[發明專利]一種用于合成孔徑雷達的目標特征提取方法

有效

• 申請號: 201610397199.5
• 申請日: 2016-06-07
• 公開（公告）號: CN105974412B
• 公開（公告）日: 2018-03-02
• 發明（設計）人: 楊悅;萬群;叢迅超;張慶;龍柯宇;鄒麟;殷吉昊
• 申請（專利權）人: 電子科技大學
• 主分類號: G01S13/90
• 分類號: G01S13/90;G01S7/41
• 代理公司: 成都點睛專利代理事務所(普通合伙)51232
• 代理人: 葛啟函

技術領域

本發明屬于雷達技術領域，涉及一種用于合成孔徑雷達(SAR)的目標特征提取方法。

背景技術

合成孔徑雷達(Synthetic Aperture Radar,SAR)目標特征提取是SAR信號處理的一個非常重要的研究領域，其準確性直接影響目標識別的準確性，因此精確提取目標特征具有重要意義。特征提取的本質是將采樣數據從高維空間映射到低維特征空間，現有的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l₀范數非凸問題等價為l₁范數凸問題來求解，如基追蹤算法(Basis Pursuit,BP)、內點法等，這類算法計算復雜，用于大數據時計算效率低，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,OMP)，這類算法計算速度快，實現容易，但往往需要知道目標場景的稀疏度，特征提取結果很大依賴于稀疏度的設置，且其不考慮場景的空間結構信息，易受噪聲影響；而貝葉斯類算法，如稀疏貝葉斯學習算法(Sparse Bayesian Learning,SBL)，其主要思想是基于高斯先驗假設，可以自主的學習并確定算法中的所有超參數，獲得更稀疏的解，該算法引入了目標的空間結構信息，有一定的抗噪能力，且與凸優化算法相比具有更小的計算復雜度。然而，實際情況下，CS算法很容易受到強點的干擾，使得對弱散射特征的提取性能不太理想，同時，當目標場景過大時，構造的測量矩陣的維數過于龐大，使得實際處理時計算量較大，效率較低，不便于有效應用。。

發明內容

本發明所要解決的，就是針對上述問題，提出一種用于合成孔徑雷達的目標特征提取方法。

本發明的技術方案是：一種用于合成孔徑雷達的目標特征提取方法，其特征在于，包括以下步驟：

a.構建聚束SAR的成像模型如下公式1所示：

g＝Θμ+n (公式1)

公式1中，g為回波向量，μ是場景散射系數向量，Θ為觀測矩陣，n表示噪聲向量；

b.由極坐標成像算法得到目標場景的成像圖像；

c.根據獲得的成像圖像，基于圖像域的PRS(Peak Region Segmentation,聯合圖像域的峰值區域分割)算法對強散射點進行特征提取，具體方法為：

c1.對獲得的成像圖像進行分割，具體為：

c11.設置強散射點門限τ₁，利用分水嶺算法對強散射區域進行初始分割，得到R₁個初始分割區域；

c12.設置合并門限τ₂，對步驟c11得到的初始分割區域進行合并，當任意兩個相鄰區域邊界上像素點的幅值低于合并門限時，認為這兩個相鄰區域是由噪聲和紋理雜波引起的過分割導致的，因此合并這兩個相鄰區域，最后得到R₂個合并后的分割區域，R₂≤R₁；

c2.獲取分割區域所對應的強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域回波，具體為：

d1.設回波向量的矩陣形式如下公式2：

g＝Θ(A₁+A₂)μ+n＝g₁+g₂+n (公式2)

公式2中，A₂為區域選擇矩陣，其形式為將單位矩陣I中與集合Ω中的原子所對應的列置為零，A₁+A₂＝I，由此得到維數較小的測量矩陣，g₁＝ΘA₁μ為強散射區域回波，g₂＝ΘA₂μ為殘余散射區域回波；

d2.將殘余散射區域回波方程等價描述為如下公式3：