CN115877380A - 一种sar多运动目标成像方法、装置和存储介质 - Google Patents

一种sar多运动目标成像方法、装置和存储介质 Download PDF

Info

Publication number
CN115877380A
CN115877380A CN202211509236.9A CN202211509236A CN115877380A CN 115877380 A CN115877380 A CN 115877380A CN 202211509236 A CN202211509236 A CN 202211509236A CN 115877380 A CN115877380 A CN 115877380A
Authority
CN
China
Prior art keywords
moving
target
moving target
signal
imaging
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
Application number
CN202211509236.9A
Other languages
English (en)
Inventor
穆慧琳
丁畅
童宁宁
柴进晋
赵梦晓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Air Force Engineering University of PLA
Original Assignee
Air Force Engineering University of PLA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Air Force Engineering University of PLA filed Critical Air Force Engineering University of PLA
Priority to CN202211509236.9A priority Critical patent/CN115877380A/zh
Publication of CN115877380A publication Critical patent/CN115877380A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了一种SAR多运动目标成像方法、装置和存储介质，属于微波遥感领域，包括：获取双通道SAR数据；对双通道SAR数据进行预处理获得散焦运动目标信号；通过散焦运动目标信号构建多运动目标稀疏观测模型；采用自适应Chirplet分解方法估计多运动目标稀疏观测模型中的运动目标多普勒调频率，利用多普勒调频率估计值构造观测矩阵；采用交替方向乘子法ADMM对稀疏观测模型中观测矩阵的多运动目标进行稀疏重构，获得多运动目标图像。本发明采用ADMM对多运动目标进行稀疏重构，ADMM将复杂的凸优化问题分解为多个交替寻找最优解的子优化问题，从而实现多运动目标图像精确且高效重构，提高了成像质量和成像效率低。

Description

一种SAR多运动目标成像方法、装置和存储介质
技术领域
本发明属于微波遥感技术领域，具体涉及一种SAR多运动目标成像方法、装置和存储介质。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)能够实现全天时、全天候、高分辨对地观测，已广泛应用于静止场景成像。然而，雷达观测场景中通常存在大量运动目标，受到目标运动参数影响，传统SAR成像算法使得运动目标图像出现散焦现象。同时，强地物杂波和系统噪声对运动目标信号的幅度和相位造成干扰，使得运动目标聚焦成像愈加困难。尤其对于多运动目标成像场景，目标几何特征和边缘信息模糊，邻近多个运动目标容易发生混叠和旁瓣干扰，不利于后续目标识别和分类任务。
为了实现SAR运动目标聚焦成像，美国J.K.Jao等人通过遍历目标运动参数的可能值设计多普勒调频率滤波器组，对散焦运动目标信号分别进行成像处理，并搜索得到聚焦效果最优的滤波器，从而实现目标参数估计与聚焦成像。该方法原理简单，易于实现，然而其参数估计精度和成像精度受限于遍历步长，且无法对多个运动目标同时聚焦成像。考虑到散焦运动目标信号沿方位可以表征为线性调频(Linear Frequency Modulation，LFM)信号，因此可以采用时频分析方法对目标多普勒调频率进行估计，然后构造匹配滤波器实现运动目标二次聚焦。意大利S.Barbarossa等人利用魏格纳-维利分布(Wigner-VilleDistribution,WVD)实现运动目标调频率估计和聚焦成像，WVD对单个运动目标具有最优的估计性能，当存在多个运动目标时，其WVD存在严重的交叉项，影响参数估计精度和成像质量。随后平滑伪WVD、多项式WVD等一系列改进方法被提出，通过牺牲信号时频分辨率实现交叉项抑制。此外，分数阶傅里叶变换、吕氏变换等方法也相继被应用于多运动目标聚焦成像中，有效避免交叉项干扰。然而，在多目标场景下传统匹配滤波方法使得图像动态响应范围较低，响应旁瓣较高。同时，在背景强地物杂波环境下，运动目标信号容易受到背景杂波和噪声干扰，使得参数估计精度下降，目标重聚焦质量下降。
随着压缩感知等稀疏重构理论的不断完善，基于稀疏表示的SAR运动目标成像方法被提出。该方法将成像问题建模为逆问题，利用运动目标的稀疏特征对解空间进行约束，使得病态求逆问题具有稳定的唯一解，通过稀疏重构算法实现对运动目标散射系数的精确重构。相比于时频分析方法，基于稀疏表示的成像方法在提高成像分辨率的同时降低响应旁瓣。然而，该类方法需要建立目标速度过完备字典，消耗大量内存和运算时间，成像效率较低。
发明内容
为了克服上述现有技术存在的不足，本发明提供了一种基于交替方向乘子法ADMM(Alternating Direction Method ofMultipliers)的SAR多运动目标成像方法。
首先对杂波抑制和SAR成像处理后的散焦运动目标信号建立多目标稀疏观测模型，将成像问题转化为凸优化问题。考虑到观测模型中的观测矩阵包含未知的目标运动参数，基于自适应Chirplet分解方法对目标多普勒调频率进行估计，从而实现观测矩阵设计。为改善动态响应范围和成像效率，本发明采用ADMM实现运动目标散射系数稀疏重构。通过引入辅助变量、拉格朗日乘子和惩罚参数将原本复杂的凸优化问题转化为交替优化的一系列简单子问题，从而实现多运动目标图像精确且高效重构。最后，通过点目标仿真实验和机载SAR实测数据验证所提算法的有效性和优越性。
为了实现上述目的，本发明提供如下技术方案：
一种SAR多运动目标成像方法，包括以下步骤：
获取双通道SAR数据；
对所述双通道SAR数据进行预处理获得散焦运动目标信号；
通过散焦运动目标信号构建多运动目标稀疏观测模型；
采用自适应Chirplet分解方法估计所述多运动目标稀疏观测模型中的运动目标多普勒调频率，然后利用多普勒调频率估计值构造观测矩阵；
采用交替方向乘子法ADMM对所述稀疏观测模型中观测矩阵的多运动目标进行稀疏重构，获得多运动目标图像。
优选地，在对所述双通道SAR数据进行预处理获得散焦运动目标信号之前，构建双通道SAR运动目标成像几何模型，运动目标以速度v(tm)在成像场景中运动，位置向量表示为
Figure BDA0003969972370000031
其中，，tm为方位向慢时间，
Figure BDA0003969972370000032
表示Y轴的单位向量，
Figure BDA0003969972370000033
表示X轴的单位向量，x0和y0为运动目标的初始位置，vx和vr＝vy sinφ分别表示运动目标切向速度和径向速度，vy为运动目标地面距离向速度，φ表示雷达下视角。ax和ar＝ay sinφ分别为目标的切向加速度和径向加速度，ay为运动目标地面距离向加速度；
第i个等效天线和运动目标之间的瞬时斜距Ri(tm)表示为：
Figure BDA0003969972370000034
qi为天线速度，p为运动目标速度，假设雷达天线波束中心在tac时刻穿越目标，对公式(1)在tm＝tac处进行泰勒级数展开可得：
Figure BDA0003969972370000035
其中，RB＝R(tac)表示天线与运动目标之间的最小斜距，V为速度。
优选地，所述双通道SAR数据包括运动目标信号、杂波信号和系统噪声信号，所述运动目标信号、杂波信号和系统噪声信号构成总的接收信号；
所述运动目标信号为：
Figure BDA0003969972370000036
其中，
Figure BDA0003969972370000041
表示距离向快时间，At为运动目标的复后向散射系数，wa(tm)表示方位向包络函数，c为光速，Br表示发射信号带宽，λ表示波长，j为系数；
所述总的接收信号为：
Figure BDA0003969972370000042
其中，tm表示方位向慢时间，Sc为背景地物杂波产生的杂波信号，n为系统噪声。
优选地，对所述双通道SAR数据进行预处理获得散焦运动目标信号，具体包括：
采用双通道DPCA技术实现杂波抑制，并将公式(2)代入公式(4)，同时将公式(4)代入公式(5)，DPCA处理后的信号能够表示为：
Figure BDA0003969972370000043
其中，
Figure BDA0003969972370000044
表示残余杂波和噪声之和，干涉相位表示为ψ＝4πvrd/(λV)，fdt＝-2vr/λ和γdt＝-[2(V-vx)2+2arRB]/(λRB)分别表示运动目标的多普勒中心频率和调频率；
采用匹配滤波器对DPCA处理后的回波信号进行方位向脉冲压缩处理，经过方位向匹配滤波处理后的运动目标图像表示为：
Figure BDA0003969972370000045
其中，A＝At[1-exp(jψ)]exp(-j4πRB/λ)，经过成像处理后运动目标图像出现散焦现象，沿方位向仍为LFM信号形式，其中，ΔT＝Ba/γ为LFM信号长度，Ba表示多普勒带宽，信号的多普勒调频率γ表示为：
Figure BDA0003969972370000046
在复杂地面运动目标成像场景中，每个距离单元经常存在多个运动目标，因此，对于每个距离单元，多运动目标信号在方位维能够表征为多分量LFM信号形式，假设某个距离单元内存在K个运动目标，则运动目标信号能够整理为：
Figure BDA0003969972370000051
其中，
Figure BDA0003969972370000052
和γk表示第k个运动目标参数。
优选地，所述通过散焦运动目标信号构建多运动目标稀疏观测模型，具体包括：
将运动目标信号整理为矩阵形式，多运动目标稀疏观测模型表示为：
Figure BDA0003969972370000053
其中，
Figure BDA0003969972370000054
Figure BDA0003969972370000055
其中，Na为方位向采样点数，PRF表示脉冲重复频率，
Figure BDA0003969972370000056
为观测向量，即散焦的运动目标复图像，
Figure BDA0003969972370000057
为加性扰动向量，
Figure BDA0003969972370000058
表示总观测矩阵，由K个与目标调频率相对应的子观测矩阵组合而成，
Figure BDA0003969972370000059
表示K个运动目标复散射系数向量，将K个目标的复散射系数线性叠加得到多运动目标图像
Figure BDA00039699723700000510
优选地，所述观测矩阵的构建过程为：
使用Chirplet基作为基函数集将待分解多运动目标信号s(tm)分解为若干个Chirplet基函数的线性组合：
Figure BDA00039699723700000511
其中，ak为第k个Chirplet基函数的系数，Chirplet基函数表示为：
Figure BDA00039699723700000512
其中，σk、tk、fk和γk分别表示基函数的时间宽度、时间中心、中心频率和调频率，最匹配的Chirplet基函数能够计算为：
Figure BDA00039699723700000513
其中，sk(tm)为残差信号，第k个Chirplet基函数系数计算为ak＝<sk(tm),gk(tm)>，从信号中分离该信号分量实现残差信号更新sk+1(tm)＝sk(tm)-akgk(tm)；重复上述分解，直至达到预定的迭代次数或者残差信号能量小于阈值
Figure BDA0003969972370000061
从而实现自适应Chirplet分解，最终得到调频率估计值
Figure BDA0003969972370000062
根据调频率估计值获得运动目标调频率估计值
Figure BDA0003969972370000063
构造观测矩阵
Figure BDA0003969972370000064
优选地，采用交替方向乘子法ADMM对所述构造观测矩阵中的多运动目标进行稀疏重构，获得多运动目标图像，具体包括：
由公式可知，运动目标聚焦成像过程是利用
Figure BDA0003969972370000065
和Φ求解
Figure BDA0003969972370000066
利用运动目标在成像场景中的稀疏特征，该问题能够转化为最小L1范数凸优化问题：
Figure BDA0003969972370000067
其中，λ表示正则化因子，该参数决定重构运动目标图像的稀疏程度；
利用ADMM解决上述凸优化问题，通过引入辅助变量、拉格朗日乘子和惩罚参数将凸优化问题转化为交替优化的一系列简单子优化问题求解；
对每个距离单元分别采用ADMM对多运动目标散射系数进行稀疏重构，最终实现成像场景中所有运动目标的聚焦成像。
优选地，所述通过引入辅助变量、拉格朗日乘子和惩罚参数将凸优化问题转化为交替优化的一系列简单子优化问题求解，具体包括：
首先引入一个辅助变量μ，公式(14)能够等效为：
Figure BDA0003969972370000068
公式的增广拉格朗日函数能够表示为：
Figure BDA0003969972370000069
其中，α和ρ分别表示拉格朗日乘子和惩罚参数，上述凸优化问题能够分解为三个子问题交替迭代求解：
Figure BDA0003969972370000071
其中，i表示第i次迭代，通过求解Lρ(A,μ,α)关于A和μ的一阶偏导数为零能够得到前两个子问题的解：
Figure BDA0003969972370000072
其中，S(x,a)＝(x/|x|)max(|x|-a,0)表示增广复数域软阈值函数；重复上述迭代优化过程，直至达到预定的迭代次数或者残差信号能量小于阈值
Figure BDA0003969972370000073
本发明还提供一种基于ADMM的SAR多运动目标成像装置，包括：
数据采集模块，用于获取双通道SAR数据；
数据预处理模块，用于对所述双通道SAR数据进行预处理获得散焦运动目标信号；
稀疏观测模型构建模块，用于通过散焦运动目标信号构建多运动目标稀疏观测模型；
观测矩阵构建模块，用于采用自适应Chirplet分解方法估计所述多运动目标稀疏观测模型中的运动目标多普勒调频率，然后利用多普勒调频率估计值构造观测矩阵；
多运动目标图像生成模块，采用交替方向乘子法ADMM对所述构造观测矩阵中的多运动目标进行稀疏重构，获得多运动目标图像。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的SAR多运动目标成像方法。
本发明提供的SAR多运动目标成像方法具有以下有益效果：
本发明采用ADMM对多运动目标进行稀疏重构，ADMM将复杂的凸优化问题分解为多个交替寻找最优解的子优化问题，从而实现多运动目标图像精确且高效重构，提高了成像质量和成像效率低。最后通过仿真实验和机载SAR实测数据验证所提算法在聚焦成像质量和工作效率方面优于其他成像方法。
附图说明
为了更清楚地说明本发明实施例及其设计方案，下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例，对于本领域普通技术人员来说，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的附图。
图1为双通道SAR运动目标成像几何模型；
图2为多运动目标稀疏观测模型示意图；
图3为基于ADMM的SAR多运动目标成像流程图；
图4为运动目标仿真成像结果；a)成像场景，b)RD成像结果，c)MF成像结果，d)L1成像结果，e)BCS成像结果，f)ADMM成像结果；
图5为运动目标2-4方位向剖面图；a)目标2方位向剖面图，b)目标3和4方位向剖面图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施，下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1
本发明提供了一种SAR多运动目标成像方法，为提高SAR多运动目标同时聚焦性能(成像质量)和成像效率，本发明利用多运动目标信号的多分量线性调频LFM信号形式和稀疏先验知识，提出基于交替方向乘子法(Alternating Direction Method ofMultipliers,ADMM)的SAR多运动目标成像方法。具体如图3所示，包括以下步骤：
步骤1、获取双通道SAR数据。
双通道SAR运动目标成像几何模型如图1所示，假设机载SAR系统工作在正侧视模式下，雷达平台距地面高度为H，以恒定速度V沿X轴飞行。沿航迹放置1个相控阵天线，整个天线用于发射LFM信号，将天线分为2个通道同时接收回波信号。根据天线相位中心等效原理，天线收发分置模式可以等效为天线自发自收模式，第i(i＝1,2)个等效天线的相位中心位于发射天线与接收天线的中点位置。在tm时刻，第i个等效天线的位置向量表示为
Figure BDA0003969972370000091
其中，tm为方位向慢时间，d为两个等效天线的间距，
Figure BDA0003969972370000092
和
Figure BDA0003969972370000093
分别为X轴和Z轴的单位向量。运动目标以速度v(tm)在成像场景中运动，位置向量表示为
Figure BDA0003969972370000094
其中，，Sc为背景地物杂波产生的杂波信号，n为系统噪声，x0和y0为运动目标的初始位置，vx和vr＝vy sinφ分别表示运动目标切向速度和径向速度，vy为运动目标地面距离向速度，φ表示雷达下视角。ax和ar＝ay sinφ分别为目标的切向加速度和径向加速度，ay为运动目标地面距离向加速度。
第i个等效天线和运动目标之间的瞬时斜距Ri(tm)表示为：
Figure BDA0003969972370000095
qi为天线速度，p为运动目标速度，假设雷达天线波束中心在tac时刻穿越目标，对公式(1)在tm＝tac处进行泰勒级数展开可得：
Figure BDA0003969972370000096
其中，RB＝R(tac)表示天线与运动目标之间的最小斜距，V为速度。
经过距离向脉冲压缩和距离徙动校正处理后，运动目标信号可以表示为：
Figure BDA0003969972370000097
其中，
Figure BDA0003969972370000098
表示距离向快时间，At为运动目标的复后向散射系数，wa(tm)表示方位向包络函数，c为光速，Br表示发射信号带宽，λ表示波长，j为系数。在实际成像场景中，除了运动目标信号，接收回波还包括由背景地物杂波产生的杂波信号和系统噪声，因此总的接收信号可以表示为：
Figure BDA0003969972370000101
其中，tm表示方位向慢时间，Sc为背景地物杂波产生的杂波信号，n为系统噪声。
步骤2、对双通道SAR数据进行预处理获得散焦运动目标信号。
从公式(4)以看出运动目标被淹没在杂波信号和噪声中，无法直接提取运动目标信号进行成像处理。因此，需要进行杂波抑制处理以提高信杂噪比(Signal Clutter NoiseRatio，SCNR)。本发明采用双通道DPCA(Displaced Phase Center Antenna)技术实现杂波抑制，并将公式(2)代入公式(4)，同时将公式(4)代入公式(5)，DPCA处理后的信号可以表示为：
Figure BDA0003969972370000102
其中，
Figure BDA0003969972370000103
表示由各通道天线方向图不一致、器件非理想等因素引起的加性扰动，即残余杂波和噪声之和。干涉相位表示为ψ＝4πvrd/(λV)，fdt＝-2vr/λ和γdt＝-[2(V-vx)2+2arRB]/(λRB)分别表示运动目标的多普勒中心频率和调频率。
由于目标运动参数未知，采用与静止目标参数相对应的匹配滤波器对DPCA处理后的回波信号进行方位向脉冲压缩处理。经过方位向匹配滤波处理后的运动目标图像可以表示为：
Figure BDA0003969972370000104
其中，A＝At[1-exp(jψ)]exp(-j4πRB/λ)。经过成像处理后运动目标图像出现散焦现象，沿方位向仍为LFM信号形式，其中，ΔT＝Ba/γ为LFM信号长度，Ba表示多普勒带宽，信号的多普勒调频率γ表示为：
Figure BDA0003969972370000105
在复杂地面运动目标成像场景中，每个距离单元经常存在多个运动目标。因此，对于每个距离单元，多运动目标信号在方位维可以表征为多分量LFM信号形式。假设某个距离单元内存在K个运动目标，则运动目标信号可以整理为：
Figure BDA0003969972370000111
其中，Ak、
Figure BDA0003969972370000112
和γk表示第k个运动目标参数。
步骤3、通过散焦运动目标信号构建多运动目标稀疏观测模型。
稀疏观测模型示意图如图2所示，将运动目标信号整理为矩阵形式，多运动目标稀疏观测模型表示为：
Figure BDA0003969972370000113
其中，
Figure BDA0003969972370000114
Figure BDA0003969972370000115
其中，Na为方位向采样点数，PRF表示脉冲重复频率，
Figure BDA0003969972370000116
为观测向量，即散焦的运动目标复图像。
Figure BDA0003969972370000117
为加性扰动向量。
Figure BDA0003969972370000118
表示总观测矩阵，由K个与目标调频率相对应的子观测矩阵组合而成。
Figure BDA0003969972370000119
表示K个运动目标复散射系数向量，将K个目标的复散射系数线性叠加得到多运动目标图像
Figure BDA00039699723700001110
步骤4、构建基于自适应Chirplet分解的观测矩阵。
在多运动目标稀疏观测模型中，观测矩阵包含未知的运动目标多普勒调频率信息γk。考虑到多运动目标信号可以表征为多分量LFM信号形式，本发明采用自适应Chirplet分解方法对运动目标调频率进行估计，然后利用调频率估计值构造观测矩阵。
自适应Chirplet分解是使用Chirplet基作为基函数集对信号进行自适应分解，将待分解多运动目标信号s(tm)分解为若干个Chirplet基函数的线性组合：
Figure BDA00039699723700001111
其中，ak为第k个Chirplet基函数的系数。Chirplet基函数表示为：
Figure BDA0003969972370000121
其中，σk、tk、fk和γk分别表示基函数的时间宽度、时间中心、中心频率和调频率。由于该基函数具有调频率参数，因此适合于对多分量LFM信号的分解。最匹配的Chirplet基函数可以计算为：
Figure BDA0003969972370000122
其中，sk(tm)为残差信号。第k个Chirplet基函数系数计算为ak＝<sk(tm),gk(tm)>。从信号中分离该信号分量实现残差信号更新sk+1(tm)＝sk(tm)-akgk(tm)。重复上述分解，直至达到预定的迭代次数或者残差信号能量小于阈值
Figure BDA0003969972370000123
从而实现自适应Chirplet分解，最终得到调频率估计值
Figure BDA0003969972370000124
根据调频率估计值获得运动目标调频率估计值
Figure BDA0003969972370000125
构造观测矩阵
Figure BDA0003969972370000126
步骤5、采用交替方向乘子法ADMM对所述构造观测矩阵中的多运动目标进行稀疏重构，获得多运动目标图像，具体包括：
由公式
Figure BDA0003969972370000127
可知，运动目标聚焦成像过程是利用
Figure BDA0003969972370000128
和Φ求解
Figure BDA0003969972370000129
利用运动目标在成像场景中的稀疏特征，利用
Figure BDA00039699723700001210
和Φ求解
Figure BDA00039699723700001211
的问题可以转化为最小L1范数凸优化问题：
Figure BDA00039699723700001212
其中，λ表示正则化因子，该参数决定重构运动目标图像的稀疏程度。为了提高计算效率，利用ADMM解决上述凸优化问题，通过引入辅助变量、拉格朗日乘子和惩罚参数将原本复杂的凸优化问题转化为交替优化的一系列简单子优化问题求解。首先引入一个辅助变量μ，公式(14)可以等效为：
Figure BDA00039699723700001213
公式的增广拉格朗日函数可以表示为：
Figure BDA00039699723700001214
其中，α和ρ分别表示拉格朗日乘子和惩罚参数。上述凸优化问题可以分解为三个子问题交替迭代求解：
Figure BDA0003969972370000131
其中，i表示第i次迭代。通过求解Lρ(A,μ,α)关于A和μ的一阶偏导数为零可以得到前两个子问题的解：
Figure BDA0003969972370000132
其中，S(x,a)＝(x/|x|)max(|x|-a,0)表示增广复数域软阈值函数。重复上述迭代优化过程，直至达到预定的迭代次数或者残差信号能量小于阈值
Figure BDA0003969972370000133
对每个距离单元分别采用ADMM对多运动目标散射系数进行稀疏重构，最终实现成像场景中所有运动目标的聚焦成像。
实验结果与分析
在SAR点目标成像仿真实验中，系统仿真参数如表1所示，在成像场景中设置4个运动点目标1-4，其中，目标2-4在相同距离单元，目标3和4在方位维相距较近，点目标分布模型如图4a)所示。在点目标模型基础上加入由剩余杂波和加性噪声组成的加性扰动，加性扰动概率密度函数表示为：
Figure BDA0003969972370000134
其中，设置视数n＝1、纹理参数ν＝3和输入信杂噪比SCNR＝10dB。
表1 SAR系统仿真参数
Figure BDA0003969972370000135
运动目标经过传统RD处理后的成像结果如图4b)所示，可以看出运动目标沿方位向发生散焦现象，同一距离单元的多个运动目标图像出现混叠，难以直接辨别每个目标的图像。同时，存在背景剩余杂波和噪声，对运动目标聚焦成像造成不利影响。采用自适应Chirplet分解方法对目标多普勒调频率进行估计。基于调频率估计结果设计方位向匹配滤波器和观测矩阵，基于匹配滤波(Matched Filtering，MF)、L1范数正则化、贝叶斯压缩感知(Bayesian Compressive Sensing,BCS)和ADMM的成像结果分别如图4c)-f)所示，可以看出背景杂波均得到有效抑制，图像聚焦能力得到提高，其中只有ADMM算法能够有效区分目标3和4的图像，ADMM具有最佳的聚焦成像效果。
为说明算法成像结果的动态响应范围和响应旁瓣，图5给出点目标2-4的方位向剖面图。相比于其他方法，经过ADMM处理后，点目标图像的动态响应范围最大，方位向主瓣宽度最小，旁瓣抑制效果最优。由图5b)可知，两个峰值之间的凹口低于-12dB，能够清晰分辨目标3和4。通过计算点目标方位向分辨率、峰值旁瓣比(Peak to Sidelobe Ratio，PSLR)和积分旁瓣比(Integration Sidelobe Ratio，ISLR)定量分析所提算法的聚焦能力。由表2可知，ADMM的主瓣宽度、PSLR和ISLR最小，因此ADMM具有最佳的方位向分辨率和旁瓣抑制能力，聚焦成像能力最强。同时，所提算法运算时间如表2所示，可以看出ADMM在成像效率上稍优于BCS，L1成像时间最长。
表2仿真运动目标2成像质量和效率分析
Figure BDA0003969972370000141
本发明首先对杂波抑制和SAR成像处理后的散焦运动目标信号通过建立多运动目标稀疏观测模型，将多运动目标成像问题建模为稀疏特征约束下的逆问题求解。基于自适应Chirplet分解方法对目标多普勒调频率进行估计，从而实现观测矩阵设计。为获得较高的动态响应范围和较低的旁瓣响应，本发明采用ADMM对多运动目标进行稀疏重构，ADMM将复杂的凸优化问题分解为多个交替寻找最优解的子优化问题，从而实现多运动目标图像精确且高效重构。最后通过仿真实验和机载SAR实测数据验证所提算法在聚焦成像质量和工作效率方面优于其他成像方法。
以上所述实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。

Claims (10)

1.一种SAR多运动目标成像方法，其特征在于，包括以下步骤：
获取双通道SAR数据；
对所述双通道SAR数据进行预处理获得散焦运动目标信号；
通过散焦运动目标信号构建多运动目标稀疏观测模型；
采用自适应Chirplet分解方法估计所述多运动目标稀疏观测模型中的运动目标多普勒调频率，然后利用多普勒调频率估计值构造观测矩阵；
采用交替方向乘子法ADMM对所述稀疏观测模型中观测矩阵的多运动目标进行稀疏重构，获得多运动目标图像。
2.根据权利要求1所述的SAR多运动目标成像方法，其特征在于，在对所述双通道SAR数据进行预处理获得散焦运动目标信号之前，构建双通道SAR运动目标成像几何模型，运动目标以速度v(tm)在成像场景中运动，位置向量表示为
Figure FDA0003969972360000011
其中，tm为方位向慢时间，
Figure FDA0003969972360000012
表示Y轴的单位向量，
Figure FDA0003969972360000013
表示X轴的单位向量，x0和y0为运动目标的初始位置，vx和vr＝vysinφ分别表示运动目标切向速度和径向速度，vy为运动目标地面距离向速度，φ表示雷达下视角；ax和ar＝aysinφ分别为目标的切向加速度和径向加速度，ay为运动目标地面距离向加速度；
第i个等效天线和运动目标之间的瞬时斜距Ri(tm)表示为：
Figure FDA0003969972360000014
qi为天线速度，p为运动目标速度，假设雷达天线波束中心在tac时刻穿越目标，对公式(1)在tm＝tac处进行泰勒级数展开可得：
Figure FDA0003969972360000015
其中，RB＝R(tac)表示天线与运动目标之间的最小斜距，V为速度。
3.根据权利要求2所述的SAR多运动目标成像方法，其特征在于，所述双通道SAR数据包括运动目标信号、杂波信号和系统噪声信号，所述运动目标信号、杂波信号和系统噪声信号构成总的接收信号；
所述运动目标信号为：
Figure FDA0003969972360000021
其中，
Figure FDA0003969972360000022
表示距离向快时间，At为运动目标的复后向散射系数，wa(tm)表示方位向包络函数，c为光速，Br表示发射信号带宽，λ表示波长，j为系数；
所述总的接收信号为：
Figure FDA0003969972360000023
其中，tm表示方位向慢时间，Sc为背景地物杂波产生的杂波信号，n为系统噪声。
4.根据权利要求3所述的SAR多运动目标成像方法，其特征在于，对所述双通道SAR数据进行预处理获得散焦运动目标信号，具体包括：
采用双通道DPCA技术实现杂波抑制，并将公式(2)代入公式(4)，同时将公式(4)代入公式(5)，DPCA处理后的信号表示为：
Figure FDA0003969972360000024
其中，
Figure FDA0003969972360000025
表示残余杂波和噪声之和，干涉相位表示为ψ＝4πvrd/(λV)，fdt＝-2vr/λ和γdt＝-[2(V-vx)2+2arRB]/(λRB)分别表示运动目标的多普勒中心频率和调频率；
采用匹配滤波器对DPCA处理后的回波信号进行方位向脉冲压缩处理，经过方位向匹配滤波处理后的运动目标图像表示为：
Figure FDA0003969972360000026
其中，A＝At[1-exp(jψ)]exp(-j4πRB/λ)，经过成像处理后运动目标图像出现散焦现象，沿方位向仍为LFM信号形式，其中，ΔT＝Ba/γ为LFM信号长度，Ba表示多普勒带宽，信号的多普勒调频率γ表示为：
Figure FDA0003969972360000031
对于每个距离单元，多运动目标信号在方位维能够表征为多分量LFM信号形式，假设某个距离单元内存在K个运动目标，则运动目标信号为：
Figure FDA0003969972360000032
其中，Ak、
Figure FDA0003969972360000033
ΔTk、
Figure FDA0003969972360000034
和γk表示第k个运动目标参数。
5.根据权利要求4所述的SAR多运动目标成像方法，其特征在于，所述通过散焦运动目标信号构建多运动目标稀疏观测模型，具体包括：
将运动目标信号整理为矩阵形式，多运动目标稀疏观测模型表示为：
Figure FDA0003969972360000035
其中，
Figure FDA0003969972360000036
其中，Na为方位向采样点数，PRF表示脉冲重复频率，
Figure FDA0003969972360000037
为观测向量，即散焦的运动目标复图像，
Figure FDA0003969972360000038
为加性扰动向量，
Figure FDA0003969972360000039
表示总观测矩阵，由K个与目标调频率相对应的子观测矩阵组合而成，
Figure FDA00039699723600000310
表示K个运动目标复散射系数向量，将K个目标的复散射系数线性叠加得到多运动目标图像
Figure FDA00039699723600000311
6.根据权利要求5所述的SAR多运动目标成像方法，其特征在于，所述观测矩阵的构建过程为：
使用Chirplet基作为基函数集将待分解多运动目标信号s(tm)分解为若干个Chirplet基函数的线性组合：
Figure FDA00039699723600000312
其中，ak为第k个Chirplet基函数的系数，Chirplet基函数表示为：
Figure FDA0003969972360000041
其中，σk、tk、fk和γk分别表示基函数的时间宽度、时间中心、中心频率和调频率，最匹配的Chirplet基函数能够计算为：
Figure FDA0003969972360000042
其中，sk(tm)为残差信号，第k个Chirplet基函数系数计算为ak＝<sk(tm),gk(tm)>，从信号中分离该信号分量实现残差信号更新sk+1(tm)＝sk(tm)-akgk(tm)；重复上述分解，直至达到预定的迭代次数或者残差信号能量小于阈值
Figure FDA0003969972360000043
从而实现自适应Chirplet分解，最终得到调频率估计值
Figure FDA0003969972360000044
根据调频率估计值获得运动目标调频率估计值
Figure FDA0003969972360000045
构造观测矩阵
Figure FDA0003969972360000046
7.根据权利要求6所述的SAR多运动目标成像方法，其特征在于，采用交替方向乘子法ADMM对所述构造观测矩阵中的多运动目标进行稀疏重构，获得多运动目标图像，具体包括：
运动目标聚焦成像过程是利用
Figure FDA0003969972360000047
和Φ求解
Figure FDA0003969972360000048
利用运动目标在成像场景中的稀疏特征，该问题能够转化为最小L1范数凸优化问题：
Figure FDA0003969972360000049
其中，λ表示正则化因子，该参数决定重构运动目标图像的稀疏程度；
利用ADMM解决上述凸优化问题，通过引入辅助变量、拉格朗日乘子和惩罚参数将凸优化问题转化为交替优化的子优化问题求解；
对每个距离单元分别采用ADMM对多运动目标散射系数进行稀疏重构，最终实现成像场景中所有运动目标的聚焦成像。
8.根据权利要求7所述的SAR多运动目标成像方法，其特征在于，所述通过引入辅助变量、拉格朗日乘子和惩罚参数将凸优化问题转化为交替优化的子优化问题求解，具体包括：
首先引入一个辅助变量μ，公式(14)能够等效为：
Figure FDA0003969972360000051
公式的增广拉格朗日函数能够表示为：
Figure FDA0003969972360000052
其中，α和ρ分别表示拉格朗日乘子和惩罚参数，上述凸优化问题能够分解为三个子问题交替迭代求解：
Figure FDA0003969972360000053
其中，i表示第i次迭代，通过求解Lρ(A,μ,α)关于A和μ的一阶偏导数为零能够得到前两个子问题的解：
Figure FDA0003969972360000054
其中，S(x,a)＝(x/|x|)max(|x|-a,0)表示增广复数域软阈值函数；重复上述迭代优化过程，直至达到预定的迭代次数或者残差信号能量小于阈值
Figure FDA0003969972360000055
9.一种基于ADMM的SAR多运动目标成像装置，其特征在于，包括：
数据采集模块，用于获取双通道SAR数据；
数据预处理模块，用于对所述双通道SAR数据进行预处理获得散焦运动目标信号；
稀疏观测模型构建模块，用于通过散焦运动目标信号构建多运动目标稀疏观测模型；
观测矩阵构建模块，用于采用自适应Chirplet分解方法估计所述多运动目标稀疏观测模型中的运动目标多普勒调频率，然后利用多普勒调频率估计值构造观测矩阵；
多运动目标图像生成模块，采用交替方向乘子法ADMM对所述构造观测矩阵中的多运动目标进行稀疏重构，获得多运动目标图像。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的SAR多运动目标成像方法。
CN202211509236.9A 2022-11-29 2022-11-29 一种sar多运动目标成像方法、装置和存储介质 Pending CN115877380A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211509236.9A CN115877380A (zh) 2022-11-29 2022-11-29 一种sar多运动目标成像方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211509236.9A CN115877380A (zh) 2022-11-29 2022-11-29 一种sar多运动目标成像方法、装置和存储介质

Publications (1)

Publication Number Publication Date
CN115877380A true CN115877380A (zh) 2023-03-31

Family

ID=85764551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211509236.9A Pending CN115877380A (zh) 2022-11-29 2022-11-29 一种sar多运动目标成像方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN115877380A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116449368A (zh) * 2023-06-14 2023-07-18 中国人民解放军国防科技大学 短距离毫米波mimo-sar的成像方法、装置及设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116449368A (zh) * 2023-06-14 2023-07-18 中国人民解放军国防科技大学 短距离毫米波mimo-sar的成像方法、装置及设备
CN116449368B (zh) * 2023-06-14 2023-08-25 中国人民解放军国防科技大学 短距离毫米波mimo-sar的成像方法、装置及设备

Similar Documents

Publication Publication Date Title
CN111142105B (zh) 复杂运动目标isar成像方法
Ender A brief review of compressive sensing applied to radar
Zhang et al. Fast inverse-scattering reconstruction for airborne high-squint radar imagery based on Doppler centroid compensation
CN104950306B (zh) 一种海杂波背景下前视海面目标角超分辨成像方法
CN104950305B (zh) 一种基于稀疏约束的实波束扫描雷达角超分辨成像方法
CN111145337B (zh) 基于分辨率逼近的快速稀疏重构的线阵sar三维成像方法
CN104111458A (zh) 基于双重稀疏约束的压缩感知合成孔径雷达成像方法
CN103869316A (zh) 基于稀疏表征的前视阵列sar超分辨成像方法
CN112415515B (zh) 一种机载圆迹sar对不同高度目标分离的方法
CN108562884A (zh) 一种基于最大后验概率的机载前视海面目标角超分辨方法
Zheng et al. Fast parameter estimation algorithm for cubic phase signal based on quantifying effects of Doppler frequency shift
CN112731394A (zh) 基于近似观测矩阵的聚束sar杂波抑制和动目标重聚焦
Hu et al. Adaptive waveform optimization for MIMO radar imaging based on sparse recovery
CN105699950A (zh) 基于自适应迭代前后向平滑共轭梯度的雷达杂波抑制方法
CN110967677B (zh) 时频域分级多目标分辨与测量方法
CN116184347A (zh) 基于距离选通与子空间投影的机载雷达折叠杂波抑制方法
CN115877380A (zh) 一种sar多运动目标成像方法、装置和存储介质
CN110133656B (zh) 一种基于互质阵列的分解与融合的三维sar稀疏成像方法
CN112147608A (zh) 一种快速高斯网格化非均匀fft穿墙成像雷达bp方法
CN113608218A (zh) 一种基于后向投影原理的频域干涉相位稀疏重构方法
Wei et al. Translational motion compensation for ISAR imaging based on range joint fast orthogonal matching pursuit algorithm
CN112230220A (zh) 基于Radon变换的Deramp-STAP动目标检测方法
Thammakhoune et al. Moving target imaging for synthetic aperture radar via RPCA
CN113238229B (zh) 一种geo星机双基sar无模糊成像方法
CN115015925A (zh) 基于改进匹配追踪的机载阵列雷达超分辨前视成像方法及装置

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