CN112882025A - 雷达成像方法、装置、设备及存储介质 - Google Patents
雷达成像方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112882025A CN112882025A CN202110052683.5A CN202110052683A CN112882025A CN 112882025 A CN112882025 A CN 112882025A CN 202110052683 A CN202110052683 A CN 202110052683A CN 112882025 A CN112882025 A CN 112882025A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- echo signal
- sample
- sparse
- 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.)
- Granted
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 37
- 238000005070 sampling Methods 0.000 claims abstract description 83
- 230000009466 transformation Effects 0.000 claims abstract description 58
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 238000011084 recovery Methods 0.000 claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 46
- 238000012549 training Methods 0.000 claims description 44
- 238000011176 pooling Methods 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
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
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/35—Details of non-pulse systems
- G01S7/352—Receivers
- G01S7/354—Extracting wanted echo-signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请实施例提供一种雷达成像方法、装置、设备及存储介质,所述雷达成像方法包括:接收目标回波信号,所述目标回波信号为二维稀疏采样信号;获取预设稀疏采样矩阵和傅里叶变换矩阵;基于所述目标回波信号、所述预设稀疏采样矩阵和所述傅里叶变换矩阵,利用预先训练的稀疏恢复网络,生成对应于目标全采样回波信号的第一图像;对所述第一图像进行预处理,得到第二图像;将所述第二图像输入预先训练的图像变换网络,得到目标图像。本申请实现了大旋转角和稀疏采样条件下的高分辨率成像。
Description
技术领域
本申请涉及雷达技术领域,具体而言,涉及一种雷达成像方法、装置、设备及存储介质。
背景技术
雷达成像是获取雷达目标特性的重要手段,随着科学技术的不断发展,对雷达成像分辨率的要求也越来越高,其中,雷达的距离分辨率主要取决于信号带宽,横向分辨率主要取决于目标相对于雷达视线的旋转角度。当旋转角度太大时,容易出现MTRC(MigrationThrough Range Cell,越距离单元徙动)效应,尤其是在距离分辨率较高、目标尺寸较大的情况下,会导致雷达成像的图像质量差。
目前,在雷达资源有限的情况下,一般会通过进行稀疏采样来降低对采样时间和频率的要求,然而,目前常用的距离-多普勒(Range-Doppler,RD)、后向投影(BackProjection,BP)、稀疏恢复(Sparse Recovery,SR)等成像方法都难以有效地在旋转角度大且采样稀疏的情况下,获得高分辨率图像。
发明内容
本申请实施例的目的在于提供一种雷达成像方法、装置、设备及存储介质,用以实现大旋转角和稀疏采样条件下的高分辨率成像。
本申请实施例第一方面提供了一种雷达成像方法,包括:接收目标回波信号,所述目标回波信号为二维稀疏采样信号;获取预设稀疏采样矩阵和傅里叶变换矩阵;基于所述目标回波信号、所述预设稀疏采样矩阵和所述傅里叶变换矩阵,利用预先训练的稀疏恢复网络,生成对应于目标全采样回波信号的第一图像;对所述第一图像进行预处理,得到第二图像;将所述第二图像输入预先训练的图像变换网络,得到目标图像。
于一实施例中,所述对所述第一图像进行预处理,得到第二图像,包括:对所述第一图像进行归一化处理;利用fftshift函数进行频谱中心化操作,得到第二图像。
于一实施例中,所述稀疏恢复网络由第一预设数量的子网络串联而成,每个所述子网络包括非线性变换层、收缩层和反变换层,所述非线性变换层由第一复数卷积层、第一复数整流层、复数最大池化层和第二复数卷积层依次串联而成,所述反变换层由第三复数卷积层、第二复数整流层、复数反最大池化层和第四复数卷积层依次串联而成。
于一实施例中,在所述第一复数卷积层之前还包括利用fftshift函数进行频谱中心化操作,在所述第四复数卷积层之后还包括利用fftshift函数进行频谱中心化操作。
于一实施例中,所述图像变换网络包括编码器和译码器,所述编码器和所述译码器之间设置有跳链接,所述编码器包括第二预设数量的卷积模块,相邻的所述卷积模块之间设置有最大池化层,所述卷积模块包括依次连接的卷积层、归一化层和整流函数层,所述译码器包括第二预设数量的反卷积模块,相邻的所述反卷积模块之间设置有最大反池化层,所述反卷积模块包括依次连接的反卷积层、归一化层和整流函数层。
于一实施例中,训练所述稀疏恢复网络和所述图像变换网络的步骤包括:利用电磁散射模型,构建训练数据集,所述训练数据集包括样本全采样回波信号和样本图像;对所述样本全采样回波信号进行稀疏采样,得到样本稀疏采样回波信号;利用所述傅里叶变换矩阵,生成对应于所述样本全采样回波信号的距离多普勒图像;基于所述距离多普勒图像,将所述样本稀疏采样回波信号输入所述稀疏恢复网络进行训练,直至所述稀疏恢复网络的第一损失函数值满足第一预设条件,得到第一网络参数;对所述距离多普勒图像进行预处理,得到第三图像;基于所述样本图像,将所述第三图像输入所述图像变换网络进行训练,直至所述图像变换网络的第二损失函数值满足第二预设条件,得到第二网络参数;基于所述样本图像,对所述稀疏恢复网络和所述图像变换网络进行整体训练,直至第三损失函数值满足第三预设条件,其中,训练的初始网络参数为所述第一网络参数和所述第二网络参数,输入为所述样本稀疏采样回波信号。
本申请实施例第二方面提供了一种雷达成像装置,包括:接收模块,用于接收目标回波信号,所述目标回波信号为二维稀疏采样信号;获取模块,用于获取预设稀疏采样矩阵和傅里叶变换矩阵;生成模块,用于基于所述目标回波信号、所述预设稀疏采样矩阵和所述傅里叶变换矩阵,利用预先训练的稀疏恢复网络,生成对应于目标全采样回波信号的第一图像;预处理模块,用于对所述第一图像进行预处理,得到第二图像;变换模块,用于将所述第二图像输入预先训练的图像变换网络,得到目标图像。
于一实施例中,还包括训练模块,所述训练模块用于:利用电磁散射模型,构建训练数据集,所述训练数据集包括样本全采样回波信号和样本图像;对所述样本全采样回波信号进行稀疏采样,得到样本稀疏采样回波信号;利用所述傅里叶变换矩阵,生成对应于所述样本全采样回波信号的距离多普勒图像;基于所述距离多普勒图像,将所述样本稀疏采样回波信号输入所述稀疏恢复网络进行训练,直至所述稀疏恢复网络的第一损失函数值满足第一预设条件,得到第一网络参数;对所述距离多普勒图像进行预处理,得到第三图像;基于所述样本图像,将所述第三图像输入所述图像变换网络进行训练,直至所述图像变换网络的第二损失函数值满足第二预设条件,得到第二网络参数;基于所述样本图像,对所述稀疏恢复网络和所述图像变换网络进行整体训练,直至第三损失函数值满足第三预设条件,其中,训练的初始网络参数为所述第一网络参数和所述第二网络参数,输入为所述样本稀疏采样回波信号。
于一实施例中,所述预处理模块用于:对所述第一图像进行归一化处理;利用fftshift函数进行频谱中心化操作,得到第二图像。
本申请实施例第三方面提供了一种电子设备,包括:存储器,用以存储计算机程序;处理器,用以执行本申请实施例第一方面及其任一实施例的方法。
本申请实施例第四方面提供了一种非暂态电子设备可读存储介质,包括:程序,当其藉由电子设备运行时,使得所述电子设备执行本申请实施例第一方面及其任一实施例的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请一实施例的电子设备的结构示意图;
图2为本申请一实施例的雷达成像方法的流程示意图;
图3为本申请一实施例的训练稀疏恢复网络和图像变换网络的流程示意图;
图4为本申请一实施例的稀疏恢复网络的架构示意图;
图5为本申请一实施例的图像变换网络的架构示意图;
图6为本申请一实施例的雷达成像装置的结构示意图。
附图标记:
100-电子设备,110-总线,120-处理器,130-存储器,400-雷达成像装置,410-接收模块,420-获取模块,430-生成模块,440-预处理模块,450-变换模块,460-训练模块。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,并不表示排列序号,也不能理解为指示或暗示相对重要性。
在本申请的描述中,术语“包括”、“包含”等表示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其他特征、步骤、操作、元素、组件和/或其集合的存在或添加。
在本申请的描述中,除非另有明确的规定和限定,术语“安装”、“设置”、“设有”、“连接”、“配置为”应做广义理解。例如,可以是固定连接,也可以是可拆卸连接,或整体式构造;可以是机械连接,也可以是电连接;可以是直接相连,也可以是通过中间媒介间接相连,又或者是两个装置、元件或组成部分之间内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
请参看图1,其为本申请一实施例的电子设备100的结构示意图,包括至少一个处理器120和存储器130,图1中以一个处理器为例。处理器120和存储器130通过总线110连接,存储器130存储有可被至少一个处理器120执行的指令,指令被至少一个处理器120执行,以使至少一个处理器120执行如下述实施例中的雷达成像方法。
于一实施例中,处理器120可以是通用处理器,包括但不限于中央处理器(CentralProcessing Unit,CPU)、网络处理器(Network Processor,NP)等,还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,处理器120是电子设备100的控制中心,利用各种接口和线路连接整个电子设备100的各个部分。处理器120可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。
于一实施例中,存储器130可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,包括但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),静态随机存取存储器(Static Random Access Memory,简称SRAM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(ElectricErasable Programmable Read-Only Memory,EEPROM)等。
图1所示的电子设备100的结构仅为示意,电子设备100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
雷达的距离分辨率主要取决于信号带宽,横向分辨率主要取决于目标相对于雷达视线的旋转角度。当旋转角度太大时,容易出现MTRC效应。例如,若雷达的距离分辨率为0.075m,旋转角度范围为6度,横向的最大成像范围为5.3715m,则对于横向边缘的散射点,最大距离差为5.3715m×sin(3°)=0.2811m,远远超出了0.075m的距离分辨率,在这种成像条件下就会发生MTRC效应,导致采用传统距离多普勒(RD)成像算法得到的目标图像将会散焦。
如图2所示,其为本申请一实施例的雷达成像方法的流程示意图,该方法可由图1所示的电子设备100来执行,以实现大旋转角和稀疏采样条件下的高分辨率成像。该方法包括如下步骤:
步骤210:接收目标回波信号。
在上述步骤中,接收目标回波信号Y,目标回波信号Y为二维稀疏采样信号,Y是一个二维矩阵,Y(i,j)表示第i个频率和第j个角度对应的目标回波信号。
步骤220:获取预设稀疏采样矩阵和傅里叶变换矩阵。
步骤230:基于目标回波信号、预设稀疏采样矩阵和傅里叶变换矩阵,利用预先训练的稀疏恢复网络,生成对应于目标全采样回波信号的第一图像。
在上述步骤中,预先训练的稀疏恢复网络可以从稀疏采样中恢复完整的采样回波,稀疏恢复网络的输入为目标回波信号Y、预设稀疏采样矩阵Φ1,Φ2,以及傅里叶变换矩阵F1,F2,输出为对应于目标全采样回波信号的第一图像X。
于一实施例中,稀疏恢复网络由第一预设数量的子网络串联而成,每个子网络包括非线性变换层、收缩层和反变换层,非线性变换层由第一复数卷积层、第一复数整流层、复数最大池化层和第二复数卷积层依次串联而成,反变换层由第三复数卷积层、第二复数整流层、复数反最大池化层和第四复数卷积层依次串联而成。
于一实施例中,在第一复数卷积层之前还包括利用fftshift函数进行频谱中心化操作,在第四复数卷积层之后还包括利用fftshift函数进行频谱中心化操作。
于一实施例中,稀疏恢复网络可以由八个子网络串联而成。
在上述步骤中,稀疏恢复网络由k(k=1,2,3,…,K)个结构相同的子网络串联而成,每个子网络可以对应2D-ISTA(二维软阈值迭代算法)中的一次迭代,第k个子网络的结构如图4所示,X(k-1)表示第(k-1)个子网络的输出,R(k)表示第k个子网络的中间变量,可以通过下式计算得到:
R(k)=X(k-1)+ρ(k)Ψ1 H(Y-Ψ1X(k-1)Ψ2 T)Ψ2 *
其中,ρ(k)是第k次迭代的步长,Ψ1=Φ1F1,Ψ2=Φ2F2,初始输入X(0)=0。
目标回波信号为复数,可以基于实数卷积(Conv)、实数线性整流函数(ReLU)和实数最大池化(MaxPool)操作,分别定义复数卷积(ComConv)、复数线性整流函数(ComReLU)和复数最大池化(ComMaxPool)操作,得到:
ComReLU(·)=ReLU(Re(·))+1j×ReLU(Im(·))
ComMaxpool(·)=MaxPool(Re(·))+1j×MaxPool(Im(·))
其中,Re(·)表示矩阵实部,Im(·)表示矩阵虚部。
第k个子网络的非线性变换层可以由第一复数卷积层(ComConv层)、第一复数整流层(ComReLU层)、复数最大池化层(ComMaxPool层)和第二复数卷积层(ComConv层)串联而成。在第一复数卷积层之前还可以添加一个二维fftshift操作,从而将零频分量移到频谱中心。
于一实施例中,第一复数卷积层的输入通道数为1,输出通道数为32,卷积核尺寸为3×3,步长为1。复数最大池化层的窗口尺寸为2×2,窗口跨步为2,复数最大池化层会返回输出最大值的序号,用于后续的反池化操作。第二复数卷积层的输入通道数为32,输出通道数为32,卷积核尺寸为3×3,步长为1。
第k个子网络的收缩层可以基于迭代软阈值算法的收缩函数实现:
其中,令rij为矩阵R的第i行和第j列元素,θ是第k个子网络的门限阈值。
第k个子网络的反变换层可以由第三复数卷积层(ComConv层)、第二复数整流层(ComReLU层)、复数反最大池化层(ComMaxUnpool层)和第四复数卷积层(ComConv层)串联而成。在第四复数卷积层之后还可以经过一个二维fftshift操作,从而将零频分量移到频谱中心,得到第k个子网络的输出X(k)。
于一实施例中,第三复数卷积层的输入通道数为32,输出通道数为32,卷积核尺寸为3×3,步长为1。复数反最大池化层的窗口尺寸为2×2,窗口跨步为2。第二复数卷积层的输入通道数为32,输出通道数为1,卷积核尺寸为3×3,步长为1。
步骤240:对第一图像进行预处理,得到第二图像。
在上述步骤中,对第一图像进行归一化处理;利用fftshift函数进行频谱中心化操作,得到第二图像X~。
步骤250:将第二图像输入预先训练的图像变换网络,得到目标图像。
于一实施例中,图像变换网络包括编码器和译码器,编码器和译码器之间设置有跳链接,编码器包括第二预设数量的卷积模块,相邻的卷积模块之间设置有最大池化层,卷积模块包括依次连接的卷积层、归一化层和整流函数层,译码器包括第二预设数量的反卷积模块,相邻的反卷积模块之间设置有最大反池化层,反卷积模块包括依次连接的反卷积层、归一化层和整流函数层。
于一实施例中,如图5所示,图像变换网络可以为带有跳跃连接的堆叠卷积自动编码器(SCAE)。编码器可以包括五个卷积模块,每个卷积模块包括依次连接的卷积层(Conv)、归一化层(BN)和整流函数层(ReLU),靠近网络输入端的第一个卷积模块的卷积核尺寸为5×5,步长为1,其他四个卷积模块的卷积核尺寸为3×3,步长为1。相邻两个卷积模块之间设置有最大池化层(MaxPool),最大池化层的窗口尺寸为2×2,窗口跨步为2。
译码器可以包括五个反卷积模块,每个反卷积模块包括依次连接的反卷积层(DeConv)、归一化层(BN)和整流函数层(ReLU),靠近网络输出端的最后个反卷积模块的卷积核尺寸为5×5,步长为1,其他四个反卷积模块的卷积核尺寸为3×3,步长为1。相邻两个反卷积模块之间设置有最大反池化层(MaxUnpool),最大反池化层的窗口尺寸为2×2,窗口跨步为2。
如图3所示,其为本申请一实施例中训练稀疏恢复网络和图像变换网络的流程示意图,该方法可由图1所示的电子设备100来执行,该方法包括如下步骤:
步骤310:利用电磁散射模型,构建训练数据集。
在上述步骤中,训练数据集包括样本全采样回波信号和样本图像。
步骤320:对样本全采样回波信号进行稀疏采样,得到样本稀疏采样回波信号。
在上述步骤中,可以采用以下公式对样本全采样回波信号进行稀疏采样,得到样本稀疏采样回波信号:
Ym=Φ1Em(Φ2)T
其中,Ym表示第m个样本的稀疏采样回波信号,Em表示第m个样本的全采样回波信号,Φ1和Φ2表示预设稀疏采样矩阵。
步骤330:利用傅里叶变换矩阵,生成对应于样本全采样回波信号的距离多普勒图像。
步骤340:基于距离多普勒图像,将样本稀疏采样回波信号输入稀疏恢复网络进行训练,直至稀疏恢复网络的第一损失函数值满足第一预设条件,得到第一网络参数。
在上述步骤中,第一损失函数为:
其中,表示第m个样本对应的稀疏恢复网络第k个子网络的输出,表示第m个样本对应的稀疏恢复网络的最终输出。第一损失函数的第一项为网络的均方误差,第二项为对非线性变换逆性的约束,γSR-Net表示用于平衡网络均方误差和可逆约束的参数,于一实施例中,γSR-Net可以为0.01。
步骤350:对距离多普勒图像进行预处理,得到第三图像。
步骤360:基于样本图像,将第三图像输入图像变换网络进行训练,直至图像变换网络的第二损失函数值满足第二预设条件,得到第二网络参数。
在上述步骤中,第二损失函数为:
步骤370:基于样本图像,对稀疏恢复网络和图像变换网络进行整体训练,直至第三损失函数值满足第三预设条件,其中,训练的初始网络参数为第一网络参数和第二网络参数,输入为样本稀疏采样回波信号。
在上述步骤中,将第一网络参数和第二网络参数作为初始网络参数,对整个网络进行端到端的训练,第m个样本的网络输入为:Ym=Φ1Em(Φ2)T。
第三损失函数为:
于一实施例中,在分别对稀疏恢复网络和图像变换网络进行预训练,对整个成像网络进行再训练之后,还包括:根据训练数据集中样本全采样回波信号的强度,调整待测试全采样回波信号的强度;利用调整强度后的待测试全采样回波信号,对稀疏恢复网络和图像变换网络进行测试。
在上述步骤中,调整强度后的待测试全采样回波信号为:
本申请中的雷达成像方法可以实现大旋转角、稀疏采样的高分辨率雷达成像。本申请利用电磁散射模型准确、高效地生成训练数据,利用稀疏雷达成像理论指导深度成像网络的设计,将二维稀疏复数回波输入经过训练的成像网络,可以高效地输出高分辨、聚焦目标图像。
如图6所示,其为本申请一实施例的雷达成像装置400的结构示意图,该装置可应用于图1所示的电子设备100,包括:接收模块410、获取模块420、生成模块430、预处理模块440和变换模块450。各个模块的原理关系如下:
接收模块410,用于接收目标回波信号,目标回波信号为二维稀疏采样信号。详细内容参见上述实施例中步骤210的描述。
获取模块420,用于获取预设稀疏采样矩阵和傅里叶变换矩阵。详细内容参见上述实施例中步骤220的描述。
生成模块430,用于基于目标回波信号、预设稀疏采样矩阵和傅里叶变换矩阵,利用预先训练的稀疏恢复网络,生成对应于目标全采样回波信号的第一图像。详细内容参见上述实施例中步骤230的描述。
预处理模块440,用于对第一图像进行预处理,得到第二图像。详细内容参见上述实施例中步骤240的描述。
变换模块450,用于将第二图像输入预先训练的图像变换网络,得到目标图像。详细内容参见上述实施例中步骤250的描述。
于一实施例中,预处理模块440用于:对第一图像进行归一化处理;利用fftshift函数进行频谱中心化操作,得到第二图像。
于一实施例中,雷达成像装置400还包括:训练模块460,训练模块460用于:利用电磁散射模型,构建训练数据集,训练数据集包括样本全采样回波信号和样本图像;对样本全采样回波信号进行稀疏采样,得到样本稀疏采样回波信号;利用傅里叶变换矩阵,生成对应于样本全采样回波信号的距离多普勒图像;基于距离多普勒图像,将样本稀疏采样回波信号输入稀疏恢复网络进行训练,直至稀疏恢复网络的第一损失函数值满足第一预设条件,得到第一网络参数;对距离多普勒图像进行预处理,得到第三图像;基于样本图像,将第三图像输入图像变换网络进行训练,直至图像变换网络的第二损失函数值满足第二预设条件,得到第二网络参数;基于样本图像,对稀疏恢复网络和图像变换网络进行整体训练,直至第三损失函数值满足第三预设条件,其中,训练的初始网络参数为第一网络参数和第二网络参数,输入为样本稀疏采样回波信号。详细内容参见上述实施例中步骤310至步骤370的描述。
上述雷达成像装置400的详细描述,请参见上述实施例中相关方法步骤的描述。
本发明实施例还提供了一种电子设备可读存储介质,包括:程序,当其在电子设备上运行时,使得电子设备可执行上述实施例中方法的全部或部分流程。其中,存储介质可为磁盘、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random AccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等。存储介质还可以包括上述种类的存储器的组合。
在本申请所提供的几个实施例中,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。以上仅为本申请的优选实施例而已,仅用于说明本申请的技术方案,并不用于限制本申请。对于本技术领域的普通技术人员而言,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种雷达成像方法,其特征在于,包括:
接收目标回波信号,所述目标回波信号为二维稀疏采样信号;
获取预设稀疏采样矩阵和傅里叶变换矩阵;
基于所述目标回波信号、所述预设稀疏采样矩阵和所述傅里叶变换矩阵,利用预先训练的稀疏恢复网络,生成对应于目标全采样回波信号的第一图像;
对所述第一图像进行预处理,得到第二图像;
将所述第二图像输入预先训练的图像变换网络,得到目标图像。
2.根据权利要求1所述的方法,其特征在于,所述对所述第一图像进行预处理,得到第二图像,包括:
对所述第一图像进行归一化处理;
利用fftshift函数进行频谱中心化操作,得到第二图像。
3.根据权利要求1所述的方法,其特征在于,所述稀疏恢复网络由第一预设数量的子网络串联而成,每个所述子网络包括非线性变换层、收缩层和反变换层,所述非线性变换层由第一复数卷积层、第一复数整流层、复数最大池化层和第二复数卷积层依次串联而成,所述反变换层由第三复数卷积层、第二复数整流层、复数反最大池化层和第四复数卷积层依次串联而成。
4.根据权利要求3所述的方法,其特征在于,在所述第一复数卷积层之前还包括利用fftshift函数进行频谱中心化操作,在所述第四复数卷积层之后还包括利用fftshift函数进行频谱中心化操作。
5.根据权利要求1所述的方法,其特征在于,所述图像变换网络包括编码器和译码器,所述编码器和所述译码器之间设置有跳链接,所述编码器包括第二预设数量的卷积模块,相邻的所述卷积模块之间设置有最大池化层,所述卷积模块包括依次连接的卷积层、归一化层和整流函数层,所述译码器包括第二预设数量的反卷积模块,相邻的所述反卷积模块之间设置有最大反池化层,所述反卷积模块包括依次连接的反卷积层、归一化层和整流函数层。
6.根据权利要求1所述的方法,其特征在于,训练所述稀疏恢复网络和所述图像变换网络的步骤包括:
利用电磁散射模型,构建训练数据集,所述训练数据集包括样本全采样回波信号和样本图像;
对所述样本全采样回波信号进行稀疏采样,得到样本稀疏采样回波信号;
利用所述傅里叶变换矩阵,生成对应于所述样本全采样回波信号的距离多普勒图像;
基于所述距离多普勒图像,将所述样本稀疏采样回波信号输入所述稀疏恢复网络进行训练,直至所述稀疏恢复网络的第一损失函数值满足第一预设条件,得到第一网络参数;
对所述距离多普勒图像进行预处理,得到第三图像;
基于所述样本图像,将所述第三图像输入所述图像变换网络进行训练,直至所述图像变换网络的第二损失函数值满足第二预设条件,得到第二网络参数;
基于所述样本图像,对所述稀疏恢复网络和所述图像变换网络进行整体训练,直至第三损失函数值满足第三预设条件,其中,训练的初始网络参数为所述第一网络参数和所述第二网络参数,输入为所述样本稀疏采样回波信号。
7.一种雷达成像装置,其特征在于,包括:
接收模块,用于接收目标回波信号,所述目标回波信号为二维稀疏采样信号;
获取模块,用于获取预设稀疏采样矩阵和傅里叶变换矩阵;
生成模块,用于基于所述目标回波信号、所述预设稀疏采样矩阵和所述傅里叶变换矩阵,利用预先训练的稀疏恢复网络,生成对应于目标全采样回波信号的第一图像;
预处理模块,用于对所述第一图像进行预处理,得到第二图像;
变换模块,用于将所述第二图像输入预先训练的图像变换网络,得到目标图像。
8.根据权利要求7所述的装置,其特征在于,还包括训练模块,所述训练模块用于:
利用电磁散射模型,构建训练数据集,所述训练数据集包括样本全采样回波信号和样本图像;
对所述样本全采样回波信号进行稀疏采样,得到样本稀疏采样回波信号;
利用所述傅里叶变换矩阵,生成对应于所述样本全采样回波信号的距离多普勒图像;
基于所述距离多普勒图像,将所述样本稀疏采样回波信号输入所述稀疏恢复网络进行训练,直至所述稀疏恢复网络的第一损失函数值满足第一预设条件,得到第一网络参数;
对所述距离多普勒图像进行预处理,得到第三图像;
基于所述样本图像,将所述第三图像输入所述图像变换网络进行训练,直至所述图像变换网络的第二损失函数值满足第二预设条件,得到第二网络参数;
基于所述样本图像,对所述稀疏恢复网络和所述图像变换网络进行整体训练,直至第三损失函数值满足第三预设条件,其中,训练的初始网络参数为所述第一网络参数和所述第二网络参数,输入为所述样本稀疏采样回波信号。
9.一种电子设备,其特征在于,包括:
存储器,用以存储计算机程序;
处理器,用以执行如权利要求1至6中任一项所述的方法。
10.一种非暂态电子设备可读存储介质,其特征在于,包括:程序,当其藉由电子设备运行时,使得所述电子设备执行权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110052683.5A CN112882025B (zh) | 2021-01-15 | 2021-01-15 | 雷达成像方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110052683.5A CN112882025B (zh) | 2021-01-15 | 2021-01-15 | 雷达成像方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112882025A true CN112882025A (zh) | 2021-06-01 |
CN112882025B CN112882025B (zh) | 2023-12-26 |
Family
ID=76049382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110052683.5A Active CN112882025B (zh) | 2021-01-15 | 2021-01-15 | 雷达成像方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112882025B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170132496A1 (en) * | 2015-11-05 | 2017-05-11 | Microsoft Technology Licensing, Llc | Hardware-efficient deep convolutional neural networks |
CN108872988A (zh) * | 2018-07-12 | 2018-11-23 | 南京航空航天大学 | 一种基于卷积神经网络的逆合成孔径雷达成像方法 |
CN109444885A (zh) * | 2018-12-17 | 2019-03-08 | 中国人民解放军空军工程大学 | 基于稀疏矩阵重构的超分辨成像方法、装置及电子设备 |
CN109557539A (zh) * | 2018-12-27 | 2019-04-02 | 中国人民解放军空军工程大学 | 机载无源雷达地面动目标检测方法、装置以及电子设备 |
CN109683161A (zh) * | 2018-12-20 | 2019-04-26 | 南京航空航天大学 | 一种基于深度admm网络的逆合成孔径雷达成像的方法 |
WO2020177701A1 (zh) * | 2019-03-07 | 2020-09-10 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
US20200341136A1 (en) * | 2019-04-25 | 2020-10-29 | Beihang University | Method and device for determining motion trajectory of target |
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 |
-
2021
- 2021-01-15 CN CN202110052683.5A patent/CN112882025B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170132496A1 (en) * | 2015-11-05 | 2017-05-11 | Microsoft Technology Licensing, Llc | Hardware-efficient deep convolutional neural networks |
CN108872988A (zh) * | 2018-07-12 | 2018-11-23 | 南京航空航天大学 | 一种基于卷积神经网络的逆合成孔径雷达成像方法 |
CN109444885A (zh) * | 2018-12-17 | 2019-03-08 | 中国人民解放军空军工程大学 | 基于稀疏矩阵重构的超分辨成像方法、装置及电子设备 |
CN109683161A (zh) * | 2018-12-20 | 2019-04-26 | 南京航空航天大学 | 一种基于深度admm网络的逆合成孔径雷达成像的方法 |
CN109557539A (zh) * | 2018-12-27 | 2019-04-02 | 中国人民解放军空军工程大学 | 机载无源雷达地面动目标检测方法、装置以及电子设备 |
WO2020177701A1 (zh) * | 2019-03-07 | 2020-09-10 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
US20200341136A1 (en) * | 2019-04-25 | 2020-10-29 | Beihang University | Method and device for determining motion trajectory of target |
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 |
Non-Patent Citations (2)
Title |
---|
XINGYU HE 等: "Dynamic ISAR imaging of maneuvering targets based on sparse matrix recovery", SIGNAL PROCESSING * |
蒲涛 等: "基于块稀疏矩阵恢复的MIMO 雷达扩展目标高分辨成像算法", 系统工程与电子技术 * |
Also Published As
Publication number | Publication date |
---|---|
CN112882025B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3292512B1 (en) | Full reference image quality assessment based on convolutional neural network | |
US10410330B2 (en) | System and method for comparison-based image quality assessment | |
CN110532932B (zh) | 一种多分量雷达信号脉内调制方式识别方法 | |
KR102263397B1 (ko) | 뉴럴 네트워크 학습에 이용될 오토 라벨링된 이미지 중에서 라벨 검수를 위한 샘플 이미지를 획득하는 방법 및 이를 이용한 샘플 이미지 획득 장치 | |
CN111160171A (zh) | 一种联合两域多特征的辐射源信号识别方法 | |
CN113066065B (zh) | 无参考图像质量检测方法、系统、终端及介质 | |
CN109932717B (zh) | 基于环境统计建模的isar高分辨成像方法 | |
CN115311531A (zh) | 一种RefineDet网络模型的探地雷达地下空洞目标自动检测方法 | |
CN111784581A (zh) | 基于自归一化生成对抗网络的sar图像超分辨率重建方法 | |
Mesarcik et al. | Deep learning assisted data inspection for radio astronomy | |
Ren et al. | Clustering-oriented multiple convolutional neural networks for single image super-resolution | |
Sweere et al. | Deep learning-based super-resolution and de-noising for XMM-newton images | |
CN115439408A (zh) | 一种金属表面缺陷检测方法、装置及存储介质 | |
EP4064186A1 (en) | Methods and systems for generating synthetic microstructure images of material with desired features | |
CN112882025A (zh) | 雷达成像方法、装置、设备及存储介质 | |
CN112508929A (zh) | 一种训练生成对抗网络的方法和装置 | |
US9547914B2 (en) | Techniques for feature extraction | |
CN113240081B (zh) | 针对雷达载频变换的高分辨距离像目标稳健识别方法 | |
CN113109795B (zh) | 一种基于深度神经网络的深海直达声区目标深度估计方法 | |
CN114821346A (zh) | 一种基于嵌入式平台的雷达图像智能识别方法和系统 | |
US20240070808A1 (en) | Enhancement of coarse resolution imagery using super-resolution and convolution neural networks to be used for fit-for-purpose systematic land titling and land valuation | |
CN113870375A (zh) | 基于残差网络的ct图像几何伪影评价方法 | |
CN113723437B (zh) | 一种ai模型的自动化训练方法及ai模型训练系统 | |
TWI771141B (zh) | 腦部影像之腦部提取與線圈勻場校正模型的建立方法 | |
Rodrigues et al. | Quasar classification with narrow-band surveys |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |