CN107894591A - 基于压缩感知的穿墙雷达衍射层析成像方法 - Google Patents
基于压缩感知的穿墙雷达衍射层析成像方法 Download PDFInfo
- Publication number
- CN107894591A CN107894591A CN201710916925.4A CN201710916925A CN107894591A CN 107894591 A CN107894591 A CN 107894591A CN 201710916925 A CN201710916925 A CN 201710916925A CN 107894591 A CN107894591 A CN 107894591A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- vector
- observation position
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/887—Radar or analogous systems specially adapted for specific applications for detection of concealed objects, e.g. contraband or weapons
- G01S13/888—Radar or analogous systems specially adapted for specific applications for detection of concealed objects, e.g. contraband or weapons through wall detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于压缩感知的穿墙雷达衍射层析成像方法,所提成像方法对墙后隐蔽目标的频域散射场数据在频率域采用压缩采样,然后在每个观测位置利用接收信号的稀疏性采用稀疏重建算法恢复工作频带内全部散射场数据,最后采用传统衍射层析成像方法对墙后隐蔽目标进行成像重建。本发明在系统频域数据采集量大大降低的情况下,仍可以保证目标成像重建结果的质量,大大提高了系统测量速度。
Description
技术领域
本发明涉及穿墙雷达成像技术领域,具体涉及一种基于压缩感知的穿墙雷达衍射层析成像方法。
背景技术
穿墙雷达利用超宽带信号的宽频带特性和电磁波对非金属障碍物的穿透能力,能够实时探测隐蔽于墙壁后方目标的数量、空间分布和活动情况等信息,在城市巷战、反恐行动和灾害救援等领域具有广泛的应用前景。穿墙雷达的测量方式有沿测线的一维扫描和在表面的二维扫描。一维扫描时,发射天线和接收天线分别以固定的间隔沿着测线移动,在每个观测位置,发射天线向探测区域发射电磁波,接收天线接收探测区域的散射回波。然后移动发射天线和接收天线到下一个观测位置,又可以获得一道散射回波。通过在测线上移动发射天线和接收天线,便可以获得多道散射回波。本专利适用于穿墙雷达一维沿线扫描方式下的成像方法。穿墙雷达成像的目的是从多道散射回波中重建探测区域的散射强度分布信息,即成像结果。一维扫描可以获得二维成像结果,其中一维为距离向维,另一维为方位向维。
穿墙雷达雷达系统是否可以有效应用,不仅取决于硬件系统的探测性能,同时也取决于系统的成像方法。穿墙雷达的成像方法有多种,衍射层析成像方法通过建立目标函数和散射场数据空域傅里叶变换的代数关系,利用傅里叶变换技术对探测区域进行成像重建。由于衍射层析成像方法不需要电磁波在墙体中的传输路径从而避免了折射点位置的繁琐计算,因此衍射层析成像方法具有计算效率高和实时性好的优点,具有较强的工程实用价值。
传统穿墙雷达衍射层析成像方法中,整个区域被分成三个区域,区域I和区域III为空气,其介电常数和磁导率分别为ε0和μ0,区域II为墙体,其介电常数和磁导率分别为ε2和μ0。目标位于区域III中。设方位向为x方向,距离向为z方向,测线方向平行于x方向且位于区域I中,测线距离墙前表面的距离为zR,墙体的厚度为d,目标位于区域III中,在观测位置xR和频点ω处接收的频域散射场数据为Es(xR,ω),成像重建公式如式(1)所示。
其中O(x,z)为目标对比度函数(成像结果),空气介质的波数空气介质的波阻抗频点ω处的散射场数据的空域傅里叶变换函数函数空气介质z方向波数墙介质波数墙介质z方向波数函数
具体的成像步骤如下:
(1):对Es(xR,ω)做关于xR的空域傅里叶变换得到
(2):对乘以因子
(3):采用快速傅里叶逆变换对式(1)的内层积分进行计算;
(4):基于所有的工作频点进行求和对式(1)的外层积分进行计算。
在实际工程应用中,传统的穿墙雷达衍射层析成像方法要实现高分辨率探测,需要使用较大的工作信号带宽和天线合成孔径,这样导致系统数据采集量较大,测量速度不快。
压缩感知是一种新兴的信号处理理论,它指出只要信号是可压缩的或在某个变换域是稀疏的,就可以用一个与变换基不相关的测量矩阵将高维信号投影到一个低维空间上,然后通过稀疏重构算法可以从这些少量的投影中以高概率重构出原始信号。在压缩感知理论框架下信号采样可大幅度突破奈奎斯特采样定理的限制,从而大大降低了信号采样率和数据采集量,可以突破传统穿墙雷达成像方法所遭遇的瓶颈。目前,压缩感知技术被广泛应用于穿墙雷达成像技术领域,但是基于压缩感知的穿墙雷达衍射层析成像方法则处于空白状态。因此本发明研究基于压缩感知的穿墙雷达衍射层析成像方法是极其有意义的。
发明内容
针对上述问题,本发明提供了一种能够大大地降低频域数据采集量,减少数据采集时间,提高系统的测量速度的基于压缩感知的穿墙雷达衍射层析成像方法。
本发明采取的技术方案为:基于压缩感知的穿墙雷达衍射层析成像方法,包括如下步骤
步骤1、穿墙雷达系统收发天线同时沿着测线方向按固定步长移动M次,共得到M个观测位置,在每个观测位置记录N1个随机频点的频域散射场数据,获得N1×M维的原始回波采样数据矩阵x=[x1,…,xm,…,xM],向量xm表示在第m(m=1,2,…,M)个观测位置置测量得到的N1×1维频域散射场数据向量;
步骤2、采用背景对消法去除步骤1得到的测量数据中的背景杂波信号Xbackground,得到目标反射信号Y=[y1,…,ym,…,yM],如式(2)所示;
Y=X-Xbackground (2)
步骤3、在每个观测位置,基于随机测量向量ym、随机测量矩阵Φm和字典矩阵A构建压缩感知稀疏重构信号模型,采用稀疏重建算法恢复每个观测位置的回波幅度向量bm;
步骤3.1:在每个观测位置,根据系统探测的最大距离R设置频率均匀增大步长△ω,△ω满足条件c为电磁波在空气中的传播速度;然后设置最大双程传输时延τmax=2π/△ω,将最大双程传输时延τmax均匀划分为J个时延网格,则可以得到J×1维双程传输时延向量τ=[τ1,τ2,…,τJ]T;所述的基于压缩感知的穿墙雷达衍射层析成像方法采用点目标散射模型,系统在第m(m=1,2,…,M)个观测位置和第n(n=1,2,…,N)个工作频点的测量数据rm(n)如式(3)所示
其中ωn=ω1+(n-1)△ω表示第n个工作频点,ω1为起始工作频率,τj表示第j个双程传输时延网格,bm(j)是第m个观测位置上第j个时延网格的复幅度值如式(4)所示
至此,式(3)可以表示为矩阵向量的形式,矩阵向量的形式如式(5)所示
rm=Abm (5)
其中rm=[rm(1),rm(2),…,rm(N)]T是第m个观测位置对应的N×1维频域散射场数据向量,A=[a1,a2,…,aJ]是N×J维字典矩阵,A的第j列为bm=[bm(1),bm(2),…,bm(J)]T是第m个观测位置对应的J×1维幅度向量,上标T表示转置算子;
步骤3.2:每个观测位置的随机测量向量ym可以表示为矩阵向量的形式,矩阵向量的形式如式(6)所示
ym=Φmrm=ΦmAbm+nm (6)
为了不失一般性,式(6)加入了加性高斯白噪声向量nm,nm表示测量噪声。Φm是随机测量矩阵,其构造可通过从N×N维单位矩阵中随机选取N1行来实现;在实际探测过程中,在每个观测位置目标回波个数通常较少,因此回波幅度向量bm具有稀疏性;
步骤3.3:由压缩感知理论得知,幅度向量bm可通过DantzigSelector方法求解式(7)所示的l1范数最小化问题重建
其中Dm=ΦmA,上标H表示共轭转置算子,ε表示正则化参数;
步骤4、在第m(m=1,2,…,M)个观测位置,基于字典矩阵A和重建的回波幅度向量恢复出第m个观测位置对应的N个均匀频点散射场数据直至重构M个观测位置的频域散射场数据;的具体形式如式(8)所示
步骤5、基于重构的均匀频点散射场数据采用传统的衍射层析成像重建方法,实现对墙后探测区域的成像重建。
作为一种优选的技术方案:所述的步骤3.3中ε可以通过交叉验证技术来确定;使用Boyd等人开发的凸优化函数包CVX实现l1范数优化问题的求解。
作为一种优选的技术方案:所述的交叉验证方法将随机测量向量ym分为重建向量ym,r和交叉验证向量ym,CV两部分,对应的矩阵Dm分为重建矩阵Dm,r和交叉验证矩阵Dm,CV两部分,具体实现的步骤为:
①初始化:设置
②重建:利用ym,r,Dm,r和式(7)重建
③交叉验证:如果重新设置否则停止迭代;
④迭代:t加1,重复步骤②和③。
本发明的有益效果是:(1)保证成像质量的前提下,大大地降低系统的频域数据采集量,减少了系统的数据采集时间,提高了系统测量速度;(2)采用交叉验证技术确定压缩感知稀疏重构过程的正则化参数,保证成像方法具有较好的噪声鲁棒性。
附图说明
图1为本发明方法的总体流程框图;
图2为合成孔径天线对探测区域的扫描示意图;
图3为传统衍射层析成像方法的空频域采样示意图;
图4为压缩感知衍射层析成像方法的空频域采样示意图;
图5为利用传统的衍射层析成像方法得到的成像结果;
图6为基于本发明的压缩感知衍射层析成像方法的成像结果;
图中:1收发一体天线。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
参考附图1,基于压缩感知的穿墙雷达衍射层析成像方法,包括如下步骤
步骤1、穿墙雷达系统收发天线同时沿着测线方向按固定步长移动M次,共得到M个观测位置,在每个观测位置记录N1个随机频点的频域散射场数据,获得N1×M维的原始回波采样数据矩阵X=[x1,…,xm,…,xM],向量xm表示在第m(m=1,2,…,M)个观测位置测量得到的N1×1维频域散射场数据向量;
步骤2、采用背景对消法去除步骤1得到的测量数据中的背景杂波信号Xbackground,背景杂波信号包括天线直耦波和墙反射信号,得到目标反射信号Y=[y1,…,ym,…,yM],如式(2)所示;
Y=X-Xbackground (2)
步骤3、在每个观测位置,基于随机测量向量ym、随机测量矩阵Φm和字典矩阵A构建压缩感知稀疏重构信号模型,采用CVX软件包的稀疏重建算法恢复每个观测位置的回波幅度向量bm;
步骤3.1:在每个观测位置,根据系统探测的最大距离R设置频率均匀增大步长Δω,Δω满足条件c为电磁波在空气中的传播速度;然后设置最大双程传输时延τmax=2π/Δω,将最大双程传输时延τmax均匀划分为J个时延网格,则可以得到J×1维双程传输时延向量τ=[τ1,τ2,…,τJ]T;所述的基于压缩感知的穿墙雷达衍射层析成像方法采用点目标散射模型,系统在第m(m=1,2,…,M)个观测位置和第n(n=1,2,…,N)个工作频点的测量数据rm(n)如式(3)所示
其中ωn=ω1+(n-1)Δω表示第n个工作频点,ω1为起始工作频率,τj表示第j个双程传输时延网格,bm(j)是第m个观测位置上第j个时延网格的复幅度值如式(4)所示
至此,式(3)可以表示为矩阵向量的形式,矩阵向量的形式如式(5)所示
rm=Abm (5)
其中rm=[rm(1),rm(2),…,rm(N)]T是第m个观测位置对应的N×1维频域散射场数据向量,A=[a1,a2,…,aJ]是N×J维字典矩阵,A的第j列为bm=[bm(1),bm(2),…,bm(J)]T是第m个观测位置对应的J×1维幅度向量,上标T表示转置算子;
步骤3.2:每个观测位置的随机测量向量ym可以表示为矩阵向量的形式,矩阵向量的形式如式(6)所示
ym=Φmrm=ΦmAbm+nm (6)
为了不失一般性,式(6)加入了加性高斯白噪声向量nm,nm表示测量噪声。Φm是随机测量矩阵,其构造可通过从N×N维单位矩阵中随机选取N1行来实现;在实际探测过程中,在每个观测位置目标回波个数通常较少,因此回波幅度向量bm具有稀疏性;
步骤3.3:由压缩感知理论得知,幅度向量bm可通过Dantzig Selector方法求解式(7)所示的l1范数最小化问题重建
其中Dm=ΦmA,上标H表示共轭转置算子,ε表示正则化参数;
步骤4、在第m(m=1,2,…,M)个观测位置,基于字典矩阵A和重建的回波幅度向量恢复出第m个观测位置对应的N个均匀频点散射场数据直至重构M个观测位置的频域散射场数据;的具体形式如式(8)所示
步骤5、基于重构的均匀频点散射场数据采用传统的衍射层析成像重建方法,实现对墙后探测区域的成像重建。
所述的步骤3.3中ε可以通过交叉验证技术来确定;使用Boyd等人开发的凸优化函数包CVX实现l1范数优化问题的求解。
所述的交叉验证方法将随机测量向量ym分为重建向量ym,r和交叉验证向量ym,CV两部分,对应的矩阵Dm分为重建矩阵Dm,r和交叉验证矩阵Dm,CV两部分,具体实现的步骤为:
①初始化:设置
②重建:利用ym,r,Dm,r和式(7)重建
③交叉验证:如果重新设置否则停止迭代;
④迭代:t加1,重复步骤②和③。
下面参考附图2-6对本发明采取的技术方案进行详细说明:首先运用穿墙雷达对探测区域进行一维扫描,如图2所示,空气-墙体-空气将整个区域分成3个;区域I和区域II为空气,区域III为墙体,墙体的相对介电常数为εr=4,电导率为σ=10mS/m,墙体厚度为0.2m;两个相同的介质方柱位于墙后,方柱的相对介电常数εt=1.5,电导率为σt=1mS/m,边长为0.4m;两个目标的中心位置分别为(0.7m,-0.7m)和(1.5m,-0.9m),激励源为中心频率为1000MHz的雷克波,收发同置天线位于墙体的前表面前方4cm处,由左至右沿x方向按固定步长移动,移动步长为0.4m,共有51个观测位置;通过时域有限差分法计算得到各观测位置的时域散射回波,然后通过傅里叶变换技术得到频域散射场数据,选择的成像频段为400-2400MHz,频率步长为20MHz;对目标回波加入信噪比为10dB的高斯白噪声。
对于压缩感知衍射层析成像方法,在每个观测位置随机抽取20个频点进行成像,附图3和附图4分别给出了传统衍射层析和压缩感知衍射层析成像方法的空频域采样示意图。
附图5给出了传统衍射层析成像方法的成像结果,采用51个观测位置和全部101个均匀频点散射场数据;附图6给出了压缩感知衍射层析成像方法的成像结果,采用51个观测位置,在每个观测位置只使用了20个(101个全采样数据的20%)随机频点散射场数据,通过使用压缩感知稀疏重构模型在每个观测位置处重建稀疏幅度向量然后在每个观测位置重建对应于400-2400MHz带宽内的原始101个均匀频点散射场数据;最后将传统的衍射层析成像方法应用于恢复的频域散射场数据实现对探测区域成像重建,附图5和附图6中目标的真实位置用白色矩形框表示。
从附图5和附图6可以看出,传统衍射层析和压缩感知衍射层析成像方法都能对墙后目标进行准确成像和定位,但压缩感知衍射成像方法在每个观测位置所用的频域散射场数据少,仅为传统衍射层析成像方法所用频域测量数据的20%,因此可大大提高系统的测量速度;因而本发明采取的技术方案极具有应用前景。
最后所应说明的是,以上实施例仅用以补充阐释本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的广大技术人员应当理解,对本发明的技术方案进行修改或者同等替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (3)
1.基于压缩感知的穿墙雷达衍射层析成像方法,其特征在于:包括如下步骤
步骤1、穿墙雷达系统收发天线同时沿着测线方向按固定步长移动M次,共得到M个观测位置,在每个观测位置记录N1个随机频点的频域散射场数据,获得N1×M维的原始回波采样数据矩阵X=[x1,…,xm,…,xM],向量xm表示在第m(m=1,2,…,M)个观测位置测量得到的N1×1维频域散射场数据向量;
步骤2、采用背景对消法去除步骤1得到的测量数据中的背景杂波信号Xbackground,得到目标反射信号Y=[y1,…,ym,…,yM],如式(2)所示;
Y=X-Xbackground (2)
步骤3、在每个观测位置,基于随机测量向量ym、随机测量矩阵Φm和字典矩阵A构建压缩感知稀疏重构信号模型,采用稀疏重建算法恢复每个观测位置的回波幅度向量bm;
步骤3.1:在每个观测位置,根据系统探测的最大距离R设置频率均匀增大步长Δω,Δω满足条件c为电磁波在空气中的传播速度;然后设置最大双程传输时延τmax=2π/Δω,将最大双程传输时延τmax均匀划分为J个时延网格,则可以得到J×1维双程传输时延向量τ=[τ1,τ2,…,τJ]T;所述的基于压缩感知的穿墙雷达衍射层析成像方法采用点目标散射模型,系统在第m(m=1,2,…,M)个观测位置和第n(n=1,2,…,N)个工作频点的测量数据rm(n)如式(3)所示
<mrow>
<msub>
<mi>r</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>J</mi>
</munderover>
<msub>
<mi>b</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msub>
<mi>i&omega;</mi>
<mi>n</mi>
</msub>
<msub>
<mi>&tau;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中ωn=ω1+(n-1)Δω表示第n个工作频点,ω1为起始工作频率,τj表示第j个双程传输时延网格,bm(j)是第m个观测位置上第j个时延网格的复幅度值如式(4)所示
至此,式(3)可以表示为矩阵向量的形式,矩阵向量的形式如式(5)所示
rm=Abm (5)
其中rm=[rm(1),rm(2),…,rm(N)]T是第m个观测位置对应的N×1维频域散射场数据向量,A=[a1,a2,…,aJ]是N×J维字典矩阵,A的第j列为bm=[bm(1),bm(2),…,bm(J)]T是第m个观测位置对应的J×1维幅度向量,上标T表示转置算子;
步骤3.2:每个观测位置的随机测量向量ym可以表示为矩阵向量的形式,矩阵向量的形式如式(6)所示
ym=Φmrm=ΦmAbm+nm (6)
为了不失一般性,式(6)加入了加性高斯白噪声向量nm,nm表示测量噪声。Φm是随机测量矩阵,其构造可通过从N×N维单位矩阵中随机选取N1行来实现;在实际探测过程中,在每个观测位置目标回波个数通常较少,因此回波幅度向量bm具有稀疏性;
步骤3.3:由压缩感知理论得知,幅度向量bm可通过Dantzig Selector方法求解式(7)所示的l1范数最小化问题重建
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>b</mi>
<mo>^</mo>
</mover>
<mi>m</mi>
</msub>
<mo>=</mo>
<mi>arg</mi>
<mi> </mi>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>b</mi>
<mi>m</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<msub>
<mi>l</mi>
<mn>1</mn>
</msub>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msubsup>
<mi>D</mi>
<mi>m</mi>
<mi>H</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>m</mi>
</msub>
<mo>-</mo>
<msub>
<mi>D</mi>
<mi>m</mi>
</msub>
<msub>
<mi>b</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msub>
<mo>|</mo>
<mi>&infin;</mi>
</msub>
<mo><</mo>
<mi>&epsiv;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
其中Dm=ΦmA,上标H表示共轭转置算子,ε表示正则化参数;
步骤4、在第m(m=1,2,…,M)个观测位置,基于字典矩阵A和重建的回波幅度向量恢复出第m个观测位置对应的N个均匀频点散射场数据直至重构M个观测位置的频域散射场数据;的具体形式如式(8)所示
<mrow>
<msub>
<mover>
<mi>r</mi>
<mo>^</mo>
</mover>
<mi>m</mi>
</msub>
<mo>=</mo>
<mi>A</mi>
<msub>
<mover>
<mi>b</mi>
<mo>^</mo>
</mover>
<mi>m</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤5、基于重构的均匀频点散射场数据采用传统的衍射层析成像重建方法,实现对墙后探测区域的成像重建。
2.根据权利要求1所述的基于压缩感知的穿墙雷达衍射层析成像方法,其特征在于:所述的步骤3.3中ε可以通过交叉验证技术来确定;使用Boyd等人开发的凸优化函数包CVX实现l1范数优化问题的求解。
3.根据权利要求2所述的基于压缩感知的穿墙雷达衍射层析成像方法,其特征在于:所述的交叉验证方法将随机测量向量ym分为重建向量ym,r和交叉验证向量ym,CV两部分,对应的矩阵Dm分为重建矩阵Dm,r和交叉验证矩阵Dm,CV两部分,具体实现的步骤为:
①初始化:设置t=1;
②重建:利用ym,r,Dm,r和式(7)重建
③交叉验证:如果重新设置否则停止迭代;
④迭代:t加1,重复步骤②和③。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710916925.4A CN107894591A (zh) | 2017-09-30 | 2017-09-30 | 基于压缩感知的穿墙雷达衍射层析成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710916925.4A CN107894591A (zh) | 2017-09-30 | 2017-09-30 | 基于压缩感知的穿墙雷达衍射层析成像方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107894591A true CN107894591A (zh) | 2018-04-10 |
Family
ID=61802476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710916925.4A Pending CN107894591A (zh) | 2017-09-30 | 2017-09-30 | 基于压缩感知的穿墙雷达衍射层析成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107894591A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109031288A (zh) * | 2018-07-09 | 2018-12-18 | 沈阳航空航天大学 | 一种极化穿墙雷达压缩感知成像方法 |
CN109283530A (zh) * | 2018-09-14 | 2019-01-29 | 浙江大学 | 一种利用压缩感知提高微波成像线性度的方法 |
CN109472239A (zh) * | 2018-10-28 | 2019-03-15 | 中国人民解放军空军工程大学 | 一种跳频电台个体识别方法 |
CN109799499A (zh) * | 2019-01-28 | 2019-05-24 | 沈阳航空航天大学 | 一种穿墙雷达墙体参数估计方法 |
CN110751001A (zh) * | 2019-10-12 | 2020-02-04 | 南京工程学院 | 一种声磁标签的快速检测系统和方法 |
CN111551928A (zh) * | 2020-06-02 | 2020-08-18 | 西安石油大学 | 一种基于墙体低秩稀疏约束的穿墙雷达成像方法 |
CN112198506A (zh) * | 2020-09-14 | 2021-01-08 | 桂林电子科技大学 | 一种超宽带穿墙雷达学习成像的方法、装置、系统和可读存储介质 |
CN113238221A (zh) * | 2021-05-11 | 2021-08-10 | 沈阳航空航天大学 | 基于二维最小相位相干因子的mimo穿墙雷达成像方法 |
CN113820664A (zh) * | 2021-09-18 | 2021-12-21 | 石家庄铁道大学 | 基于压缩感知的雷达信号处理方法 |
CN115079995A (zh) * | 2022-07-22 | 2022-09-20 | 中南大学 | 一种中子谱仪被测样品测点排序方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015105033A1 (en) * | 2014-01-13 | 2015-07-16 | Mitsubishi Electric Corporation | Method and system for reconstructing scene behind wall |
CN105911544A (zh) * | 2016-05-09 | 2016-08-31 | 西安理工大学 | 一种基于压缩感知技术的扩频穿墙雷达成像方法 |
CN105954745A (zh) * | 2016-04-29 | 2016-09-21 | 电子科技大学 | 一种适用于穿墙雷达多径幻象抑制的成像方法 |
CN106680809A (zh) * | 2016-12-27 | 2017-05-17 | 中国人民解放军国防科学技术大学 | 一种穿墙雷达自聚焦压缩感知成像方法 |
CN106772365A (zh) * | 2016-11-25 | 2017-05-31 | 南京理工大学 | 一种基于贝叶斯压缩感知的多径利用穿墙雷达成像方法 |
WO2017123299A1 (en) * | 2015-10-14 | 2017-07-20 | Anritsu Company | Frequency-scalable imaging radar |
-
2017
- 2017-09-30 CN CN201710916925.4A patent/CN107894591A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015105033A1 (en) * | 2014-01-13 | 2015-07-16 | Mitsubishi Electric Corporation | Method and system for reconstructing scene behind wall |
WO2017123299A1 (en) * | 2015-10-14 | 2017-07-20 | Anritsu Company | Frequency-scalable imaging radar |
CN105954745A (zh) * | 2016-04-29 | 2016-09-21 | 电子科技大学 | 一种适用于穿墙雷达多径幻象抑制的成像方法 |
CN105911544A (zh) * | 2016-05-09 | 2016-08-31 | 西安理工大学 | 一种基于压缩感知技术的扩频穿墙雷达成像方法 |
CN106772365A (zh) * | 2016-11-25 | 2017-05-31 | 南京理工大学 | 一种基于贝叶斯压缩感知的多径利用穿墙雷达成像方法 |
CN106680809A (zh) * | 2016-12-27 | 2017-05-17 | 中国人民解放军国防科学技术大学 | 一种穿墙雷达自聚焦压缩感知成像方法 |
Non-Patent Citations (4)
Title |
---|
LELE QU ET AL.: "Diffraction Tomographic Ground-Penetrating Radar Multibistatic Imaging Algorithm With Compressive Frequency Measurements", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
YANPENG SUN ET AL.: "MT-BCS-Based Two-Dimensional Diffraction Tomographic GPR Imaging Algorithm With Multiview–Multistatic Configuration", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
屈乐乐 等: "压缩感知理论在频率步进探地雷达偏移成像中的应用", 《电子与信息学报》 * |
屈乐乐 等: "穿墙雷达平面多层媒质二维衍射层析成像算法", 《微波学报》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109031288A (zh) * | 2018-07-09 | 2018-12-18 | 沈阳航空航天大学 | 一种极化穿墙雷达压缩感知成像方法 |
CN109283530A (zh) * | 2018-09-14 | 2019-01-29 | 浙江大学 | 一种利用压缩感知提高微波成像线性度的方法 |
CN109283530B (zh) * | 2018-09-14 | 2020-08-14 | 浙江大学 | 一种利用压缩感知提高微波成像线性度的方法 |
CN109472239A (zh) * | 2018-10-28 | 2019-03-15 | 中国人民解放军空军工程大学 | 一种跳频电台个体识别方法 |
CN109472239B (zh) * | 2018-10-28 | 2021-10-01 | 中国人民解放军空军工程大学 | 一种跳频电台个体识别方法 |
CN109799499A (zh) * | 2019-01-28 | 2019-05-24 | 沈阳航空航天大学 | 一种穿墙雷达墙体参数估计方法 |
CN109799499B (zh) * | 2019-01-28 | 2023-04-28 | 沈阳航空航天大学 | 一种穿墙雷达墙体参数估计方法 |
CN110751001A (zh) * | 2019-10-12 | 2020-02-04 | 南京工程学院 | 一种声磁标签的快速检测系统和方法 |
CN110751001B (zh) * | 2019-10-12 | 2023-10-03 | 南京工程学院 | 一种声磁标签的快速检测系统和方法 |
CN111551928A (zh) * | 2020-06-02 | 2020-08-18 | 西安石油大学 | 一种基于墙体低秩稀疏约束的穿墙雷达成像方法 |
CN111551928B (zh) * | 2020-06-02 | 2023-09-15 | 西安石油大学 | 一种基于墙体低秩稀疏约束的穿墙雷达成像方法 |
CN112198506B (zh) * | 2020-09-14 | 2022-11-04 | 桂林电子科技大学 | 一种超宽带穿墙雷达学习成像的方法、装置、系统和可读存储介质 |
CN112198506A (zh) * | 2020-09-14 | 2021-01-08 | 桂林电子科技大学 | 一种超宽带穿墙雷达学习成像的方法、装置、系统和可读存储介质 |
CN113238221A (zh) * | 2021-05-11 | 2021-08-10 | 沈阳航空航天大学 | 基于二维最小相位相干因子的mimo穿墙雷达成像方法 |
CN113238221B (zh) * | 2021-05-11 | 2023-09-22 | 沈阳航空航天大学 | 基于二维最小相位相干因子的mimo穿墙雷达成像方法 |
CN113820664A (zh) * | 2021-09-18 | 2021-12-21 | 石家庄铁道大学 | 基于压缩感知的雷达信号处理方法 |
CN113820664B (zh) * | 2021-09-18 | 2023-06-23 | 石家庄铁道大学 | 基于压缩感知的雷达信号处理方法 |
CN115079995A (zh) * | 2022-07-22 | 2022-09-20 | 中南大学 | 一种中子谱仪被测样品测点排序方法和系统 |
CN115079995B (zh) * | 2022-07-22 | 2022-11-11 | 中南大学 | 一种中子谱仪被测样品测点排序方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107894591A (zh) | 基于压缩感知的穿墙雷达衍射层析成像方法 | |
CN103713288B (zh) | 基于迭代最小化稀疏贝叶斯重构线阵sar成像方法 | |
CN103698763B (zh) | 基于硬阈值正交匹配追踪的线阵sar稀疏成像方法 | |
CN106405548A (zh) | 基于多任务贝叶斯压缩感知的逆合成孔径雷达成像方法 | |
CN108008385B (zh) | 基于稀疏贝叶斯学习的干扰环境isar高分辨成像方法 | |
CN104111458B (zh) | 基于双重稀疏约束的压缩感知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 | |
CN102313888A (zh) | 一种基于压缩传感的线阵sar三维成像方法 | |
CN107037429A (zh) | 基于门限梯度追踪算法的线阵sar三维成像方法 | |
CN104483671B (zh) | 基于稀疏表示理论的合成孔径雷达成像方法 | |
CN105954745A (zh) | 一种适用于穿墙雷达多径幻象抑制的成像方法 | |
CN105929388A (zh) | 一种基于Wi-Fi网络的新型室内定位方法 | |
CN107607945A (zh) | 一种基于空间嵌入映射的扫描雷达前视成像方法 | |
CN107942326B (zh) | 一种具有高通用性的二维主动毫米波成像方法 | |
CN112147608A (zh) | 一种快速高斯网格化非均匀fft穿墙成像雷达bp方法 | |
Barzegar et al. | 3-D through-the-wall radar imaging using compressed sensing | |
CN112285709A (zh) | 基于深度学习的大气臭氧遥感激光雷达数据融合方法 | |
CN110133656B (zh) | 一种基于互质阵列的分解与融合的三维sar稀疏成像方法 | |
CN113534140B (zh) | 基于波场互相关的探地雷达三维成像方法 | |
Sakamoto et al. | Three-dimensional imaging of objects in accumulated snow using multifrequency holography | |
Xu et al. | Backward projection imaging of through-wall radar based on airspace nonuniform sampling | |
CN110376586B (zh) | 一种基于层析原理的分布式mimo雷达动目标探测方法 | |
Ghaderi Aram et al. | Buried target imaging: A comparative study | |
Zhang et al. | An encoding-based back projection algorithm for underground holes detection via ground penetrating radar | |
Wang et al. | On ground penetrating radar imaging method based on compressed sensing in multi-target environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180410 |