[0022] 其中,max(Srcmc(τ,t))为距离走动校正后数据Srcmc(τ,t)最大值,mean(Srcmc(τ,t))为平均值;将计算的峰值信杂噪比SCNR与初始设定值SCNR0比较,若SCNR≥SCNR0,进行步骤五;若SCNR
[0023] 步骤五:计算全局阈值,
[0024] 根据基于瑞利分布的双参数恒虚警率(CFAR)检测方法,对距离走动校正后数据进行CFAR检测,检测准则为:
[0025]
[0026] 其中,SCFAR(i,j)为CFAR检测后的数据,μc为CFAR检测时参考窗内数据均值,σc为参考窗内数据标准偏差,Th为门限因子,根据瑞利分布概率密度函数,计算出Th与虚警概率Pfa之间的关系为:
[0027]
[0028] 根据最大化类间方差方法计算CFAR检测后数据的全局阈值β;
[0029] 经过CFAR检测后,数据信杂噪比会有一定提高,降低了噪声和杂波对全局阈值β的影响,提高了全局阈值检测后目标检测概率;
[0030] 以β为阈值对数据进行初步划分,初步确定目标区域为:
[0031] Starget=SCFAR(τ,t),其中,|SCFAR(τ,t)|≥β。
[0032] 步骤六:目标区域检测。
[0033] 经过步骤五初步确定的目标区域中的目标边缘信息被破坏,在进行方位向解卷积时会影响解卷积结果。为能够更好的使目标信息保留,沿Starget方位向进行目标边缘信息检测。
[0034] 若某一方位单元Starget(i,j)非零,则沿方位向以该单元为中心向两边各扩展保留半个波束宽度数据,即:
[0035] Starget(i,j1)=Srcmc(i,j1),其中,(j-Nbeta/2)≤j1≤(j+Nbeta/2)。
[0036] 式中Nbeta为天线方向图主瓣采样点数。这样可以使得数据方位向调制尽可能完整保留,以达到更好的解卷积效果。
[0037] 步骤七:方位向超分辨处理。
[0038] 采用步骤四中Lucy-Richardson迭代解卷积公式,对步骤五中得到的目标区域数据Starget和整个成像场景Srcmc,分别选取合理的迭代次数进行超分辨迭代解卷积处理,得到超分辨处理结果分别为Ptarget和Prcmc。
[0039] 步骤八:数据重组。
[0040] 找到目标区域Starget中所有非零数据所对应的像素点所在位置I={(i,j)|Starget(i,j)≠0},然后将Prcmc中所有属于I中的像素点对应的数据更新为Ptarget中的对应点的数据,即Prcmc(i,j)=Ptarget(i,j),(i,j)∈I,即得到了最终的成像结果。
[0041] 本发明的有益效果:本发明的方法发射大时宽带宽积线性调频信号,通过脉冲压缩技术实现距离向高分辨;对距离走动校正后的数据估计全局峰值信杂噪比,若峰值信杂噪比高于初始设定值,则对距离走动校正后的信号进行目标区域检测,将检测出的目标区域进行高次迭代处理,成像场景则进行低次迭代;最后将目标区域和场景数据重组,完成整个成像区域的成像处理;若峰值信杂噪比低于初始设定值,选择合理的迭代次数对整个数据统一处理。本发明的方法对成像区域的强目标区域和场景进行了划分,分别进行了超分辨处理,在获得强目标区域较高超分辨倍数的同时,保证了场景信息的轮廓特征。
附图说明
[0042] 图1是本发明扫描雷达成像方法的流程示意图。
[0043] 图2是本发明扫描雷达成像方法的系统结构图。
[0044] 图3是本发明具体实施例采用的扫描雷达系统参数表。
[0045] 图4是本发明具体实施例中采用的面目标场景图。
[0046] 图5是具体实施例中对距离徙动校正后数据加入10dB高斯白噪声结果。
[0047] 图6是具体实施例中对加入噪声后数据直接超分辨迭代20次结果。
[0048] 图7是具体实施例中对加入噪声后数据直接超分辨迭代50次结果。
[0049] 图8是具体实施例中对加入噪声后数据经过全局阈值检测后的目标区域。
[0050] 图9是具体实施例中目标区域超分辨迭代50次结果。
[0051] 图10是具体实施例中数据重组后最终成像结果。
具体实施方式
[0052] 本发明主要采用仿真实验的方法进行验证,所有步骤、结论都在Matlab2010上验证正确。下面结合附图和具体实施例对本发明方法做进一步的阐述。
[0053] 本发明扫描雷达成像方法的流程示意图如图1所示,具体过程如下:
[0054] 步骤一:回波获取。
[0055] 采用如图2所示的雷达系统平台,选取如图3所示的雷达仿真系统参数,设发射信号为线性调频信号 其中,τ为距离向变量,Kr=5×1011Hz/s为调频斜率,Tr=4μs为脉冲时宽,f0=30GHz为载频。仿真所用原始面目标场景图如图4所示。
[0056] 回波经下变频后表达式为:
[0057]
[0058] 其中,σ0为目标散射系数,ωa(t)是天线方向图调制函数,ωa(t)=A(θ0-θ),A(θ)为天线方向图函数,θ0为目标方位角,变化范围为-13°~13°。rect[·]是距离向时间窗函数,τd=2R(t)/c是双程回波延迟,R(t)≈R0-Vtcosθ0为场景中任一点目标P到雷达平台瞬时距离,R0=30km为场景中心点目标零时刻到雷达平台距离,t为方位时间变量,V=100m/s为平台运动速度,c=3×108m/s为光速。
[0059] 步骤二:距离向脉冲压缩。
[0060] 按照脉冲压缩原理,构造距离向脉冲压缩频域匹配函数 将回波信号沿距离向FFT,在距离频域—方位时域中,与匹配函数相乘,再反变换到二维时域中的信号表达式为:
[0061] Src(τ,t)=σ0wa(t)sinc{B[τ-τd]}×exp{-j2πf0τd}
[0062] 其中,sinc{·}为距离脉压响应函数,B=2MHz为发射信号带宽。
[0063] 步骤三:距离走动判定及校正。
[0064] 根 据图 3 中仿 真 参 数 ,可 计算 得 场 景中 心 点的 距 离走 动 量 为距离单元 其中fr=4MHz为距离向采样率。因为ΔR<Δr,所以本实施例中不需要进行距离走动校正。若在实际应用中ΔR>Δr,将步骤二中的距离频域—方位时域数据在乘以脉冲压缩频域匹配函数后,再乘以距离走动校正函数然后再进行距离向IFFT,得距离走动校正后信号表达式
为:
[0065]
[0066] 步骤四:计算峰值信杂噪比。
[0067] 该实施例中,因为是仿真数据,没有噪声,为更接近实际的情况,对步骤三处理后的数据加入10dB高斯白噪声,如图5所示。
[0068] 设定初始信杂噪比SCNR0=15dB,计算加入噪声后数据峰值信杂噪比其中max(SN(τ,t))为加入噪声后数据SN(τ,t)最
大值,mean(SN(τ,t))为平均值。显然SCNR>SCNR0,进行步骤五。
[0069] 图6是对加入噪声后数据直接使用Lucy-Richardson迭代解卷积算法迭代20次结果,从图6中可以场景已得到了较好的处理效果,但目标区域中的目标由于迭代次数较低没能够分开。图7是对加入噪声后数据直接超分辨迭代50次结果,可以看出目标能够分开,但场景信息由于高次迭代已经破坏。
[0070] Lucy-Richardson迭代解卷积公式为:
[0071]
[0072] 其中,σk为第k次迭代结果,初始迭代值可选取σ0=HTr,H为天线方向图序列构造的T卷积核矩阵,[·]表示转置运算,r为加入噪声后的数据沿方位向某一距离单元数据。
[0073] 步骤五:计算全局阈值。
[0074] 首先根据基于瑞利分布的双参数恒虚警率(CFAR)检测方法,对加入噪声后数据进行CFAR检测,检测准则为:
[0075]
[0076] 其中,SCFAR(i,j)为CFAR检测后的数据,μc为CFAR检测时参考窗内数据均值,σc为参考窗内数据标准偏差。Th为门限因子,根据瑞利分布概率密度函数,可以计算出Th与虚警概率Pfa之间的关系为:
[0077]
[0078] 该实施例中虚警概率Pfa=1×10-6。
[0079] 然后根据最大化类间方差方法计算CFAR检测后数据的全局阈值β=10.8。以β为阈值对数据进行初步划分,初步确定目标区域为:
[0080] Starget=SCFAR(τ,t),其中,|SCFAR(τ,t)|≥β。
[0081] 步骤六:目标区域检测。
[0082] 经过步骤五初步确定的目标区域中的目标边缘信息被破坏,在进行方位向解卷积时会影响解卷积结果。为能够更好的使目标信息保留,沿Starget方位向进行目标边缘信息检测。若某一方位单元Starget(i,j)非零,则沿方位向以该单元为中心向两边各扩展保留半个波束宽度数据,即:Starget(i,j1)=Srcmc(i,j1),其中,(j-Nbeta/2)≤j1≤(j+Nbeta/2);其中,Nbeta为天线方向图主瓣采样点数。这样可以使得数据方位向调制尽可能完整保留,以达到更好的解卷积效果。检测得到的目标区域如图8所示。
[0083] 步骤七:方位向超分辨处理。
[0084] 采用步骤四中Lucy-Richardson迭代解卷积公式,对步骤五中得到的目标区域数据Starget进行50次超分辨迭代解卷积处理,得到超分辨处理结果为Ptarget,如图9所示。对整个成像场景SN进行20次超分辨迭代解卷积处理,得到超分辨处理结果为PN,如图6所示。
[0085] 步骤八:数据重组。
[0086] 找到目标区域Starget中所有非零数据所对应的像素点所在位置I={(i,j)|Starget(i,j)≠0},然后将PN中所有属于I中的像素点对应的数据更新为Ptarget中的对应点的数据,即PN(i,j)=Ptarget(i,j),(i,j)∈I。即得到了最终的成像处理结果,如图10所示。
[0087] 本发明的创新点是将成像区域中的强目标区域和场景进行了划分,在获得强目标区域较高超分辨倍数的同时,保证了场景信息的轮廓特征。
[0088] 可以看出,本发明方法在成像场景范围内,实现了扫描雷达在对强目标区域高分辨率成像的同时保证了场景信息的轮廓特征。