CN113835075B - 基于雷达的目标物体成像的方法、装置、设备和存储介质 - Google Patents
基于雷达的目标物体成像的方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113835075B CN113835075B CN202110904240.4A CN202110904240A CN113835075B CN 113835075 B CN113835075 B CN 113835075B CN 202110904240 A CN202110904240 A CN 202110904240A CN 113835075 B CN113835075 B CN 113835075B
- Authority
- CN
- China
- Prior art keywords
- slow time
- time unit
- target object
- image
- obtaining
- 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.)
- Active
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims description 51
- 238000012545 processing Methods 0.000 claims abstract description 62
- 238000001914 filtration Methods 0.000 claims abstract description 30
- 238000007906 compression Methods 0.000 claims abstract description 19
- 230000006835 compression Effects 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 114
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000035485 pulse pressure Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 111
- 239000013598 vector Substances 0.000 description 33
- 238000004088 simulation Methods 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000013519 translation Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 238000003775 Density Functional Theory Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000012292 cell migration Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
- G01S13/9064—Inverse SAR [ISAR]
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于雷达的目标物体成像的方法、装置、设备和存储介质,通过获取多个慢时间单元分别对应的观测数据,观测数据由目标物体的回波数据依次经过距离压缩处理和平动补偿处理得到的;依据目标物体的回波数据的慢时间顺序,对所有观测数据进行卡尔曼滤波处理,得到目标物体的图像。充分考虑了目标物体的旋转对于成像的影响,得到的观测数据更加准确,进一步地,得到的目标物体的图像分辨率更高。另外,可以应用于短观测孔径内的目标物体的成像。再有,在噪声背景下,也可以获得聚焦良好的目标物体的图像。
Description
技术领域
本发明属于雷达技术领域,具体涉及基于雷达的目标物体成像的方法、装置、设备和存储介质。
背景技术
在雷达领域,例如,逆合成孔径雷达(Inverse-Synthetic-Aperture-Radar,简称ISAR)领域,ISAR是不同于传统雷达的一种高分辨成像雷达,能够全天候、全天时、远距离获得运动目标物体,例如,飞机、舰船和导弹等进行观察,从而得到目标物体的图像,具有重要的军用和民用价值。
现有的得到目标物体的图像的方法一般使用的重聚焦方法,可以大致分为两类:自聚焦算法和基于参数估计的算法。自聚焦算法是一种估计和消除未聚焦目标相位误差的方法,广泛应用于ISAR和SAR领域,但是大部分自聚焦算法都有约束条件,比如典型的相位梯度自聚焦算法要求直线航迹和图像中存在特显点;基于参数估计的算法常用运动参数进行舰船重建,这类算法广泛应用于地面运动目标的重建。
然而,图像质量的高低依赖于参数估计的准确度,使得图像分辨率不高,图像质量不高。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于雷达的目标物体成像的方法、装置、设备和存储介质。本发明要解决的技术问题通过以下技术方案实现:
第一方面,本发明提供一种基于雷达的目标物体成像的方法,包括:
获取多个慢时间单元分别对应的观测数据,所述观测数据由目标物体的回波数据依次经过距离压缩处理和平动补偿处理得到的;
依据所述目标物体的回波数据的慢时间顺序,对所有观测数据进行卡尔曼滤波处理,得到所述目标物体的图像。
可选的,所述依据所述目标物体的回波数据的慢时间顺序,对所有观测数据进行卡尔曼滤波处理,得到所述目标物体的图像,包括:
依据获取所述目标物体的回波数据的慢时间顺序,根据当前慢时间单元的前一个慢时间单元的更新图像,得到当前慢时间单元对应的预测图像和预测协方差矩阵;根据所述预测协方差矩阵和观测噪声,得到卡尔曼增益;根据卡尔曼增益和所述当前慢时间单元对应的预测图像和所述当前慢时间单元对应的观测数据,得到当前慢时间单元对应的更新图像;直到达到最后一个慢时间单元,确定所述目标物体的图像为最后一个慢时间单元对应的更新图像。
可选的,所述根据当前慢时间单元的前一个慢时间单元的图像,得到当前慢时间单元对应的预测图像和预测协方差矩阵,包括:
根据如下公式得到当前慢时间单元对应的预测图像:
其中,为第m个慢时间单元对应的预测图像,A为转换矩阵,/>为第m-1个慢时间单元对应的更新图像;
根据如下公式得到当前慢时间单元对应的预测协方差矩阵:
其中,为第m个慢时间单元对应的预测协方差矩阵,A为转换矩阵,/>为第m-1个慢时间单元对应的更新协方差矩阵,Qm-1为第m-1个慢时间单元对应的噪声的协方差矩阵。
可选的,所述根据所述预测协方差矩阵和观测噪声,得到卡尔曼增益,包括:
根据如下公式得到卡尔曼增益:
其中,Km为第m个慢时间单元的卡尔曼增益,为第m个慢时间单元对应的预测协方差矩阵,Rm为第m个慢时间单元对应的观测噪声的协方差矩阵,Ψm为第m个慢时间单元对应的逆傅里叶变换矩阵。
可选的,所述根据卡尔曼增益和所述当前慢时间单元对应的预测图像和所述当前慢时间单元对应的观测数据,得到当前慢时间单元对应的更新图像,包括:
根据如下公式得到当前慢时间单元对应的更新图像:
其中,为第m个慢时间单元对应的更新图像,/>为第m个慢时间单元对应的预测图像,Km为第m个慢时间单元的卡尔曼增益,zm为第m个慢时间单元对应的观测数据,Ψm为第m个慢时间单元对应的逆傅里叶变换矩阵。
可选的,所述方法还包括:
确定预测图像的初始值为全零矩阵;
确定预测协方差矩阵的初始值为全零矩阵。
可选的,所述获取多个慢时间单元分别对应的观测数据,包括:
获取多个慢时间单元分别对应的回波数据,所述回波数据为雷达对同一个目标物体进行检测时接收到的回波数据;
分别对每个回波数据进行距离压缩处理,得到每个慢时间单元对应的距离脉冲数据;
分别对每个慢时间单元对应的距离脉压数据进行平动补偿处理,得到多个慢时间单元分别对应的观测数据。
第二方面,本发明提供一种基于雷达的目标物体成像的装置,包括:
获取模块,用于获取多个慢时间单元分别对应的观测数据,所述观测数据由目标物体的回波数据依次经过距离压缩处理和平动补偿处理得到的;
处理模块,用于依据所述目标物体的回波数据的慢时间顺序,对所有观测数据进行卡尔曼滤波处理,得到所述目标物体的图像。
可选的,所述处理模块具体用于:
依据获取所述目标物体的回波数据的慢时间顺序,根据当前慢时间单元的前一个慢时间单元的更新图像,得到当前慢时间单元对应的预测图像和预测协方差矩阵;根据所述预测协方差矩阵和观测噪声,得到卡尔曼增益;根据卡尔曼增益和所述当前慢时间单元对应的预测图像和所述当前慢时间单元对应的观测数据,得到当前慢时间单元对应的更新图像;直到达到最后一个慢时间单元,确定所述目标物体的图像为最后一个慢时间单元对应的更新图像。
可选的,所述处理模块具体用于:
根据如下公式得到当前慢时间单元对应的预测图像:
其中,为第m个慢时间单元对应的预测图像,A为转换矩阵,/>为第m-1个慢时间单元对应的更新图像;
根据如下公式得到当前慢时间单元对应的预测协方差矩阵:
其中,为第m个慢时间单元对应的预测协方差矩阵,A为转换矩阵,/>为第m-1个慢时间单元对应的更新协方差矩阵,Qm-1为第m-1个慢时间单元对应的噪声的协方差矩阵。
可选的,所述处理模块具体用于:
根据如下公式得到卡尔曼增益:
其中,Km为第m个慢时间单元的卡尔曼增益,为第m个慢时间单元对应的预测协方差矩阵,Rm为第m个慢时间单元对应的观测噪声的协方差矩阵,Ψm为第m个慢时间单元对应的逆傅里叶变换矩阵。
可选的,所述处理模块具体用于:
根据如下公式得到当前慢时间单元对应的更新图像:
其中,为第m个慢时间单元对应的更新图像,/>为第m个慢时间单元对应的预测图像,Km为第m个慢时间单元的卡尔曼增益,zm为第m个慢时间单元对应的观测数据,Ψm为第m个慢时间单元对应的逆傅里叶变换矩阵。
可选的,所述处理模块还用于:
确定预测图像的初始值为全零矩阵;确定预测协方差矩阵的初始值为全零矩阵。
可选的,所述获取模块具体用于:
获取多个慢时间单元分别对应的回波数据,所述回波数据为雷达对同一个目标物体进行检测时接收到的回波数据;分别对每个回波数据进行距离压缩处理,得到每个慢时间单元对应的距离脉冲数据;分别对每个慢时间单元对应的距离脉压数据进行平动补偿处理,得到多个慢时间单元分别对应的观测数据。
第三方面,本发明提供一种基于雷达的目标物体成像的设备,包括处理器和存储器;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现如上述第一方面所述的方法步骤。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述的方法步骤。
本发明的有益效果:
通过对回波数据进行距离压缩处理和平动补偿处理,充分考虑了目标物体的旋转对于成像的影响,得到的观测数据更加准确,有利于后续得到高分辨率的目标物体的图像。获取到多个慢时间单元分别对应的观测数据,依据目标物体的回波数据的慢时间顺序,对所有观测数据进行卡尔曼滤波处理,得到目标物体的图像,由于在慢时间域采用卡尔曼滤波处理,从而得到的目标物体的图像分辨率更高。另外,使用卡尔曼滤波处理,可以在较少的迭代次数内,得到的更高分辨率的目标物体的图像,也就是可以应用于短观测孔径内的目标物体的成像。对于短观测孔径内,得到的目标物体的图像的分辨率高。再有,卡尔曼滤波具有很好的抗噪能力,因此,在噪声背景下实施本实施例的方法,也可以获得聚焦良好的目标物体的图像,目标物体的图像的分辨率高。
附图说明
图1是本发明实施例提供的一种基于雷达的目标物体成像的方法的流程示意图;
图2A为本发明实施例提供的一种信噪比为-10dB的傅里叶变换和KF跟踪的仿真结果图;
图2B为本发明实施例提供的一种信噪比为0dB的傅里叶变换和KF跟踪的仿真结果图;
图2C为本发明实施例提供的一种信噪比为10dB的傅里叶变换和KF跟踪的仿真结果图;
图2D为本发明实施例提供的一种信噪比为20dB的傅里叶变换和KF跟踪的仿真结果图;
图3为本发明实施例提供的一种状态向量的累积过程的仿真图;
图4为本发明实施例提供的一种KF迭代结果的频率分量结果图;
图5A为本发明实施例提供的一种目标物体的二维散射模型图;
图5B为一种采用RD算法的目标物体的图像;
图6A为本发明实施例提供的一种迭代一次的目标物体的图像;
图6B为本发明实施例提供的一种迭代10次的目标物体的图像;
图6C为本发明实施例提供的一种迭代50次的目标物体的图像;
图6D为本发明实施例提供的一种迭代100次的目标物体的图像;
图6E为本发明实施例提供的一种迭代150次的目标物体的图像;
图6F为本发明实施例提供的一种迭代256次的目标物体的图像;
图7为本发明实施例提供的一种基于雷达的目标物体成像的装置的结构示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
下面结合本发明的一种应用场景,说明本发明的技术方案。
本发明的方法应用于目标物体成像系统中,该目标物体成像系统包括:雷达和目标物体。其中,雷达可以为地面雷达或者机载雷达等。目标物体可以为运动的舰船等。雷达与目标物体可能发生相对运动,对于雷达和目标物体的运动状态,本发明不做限定。
雷达在一段时间内发射线性调频(linear frequency modulation,简称LFM)信号,该线性调频信号经目标物体表面的不同位置反射,其中,目标物体表面的不同位置可以称为散射点。雷达可以接收回波数据,其中,回波数据中包含了雷达与目标物体上的散射点的距离信息和方位信息。雷达通过对接收的回波数据进行处理,得到目标物体的图像。
下面以具体的实施例进行详细说明本发明的技术方案。
请参见图1,图1是本发明实施例提供的一种基于雷达的目标物体成像的方法的流程示意图,如图1所示,本实施例的方法由基于雷达的目标物体成像的设备执行。本实施例提供的方法包括如下步骤:
S101、获取多个慢时间单元分别对应的观测数据。
本步骤中,雷达按照慢时间顺序接收目标物体的回波数据。基于雷达的目标物体成像的设备获取雷达在每个慢时间单元接收到的回波数据。基于雷达的目标物体成像的设备分别对每个慢时间单元接收到的回波数据,进行距离压缩处理和平动补偿处理,从而得到每个慢时间单元对应的观测数据,从而得到了多个慢时间单元分别对应的观测数据。
其中,观测数据由目标物体的回波数据依次经过距离压缩处理和平动补偿处理得到的。
其中,距离压缩处理,也可以称为脉冲压缩处理。
其中,考虑到目标物体的旋转等平动情况,平动补偿处理用于对距离压缩处理后的数据进行补偿。
S102、依据目标物体的回波数据的慢时间顺序,对所有观测数据进行卡尔曼滤波处理,得到目标物体的图像。
基于卡尔曼滤波(Kalman filtering,简称KF),建立对S101中获得的多个慢时间单元分别对应的观测数据,进行迭代处理。其中,迭代次数为多个慢时间单元的数量。每次迭代过程中,分别进行预测目标物体的图像的步骤和根据卡尔曼增益更新目标物体的图像的步骤,从而在每次迭代结束时,可以得到一个目标物体的图像。
迭代的过程,对目标物体的图像根据观测数据进行校正,直到最后一次迭代结束,得到的目标物体的图像为高分辨率的图像。
本实施例,通过对回波数据进行距离压缩处理和平动补偿处理,充分考虑了目标物体的旋转对于成像的影响,得到的观测数据更加准确,有利于后续得到高分辨率的目标物体的图像。获取到多个慢时间单元分别对应的观测数据,依据目标物体的回波数据的慢时间顺序,对所有观测数据进行卡尔曼滤波处理,得到目标物体的图像,由于在慢时间域采用卡尔曼滤波处理,从而得到的目标物体的图像分辨率更高。另外,使用卡尔曼滤波处理,可以在较少的迭代次数内,得到的更高分辨率的目标物体的图像,也就是可以应用于短观测孔径内的目标物体的成像。对于短观测孔径内,得到的目标物体的图像的分辨率高。再有,卡尔曼滤波具有很好的抗噪能力,因此,在噪声背景下实施本实施例的方法,也可以获得聚焦良好的目标物体的图像,目标物体的图像的分辨率高。
在上述实施例的基础上,进一步地,S101可以包括如下步骤:
S1011、获取多个慢时间单元分别对应的回波数据,回波数据为雷达对同一个目标物体进行检测时接收到的回波数据。
可选的,可以构建雷达收发平台与舰船目标之间的第一斜距方程;采集目标物体的回波数据。
构建雷达收发平台与舰船目标之间的第一斜距方程。可以通过如下公式(1)的第一斜距方程,得到雷达与目标物体之间的距离:
Rp(tm)=R0+RT(tm)+xpsinθm+ypcosθm 公式(1)
其中,tm是第m个慢时间,Rp(tm)是tm时刻的雷达与目标物体之间的距离,R0是初始距离,RT(tm)是由目标物体沿着雷达视线方向移动的距离,θm是在tm时间内目标物体转动的角度,(xp,yp)是第p个散射点的坐标。
构建目标物体的回波数据模型,包括雷达收发平台与动目标之间的瞬时斜距。可以通过如下公式(2)得到目标物体的回波数据:
其中,tn是快时间的离散采样,P是所有散射点的总数,c是光的速度,Ap是第p个散射点的反射系数,γ是发射信号的调频率。
S1012、分别对每个回波数据进行距离压缩处理,得到每个慢时间单元对应的距离脉冲数据。
在距离频率域,将数据域脉压函数相乘,并转化到距离时域。其中,距离压缩处理可以是将回波数据与雷达发射信号的共轭翻转进行卷积实现;也可以通过将回波数据与雷达发射信号变换到距离频域进行相乘,做逆傅里叶变换实现。
其中,距离脉冲数据也可以称为距离压缩后的数据或者距离脉冲信号。
可选的,可以通过如下公式(3)得到距离脉冲数据:
其中,tn是快时间的离散采样,P是所有散射点的总数,c是光的速度,fc是发射信号的中心频率,B是调频带宽。
S1013、分别对每个慢时间单元对应的距离脉压数据进行平动补偿处理,得到多个慢时间单元分别对应的观测数据。
对距离脉压信号做自相关包络对齐,对每个方位时刻的脉压信号与基准信号做相关计算,求得每个时刻目标平动造成的时延并进行校正。
对包络对齐后的信号做初相校正,提取图像中特显点的相位并进行加权相加,将加权相加的相位信号对整幅图像做相位校正,得到平动补偿后的低分辨图像。
在平动补偿后,可以对初始的距离项R0和Rp(tm)的平移项Rt(tm)进行补偿。可以通过如下公式(4)得到平动补偿后的数据:
其中,第二个相位项里的三角函数可以近似为:
对于均匀旋转目标,假设目标转速为|Ωz(tm)|=ω,那么θm=ωtm。在短观测孔径内,假设雷达观测期间没有发生越距离单元徙动。可以通过如下公式(5)得到平动补偿后的数据:
其中,tm是第m个慢时间,tn是快时间的离散采样,P是所有散射点的总数,c是光的速度,fc是发射信号的中心频率,γ是发射信号的调频率,B是信号带宽,(xp,yp)是第p个散射点的坐标。
在上述实施例的基础上,进一步地,在S102之前,可以先建立成像系统与卡尔曼滤波之间的关系。下面详细介绍建立成像系统与卡尔曼滤波之间的关系的技术思路。
可以使用常规的距离多普勒(Range-Doppler,简称RD)成像算法得到目标物体的图像。
在常规的RD成像算法中,对平动补偿后的数据进行沿tm维傅里叶变换后,即可得到聚焦的目标物体的图像。可以通过如下公式(6),得到目标物体的图像:
上述成像过程可以用矩阵X=ΦZ表示,其中,X表示目标物体的图像,矩阵Φ∈CM×M表示沿慢时间tm的离散傅里叶变换(Discrete Fourier Transform,简称DFT)矩阵,尺寸为M×M,本公开中将离散傅里叶变换简称为傅里叶变换。C代表所有复数的集合。X∈CM×N是目标物体的图像,其中M和N分别是离散慢时间(方位域)和快时间(距离域)的采样点数。Z∈CM ×N表示平动补偿后的数据,它可以看作是雷达成像的反变换:Z=ΨX,其中,Ψ∈CM×M是沿着慢时间tm的逆傅里叶变换(IDFT)矩阵:
其中,表示慢时间域中频率的第m个样本,m=1,2,…,M。
可以假设是在短观测孔径内采集的数据,其中,M1是慢时间单元的总数,采用DFT方法得到的图像由于观测孔径较短,方位分辨率较低。要获得方位高分辨率图像,采集的数据的观测孔径要增加。因此,使用RF算法进行目标物体的成像并不适用于短观测孔径。
基于上述问题,本发明实施例提供一种目标物体成像的方法,基于KF,得到高分辨率的目标物体的图像。下面详细介绍本发明实施例如何建立成像系统与卡尔曼滤波之间的关系。
KF是一种基于状态向量和当前观测值的先验知识,在当前迭代中预测和更新状态向量X∈CM×N的估计方法。随着迭代的继续,状态向量被校正到精确值。它可以在几次迭代中得到状态向量的精确估计。
考虑一个线性观测过程,如下述公式(7):
xm=A·xm-1+wm-1
zm=Ψm·xm+nm 公式(7)
在KF的迭代中,xm是状态向量,A是描述状态向量从先验状态xm-1到当前状态xm的转换矩阵。
zm是测量值,Ψm是表示状态向量xm与观测值zm之间关系的观测矩阵。
是描述先验迭代更新图像不确定性的噪声矩阵,服从高斯分布,均值为0,方差矩阵为/>wm与所有其他方位时刻的噪声不相关。
nm是观测噪声矩阵,服从高斯分布,均值为0,方差矩阵为/>nm与所有其他样本都不相关。/>和/>分别由物理模型和观测系统来确定。
与上述ISAR成像系统对应,观测数据是在M1个慢时间单元的短孔径中收集的尺寸为M1×N的矩阵Z。设zm是矩阵Z的第m行向量,m=1,2,…,M1,满足如下公式(8):
Zm=ΨmX 公式(8)
公式(8)为观测方程,在m慢时间内,xm∈CM×N是期望的高方位分辨率的ISAR图像X的状态矢量,尺寸为M×N。这个高分辨的ISAR图像xm将通过KF迭代计优化,直到所有M1个慢时间单元的观测都被使用。
在短的观测时间内,目标的结构是固定的,这意味着每个观测时间的状态向量xm是相同的,因此,等式中的过渡矩阵A可以看作是单位矩阵IM×M。观测矩阵为第m个慢时间tm的IDFT向量Ψm。
建立了成像系统与卡尔曼滤波之间的关系以后,可以将该关系应用到得到目标物体的图像的方案中,下面以具体的实施例进行详细说明。
在上述实施例的基础上,进一步地,S102可以通过如下步骤实现:
S1021、依据获取目标物体的回波数据的慢时间顺序,根据当前慢时间单元的前一个慢时间单元的更新图像,得到当前慢时间单元对应的预测图像和预测协方差矩阵。
可选的,在S1021之前,需要对卡尔曼滤波的数据进行初始化。
进一步地,可以确定预测图像的初始值为全零矩阵;确定预测协方差矩阵的初始值为全零矩阵。
可选的,根据如下公式(9)得到当前慢时间单元对应的预测图像:
其中,为第m个慢时间单元对应的预测图像,A为转换矩阵,/>为第m-1个慢时间单元对应的更新图像;
根据如下公式(10)得到当前慢时间单元对应的预测协方差矩阵:
其中,为第m个慢时间单元对应的预测协方差矩阵,A为转换矩阵,/>为第m-1个慢时间单元对应的更新协方差矩阵,Qm-1为第m-1个慢时间单元对应的噪声的协方差矩阵。
S1022、根据预测协方差矩阵和观测噪声,得到卡尔曼增益。
可选的,可以根据如下公式(11)得到卡尔曼增益:
其中,Km为第m个慢时间单元的卡尔曼增益,为第m个慢时间单元对应的预测协方差矩阵,Rm为第m个慢时间单元对应的观测噪声的协方差矩阵,Ψm为第m个慢时间单元对应的逆傅里叶变换矩阵。
S1023、根据卡尔曼增益和当前慢时间单元对应的预测图像和当前慢时间单元对应的观测数据,得到当前慢时间单元对应的更新图像。
可选的,根据如下公式(12)得到当前慢时间单元对应的更新图像:
其中,为第m个慢时间单元对应的更新图像,/>为第m个慢时间单元对应的预测图像,Km为第m个慢时间单元的卡尔曼增益,zm为第m个慢时间单元对应的观测数据,Ψm为第m个慢时间单元对应的逆傅里叶变换矩阵。
S1024、判断是否达到最后一个慢时间单元。
若达到最后一个慢时间单元,则继续执行S1025。若未达到最后一个慢时间单元,返回执行S1021。
S1025、确定目标物体的图像为最后一个慢时间单元对应的更新图像。
本实施例,给出了将卡尔曼滤波应用于雷达目标物体成像的具体实现方式,根据得到的目标物体的图像的分辨率与使用Z∈CM×N的数据得到的目标物体的图像的分辨率相同,其中,M1为大于等于2的整数,M为大于等于2的整数,且M>M1。从而提高了目标物体的图像的分辨率。
下面通过例子对步骤S102的卡尔曼滤波进行详细说明。
可以将KF的两步过程写为预测步骤和更新步骤。预测步骤包括上述公式(9)和公式(10)。更新步骤包括公式(11)、公式(12)和公式(13)。
其中,需要说明的是,在本发明实施例中,具有下标“m”的变量表示是第m次迭代的变量。变量上的上标“-”和“+”分别表示预测变量和更新变量。
其中,Pm为状态向量xm的协方差矩阵。
其中,Km是当前迭代的卡尔曼增益,它可以被看作是一个权值,用于权衡先前校正的状态向量对当前预测的状态向量/>的影响。示例性的,如果Km接近零,这意味着在这个慢时间单元,真状态向量与/>更接近。否则,它将接近当前预测的/>
总之,随着迭代的继续,预测和更新步骤可以纠正状态向量的估计,得到准确的估计值。
KF迭代过程可以通过如下步骤1-步骤5实现:
步骤1:初始化
在KF迭代开始之前,设置m=0,并将状态向量初始化为:
其中,0是大小为M×N的全零矩阵,N是距离域内快时间样本的总数。
协方差矩阵初始化为:
其中,P0为误差协方差矩阵的初始值。如果没有以前的信息,P0可以设置为大小为M×M的全零矩阵。
其中,wm的是一个可调参数,可以简单地设置为1,wm的协方差矩阵/>表示单位矩阵IM×M,m=0,1,…,M1。/>和/>分别由物理模型和观测系统来确定。
可选的,对于仿真数据,可以通过如下公式(14)得到:
其中,Ws是信号的能量,SNR是信噪比。
可选的,对于真实数据,可以从观测数据中估计观测噪声nm的协方差矩阵。可以从短孔径数据中获得一个低分辨率的图像,称其为粗图像。其中的散焦通常会跨一个单元。选择一些靠近聚焦点的方位单元数据,可以认为这些单元只包含观测噪声,取这些沿方位向的噪声信号的平均值,得到了噪声向量sN。
可以通过如下公式(15)得到观测噪声的协方差矩阵Rm:
Rm=E{(sN)HsN}
其中,E{}表示求平均,sN为噪声向量。
步骤2:预测当前状态向量。
设置迭代次数m,也可以称为迭代索引。
基于预测步骤的等式获取预测值和/>其中图像的噪声wm可以看作协方差矩阵为Qm的零均值高斯噪声。
步骤3:根据公式(11),得到卡尔曼增益。
步骤4:更新预测的变量
将卡尔曼增益Km应用到公式(12),得到状态向量将卡尔曼增益Km应用到等式(13),得到状态向量的协方差矩阵/>
步骤5:若m≤M1,返回执行步骤2。若m>M1,结束迭代,得到目标物体的图像X为其为高分辨率图像。
本实施例,在短孔径内匀速转动的假设下,将观测机动目标物体,并获取目标物体的图像的过程,描述为乘以的表示线性系统,对该系统进行卡尔曼滤波。卡尔曼滤波可以根据观测矩阵对状态向量进行预测,在遵循每次观测时刻相位变化规律后,通过计算的卡尔曼滤波增益对预测的状态向量进行校正。使得将卡尔曼滤波应用到基于雷达的目标物体成像的领域,随着迭代的继续,目标物体的图像得到更好的聚焦,从而从短孔径收集的数据中获得高方位分辨率的图像。
下面通过如下仿真实验一和仿真实验二,对本发明实施例提供的基于雷达的目标物体成像的方法进行进一步的说明。
仿真实验一:本发明实施例提供的雷达的目标物体成像的方法仿真
本发明实施例提供的雷达的目标物体成像的方法,本发明中也可以称为KF跟踪方法。目标物体沿方位向的成像可以描述为多频分量的信号,使用一个多频分的信号来演示KF跟踪方法的信号恢复能力,它可以简单地表示一个距离单元内的观测信号。脉冲重复频率(pulse repetition frequency,简称PRF)设定为512Hz。多频分量信号表示为:
其中,m=1,2,…,M,N是频域中的分量的数量,也可以表示散射点的数量。假设N=5,并将频率分量设置为fi=-80,-20,30,70,100。M为样品总数,设置M=256。
应用IDFT来获得估计信号的频率分离,可作为对KF跟踪方法的估计结果参考。不同信噪比水平(-10dB,0dB,10dB,20dB)下的仿真结果如图2A-图2D所示。
请参见图2A-图2D,图2A为本发明实施例提供的一种信噪比为-10dB的傅里叶变换和KF跟踪的仿真结果图,图2B为本发明实施例提供的一种信噪比为0dB的傅里叶变换和KF跟踪的仿真结果图,图2C为本发明实施例提供的一种信噪比为10dB的傅里叶变换和KF跟踪的仿真结果图,图2D为本发明实施例提供的一种信噪比为20dB的傅里叶变换和KF跟踪的仿真结果图。其中,星形(‘*’)的线和圆形(‘o’)的线分别表示DFT和KF跟踪方法的仿真结果。
从图2A-图2D中可以看出,KF跟踪方法可以像基于全数据的傅里叶变换方法一样在频域上恢复信号。
图3为本发明实施例提供的一种状态向量的累积过程的仿真图。其中,信噪比为10dB。图3示出了每次迭代时状态向量的累积过程。迭代开始时,状态向量被初始化为零向量,随着迭代的继续,信号的能量积累到状态向量的真值。为了更好地演示积累过程,可以提取了恢复信号的主要成分,下面结合图4进行详细说明。
请参见图4,图4为本发明实施例提供的一种KF迭代结果的频率分量结果图。其中,图4中纵坐标为频率,横坐标为迭代次数。从图4可以看出,主要成分如在开始制定的那样逐渐集中在多普勒域的位置fi=-80,-20,30,70,100。同样,很明显地看到经过100次迭代后,恢复的状态向量与真值接近。KF跟踪方法可以在较短的迭代时间内完成恢复过程,即观测孔径较短。
仿真实验二:目标物体成像的仿真
应用一组匀速转动的目标回波来验证本发明提出的基于雷达的目标物体成像的方法。
请参见图5A,图5A为本发明实施例提供的一种目标物体的二维散射模型图,图5B为一种采用RD算法的目标物体的图像。平面目标的二维散射模型如图5A所示,旋转矢量垂直于二维平面。
在本发明提供的基于雷达的目标物体成像的方法实施过程中,根据KF滤波的原理,每次迭代可以得到一个目标物体的图像。下面分别选取一系列迭代次数m=1,10,50,100,150,256的目标物体的图像进行详细说明。
请参见图6,图6A为本发明实施例提供的一种迭代一次的目标物体的图像,图6B为本发明实施例提供的一种迭代10次的目标物体的图像,图6C为本发明实施例提供的一种迭代50次的目标物体的图像,图6D为本发明实施例提供的一种迭代100次的目标物体的图像,图6E为本发明实施例提供的一种迭代150次的目标物体的图像,图6F为本发明实施例提供的一种迭代256次的目标物体的图像。
在图6B所示的第10次迭代时,复原图像的方位分辨率较低。
随着迭代的继续,目标物体的图像越来越接近精确图像。在图6C所示的第50次迭代时,成像质量有所提高。
对比图6D和图5B,在第100次迭代时KF跟踪方法得到的图像与全孔径数据RD方法得到的图像质量相当。
KF迭代主要依靠状态变化与当前状态观测值的关系。在较短的观测迭代中,利用KF迭代方法可以得到较高的方位分辨率的目标物体的图像。
图7为本发明实施例提供的一种基于雷达的目标物体成像的装置的结构示意图,如图7所示,本实施例提供的装置包括:
获取模块701,用于获取多个慢时间单元分别对应的观测数据,观测数据由目标物体的回波数据依次经过距离压缩处理和平动补偿处理得到的;
处理模块702,用于依据目标物体的回波数据的慢时间顺序,对所有观测数据进行卡尔曼滤波处理,得到目标物体的图像。
可选的,处理模块702具体用于:
依据获取目标物体的回波数据的慢时间顺序,根据当前慢时间单元的前一个慢时间单元的更新图像,得到当前慢时间单元对应的预测图像和预测协方差矩阵;根据预测协方差矩阵和观测噪声,得到卡尔曼增益;根据卡尔曼增益和当前慢时间单元对应的预测图像和当前慢时间单元对应的观测数据,得到当前慢时间单元对应的更新图像;直到达到最后一个慢时间单元,确定目标物体的图像为最后一个慢时间单元对应的更新图像。
可选的,处理模块702具体用于:
根据如下公式得到当前慢时间单元对应的预测图像:
其中,为第m个慢时间单元对应的预测图像,A为转换矩阵,/>为第m-1个慢时间单元对应的更新图像;
根据如下公式得到当前慢时间单元对应的预测协方差矩阵:
其中,为第m个慢时间单元对应的预测协方差矩阵,A为转换矩阵,/>为第m-1个慢时间单元对应的更新协方差矩阵,Qm-1为第m-1个慢时间单元对应的噪声的协方差矩阵。
可选的,处理模块702具体用于:
根据如下公式得到卡尔曼增益:
其中,Km为第m个慢时间单元的卡尔曼增益,为第m个慢时间单元对应的预测协方差矩阵,Rm为第m个慢时间单元对应的观测噪声的协方差矩阵,Ψm为第m个慢时间单元对应的逆傅里叶变换矩阵。
可选的,处理模块702具体用于:
根据如下公式得到当前慢时间单元对应的更新图像:
其中,为第m个慢时间单元对应的更新图像,/>为第m个慢时间单元对应的预测图像,Km为第m个慢时间单元的卡尔曼增益,zm为第m个慢时间单元对应的观测数据,Ψm为第m个慢时间单元对应的逆傅里叶变换矩阵。
可选的,处理模块702还用于:
确定预测图像的初始值为全零矩阵;确定预测协方差矩阵的初始值为全零矩阵。
可选的,获取模块701具体用于:
获取多个慢时间单元分别对应的回波数据,回波数据为雷达对同一个目标物体进行检测时接收到的回波数据;分别对每个回波数据进行距离压缩处理,得到每个慢时间单元对应的距离脉冲数据;分别对每个慢时间单元对应的距离脉压数据进行平动补偿处理,得到多个慢时间单元分别对应的观测数据。
本发明实施例提供一种基于雷达的目标物体成像的设备,包括处理器和存储器;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现如上述实施例的方法步骤。
本发明实施例提供一种计算机可读存储介质,计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时实现如上述实施例的方法步骤。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (6)
1.一种基于雷达的目标物体成像的方法,其特征在于,包括:
获取多个慢时间单元分别对应的观测数据,所述观测数据由目标物体的回波数据依次经过距离压缩处理和平动补偿处理得到的;
依据所述目标物体的回波数据的慢时间顺序,对所有观测数据进行卡尔曼滤波处理,得到所述目标物体的图像;
所述依据所述目标物体的回波数据的慢时间顺序,对所有观测数据进行卡尔曼滤波处理,得到所述目标物体的图像,包括:
依据获取所述目标物体的回波数据的慢时间顺序,根据当前慢时间单元的前一个慢时间单元的更新图像,得到当前慢时间单元对应的预测图像和预测协方差矩阵;根据所述预测协方差矩阵和观测噪声,得到卡尔曼增益;根据卡尔曼增益和所述当前慢时间单元对应的预测图像和所述当前慢时间单元对应的观测数据,得到当前慢时间单元对应的更新图像;直到达到最后一个慢时间单元,确定所述目标物体的图像为最后一个慢时间单元对应的更新图像;
所述根据当前慢时间单元的前一个慢时间单元的图像,得到当前慢时间单元对应的预测图像和预测协方差矩阵,包括:
根据如下公式得到当前慢时间单元对应的预测图像:
其中,为第m个慢时间单元对应的预测图像,A为转换矩阵,/>为第m-1个慢时间单元对应的更新图像;
根据如下公式得到当前慢时间单元对应的预测协方差矩阵:
其中,为第m个慢时间单元对应的预测协方差矩阵,/>为第m-1个慢时间单元对应的更新协方差矩阵,Qm-1为第m-1个慢时间单元对应的噪声的协方差矩阵;
所述根据所述预测协方差矩阵和观测噪声,得到卡尔曼增益,包括:
根据如下公式得到卡尔曼增益:
其中,Km为第m个慢时间单元的卡尔曼增益,Rm为第m个慢时间单元对应的观测噪声的协方差矩阵,Ψm为第m个慢时间单元对应的逆傅里叶变换矩阵;
所述根据卡尔曼增益和所述当前慢时间单元对应的预测图像和所述当前慢时间单元对应的观测数据,得到当前慢时间单元对应的更新图像,包括:
根据如下公式得到当前慢时间单元对应的更新图像:
其中,为第m个慢时间单元对应的更新图像,zm为第m个慢时间单元对应的观测数据。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定预测图像的初始值为全零矩阵;
确定预测协方差矩阵的初始值为全零矩阵。
3.根据权利要求1所述的方法,其特征在于,所述获取多个慢时间单元分别对应的观测数据,包括:
获取多个慢时间单元分别对应的回波数据,所述回波数据为雷达对同一个目标物体进行检测时接收到的回波数据;
分别对每个回波数据进行距离压缩处理,得到每个慢时间单元对应的距离脉冲数据;
分别对每个慢时间单元对应的距离脉压数据进行平动补偿处理,得到多个慢时间单元分别对应的观测数据。
4.一种基于雷达的目标物体成像的装置,其特征在于,包括:
获取模块,用于获取多个慢时间单元分别对应的观测数据,所述观测数据由目标物体的回波数据依次经过距离压缩处理和平动补偿处理得到的;
处理模块,用于依据所述目标物体的回波数据的慢时间顺序,对所有观测数据进行卡尔曼滤波处理,得到所述目标物体的图像;
所述依据所述目标物体的回波数据的慢时间顺序,对所有观测数据进行卡尔曼滤波处理,得到所述目标物体的图像,包括:
依据获取所述目标物体的回波数据的慢时间顺序,根据当前慢时间单元的前一个慢时间单元的更新图像,得到当前慢时间单元对应的预测图像和预测协方差矩阵;根据所述预测协方差矩阵和观测噪声,得到卡尔曼增益;根据卡尔曼增益和所述当前慢时间单元对应的预测图像和所述当前慢时间单元对应的观测数据,得到当前慢时间单元对应的更新图像;直到达到最后一个慢时间单元,确定所述目标物体的图像为最后一个慢时间单元对应的更新图像;
所述根据当前慢时间单元的前一个慢时间单元的图像,得到当前慢时间单元对应的预测图像和预测协方差矩阵,包括:
根据如下公式得到当前慢时间单元对应的预测图像:
其中,为第m个慢时间单元对应的预测图像,A为转换矩阵,/>为第m-1个慢时间单元对应的更新图像;
根据如下公式得到当前慢时间单元对应的预测协方差矩阵:
其中,为第m个慢时间单元对应的预测协方差矩阵,/>为第m-1个慢时间单元对应的更新协方差矩阵,Qm-1为第m-1个慢时间单元对应的噪声的协方差矩阵;
所述根据所述预测协方差矩阵和观测噪声,得到卡尔曼增益,包括:
根据如下公式得到卡尔曼增益:
其中,Km为第m个慢时间单元的卡尔曼增益,Rm为第m个慢时间单元对应的观测噪声的协方差矩阵,Ψm为第m个慢时间单元对应的逆傅里叶变换矩阵;
所述根据卡尔曼增益和所述当前慢时间单元对应的预测图像和所述当前慢时间单元对应的观测数据,得到当前慢时间单元对应的更新图像,包括:
根据如下公式得到当前慢时间单元对应的更新图像:
其中,为第m个慢时间单元对应的更新图像,zm为第m个慢时间单元对应的观测数据。
5.一种基于雷达的目标物体成像的设备,其特征在于,包括处理器和存储器;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-3任一所述的方法步骤。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-3任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110904240.4A CN113835075B (zh) | 2021-08-06 | 2021-08-06 | 基于雷达的目标物体成像的方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110904240.4A CN113835075B (zh) | 2021-08-06 | 2021-08-06 | 基于雷达的目标物体成像的方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113835075A CN113835075A (zh) | 2021-12-24 |
CN113835075B true CN113835075B (zh) | 2024-02-06 |
Family
ID=78963032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110904240.4A Active CN113835075B (zh) | 2021-08-06 | 2021-08-06 | 基于雷达的目标物体成像的方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113835075B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102207548A (zh) * | 2010-03-31 | 2011-10-05 | 中国科学院电子学研究所 | 采用最小均方误差估计的多发多收合成孔径雷达成像方法 |
CN103235295A (zh) * | 2013-04-02 | 2013-08-07 | 西安电子科技大学 | 基于压缩卡尔曼滤波的小场景雷达目标距离像估计方法 |
WO2015029339A1 (ja) * | 2013-08-29 | 2015-03-05 | パナソニックIpマネジメント株式会社 | レーダシステム及びターゲット検知方法 |
CN107607947A (zh) * | 2017-08-22 | 2018-01-19 | 西安电子科技大学 | 基于卡尔曼滤波的星载雷达成像参数在线估计方法 |
CN109541589A (zh) * | 2018-10-25 | 2019-03-29 | 中国电子科技集团公司电子科学研究院 | 空间自旋目标雷达的三维成像方法、装置及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7746450B2 (en) * | 2007-08-28 | 2010-06-29 | Science Applications International Corporation | Full-field light detection and ranging imaging system |
-
2021
- 2021-08-06 CN CN202110904240.4A patent/CN113835075B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102207548A (zh) * | 2010-03-31 | 2011-10-05 | 中国科学院电子学研究所 | 采用最小均方误差估计的多发多收合成孔径雷达成像方法 |
CN103235295A (zh) * | 2013-04-02 | 2013-08-07 | 西安电子科技大学 | 基于压缩卡尔曼滤波的小场景雷达目标距离像估计方法 |
WO2015029339A1 (ja) * | 2013-08-29 | 2015-03-05 | パナソニックIpマネジメント株式会社 | レーダシステム及びターゲット検知方法 |
CN107607947A (zh) * | 2017-08-22 | 2018-01-19 | 西安电子科技大学 | 基于卡尔曼滤波的星载雷达成像参数在线估计方法 |
CN109541589A (zh) * | 2018-10-25 | 2019-03-29 | 中国电子科技集团公司电子科学研究院 | 空间自旋目标雷达的三维成像方法、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
"SAR Image Super Resolution using Importance Sampling Unscented Kalman Filter";Sithara Kanakaraj;《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》;第11卷(第2期);全文 * |
"空间目标卡尔曼滤波稀疏成像方法";汪玲;《电子与信息学报》;第40卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113835075A (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rao et al. | Parametric sparse representation method for ISAR imaging of rotating targets | |
Xi et al. | Autofocusing of ISAR images based on entropy minimization | |
US7969345B2 (en) | Fast implementation of a maximum likelihood algorithm for the estimation of target motion parameters | |
EP1505408B1 (en) | A method for SAR processing without INS data | |
CN103091674B9 (zh) | 基于hrrp序列的空间目标高分辨成像方法 | |
CN110806577B (zh) | 合成孔径雷达的聚焦成像方法及装置、设备、存储介质 | |
CN109507666B (zh) | 基于离网变分贝叶斯算法的isar稀疏频带成像方法 | |
CN109597075B (zh) | 一种基于稀疏阵列的成像方法及成像装置 | |
CN110082764B (zh) | 基于稳健正则化层析方法的sar图像成像方法 | |
CN110148165B (zh) | 一种基于粒子群优化的三维干涉isar图像配准方法 | |
CN114545411B (zh) | 一种基于工程实现的极坐标格式多模高分辨sar成像方法 | |
Van Rossum et al. | Extended PGA for range migration algorithms | |
CN106291543A (zh) | 一种运动平台扫描雷达超分辨成像方法 | |
CN115034993A (zh) | 一种运动目标图像去散焦处理方法、装置及存储介质 | |
CN116299551A (zh) | 一种太赫兹sar二维自聚焦成像算法 | |
CN111751822B (zh) | 一种时间和相位同步方法、系统、设备和介质 | |
CN108732555B (zh) | 一种自动驾驶阵列微波成像运动补偿的方法 | |
CN113030962B (zh) | 机载太赫兹合成孔径雷达及成像方法 | |
CN113835075B (zh) | 基于雷达的目标物体成像的方法、装置、设备和存储介质 | |
Xin et al. | ISAR imaging of target with complex motion associated with the fractional Fourier transform | |
CN116819466A (zh) | 基于图像最小熵的双基isar方位定标和几何校正方法 | |
Farhadi et al. | Phase error estimation for automotive SAR | |
TW202340748A (zh) | 減少合成孔徑雷達影像中之模糊度 | |
CN113484862B (zh) | 一种自适应的高分宽幅sar清晰重构成像方法 | |
CN113885026A (zh) | 运动目标的sar稀疏成像方法、装置、电子设备及存储介质 |
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 |