CN109270510B - 一种复杂小结构目标散射中心模型精确提取方法 - Google Patents

Abstract

本发明公开了一种复杂小结构目标散射中心模型精确提取方法，根据复杂小结构目标表面的几何结构及表面电流情况对其进行分区，并分别计算各分区的散射场，再从中逐个优选确定散射中心在此基础上对各散射中心参数模型进行叠加，从而获得复杂小结构目标的散射中心模型。在目标分区方面，通过采用目标表面几何结构的计算结果进行初步分区，再利用各分区的表面电流获取各区的时频像，根据时频像确定出最清晰的分区，提高了分区的效率和准确性；在确定散射中心方面，增加了根据雷达视线的空间角范围内各分区散射场幅度的最大值确定散射中心的方法，提高了选取散射中心的效率及有效性。

Description

一种复杂小结构目标散射中心模型精确提取方法

技术领域

本方法属于雷达目标散射特性研究领域，公开了一种复杂小结构目标散射中心模型精确提取方法。

背景技术

雷达目标的散射中心一般位于目标表面几何不连续处，准确反映了目标的几何结构与散射特性。因此，复杂结构目标散射中心的提取是目标隐身设计和自动目标识别(ATR)领域研究的重要方向，随着民用和军用小型无人机的快速发展与应用，相关研究对复杂小结构类目标散射中心的提取精度提出了更高的要求。一般目标三维散射中心提取方法经过多年发展，现有的方法从原理上可分为两类：一为后向方法，基于仿真计算或实际测量得到目标的雷达成像结果，以此提取散射中心；二为前向方法，基于目标的几何结构，采用高频法如物理光学(PO)与弹跳射线法(SBR)等计算目标的散射场，以此提取散射中心。

然而对于复杂目标，后向方法的建模精度与得到的雷达图像分辨率和清晰度紧密相关，但是图像高分辨率需要的高采样率使得计算或测量工作量巨大，缺乏快捷性；而前向方法中采用的高频法对于复杂小结构目标上各结构间的多次耦合无法精确处理，因此散射场计算精度不足，难以获得精确的散射中心建模。

发明内容

有鉴于此，本发明提供了一种复杂小结构目标散射中心模型精确提取方法，能够实现复杂小结构目标散射中心模型的高效、精确建模，为ATR等应用研究提供了一种与目标几何结构紧密相关，且容易实现的精确散射中心建模方法。

本发明提出的一种复杂小结构目标散射中心模型精确提取方法，包括如下步骤：

步骤一：将复杂小结构目标剖分为多个面元，获取每个面元的几何信息；

步骤二：根据面元的几何信息计算所有相邻面元的单位法向向量内积，将计算结果与设定的向量内积阈值相比较，当内积大于向量内积阈值时，则两面元之间过渡光滑，判定两面元在同一分区内，否则为不同的分区；

步骤三：计算雷达视线的空间角范围内各个分区散射场幅度的最大值E_max，并与设定的散射场阈值进行比较，将E_max大于散射场阈值的分区确定为散射中心分区，将E_max小于或等于散射场阈值的分区确定为非散射中心分区；

步骤四：由步骤三中确定的散射中心分区得到目标的散射中心模型。

进一步地，所述步骤二和步骤三之间进一步包括：计算各面元的表面电流，根据各分区的表面电流计算分区的时频像，并判断时频像内是否存在耦合成分，如果不存在则分区是清晰的，否则分区不清晰；若分区不清晰则提高向量内积阈值，采用步骤二中的方法再次对不清晰的分区中的面元重新分区，直到每个分区都清晰为止。

进一步地，采用稀疏方位角采样率抽取雷达视线空间角，计算抽取出的雷达视线空间角对应的各面元的表面电流。

进一步地，采用稀疏方位角采样率抽取雷达视线空间角，计算抽取出的雷达视线空间角对应的各分区的时频像。

进一步地，所述步骤四中根据各散射中心分区的几何结构确定其散射中心的类型与位置，选定与类型对应的参数模型，使用参数估计方法得到该参数模型中幅度函数的各项参数，再将得到的所有参数模型进行分类叠加，得到目标的散射中心模型。

进一步地，所述散射中心的类型包括局部型散射中心LSC，分布型散射中心DSC和滑动型散射中心SSC，根据式(1)将得到的所有参数模型进行分类叠加；

其中n₁、n₂和n₃分别为局部型散射中心LSC，分布型散射中心DSC和滑动型散射中心SSC类型分区的数目；f为入射波频率；ξ为雷达视线的空间角；E_s(f,ξ)为叠加得到的目标整体散射中心模型，它是关于f和ξ的函数；E_i ^LSC(f,ξ)为第i个局部型散射中心参数模型；E_i ^DSC(f,ξ)为第i个分布型散射中心参数模型；E_i ^SSC(f,ξ)为第i个滑动型散射中心参数模型。

进一步地，在所述步骤三中，对于存在两个或以上散射场幅度峰值的散射中心分区，进一步根据雷达视线空间角的不同将该散射中心分区划分为两个或以上不同的散射中心分区，每个散射中心分区仅具有一个散射场幅度峰值。

有益效果：

(1)本发明通过计算相邻面元的向量内积进行分区，所产生的分区内成分相对简单，分区结构光滑，当采样间隔为清晰雷达成像所需采样间隔的3～5倍时，就能够保证建模的精度，因此大幅的降低了计算的工作量；通过计算分区的散射场幅度最大值筛选在雷达成像中作用更大的分区作为散射中心分区，相比于传统前向提取方法，减少了分区的数量，提高了分区的精确度，降低了计算的工作量。

(2)本发明通过基于分区的时频像判断分区的清晰度，对不清晰的分区继续细化分区，进一步优化了分区的有效性，提高了散射中心模型提取的精确度。

(3)本发明在计算面元表面电流及分区时频像时均采用了稀疏的方位角采样率，能够减少全波算法的计算量，提高散射中心模型提取的效率。

(4)本发明通过将得到的所有散射中心分区的参数模型值进行分类叠加得到目标的散射中心模型，将散射中心数目与建模精度联系起来，进一步保证了散射中心模型提取的精确度。

附图说明

图1是本发明提出的复杂小结构目标散射中心精确提取方法流程图；

图2是小型四旋翼无人机几何模型；

图3是四旋翼无人机最终分区结果；

图4(a)是无人机机翼臂分区结构提取结果的时频像；

图4(b)是无人机机身顶部曲面分区结构提取结果的时频像；

图5(a)是无人机机翼臂散射中心幅度估计结果与电流提取结果；

图5(b)是无人机机身顶部曲面散射中心幅度估计结果与电流提取结果；

图6是无人机顶部曲面结构SSC位置变化示意图；

图7(a)是计算频率45GHz时无人机全波算法高采样率计算结果时频像；

图7(b)是计算频率45GHz时无人机散射中心模型高采样率结果时频像；

图8(a)是拓展频率55GHz时无人机全波算法高采样率计算结果时频像；

图8(b)是拓展频率55GHz时无人机散射中心模型高采样率计算结果时频像。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提供了一种复杂小结构目标散射中心精确提取方法，基本思想是，根据复杂小结构目标表面的几何结构及表面电流情况对其进行分区，并分别计算各分区的散射场，再从中逐个优选确定散射中心，采用参数估计方法计算出各散射中心的参数模型，在此基础上对各散射中心参数模型进行叠加获得复杂小结构目标的散射中心模型。

在目标分区方面，与现有技术中根据观察目标表面的几何结构划定分区、或者弹跳射线法中射线束模拟电磁波的传播路径相比，本发明采用根据目标表面几何结构的计算结果进行初步分区，在此基础上再利用各分区的表面电流获取各区的时频像，然后通过人工观察时频像最终确定出最清晰的分区，该方法提高了分区的效率和准确性。

在确定散射中心方面，与现有技术相比本发明增加了根据雷达视线的空间角范围内各分区散射场幅度的最大值确定散射中心的方法，即如果分区的散射场幅度的最大值大于设定的阈值则该分区的几何中心被确定为一个散射中心，否则认为该分区对雷达图像所产生的作用可以忽略不计，即该分区将被舍去，该方法提高了选取散射中心的效率及有效性。

基于以上发明点，本发明提供的复杂小结构目标散射中心精确提取方法的流程，如图1所示，具体包括如下步骤：

步骤一：使用CATIA等商业CAD软件对复杂小结构目标进行剖分，将目标剖分成多个面元，并获取每个面元编号、顶点位置坐标。

步骤二：采用全波算法获取所需雷达方位角度内目标面元的表面电流分布，形成表面电流数据库；由于本发明中最终形成的每个分区的时频像成分相对单一，因此本步骤中可以采用稀疏方位角采样率抽取雷达视线空间角，计算抽取出的雷达视线空间角对应的各面元的表面电流，从而减少全波算法计算量以提高计算效率。

步骤三：设定用于判断目标几何结构相互关系的向量内积阈值，再根据剖分得到的面元编号及顶点位置坐标，计算所有相邻面元之间的指向面元外的单位法向向量的向量内积，将计算结果与阈值相比较，确定分区；根据电磁散射机理，每个散射中心都相当于斯特拉顿-朱(Stratton-Chu)积分中的一个数学不连续处，从几何外形出发，目标表面曲率不连续处即可能形成散射中心，因此，根据剖分得到的面元几何信息，可以对其进行分区，具体步骤为：

步骤3.1：设定向量内积阈值，根据面元的顶点位置坐标计算得到面元指向目标外的单位法向向量，计算所有相邻面元之间的单位法向向量的向量内积；

步骤3.2：将计算得到的向量内积与设定的判断向量内积阈值进行比较，若某一个内积大于向量内积阈值，则说明向量内积对应的两面元之间过渡光滑，判定两面元在同一区域内，否则为不同的区域。

步骤四：由步骤一中得到的各面元的表面电流，根据公式(1)计算各分区内的散射场，以及由分区内各面元的顶点位置坐标计算得到该分区的位置矢量，并将计算得到的分区散射场转换为该分区的时频像，这里也可以采用稀疏方位角采样率抽取雷达视线空间角，计算抽取出的雷达视线空间角对应的各面元的时频像；再通过人工观察时频像，判断时频像内是否存在耦合成分，即图像是否有混叠，如果不存在耦合成分则说明分区是清晰的，否则说明分区是不清晰的；若分区不够清晰则提高向量内积阈值t，采用步骤三中的方法再次对不清晰的分区进行细化分区，即再次对不清晰的分区中的面元重新分区，直到每个分区都清晰为止。根据式(1)计算得出每个分区的散射场E_i，该分区的时频像由该分区的散射场E_i做时频变换得到，这里采用的为二次时频变换：修正平滑伪Winger-Ville变换(RSPWVD)。

其中E_i为第i个分区的散射场，

Z和k分别为自由空间中的波阻抗和波数，

为雷达视线方向的单位矢量，J和r′分别为面元电流矢量和电流在目标坐标系中的位置矢量，S_i和E_i分别为第i个分区和该分区内电流形成的散射场。

步骤五：设定用于筛选散射中心的散射场阈值，计算雷达视线的空间角范围内各个分区散射场幅度的最大值E_max，并与设定的散射场阈值进行比较，筛选散射中心分区，即当E_max小于散射场阈值时，则说明该分区对雷达图像的作用可被忽略，该分区不作为散射中心分区。对于存在两个或以上散射场幅度峰值的散射中心分区，进一步根据雷达视线空间角的不同将该散射中心分区划分为两个或以上不同的散射中心分区，使每个分区仅具有一个散射场幅度峰值。

步骤六：根据散射中心分区的几何结构确定散射中心的类型，选定该散射中心相应的幅度函数，再采用所述步骤四中计算出的该分区的散射场幅度与散射中心分区的位置矢量，计算得到该散射中心的幅度函数值，采用最优解方法、遗传算法等参数估计方法对幅度函数中的各项参数进行拟合，最终得到每个分区散射中心的参数模型。

其中，可以通过人工观察分区的几何结构确定的散射中心类型包括三类：局部型散射中心(LSC)、分布型散射中心(DSC)和滑动型散射中心(SSC)，其几何结构和参数化模型如下所述：

局部型散射中心(LSC)，其几何结构通常为位于尖顶、角、边缘以及其他类型的目标表面不连续处等，其散射中心位置相对固定，且幅度随观察角度的变化起伏不大，可观察角度范围较宽；其参数化模型的数学表达式如式(2)所示：

其中，f为入射波频率；ξ为雷达视线的空间角；A_i(ξ)为散射中心的幅度函数，通常选择一般多项式对幅度函数进行描述；j为虚数单位；c为真空中的光速；r_i为该散射中心在目标坐标系中的位置矢量；

为雷达视线的方向矢量。由于LSC的位置矢量r_i为固定值，所以一般由分区内所有面元顶点的坐标值取平均得到。

分布型散射中心(DSC)，其几何结构通常为平面、棱边和单曲面结构，其可观察的角度范围较窄；其参数化模型数学表达式如(3)所示：

其中，f为入射波频率；ξ为雷达视线的空间角；A_i为散射中心的幅度项，通常为DSC幅度最大值；c为真空中的光速；L_i为DSC的长度参数，与相应的几何结构长度有关；ξ_i为DSC最强时的方位角；j为虚数单位；r_i为该散射中心在目标坐标系中的位置矢量；

为雷达视线的方向矢量。由于DSC的位置矢量r_i为固定值，所以一般由分区的内所有面元顶点的坐标值取平均得到。

滑动型散射中心(SSC)，其几何结构通常为曲率变化的复杂曲面结构，主要散射机理为曲面上的镜面反射，由于目标表面法向在不同位置上不同，故随着入射方向的改变反射点位置也发生相应的变化，形成了位置变化的散射中心，其参数化模型数学表达式如式(4)所示：

其中，f为入射波频率；ξ为雷达视线的空间角；A_i(ξ)为SSC的幅度函数，因其变化规律较复杂，通常选择一般多项式函数描述其变化趋势即包络；j为虚数单位；c为真空中的光速；r_i(x_i,y_i,z_i)为SSC的位置矢量，根据雷达视线的变化而变化，(x_i,y_i,z_i)为第i个入射角度下SSC对应的位置坐标；

为雷达视线的方向矢量。

步骤七：将所有的散射中心参数化模型叠加，得到目标最终的散射中心模型，也可以根据公式(5)将上述步骤六中得到的所有分区的LSC、DSC和SSC参数模型进行分类叠加，得到整个目标的散射场E_s的建模结果；

其中n₁、n₂和n₃分别为LSC，DSC和SSC类型分区的数目，f为入射波频率，ξ为雷达视线的空间角，i为第i个散射中心分区，上角标LSC、DSC和SSC为散射中心分区的类型。E_s(f,ξ)为叠加得到的目标散射中心模型，它是关于f和ξ的函数。

实施例1：

本实施例以图2所示的小型四旋翼无人机为目标，采用本发明提出基于表面电流分布的复杂小结构目标散射中心的提取方法，进行散射中心建模，具体步骤如下：

步骤1：使用CATIA软件对四旋翼无人机目标以三角形面元进行剖分，剖分尺寸为十分之一波长；

步骤2：采用并行多层快速多极子算法(PMLFMA)，计算雷达视线空间角范围为φ＝60°，θ＝0～90°内的无人机表面电流分布，入射波的频率f为45GHz，角度采样间隔θ＝0.3°，形成电流数据库；

步骤3：在雷达入射波频率为45GHz频率下，由步骤1剖分得出的无人机面元数目为2779730，设定向量内积阈值为0，根据无人机面元间法向的内积对目标进行分区，拆分合并旋翼叶片处的几何结构，最终得到的分区数目为53个，分区结果如图3所示，其中，不同的灰度表示不同的分区。

步骤4：由无人机的表面电流与分区结果得到每个分区内的散射场与时频像，并根据时频像检测每个分区内是否存在耦合的多个成分，是则说明分区不够清晰返回步骤3，直到各个分区内时频像没有耦合成分。

以无人机的两个分区，右上机翼臂、顶部光滑曲面为例，分析其时频像内是否存在多个耦合成分，图4(a)和(b)分别为两个结构在无人机上的示意图(灰度值较高的部分)以及提取的时频像结果。由图4(a)的时频像结果发现，机翼臂结构在雷达视线水平角度范围θ＝0～20°内有一个与周围其余结构的耦合成分，因机翼臂为圆柱结构，其主要成分表现为DSC，在雷达视线水平角度为θ＝63°时最强，因此图4(a)中虽然出现了两个散射中心，但其图像上没有混叠且一个强一个弱，若对最终结果精度要求一般，弱的散射中心可直接忽略。若对建模精度要求十分严格可在的判断中参数化建模时加入窗函数，在这一区域以一个LSC和一个DSC进行估计，即可在建模时以θ＝0～20°与θ＝20～90°的两个矩形窗函数将两个成分进行分离，对在θ＝0～20°内的成分以LSC模型而θ＝20～90°内的成分以DSC模型进行估计。而图4(b)中顶部光滑曲面的时频图则成分单一，是一个理想的分区结果。

步骤5：获取雷达视线水平角度范围θ＝0～90°内各个分区散射场幅度的最大值E_max，E_max小于阈值则说明该区域对雷达图像作用可忽略不进行建模。

由于雷达视线的空间角范围为φ＝60°，θ＝0～90°，无人机上如机翼背面、机身底部、部分机身侧面等无法被入射波照射到的区域其散射场幅度很小，在单位幅度平面波照射下，设定散射场阈值为E_t＝0.01(A/m)，分区内散射场幅度最大值E_max>E_t时判定该分区内散射中心在计算的角度范围内有足够贡献，最终得到对雷达图像有足够贡献的分区为21个，即参数化建模过程中只有21个散射中心。

步骤6：根据分区的几何结构确定散射中心的类型与位置，由计算得到的散射场确定散射中心幅度函数，得到每个区域内的散射中心参数模型。

同样，以图4(a)和(b)中两个结构为例说明散射中心参数化建模方法，本实施例中的参数估计过程均使用遗传算法。如5(a)和(b)所示，分别为机翼臂与顶部曲面结构由电流提取得到与估计得到的散射场幅度对比，其中图5(a)以DSC表达式中的sinc函数对机翼臂圆柱面结构可以很好地拟合，图5(b)中顶部曲面结构曲率变化为SSC，选择一般多项式对其快速变化的散射场进行拟合，如公式(6)所示：

式中，ξ为雷达视线方位角，由于雷达视线垂直角度为φ＝60°，因此这里ξ即为θ；

为多项式系数。

散射场幅值的估计根据目标散射中心的类型确定估计方法，本实施例中，因主要拟合SSC散射场幅值的变化趋势，一般取多项式阶数定为10；而对于LSC散射场幅值变化较慢，多项式阶数可以取10～15，本实施例中设定LSC散射场幅值变化多项式的阶数为10。对于散射中心的位置，LSC和DSC位置取对应结构的几何中心，由剖分面元的顶点坐标计算得到，而SSC位置随着雷达视线不断变化，本方法取对应结构内单位法向与雷达视线方向平行程度最高，即内积最接近于1的面元中心为当前雷达视线下的散射中心位置。根据时频像，顶部曲面结构在雷达视线水平角度θ＝40°之后才可以被明显观测到，考虑θ≥40°时该结构内面元与雷达视线的关系，最后结果如图6所示，其中曲面边缘红点由上至下为θ＝40～90°时SSC的位置分布。重复这一过程，最终得到所有21个散射中心的参数化模型。

步骤7：将所有的散射中心参数化模型叠加，得到目标最终的散射中心模型。

本发明建模结果的有效性和精确性可通过与全波算法结果的对比进一步说明。图7(a)是PMLFMA在雷达入射频率为45GHz，雷达视线方位角范围为φ＝60°，θ＝0～90°，角度采样间隔0.1°时，计算得到散射场的时频像；图7(b)是雷达入射频率为45GHz以角度采样间隔为0.3°时，建模后插值到0.1°时对应的时频像，两幅图像间的互相关系数为88％。图8(a)是PMLFMA在雷达入射频率为55GHz，雷达视线方位角及采样间隔与图7(a)相同时计算得到散射场的时频像，而图8(b)是由图7(b)中的建模结果直接拓展至55GHz时对应的时频像，两幅图像间的互相关系数为85％，因此在采样间隔为全波算法3倍的条件下，基于目标表面电流的散射中心建模结果展现了很好的精度与频率拓展性。

本发明基于剖分面元编号与几何结构对复杂小结构类目标散射中心进行精确提取，相比于传统前向提取方法，准确判断了复杂目标各个结构在雷达成像中的作用，将散射中心数目与建模精度联系起来，保证了高效性与精确性。从应用的角度出发，实施例所展示的四旋翼无人机证明了本发明分区方法的简易性，在合理选取向量内积阈值和散射场阈值的条件下能够准确得到目标的分区。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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保护范围之内。

Claims (5)

1.一种复杂小结构目标散射中心模型精确提取方法，其特征在于包括如下步骤：

步骤一：将复杂小结构目标剖分为多个面元，获取每个面元的几何信息；

步骤二：根据面元的几何信息计算所有相邻面元的单位法向向量内积，将计算结果与设定的向量内积阈值相比较，当内积大于向量内积阈值时，则两面元之间过渡光滑，判定两面元在同一分区内，否则为不同的分区；

步骤三：计算雷达视线的空间角范围内各个分区散射场幅度的最大值E_max，并与设定的散射场阈值进行比较，将E_max大于散射场阈值的分区确定为散射中心分区，将E_max小于或等于散射场阈值的分区确定为非散射中心分区；

步骤四：由步骤三中确定的散射中心分区得到目标的散射中心模型，具体方式为：根据各散射中心分区的几何结构确定其散射中心的类型与位置，选定与类型对应的参数模型，使用参数估计方法得到该参数模型中幅度函数的各项参数，再将得到的所有参数模型进行分类叠加，得到目标的散射中心模型；

所述散射中心的类型包括局部型散射中心LSC，分布型散射中心DSC和滑动型散射中心SSC，根据式(1)将得到的所有参数模型进行分类叠加；

其中n₁、n₂和n₃分别为局部型散射中心LSC，分布型散射中心DSC和滑动型散射中心SSC类型分区的数目；f为入射波频率；ξ为雷达视线的空间角；E_s(f,ξ)为叠加得到的目标整体散射中心模型，它是关于f和ξ的函数；E_i ^LSC(f,ξ)为第i个局部型散射中心参数模型；E_i ^DSC(f,ξ)为第i个分布型散射中心参数模型；E_i ^SSC(f,ξ)为第i个滑动型散射中心参数模型。

2.根据权利要求1所述的方法，其特征在于，所述步骤二和步骤三之间进一步包括：计算各面元的表面电流，根据各分区的表面电流计算分区的时频像，并判断时频像内是否存在耦合成分，如果不存在则分区是清晰的，否则分区不清晰；若分区不清晰则提高向量内积阈值，采用步骤二中的方法再次对不清晰的分区中的面元重新分区，直到每个分区都清晰为止。

3.根据权利要求2所述的方法，其特征在于，采用稀疏方位角采样率抽取雷达视线空间角，计算抽取出的雷达视线空间角对应的各面元的表面电流。

4.根据权利要求2所述的方法，其特征在于，采用稀疏方位角采样率抽取雷达视线空间角，计算抽取出的雷达视线空间角对应的各分区的时频像。

5.根据权利要求1所述的方法，其特征在于，在所述步骤三中，对于存在两个或以上散射场幅度峰值的散射中心分区，进一步根据雷达视线空间角的不同将该散射中心分区划分为两个或以上不同的散射中心分区，每个散射中心分区仅具有一个散射场幅度峰值。

Images