[發明專利]相似性約束下GEO星機雙基SAR動目標智能成像方法

在審

• 申請號: 202210427304.0
• 申請日: 2022-04-22
• 公開（公告）號: CN114910905A
• 公開（公告）日: 2022-08-16
• 發明（設計）人: 董錫超;崔暢;胡程;李元昊;王裕沛
• 申請（專利權）人: 北京理工大學;北京理工大學重慶創新中心;北京理工大學前沿技術研究院
• 主分類號: G01S13/90
• 分類號: G01S13/90;G01S19/48
• 代理公司: 重慶智慧之源知識產權代理事務所(普通合伙) 50234
• 代理人: 余洪

本發明提供一種相似性約束下GEO星機雙基SAR動目標智能成像方法，包括：通過GEO SA?BSAR系統采集含有運動目標的回波數據，并對回波數據進行距離壓縮、方位維FFT和雜波抑制處理，獲取運動目標的距離?多普勒域信號；對距離?多普勒域信號進行距離維FFT處理、相位補償和2D?IFFT處理，獲取運動目標散焦信號；構建基于相似性約束的深度神經網絡模型，深度神經網絡模型的網絡結構由若干個殘差塊搭建，并通過優化含相似性度量的損失函數對深度神經網絡進行訓練，得到深度神經網絡模型參數；將運動目標散焦信號輸入訓練后的深度神經網絡模型，輸出得到聚焦的運動目標圖像。本發明能夠快速準確地對運動目標進行成像。

技術領域

本發明涉及合成孔徑雷達技術領域，尤其涉及一種相似性約束下GEO星機雙基SAR動目標智能成像方法。

背景技術

地球同步軌道星機雙基合成孔徑雷達(Geosynchronous Spaceborne-AirborneBistatic Synthetic Aperture Radar，GEO SA-BSAR)采用GEO SAR(地球同步軌道合成孔徑雷達，Geosynchronous Synthetic Aperture Radar)作為輻射源，機載雷達接收信號，具有很好的隱蔽性和抗干擾性，且配置靈活，是偵查和監視運動目標的有效手段。

GEO SA-BSAR高發低收的雙基地構型造成運動目標與雷達系統的相對運動更加復雜，進而使回波信號產生額外的相位調制，導致運動目標散焦，而傳統GEO SA-BSAR運動目標重聚焦方法需要對目標運動參數進行迭代估計，計算量大。近年來，深度神經網絡(Deepneural network，DNN)由于預先從大規模數據中學習輸入和輸出的映射關系，在信號快速恢復中展現出巨大的潛力，這鼓舞我們利用它來代替繁瑣的參數迭代過程，以提升GEO SA-BSAR運動目標的成像能力。

目前，基于深度神經網絡的SAR運動目標成像方法，首先采用信號處理技術進行雜波抑制和運動目標粗成像，得到散焦的運動目標圖像，然后將散焦信號輸入深度神經網絡，進一步提取特征信息并構建散焦信號與聚焦圖像之間的映射，最終實現運動目標成像。

在運動目標成像過程中，運動目標圖像表征為若干個散射點聚焦后的結果，因此運動目標成像結果具有稀疏的特點。現有的基于深度神經網絡的SAR運動目標成像方法，在訓練網絡模型時，采用均方誤差作為損失函數，它是預測圖像與參考圖像之間的平均誤差，而無法直接表征稀疏散射點的位置和聚焦特性，因此削減了網絡對稀疏目標的恢復能力，造成了目標散焦且散射點位置難以準確恢復的問題，無法實現運動目標快速高質量成像。

發明內容

基于此，有必要針對上述技術問題，提供一種相似性約束下GEO星機雙基SAR動目標智能成像方法。

一種相似性約束下GEO星機雙基SAR動目標智能成像方法，包括以下步驟：通過GEOSA-BSAR系統采集含有運動目標的回波數據，并對回波數據進行距離壓縮、方位維FFT和雜波抑制處理，獲取運動目標的距離-多普勒域信號；對所述距離-多普勒域信號進行距離維FFT處理、相位補償和2D-IFFT處理，獲取運動目標散焦信號；構建基于相似性約束的深度神經網絡模型，所述深度神經網絡模型的網絡結構由若干個殘差塊搭建，并通過優化含相似性度量的損失函數對深度神經網絡進行訓練，得到深度神經網絡模型參數，所述損失函數為：

其中，I為輸入數據，O為標簽數據，C(I)為基于相似性約束的深度神經網絡模型的處理結果，[C(I)]_xy表示C(I)在(x,y)位置的像素值，O_xy表示O在(x,y)位置的像素值，N_a為信號的方位向點數，N_r為信號的距離向點數；將所述運動目標散焦信號輸入訓練后的深度神經網絡模型，輸出得到聚焦的運動目標圖像。

在其中一個實施例中，所述相位補償處理時，用于相位補償的參考函數利用靜止場景中心點信號二維頻譜的高階相位構建。