CN103412306B - 基于多站多波段带宽融合的超宽带相参处理方法 - Google Patents
基于多站多波段带宽融合的超宽带相参处理方法 Download PDFInfo
- Publication number
- CN103412306B CN103412306B CN201310289416.5A CN201310289416A CN103412306B CN 103412306 B CN103412306 B CN 103412306B CN 201310289416 A CN201310289416 A CN 201310289416A CN 103412306 B CN103412306 B CN 103412306B
- Authority
- CN
- China
- Prior art keywords
- row
- limit
- sigma
- signal model
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 9
- 230000001427 coherent effect Effects 0.000 title claims abstract description 7
- 238000003672 processing method Methods 0.000 title claims abstract description 7
- 238000003384 imaging method Methods 0.000 claims abstract description 12
- 238000012952 Resampling Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000008878 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 238000013213 extrapolation Methods 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims 1
- 230000000739 chaotic effect Effects 0.000 abstract description 2
- 230000007812 deficiency Effects 0.000 abstract description 2
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
一种基于多站多波段带宽融合的超宽带相参处理方法,首先对两个子带的二维回波数据进行重采样,然后对行和列数据进行预处理,分别进行极点和系数估计,得到行和列的一维全极点信号模型,再对顺序混乱的行极点和列极点进行配对,从而可以得二维全极点信号模型,最后根据二维全极点信号模型进行ISAR成像,得到高精度的ISAR图像。采用本发明能有效解决常规雷达带宽不足引起的ISAR图像中目标不能分辨问题,是一种由多个常规雷达子带采样合成超宽带,进而得到超分辨率ISAR图像的有效方法。
Description
技术领域
本发明涉一种逆合成孔径雷达(InnervesSyntheticApertureRadar,简称ISAR)成像技术,特别是涉及一种通过对常规雷达子带采样来合成超宽带雷达的ISAR成像方法。
背景技术
逆合成孔径雷达(ISAR)通常利用目标的角度旋转运动来收集反射率数据,可以对非协同目标产生高质量的图像,进而能够全天候地观测远距离目标,在民用和军事领都有重要的应用价值。ISAR比传统的成像传感器更能适应不良气候,可应用于高精度目标识别领域,但是随着雷达的应用领域的不断扩展,雷达所要检测的目标越来越呈现出多样性,要求我们必须不断地提高图像分辨率。
ISAR利用目标与雷达之间的相对运动和信号处理算法来合成等效巨大的天线孔径,已经大大地提高了角分辨率,同时ISAR专有的高倍数脉冲压缩技术也极大地提高了距离分辨率,但还是不能满足目标分辨率的需求。雷达的距离分辨率取决于发射信号的带宽,我们可以通过增加雷达带宽或者用超分辨算法来处理雷达的回波信号,但是增加雷达带宽方法对成本和硬件设计要求很高,实际中我们需要一种能够带来高分辨率数据而又节约成本的算法,因此需要研究超分辨率的算法。
在实际目标的鉴别中,超宽带雷达信号的检测能力已经体现出很多的优越性,但是由于成本昂贵,对硬件的需求也很高,实际中我们采用对子带采样合成超宽带的方法,本方法极大地增加了信号的有效带宽,进而提高了距离分辨率,也因此提高了常规雷达对多样目标的检测能力。
发明内容
本发明的技术解决问题:克服现有技术的不足,提供一种基于多站多波段带宽融合的超宽带相参处理方法,通过对常规雷达的不同子带进行采样,可以合成超宽带雷达,从而有效提高ISAR图像的分辨率。
本发明技术解决方案:一种基于多站多波段带宽融合的超宽带相参处理方法,其特点在于:首先对两个子带的二维回波数据进行重采样,然后对行和列数据进行预处理,分别进行极点和系数估计,再对顺序混乱的行极点和列极点进行配对,从而可以得二维全极点信号模型。本发明中的极点配对方法由搜索代价函数的最大值来实现。所述方法包括以下步骤:
(1)由步进频率逆合成孔径雷达获得大小为M1*N1的低子带回波数据大小为M2*N2的高子带回波数据其中M1,M2分别表示两个子带的频率变化个数,N1,N2分别表示两个子带的角度变化个数;
(2)将两个子带的回波数据放在一起进行重采样,得到(M1+M2)*(N1+N2)的矩形回波数据s(m,n),其中m=1,2,…M,n=1,2,…N,M=M1+M2,N=N1+N2;
(3)将s(m,n)的每一行写成Hankel矩阵的形式,即:
其中m=0,1,…M,L1=N/3。再将行Hankel矩阵写成Hankel矩阵块,即:
其中L2=M/3。
(4)将s(m,n)的每一列写成Hankel矩阵的形式,即:
其中n=0,1,…N,N=N1+N2,L2=M/3。再将列Hankel矩阵写成Hankel矩阵块,即:
其中L1=N/3。
(5)对矩阵块Xe、Ye进行奇异值分解:
Xe=U1S1V1′Ye=U2S2V2′(5)
由S1、S2中奇异值的突变来估计阶数P1、P2并将V1、V2分解为信号子空间和噪声子空间,取噪声子空间即V1、V2的后L-P1、L-P2列:
A1=V1(:;P1+1:L)A2=V2(:;P2+1:L)(6)
其中L=L1*L2。
(6)构造多项式;
q1、q2分别为矩阵A1、A2中具有最小范数的特征向量,且q1(0)=q2(0)=1。对(7)式求根,分别估计行、列方向单位圆上的极点pi、qj,i=1,2…P1,j=1,2,…P2。
(7)由最小二乘法估计系数ai、bj,得到行和列的一维全极点信号模型,即:
其中u=1,2,…Mu,v=1,2,…Mv,Mu、Mv分别为行、列方向需要的外推点数。
(8)对极点pi、qj进行配对,确定同一点目标在不同方向上的极点,得到二维全极点信号模型:
其中aij=ai*bj。对aij使用门限,则以上信号模型可以改写为:
其中M表示散射点个数。
所述步骤(8)的具体实现过程是:
a)取信号子空间即V1的前P1列:
b)构造代价函数:
i=1,2,…M,j=1,2,…M,eL表示克罗内克积,·H表示Hermite矩阵,||·||表示求模。
c)计算Js(i,j)最大时对应的i,j,具体步骤如下:
(i).令i=1;
(ii).计算j=1,2,…M时,Js(i,j)最大对应的j(k),则(i,j(k))为第一个匹配的极点对;
(iii).令i=i+1;
(iv).计算j=1,2,…M,j≠j(k)时,Js(i,j)最大对应的j(l),则(i,j(l))为下一个匹配的极点对;
(v).通过以上步骤(ⅲ)-(ⅳ)进行迭代,得到所有匹配的极点对。
本发明与现有技术相比的有益效果在于:本发明是一种基于多站多波段带宽融合的超宽带相参处理方法,通过对不同子带的雷达回波进行采样,可以合成二维全极点信号模型,从而有效增加雷达带宽,进而提高ISAR图像的分辨率,能够为后续的雷达目标识别与探测提供高质量的ISAR图像。
附图说明
图1是本发明方法的流程图;
图2是仿真目标散点分布图;
图3是假设的超宽带雷达成像图;
图4是常规雷达低子带成像图;
图5是常规雷达高子带子带成像图;
图6是高、低子带直接合成的图像;
图7是二维超宽带处理后的成像图。
具体实施方式
结合附图,通过仿真详细说明本发明的实施方式。图1为本发明方法的实施流程图。
为验证本发明的有效性,首先利用步进频率ISAR仿真一组散射点的回波数据,用此回波数据说明该超宽带成像方法的具体过程。仿真参数如表1所示。
表1
本次仿真用到的散射点分布如图2所示。
下面采用本发明提供的方法对目标进行超宽带融合及成像:
(1)当通过一定范围的频率和视角观察目标时,二维回波函数写成如下形式:
常量c和σc分别定义了传播速度和点目标的雷达横截面,f是雷达发射频率,是目标旋转角度,xm、ym为二维采样点。使用传统图像积分方式进行图像处理:
I(x,y)即为ISAR图像,(x,y)为坐标。假设雷达带宽足够宽时,上式的ISAR成像结果如图3所示。
(2)将大小为M1*N1低子带回波函数和大小为M2*N2高子带回波函数联合得到:
其中f1=1,2,…M1,f2=1,2,…M2,f=1,2,…M,M=M1+M2,N=N1+N2。由式(14)方法进行分别进行两个子带的成像,低子带单独成像如图4所示,高子带单独成像如图5所示。可见都不能达到足够分辨率。图6为直接将两个子带合成的结果,同样不能达到分辨需求。
(3)根据下式进行重采样:
(m,n)为矩形采样点,得到M*N的矩形回波数据s(m,n)。
(4)将s(m,n)的每一行写成Hankel矩阵的Xm,再将行Hankel矩阵写成Hankel矩阵块Xe。
(5)将s(m,n)的每一列写成Hankel矩阵的Yn,再将列Hankel矩阵写成Hankel矩阵块Ye。
(6)对矩阵块Xe、Ye进行奇异值分解得到:Xe=U1S1V1′、Ye=U2S2V2′。由S1、S2中奇异值的突变来估计阶数P1、P2并将V1、V2分解为信号子空间和噪声子空间,取噪声子空间即V1、V2的后L-P1、L-P2列:A1=V1(:;P1+1:L)A2=V2(:;P2+1:L)。
(7)使用改进的Root-Min-Norm方法分别估计行、列方向单位圆上的极点pi、qj,i=1,2…P1,j=1,2,…P2。
(8)由最小二乘法估计系数ai、bj,得到行和列的一维全极点信号模型, u=1,2,…Mu,v=1,2,…Mv,Mu、Mv分别为行、列方向需要的外推点数。
(9)对极点pi、qj进行配对,确定同一点目标在不同方向上的极点,具体方法如下:
a)取信号子空间
b)构造代价函数:i=1,2,…M,j=1,2,…M,eL表示克罗内克积,·H表示Hermite矩阵,||·||表示求模。
c)计算Js(i,j)最大时对应的i,j,具体步骤如下:
(i).令i=1;
(ii).计算j=1,2,…M时,Js(i,j)最大对应的j(k),则(i,j(k))为第一个匹配的极点对;
(iii).令i=i+1;
(iv).计算j=1,2,…M,j≠j(k)时,Js(i,j)最大对应的j(l),则(i,j(l))为下一个匹配的极点对;
(v).通过以上步骤(ⅲ)-(ⅳ)进行迭代,得到所有匹配的极点对。
(10)由公式得到二维全极点信号模型,其中aij=ai*bj。对aij使用门限,得到其中M表示散射点个数。
(11)最后使用式(15)对上述结果进行成像,得到的二维超宽带处理后的成像图如图7所示。
综上所述,本发明很好的完成了常规雷达子带之间缺失波段的补充,进行了二维全极点模型的仿真,有效实现了多波段带宽融合并进行了ISAR成像,极大地图高了图像分辨率,为常规雷达不能检测的目标提供了高分辨率的ISAR图像。
本发明未详细阐述部分属于本领域公知技术。
以上所述,仅为本发明部分具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本领域的人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (2)
1.基于多站多波段带宽融合的超宽带相参处理方法,其特征在于实现步骤如下:
(1)由步进频率逆合成孔径雷达获得大小为M1*N1的低子带回波数据大小为M2*N2的高子带回波数据其中M1、M2分别表示两个子带的频率变化个数,N1、N2分别表示两个子带的角度变化个数;
(2)将两个子带的回波数据放在一起进行重采样,得到(M1+M2)*(N1+N2)的矩形回波数据s(m,n),其中m=1,2,…M1+M2,n=1,2,…N,M=M1+M2,N=N1+N2;
(3)将s(m,n)的每一行写成Hankel矩阵的形式,即:
其中m=0,1,…M,L1=N/3,再将行Hankel矩阵写成Hankel矩阵块,即:
其中L2=M/3;
(4)将s(m,n)的每一列写成Hankel矩阵的形式,即:
其中n=0,1,…N,N=N1+N2,L2=M/3;再将列Hankel矩阵写成Hankel矩阵块,即:
其中L1=N/3;
(5)对矩阵块Xe、Ye进行奇异值分解:
Xe=U1S1V1′Ye=U2S2V2′(5)
由S1、S2中奇异值的突变来估计阶数P1、P2并将V1、V2分解为信号子空间和噪声子空间,取噪声子空间即V1、V2的后L-P1、L-P2列:
A1=V1(:;P1+1:L)A2=V2(:;P2+1:L)(6)
其中L=L1*L2;
(6)构造多项式;
q1、q2分别为矩阵A1、A2中具有最小范数的特征向量,且q1(0)=q2(0)=1;对(7)式求根,分别估计行、列方向单位圆上的极点pi、qj,i=1,2…P1,j=1,2,…P2;
(7)由最小二乘法估计系数ai、bj,得到行和列的一维全极点信号模型,即:
其中u=1,2,…Mu,v=1,2,…Mv,Mu、Mv分别为行、列方向需要的外推点数;
(8)对极点pi、qj进行配对,确定同一点目标在不同方向上的极点,得到二维全极点信号模型:
其中aij=ai*bj,对aij使用门限,则以上信号模型改写为:
其中M表示散射点个数。
2.根据权利要求1所述的一种基于二维全极点信号模型和多波段带宽融合方法的ISAR成像技术,其特征在于:所述步骤(8)的具体实现过程是:
a)取信号子空间即V1的前P1列:
b)构造代价函数:
i=1,2,…M,j=1,2,…M,eL表示克罗内克积,·H表示Hermite矩阵,||·||表示求模;
c)计算Js(i,j)最大时对应的i,j,具体步骤如下:
(i).令i=1;
(ii).计算j=1,2,…M时,Js(i,j)最大对应的j(k),则(i,j(k))为第一个匹配的极点对;
(iii).令i=i+1;
(iv).计算j=1,2,…M,j≠j(k)时,Js(i,j)最大对应的j(l),则(i,j(l))为下一个匹配的极点对;
(v).通过以上步骤(ⅲ)-(ⅳ)进行迭代,得到所有匹配的极点对。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310289416.5A CN103412306B (zh) | 2013-07-10 | 2013-07-10 | 基于多站多波段带宽融合的超宽带相参处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310289416.5A CN103412306B (zh) | 2013-07-10 | 2013-07-10 | 基于多站多波段带宽融合的超宽带相参处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103412306A CN103412306A (zh) | 2013-11-27 |
CN103412306B true CN103412306B (zh) | 2016-02-24 |
Family
ID=49605333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310289416.5A Expired - Fee Related CN103412306B (zh) | 2013-07-10 | 2013-07-10 | 基于多站多波段带宽融合的超宽带相参处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103412306B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358250B (zh) * | 2017-06-07 | 2019-11-22 | 清华大学 | 基于双波段雷达微多普勒融合的人体步态识别方法及系统 |
CN108646242B (zh) * | 2018-05-10 | 2022-02-08 | 北京航空航天大学 | 一种针对复杂目标的多子波段雷达数据融合成像方法 |
CN108415017B (zh) * | 2018-05-10 | 2021-07-30 | 北京航空航天大学 | 复杂目标雷达散射特性稀疏表征的一维增广状态空间方法 |
CN112363137B (zh) * | 2020-10-29 | 2022-10-14 | 武汉滨湖电子有限责任公司 | 一种提高目标距离分辨率的方法 |
CN113721218B (zh) * | 2021-09-18 | 2023-12-08 | 中国人民解放军战略支援部队航天工程大学 | 一种异源雷达多频带带宽合成方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102353945A (zh) * | 2011-03-31 | 2012-02-15 | 北京航空航天大学 | 基于isar像序列的散射点三维位置重构方法 |
-
2013
- 2013-07-10 CN CN201310289416.5A patent/CN103412306B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102353945A (zh) * | 2011-03-31 | 2012-02-15 | 北京航空航天大学 | 基于isar像序列的散射点三维位置重构方法 |
Non-Patent Citations (2)
Title |
---|
基于子带合成的超宽带雷达杂波建模与仿真;杨利民等;《电子与信息学报》;20100930;第32卷(第9期);2172-2178 * |
多频段宽带信号综合技术;陆鑫鑫;《中国优秀硕士学位论文全文数据库信息科技辑》;20100815(第8期);第4-29页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103412306A (zh) | 2013-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103412306B (zh) | 基于多站多波段带宽融合的超宽带相参处理方法 | |
CN102323583B (zh) | 一种超分辨线阵三维合成孔径雷达成像方法 | |
CN102914773B (zh) | 一种多航过圆周sar三维成像方法 | |
CN102879783B (zh) | 基于稀疏探测频率信号的isar成像方法 | |
CN102866388B (zh) | 一种空时自适应处理中的自适应权值迭代计算方法 | |
CN104020469A (zh) | 一种mimo雷达距离-角度二维超分辨率成像算法 | |
CN103869311A (zh) | 实波束扫描雷达超分辨成像方法 | |
CN103176170A (zh) | 一种基于gpu并行计算的sar回波模拟方法 | |
CN103472450B (zh) | 基于压缩感知的非均匀空间构形分布式sar动目标三维成像方法 | |
CN102967858A (zh) | 雷达前视超分辨成像方法 | |
CN102854507B (zh) | 一种基于gpu后向投影双站合成孔径雷达成像方法 | |
CN103439692A (zh) | 基于协方差矩阵广对称特性的stap方法 | |
CN102401898A (zh) | 一种合成孔径雷达森林遥感数据的定量化模拟方法 | |
CN104122554B (zh) | 高分辨率sar图像目标的属性散射中心特征提取方法 | |
CN103023586A (zh) | 一种天波超视距雷达电离层信道模型 | |
CN112415515B (zh) | 一种机载圆迹sar对不同高度目标分离的方法 | |
CN105137424A (zh) | 一种杂波背景下实波束扫描雷达角超分辨方法 | |
CN104698457A (zh) | 一种迭代曲面预测InSAR成像及高度估计方法 | |
CN105353355A (zh) | 一种基于稀疏重构和投影成像的多基地雷达多目标定位方法 | |
CN103675769A (zh) | 基于分布式接收机的斜视sar欺骗干扰方法 | |
CN109298422B (zh) | 一种用于穿墙雷达的合成孔径成像优化处理方法、装置 | |
CN109471097B (zh) | 一种穿墙雷达信号优化处理方法及装置 | |
CN104407349B (zh) | 一站固定式双站低频超宽带sar的频域成像方法 | |
CN104166129A (zh) | 一种实波束雷达迭代最小均方误差角超分辨方法 | |
CN106772361A (zh) | 一种基于fpga的超宽带穿墙雷达成像算法的实现方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160224 |