CN103941246A - 基于压缩感知和目标先验信息的成像鉴别一体化方法 - Google Patents

Abstract

本发明属于基于目标先验信息的压缩感知重构处理领域，具体涉及一种基于压缩感知和目标先验信息的成像鉴别一体化方法。步骤如下：获取目标的电磁散射特性；对成像区域进行稀疏成像网格划分，并利用获取的电磁散射特性构造特征化字典；获取成像区域的回波数据，并通过构造测量矩阵计算出观测数据；利用上述步骤中的特征化字典和CS算法对上述步骤中的观测数据进行稀疏重构处理，获得稀疏系数；所述稀疏系数中每个元素与成像区域网格存在一一对应关系，当元素为非零值时，判断成像区域网格对应位置存在目标；若为零，则判定成像区域网格对应位置不存在目标。本发明在对目标实现稀疏成像的同时完成目标鉴别，具有较好的鉴别稳健性及一致性。

Description

基于压缩感知和目标先验信息的成像鉴别一体化方法

技术领域

本发明属于基于目标先验信息的压缩感知(Compressed Sensing,CS)重构处理领域，具体涉及一种基于压缩感知和目标先验信息的成像鉴别一体化方法。

背景技术

CS是近几年发展起来建立在信号稀疏表示和逼近理论基础上的新的研究领域，理论指出：只要信号是可压缩的或在某个变换域是稀疏的，那么就可以用一个与变换基不相关的观测矩阵将变换所得高维信号投影到一个低维空间上，然后通过求解一个优化问题就可以从这些少量的投影中以高概率重构出原信号，可以证明这样的投影包含了重构信号的足够信息。CS理论发展至今，已成功应用于合成孔径雷达(Synthetic Aperture Radar,SAR)、逆合成孔径雷达以及地表穿透雷达(Ground Penetrating Radar,GPR)的高分辨成像。由于前视GPR(ForwardLooking GPR,FLGPR)雷达系统具有探测距离远、探测效率高的优点，已广泛应用于地雷探测等领域。由于地雷探测属于复杂环境下的静止弱小目标检测问题，至今也未得到根本解决。由于地雷属于已知物理尺寸的旋转体(Body-of-Revolution,BoR)目标，这些先验信息为其鉴别提供了重要的依据，从基于灰度图像的常规鉴别方法(金添，超宽带SAR浅埋目标成像与检测的理论和技术研究，国防科学技术大学博士学位论文，2007年)，到基于地雷稀疏图像的CS鉴别方法(Peng-yu Wang,Qian Song,Zhi-min Zhou,A Physics-basedLandmine Detection Approach with Compressive Sensing,Progress InElectromagnetics Research Journals,2013,Vol.135,37-53.)，地雷先验信息的利用从特征提取提前至稀疏成像，鉴别方法也随之从图像鉴别转变为几何结构鉴别。基于地雷稀疏图像的CS鉴别方法利用地雷的离散散射结构(Discrete ScatteringStructure,DSS)，通过CS算法获得与传统恒虚警率(Constant False Alarm Rate,CFAR)检测相当的雷场稀疏图像，实现了成像与检测的一体化处理，将地雷鉴别问题转化为几何鉴别问题，最后利用地雷先验信息提取一致性特征实现对其的鉴别识别。不难发现，基于地雷DSS的鉴别方法并没有跳出传统的先成像再鉴别的处理流程，而地雷先验信息的利用也主要集中于特征提取。

对于FLGPR系统探雷而言，复杂的探测环境使得地雷鉴别中的杂波不可能用一个或几个模式完全表征，即不存在典型的杂波样本，因此地雷鉴别更接近一类分类(one-class classification)问题(Tax.D.,One-class classification:concept-learning in the absence of counter-examples,Deflt University of Technology,PhD thesis,2001,June)，即区分地雷和地雷之外的一切物体，因此可以说，FLGPR探雷是鉴别与定位已知先验信息目标的过程。CS算法基于地雷DSS实现了稀疏成像与目标检测的一体化处理，如果将地雷先验DSS信息与稀疏字典构造相结合，那么再利用CS算法就可以实现成像鉴别的一体化处理。显然，CS利用这种包含地雷特征信息的特征化字典(Featured Dictionary,FD)能够在稀疏成像的同时实现鉴别。但根据FD的构造过程不难发现，由于DSS仅包含了地雷的散射结构信息，因此鉴别能力并不强，而且适用性也受到较大限制。对于具有相似的DSS的不同BoR目标(如金属圆柱体、金属圆球)以及不具有DSS的BoR目标而言，FD的鉴别效力将大大降低。电磁散射特性(Electromagnetic ScatteringCharacteristic,ESC)是目标对于照射电磁波散射(通常默认为正后向散射)能力的一个物理量，包含对照射雷达波幅度和相位的双重调制，其幅度调制的能力就是对雷达照射波的反射能力，即RCS。可见，在已知探测条件下，目标ESC具有唯一性。传统成像方法所获得的灰度图像是目标二维ESC的重构，而鉴别特征则是目标ESC信息提取的子集，如果能够将目标ESC与稀疏字典构造相结合，构造出更为高效且具有更强鉴别能力的模型化字典(Model-based Dictionary,MD)，可在解决前述问题的同时，进一步增强基于模型的CS成像鉴别一体化方法的稳健性及适用性。而该方法的关键则是如何较为准确获取目标ESC，并与稀疏字典构造相结合，这将是本专利的核心研究内容。

发明内容

本发明针对地雷等典型旋转体目标的鉴别问题，提出了一种基于旋转体目标ECS的CS成像鉴别一体化处理方法，具体技术方案如下：

一种基于压缩感知和目标先验信息的成像鉴别一体化方法，包括以下步骤：

(S1)获取目标的电磁散射特性；

(S2)对成像区域进行稀疏成像网格划分，并利用步骤(S1)获取的电磁散射特性构造特征化字典；

(S3)获取成像区域的回波数据，并通过构造测量矩阵计算出观测数据；

(S4)利用所述步骤(S2)中的特征化字典和CS算法对所述步骤(S3)中的观测数据进行稀疏重构处理，获得稀疏系数；所述稀疏系数中每个元素与成像区域网格存在一一对应关系，当元素为非零值时，判定成像区域网格对应位置存在目标；若为零，则判定成像区域网格对应位置不存在目标。

本发明可以获得以下技术效果：

本发明基于旋转体目标的方位散射不变性，通过电磁仿真或实际电磁测量获得待鉴别目标的ESC数据，然后将目标的ECS与稀疏点字典相结合，构造包含目标先验信息的特征化字典，最后基于特征化字典利用CS算法对观测数据进行稀疏重构处理，在对目标实现稀疏成像的同时完成目标鉴别，不仅鉴别效率高，而且具有较好的鉴别稳健性及一致性，特别是在数据缺失条件下，本发明依然能够保持良好的鉴别效果，为解决已知先验信息的特性目标的鉴别识别问题开拓了一条新途径。

附图说明

图1是本发明提取目标ESC数据的仿真示意图；

图2是本发明方法处理流程示意图；

图3是本发明验证试验仿真场景图；

图4是验证试验仿真数据后向投影算法成像结果图；

图5是本发明方法的处理结果图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步说明。

本发明提供了一种基于压缩感知和目标先验信息的成像鉴别一体化方法，其原理如下：

第一步：通过对待鉴别旋转体目标进行电磁仿真平台(XFDTD电磁仿真软件)或实际电磁测量，获得该目标在一定参数条件下的ESC。

具体分为两种情况：

(1)基于电磁仿真的目标ESC获取。

步骤1:运行XFDTD电磁仿真软件，根据待鉴别旋转体目标的物理参数(例如：圆柱体需要设置半径、高度、材质)建立对应的电磁模型；

步骤2:设置电磁仿真参数，包括入射波形式、带宽、极化方式、入射波俯视角β等，然后进行仿真计算，得到目标在该条件下的ESC数据ω_tar(β,f_i)，其中f_i＝f₀+i·Δf(i＝0,…,N-1)为测量频带的离散采样频点，N为频点总数，Δf为调频间隔。基于旋转体目标的方位散射不变性，因此，在计算ω_tar(β,f_i)时，忽略方位角。在实际情况中，频点数越多，对目标的电磁散射特性描述得越精细，但构造的模型化字典也就越大。

(2)实际电磁测量过程中的目标ESC获取。

步骤1:根据待鉴别旋转体目标的物理参数制作对应的实际模型；

步骤2:选择周围干扰较少的场景(如微波暗室)，将目标放置于旋转平台上，将矢量网络分析仪(Vector Network Analyzer,VNA)作为步进频率信号源置于目标相距R处(其中R应远大于目标尺寸，以满足电磁波散射的远场假设成立)，高度为H；

步骤3:当VNA顺序扫频时，与之相连接的发射辐射出步进频率电磁波，接收天线获得的回波信号包含目标ESC和天线与目标相对距离引入的相位延迟，根据场景参数(R与H)可计算该相位延迟，从而获得目标ESC数据ω_tar(β,f_i)。

第二步：对包含待鉴别目标的成像区域进行稀疏成像网格划分，将待鉴别目标的电磁散射特性ω_tar(β,f_i)与稀疏点字典构造相结合，构造包含目标先验信息的特征化字典Ψ_MD；

具体实现步骤为：

步骤①：根据预先设定的成像分辨率(ρ_r与ρ_a分别为距离向与方位向分辨率)对长L_r米、宽L_a米的成像区域进行稀疏成像网格划分，得到N_r×N_a成像空间矩阵，其中N_r＝L_r/ρ_r，N_a＝L_a/ρ_a；

步骤②：根据待鉴别目标的XFDTD电磁仿真或微波暗室实测数据确定起始频率f₀、频率步进间隔Δf、频点数N以及目标与雷达天线之间的相对距离R；

步骤③：设雷达发射信号为S_t(t)，根据信号与系统理论，目标也可视为一个系统，对应的传输函数即为目标的响应函数S_tar(t)，那么距离雷达R处的目标回波S_r(t,R)为

$S_r(\mathrm{\β},t,R)=S_t(t-2R/c)\⊗S_{\mathrm{tar}}(\mathrm{\β},t)---\left(1\right)$

其中c为电磁波在真空中传播的速度，t表示时刻，经采样、正交解调及傅立叶变换后，式(1)可转换为下式给出的频域表达式：

$\begin{array}{c}{\mathrm{\ω}}_r(\mathrm{\β},f,R)=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\exp [-j4\mathrm{\π}{f}_{i}R/c]\·{\mathrm{\ω}}_{\mathrm{tar}}(\mathrm{\β},f_i)\\ =\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\exp [-j4\mathrm{\π}(f_0+i\·\mathrm{\Δf})R/c]\·{\mathrm{\ω}}_{\mathrm{tar}}\left[(\mathrm{\β},f_0+i\·\mathrm{\Δf})\right]\end{array}---\left(2\right)$

其中ω_r(β,f,R)为接收回波S_r(β,t,R)对应的频域表达式，ω_tar(β,f_i)为目标在俯视角β下的ESC，将式(2)写成向量形式为

ω_r(β,f,R)＝exp(-j4πRf/c)ω_tar(β,f)＝Ψ(f)ω_tar(β,f)   (3)

Ψ(f)为稀疏点字典(Gurbuz Ali Cafer,McClellan James H.,Scott Waymond R.A compressive sensing data acquisition and imaging method for stepped frequencyGPRs[J].IEEE Transactions on Signal Processing,2009,57(7):2640-2650.)，Ψ_MD(β,f,R)则是包含目标先验信息的特征化字典，即：

Ψ_MD(β,f,R)＝Ψ(f,R)ω_tar(β,f)   (4)

当雷达完成从方位角θ₀到θ_K-1的扫描时，雷达接收回波(即成像空间中所有目标的回波总和)可写成下式形式：

其中，θ_k＝θ₀+k·(θ_K-1-θ₀)/(K-1)为方位角，R_m,k为在θ_k方位角下第m个成像网格距离雷达的距离，M＝N_r×N_a为成像区域网格总数，Ψ_MD(β,θ,f,R)则为成像区域对应的特征化字典，即本发明用于成像鉴别一体化处理所采用的特征化字典Ψ_MD(β,θ,f,R)＝Ψ(f,R)ω_tar(β,θ,f)。向量b是雷达回波ω_r(β,θ,f,R)在该特征化字典Ψ_MD(β,θ,f,R)下的稀疏系数。

第三步：仿真或测量获得成像区域内多目标(包括待鉴别目标与非目标)原始回波数据x(即满足Nyquist采样定理的完备数据集)，然后利用生成的测量矩阵Φ对x进行测量，得到观测数据y，最后利用CS算法对数据y进行稀疏重构处理，得到的稀疏系数即为测量数据在字典Ψ_MD(β,θ,f,R)下的稀疏系数，可通过稀疏稀疏获得最终的鉴别结果。

具体实现步骤为：

步骤①：利用仿真或测量手段，采用与构造特征化字典相同的方式获取成像区域的多目标回波数据ω'_r(β,θ,f,R)，此时保持俯视角β及方位角θ变化范围与特征化字典构造时相同。

步骤②：生成随机矩阵作为测量矩阵Φ(Gurbuz Ali Cafer,McClellan James H.,Scott Waymond R.A compressive sensing data acquisition and imaging method forstepped frequency GPRs[J].IEEE Transactions on Signal Processing,2009,57(7):2640-2650.)，并依此对原始回波数据ω'_r(β,θ,f,R)进行观测得到测量数据y，结合式(5)将y表示为下式：

y＝Φω'_r(β,θ,f,R)＝Ψ_MD(β,θ,f,R)b   (6)

步骤③：利用特征化字典Ψ_MD(β,θ,f,R)通过CS算法对稀疏系数b进行最优化求解，如式(7)所示

argmin||b||₁   s.t.y＝ΦΨ_MD(β,θ,f,R)b   (7)

其中，s.t.表示满足约束条件的数学符号(文中下同)。

但是，鉴于目标之间的相互干扰和测量噪声，向量b的求解通常由下式完成

argmin(||ΦΨ_MD(β,θ,f,R)b-y||₂+λ||b||₁)   (8)

其中λ为正则化参数，可以利用广义交叉验证(Generalized Cross-Validation，GCV)算法进行有效估计(Golub G.H.,Heath M.and Wahba G.,Generalizedcross-validation as a method for choosing a good ridge parameter.Technometrics,1979,21(20):215-223.)。

通过公式(8)进行求解，因为向量b的每个元素与成像区域网格存在一一对应关系，当估计所得稀疏系数向量b中存在非零值时，则判定非零值对应的成像区域网格位置存在用于构造特征化字典的旋转体目标；若为零，则判定没有目标。

图1为“XFDTD”电磁仿真环境中自由空间摆放于X-Y平面的圆柱体(即待鉴别目标)，材质为理想导电体(Perfect Electric Conductor,PEC)，圆柱体直径0.3米，高度0.1米，设圆柱体中心位于三维空间坐标系XYZ的零点处，发射的步进频率信号起始频率为f₀＝1.1GHz，频率步进间隔Δf＝5MHz，频点总数N＝200，设定发射波为满足远场条件的理想平面波，俯视角β＝60°，方位角θ_k扫描范围为[-45°,45°]，方位角采样间隔则设为1°。

图2为本发明方法处理流程图。按照本发明方法的第一步，在如图1的仿真场景下，通过电磁仿真获得圆柱体的ESC数据，并依此构造包含圆柱体先验信息的特征化字典；然后利用相同的方式获得多目标场景下的回波数据，经过随机测量后再利用特征化字典进行CS处理，在实现稀疏成像的同时完成圆柱体鉴别。

图3是与图1相同仿真条件下的三个目标的电磁仿真场景，三个目标体的大小分别为：斜边0.3米的PEC三面角反射器；直径0.3米、高度0.1米的PEC圆柱体；直径0.3米的PEC球体，三个目标中心均位于X-Y平面，与三维空间原点保持在同一直线上，目标放置于[-3～3]米×[-3～3]米的二维成像区域内，稀疏成像网格为0.3米，且目标恰完全落于网格内部，采用与特征化字典构造相似的雷达工作方式获取当前场景下的三个目标的回波数据。

图4是利用全部回波数据通过后向投影算法获得的二维幅度图像，经进行归一化处理，图像幅度显示范围限定为-20dB～0dB，成像过程通过Matlab仿真软件实现，具体操作步骤见参考文献“金添，《超宽带SAR浅埋目标成像与检测的理论和技术研究》，国防科学技术大学博士学位论文，2007年”，图中目标从上至下分别对应三面角、球、圆柱体。

图5是利用随机测量的10％回波数据通过公式(8)求解获得的重构结果，具体过程是通过Matlab仿真软件来实现的，其中，正则化参数λ是通过GCV算法估计所得，从图5中可以得出结论：基于特征化字典下，利用少量随机测量数据通过CS算法可以在实现稀疏成像的同时实现目标的鉴别识别。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于压缩感知和目标先验信息的成像鉴别一体化方法，其特征在于包括以下步骤：

(S1)获取目标的电磁散射特性；

(S2)对成像区域进行稀疏成像网格划分，并利用步骤(S1)获取的电磁散射特性构造特征化字典；

(S3)获取成像区域的回波数据，并通过构造测量矩阵计算出观测数据；

(S4)利用所述步骤(S2)中的特征化字典和CS算法对所述步骤(S3)中的观测数据进行稀疏重构处理，获得稀疏系数；所述稀疏系数中每个元素与成像区域网格存在一一对应关系，当元素为非零值时，判定成像区域网格对应位置存在目标；若为零，则判定成像区域网格对应位置不存在目标。

2.根据权利要求1所述的一种基于压缩感知和目标先验信息的成像鉴别一体化方法，其特征在于：所述步骤(S1)中的目标为旋转体目标。

3.根据权利要求1所述的一种基于压缩感知和目标先验信息的成像鉴别一体化方法，其特征在于：所述步骤(S2)中的特征化字典Ψ_MD为：

Ψ_MD(β,θ,f,R)＝Ψ(f,R)ω_tar(β,θ,f)，

其中，β入射波俯视角，θ为雷达扫描的方位角向量表达式，f为频率的向量表达式，R为雷达与目标之间距离的向量表达式，Ψ(f,R)为稀疏点字典，ω_tar(β,θ,f)为目标在俯视角β下的电磁散射特性。

4.根据权利要求1所述的一种基于压缩感知和目标先验信息的成像鉴别一体化方法，其特征在于：所述步骤(S4)中的稀疏系数b求解过程为：

argmin||b||₁   s.t.y＝ΦΨ_MD(β,θ,f,R)b

其中，y为观测数据，s.t.表示满足约束条件的数学符号。

5.根据权利要求1所述的一种基于压缩感知和目标先验信息的成像鉴别一体化方法，其特征在于：所述步骤(S4)中的稀疏系数b求解过程为：argmin(||ΦΨ_MD(β,θ,f,R)b-y||₂+λ||b||₁)，其中，λ为正则化参数，Φ为测量矩阵。