CN116256714B - 基于雷达成像的电磁散射特性测量方法及装置 - Google Patents
基于雷达成像的电磁散射特性测量方法及装置 Download PDFInfo
- Publication number
- CN116256714B CN116256714B CN202211737610.0A CN202211737610A CN116256714B CN 116256714 B CN116256714 B CN 116256714B CN 202211737610 A CN202211737610 A CN 202211737610A CN 116256714 B CN116256714 B CN 116256714B
- Authority
- CN
- China
- Prior art keywords
- target
- radar
- imaging
- image
- carrying
- 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
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
- G01S7/417—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 involving the use of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于雷达成像的电磁散射特性测量方法。本发明基于目标不同积累角度的二维雷达图像,对二维雷达图像根据像素值大小进行散射中心提取,之后将该散射中心信息通过对单反射体目标的多参量成像数据训练的神经网络进行识别去除杂波以及伪峰,多次迭代处理后得到目标真实散射中心分布。本发明还公开了一种基于雷达成像的电磁散射特性测量装置。相比现有技术,本发明具有以下有益效果:本发明不仅能够高精度获取目标散射中心分布的几何分布信息,同时能够得到其对应的真实部件的物理信息(包括尺寸、材料、形状等),大大提高了信息维度,从而能实现对目标的高精度诊断。
Description
技术领域
本发明涉及一种电磁散射特性测量方法,尤其涉及一种基于雷达成像的电磁散射特性测量方法。
背景技术
随着雷达探测技术的发展,无论在军用的隐身目标探测识别还是民用的智能驾驶障碍物识别等方面,对目标散射特性的测量与诊断成为一个重要研究内容,包括对雷达散射截面(RCS)以及散射中心分布的测量。传统的测量方法包括S参数测量法和基于成像的测量法。其中,S参数测量法(Jarvis R E,Metcalf J G,McDaniel J W."Application ofAdaptive Pulse Compression in Cluttered Radar Cross Section Measurements."IEEE Trans.Instrum.Meas.,vol.71,pp.1-8,2022.)可以得到目标的频点响应,但是无法获得目标的散射中心信息,且测量速度较慢,对于测试环境要求也较高,不利于对目标的探测与识别。而基于雷达成像的测量方法(M.Pieraccini,L.Miccinesi and N.Rojhani,"RCSmeasurements and ISAR images of small UAVs",IEEE Aerosp.Electron.Syst.Mag.,vol.32,no.9,pp.28-32,Sep.2017.)可以获取目标电磁散射中心分布,而且可以滤除环境噪声和背景杂波的干扰,但是得到的散射特性信息维度较为单一,仅包含散射中心位置和RCS信息,不利于目标的准确识别。
传统的散射中心提取算法有基于sinc模型的方法和CLEAN方法。其中sinc模型方法无法去除由于成像的角度积累造成目标在某些角度下散射中心互相耦合形成的伪峰。CLEAN方法虽然能够去掉强散射中心的旁瓣,但是无法识别目标成像区域附近可能存在的强杂波。此外,也有基于遗传算法的散射中心提取算法(M.Jing and G.Zhang,"Attributedscattering center extraction with genetic algorithm",IEEE Trans.AntennasPropag.,vol.69,no.5,pp.2810-2819,May 2021.)能够得到目标的稳定散射中心,但是无法得到真实目标对应位置的具体物理特性如形状、尺寸、材料等信息,获取的散射中心分布在信息维度上有一定的局限性。
发明内容
本发明所要解决的技术问题在于克服现有技术不足,提供一种基于雷达成像的电磁散射特性测量方法,可快速准确地获取包括电磁散射中心几何分布信息在内的多维度电磁散射特性信息。
本发明具体采用以下技术方案解决上述技术问题:
一种基于雷达成像的电磁散射特性测量方法,首先对目标进行雷达二维成像,获取目标不同积累角度的二维雷达图像集A1,然后通过以下方法获取目标散射中心分布:从图像集A1中找出幅值最大的位置集(xn,yn),以该位置为中心获取距离—方位向信息数据集,设为bn;将该数据集作为测试集输入散射中心识别模型中进行识别,得到识别结果B1;之后根据成像积累角度以及识别结果从A1中去除位置集(xn,yn)附近数据得到新图像集A2;将A2按照上述步骤处理,得到新识别结果B2以及新图像集A3;不断重复该步骤,直到N次后获得的识别结果BN表现出噪声识别结果,则以此时迭代的图像集AN为噪声和杂波,以B1~BN-1作为目标真实散射中心集合的识别结果;
所述散射中心识别模型为通过以下方法预先训练的神经网络:
首先以简单单反射体作为目标,以目标旋转中心为原点建立坐标系,目标放置在距离原点间距为r1位置,对目标进行雷达二维成像;随机选取一帧二维图像,从图像中找出幅值最大的位置(x1,y1),认为该位置为目标在该积累角度下对应图像的散射中心,再从该图像中以(x1,y1)为中心获取目标位置附近的距离——方位向信息,将其认为是一个训练样本a1,对其他帧图像做同样处理,得到n组训练样本;之后,将该目标放置在以原点为圆心,r1为半径的圆周其他位置分别进行雷达成像,之后同样利用上述方式进行处理,共进行m轮放置,最终即可得到m×n组训练样本;以包括反射体形状、尺寸、成像积累角度以及目标距离旋转中心间距r1在内的参数作为样本标签,并改变标签参数重复进行上述测试,获得K类样本;从所得到的K类样本中选取训练集对神经网络进行训练,得到所述散射中心识别模型。
进一步地,所述基于雷达成像的电磁散射特性测量方法还包括:对雷达图像中任意位置加矩形窗,并通过神经网络对散射中心位置的识别确定矩形窗对应目标的具体几何位置;利用帕塞瓦尔定理,将矩形窗内像素值求和,并与标准件的定标值比较处理,得到该区域目标部分的雷达散射截面值,实现对目标具体部分的高精度诊断。
优选地,所述雷达二维成像的方法具体如下:
在发射端,将单频光载波分为两路,用单频信号和中频线性调频信号对第一路单频光载波依次进行载波抑制单边带调制,用所述中频线性调频信号对第二路单频光载波进行载波抑制单边带调制,将所得到的两路调制信号耦合为一路后再分为两路,一路作为参考信号,另一路转换为电信号后作为雷达探测信号发射;
在接收端,用目标回波信号对所述参考光信号进行电光调制,然后对调制信号利用光电探测器进行光去斜,得到去斜信号;连续采集目标360°范围内的去斜信号,并设置一个矩形时间窗加载到去斜信号上,对窗内的信号做二维FFT处理以得到对应角度范围内的二维雷达图像;通过移动所述矩形时间窗,最终得到不同角度范围内的二维雷达图像。
基于同一发明构思还可以得到以下技术方案:
一种基于雷达成像的电磁散射特性测量装置,包括:
雷达成像单元,用于对目标进行雷达二维成像,获取目标不同积累角度的二维雷达图像集A1;
散射中心提取单元,用于通过以下方法获取目标散射中心分布:
从图像集A1中找出幅值最大的位置集(xn,yn),以该位置为中心获取距离—方位向信息数据集,设为bn;将该数据集作为测试集输入散射中心识别模型中进行识别,得到识别结果B1;之后根据成像积累角度以及识别结果从A1中去除位置集(xn,yn)附近数据得到新图像集A2;将A2按照上述步骤处理,得到新识别结果B2以及新图像集A3;不断重复该步骤,直到N次后获得的识别结果BN表现出噪声识别结果,则以此时迭代的图像集AN为噪声和杂波,以B1~BN-1作为目标真实散射中心集合的识别结果;
所述散射中心识别模型为通过以下方法预先训练的神经网络:
首先以简单单反射体作为目标,以目标旋转中心为原点建立坐标系,目标放置在距离原点间距为r1位置,对目标进行雷达二维成像;随机选取一帧二维图像,从图像中找出幅值最大的位置(x1,y1),认为该位置为目标在该积累角度下对应图像的散射中心,再从该图像中以(x1,y1)为中心获取目标位置附近的距离——方位向信息,将其认为是一个训练样本a1,对其他帧图像做同样处理,得到n组训练样本;之后,将该目标放置在以原点为圆心,r1为半径的圆周其他位置分别进行雷达成像,之后同样利用上述方式进行处理,共进行m轮放置,最终即可得到m×n组训练样本;以包括反射体形状、尺寸、成像积累角度以及目标距离旋转中心间距r1在内的参数作为样本标签,并改变标签参数重复进行上述测试,获得K类样本;从所得到的K类样本中选取训练集对神经网络进行训练,得到所述散射中心识别模型。
进一步地,所述基于雷达成像的电磁散射特性测量装置还包括:
散射特性诊断单元,用于通过以下方法实现目标散射特性的诊断:对雷达图像中任意位置加矩形窗,并通过神经网络对散射中心位置的识别确定矩形窗对应目标的具体几何位置;利用帕塞瓦尔定理,将矩形窗内像素值求和,并与标准件的定标值比较处理,得到该区域目标部分的雷达散射截面值,实现对目标具体部分的高精度诊断。
优选地,所述雷达成像单元包括发射端和接收端;在发射端,将单频光载波分为两路,用单频信号和中频线性调频信号对第一路单频光载波依次进行载波抑制单边带调制,用所述中频线性调频信号对第二路单频光载波进行载波抑制单边带调制,将所得到的两路调制信号耦合为一路后再分为两路,一路作为参考信号,另一路转换为电信号后作为雷达探测信号发射;在接收端,用目标回波信号对所述参考光信号进行电光调制,然后对调制信号利用光电探测器进行光去斜,得到去斜信号;连续采集目标360°范围内的去斜信号,并设置一个矩形时间窗加载到去斜信号上,对窗内的信号做二维FFT处理以得到对应角度范围内的二维雷达图像;通过移动所述矩形时间窗,最终得到不同角度范围内的二维雷达图像。
相比现有技术,本发明技术方案具有以下有益效果:本发明不仅能够高精度获取目标散射中心分布的几何分布信息,同时能够得到其对应的真实部件的物理信息(包括尺寸、材料、形状等),大大提高了信息维度,从而能实现对目标的高精度诊断。
附图说明
图1为具体实施方式中所使用雷达成像单元的结构原理示意图;
图2为经过电光调制移频模块后的光谱示意图(以保留+1阶边带为例);
图3为经过宽带信号产生模块1和滤波放大模块后的光谱示意图(以保留+1阶边带为例);
图4为经过宽带信号产生模块2和滤波放大模块后的光谱示意图(以保留-1阶边带为例);
图5为对去斜信号加窗处理的原理示意图;
图6为对二维雷达图像进行散射中心提取的原理示意图;
图7为散射中心提取的流程示意图;
图8为成像雷达散射截面分布提取计算示意图。
具体实施方式
针对现有技术所存在的不足,本发明的解决思路是基于目标不同积累角度的二维雷达图像,对二维雷达图像根据像素值大小进行散射中心提取,之后将该散射中心信息通过对单反射体目标的多参量成像数据训练的神经网络进行识别去除杂波以及伪峰,多次迭代处理后得到目标真实散射中心分布,以及目标对应位置的真实物理信息。
本发明基于雷达成像的电磁散射特性测量方法,首先对目标进行雷达二维成像,获取目标不同积累角度的二维雷达图像集A1,然后通过以下方法获取目标散射中心分布:从图像集A1中找出幅值最大的位置集(xn,yn),以该位置为中心获取距离—方位向信息数据集,设为bn;将该数据集作为测试集输入散射中心识别模型中进行识别,得到识别结果B1;之后根据成像积累角度以及识别结果从A1中去除位置集(xn,yn)附近数据得到新图像集A2;将A2按照上述步骤处理,得到新识别结果B2以及新图像集A3;不断重复该步骤,直到N次后获得的识别结果BN表现出噪声识别结果,则以此时迭代的图像集AN为噪声和杂波,以B1~BN-1作为目标真实散射中心集合的识别结果;
所述散射中心识别模型为通过以下方法预先训练的神经网络:
首先以简单单反射体作为目标,以目标旋转中心为原点建立坐标系,目标放置在距离原点间距为r1位置,对目标进行雷达二维成像;随机选取一帧二维图像,从图像中找出幅值最大的位置(x1,y1),认为该位置为目标在该积累角度下对应图像的散射中心,再从该图像中以(x1,y1)为中心获取目标位置附近的距离——方位向信息,将其认为是一个训练样本a1,对其他帧图像做同样处理,得到n组训练样本;之后,将该目标放置在以原点为圆心,r1为半径的圆周其他位置分别进行雷达成像,之后同样利用上述方式进行处理,共进行m轮放置,最终即可得到m×n组训练样本;以包括反射体形状、尺寸、成像积累角度以及目标距离旋转中心间距r1在内的参数作为样本标签,并改变标签参数重复进行上述测试,获得K类样本;从所得到的K类样本中选取训练集对神经网络进行训练,得到所述散射中心识别模型。
本发明基于雷达成像的电磁散射特性测量装置,包括:
雷达成像单元,用于对目标进行雷达二维成像,获取目标不同积累角度的二维雷达图像集A1;
散射中心提取单元,用于通过以下方法获取目标散射中心分布:
从图像集A1中找出幅值最大的位置集(xn,yn),以该位置为中心获取距离—方位向信息数据集,设为bn;将该数据集作为测试集输入散射中心识别模型中进行识别,得到识别结果B1;之后根据成像积累角度以及识别结果从A1中去除位置集(xn,yn)附近数据得到新图像集A2;将A2按照上述步骤处理,得到新识别结果B2以及新图像集A3;不断重复该步骤,直到N次后获得的识别结果BN表现出噪声识别结果,则以此时迭代的图像集AN为噪声和杂波,以B1~BN-1作为目标真实散射中心集合的识别结果;
所述散射中心识别模型为通过以下方法预先训练的神经网络:
首先以简单单反射体作为目标,以目标旋转中心为原点建立坐标系,目标放置在距离原点间距为r1位置,对目标进行雷达二维成像;随机选取一帧二维图像,从图像中找出幅值最大的位置(x1,y1),认为该位置为目标在该积累角度下对应图像的散射中心,再从该图像中以(x1,y1)为中心获取目标位置附近的距离——方位向信息,将其认为是一个训练样本a1,对其他帧图像做同样处理,得到n组训练样本;之后,将该目标放置在以原点为圆心,r1为半径的圆周其他位置分别进行雷达成像,之后同样利用上述方式进行处理,共进行m轮放置,最终即可得到m×n组训练样本;以包括反射体形状、尺寸、成像积累角度以及目标距离旋转中心间距r1在内的参数作为样本标签,并改变标签参数重复进行上述测试,获得K类样本;从所得到的K类样本中选取训练集对神经网络进行训练,得到所述散射中心识别模型。
为便于公众理解,下面通过一个具体实施例,并结合附图来对本发明的技术方案进行详细说明:
本实施例中的雷达成像单元采用一种微波光子雷达,其具有大带宽及雷达信号可重构的优点。如图1所示,该雷达成像单元包括发射端和接收端,其中,发射端包括:激光产生模块、微波源、电光调制移频模块、宽带信号产生模块1、滤波放大模块1、宽带信号产生模块2、滤波放大模块2、光电探测模块1、发射天线;接收端包括:接收天线、电光调制模块、光电探测模块2、信号采集处理模块。
如图1所示,激光产生模块产生频率为fc的光载波Ein首先分为两路Ein1和Ein2。其中一路来自微波源的固定频率为fLO的正弦信号被发送到电光调制移频模块对光载波进行载波抑制单边带调制。调制后的光信号表达式为:
其中,β是电光调制移频模块的调制指数,n取值为+1或-1,由调制器工作模式所决定。以保留+1阶边带为例,参照图2,经过电光调制移频模块后光信号的光谱只有正一阶边带。
接着光信号在宽带信号产生模块1中被频率源产生的频率为fIF的线性调频脉冲信号进行调制,线性调频脉冲信号频率表达式为:
fIF=f0+kt (2)
其中f0为线性调频脉冲信号载频,k为其调频斜率。
调制后的光信号表达式为:
其中,β1是宽带信号产生模块1中调制器的调制指数,m由调制器工作模式所确定。以保留±1阶边带为例,参照图3,经过该模块后的光信号光谱包括两个一阶边带。
生成的强度调制信号经过光滤波器和光放大器选出需要的边带,参照图3,经过光滤波器后光信号的光谱保留正一阶边带。
另一路光信号在宽带信号产生模块2中被频率源产生的线性调频脉冲信号进行调制,需要保证调制器工作状态与上路相同,调制后的光信号表达式为:
其中,β2是宽带信号产生模块调制器的调制指数。以保留±1阶边带为例,经过该模块后的光信号光谱包括两个一阶边带。之后同样经过光滤波器和光放大器选出需要的边带,参照图4,经过光滤波器后光信号的光谱保留负一阶边带。
之后,两路光信号通过光耦合器汇合,再分为两路,一路被送到光电探测模块,通过发射模块对目标进行测量;另一路作为参考信号进入回波链路被回波信号调制,最后进入光电探测模块2光域混频得到去斜信号。
其中,经过光电探测模块后的发射信号频率表达式为:
fRF=nfLO+mfIF (5)
可以看出,通过调节电光调制移频模块和宽带信号产生模块的调制器偏置点,可以实现发射信号的频率可重构。
最后得到的去斜信号的频率为:
fde-chirp=mkτ (6)
其中,τ为测量过程中的信号时延。
对去斜信号加窗处理即可映射目标旋转累积角度。参照图5,对去斜信号进行时域加窗,对时间窗内的去斜信号进行二维FFT处理,即可得到对应角度范围内的二维图像。通过移动该窗函数并进行处理,即可得到不同角度范围内的二维图像,即对应不同角度范围内的电磁散射特性信息。在测试过程中,连续采集目标旋转一周的时域去斜信号,并用一个矩形时间窗函数对该信号进行二次采集,通过移动时间窗,即可获得目标360°内不同积累角度的方位向回波信息。
对加窗后的去斜信号进行二维傅里叶变换即可得到目标不同积累角度的二维ISAR图像。
散射中心分布的具体测量方式为:首先对简单单反射体作为目标做雷达二维成像。参照图6,以目标旋转中心为原点建立坐标系,目标放置在距离原点间距为r1位置。首先随机选取一帧二维图像,从图像中找出幅值最大的位置(x1,y1),认为该位置为目标在该积累角度下对应图像的散射中心。再从该图像中以(x1,y1)为中心获取目标位置附近的距离——方位向信息,将其认为是一个训练样本a1。对其他帧图像做同样处理,得到n组训练样本。之后,将该目标放置在以原点为圆心,r1为半径的圆周其他位置分别进行成像,之后同样利用上述方式进行处理,共进行m轮放置,最终即可得到m×n组训练样本。将该样本标签设置为反射体形状、尺寸、成像积累角度以及目标距离旋转中心间距r1等参数。之后,改变标签参数进行实验测试,获得K类样本。最后将数据集输入到卷积神经网络中进行训练与验证,其中80%作为训练集,20%作为验证集。最终即可得到可测量单反射体不同情况的散射中心信息的散射中心识别模型。
对于一个复杂目标,其散射特性在高频区可以认为是多个散射中心构成的。在对其散射中心分布测量时,首先进行二维成像,然后进行散射中心提取处理。具体处理方式为:从图像集A1中找出幅值最大的位置集(xn,yn),以该位置为中心获取距离——方位向信息集,设为bn。将该数据集作为测试集输入上述散射中心识别模型中进行识别,得到识别结果B1。之后根据成像积累角度以及识别结果从A1中去除位置集(xn,yn)附近数据得到新图像集A2。将A2按照上述步骤处理,得到新识别结果B2以及新图像集A3。不断重复该步骤,直到N次后获得的识别结果BN表现出噪声识别结果,则可以认为此时迭代的图像集AN为噪声和杂波。即B1-BN-1为目标真实散射中心集合的识别结果,即得到了复杂目标的散射中心分布。图7显示了以上散射中心提取的一种具体算法流程。
之后,可以将二维图像划分为M×M个区域,通过上述神经网络对散射中心的识别和定位,可以确认每个区域对应的目标实际部位。之后,记录每个区域强度图像像素值信息为|Гij(x,y)|2。由帕塞瓦尔定理可知,每个成像区域内的散射数据(即RCS)等于对应强度图像像素值之和:
σ=∑|Γij(x,y)|2 (7)
在测量过程中,需要先对定标体进行成像,利用图像像素值之和获得其RCS测量值为σC。通过定标体的理论值σT与测量值的比值进行定标。最后可以获得待测目标实际部位对应区域的真实RCS值:
其中σ1为待测目标实际部位对应区域的真实RCS值,σ0为待测目标实际部位对应区域的RCS测量值。由此,即可对目标实际分布位置的散射特性进行快速诊断。
Claims (6)
1.一种基于雷达成像的电磁散射特性测量方法,其特征在于,首先对目标进行雷达二维成像,获取目标不同积累角度的二维雷达图像集A1,然后通过以下方法获取目标散射中心分布:
从图像集A1中找出幅值最大的位置集(xn,yn),以该位置为中心获取距离—方位向信息数据集,设为bn;将该数据集作为测试集输入散射中心识别模型中进行识别,得到识别结果B1;之后根据成像积累角度以及识别结果从A1中去除位置集(xn,yn)附近数据得到新图像集A2;将A2按照上述步骤处理,得到新识别结果B2以及新图像集A3;不断重复该步骤,直到N次后获得的识别结果BN表现出噪声识别结果,则以此时迭代的图像集AN为噪声和杂波,以B1~BN-1作为目标真实散射中心集合的识别结果;
所述散射中心识别模型为通过以下方法预先训练的神经网络:
首先以简单单反射体作为目标,以目标旋转中心为原点建立坐标系,目标放置在距离原点间距为r1位置,对目标进行雷达二维成像;随机选取一帧二维图像,从图像中找出幅值最大的位置(x1,y1),认为该位置为目标在该积累角度下对应图像的散射中心,再从该图像中以(x1,y1)为中心获取目标位置附近的距离——方位向信息,将其认为是一个训练样本a1,对其他帧图像做同样处理,得到n组训练样本;之后,将该目标放置在以原点为圆心,r1为半径的圆周其他位置分别进行雷达成像,之后同样利用上述方式进行处理,共进行m轮放置,最终即可得到m×n组训练样本;以包括反射体形状、尺寸、成像积累角度以及目标距离旋转中心间距r1在内的参数作为样本标签,并改变标签参数重复进行上述测试,获得K类样本;从所得到的K类样本中选取训练集对神经网络进行训练,得到所述散射中心识别模型。
2.如权利要求1所述基于雷达成像的电磁散射特性测量方法,其特征在于,还包括:对雷达图像中任意位置加矩形窗,并通过神经网络对散射中心位置的识别确定矩形窗对应的目标实际部位;利用帕塞瓦尔定理,将矩形窗内像素值求和,并与标准件的定标值比较处理,得到该目标实际部位的雷达散射截面值,实现对目标具体部分的高精度诊断。
3.如权利要求1或2所述基于雷达成像的电磁散射特性测量方法,其特征在于,所述雷达二维成像的方法具体如下:
在发射端,将单频光载波分为两路,用单频信号和中频线性调频信号对第一路单频光载波依次进行载波抑制单边带调制,用所述中频线性调频信号对第二路单频光载波进行载波抑制单边带调制,将所得到的两路调制信号耦合为一路后再分为两路,一路作为参考信号,另一路转换为电信号后作为雷达探测信号发射;
在接收端,用目标回波信号对所述参考信号进行电光调制,然后对调制信号利用光电探测器进行光去斜,得到去斜信号;连续采集目标360°范围内的去斜信号,并设置一个矩形时间窗加载到去斜信号上,对窗内的信号做二维FFT处理以得到对应角度范围内的二维雷达图像;通过移动所述矩形时间窗,最终得到不同角度范围内的二维雷达图像。
4.一种基于雷达成像的电磁散射特性测量装置,其特征在于,包括:
雷达成像单元,用于对目标进行雷达二维成像,获取目标不同积累角度的二维雷达图像集A1;
散射中心提取单元,用于通过以下方法获取目标散射中心分布:
从图像集A1中找出幅值最大的位置集(xn,yn),以该位置为中心获取距离—方位向信息数据集,设为bn;将该数据集作为测试集输入散射中心识别模型中进行识别,得到识别结果B1;之后根据成像积累角度以及识别结果从A1中去除位置集(xn,yn)附近数据得到新图像集A2;将A2按照上述步骤处理,得到新识别结果B2以及新图像集A3;不断重复该步骤,直到N次后获得的识别结果BN表现出噪声识别结果,则以此时迭代的图像集AN为噪声和杂波,以B1~BN-1作为目标真实散射中心集合的识别结果;
所述散射中心识别模型为通过以下方法预先训练的神经网络:
首先以简单单反射体作为目标,以目标旋转中心为原点建立坐标系,目标放置在距离原点间距为r1位置,对目标进行雷达二维成像;随机选取一帧二维图像,从图像中找出幅值最大的位置(x1,y1),认为该位置为目标在该积累角度下对应图像的散射中心,再从该图像中以(x1,y1)为中心获取目标位置附近的距离——方位向信息,将其认为是一个训练样本a1,对其他帧图像做同样处理,得到n组训练样本;之后,将该目标放置在以原点为圆心,r1为半径的圆周其他位置分别进行雷达成像,之后同样利用上述方式进行处理,共进行m轮放置,最终即可得到m×n组训练样本;以包括反射体形状、尺寸、成像积累角度以及目标距离旋转中心间距r1在内的参数作为样本标签,并改变标签参数重复进行上述测试,获得K类样本;从所得到的K类样本中选取训练集对神经网络进行训练,得到所述散射中心识别模型。
5.如权利要求4所述基于雷达成像的电磁散射特性测量装置,其特征在于,还包括:散射特性诊断单元,用于通过以下方法实现目标散射特性的诊断:对雷达图像中任意位置加矩形窗,并通过神经网络对散射中心位置的识别确定矩形窗对应的目标实际部位;利用帕塞瓦尔定理,将矩形窗内像素值求和,并与标准件的定标值比较处理,得到该目标实际部位的雷达散射截面值,实现对目标具体部分的高精度诊断。
6.如权利要求4或5所述基于雷达成像的电磁散射特性测量装置,其特征在于,所述雷达成像单元包括发射端和接收端;在发射端,将单频光载波分为两路,用单频信号和中频线性调频信号对第一路单频光载波依次进行载波抑制单边带调制,用所述中频线性调频信号对第二路单频光载波进行载波抑制单边带调制,将所得到的两路调制信号耦合为一路后再分为两路,一路作为参考信号,另一路转换为电信号后作为雷达探测信号发射;在接收端,用目标回波信号对所述参考信号进行电光调制,然后对调制信号利用光电探测器进行光去斜,得到去斜信号;连续采集目标360°范围内的去斜信号,并设置一个矩形时间窗加载到去斜信号上,对窗内的信号做二维FFT处理以得到对应角度范围内的二维雷达图像;通过移动所述矩形时间窗,最终得到不同角度范围内的二维雷达图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211737610.0A CN116256714B (zh) | 2022-12-31 | 2022-12-31 | 基于雷达成像的电磁散射特性测量方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211737610.0A CN116256714B (zh) | 2022-12-31 | 2022-12-31 | 基于雷达成像的电磁散射特性测量方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116256714A CN116256714A (zh) | 2023-06-13 |
CN116256714B true CN116256714B (zh) | 2023-10-13 |
Family
ID=86685507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211737610.0A Active CN116256714B (zh) | 2022-12-31 | 2022-12-31 | 基于雷达成像的电磁散射特性测量方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116256714B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018000667A1 (zh) * | 2016-06-30 | 2018-01-04 | 北京行易道科技有限公司 | 成像雷达、车辆以及成像方法 |
CN110850384A (zh) * | 2019-11-04 | 2020-02-28 | 北京航空航天大学 | 一种基于扫频数据产生宽带去斜回波的方法 |
CN113821967A (zh) * | 2021-06-04 | 2021-12-21 | 北京理工大学 | 基于散射中心模型的大样本训练数据生成方法 |
WO2022068097A1 (zh) * | 2020-09-29 | 2022-04-07 | 惠州市德赛西威汽车电子股份有限公司 | 一种改进调频连续波雷达目标检测的降噪方法 |
-
2022
- 2022-12-31 CN CN202211737610.0A patent/CN116256714B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018000667A1 (zh) * | 2016-06-30 | 2018-01-04 | 北京行易道科技有限公司 | 成像雷达、车辆以及成像方法 |
CN110850384A (zh) * | 2019-11-04 | 2020-02-28 | 北京航空航天大学 | 一种基于扫频数据产生宽带去斜回波的方法 |
WO2022068097A1 (zh) * | 2020-09-29 | 2022-04-07 | 惠州市德赛西威汽车电子股份有限公司 | 一种改进调频连续波雷达目标检测的降噪方法 |
CN113821967A (zh) * | 2021-06-04 | 2021-12-21 | 北京理工大学 | 基于散射中心模型的大样本训练数据生成方法 |
Non-Patent Citations (4)
Title |
---|
A GTD-Based Parametric Model for Radar Scattering;Lee C. Potter等;IEEE TRANSACTIONS ON ANTENNAS AND PROPAGATION;全文 * |
一种实验室合成孔径雷达对目标散射的成像试验;葛亦斌;金亚秋;王海鹏;;电波科学学报(第03期);全文 * |
典型目标逆合成孔径雷达成像仿真;张利军;;甘肃科技(第08期);全文 * |
基于散射中心模型的典型目标宽带雷达回波仿真;蔡武;潘明海;;航空兵器(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116256714A (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107728143B (zh) | 基于一维卷积神经网络的雷达高分辨距离像目标识别方法 | |
US20130229310A1 (en) | System and method for geo-locating and detecting source of electromagnetic emissions | |
CN102914773B (zh) | 一种多航过圆周sar三维成像方法 | |
CN109374985A (zh) | 电磁环境监测方法、系统及存储介质 | |
CN106569191A (zh) | 一种利用高分辨率成像获取目标rcs的方法 | |
CN113962151B (zh) | 基于深度卷积迁移学习的距离假目标智能识别方法 | |
Catapano et al. | A qualitative inverse scattering method for through-the-wall imaging | |
Zhang et al. | Ground-penetrating radar railroad ballast inspection with an unsupervised algorithm to boost the region of interest detection efficiency | |
CN115061113B (zh) | 用于雷达的目标检测模型训练方法、装置及存储介质 | |
CN111488549B (zh) | 一种基于深度学习求解电磁逆散射问题的混合输入方法 | |
CN110879391B (zh) | 基于电磁仿真和弹载回波仿真的雷达图像数据集制作方法 | |
CN116256714B (zh) | 基于雷达成像的电磁散射特性测量方法及装置 | |
Li et al. | Real aperture radar forward-looking imaging based on variational Bayesian in presence of outliers | |
Burfeindt et al. | Phase-encoded linear sampling method imaging of conducting surfaces from full and limited synthetic apertures | |
EP4073533A1 (fr) | Ensemble comportant un système de localisation d'émetteurs et une plateforme mobile; système de localisation d'émetteurs, plateforme mobile et procédé de mesure de direction d'arrivée associés | |
CN103048649B (zh) | 一种基于相变图分析的稀疏微波成像雷达性能评估方法 | |
CN111680537A (zh) | 一种基于激光红外复合的目标检测方法及系统 | |
Rock et al. | CNNs for interference mitigation and denoising in automotive radar using real-world data | |
Tao et al. | Radio frequency interference detection for SAR data using spectrogram-based semantic network | |
CN113806920B (zh) | 一种无人机集群电磁散射仿真方法、装置、设备及介质 | |
CN114966674A (zh) | 一种基于发射波形信息的凝视雷达低空目标测高方法 | |
CN114814773A (zh) | 基于光学模数转换系统的目标成像与识别方法与系统 | |
Yonel et al. | Deep learning for waveform estimation in passive synthetic aperture radar | |
CN112183205B (zh) | 一种分布式雷达高精度角度测量方法及系统 | |
CN116299297B (zh) | 雷达散射截面积的计算方法、装置及存储介质 |
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 |