CN116699592A - 一种慢旋空间目标在轨姿态及旋转参数反演方法 - Google Patents
一种慢旋空间目标在轨姿态及旋转参数反演方法 Download PDFInfo
- Publication number
- CN116699592A CN116699592A CN202310467033.6A CN202310467033A CN116699592A CN 116699592 A CN116699592 A CN 116699592A CN 202310467033 A CN202310467033 A CN 202310467033A CN 116699592 A CN116699592 A CN 116699592A
- Authority
- CN
- China
- Prior art keywords
- target
- rotation
- projection
- sequence
- isar
- 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 80
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims abstract description 19
- 238000013135 deep learning Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000003384 imaging method Methods 0.000 claims description 49
- 239000013598 vector Substances 0.000 claims description 45
- 239000011159 matrix material Substances 0.000 claims description 28
- 239000002245 particle Substances 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000003786 synthesis reaction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims 1
- 238000007796 conventional method Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000035485 pulse pressure Effects 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect 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
- 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/06—Systems determining position data of a target
- G01S13/42—Simultaneous measurement of distance and other co-ordinates
-
- 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
-
- 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
- G01S13/9094—Theoretical aspects
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
- Image Analysis (AREA)
Abstract
本发明公开了一种慢旋空间目标在轨姿态及旋转参数反演方法，包括：获取雷达回波数据的ISAR图像序列；对ISAR投影模型进行建模；基于ISAR投影模型构建训练数据集以对预先设计的深度学习网络进行训练，并利用训练好的网络对ISAR图像序列进行目标区域提取，得到目标区域序列；基于投影模型获得ISAR图像序列对应的投影区域序列，并联合目标区域序列建立优化目标函数；对优化目标函数进行求解，获得最优目标姿态参数和旋转参数。该方法保证了网络训练质量，提升了ISAR图像目标区域提取的精确度；且可以联合分析目标在轨姿态以及旋转参数，实现了慢旋空间目标在轨姿态及旋转参数反演，在实际应用中具有更强的可行性和鲁棒性。
Description
技术领域
本发明属于雷达技术领域，具体涉及一种慢旋空间目标在轨姿态及旋转参数反演方法。
背景技术
逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)是对空间目标进行成像观测的最有效途径之一。它通过雷达发射一系列宽带电磁脉冲信号对空间目标进行长时间、大角度的持续观测，并对回波信号进行距离向脉冲压缩和方位向相干积累，从而得到观测目标的二维高分辨率图像。但是，通过上述方法得到的二维ISAR图像只是空间目标三维结构在雷达成像平面的投影，受观测维度限制，ISAR图像解译所得的二维信息难以准确描述目标在三维空间中的真实状态。随着世界各国航空航天活动的日益频繁，空天环境日趋复杂，简单的二维ISAR图像解译难以满足复杂太空环境下精细态势感知的信息需求，需要对基于ISAR图像的空间目标在轨姿态反演方法进行详细研究。
现阶段基于ISAR图像的空间目标在轨姿态反演方法大致可分为两大类。一类是基于传统图像处理特征提取的姿态反演方法，该类方法利用传统图像处理手段获得目标ISAR图像序列特征，通过推导目标姿态参数与ISAR成像结果之间的投影关系，生成目标模型投影序列，通过调整模型姿态参数，使得模型投影特征序列与ISAR图像特征序列匹配，从而获得目标姿态参数的最优估计。有学者将地心惯性坐标系(Earth Center InertialCoordinates,ECI)内的雷达观测量转换至质心坐标系，并用Radon变换提取目标边沿线特征。
另一类是基于深度学习特征提取的姿态估计方法，该方法将深度学习引入到ISAR图像特征提取中，利用网络强大的非线性映射能力，建立ISAR图像与图像特征之间的映射关系，实现图像特征的精确自动提取。有学者在残差神经网络的基础上，提出ISAR图像关键点特征提取网络，用于提取ISAR图像目标结构上的关键点。以固定的次序对关键点两两链接，构成目标关键结构的投影特征向量。还有学者利用pix2pix网络，提取ISAR图像中的目标典型部件区域，并结合主成分分析的区域主方向估计方法，获得所提部件的投影特征向量。完成图像投影序列特征提取后，在三轴稳定目标的投影关系约束下，反向求解投影特征序列对应的三维向量，实现目标结构、部件的尺寸及指向估计。
然而，对于第一类基于传统图像处理特征提取的姿态反演方法来说，由于ISAR图像电磁散射的各向异性，ISAR图像特征提取困难，尤其在低信噪比条件下，提取精度难以保证，限制了算法在实际场景中的应用。对于第二类基于深度学习特征提取的姿态估计方法来说，在网络训练中，需要人工标注大量训练样本，且人工标注的准确性很大程度上决定了训练完成后的网络性能。考虑到ISAR图像散射中心分布稀疏且结构不完整，网络训练质量难以保证；且该方法只限于三轴稳定目标，对定轴慢旋目标不适用。
发明内容
为了解决现有技术中存在的目标区域提取的不稳定性和无法分析慢旋空间目标在轨姿态的问题，本发明提供了一种慢旋空间目标在轨姿态及旋转参数反演方法。本发明要解决的技术问题通过以下技术方案实现：
一种慢旋空间目标在轨姿态及旋转参数反演方法，包括：
步骤1：获取雷达回波数据的ISAR图像序列；
步骤2：对ISAR投影模型进行建模；
步骤3：基于所述ISAR投影模型构建训练数据集以对预先设计的深度学习网络进行训练，并利用训练好的网络对所述ISAR图像序列进行目标区域提取，得到目标区域序列；
步骤4：基于所述ISAR投影模型获得所述ISAR图像序列对应的投影区域序列，并联合所述目标区域序列建立优化目标函数；
步骤5：对所述优化目标函数进行求解，获得最优目标姿态参数和旋转参数。
本发明的有益效果：
1、本发明首先建立了ISAR投影模型，然后利用该模型姿态参数作为训练集对深度学习网络进行了训练，保证了网络训练质量，提升了ISAR图像目标区域提取的精确度；接着利用该ISAR投影模型获得投影区域序列，并联合深度学习网络得到的目标区域序列建立了优化目标函数；最后根据ISAR成像原理，采用优化算法联合分析目标在轨姿态以及旋转参数，同时实现了慢旋空间目标在轨姿态及旋转参数的反演；该方法不限定空间目标在轨姿态必须是三轴稳定的，解决了传统姿态估计方法目标区域提取的不稳定性和无法分析慢旋空间目标在轨姿态的问题，在实际应用中具有更强的可行性和鲁棒性；
2、本发明选择了pix2pix网络作为升序学习网路用以获取目标区域序列，利用了pix2pix网络强大非线性映射能力，进一步增强了ISAR图像目标区域提取的精确度。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1为本发明实施例提供的一种慢旋空间目标在轨姿态及旋转参数反演方法的流程示意图；
图2为本发明实施例提供的空间目标ISAR成像投影关系示意图；
图3为本发明实施例的空间目标模型；
图4为本发明实施例提供的不同信噪比下成像结果图；
图5为本发明实施例中的训练数据集的部分图像；
图6为采用本发明方法的目标提取结果与采用传统方法的目标提取结果；
图7为在0dB信噪比下采用传统轮廓匹配方法的初始姿态估计结果；
图8为在0dB信噪比下采用传统轮廓匹配方法的目标旋转矢量估计结果；
图9为在0dB信噪比下采用本发明方法的初始姿态估计结果；
图10为在0dB信噪比下采用本发明方法的目标旋转矢量估计结果。
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。
实施例一
请参见图1，图1为本发明实施例提供的一种慢旋空间目标在轨姿态及旋转参数反演方法的流程示意图，其包括：
步骤1：获取雷达回波数据的ISAR图像序列。
在本实施例中，步骤1具体包括：
11)接收空间目标逆合成孔径雷达回波并将回波数据划分为若干帧。
12)分别对每帧回波数据依次进行高速补偿、距离压缩和平动补偿操作；
13)基于步骤12)得到的数据，利用RD算法获得高分辨二维ISAR图像序列。
具体而言，首先，雷达接收机获取的大角度长时间的宽带回波划分为若干帧。然后，分别对每帧回波数据采用相邻相关法进行包络对齐操作，消除目标相对雷达的平动带来的包络偏移。接着，通过基于最小熵准则的自聚焦算法，补偿平动引起的初相误差。最后，采用RD算法获得高分辨二维ISAR图像序列。
关于高速补偿、距离压缩和平动补偿操作的具体实现过程可参考现有相关技术实现，本实施例在此不做详细介绍。
步骤2：对ISAR投影模型进行建模。
21)建立目标成像过程中相对雷达视线的等效旋转矢量关系。
具体的，请参见图2，图2为本发明实施例提供的空间目标ISAR成像投影关系示意图，其中，目标成像过程中相对雷达视线的等效旋转矢量ωsynthesis由雷达视线的旋转ωLOS和目标自身的旋转ωtarget合成。ISAR对目标进行长时间的连续观测，获得L帧的ISAR图像组合成的序列图像。对于每帧ISAR图像，其CPI中间时刻为成像时刻，称该时刻雷达视线为成像视线。记第l帧雷达成像视线为lmid,l，雷达旋转矢量为ωLOS,l，则有旋转矢量关系式：
ωsynthesis,l＝ωtarget+ωLOS,l；
式中，ωsynthesis,l表示目标成像过程中第l帧雷达成像相对雷达视线的等效旋转矢量，ωtarget表示目标自身的旋转且在观测过程中保持不变，ωLOS,l表示第l帧雷达成像的雷达旋转矢量。
22)基于等效旋转矢量关系获得有效旋转分量。
具体的，根据多普勒产生原理，垂直雷达视线方向旋转会使散射中心发生相对于雷达视线方向的位移，从而对散射中心回波造成多普勒调制，而沿雷达视线方向的旋转对回波不产生多普勒，因此，将ωsynthesis,l垂直视线方向的旋转分量称为第l帧的有效旋转分量，则有计算关系式：
式中，T表示转置。
23)推导本体姿态目标与初始姿态目标之间的姿态旋转矩阵和目标旋转矢量对应的旋转矩阵。
具体的，令[xn,yn,zn]T表示目标上的第n个散射中心的坐标向量，称ISAR成像观测开始时刻姿态为初始姿态，则本体姿态目标与初始姿态目标之间具有旋转变换关系
式中，表示初始姿态下目标第n个散射中心的坐标向量，R0(α,β,γ)为姿态旋转矩阵，该矩阵由初始姿态角α、β、γ决定，依次为绕X轴的横滚角，绕Y轴的俯仰角和绕Z轴的偏航角。
则有计算关系式：
式中，Rx、Ry、Rz分别为绕X轴、Y轴、Z轴的旋转矩阵。
进一步的，考虑到目标自身存在绕定轴ωtarget的旋转，则在第l帧图像成像时刻，目标第n个散射中心的坐标向量计算为：
式中，θl表示自初始时刻至成像时刻，目标在旋转矢量作用下转过的角度。令tl表示初始时刻到第l帧图像成像时刻的时间间隔，又称第l帧成像时刻，则有：
θl＝|ωtarget|·tl；
R(θl)为目标旋转矢量对应的旋转矩阵，有：
R(θl)＝cos(θl)I+(1-cos(θl))nnT+sin(θl)N；
式中，I为单位矩阵，n＝(nx,ny,nz)T表示ωtarget的方向向量，且
24)根据有效旋转分量ωeffective,l、姿态旋转矩阵R0(α,β,γ)以及目标旋转矢量对应的旋转矩阵R(θl)得到目标第n个散射中心在成像平面上的理论投影位置的计算公式，为：
式中，[un vn]T为目标第n个散射中心在成像平面上的投影坐标，λ表示雷达信号的波长，ρd、ρr分别表示多普勒分辨单元和距离分辨单元，Pl表示第l帧的成像投影矩阵，[xn,yn,zn]T表示目标上的第n个散射中心的坐标向量。
令PRF表示雷达信号的脉冲重复频率，N表示单帧ISAR成像相干积累回波数，C代表光速，B代表信号带宽，则Pl中分辨单元
步骤3：基于ISAR投影模型构建训练数据集以对预先设计的深度学习网络进行训练，并利用训练好的网络对ISAR图像序列进行目标区域提取，得到目标区域序列。
31)通过实测场景或者PO电磁计算方法进行ISAR数据仿真，得到训练ISAR图像。
具体的，运用实测场景的ISAR图像或采用电磁计算方法进行ISAR数据仿真，结合极坐标格式算法(Polar Format Algorithm,PFA)获得ISAR图像。
同时，在保证图像方位不发生混叠的条件下，随机设置目标旋转方向和速度，并在ISAR图像脉压数据中添加不同程度的噪声，作为训练ISAR图像。
32)根据步骤2建立的ISAR投影模型对训练ISAR图像生成目标投影区域序列作为其标签，得到训练集。
在本实施例中，优选采用目标模型及姿态参数生成目标投影区域序列作为标签，也即利用步骤2构建的投影模型获取步骤31)中的训练ISAR图像的目标投影区域序列作为其标签。
此外，还可以直接采用人工标记的方法在步骤31)中的训练ISAR图像上标记标签，从而得到训练集。
33)将训练集输入到预先设计的深度学习网络中进行训练。
优选的，本实施选取现有的pix2pix网络作为深度学习网络，其具有强大的非线性映射能力，可以增强ISAR图像目标区域提取的精确度。
可以理解的是，本实施例还可以选择其他现有的网络结构作为深度学习神经网络或者自行设计网络结构。
此外，关于网络的训练过程可参考现有相关技术实现，本实施例在此不做详细介绍。
34)将二维ISAR图像序列输入训练好的网络中，进行目标区域提取，得到目标区域序列。
具体的，利用训练好的神经网络对步骤1中获得的待识别ISAR图像序列继续宁处理，即可得到对应的目标区域序列。
步骤4：基于ISAR投影模型获得ISAR图像序列对应的投影区域序列，并联合目标区域序列建立优化目标函数。
可选的，本实施例利用空间目标真实三维点被投影到ISAR图像序列时，投影序列与目标区域序列达到最优匹配、交并比最大的特点，以目标区域提取序列和目标区域投影序列交并比为优化函数。可以理解的是，还可以采用除交并比外其他的目标函数优化目标姿态及旋转参数。
下面以交并比为例，对步骤4的具体实现过程进行详细介绍。
具体的，步骤4包括：
41)根据步骤2建立的ISAR投影模型获得ISAR图像序列对应的投影区域序列。
首先，令An表示模型上第n个点的坐标，记模型点云坐标矩阵为A，则有A＝[A1 A2… AN]，并据此计算第l帧ISAR图像成像时刻的模型点云坐标分布，计算公式为：
式中，R0(·)为本体姿态目标与初始姿态目标之间的姿态旋转矩阵，R(·)为目标旋转矢量对应的旋转矩阵。
然后，计算目标模型在第l帧ISAR图像成像平面的投影坐标点集为：
式中，Pl表示表示第l帧的成像投影矩阵。
接着，根据计算点云模型上的第n个点投影至第l帧图像成像平面后的像素坐标。
具体的，对于I×J大小的ISAR图像，对超出图像像素区域的投影坐标置空，则点云模型上的第n个点投影至第l帧图像成像平面后的像素坐标为：
式中，表示向下取整；对模型上的N个点做相同处理，得到姿态估值下的模型投影像素坐标集合/>
最后，对第l帧ISAR图像的投影像素坐标集合进行二值化处理，得到二值化的模型投影图像/>
具体的，在第l帧ISAR图像的像素坐标范围内，按照的坐标指示，在相应像素位置将像素值置为1，其他没有像素坐标指示的位置像素值统一置0。经过像素值赋值，可得到二值化的模型投影图像/>
由于目标点云分布密集，生成投影图像后，模型投影像素区域自动连结成为一个连通区域。
42)计算投影区域序列和目标区域序列的交并比，其表达式为：
式中，表示目标区域序列的第l帧图像/>和投影区域序列的第l帧图像/>的交并比，/>表示图像/>和图像/>目标区域相交的像素数量，表示图像/>和图像/>目标区域并集的像素数量；
43)以交并比作为两图像目标提取区域与目标投影区域匹配度，获得姿态参数估计值对应的目标区域序列匹配度，并将其作为优化目标函数，其表达式为：
式中，表示姿态和旋转参数估计值，L为目标区域序列或投影区域序列的图像帧总数。
步骤5：对优化目标函数进行求解，获得最优目标姿态参数和旋转参数。
可选的，作为一种实现方式，本实施例采用PSO(Particle Swarm Optimization，粒子群优化)算法对优化目标函数进行优化，搜索最优姿态估计参数。具体如下：
(a)初始化PSO算法：
设定PSO算法中的粒子个数为Q，随机初始化各粒子的位置向量，记第q个粒子的位置向量为该向量有六维参数，前三维代表目标初始姿态的欧拉角参数，后三维代表目标旋转矢量参数；随机初始化粒子的六维速度参数，记第q个粒子的速度参数为vq；令向量/>和gbest分别记录迭代历程中各粒子最优适应度和所有粒子最优适应度所对应的位置参数，初始化/>和/>设置计数器Ccount与算法迭代终止计数门限Γ；
(b)根据第q个粒子的位置参数，拆分组合初始姿态参数和目标旋转参数/>将姿态参数代入目标点云分布计算函数，生成模型姿态序列/>
(c)根据第q个粒子的姿态参数，计算各成像时刻的投影矩阵pl，并将模型姿态序列投影之相应的成像平面，生成目标投影序列
(d)分别计算目标提取序列与各组目标投影序列之间的匹配度，将其作为粒子的适应度，记第q组序列计算结果为Gq；
(f)根据各粒子的适应度，更新和gbest；
若则令/>若gbest<max({Gq∣1≤q≤Q})，则令Ccount＝0，其中id为集合{Gq∣1≤q≤Q}中最大值对应的序号；否则，gbest不做更新，Ccount＝Ccount+1，并按照下式更新各粒子的/>和vq；
式中，rand(·)表示介于(0,1)之间的随机数，c1、c2是学习因子；
(g)重复步骤(b)-(d)的操作，直至满足Ccount＞Γ，则输出gbest对应的最优姿态参数估计，并组成初始姿态估计参数和目标旋转估计参数/>
最后，根据和/>可确定绕定轴慢旋目标在成像观测时段内的姿态变化序列，完成姿态估计。
本发明首先建立了ISAR投影模型，然后利用该模型姿态参数作为训练集对深度学习网络进行了训练，保证了网络训练质量，提升了ISAR图像目标区域提取的精确度；接着利用该ISAR投影模型获得投影区域序列，并联合深度学习网络得到的目标区域序列建立了优化目标函数；最后根据ISAR成像原理，采用优化算法联合分析目标在轨姿态以及旋转参数，实现了慢旋空间目标在轨姿态及旋转参数反演。
下面通过仿真试验对本发明的有益效果进行验证说明。
具体的，以图3所示的空间目标模型为例，分别利用本发明的方法和传统方法进行仿真测试，其结果参见图4-图10所示。
图4为本发明实施例提供的不同信噪比下成像结果图；其中，(a)图为20dB信噪比下的图像；(b)图为0dB信噪比下的图像。图5为本发明实施例中的训练数据集的部分图像。
图6为采用本发明方法的目标提取结果与采用传统方法的目标提取结果；其中，(a)图为在20dB信噪比下采用传统方法的目标轮廓提取结果；(b)图为在0dB信噪比下采用传统方法的目标轮廓提取结果；(c)图为在20dB信噪比下采用本发明方法的目标区域提取结果；(d)图为在0dB信噪比下采用本发明方法的目标区域提取结果。
从图6的结果中可以看出，本发明方法的目标区域提取结果无论是在高信噪比条件下和低信噪比条件下都能优于传统方法的目标区域提取结果，并且本发明方法在低信噪比的条件下仍能准确地提取出目标区域。
图7-图10为采用本发明方法对定轴慢旋空间目标姿态参数估计结果和传统方法估计结果的对比图；其中，图7为在0dB信噪比下采用传统轮廓匹配方法的初始姿态估计结果；图8为在0dB信噪比下采用传统轮廓匹配方法的目标旋转矢量估计结果；图9为在0dB信噪比下采用本发明方法的初始姿态估计结果；图10为在0dB信噪比下采用本发明方法的目标旋转矢量估计结果。
对比图7-图10，可以看出，本发明方法的初始姿态估计和目标旋转矢量估计结果在低信噪比情况下都能优于传统方法估计的结果，并且本发明方法在低信噪比的条件下仍能准确估计出目标的初始姿态和旋转矢量。
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 (9)
1.一种慢旋空间目标在轨姿态及旋转参数反演方法，其特征在于，包括：
步骤1：获取雷达回波数据的ISAR图像序列；
步骤2：对ISAR投影模型进行建模；
步骤3：基于所述ISAR投影模型构建训练数据集以对预先设计的深度学习网络进行训练，并利用训练好的网络对所述ISAR图像序列进行目标区域提取，得到目标区域序列；
步骤4：基于所述ISAR投影模型获得所述ISAR图像序列对应的投影区域序列，并联合所述目标区域序列建立优化目标函数；
步骤5：对所述优化目标函数进行求解，获得最优目标姿态参数和旋转参数。
2.根据权利要求1所述的一种慢旋空间目标在轨姿态及旋转参数反演方法，其特征在于，步骤1包括：
11)接收空间目标逆合成孔径雷达回波并将回波数据划分为若干帧；
12)分别对每帧回波数据依次进行高速补偿、距离压缩和平动补偿操作；
13)基于步骤12)得到的数据，利用RD算法获得高分辨二维ISAR图像序列。
3.根据权利要求1所述的一种慢旋空间目标在轨姿态及旋转参数反演方法，其特征在于，步骤2包括：
21)建立目标成像过程中相对雷达视线的等效旋转矢量关系，其表达式为：
ωsynthesis,l＝ωtarget+ωLOS,l；
式中，ωsynthesis,l表示目标成像过程中第l帧雷达成像相对雷达视线的等效旋转矢量，ωtarget表示目标自身的旋转，ωLOS,l表示第l帧雷达成像的雷达旋转矢量；
22)基于所述等效旋转矢量关系获得有效旋转分量，其表达式为：
式中，ωeffective,l表示第l帧的有效旋转分量，lmid,l表示第l帧雷达成像视线，T表示转置；
23)推导本体姿态目标与初始姿态目标之间的姿态旋转矩阵和目标旋转矢量对应的旋转矩阵，其表达式为：
R(θl)＝cos(θl)I+(1-cos(θl))nnT+sin(θl)N；
式中，R0(α,β,γ)为本体姿态目标与初始姿态目标之间的姿态旋转矩阵，α、β、γ为初始姿态角，依次为绕X轴的横滚角，绕Y轴的俯仰角和绕Z轴的偏航角；
R(θl)为目标旋转矢量对应的旋转矩阵，θl为自初始时刻至成像时刻目标在旋转矢量作用下转过的角度，I为单位矩阵，n＝(nx,ny,nz)T表示ωtarget的方向向量，且
24)根据所述有效旋转分量ωeffective,l、所述姿态旋转矩阵R0(α,β,γ)以及所述目标旋转矢量对应的旋转矩阵R(θl)得到目标第n个散射中心在成像平面上的理论投影位置的计算公式，为：
式中，[un vn]T为目标第n个散射中心在成像平面上的投影坐标，λ表示雷达信号的波长，ρd、ρr分别表示多普勒分辨单元和距离分辨单元，Pl表示第l帧的成像投影矩阵，[xn,yn,zn]T表示目标上的第n个散射中心的坐标向量。
4.根据权利要求1所述的一种慢旋空间目标在轨姿态及旋转参数反演方法，其特征在于，步骤3包括：
31)通过实测场景或者PO电磁计算方法进行ISAR数据仿真，得到训练ISAR图像；
32)根据步骤2建立的ISAR投影模型对所述训练ISAR图像生成目标投影区域序列作为其标签，得到训练集；
33)将所述训练集输入到预先设计的深度学习网络中进行训练；
34)将所述二维ISAR图像序列输入训练好的网络中进行目标区域提取，得到目标区域序列。
5.根据权利要求1所述的一种慢旋空间目标在轨姿态及旋转参数反演方法，其特征在于，步骤3中，所述预先设计的深度学习网络为pix2pix网络。
6.根据权利要求1所述的一种慢旋空间目标在轨姿态及旋转参数反演方法，其特征在于，步骤4包括：
41)根据步骤2建立的ISAR投影模型获得ISAR图像序列对应的投影区域序列；
42)计算所述投影区域序列和所述目标区域序列的交并比，其表达式为：
式中，表示目标区域序列的第l帧图像/>和投影区域序列的第l帧图像的交并比，/>表示图像/>和图像/>目标区域相交的像素数量，表示图像/>和图像/>目标区域并集的像素数量；
43)以所述交并比作为两图像目标提取区域与目标投影区域匹配度，获得姿态参数估计值对应的目标区域序列匹配度，并将其作为优化目标函数，其表达式为：
式中，表示姿态和旋转参数估计值，L为目标区域序列或投影区域序列的图像帧总数。
7.根据权利要求6所述的一种慢旋空间目标在轨姿态及旋转参数反演方法，其特征在于，步骤41)包括：
令An表示模型上第n个点的坐标，记模型点云坐标矩阵为A，并据此计算第l帧ISAR图像成像时刻的模型点云坐标分布，计算公式为：
式中，R0(·)为本体姿态目标与初始姿态目标之间的姿态旋转矩阵，R(·)为目标旋转矢量对应的旋转矩阵，tl表示第l帧成像时刻；
计算目标模型在第l帧ISAR图像成像平面的投影坐标点集为：
式中，Pl表示表示第l帧的成像投影矩阵；
根据计算点云模型上的第n个点投影至第l帧图像成像平面后的像素坐标，计算公式为：
式中，表示向下取整；对模型上的N个点做相同处理，得到姿态估值下的模型投影像素坐标集合/>
对第l帧ISAR图像的投影像素坐标集合进行二值化处理，得到二值化的模型投影图像/>
8.根据权利要求1所述的一种慢旋空间目标在轨姿态及旋转参数反演方法，其特征在于，步骤5包括：
利用PSO算法对所述优化目标函数进行优化，搜索最优姿态估计参数。
9.根据权利要求8所述的一种慢旋空间目标在轨姿态及旋转参数反演方法，其特征在于，利用PSO算法对所述优化目标函数进行优化，包括：
(a)初始化PSO算法：
设定PSO算法中的粒子个数为Q，随机初始化各粒子的位置向量，记第q个粒子的位置向量为该向量有六维参数，前三维代表目标初始姿态的欧拉角参数，后三维代表目标旋转矢量参数；随机初始化粒子的六维速度参数，记第q个粒子的速度参数为vq；令向量/>和gbest分别记录迭代历程中各粒子最优适应度和所有粒子最优适应度所对应的位置参数，初始化/>和/>设置计数器Ccount与算法迭代终止计数门限Γ；
(b)根据第q个粒子的位置参数，拆分组合初始姿态参数和目标旋转参数将姿态参数代入目标点云分布计算函数，生成模型姿态序列/>
(c)根据第q个粒子的姿态参数，计算各成像时刻的投影矩阵pl，并将模型姿态序列投影之相应的成像平面，生成目标投影序列
(d)分别计算目标提取序列与各组目标投影序列之间的匹配度，将其作为粒子的适应度，记第q组序列计算结果为Gq；
(f)根据各粒子的适应度，更新和gbest；
若则令/>若gbest<max({Gq∣1≤q≤Q})，则令/>Ccount＝0，其中id为集合{Gq∣1≤q≤Q}中最大值对应的序号；否则，gbest不做更新，Ccount＝Ccount+1，并按照下式更新各粒子的/>和vq；
式中，rand(·)表示介于(0,1)之间的随机数，c1、c2是学习因子；
(g)重复步骤(b)-(d)的操作，直至满足Ccount＞Γ，则输出gbest对应的最优姿态参数估计，并组成初始姿态估计参数和目标旋转估计参数/>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310467033.6A CN116699592A (zh) | 2023-04-26 | 2023-04-26 | 一种慢旋空间目标在轨姿态及旋转参数反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310467033.6A CN116699592A (zh) | 2023-04-26 | 2023-04-26 | 一种慢旋空间目标在轨姿态及旋转参数反演方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116699592A true CN116699592A (zh) | 2023-09-05 |
Family
ID=87836352
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310467033.6A Pending CN116699592A (zh) | 2023-04-26 | 2023-04-26 | 一种慢旋空间目标在轨姿态及旋转参数反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116699592A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118052869A (zh) * | 2024-04-15 | 2024-05-17 | 深圳市峰和数智科技有限公司 | 无人机位姿参数优化方法、装置、存储介质及计算机设备 |
-
2023
- 2023-04-26 CN CN202310467033.6A patent/CN116699592A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118052869A (zh) * | 2024-04-15 | 2024-05-17 | 深圳市峰和数智科技有限公司 | 无人机位姿参数优化方法、装置、存储介质及计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111208513B (zh) | 空间目标isar图像序列能量反向投影与三维重构方法 | |
| CN104833973B (zh) | 基于半正定规划的线阵sar后向投影自聚焦成像方法 | |
| CN105699969B (zh) | 基于广义高斯约束的最大后验估计角超分辨成像方法 | |
| US6911933B1 (en) | Dynamic logic algorithm used for detecting slow-moving or concealed targets in synthetic aperture radar (SAR) images | |
| CN111157985B (zh) | 基于多站一维距离像序列的空间刚体目标三维重构方法 | |
| CN106338733B (zh) | 基于蛙眼视觉特性的前视声呐目标跟踪方法 | |
| CN110244303B (zh) | 基于sbl-admm的稀疏孔径isar成像方法 | |
| CN114114267B (zh) | 一种基于自旋空间目标模型投影匹配的目标姿态估计方法 | |
| CN106291543A (zh) | 一种运动平台扫描雷达超分辨成像方法 | |
| CN112782695B (zh) | 基于isar图像和参数优化的卫星姿态和尺寸估计方法 | |
| CN110148165B (zh) | 一种基于粒子群优化的三维干涉isar图像配准方法 | |
| CN109557533B (zh) | 一种基于模型的联合跟踪与识别方法 | |
| Jaegle et al. | Fast, robust, continuous monocular egomotion computation | |
| Liu et al. | A new 3-D geometry reconstruction method of space target utilizing the scatterer energy accumulation of ISAR image sequence | |
| Tan et al. | An I/Q-channel modeling maximum likelihood super-resolution imaging method for forward-looking scanning radar | |
| KR20160093437A (ko) | 기동표적에 대한 isar 영상의 수직거리 스케일링 기법 | |
| CN109782279A (zh) | 一种基于压缩感知的双基地isar成像方法 | |
| CN116699592A (zh) | 一种慢旋空间目标在轨姿态及旋转参数反演方法 | |
| CN108594223A (zh) | 机载sar图像目标定位方法 | |
| Sjanic | Navigation and SAR Auto-focusing in a Sensor Fusion Framework | |
| CN104240212A (zh) | 基于目标特征的isar图像融合方法 | |
| CN114942431A (zh) | 光雷同步观测的空间目标瞬时姿态估计方法 | |
| CN114638874A (zh) | 基于因式分解和isea的空间目标三维重构方法 | |
| Wu et al. | ISAR Image Registration Based on Normalized Correlation Coefficient | |
| Wang et al. | Slow-Spinning Spacecraft Cross-Range Scaling and Attitude Estimation Based on Sequential ISAR Images |
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 |