CN114280592A - 一种基于蜕变方法的雷达波原始数据增强方法 - Google Patents
一种基于蜕变方法的雷达波原始数据增强方法 Download PDFInfo
- Publication number
- CN114280592A CN114280592A CN202111471993.7A CN202111471993A CN114280592A CN 114280592 A CN114280592 A CN 114280592A CN 202111471993 A CN202111471993 A CN 202111471993A CN 114280592 A CN114280592 A CN 114280592A
- Authority
- CN
- China
- Prior art keywords
- data
- radar wave
- radar
- original data
- disintegration
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003384 imaging method Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims description 22
- 230000002708 enhancing effect Effects 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims 1
- 230000002194 synthesizing effect Effects 0.000 claims 1
- 238000011426 transformation method Methods 0.000 claims 1
- 238000013500 data storage Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 15
- 239000003550 marker Substances 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000029052 metamorphosis Effects 0.000 description 1
- 238000009377 nuclear transmutation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
基于蜕变方法的雷达波原始数据增强方法,包括数据蜕变模块和数据成像模块。数据蜕变模块包含了对雷达信号发射与接收的方法进行分析,雷达波原始数据存储规则,已经提出的一组有效雷达波数据增强蜕变方法,最后得到多组被标记的雷达波数据。数据成像模块以SAR雷达波原始数据作为实验对象,负责将被标记的SAR雷达波增强数据进行成像,并将合成的图像与其标记的雷达波数据一一对应。
Description
技术领域
本发明属于数据增强领域,特别是涉及到雷达波数据增强。对雷达波原始数据生成原理方面进行理解后,根据雷达波数据信息收集规则得到了一组可对其进行增强的蜕变关系。
背景技术
近年来,深度学习在不断的发展,由深度学习产生的各种模型已经被广泛的应用到我们的生活当中。而在深度学习时代,数据的规模越大、质量越高,模型就能够拥有更好的泛化能力,数据直接决定了模型学习的上限。然而在实际工程中,采集的数据很难覆盖全部的场景,为了丰富训练集,一般都会对数据进行数据增强。数据增强的意义一方面在于提高在深度学习过程中模型的泛化能力;另一方面则在于增加噪声数据,提升模型的鲁棒性。因此,数据增强也成为学术界与工业级的重要热点之一。在数据增强的应用当中,由于在数据处理方式的多样性、数据来源的多样性以及应用场景的多样性,对图像信息进行增强已经有了很大的发展。除此之外,通过事实证明,数据增强比传统的标记与数据采集方法有效得多,它在提高模型的准确性与降低获取数据的成本上面都有极大的优势。
在现今的图像收集手段当中,大多通过雷达完成。由于雷达在进行信息收集时在一定程度上会收到环境的影响,因此收集到的雷达信息质量也会受到一定的干扰。并且,对雷达收集到的图像进行数据增强的过程中,由于大多都是从图像的像素层面进行变更,通过翻转、旋转、缩放、剪裁、平移、添加噪声等方法来完成。由于图像数据增强在处理方法中存在的随机性与不确定性,通过对图像进行数据增强的方法仍然会受到很多限制。要进一步提高雷达数据增强得到的数据的质量,必须通过更深入的手段来完成对雷达数据的增强。
在对雷达(一般指电磁波雷达)数据理解方面,已经有一些研究者做了一些初步的工作,但是现有的雷达数据收集过程当中,对雷达原始数据处理方面较为薄弱,同时由于雷达原始数据从收集到成像过程中已经有一套对应的流程体系,导致现在的雷达数据增强领域中仍然缺少对雷达波的层次上进行数据增强的研究。
基于上述工作,本发明着手对雷达波数据进行分析,深度挖掘了雷达波原始数据的含义,并基于现有的雷达波数据收集过程模型进行分析,提出了一组完成从雷达波上对雷达波原始数据进行数据增强的蜕变方法。然而,由于雷达波原始数据到图像的过程为一套已有的标准体系,因此,本发明针对雷达波原始数据入手,基于已有的研究成果,提出一组有效的雷达波蜕变关系,完成在雷达波上的数据增强过程。此外,在完成雷达波数据增强后,该发明还会将扩增的雷达波数据进行成像,完成雷达波增强数据的展示。其中,为更好的进行展示,该发明以SAR雷达作为实验对象,通过基于蜕变方法的SAR雷达波原始数据增强方法得到SAR雷达波增强数据,最后通过雷达图像合成技术来得到SAR雷达波增强数据合成图像。
发明内容
本发明要解决的问题是:解决雷达图像进行数据增强时由于原始成像图片的缺陷而对图像数据增强结果造成负面影响的问题。我们的发明针对从雷达波信息层次上对雷达波数据进行深入分析,使用对雷达波信息进行数据增强的方法,替代传统的从图片像素上以及图片状态变换的处理方法。
本发明的技术方案为:基于蜕变方法的雷达波原始数据增强方法,其特征是根据雷达波原始数据之间的关系,得到一组有效的对雷达波原始数据进行增强的方法。该方法包含以下两个模块:
1)数据蜕变模块:对雷达波原始数据进行分析,推导得到雷达波属性信息在雷达波原始数据中所代表的含义,基于雷达波原始数据的含义进行实验,根据实验结果的有效性得到一组有效的雷达波数据增强方法。雷达在进行目标检测时发射的是一个个连续的脉冲波,发射的脉冲波接触到点目标后开始反射,而探测目标是由一个个点目标组成的,由于雷达波原始数据存储的是接收器在一个个脉冲周期时间内接收到的回波信息的叠加,这导致这个时间段收集到的回波信息很有可能是由不同的发射脉冲波组成的。接收器以脉冲周期为接收周期将这个周期接收到的回波进行叠加,得到叠加的回波函数,其中,由于得到的回波信号为接收器进行正交解调后的信号,因此回波函数为一个复数函数,对回波函数进行整理后可将其分为实部参数部分和虚部参数部分。此外,雷达波原始数据是由一个个复数数据组成的矩阵,每个数据点的实部和虚部分别代表接收器在一个脉冲周期内收集到的叠加回波函数的实部与虚部。因此,对于雷达波原始数据进行分析,我们可以知道,相邻的原始数据点很可能会存储了同一个发射脉冲波信息,而不相邻的原始数据点存储同一个发射脉冲信号的可能性极小。在对雷达波原始数据进行成像时,我们会发现,成像规则是按一行行、一列列的相邻数据进行电磁波的。对于这个现象,我们提出了一个方法:改变相邻雷达波数据点之间的影响关系。由于对面目标进行检测的时候,雷达成像的图像结果会受到相邻数据的影响。因此我们提出了一组变换规则:将雷达波原始数据按不同尺寸标记多个小块的信息,通过对相同尺寸标记块数据进行处理,改变相邻数据造成的影响,达到对雷达波数据进行增强的目的,我们提出的方法包括标记块交换方法;除此之外,我们还提出去除部分雷达波原始数据来直接忽视单个脉冲周期信息对雷达目标识别的影响;并且我们还根据回波函数的特性,对相邻雷达波数据的影响关系进行放缩,具体的实施规则为对标记块数据进行exp级放大与ln级缩小。
2)数据成像模块:以SAR雷达波为实验对象,1)中提出的蜕变方法对SAR雷达波原始数据进行增强,并对SAR雷达波数据进行识别,通过FFT、滤波的手段来完成SAR雷达波数据的成像过程。
本发明的特点在于:
1.首次从雷达波的层次对雷达目标检测信息进行数据增强。
2.根据雷达波原始数据之间的信息规律找到蜕变方法。
3.以SAR雷达波原始数据为实验对象,对雷达波数据进行成像分析,完成对SAR雷达波增强数据的图像合成。
附图说明
图1为本发明实施流程图。
图2是原始成像图像
图3是交换10个点数据
图4是交换50个点数据
图5是交换100个点数据
图6是交换200个点数据
图7是交换300个点数据
图8是交换400个点数据
图9是交换500个点数据
图10是交换1000个点数据
图11是交换5000个点数据
图12是交换10000个点数据
图13是交换50000个点数据
图14是交换100000个点数据
图15是交换500000个点数据
图16是交换1000000个点数据
图17是交换2000000个点数据
图18是交换4000000个点数据
图19是去除10个数据点影响
图20是去除50个数据点影响
图21是去除100个数据点影响
图22是去除200个数据点影响
图23是去除300个数据点影响
图24是去除400个数据点影响
图25是去除500个数据点影响
图26是去除1000个数据点影响
图27是去除5000个数据点影响
图28是去除10000个数据点影响
图29是去除50000个数据点影响
图30是去除100000个数据点影响
图31是去除500000个数据点影响
图32是去除1000000个数据点影响
图33是去除2000000个数据点影响
图34是去除4000000个数据点影响
图35是1倍方位向标记块ln级放缩
图36是1倍距离向标记块ln级放缩
图37是5倍方位向标记块ln级放缩
图38是5倍距离向标记块ln级放缩
图39是10倍方位向标记块1n级放缩
图40是10倍距离向标记块ln级放缩
图41是30倍方位向标记块ln级放缩
图42是30倍距离向标记块ln级放缩
图43是50倍方位向标记块1n级放缩
图44是50倍距离向标记块1n级放缩
图45是80倍方位向标记块ln级放缩
图46是80倍距离向标记块ln级放缩
图47是100倍方位向标记块ln级放缩
图48是100倍距离向标记块1n级放缩
图49是1倍方位向标记块exp级放大
图50是1倍距离向标记块exp级放大
图51是5倍方位向标记块exp级放大
图52是5倍距离向标记块exp级放大
图53是10倍方位向标记块exp级放大
图54是10倍距离向标记块exp级放大
图55是30倍方位向标记块exp级放大
图56是30倍距离向标记块exp级放大
图57是50倍方位向标记块exp级放大
图58是50倍距离向标记块exp级放大
图59是80倍方位向标记块exp级放大
图60是80倍距离向标记块exp级放大
图61是61100倍方位向标记块exp级放大
图62是100倍距离向标记块exp级放大
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域的技术人员可由本说明书揭露的内容轻易地了解到本发明的其他优点和功效。
本专利通过对雷达波原始数据之间的关系来产生有效的蜕变关系,主要采用了函数分析方法,设计到的技术包括高采样率模数变换、脉冲压缩技术、运动补偿技术、成像算法、实时成像处理技术、慢速动目标检测和成像技术等。
1、雷达信号发射过程
在本发明中,我们先对雷达信号产生与发射过程进行分析。在此过程中包含宽带信号产生、高采样率模数变换以及脉冲压缩技术。现今常用的雷达波生成方法为基于倍频链的波形合成法,通过这个方法雷达产生一个宽带宽信号,为使雷达的空间分辨率处在一个比较高的层次,雷达通过正交解调器对此宽带宽信号进行正交调节,得到正交信号。然而由于产生的正交信号不能得到有效分辨,因此脉冲压缩技术在此得到体现一—通过对产生的信号进行脉冲压缩来完成匹配滤波的过程,这也为后续的回波信息收集提供基础。
2、雷达信号接收过程
本发明中,我们采用运动补偿技术以及慢速动目标检测技术来满足雷达信号在检测目标时遇到运动目标时产生的多普勒效应。在理想条件下,雷达回波信号不会受到外界杂波的干扰,然而在具体实践当中,外界杂波会在一定程度上影响回波信号的准确性,为了减小外界杂波的影响,接收器将使用一个偏差数据来对运动过程进行补偿。因为杂波的持续时段一般很短或者不连续,所以主要的方法之一是将低时频数据过滤。
3、回波函数信息合成
在本发明中我们对雷达在对接收到的回波信号处理的方法进行研究。发现,雷达通过将一个个脉冲周期的回波数据进行叠加,得到一个叠加的回波函数。因此可以说接收器最后得到的函数实际上是在一个个脉冲周期内收集到的所有回波信号的叠加函数。
4、回波信息存储
在本发明中,我们通过对雷达的回波函数进行整理,发现它是一个处于慢时间与快时间的复数函数。雷达在完成了对回波函数的生成后,将回波函数的实部与虚部的参数提取出来,以复数表达式的方式完成对此脉冲周期的回波信号的数据存储。
5、产生蜕变方法
本发明中,我们根据雷达波回波信息收集与处理的方法提出了几组有效的蜕变关系。由于雷达波在进行目标检测时发射的是一个个连续的脉冲波,脉冲波在接触到点目标后开始反射,而探测目标由一个个点目标组成,因此同一段脉冲波在反射后被接收器接收到的脉冲周期有可能是不同的,而雷达波原始数据存储的是一个个脉冲周期内接收到的回波信息的叠加信息,由于这些回波很有可能是由不同的脉冲波组成的,因此我们可以推断相邻雷达波数据之间存在一定的相关性。通过这个结论,我们进行了相关实验,发现相邻的雷达波原始数据在进行成像过程中,会由于时间序上的连续性使成像结果受到相应的影响。基于以上内容,我们提出了对相邻数据的进行处理的方法,使用的方法包括:逐渐去除相邻雷达波数据之间的影响关系、逐渐去除单个雷达波数据点对成像的影响、逐渐放缩相邻雷达波数据之间的影响关系。使用这些蜕变关系,完成对雷达波原始数据的数据增强。
6、处理数据成像
在本发明中,我们以SAR雷达波原始数据作为实验对象,使用SAR成像算法与成像技术完成从雷达波原始数据到图像的成像过程,并将这些经过标记的雷达波原始数据对应到它的合成图像当中。
本发明的基于蜕变方法的雷达波原始数据增强方法,主要包括:
数据蜕变模块:通过雷达信号发射与接收的原理来找到雷达波原始数据之间的关系,通过这一关系进行假设与实验找到一组有效的蜕变关系。
数据成像模块:以SAR雷达波原始数据作为实验对象,通过对已经完成标记与变换处理的SAR雷达波原始数据进行快速傅里叶变换以及滤波过程,完成从SAR雷达波原始数据到标记图像的过程。
在本实例中,数据蜕变模块通过对SAR雷达波原始数据进行分块标记,使用了对相同大小的标记块进行数据交换、去除标记块数据的影响、放大与缩小相邻数据的影响的方法来完成数据扩增扩充的方法。此外,我们还对不同规模的扩增数据进行标记,为后续的数据比较部分提供有效的参考。最后我们会得到一组标记成像图片,里面的每一张图片都有对应的标记信息。
Claims (3)
1.基于蜕变方法的雷达波原始数据增强方法,其特征在于可以对雷达探测到的雷达波原始数据进行数据增强,数据增强的过程包含对雷达波数据含义进行分析与寻找有效的蜕变关系。该方法的步骤如下:
1)用户提供雷达波原始数据;
2)该方法对用户所提供的雷达波原始数据进行处理,主要包含:
2.1)数据蜕变模块,将雷达波原始数据按蜕变规则分块,并对每块数据进行标记;标记好的相同尺寸的雷达波原始数据块之间进行随机交换,生成若干交标记的数据,作为变换生成数据;
2.2)数据成像模块,使用快速傅里叶变换的方法来对雷达波变换生成数据进行图像合成,并根据变换生成数据的标记信息对合成图像进行标记。
3)将标记好的合成图像按交换规则与规模进行分类,最后得到基于雷达波原始数据扩增而成的合成图像数据集。
2.根据权利要求1所述的基于蜕变方法的雷达波原始数据增强方法,其特征在于:在数据蜕变模块,它的蜕变规则是根据雷达在信息收集时,在方位向与距离向频域上的同步关系而产生的,分块标记的原理则是按照原始数据点之间的相干性,完成对雷达波原始数据进行分块的过程。
3.根据权利要求1所述的基于蜕变方法的雷达波原始数据增强方法,其特征在于:以SAR雷达为例,在数据成像模块,对Range方向进行FFT,转换到距离向的频域;进行距离向的脉冲压缩,完成匹配滤波;对Range方向进行IFFT,转换到距离向的时域;对Azimuth方向进行FFT,转换到距离多普勒域。完成从雷达波原始数据到合成图像的转化过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111471993.7A CN114280592A (zh) | 2021-11-30 | 2021-11-30 | 一种基于蜕变方法的雷达波原始数据增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111471993.7A CN114280592A (zh) | 2021-11-30 | 2021-11-30 | 一种基于蜕变方法的雷达波原始数据增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114280592A true CN114280592A (zh) | 2022-04-05 |
Family
ID=80871012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111471993.7A Pending CN114280592A (zh) | 2021-11-30 | 2021-11-30 | 一种基于蜕变方法的雷达波原始数据增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114280592A (zh) |
-
2021
- 2021-11-30 CN CN202111471993.7A patent/CN114280592A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107728115B (zh) | 一种雷达目标成像后基于svm的背景干扰抑制方法 | |
CN104101864B (zh) | 基于eof分解的导航x波段雷达海浪参数反演算法 | |
CN113963441B (zh) | 一种基于跨域增强的毫米波雷达手势识别方法及系统 | |
CN103293521B (zh) | 一种利用x波段雷达探测近海海域水深的方法 | |
CN110082764B (zh) | 基于稳健正则化层析方法的sar图像成像方法 | |
CN112835009B (zh) | 一种基于fmcw雷达rai的数据集拓展方法 | |
CN102920478A (zh) | 一种合成聚焦的便携式b型超声成像方法 | |
CN107831473B (zh) | 基于高斯过程回归的距离-瞬时多普勒图像序列降噪方法 | |
CN110263646A (zh) | 一种基于卷积神经网络的海面弱目标探测方法和系统 | |
Wang et al. | Unsupervised ship detection for single-channel SAR images based on multiscale saliency and complex signal kurtosis | |
CN111665489A (zh) | 一种基于目标特性的线谱提取方法 | |
CN114167423A (zh) | 基于深度回归网络的雷达海浪参数测量方法 | |
CN118334736A (zh) | 基于毫米波雷达的多目标身份识别与行为监测方法 | |
CN113514833B (zh) | 一种基于海浪图像的海面任意点波向的反演方法 | |
CN117148353B (zh) | 基于毫米波sar的近距离多目标检测方法及安检系统 | |
CN112215832B (zh) | Sar尾迹图像质量评估及自适应探测参数调整方法 | |
CN114280592A (zh) | 一种基于蜕变方法的雷达波原始数据增强方法 | |
CN102841341A (zh) | 一种脉冲雷达动目标检测方法 | |
CN116359876A (zh) | 一种雷达信号处理方法 | |
CN104732190B (zh) | 一种基于正交纹理相关分析的合成孔径声纳目标检测方法 | |
CN112782665B (zh) | 一种基于fmcw雷达rdi的数据集拓展方法 | |
CN115390058A (zh) | 基于微多普勒特征的单通道超宽带雷达人体姿态估计方法 | |
CN112068125B (zh) | 一种六维探地雷达系统 | |
CN110161500B (zh) | 一种基于Radon-Clean的改进圆周SAR三维成像方法 | |
Wang et al. | Moving target detection based on Circular Video SAR |
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 |