一種用于合成孔徑雷達(dá)的目標(biāo)特征提取方法
【專利摘要】本發(fā)明屬于雷達(dá)技術(shù)領(lǐng)域，涉及一種用于合成孔徑雷達(dá)的目標(biāo)特征提取方法。本發(fā)明聯(lián)合圖像域的峰值區(qū)域分割與信號域的稀疏貝葉斯學(xué)習(xí)進(jìn)行特征提取，首先通過PRS算法分割強(qiáng)散射區(qū)域，以避免強(qiáng)散射點對SBL算法的影響，然后利用SBL算法自主學(xué)習(xí)提取弱散射特征點，彌補(bǔ)了基于圖像域的PRS算法對弱目標(biāo)分割的不足。該方法充分利用了PRS算法和SBL算法各自的優(yōu)勢，對弱目標(biāo)特征提取表現(xiàn)出了很好的效果，具有可調(diào)參數(shù)少，魯棒性強(qiáng)等優(yōu)點；并且在PRS算法分割強(qiáng)散射區(qū)域后，測量矩陣的維數(shù)也相應(yīng)地下降，減小了運(yùn)算量，提高了運(yùn)算效率，從而可以廣泛應(yīng)用于SAR目標(biāo)特征提取領(lǐng)域，為后續(xù)自動目標(biāo)識別(ATR)提供基礎(chǔ)。
【專利說明】
一種用于合成孔徑雷達(dá)的目標(biāo)特征提取方法
技術(shù)領(lǐng)域
[0001]本發(fā)明屬于雷達(dá)技術(shù)領(lǐng)域，涉及一種用于合成孔徑雷達(dá)(SAR)的目標(biāo)特征提取方 法。
【背景技術(shù)】
[0002] 合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)目標(biāo)特征提取是SAR信號處理的 一個非常重要的研究領(lǐng)域，其準(zhǔn)確性直接影響目標(biāo)識別的準(zhǔn)確性，因此精確提取目標(biāo)特征 具有重要意義。特征提取的本質(zhì)是將采樣數(shù)據(jù)從高維空間映射到低維特征空間，現(xiàn)有的SAR 特征提取方法可以分為兩大類:第一類基于圖像域，通過奈奎斯特采樣定理和匹配濾波理 論進(jìn)行特征提取，如分水嶺算法等。這類算法僅使用了幅度信息而沒有用相位信息，因此很 容易受到雜波和噪聲的影響，從而使特征提取準(zhǔn)確率下降。第二類方法基于信號域，通過某 種映射直接從信號中獲得特征，如基于壓縮感知(Compressive Sensing，CS)理論的稀疏重 構(gòu)算法等。目前研究較多的CS算法主要分為三大類:凸松弛類算法、貪婪類算法與貝葉斯類 算法。對于凸松弛類算法，其主要思想是將4范數(shù)非凸問題等價為4范數(shù)凸問題來求解，如 基追蹤算法(B a s i s P u r s u i t，B P)、內(nèi)點法等，這類算法計算復(fù)雜，用于大數(shù)據(jù)時計算效率 低，不能滿足實時性需求;對于貪婪類算法，其主要思想是通過每次迭代得到一個局部最優(yōu) 解來逐步逼近原始信號，如匹配追蹤算法(Matching Pursuit，MP)、正交匹配追蹤算法 (Orthogonal Matching Pursuit ,ΟΜΡ)，這類算法計算速度快，實現(xiàn)容易，但往往需要知道 目標(biāo)場景的稀疏度，特征提取結(jié)果很大依賴于稀疏度的設(shè)置，且其不考慮場景的空間結(jié)構(gòu) 信息，易受噪聲影響；而貝葉斯類算法，如稀疏貝葉斯學(xué)習(xí)算法（Sparse Bayesian Learning，SBL)，其主要思想是基于高斯先驗假設(shè)，可以自主的學(xué)習(xí)并確定算法中的所有超 參數(shù)，獲得更稀疏的解，該算法引入了目標(biāo)的空間結(jié)構(gòu)信息，有一定的抗噪能力，且與凸優(yōu) 化算法相比具有更小的計算復(fù)雜度。然而，實際情況下，CS算法很容易受到強(qiáng)點的干擾，使 得對弱散射特征的提取性能不太理想，同時，當(dāng)目標(biāo)場景過大時，構(gòu)造的測量矩陣的維數(shù)過 于龐大，使得實際處理時計算量較大，效率較低，不便于有效應(yīng)用。。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明所要解決的，就是針對上述問題，提出一種用于合成孔徑雷達(dá)的目標(biāo)特征 提取方法。
[0004] 本發(fā)明的技術(shù)方案是:一種用于合成孔徑雷達(dá)的目標(biāo)特征提取方法，其特征在于， 包括以下步驟：
[0005] a.構(gòu)建聚束SAR的成像模型如下公式1所示：
[0006] g=?y+n(公式 1)
[0007]公式1中，g為回波向量，μ是場景散射系數(shù)向量，Θ為觀測矩陣，η表示噪聲向量；
[0008] b.由極坐標(biāo)成像算法得到目標(biāo)場景的成像圖像；
[0009] c.根據(jù)獲得的成像圖像，基于圖像域的PRS(Peak Region Segmentation,聯(lián)合圖 像域的峰值區(qū)域分割)算法對強(qiáng)散射點進(jìn)行特征提取，具體方法為：
[0010] Cl.對獲得的成像圖像進(jìn)行分割，具體為：
[0011] Cl 1.設(shè)置強(qiáng)散射點門限τι，利用分水嶺算法對強(qiáng)散射區(qū)域進(jìn)行初始分割，得到心個 初始分割區(qū)域；
[0012] C12.設(shè)置合并門限τ2,對步驟ell得到的初始分割區(qū)域進(jìn)行合并，當(dāng)任意兩個相鄰 區(qū)域邊界上像素點的幅值低于合并門限時，認(rèn)為這兩個相鄰區(qū)域是由噪聲和紋理雜波引起 的過分割導(dǎo)致的，因此合并這兩個相鄰區(qū)域，最后得到R 2個合并后的分割區(qū)域，R2彡R1;
[0013] c2.獲取分割區(qū)域所對應(yīng)的強(qiáng)散射點位置和幅度估計，并將位置索引放入集合Ω 中；
[0014] d.獲取成像圖像殘余散射區(qū)域回波，具體為：
[0015] dl.設(shè)原始回波信號的矩陣形式如下公式2:
[0016] g = Θ (Ai+A2)y+n = gi+g2+n(公式2)
[0017] 公式2中，如為區(qū)域選擇矩陣，其形式為將單位矩陣I中與集合Ω中的原子所對應(yīng) 的列置為零，Ai+ApI，由此得到維數(shù)較小的測量矩陣， gl= ΘΑιμ為強(qiáng)散射區(qū)域回波，g2= Θ Α2μ為殘余散射區(qū)域回波；
[0018] d2.將殘余散射區(qū)域回波方程等價描述為如下公式3:
[0019] g2=?〇w(公式 3)
[0020] 公式3中，Θ 〇表示殘余散射區(qū)域的測量矩陣，W為相應(yīng)的散射函數(shù)；
[0021 ] e.利用基于信號域的SBL(Sparse Bayesian Learning,稀疏貝葉斯學(xué)習(xí)）算法對 殘余信號的弱散射點進(jìn)行特征提取，具體為：
[0022] el.基于高斯先驗假設(shè)可得，所述殘余散射區(qū)域的散射函數(shù)w的分布如下公式4:
[0023] />:〇; V)~.V.)(公式 4 >
[0024] 公式4中，V = 盡(ν,?，M為目標(biāo)場景中殘余散射區(qū)域等效散射中心個數(shù)，Vl為一 個非負(fù)的參數(shù)，控制著w的稀疏度，當(dāng)vi = 0時，表示W(wǎng)i為零；
[0025] e2.假設(shè)噪聲也滿足高斯分布，結(jié)合公式4可得，w的后驗分布可以表示成均值為 q =g2，方差為G = [V -1 J-1的高斯分布，其中，β是噪聲的方差；當(dāng)超參數(shù)v 和β被估計出來后，w的點估計由其后驗分布均值確定;超參數(shù)ν和β由第二類最大似然估計 獲得，即等效于計算公式5所示函數(shù)的極值：
[0026]
[0027] 公式5中，I為單位矩陣；
[0028] f.采用期望最大化算法，得到參數(shù)ν的學(xué)習(xí)規(guī)則如下公式6和β的學(xué)習(xí)規(guī)則如下公
式7:
[0029]
[0030]
[0031] 其中，Ν是殘余散射區(qū)域回波向量g2的維數(shù)；
[0032] g.根本步驟c中獲得的強(qiáng)散射點和步驟e-f中獲得的弱散射點，得到SAR目標(biāo)特征 提取結(jié)果。
[0033]進(jìn)一步的，所述步驟a的具體方法為：
[0034] al.根據(jù)電磁理論，當(dāng)目標(biāo)散射體的電尺寸遠(yuǎn)大于波長時，目標(biāo)的高頻電磁散射特 性可以由局部散射特性的合成來表示，這些局部散射通常被稱為等效多散射中心，由此得 到高頻區(qū)的回波表達(dá)式如下公式8所示：
[0035]
[0036] 公式8中，K為目標(biāo)場景中等效散射中心個數(shù)，y(xi，yi)表示場景中點（xi，yi)的散 射函數(shù)，f為雷達(dá)發(fā)射頻率，Θ為雷達(dá)脈沖與場景y軸形成的夾角，c為光速，j為虛數(shù)單位；
[0037] a2.將單個散射中心的回波進(jìn)行頻率和方位的離散化采樣，頻率采樣點數(shù)為他，方 位角采樣點數(shù)為N2,將其表示為向量形式為：
[0038]
[0039] 其中，f為單個散射中心回波歹(/，的的向量形式
表示觀測矩陣中的原子，ypyUuyO為目標(biāo)場景中第i個散射中心的值；
[0040] a3.利用步驟a2中單個散射中心的回波和場景散射函數(shù)的投影關(guān)系，構(gòu)建目標(biāo)場 景中有K個散射中心時的聚束SAR成像模型：
[0041] g = Θ μ+η,
[0042] 其中，g為回波向量，μ是場景散射系數(shù)向量，Θ為觀測矩陣，η表示噪聲向量。
[0043] 本發(fā)明的有益效果為，本發(fā)明聯(lián)合圖像域的峰值區(qū)域分割與信號域的稀疏貝葉斯 學(xué)習(xí)進(jìn)行特征提取，首先通過PRS算法分割強(qiáng)散射區(qū)域，以避免強(qiáng)散射點對SBL算法的影響， 然后利用SBL算法自主學(xué)習(xí)提取弱散射特征點，彌補(bǔ)了基于圖像域的PRS算法對弱目標(biāo)分割 的不足。該方法充分利用了PRS算法和SBL算法各自的優(yōu)勢，對弱目標(biāo)特征提取表現(xiàn)出了很 好的效果，具有可調(diào)參數(shù)少，魯棒性強(qiáng)等優(yōu)點;并且在PRS算法分割強(qiáng)散射區(qū)域后，測量矩陣 的維數(shù)也相應(yīng)地下降，減小了運(yùn)算量，提高了運(yùn)算效率，從而可以廣泛應(yīng)用于SAR目標(biāo)特征 提取領(lǐng)域，為后續(xù)自動目標(biāo)識別(ATR)提供基礎(chǔ)。
【附圖說明】
[0044] 圖1是SAR幾何結(jié)構(gòu)；
[0045] 圖2是本發(fā)明的流程圖；
[0046] 圖3是仿真試驗中用不同方法得到的特征提取效果圖。
【具體實施方式】
[0047] 下面結(jié)合附圖，詳細(xì)描述本發(fā)明的技術(shù)方案：
[0048] 本發(fā)明使用的SAR幾何結(jié)構(gòu)如圖1所示，其中雷達(dá)沿著移動路徑移動的過程中不斷 向目標(biāo)場景發(fā)射與接收脈沖，Θ為雷達(dá)脈沖與場景y軸形成的夾角。
[0049] 參照圖2,本發(fā)明的具體實施步驟如下：
[0050] 步驟1，構(gòu)建聚束SAR成像模型：
[0051] 1.1)根據(jù)電磁理論，當(dāng)目標(biāo)散射體的電尺寸遠(yuǎn)大于波長時，目標(biāo)的高頻電磁散射 特性可以由局部散射特性的合成來表示，這些局部散射通常被稱為等效多散射中心，由此 得到高頻區(qū)的回波表達(dá)式：
[0052]
[0053] 其中K為目標(biāo)場景中等效散射中心個數(shù)，μ(Xi，yi)表示場景中點（Xi，yi)的散射函 數(shù)，f為雷達(dá)發(fā)射頻率，Θ為雷達(dá)脈沖與場景y軸形成的夾角，c為光速，j為虛數(shù)單位；
[0054] 1.2)將單個散射中心的回波進(jìn)行頻率和方位的離散化采樣，頻率采樣點數(shù)為仏， 方位角米樣點數(shù)為N2,將其表不為向量形式：
[0055]
12345678 其中，i為單個散射中心回波或/，的的向量形式 表示觀測矩陣中的原子，yi = μ(Xi，yi)為目標(biāo)場景中第i個散射中心的值；
2 1.3)利用1.2)表達(dá)式中單個散射中心的回波和場景散射函數(shù)的投影關(guān)系，構(gòu)建目 標(biāo)場景中有K個散射中心時的聚束SAR成像模型： 3 g = Θ μ+η, 4 其中，g為回波向量，μ是場景散射系數(shù)向量，Θ為觀測矩陣，η表示噪聲向量。 5 步驟2，由極坐標(biāo)成像算法得到目標(biāo)場景的成像結(jié)果； 6 步驟3,根據(jù)所述步驟2得到的圖像，利用基于圖像域的PRS算法對強(qiáng)散射點進(jìn)行特 征提?。?7 3.1)設(shè)置強(qiáng)點門限τι，利用分水嶺算法對強(qiáng)散射區(qū)域進(jìn)行初始分割，得到辦個初始 分割區(qū)域； 8 3.2)設(shè)置合并門限τ2，對3.1)得到的初始分割區(qū)域進(jìn)行合并，當(dāng)任意兩個相鄰區(qū) 域邊界上像素點的幅值低于合并門限時，認(rèn)為這兩個相鄰區(qū)域是由噪聲和紋理雜波引起的 過分割導(dǎo)致的，因此合并這兩個相鄰區(qū)域，最后得到R2個合并后的分割區(qū)域，R2彡R1;
[0064]步驟4,分別利用加權(quán)位置估計和最小二乘獲取所述步驟3中得到的分割區(qū)域所對 應(yīng)的強(qiáng)散射點位置和幅度估計，并將位置索引放入集合Ω中；
[0065]步驟5,獲取殘余散射區(qū)域回波：
[0066] 5.1)原始回波信號的矩陣形式為：
[0067] g= Θ (Ai+A2)y+n = gi+g2+n，其中，A2為區(qū)域選擇矩陣，其形式為將單位矩陣I中與 集合Ω中的原子所對應(yīng)的列置為零，Αι+Α2=Ι，由此得到維數(shù)較小的測量矩陣，gi= ? Αιμ為 強(qiáng)散射區(qū)域回波，g2= ?―為殘余散射區(qū)域回波；
[0068] 5.2)將殘余散射區(qū)域回波方程等價描述為：
[0069] g2=?QW，其中，Θ〇表示殘余散射區(qū)域的測量矩陣， w為相應(yīng)的散射函數(shù)；
[0070]步驟6,利用基于信號域的SBL算法對殘余信號的弱散射點進(jìn)行特征提取，等價于 求解如下問題：
[0071]
，其中，ε為殘差；
[0072] 6.1)基于高斯先驗假設(shè)可得，所述殘余散射區(qū)域的散射函數(shù)w的分布為：
[0073] ja(w:;.V) ~ Ν(0, ν)，
[0074] 其中，為目標(biāo)場景中殘余散射區(qū)域等效散射中心個數(shù)，％為一個非 負(fù)的參數(shù)，控制著w的稀疏度，當(dāng)Vi = 0時，表示W(wǎng)i為零；
[0075] 6.2)假設(shè)噪聲也滿足高斯分布，結(jié)合6.1)可得，w的后驗分布可以表示成均值為

.方差為 _ . " 的高斯分布，其中，β是噪聲的方差；
[0076] 6.3)當(dāng)超參數(shù)ν和β被估計出來后，w的點估計由其后驗分布均值確定；
[0077] 6.4)超參數(shù)ν和β由第二類最大似然估計獲得，即等效于計算以下代價函數(shù)的極 值：
[0078]
車中，I為單位矩陣；
[0079] 6.5)采用期望最大化算法，得到參數(shù)ν和邱勺學(xué)習(xí)規(guī)則：
[0080]
[0081]
[0082] 其中，Ν是殘余散射區(qū)域回波向量g2的維數(shù)；
[0083] 步驟7,結(jié)合所提取的強(qiáng)散射點和弱散射點，得到SAR目標(biāo)特征提取結(jié)果。
[0084] 本發(fā)明的效果可以通過下述仿真實驗加以說明：
[0085] 1.仿真條件
[0086]運(yùn)行環(huán)境為CPU:Inter Core i5-2430M，內(nèi)存 10.0GB，32位Windows操作系統(tǒng)，軟件 采用MATLAB R2012b，系統(tǒng)參數(shù)設(shè)置如表1所示：
[0087] 表1系統(tǒng)參數(shù)
[0088]
[0089] 2.仿真內(nèi)容與結(jié)果
[0090] 在上述條件下，采用本發(fā)明對電磁仿真數(shù)據(jù)進(jìn)行特征提取，結(jié)果如圖3所示。底圖 為利用PFA算法得到的成像結(jié)果。由圖3 (a)和圖3 (b)可以看出，SBL和PRS算法對旁瓣和雜波 很敏感，而PRS-SBL算法克服了 SBL算法和PRS算法各自的缺點，對雜波環(huán)境中的弱散射特征 點提取表現(xiàn)出了很好的效果，如圖3(c)所示。表格2列出了不同信噪比下各算法特征提取結(jié) 果的性能指標(biāo)，其中，正確的位置估計定義為位置估計偏差在兩個分辨單元之內(nèi)，目標(biāo)標(biāo)準(zhǔn) 散射中心位置由幾何光學(xué)方法獲得;殘差的計算公式為:llg-111 2/|41124表示重構(gòu)的回波 向量。設(shè)置強(qiáng)點門限為15dB、合并門限為3dB以及稀疏貝葉斯學(xué)習(xí)次數(shù)為4。可以看出，與單 獨利用PRS和SBL算法相比，聯(lián)合利用兩種算法得到的位置估計準(zhǔn)確率和殘差都要更好。 [0091 ]表2不同信噪比下各算法特征提取結(jié)果的性能指標(biāo)
[0092]
【主權(quán)項】
1. 一種用于合成孔徑雷達(dá)的目標(biāo)特征提取方法，其特征在于，包括W下步驟： a. 構(gòu)建聚束SAR的成像模型如下公式1所示： g= Θμ+η(公式 1) 公式1中，g為回波向量，μ是場景散射系數(shù)向量，Θ為觀測矩陣，η表示噪聲向量； b. 由極坐標(biāo)成像算法得到目標(biāo)場景的成像圖像； C.根據(jù)獲得的成像圖像，對強(qiáng)散射點進(jìn)行特征提取，具體方法為： cl.對獲得的成像圖像進(jìn)行分割，具體為： cl 1.設(shè)置強(qiáng)散射點口限τι，利用分水嶺算法對強(qiáng)散射區(qū)域進(jìn)行初始分割，得到Ri個初始 分割區(qū)域； cl2.設(shè)置合并口限T2,對步驟cll得到的初始分割區(qū)域進(jìn)行合并，當(dāng)任意兩個相鄰區(qū)域 邊界上像素點的幅值低于合并口限時，認(rèn)為運(yùn)兩個相鄰區(qū)域是由噪聲和紋理雜波引起的過 分割導(dǎo)致的，因此合并運(yùn)兩個相鄰區(qū)域，最后得至帖個合并后的分割區(qū)域，R2《化； c2.獲取分割區(qū)域所對應(yīng)的強(qiáng)散射點位置和幅度估計，并將位置索引放入集合Ω中； d. 獲取成像圖像殘余散射區(qū)域回波，具體為： dl.設(shè)原始回波信號的矩陣形式如下公式2: g= Θ (Ai+A2)y+n=gi+g2+n(公式2) 公式2中，A2為區(qū)域選擇矩陣，其形式為將單位矩陣I中與集合Ω中的原子所對應(yīng)的列置 為零，Ai+A2 = I，由此得到維數(shù)較小的測量矩陣，gi=0Aw為強(qiáng)散射區(qū)域回波，g2=0A2y為 殘余散射區(qū)域回波； d2.將殘余散射區(qū)域回波方程等價描述為如下公式3: 邑2= 0OW(公式3) 公式3中，00表示殘余散射區(qū)域的測量矩陣，W為相應(yīng)的散射函數(shù)； e. 對殘余信號的弱散射點進(jìn)行特征提取，具體為： el.基于高斯先驗假設(shè)可得，所述殘余散射區(qū)域的散射函數(shù)W的分布如下公式4:公式4中，v = A'Ay〇',)二.Μ為目標(biāo)場景中殘余散射區(qū)域等效散射中屯、個數(shù)，VI為一個非 負(fù)的參數(shù)，控制著W的稀疏度，當(dāng)Vi = 0時，表示W(wǎng)i為零； e2.假設(shè)噪聲也滿足高斯分布，結(jié)合公式4可得，W的后驗分布可W表示成均值為向高斯分布，其中，β是噪聲的方差；當(dāng)超參數(shù)V 和β被估計出來后，W的點估計由其后驗分布均值確定;超參數(shù)V和β由第二類最大似然估計 獲得，即等效于計算公式5所示函數(shù)的極值：公式5中，I為單位矩陣； f. 采用期望最大化算法，得到參數(shù)V的學(xué)習(xí)規(guī)則如下公式6和β的學(xué)習(xí)規(guī)則如下公式7: 其中，N是殘余散射區(qū)域回波向量g2的維數(shù)； g.根本步驟C中獲得的強(qiáng)散射點和步驟e-f中獲得的弱散射點，得到SAR目標(biāo)特征提取 結(jié)果。2.根據(jù)權(quán)利要求1所述的一種用于合成孔徑雷達(dá)的目標(biāo)特征提取方法，其特征在于，所 述步驟a的具體方法為： al.根據(jù)電磁理論，當(dāng)目標(biāo)散射體的電尺寸遠(yuǎn)大于波長時，目標(biāo)的高頻電磁散射特性可 W由局部散射特性的合成來表示，運(yùn)些局部散射通常被稱為等效多散射中屯、，由此得到高 頻區(qū)的回波表達(dá)式如下公式8所示：公式8中，K為目標(biāo)場景中等效散射中屯、個數(shù)，y(xi，y〇表示場景中點（xi，y〇的散射函 數(shù)，f為雷達(dá)發(fā)射頻率，Θ為雷達(dá)脈沖與場景y軸形成的夾角，C為光速，j為虛數(shù)單位； a2.將單個散射中屯、的回波進(jìn)行頻率和方位的離散化采樣，頻率采樣點數(shù)為化，方位角 采樣點數(shù)為化，將其表示為向量形式為：其中，忌為單個散射中屯、回波巧/，巧的向量形式表示觀測矩陣中的原子，μι = μ(χι，7ι)為目標(biāo)場景中第i個散射中屯、的值； a3.利用步驟曰2中單個散射中屯、的回波和場景散射函數(shù)的投影關(guān)系，構(gòu)建目標(biāo)場景中 有K個散射中屯、時的聚束SAR成像模型： 邑=Θμ+η， 其中，g為回波向量，μ是場景散射系數(shù)向量，Θ為觀測矩陣，η表示噪聲向量。
【文檔編號】G01S13/90GK105974412SQ201610397199
【公開日】2016年9月28日
【申請日】2016年6月7日
【發(fā)明人】楊悅, 萬群, 叢迅超, 張慶, 龍柯宇, 鄒麟, 殷吉昊
【申請人】電子科技大學(xué)