得到散射中心參數(shù)估值。根據(jù)提取的屬性散射中心可以有效地估計目標或目標重要部件的幾何尺寸。基于電磁計算數(shù)據(jù)

8、和實測數(shù)據(jù)的實驗結(jié)果驗證了上述算法的有效性。
　　4.研究了全極化屬性散射中心提取方法:(1)考慮目標全極化觀測數(shù)據(jù)在屬性散射中心模型參數(shù)空間上的聯(lián)合稀疏特性,利用聯(lián)合稀疏表示技術提取屬性散射中心,并對估計的極化散射矩陣進行極化分解提取目標極化特征,聯(lián)合干涉測高可以得到目標三維姿態(tài)信息。該方法采用基于字典縮放屬性散射中心提取算法思想實現(xiàn)參數(shù)化字典的降維,對稀疏系數(shù)矩陣施加行稀疏約束,通過 SOMP(Simultaneous Ort

9、hogonal Matching Pursuit)算法求解聯(lián)合稀疏優(yōu)化問題并提取屬性散射中心。(2)針對散射中心重疊或者同一分辨單元內(nèi)包含不止一種散射體的情況,依據(jù)目標全極化觀測在屬性特征域(屬性參數(shù)以及散射類型)的稀疏特性,對目標極化分解系數(shù)矩陣施加行稀疏約束與矩陣稀疏約束,該算法利用坐標輪回下降法估計目標極化分解系數(shù)矩陣與極化散射機理字典,同時提取目標全極化屬性散射中心及其極化特征?；陔姶庞嬎銛?shù)據(jù)的實驗結(jié)果驗證了上述算法的有效性。