法律状态公告日
法律状态信息
法律状态
2022-11-04
授权
发明专利权授予
2022-09-16
实质审查的生效 IPC(主分类):G01S13/90 专利申请号:2022108513359 申请日:20220720
实质审查的生效
技术领域
本发明属于雷达信号处理微波成像技术领域,具体涉及一种用于机载雷达舰船目标ISAR精细成像与目标识别的方法。
背景技术
光学方法和雷达传感器是探测海面舰船的主要手段,采用光学方法得到的海面舰船成像分辨率高,易于识别,缺陷是受恶劣环境影响大;相对于光学方法,雷达传感器具有全天候、全天时、不受天气限制等显著优点,因此在舰船目标检测领域受到广泛关注。
SAR(Synthetic Aperture Radar,合成孔径雷达)具有全天时、全天候、不受天气限制、高分辨等优点外,在军事应用中还具有广泛应用前景;然而SAR成像针对的是静止目标,舰船目标在SAR图像上是散焦的;因此,基于舰船目标的非合作性,采用ISAR(InverseSynthetic Aperture Radar,逆合成孔径雷达)成像手段对舰船目标进行处理,以得到舰船聚焦图像。
在实际情况中,雷达平台和舰船目标均在运动,所以得到的雷达回波里具有SAR和ISAR成分,使得成像环境十分复杂;加之舰船目标存在横滚、俯仰和偏航,在多个舰船目标的情况下,由于运动特性不同,因此无法单独使用SAR对多个舰船目标同时成像,且在同一雷达波束内存在距离上和方位上分不开的多个舰船目标,单独使用ISAR成像,从距离向和方位向上是无法从混合回波中分离出每一个舰船目标的回波信号,也不可能同时对每个舰船目标进行运动补偿。
当前舰船目标ISAR成像方法面临目标分割提取不精准、算法步骤繁琐、运算量大、图像定标误差大等难题,难以精细化聚焦成像,不利于工程实现及实际应用需求。
发明内容
本发明所要解决的技术问题是针对以上现有技术存在的不足,提出一种基于深度学习的机载舰船目标ISAR精细成像方法,考虑采用SAR粗聚焦成像、深度学习目标精确提取分割、ISAR精细聚焦成像、图像定标及实测数据验证,实现舰船目标的精细聚焦定标ISAR成像,降低运算量,利于工程实现,提升舰船目标识别和精准分辨能力。
本发明为解决以上技术问题,采用以下技术方案:
本发明提出了一种基于深度学习的机载舰船目标ISAR精细化成像方法,包括以下步骤:
S1、建立机载SAR对海面舰船目标成像几何模型;
S2、将机载SAR的原始回波信号变换到距离时域,完成距离脉压处理,得到第一回 波信号数据
S3、对第一回波信号数据
S4、对运动补偿后的第一校正数据
S5、对第二校正数据
S6、采用深度神经网络U-Net对第三图像数据
S7、在方位向对目标分割所截取的数据
S8、选取最优成像时间,对第四图像数据
S9、对包络对齐后的一维距离向数据
S10、定标参数估计:利用去调频斜率Dechirp算法对目标高分辨瞬时成像,输入信号为第六图像数据,最终得到方位成像处理结果;
S11、对第六图像数据
S12、图像定标:基于包括调频率样本在内的信息,估计图像距离和方位向刻度;
S13、对第六图像数据
本发明采用以上技术方案,与现有技术相比具有如下技术效果:
(1)通过迁移学习的方法,利用深度神经网络U-Net对粗聚焦的舰船目标SAR图像进行分割提取,高效提升了舰船目标进行分割提取的精准性。
(2)采用深度学习目标分割提取、成像时间优选、定标参数估计、图像量化及图像定标等方法,实现了舰船目标ISAR精细化成像。
(3)通过实测数据对本发明所提方法进行了验证,利于工程实现。
(4)本发明所提方法对多舰船目标的情况,同样也适用,利于应用拓展。
附图说明
图1 是本发明处理流程图。
图2 为机载SAR对海面舰船目标成像几何模型图。
图3 为基于多普勒中心估计的成像时间最优选取结果图。
图4 是本发明舰船ISAR精细成像处理结果图(图中:横坐标为方位门数序号,纵坐标为距离门数序号)。
图5 是现有技术舰船ISAR成像量化定标处理结果图(图中:横坐标为方位门数序号,纵坐标为距离门数序号)。
图6 为本发明舰船ISAR精细成像量化定标处理结果图(图中:横坐标为方位门数序号,纵坐标为距离门数序号)。
具体实施方式
为使得对本发明的技术解决方案更加明晰的展示,下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
本实施例是基于深度学习的机载舰船目标ISAR精细化成像方法,利用X波段机载舰船ISAR实测数据对本发明算法进行了验证,参照处理流出图1,具体实施方案步骤如下:
一、建立机载SAR对海面舰船目标成像几何模型。
机载SAR对海面舰船目标成像几何模型如图2所示,图中,
机载SAR发射线性调频(LFM)信号,则可得到海面舰船目标的瞬时斜距
其中,
二、将机载SAR的原始回波信号变换到距离时域,完成距离脉压处理。
将原始回波信号
其中,
三、对第一回波信号数据
将第一回波信号数据
(1)第1子块回波数据每个距离门所对应的多普勒中心频率
其中,
(2)计算当前子块回波数据第
其中,
(3)考虑每个距离门所对应的多普勒中心频率
其中,
其中,
(4)对当前子块回波信号数据在距离向FFT,并与下式运动补偿函数
其中
四、对运动补偿后的第一校正数据
将运动补偿后的第一校正数据
其中,
五、对第二校正数据
对第二校正数据
其中,
六、对
利用图像中值滤波的方法对
其中,
七、采用深度神经网络U-Net对中值滤波处理后的图像数据进行目标分割提取。
采用深度神经网络U-Net模型,对第三图像数据
(1)目标函数优化
采用目标掩蔽(mask)与预测的交叉熵损失作为损失函数,其表达式如下:
其中,
(2)预训练
采用迁移学习的方法,首先在kaggle公司的Carvana Image Masking Challenge数据集上进行训练。然后利用RSOD Dataset数据集,对模型参数进行训练,得到最终的模型。Carvana Image Masking Challenge数据集包含5000 多个分割标注样本,预训练时设置批次为1,学习率为0.1,训练 200 个轮回后保存模型参数,用于之后的训练。
(3)训练
加载预训练的参数到模型中,以同样的训练参数,对第三图像数据
(4)舰船目标进行边界检测
分别计算舰船目标的最小距离单元
其中,
八、在方位向对目标分割所截取的数据
九、最优成像时间选取。
所谓最优,是指能够获得高质量(图像清晰,聚焦好)目标像的时间段,在该观测时间内,目标上各散射点回波信号的多普勒频率恒定,处理结果如图3所示,本实施例选取优选区间1。具体步骤如下:
(1)采用滑窗(
(2)求多普勒曲线相邻多普勒中心频率之差的绝对值;
(3)取多普勒曲线中相邻绝对值间多普勒中心之差绝对值最大的时间区段作为ISAR的最优成像时间的选取区段。
十、对目标截取数据,按相关法进行包络对齐处理。
设置滑窗对齐的累积脉冲序数为
(1)从第2个一维距离像开始,按下式求系数序列
其中,
(2)按下式求系数序列
其中,
(3)计算移动单元数
(4)对
其中,
十一、对第五图像数据
(1)利用第五图像数据
其中,
(2)利用排序结果
其中,
(3)利用选取的距离单元对一维距离像序列进行相位补偿得到距离像序列数据
其中,
十二、对相位补偿后的距离像序列数据
十三、定标参数估计
利用去调频斜率(Dechirp)算法对目标高分辨瞬时成像,输入信号为keystone变 换后的第六图像数据
(1)设定第
(2)由估计的调频率构造分量信号,并估计调频分量的峰值位置信息,计算公式如下:
其中,
(3)由调频分量的主峰位置确定左右截止点
(4)估计线性调频分量信号,计算公式如下:
其中,
得到第1个调频分量后,重复(1)~(4)步骤,继续分解,直到达到设置的分解个数
十四、方位压缩:
对第六图像数据
十五、图像量化,具体步骤如下:
(1)对
(2)对矩阵
(3)对图像
(4)根据二值化结果确定目标的径向范围,计算公式如下:
其中,
十六、图像定标:基于调频率
其中,
十七、对第六图像数据
图5为现有技术量化定标处理结果,图6为本发明量化定标处理结果(图中横坐标为方位门数序号,纵坐标为距离门数序号),相比舰船目标ISAR成像处理结果来看,本发明实现了机载舰船目标ISAR精细化成像,拓展了机载舰船目标ISAR成像应用,利于海面舰船目标检测与精准识别。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,但是在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
机译: 基于数字孪生的下一代舰船人工智能目标学习与目标识别方法
机译: 极化合成孔径雷达成像中海杂波训练区域选择和舰船目标自动检测方法
机译: 极化合成孔径雷达成像中海杂波训练区域选择和舰船目标自动检测方法