CN104076361A - 无人机载战场监视雷达超分辨广域成像方法 - Google Patents

Abstract

本发明属于雷达超分辨广域成像技术领域，特别涉及无人机载战场监视雷达超分辨广域成像方法。该无人机载战场监视雷达超分辨广域成像方法包括以下步骤：利用战场监视雷达的每个照射区域的地面监视图像组合成广域地面监视图像；生成战场监视雷达的每个照射区域的地面监视图像包括以下步骤：战场监视雷达对对应的原始回波数据进行预处理，得出对应的中心补偿后数据；将对应的中心补偿后数据在方位向进行孔径外推，得出对应的孔径外推后数据；将对应的孔径外推后数据在方位向进行幅相估计法超分辨处理，得出对应的方位超分辨处理数据；根据对应的方位超分辨处理数据，得出对应的子图像。

Description

无人机载战场监视雷达超分辨广域成像方法

技术领域

本发明属于雷达超分辨广域成像技术领域，特别涉及无人机载战场监视雷达超分辨广域成像方法，可用于实时性的地面场景的快速广域成像与监视。

背景技术

合成孔径雷达(SAR)通过对地面场景进行长时间观测获得较高的方位分辨率。但由于这种体制不具备快速的数据重访能力，因此无法对远距离、大范围内的地面场景信息进行监视。与之相比，广域运动目标检测技术(Wide-area GMTI,Wide-area Ground Moving Target Indication)，采用较窄的天线波束和方位扫描的工作方式，可以实现对地面大场景的快速成像。由于其较高的采访率，可以对广域场景(200km×200km)反复进行探测，成为战场监视的最重要的工作方式。例如美国的JSTARS(Joint Surveillance Target AttackRadar System,联合星)，德国的PAMIR(Phased Array Multifunctional ImagingRadar,多功能相控阵成像雷达)，英国的ASTOR(Airborne Stand-off Radar机载防区外雷达)(即欧洲五国联合研制的SOSTAR(Stand-off Surveillance andTarget Acquisition Radar Demonstrator防区外监视和目标获取雷达)系统，均具备广域监视能力。JSTARS的广域监视能力在海湾战争中达到了很好的验证。

利用Wide-area GMTI模式进行广域监视时，通常采用多普勒波束锐化技术(DBS，Doppler Beam Sharpening)获得大范围的地面场景图像，其测绘带宽度时传统的SAR模式难以达到的。多普勒波束锐化技术是将一个天线的真实波束分裂成若干个窄的子波束，由于各子波束中心处目标相对雷达的径向速度不同，从而造成各子波束回波间的多普勒频差，此时在频域设置一组窄带滤波器组，且该滤波器的中心和带宽分别对应各个子波束的中心和带宽，这样就可以实现多普勒分割，有效改善方位分辨力。然而，由于广域GMTI的要求对数据的高重访率及其对场景的广域监视能力，因此雷达天线在进行扫面时，对某一方位角度的照射时间时非常短暂的，因此相干积累时间非常有限，这也大大限制的了多普勒波束锐化技术的成像分辨率。

发明内容

本发明的目的在于提出无人机载战场监视雷达超分辨广域成像方法。本发明能够将雷达方位分辨率提高一倍，在工程上实现对战场的实时监视能力。

为实现上述技术目的，本发明采用如下技术方案予以实现。

无人机载战场监视雷达超分辨广域成像方法包括以下步骤：针对战场监视雷达的每个照射区域，生成战场监视雷达的对应照射区域的地面监视图像，利用战场监视雷达的每个照射区域的地面监视图像组合成广域地面监视图像；生成战场监视雷达的每个照射区域的地面监视图像包括以下步骤：

步骤1，当战场监视雷达扫描到对应照射区域时，战场监视雷达接收对应的原始回波数据；战场监视雷达对对应的原始回波数据依次进行距离向脉冲压缩、距离走动校正、中心补偿，得出对应的中心补偿后数据；

步骤2，将对应的中心补偿后数据在方位向进行2倍的孔径外推，得出对应的孔径外推后数据；

步骤3，将对应的孔径外推后数据在方位向进行幅相估计法超分辨处理，得出对应的方位超分辨处理数据；

步骤4，针对对应的方位超分辨处理数据，在距离-多普勒域提取对应多普勒带宽内的数据；然后根据提取的数据，得出对应的子图像，对应子图像中每个像素点的幅度值为：提取的数据中对应位置的数据的取值。

本发明的特点和进一步改进在于：

所述步骤1的具体子步骤为：

(1.1)当战场监视雷达扫描到对应照射区域时，战场监视雷达接收对应的原始回波数据，然后对对应的原始回波数据进行距离向脉冲压缩处理，得出对应的距离脉压后数据；

(1.2)对对应的距离脉压后数据进行距离走动校正，得出对应的距离走动校正后数据；

(1.3)对对应的原始回波数据进行多普勒中心估计，得出对应的多普勒中心频率f_d；

(1.4)根据对应的多普勒中心频率f_d，对对应的距离走动校正后数据进行中心补偿，得出对应的中心补偿后数据。

在步骤1中，对应的中心补偿后数据表示为X，

X＝[x(m,0),x(m,1),...,x(m,n),...,x(m,Na-1)]

其中，x(m,n)表示第m个距离单元第n个脉冲经过中心补偿后的脉压结果，m代表快时间，n代表慢时间，m为整数且m为0至M-1，M为战场监视雷达的距离单元数目，n为整数且n取0至Na-1，Na为战场监视雷达的方位向脉冲数目，Na为偶数；

所述步骤2的具体子步骤为：

(2.1)利用Burg算法求取对应的中心补偿后数据的孔径外推系数a(k)；k为整数且k取0至Na-1；

(2.2)对对应的中心补偿后数据在前向进行孔径外推，得出对应的前向孔径外推数据，所述对应的前向孔径外推数据X1为：

$X1=[{\hat{x}}^f(m,0),{\hat{x}}^f(m,1)...,{\hat{x}}^f(m,P-1)]$

其中， ${\hat{x}}^f(m,n1-\mathrm{Na}/2)=-\underset{k^{\′}=1}{\overset{P}{\mathrm{\Σ}}}a\left(k^{\′}\right)x(m,n1-k^{\′}),$ m代表快时间，n1代表慢时间，m为自然数且m取1至M，n1为自然数且n1取P+Na/2-1至P，P＝Na/2，k'取1至P；

对对应的中心补偿后数据在后向进行孔径外推，得出对应的后向孔径外推数据，所述对应的后向孔径外推数据X2为：

$X2=[{\hat{x}}^b(m,3\mathrm{Na}/2),{\hat{x}}^b(m,3\mathrm{Na}/2+1),...,{\hat{x}}^b(m,2\mathrm{Na}-1)]$

其中， ${\hat{x}}^b(m,n2+\mathrm{Na}/2)=-\underset{k^{\′}=1}{\overset{P}{\mathrm{\Σ}}}{a}^H\left(k^{\′}\right)x(m,n2+k^{\′}),$ m代表快时间，n2代表慢时间，m为自然数且m取1至M，M为距离单元数目，n2为自然数且n2取P+Na/2至P+Na-1，P＝Na/2，k'取1至P；上标H表示取共轭转置；

(2.3)根据对应的中心补偿后数据X、对应的前向孔径外推数据X1和对应的后向孔径外推数据X2，得出对应的孔径外推后数据X'

$X^{\′}=[X1,\hat{X},X2],$

$\hat{X}[x(m,0+P),x(m,1+P),...,x(m,n+P),...,x(m,\mathrm{Na}+P-1)]$

令 ${\hat{x}}^f(m,n1-\mathrm{Na}/2)=x(m,n1-\mathrm{Na}/2),{\hat{x}}^b(m,n2+\mathrm{Na}/2)=x(m,n2+\mathrm{Na}/2),$ 则对应的孔径外推后数据X'为：

X'＝[x(m,0),x(m,1),...,x(m,2Na-1)]。

所述步骤3的具体子步骤为：

(3.1)根据设定的有限冲击响应滤波器的阶数，对对应的孔径外推后数据X'进行重新排列，得出2Na-L+1组重新排列后数据，L为设定的FIR滤波器的阶数，L＝Na；在2Na-L组重新排列后数据中，第l组数据S_m,l为：

S_m,l＝[x(m,l),x(m,l+1),...,x(m,l+L-1)]^T

其中，l取0至2Na-L，上标T表示矩阵或向量的转置；

(3.2)根据每组重新排列后数据，得出对应的数据序列的协方差矩阵

${\hat{R}}_m=\frac{1}{2\mathrm{Na}-L+1}\underset{l=0}{\overset{N-L}{\mathrm{\Σ}}}{S}_{m,l}{S_{m,l}}^H$

其中，N＝2Na，上标H表示取共轭转置；

(3.3)估计对应的噪声和干扰的L维协方差矩阵

$\hat{Q}(m,w)={\hat{R}}_m-\hat{Y}(m,w){\hat{Y}}^H(m,w)$

$\hat{Y}(m,w)=\frac{1}{2\mathrm{Na}-L+1}\underset{l=0}{\overset{N-L}{\mathrm{\Σ}}}{S}_{m,l}\exp (-\mathrm{jwl})$

其中，N＝2Na，上标H表示取共轭转置，说明w为APES超分辨处理后每组重新排列后数据的角频率；

(3.4)计算出对应的匹配滤波器系数

$\hat{h}(m,w)=\frac{{\hat{Q}}^{-1}(m,w)\mathrm{\β}\left(w\right)}{\mathrm{\β}\left(w\right){\hat{Q}}^{-1}(m,w)\mathrm{\β}\left(w\right)}$

其中，上标-1表示矩阵的逆，β(w)＝[1exp(jw)…exp(j(L-1)w)]^T，上标T表示矩阵或向量的转置，β(w)表示对应的归一化导向矢量；

(3.5)根据以下公式得出不同频率处的数据幅度估计值：

$\hat{X}(m,w)=h^H(m,w)\hat{Y}(m,w),$

其中，w为APES超分辨处理后每组重新排列后数据的角频率，表示角频率w处的数据幅度估计值，则对应的方位超分辨处理数据为：子步骤(3.5)得出的不同频率处的数据幅度估计值。

利用战场监视雷达的每个照射区域的地面监视图像组合成广域地面监视图像的过程为：在得出战场监视雷达的每个照射区域的子图像之后，在直角坐标系下，按顺序完成各个子图像的拼接，得出广域地面监视图像。

本发明的有益效果为：本发明由于充分利用雷达孔径外推后的回波数据，在不引起数据失真的前提下将天线主波束内的回波数据量增加一倍，相当于将多普勒波束锐化技术的锐化比和方位分辨率都提高了一倍。同时，在进行方位向的多普勒分析时，采用APES(Amplitude and Phase Estimaton幅相估计法)超分辨算法，这又大大提高了方位谱的分辨能力，因此理论上，该发明可以将传统的多普勒波束锐化技术横向分辨率提高一倍。实验结果表明，本发明能够应用在机械扫描雷达上，且能够得到较为理想的广域地面监视图像。

附图说明

图1为本发明的无人机载战场监视雷达超分辨广域成像方法的流程图；

图2为仿真实验中利用传统方法得出的广域地面监视图像的扇形图；

图3为仿真实验中利用本发明得出的广域地面监视图像的扇形图；

图4为图2的局部放大结果示意图；

图5为图3的局部放大结果示意图。

具体实施方式

下面结合附图对本发明作进一步说明：

参照图1，为本发明的无人机载战场监视雷达超分辨广域成像方法的流程图。该无人机载战场监视雷达超分辨广域成像方法包括以下步骤：当无人机飞行时，无人机上的战场监视雷达的照射区域发生连续性的变化；针对战场监视雷达的每个照射区域，生成战场监视雷达的对应照射区域的地面监视图像，利用战场监视雷达的每个照射区域的地面监视图像组合成广域地面监视图像；生成战场监视雷达的每个照射区域的地面监视图像包括以下步骤：

步骤1，当战场监视雷达(机械扫描雷达)扫描到对应照射区域时，战场监视雷达接收对应的原始回波数据；战场监视雷达对对应的原始回波数据依次进行距离向脉冲压缩、距离走动校正、中心补偿，得出对应的中心补偿后数据。

其具体子步骤为：

(1.1)当战场监视雷达(机械扫描雷达)扫描到对应照射区域时，战场监视雷达接收对应的原始回波数据，然后对对应的原始回波数据进行距离向脉冲压缩处理(匹配滤波处理)，得出对应的距离脉压后数据，此时实现目标的距离向分离。

(1.2)对对应的距离脉压后数据进行距离走动校正，得出对应的距离走动校正后数据。具体地说，为减少雷达平台(无人机)运动所引起的目标跨距离单元走动现象，需要进行距离走动校正。对对应的距离脉压后数据在距离频域内乘以距离走动校正因子H(f,t)，得出对应的距离走动校正后数据，H(f,t)为：

$H(f,t)=\exp \left(\frac{-j4\mathrm{\πfR}\left(t\right)}{c}\right)$

其中，R(t)≈R₀-v·t·cosθ₀，f为经过傅里叶变换后的距离频率，t为慢时间，R₀为战场监视雷达与点目标之间的对应初始斜距，θ₀为战场监视雷达的波束视线与载机运动方向的夹角，v为无人机(载机平台)的速度，c为光速。

(1.3)对对应的原始回波数据进行多普勒中心估计，得出对应的多普勒中心频率f_d。具体地说，采用相关法对对应的原始回波数据进行多普勒中心估计。

(1.4)根据对应的多普勒中心频率f_d，对对应的距离走动校正后数据进行中心补偿，得出对应的中心补偿后数据。具体地说，将对应的距离走动校正后数据乘以对应的多普勒中心补偿函数，得出对应的中心补偿后数据，对应的多普勒中心补偿函数为exp(-j2πf_dk/f_r)，其中，k为整数且k取0至Na-1，Na为方位向脉冲数目，Na为偶数，f_r为战场监视雷达的脉冲重复频率。

对应的中心补偿后数据X为：X＝[x(m,0),x(m,1),...,x(m,n),...,x(m,Na-1)]，x(m,n)表示第m个距离单元第n个脉冲经过中心补偿后的脉压结果，m代表快时间，n代表慢时间，m为自然数且m为0至M-1，M为距离单元数目，n为自然数且n取0至Na-1。

步骤2，将对应的中心补偿后数据在方位向进行2倍的孔径外推，得出对应的孔径外推后数据，在对应的孔径外推后数据中，对应的方位向脉冲数目变为2Na。

其具体子步骤为：

(2.1)利用Burg算法求取对应的中心补偿后数据的孔径外推系数a(k)，在Burg算法中，以前向预测误差和后向预测误差的平均功率最小为准则求取孔径外推系数。

(2.2)对对应的中心补偿后数据在前向进行孔径外推，得出对应的前向孔径外推数据，所述对应的前向孔径外推数据X1为：

$X1=[{\hat{x}}^f(m,0),{\hat{x}}^f(m,1)...,{\hat{x}}^f(m,P-1)]$

其中， ${\hat{x}}^f(m,n1-\mathrm{Na}/2)=-\underset{k^{\′}=1}{\overset{P}{\mathrm{\Σ}}}a\left(k^{\′}\right)x(m,n1-k^{\′}),$ m代表快时间，n1代表慢时间，m为自然数且m取1至M，n1为自然数且n1取P+Na/2-1至P，P＝Na/2，k'取1至P；x(m,n)表示对应的中心补偿后数据。

对对应的中心补偿后数据在后向进行孔径外推，得出对应的后向孔径外推数据，所述对应的后向孔径外推数据X2为：

$X2=[{\hat{x}}^b(m,3\mathrm{Na}/2),{\hat{x}}^b(m,3\mathrm{Na}/2+1),...,{\hat{x}}^b(m,2\mathrm{Na}-1)]$

其中， ${\hat{x}}^b(m,n2+\mathrm{Na}/2)=-\underset{k^{\′}=1}{\overset{P}{\mathrm{\Σ}}}{a}^H\left(k^{\′}\right)x(m,n2+k^{\′}),$ m代表快时间，n2代表慢时间，m为自然数且m取1至M，M为距离单元数目，n2为自然数且n2取P+Na/2至P+Na-1，P＝Na/2，k'取1至P；x(m,n)表示对应的中心补偿后数据，上标H表示取共轭转置。

(2.3)将对应的中心补偿后数据X、对应的前向孔径外推数据X1和对应的后向孔径外推数据X2进行合并，得出对应的孔径外推后数据X'。

$X^{\′}=[X1,\hat{X},X2],$

$\hat{X}[x(m,0+P),x(m,1+P),...,x(m,n+P),...,x(m,\mathrm{Na}+P-1)].$

令 ${\hat{x}}^f(m,n1-\mathrm{Na}/2)=x(m,n1-\mathrm{Na}/2),{\hat{x}}^b(m,n2+\mathrm{Na}/2)=x(m,n2+\mathrm{Na}/2),$ 则对应的孔径外推后数据X'为：

X'＝[x(m,0),x(m,1),...,x(m,2Na-1)]

步骤3，将对应的孔径外推后数据在方位向进行APES(Amplitude andPhase Estimaton幅相估计法)超分辨处理，得出对应的方位超分辨处理数据。

其具体子步骤为：

(3.1)根据设定的FIR(Finite Impulse Response，有限冲击响应滤波器)滤波器的阶数，对对应的孔径外推后数据X'进行重新排列，得出2Na-L+1组重新排列后数据，L为设定的FIR滤波器的阶数，本发明实施例中L＝Na。在2Na-L组重新排列后数据中，第l组数据S_m,l为：

S_m,l＝[x(m,l),x(m,l+1),...,x(m,l+L-1)]^T

其中，l取0至2Na-L。

(3.2)根据每组重新排列后数据，得出对应的数据序列的协方差矩阵

${\hat{R}}_m=\frac{1}{2\mathrm{Na}-L+1}\underset{l=0}{\overset{N-L}{\mathrm{\Σ}}}{S}_{m,l}{S_{m,l}}^H$

其中，N＝2Na，上标H表示取共轭转置。

(3.3)估计对应的噪声和干扰的L维协方差矩阵

$\hat{Q}(m,w)={\hat{R}}_m-\hat{Y}(m,w){\hat{Y}}^H(m,w)$

$\hat{Y}(m,w)=\frac{1}{2\mathrm{Na}-L+1}\underset{l=0}{\overset{N-L}{\mathrm{\Σ}}}{S}_{m,l}\exp (-\mathrm{jwl})$

其中，N＝2Na，上标H表示取共轭转置，说明w为APES超分辨处理后每组重新排列后数据的角频率。

(3.4)计算出对应的匹配滤波器系数

$\hat{h}(m,w)=\frac{{\hat{Q}}^{-1}(m,w)\mathrm{\β}\left(w\right)}{\mathrm{\β}\left(w\right){\hat{Q}}^{-1}(m,w)\mathrm{\β}\left(w\right)}$

其中，上标-1表示矩阵的逆，β(w)＝[1exp(jw)…exp(j(L-1)w)]^T，上标T表示矩阵或向量的转置，β(w)表示对应的归一化导向矢量。

(3.5)实际应用中，在频率轴上利用谱峰搜索求出不同频率处的数据幅度估计值，即根据以下公式得出不同频率处的数据幅度估计值：

$\hat{X}(m,w)=h^H(m,w)\hat{Y}(m,w),$

其中，w为APES超分辨处理后每组重新排列后数据的角频率，表示角频率w处的数据幅度估计值。

步骤4，针对对应的方位超分辨处理数据，在距离-多普勒域提取对应多普勒带宽内的数据；然后根据提取的数据，得出对应的子图像，对应子图像中每个像素点的幅度值为：提取的数据中对应位置的数据的取值。

在得出战场监视雷达的每个照射区域的子图像之后，在直角坐标系下(以第一幅子图为基准)，按顺序完成各个子图像的拼接，得出广域地面监视图像。

本发明的效果可通过以下仿真实验进一步说明：

1)仿真实验环境和内容

仿真实验环境：MATLAB R2009b,Intel(R)Pentium(R)2CPU2.7GHz，Window7旗舰版。实验内容：将机载机械扫描雷达录取的回波数据，在仿真环境下，应用本发明和传统方法进行成像，得出对应的广域地面监视图像。

参照图2，为仿真实验中利用传统方法得出的广域地面监视图像的扇形图，参照图3，为仿真实验中利用本发明得出的广域地面监视图像的扇形图。然后在图2和图3中，选定共同区域进行放大，参照图4，为图2的局部放大结果示意图，参照图5，为图3的局部放大结果示意图。

2)仿真实验结果

从图2和图3可以看出，相较于传统方法，本发明的成像结果中，河流，村落，农田及周围地貌等细节信息更加丰富，说明本发明可以应用于机械扫描雷达。

从图4和图5可以看出，相较于传统方法，强散射点目标不仅得到了很好的聚焦，农田的边界信息也更加清晰，说明本发明可明显提高机载雷达的横向分辨率。

图2至图5的熵可以用下表进行说明：

图像的熵在一定程度上可以反映出反应图像的聚焦程度的好坏，熵越小，说明图像的聚焦效果越好。从表中可以看出，无论扇形图还是局部放大图，本发明都要比传统方法低1.5dB左右。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (5)

1.无人机载战场监视雷达超分辨广域成像方法，其特征在于，包括以下步骤：针对战场监视雷达的每个照射区域，生成战场监视雷达的对应照射区域的地面监视图像，利用战场监视雷达的每个照射区域的地面监视图像组合成广域地面监视图像；生成战场监视雷达的每个照射区域的地面监视图像包括以下步骤：

步骤1，当战场监视雷达扫描到对应照射区域时，战场监视雷达接收对应的原始回波数据；战场监视雷达对对应的原始回波数据依次进行距离向脉冲压缩、距离走动校正、中心补偿，得出对应的中心补偿后数据；

步骤2，将对应的中心补偿后数据在方位向进行2倍的孔径外推，得出对应的孔径外推后数据；

步骤3，将对应的孔径外推后数据在方位向进行幅相估计法超分辨处理，得出对应的方位超分辨处理数据；

步骤4，针对对应的方位超分辨处理数据，在距离-多普勒域提取对应多普勒带宽内的数据；然后根据提取的数据，得出对应的子图像，对应子图像中每个像素点的幅度值为：提取的数据中对应位置的数据的取值。

2.如权利要求1所述的无人机载战场监视雷达超分辨广域成像方法，其特征在于，所述步骤1的具体子步骤为：

(1.1)当战场监视雷达扫描到对应照射区域时，战场监视雷达接收对应的原始回波数据，然后对对应的原始回波数据进行距离向脉冲压缩处理，得出对应的距离脉压后数据；

(1.2)对对应的距离脉压后数据进行距离走动校正，得出对应的距离走动校正后数据；

(1.3)对对应的原始回波数据进行多普勒中心估计，得出对应的多普勒中心频率f_d；

(1.4)根据对应的多普勒中心频率f_d，对对应的距离走动校正后数据进行中心补偿，得出对应的中心补偿后数据。

3.如权利要求1所述的无人机载战场监视雷达超分辨广域成像方法，其特征在于，在步骤1中，对应的中心补偿后数据表示为X，

X＝[x(m,0),x(m,1),...,x(m,n),...,x(m,Na-1)]

其中，x(m,n)表示第m个距离单元第n个脉冲经过中心补偿后的脉压结果，m代表快时间，n代表慢时间，m为自然数且m为0至M-1，M为战场监视雷达的距离单元数目，n为自然数且n取0至Na-1，Na为战场监视雷达的方位向脉冲数目，Na为偶数；

所述步骤2的具体子步骤为：

(2.1)利用Burg算法求取对应的中心补偿后数据的孔径外推系数a(k)；k为整数且k取0至Na-1；

(2.2)对对应的中心补偿后数据在前向进行孔径外推，得出对应的前向孔径外推数据，所述对应的前向孔径外推数据X1为：

$X1=[{\hat{x}}^f(m,0),{\hat{x}}^f(m,1)...,{\hat{x}}^f(m,P-1)]$

其中， ${\hat{x}}^f(m,n1-\mathrm{Na}/2)=-\underset{k^{\′}=1}{\overset{P}{\mathrm{\Σ}}}a\left(k^{\′}\right)x(m,n1-k^{\′}),$ m代表快时间，n1代表慢时间，m为自然数且m取1至M，n1为自然数且n1取P+Na/2-1至P，P＝Na/2，k'取1至P；

对对应的中心补偿后数据在后向进行孔径外推，得出对应的后向孔径外推数据，所述对应的后向孔径外推数据X2为：

$X2=[{\hat{x}}^b(m,3\mathrm{Na}/2),{\hat{x}}^b(m,3\mathrm{Na}/2+1),...,{\hat{x}}^b(m,2\mathrm{Na}-1)]$

其中， ${\hat{x}}^b(m,n2+\mathrm{Na}/2)=-\underset{k^{\′}=1}{\overset{P}{\mathrm{\Σ}}}{a}^H\left(k^{\′}\right)x(m,n2+k^{\′}),$ m代表快时间，n2代表慢时间，m为自然数且m取1至M，M为距离单元数目，n2为自然数且n2取P+Na/2至P+Na-1，P＝Na/2，k'取1至P；上标H表示取共轭转置；

(2.3)根据对应的中心补偿后数据X、对应的前向孔径外推数据X1和对应的后向孔径外推数据X2，得出对应的孔径外推后数据X'

$X^{\′}=[X1,\hat{X},X2],$

$\hat{X}[x(m,0+P),x(m,1+P),...,x(m,n+P),...,x(m,\mathrm{Na}+P-1)]$

令 ${\hat{x}}^f(m,n1-\mathrm{Na}/2)=x(m,n1-\mathrm{Na}/2),{\hat{x}}^b(m,n2+\mathrm{Na}/2)=x(m,n2+\mathrm{Na}/2),$ 则对应的孔径外推后数据X'为：

X'＝[x(m,0),x(m,1),...,x(m,2Na-1)]。

4.如权利要求3所述的无人机载战场监视雷达超分辨广域成像方法，其特征在于，所述步骤3的具体子步骤为：

(3.1)根据设定的有限冲击响应滤波器的阶数，对对应的孔径外推后数据X'进行重新排列，得出2Na-L+1组重新排列后数据，L为设定的FIR滤波器的阶数，L＝Na；在2Na-L组重新排列后数据中，第l组数据S_m,l为：

S_m,l＝[x(m,l),x(m,l+1),...，x(m,l+L-1)]^T

其中，l取0至2Na-L，上标T表示矩阵或向量的转置；

(3.2)根据每组重新排列后数据，得出对应的数据序列的协方差矩阵

${\hat{R}}_m=\frac{1}{2\mathrm{Na}-L+1}\underset{l=0}{\overset{N-L}{\mathrm{\Σ}}}{S}_{m,l}{S_{m,l}}^H$

其中，N＝2Na，上标H表示取共轭转置；

(3.3)估计对应的噪声和干扰的L维协方差矩阵

$\hat{Q}(m,w)={\hat{R}}_m-\hat{Y}(m,w){\hat{Y}}^H(m,w)$

$\hat{Y}(m,w)=\frac{1}{2\mathrm{Na}-L+1}\underset{l=0}{\overset{N-L}{\mathrm{\Σ}}}{S}_{m,l}\exp (-\mathrm{jwl})$

其中，N＝2Na，上标H表示取共轭转置，说明w为APES超分辨处理后每组重新排列后数据的角频率；

(3.4)计算出对应的匹配滤波器系数

$\hat{h}(m,w)=\frac{{\hat{Q}}^{-1}(m,w)\mathrm{\β}\left(w\right)}{\mathrm{\β}\left(w\right){\hat{Q}}^{-1}(m,w)\mathrm{\β}\left(w\right)}$

其中，上标-1表示矩阵的逆，β(w)＝[1exp(jw)…exp(j(L-1)w)]^T，上标T表示矩阵或向量的转置，β(w)表示对应的归一化导向矢量；

(3.5)根据以下公式得出不同频率处的数据幅度估计值：

$\hat{X}(m,w)=h^H(m,w)\hat{Y}(m,w),$

其中，w为APES超分辨处理后每组重新排列后数据的角频率，表示角频率w处的数据幅度估计值，则对应的方位超分辨处理数据为：子步骤(3.5)得出的不同频率处的数据幅度估计值。

5.如权利要求1所述的无人机载战场监视雷达超分辨广域成像方法，其特征在于，利用战场监视雷达的每个照射区域的地面监视图像组合成广域地面监视图像的过程为：在得出战场监视雷达的每个照射区域的子图像之后，在直角坐标系下，按顺序完成各个子图像的拼接，得出广域地面监视图像。