CN105974412A - 一种用于合成孔径雷达的目标特征提取方法 - Google Patents

Abstract

本发明属于雷达技术领域，涉及一种用于合成孔径雷达的目标特征提取方法。本发明联合图像域的峰值区域分割与信号域的稀疏贝叶斯学习进行特征提取，首先通过PRS算法分割强散射区域，以避免强散射点对SBL算法的影响，然后利用SBL算法自主学习提取弱散射特征点，弥补了基于图像域的PRS算法对弱目标分割的不足。该方法充分利用了PRS算法和SBL算法各自的优势，对弱目标特征提取表现出了很好的效果，具有可调参数少，鲁棒性强等优点；并且在PRS算法分割强散射区域后，测量矩阵的维数也相应地下降，减小了运算量，提高了运算效率，从而可以广泛应用于SAR目标特征提取领域，为后续自动目标识别(ATR)提供基础。

Description

一种用于合成孔径雷达的目标特征提取方法

技术领域

本发明属于雷达技术领域，涉及一种用于合成孔径雷达(SAR)的目标特征提取方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)目标特征提取是SAR信号处理的一个非常重要的研究领域，其准确性直接影响目标识别的准确性，因此精确提取目标特征具有重要意义。特征提取的本质是将采样数据从高维空间映射到低维特征空间，现有的SAR特征提取方法可以分为两大类：第一类基于图像域，通过奈奎斯特采样定理和匹配滤波理论进行特征提取，如分水岭算法等。这类算法仅使用了幅度信息而没有用相位信息，因此很容易受到杂波和噪声的影响，从而使特征提取准确率下降。第二类方法基于信号域，通过某种映射直接从信号中获得特征，如基于压缩感知(Compressive Sensing,CS)理论的稀疏重构算法等。目前研究较多的CS算法主要分为三大类：凸松弛类算法、贪婪类算法与贝叶斯类算法。对于凸松弛类算法，其主要思想是将范数非凸问题等价为范数凸问题来求解，如基追踪算法(Basis Pursuit,BP)、内点法等，这类算法计算复杂，用于大数据时计算效率低，不能满足实时性需求；对于贪婪类算法，其主要思想是通过每次迭代得到一个局部最优解来逐步逼近原始信号，如匹配追踪算法(Matching Pursuit,MP)、正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)，这类算法计算速度快，实现容易，但往往需要知道目标场景的稀疏度，特征提取结果很大依赖于稀疏度的设置，且其不考虑场景的空间结构信息，易受噪声影响；而贝叶斯类算法，如稀疏贝叶斯学习算法(Sparse BayesianLearning,SBL)，其主要思想是基于高斯先验假设，可以自主的学习并确定算法中的所有超参数，获得更稀疏的解，该算法引入了目标的空间结构信息，有一定的抗噪能力，且与凸优化算法相比具有更小的计算复杂度。然而，实际情况下，CS算法很容易受到强点的干扰，使得对弱散射特征的提取性能不太理想，同时，当目标场景过大时，构造的测量矩阵的维数过于庞大，使得实际处理时计算量较大，效率较低，不便于有效应用。。

发明内容

本发明所要解决的，就是针对上述问题，提出一种用于合成孔径雷达的目标特征提取方法。

本发明的技术方案是：一种用于合成孔径雷达的目标特征提取方法，其特征在于，包括以下步骤：

a.构建聚束SAR的成像模型如下公式1所示：

g＝Θμ+n(公式1)

公式1中，g为回波向量，μ是场景散射系数向量，Θ为观测矩阵，n表示噪声向量；

b.由极坐标成像算法得到目标场景的成像图像；

c.根据获得的成像图像，基于图像域的PRS(Peak Region Segmentation,联合图像域的峰值区域分割)算法对强散射点进行特征提取，具体方法为：

c1.对获得的成像图像进行分割，具体为：

c11.设置强散射点门限τ₁，利用分水岭算法对强散射区域进行初始分割，得到R₁个初始分割区域；

c12.设置合并门限τ₂，对步骤c11得到的初始分割区域进行合并，当任意两个相邻区域边界上像素点的幅值低于合并门限时，认为这两个相邻区域是由噪声和纹理杂波引起的过分割导致的，因此合并这两个相邻区域，最后得到R₂个合并后的分割区域，R₂≤R₁；

c2.获取分割区域所对应的强散射点位置和幅度估计，并将位置索引放入集合Ω中；

d.获取成像图像残余散射区域回波，具体为：

d1.设原始回波信号的矩阵形式如下公式2：

g＝Θ(A₁+A₂)μ+n＝g₁+g₂+n(公式2)

公式2中，A₂为区域选择矩阵，其形式为将单位矩阵I中与集合Ω中的原子所对应的列置为零，A₁+A₂＝I，由此得到维数较小的测量矩阵，g₁＝ΘA₁μ为强散射区域回波，g₂＝ΘA₂μ为残余散射区域回波；

d2.将残余散射区域回波方程等价描述为如下公式3：

g₂＝Θ₀w(公式3)

公式3中，Θ₀表示残余散射区域的测量矩阵，w为相应的散射函数；

e.利用基于信号域的SBL(Sparse Bayesian Learning,稀疏贝叶斯学习)算法对残余信号的弱散射点进行特征提取，具体为：

e1.基于高斯先验假设可得，所述残余散射区域的散射函数w的分布如下公式4：

公式4中，M为目标场景中残余散射区域等效散射中心个数，v_i为一个非负的参数，控制着w的稀疏度，当v_i＝0时，表示w_i为零；

e2.假设噪声也满足高斯分布，结合公式4可得，w的后验分布可以表示成均值为方差为的高斯分布，其中，β是噪声的方差；当超参数v和β被估计出来后，w的点估计由其后验分布均值确定；超参数v和β由第二类最大似然估计获得，即等效于计算公式5所示函数的极值：

公式5中，I为单位矩阵；

f.采用期望最大化算法，得到参数v的学习规则如下公式6和β的学习规则如下公式7：

其中，N是残余散射区域回波向量g₂的维数；

g.根本步骤c中获得的强散射点和步骤e-f中获得的弱散射点，得到SAR目标特征提取结果。

进一步的，所述步骤a的具体方法为：

a1.根据电磁理论，当目标散射体的电尺寸远大于波长时，目标的高频电磁散射特性可以由局部散射特性的合成来表示，这些局部散射通常被称为等效多散射中心，由此得到高频区的回波表达式如下公式8所示：

公式8中，K为目标场景中等效散射中心个数，μ(x_i,y_i)表示场景中点(x_i,y_i)的散射函数，f为雷达发射频率，θ为雷达脉冲与场景y轴形成的夹角，c为光速，j为虚数单位；

a2.将单个散射中心的回波进行频率和方位的离散化采样，频率采样点数为N₁，方位角采样点数为N₂，将其表示为向量形式为：

其中，为单个散射中心回波的向量形式，表示观测矩阵中的原子，μ_i＝μ(x_i,y_i)为目标场景中第i个散射中心的值；

a3.利用步骤a2中单个散射中心的回波和场景散射函数的投影关系，构建目标场景中有K个散射中心时的聚束SAR成像模型：

g＝Θμ+n，

其中，g为回波向量，μ是场景散射系数向量，Θ为观测矩阵，n表示噪声向量。

本发明的有益效果为，本发明联合图像域的峰值区域分割与信号域的稀疏贝叶斯学习进行特征提取，首先通过PRS算法分割强散射区域，以避免强散射点对SBL算法的影响，然后利用SBL算法自主学习提取弱散射特征点，弥补了基于图像域的PRS算法对弱目标分割的不足。该方法充分利用了PRS算法和SBL算法各自的优势，对弱目标特征提取表现出了很好的效果，具有可调参数少，鲁棒性强等优点；并且在PRS算法分割强散射区域后，测量矩阵的维数也相应地下降，减小了运算量，提高了运算效率，从而可以广泛应用于SAR目标特征提取领域，为后续自动目标识别(ATR)提供基础。

附图说明

图1是SAR几何结构；

图2是本发明的流程图；

图3是仿真试验中用不同方法得到的特征提取效果图。

具体实施方式

下面结合附图，详细描述本发明的技术方案：

本发明使用的SAR几何结构如图1所示，其中雷达沿着移动路径移动的过程中不断向目标场景发射与接收脉冲，θ为雷达脉冲与场景y轴形成的夹角。

参照图2，本发明的具体实施步骤如下：

步骤1，构建聚束SAR成像模型：

1.1)根据电磁理论，当目标散射体的电尺寸远大于波长时，目标的高频电磁散射特性可以由局部散射特性的合成来表示，这些局部散射通常被称为等效多散射中心，由此得到高频区的回波表达式：

$g(f,\mathrm{\θ})=\underset{i=1}{\overset{K}{\Σ}}\mathrm{\μ}(x_i,y_i)\exp (-j\frac{4\mathrm{\π}f}{c}(x_i\sin \mathrm{\θ}+y_i\cos \mathrm{\θ}\left)\right),$

其中K为目标场景中等效散射中心个数，μ(x_i,y_i)表示场景中点(x_i,y_i)的散射函数，f为雷达发射频率，θ为雷达脉冲与场景y轴形成的夹角，c为光速，j为虚数单位；

1.2)将单个散射中心的回波进行频率和方位的离散化采样，频率采样点数为N₁，方位角采样点数为N₂，将其表示为向量形式：

其中，为单个散射中心回波的向量形式，表示观测矩阵中的原子，μ_i＝μ(x_i,y_i)为目标场景中第i个散射中心的值；

1.3)利用1.2)表达式中单个散射中心的回波和场景散射函数的投影关系，构建目标场景中有K个散射中心时的聚束SAR成像模型：

g＝Θμ+n，

其中，g为回波向量，μ是场景散射系数向量，Θ为观测矩阵，n表示噪声向量。

步骤2，由极坐标成像算法得到目标场景的成像结果；

步骤3，根据所述步骤2得到的图像，利用基于图像域的PRS算法对强散射点进行特征提取：

3.1)设置强点门限τ₁，利用分水岭算法对强散射区域进行初始分割，得到R₁个初始分割区域；

3.2)设置合并门限τ₂，对3.1)得到的初始分割区域进行合并，当任意两个相邻区域边界上像素点的幅值低于合并门限时，认为这两个相邻区域是由噪声和纹理杂波引起的过分割导致的，因此合并这两个相邻区域，最后得到R₂个合并后的分割区域，R₂≤R₁；

步骤4，分别利用加权位置估计和最小二乘获取所述步骤3中得到的分割区域所对应的强散射点位置和幅度估计，并将位置索引放入集合Ω中；

步骤5，获取残余散射区域回波：

5.1)原始回波信号的矩阵形式为：

g＝Θ(A₁+A₂)μ+n＝g₁+g₂+n，其中，A₂为区域选择矩阵，其形式为将单位矩阵I中与集合Ω中的原子所对应的列置为零，A₁+A₂＝I，由此得到维数较小的测量矩阵，g₁＝ΘA₁μ为强散射区域回波，g₂＝ΘA₂μ为残余散射区域回波；

5.2)将残余散射区域回波方程等价描述为：

g₂＝Θ₀w，其中，Θ₀表示残余散射区域的测量矩阵，w为相应的散射函数；

步骤6，利用基于信号域的SBL算法对残余信号的弱散射点进行特征提取，等价于求解如下问题：

其中，ε为残差；

6.1)基于高斯先验假设可得，所述残余散射区域的散射函数w的分布为：

其中，M为目标场景中残余散射区域等效散射中心个数，v_i为一个非负的参数，控制着w的稀疏度，当v_i＝0时，表示w_i为零；

6.2)假设噪声也满足高斯分布，结合6.1)可得，w的后验分布可以表示成均值为方差为的高斯分布，其中，β是噪声的方差；

6.3)当超参数v和β被估计出来后，w的点估计由其后验分布均值确定；

6.4)超参数v和β由第二类最大似然估计获得，即等效于计算以下代价函数的极值：

其中，I为单位矩阵；

6.5)采用期望最大化算法，得到参数v和β的学习规则：

$v_i=q_i^H{q}_i+G_i,(i=1,\mathrm{...}M)$

$\mathrm{\β}=\frac{|g_2-{\mathrm{\Θ}}_{0}q{|}^2}{N-\underset{i=1}{\overset{M}{\Σ}}(1-G_i/v_i)}$

其中，N是残余散射区域回波向量g₂的维数；

步骤7，结合所提取的强散射点和弱散射点，得到SAR目标特征提取结果。

本发明的效果可以通过下述仿真实验加以说明：

1.仿真条件

运行环境为CPU：Inter Core i5-2430M，内存10.0GB，32位Windows操作系统，软件采用MATLAB R2012b，系统参数设置如表1所示：

表1系统参数

2.仿真内容与结果

在上述条件下，采用本发明对电磁仿真数据进行特征提取，结果如图3所示。底图为利用PFA算法得到的成像结果。由图3(a)和图3(b)可以看出，SBL和PRS算法对旁瓣和杂波很敏感，而PRS-SBL算法克服了SBL算法和PRS算法各自的缺点，对杂波环境中的弱散射特征点提取表现出了很好的效果，如图3(c)所示。表格2列出了不同信噪比下各算法特征提取结果的性能指标，其中，正确的位置估计定义为位置估计偏差在两个分辨单元之内，目标标准散射中心位置由几何光学方法获得；残差的计算公式为： 表示重构的回波向量。设置强点门限为15dB、合并门限为3dB以及稀疏贝叶斯学习次数为4。可以看出，与单独利用PRS和SBL算法相比，联合利用两种算法得到的位置估计准确率和残差都要更好。

表2不同信噪比下各算法特征提取结果的性能指标

Claims (2)

1.一种用于合成孔径雷达的目标特征提取方法，其特征在于，包括以下步骤：

a.构建聚束SAR的成像模型如下公式1所示：

g＝Θμ+n(公式1)

公式1中，g为回波向量，μ是场景散射系数向量，Θ为观测矩阵，n表示噪声向量；

b.由极坐标成像算法得到目标场景的成像图像；

c.根据获得的成像图像，对强散射点进行特征提取，具体方法为：

c1.对获得的成像图像进行分割，具体为：

c11.设置强散射点门限τ₁，利用分水岭算法对强散射区域进行初始分割，得到R₁个初始分割区域；

c12.设置合并门限τ₂，对步骤c11得到的初始分割区域进行合并，当任意两个相邻区域边界上像素点的幅值低于合并门限时，认为这两个相邻区域是由噪声和纹理杂波引起的过分割导致的，因此合并这两个相邻区域，最后得到R₂个合并后的分割区域，R₂≤R₁；

c2.获取分割区域所对应的强散射点位置和幅度估计，并将位置索引放入集合Ω中；

d.获取成像图像残余散射区域回波，具体为：

d1.设原始回波信号的矩阵形式如下公式2：

g＝Θ(A₁+A₂)μ+n＝g₁+g₂+n(公式2)

公式2中，A₂为区域选择矩阵，其形式为将单位矩阵I中与集合Ω中的原子所对应的列置为零，A₁+A₂＝I，由此得到维数较小的测量矩阵，g₁＝ΘA₁μ为强散射区域回波，g₂＝ΘA₂μ为残余散射区域回波；

d2.将残余散射区域回波方程等价描述为如下公式3：

g₂＝Θ₀w(公式3)

公式3中，Θ₀表示残余散射区域的测量矩阵，w为相应的散射函数；

e.对残余信号的弱散射点进行特征提取，具体为：

e1.基于高斯先验假设可得，所述残余散射区域的散射函数w的分布如下公式4：

公式4中，M为目标场景中残余散射区域等效散射中心个数，v_i为一个非负的参数，控制着w的稀疏度，当v_i＝0时，表示w_i为零；

e2.假设噪声也满足高斯分布，结合公式4可得，w的后验分布可以表示成均值为方差为的高斯分布，其中，β是噪声的方差；当超参数v和β被估计出来后，w的点估计由其后验分布均值确定；超参数v和β由第二类最大似然估计获得，即等效于计算公式5所示函数的极值：

公式5中，I为单位矩阵；

f.采用期望最大化算法，得到参数v的学习规则如下公式6和β的学习规则如下公式7：

其中，N是残余散射区域回波向量g₂的维数；

g.根本步骤c中获得的强散射点和步骤e-f中获得的弱散射点，得到SAR目标特征提取结果。

2.根据权利要求1所述的一种用于合成孔径雷达的目标特征提取方法，其特征在于，所述步骤a的具体方法为：

a1.根据电磁理论，当目标散射体的电尺寸远大于波长时，目标的高频电磁散射特性可以由局部散射特性的合成来表示，这些局部散射通常被称为等效多散射中心，由此得到高频区的回波表达式如下公式8所示：

公式8中，K为目标场景中等效散射中心个数，μ(x_i,y_i)表示场景中点(x_i,y_i)的散射函数，f为雷达发射频率，θ为雷达脉冲与场景y轴形成的夹角，c为光速，j为虚数单位；

a2.将单个散射中心的回波进行频率和方位的离散化采样，频率采样点数为N₁，方位角采样点数为N₂，将其表示为向量形式为：

其中，为单个散射中心回波的向量形式，表示观测矩阵中的原子，μ_i＝μ(x_i,y_i)为目标场景中第i个散射中心的值；

a3.利用步骤a2中单个散射中心的回波和场景散射函数的投影关系，构建目标场景中有K个散射中心时的聚束SAR成像模型：

g＝Θμ+n，

其中，g为回波向量，μ是场景散射系数向量，Θ为观测矩阵，n表示噪声向量。