CN108333587A

CN108333587A - 基于分裂Bregman的前视扫描雷达超分辨成像方法

Info

Publication number: CN108333587A
Application number: CN201810144071.7A
Authority: CN
Inventors: 张寅�; 张启平; 张永伟; 聂宪波; 张永超; 毛德庆; 黄钰林; 杨建宇; 郭德明; 庄龙
Original assignee: University of Electronic Science and Technology of China
Current assignee: University of Electronic Science and Technology of China
Priority date: 2018-02-12
Filing date: 2018-02-12
Publication date: 2018-07-27

Abstract

本发明公开一种基于分裂Bregman的前视扫描雷达超分辨成像方法，应用于雷达成像技术领域，本发明通过在贝叶斯框架下引入稀疏目标约束，将前视扫描雷达角超分辨问题转化为L₁正则化问题；再根据Bregman迭代方法，推导出该L₁正则化问题的Bregman迭代策略；接着根据分裂Bregman思想进行变量分离，求解出目标变量；最后对其余变量进行更新并进行算法终止性判断，通过交叉迭代，提高方位向分辨率。

Description

基于分裂Bregman的前视扫描雷达超分辨成像方法

技术领域

本发明属于雷达成像技术领域，特别涉及一种机载前视扫描雷达方位向角超分辨技术。

背景技术

雷达具有全天时、全天候工作能力，实现机载雷达前视区域目标高分辨成像对提高飞行员对前方区域观察能力、引导武器精确打击目标、实施空中警戒等具有重要意义，这就要求机载雷达同时具有距离向和方位向高分辨能力。现有前视扫描雷达通过发射大时宽带宽积的线性调频信号并对回波进行匹配滤波实现距离向高分辨，但由于天线孔径的限制，其方位向分辨率较低，无法满足目标方位向高分辨要求。

针对前视扫描雷达成像方位向分辨率低的问题，文献“S.M.Sherman andD.K.Barton,Monopulse principles and techniques.Artech House,2011.”提出利用单脉冲技术的方法，能够对单目标实现方位向高分辨率，但是该方法不能区分在同一波瓣内的多目标；文献“A new Sector Imaging Radar for Enhanced Vision–SIREV”(SPIEConference on Enhanced and Synthetic Vision,1999,pp.39-47,Florida)，采用阵列天线形成孔径，实现前视成像，但由于天线孔径大小受品台尺寸限制，致使方位分辨率提高受限；文献“Dropkin H,Ly C.Superresolution for scanning antenna[C]//RadarConference,1997.,IEEE National.IEEE,1997:306-308.”提出了一种SMUSIC算法，这种方法利用多次扫描得到的回波的对其二阶统计特性进行估计，并采用子空间方法对目标进行超分辨，但是这种方法依赖于目标个数的先验信息，并且需要对目标区域进行多次扫描，实时性较差。

发明内容

为解决上述技术问题，本发明提出一种基于分裂Bregman的前视扫描雷达超分辨成像方法，将前视扫描雷达角超分辨问题转化为L₁正则化问题；再根据分裂Bregman算法进行变量分离，通过交叉迭代，提高方位向分辨率。

本发明采用的技术方案为：基于分裂Bregman的前视扫描雷达超分辨成像方法，包括：

S1、获取雷达回波，并对雷达回波进行预处理；

S2、在贝叶斯框架下引入稀疏目标约束，将前视扫描雷达角超分辨问题转化为L₁正则化问题；

S3、根据Bregman迭代方法，推导出该L₁正则化问题的Bregman迭代策略；

S4、根据分裂Bregman思想进行变量分离，求解出目标变量；

S5、对其余变量进行更新并进行算法终止性判断。

进一步地，步骤S1所述预处理包括：

S11、对雷达回波进行距离向脉冲压缩；

S12、对经步骤S11处理后的雷达回波进行距离走动校正；

S13、将距离走动校正后的回波建模为天线方向图与目标散射系数的卷积形式。

进一步地，所述步骤S2具体为：根据最大后验概率估计准则，对目标散射系数进行估计，从而得到无约束L₁正则化问题。

更进一步地，根据最大后验概率估计准则，对目标散射系数进行估计之后还包括：假设噪声服从零均值高斯分布，假设目标服从零均值拉普拉斯分布。

进一步地，所述无约束L₁正则化问题表达式为：

其中，f表示目标散射系数，表示目标散射系数的估计值，g表示雷达回波，H表示卷积矩阵，||·||₂表示L₂范数，||·||₁表示L₁范数，μ表示正则化参数。

更进一步地，所述步骤S3具体包括以下分步骤：

S31、通过引入变量d替换f，将无约束L₁正则化问题转化为有约束问题：

s.t d＝f

S32、将步骤S31得到的有约束问题转化为无约束问题：

其中，λ表示罚参数；

S33、引入变量b，根据Bregman迭代，得到步骤S32的无约束问题的Bregman迭代策略：

其中，b^k＝b^k-1+f^k-d^k，k表示迭代次数。

进一步地，步骤S4所述目标变量为目标散射系数f，采用分裂Bregman思想进行变量分离，得到的求解f的迭代公式为：

f^k+1＝(μH^TH+λI)^-1(μH^Tg+λ(d^k-b^k))

进一步地，步骤S5所述的其余变量具体包括：变量d与变量b。

更进一步地，所述算法终止判断具体为：当则停止迭代；

其中，ε表示预先设定的可容忍误差门限值。

本发明的有益效果：本发明的一种基于分裂Bregman的前视扫描雷达超分辨成像方法，首先获取雷达回波，通过距离向脉冲压缩提高距离向分辨率，再对回波做距离走动校正，将距离走动校正后的回波建模为天线方向图与目标散射系数的卷积形式；然后在贝叶斯框架下引入稀疏目标约束，将前视扫描雷达角超分辨问题转化为L₁正则化问题；再根据Bregman迭代方法，推导出该L₁正则化问题的Bregman迭代策略；接着根据分裂Bregman思想进行变量分离，求解出目标变量；最后对其余变量进行更新并进行算法终止性判断，通过交叉迭代，提高方位向分辨率。

附图说明

图1为本发明实施例提供的方案框图；

图2为本发明实施例提供的具体方案流程图；

图3为本发明实施例提供的机载前视扫描雷达运动几何关系图；

图4为本发明实施例提供的天线方向图；

图5为本发明实施例提供的面目标仿真场景；

图6为本发明实施例提供的脉冲压缩后回波；

图7为本发明实施例提供的超分辨结果。

具体实施方式

为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。

如图1所示为本发明的方案框图，本发明的技术方案为：基于分裂Bregman的前视扫描雷达超分辨成像方法，包括：

S1、获取雷达回波，通过距离向脉冲压缩提高距离向分辨率，再对回波做距离走动校正，将距离走动校正后的回波建模为天线方向图与目标散射系数的卷积形式；

S4、根据分裂Bregman思想进行变量分离，求解出目标变量；

S5、对其余变量进行更新并进行算法终止性判断。

步骤S1-S5的具体实现过程如图2所示，以下分别对各个步骤进行展开说明。

步骤S1具体过程为：

如图3所示为机载前视扫描雷达运动与扫描关系图，本仿真采用静止平台，即平台速度v＝0m/s；具体的雷达系统参数如表1所示。图4是本实施方案中所采用的天线方向图，其主瓣宽度为θ＝4°，天线的扫描范围为扫描速度为ω＝30°/s，发射信号载频为f_c＝10GHz，带宽为B＝60MHz，时宽为T＝2μs，脉冲重复频率为PRF＝1000Hz，距离向采样率为f_s＝120MHz。图5是本实施方案中采用的面目标仿真场景。

表1雷达系统参数表

参数	数值
		载频	10GHz
平台速度	0m/s
		信号带宽	60MHz
信号时宽	2μs
		扫描范围	±15°
扫描速度	30°/s
		天线波束宽度	4°
脉冲重复频率	1000Hz
		采样率	120MHz

根据上述系统参数，可以计算出雷达方位向采样点数为

根据图3所示的机载前视雷达运动关系图，消除平台高度影响，可得到目标的距离历史为

其中，θ表示扫描角且cosθ＝cosαcosβ。式(2)可简写为

R(t)≈R₀-vt (3)

本实施方案中，雷达发射天线发射信号为线性调频信号

其中，T表示脉冲宽度，K_r表示调频斜率，rect(·)表示矩形窗信号，定义为

经过距离向脉冲压缩和距离走动校正，机载前视雷达回波表示为

可以看出式雷达回波为天线方向图和目标散射系数的卷积，即

其中，g＝[g(1,1),g(1,2),...,g(1,N),...,g(M,N)]^T表示回波，f＝[f(1,1),f(1,2),...,f(1,N),...,f(M,N)]^T表示目标真实分布，n表示噪声，H表示大小为MN×MN的卷积矩阵。

图6是本实施方案中经过脉冲压缩和距离走动校正后的雷达回波，并且其中加入了25dB高斯白噪声。

步骤S2具体过程为：

根据贝叶斯理论，基于最大后验估计，将前视扫描雷达方位向角超分辨问题转化为L₁正则化问题

步骤S3具体过程为：

S31、引入变量d替换f，将式(8)转化为有约束问题

S32、将式(9)转化为无约束问题

其中，λ表示罚参数。

S33、引入变量b，并根据Bregman迭代算法，得到(8)所示的正则化问题的Bregman迭代策略

其中，b^k＝b^k-1+f^k-d^k。

步骤S4具体过程为：

S41、初始化变量，令f⁰＝0，d⁰＝0，b⁰＝0，且取μ＝0.1，λ＝1。

S42、求解f问题

f^k+1＝(μH^TH+λI)^-1(μH^Tg+λ(d^k-b^k)) (12)

其中，I表示单位矩阵。

步骤S5具体为：

S51、求解d问题

d^k+1＝shrink(f^k+1+b^k,1/λ) (13)

其中，shrink(·)表示压缩算子，定义为

shrink(x_i,γ)＝sign(x_i)max(|x_i|-γ,0) (14)

S52、求解b问题

b^k+1＝b^k+f^k+1-d^k+1 (15)

S53、一般取ε≤0.1即可，本实施方案中取ε＝0.1，重复迭代公式(12)、(13)、(15)，直至不大于0.1时输出超分辨结果。图7是发明实施例得到的超分辨结果，可以看出，在25dB噪声下，经过本发明算法处理后，回波的方位向分辨率得到了明显的提高，目标的边缘轮廓更为清晰，中间区域的点目标能够被很好地区分开来，说明本发明方法能够提高雷达前视成像方位向分辨率，并且能有效地抑制噪声污染。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims

1.基于分裂Bregman的前视扫描雷达超分辨成像方法，其特征在于，包括：

S1、获取雷达回波，并对雷达回波进行预处理；

S4、根据分裂Bregman思想进行变量分离，求解出目标变量；

S5、对其余变量进行更新并进行算法终止性判断。

2.根据权利要求1所述的基于分裂Bregman的前视扫描雷达超分辨成像方法，其特征在于，步骤S1所述预处理包括：

S11、对雷达回波进行距离向脉冲压缩；

S12、对经步骤S11处理后的雷达回波进行距离走动校正；

3.根据权利要求2所述的基于分裂Bregman的前视扫描雷达超分辨成像方法，其特征在于，所述步骤S2具体为：根据最大后验概率估计准则，对目标散射系数进行估计，从而得到无约束L₁正则化问题。

4.根据权利要求3所述的基于分裂Bregman的前视扫描雷达超分辨成像方法，其特征在于，根据最大后验概率估计准则，对目标散射系数进行估计之后还包括：假设噪声服从零均值高斯分布，假设目标服从零均值拉普拉斯分布。

5.根据权利要求4所述的基于分裂Bregman的前视扫描雷达超分辨成像方法，其特征在于，所述无约束L₁正则化问题表达式为：

6.根据权利要求5所述的基于分裂Bregman的前视扫描雷达超分辨成像方法，其特征在于，所述步骤S3具体包括以下分步骤：

s.t d＝f

S32、将步骤S31得到的有约束问题转化为无约束问题：

其中，λ表示罚参数；

其中，k表示迭代次数。

7.根据权利要求6所述的基于分裂Bregman的前视扫描雷达超分辨成像方法，其特征在于，步骤S4所述目标变量为目标散射系数f，采用分裂Bregman思想进行变量分离，得到的求解f的迭代公式为：

f^k+1＝(μH^TH+λI)^-1(μH^Tg+λ(d^k-b^k)) 。

8.根据权利要求7所述的基于分裂Bregman的前视扫描雷达超分辨成像方法，其特征在于，步骤S5所述的其余变量具体包括：变量d与变量b。

9.根据权利要求8所述的基于分裂Bregman的前视扫描雷达超分辨成像方法，其特征在于，所述算法终止判断具体为：当则停止迭代；

其中，ε表示可容忍误差门限值。