馬　贏,張智軍,陳　穩(wěn),秦占師,肖冰松

(空軍工程大學(xué)航空航天工程學(xué)院,西安　710038)

基于壓縮感知理論的微動目標(biāo)成像算法*

馬贏,張智軍,陳穩(wěn),秦占師,肖冰松

(空軍工程大學(xué)航空航天工程學(xué)院,西安710038)

摘要:為了解決由于微動導(dǎo)致正弦相位誤差的存在,傳統(tǒng)的匹配濾波和Fourier變換不能獲得聚焦的目標(biāo)方位圖像的問題。文中將壓縮感知理論(CS)引入到微動目標(biāo)成像中,對SAR微動目標(biāo)回波進(jìn)行AM-LFM分解,構(gòu)造SAR微動目標(biāo)回波的稀疏模型。并在利用CS理論進(jìn)行成像時采用子孔徑CS成像方法消除速度變化導(dǎo)致的圖像散焦,對微動目標(biāo)重新聚焦成像。仿真結(jié)果驗證了改進(jìn)算法成像效果。

關(guān)鍵詞:壓縮感知;微動目標(biāo)成像;合成孔徑雷達(dá);微多普勒;調(diào)幅-線性調(diào)頻

0引言

雷達(dá)成像是利用雷達(dá)系統(tǒng)接收到的目標(biāo)寬帶回波信號獲得電磁散射特性的空間分布。通過對回波進(jìn)行脈沖壓縮可以獲得距離向高分辨率,通過雷達(dá)與目標(biāo)之間相對運(yùn)動形成合成天線孔徑實現(xiàn)方位向的高分辨率。20世紀(jì)50年代,作為星載或機(jī)載雷達(dá)的合成孔徑雷達(dá)(SAR)被提出,隨后數(shù)字成像技術(shù)得到了迅速發(fā)展,而距離-多普勒算法極大的提高了SAR圖像的分辨率和尺寸,不僅能提供目標(biāo)的位置和速度,還能產(chǎn)生具有精細(xì)特性的圖像。而如果雷達(dá)固定,目標(biāo)是運(yùn)動的,目標(biāo)相對于雷達(dá)在角度上有移動,這種體制下的雷達(dá)成像稱為逆合成孔徑雷達(dá)(ISAR)。

SAR微動目標(biāo)檢測,能夠檢測出存在微動目標(biāo)的距離單元,估計目標(biāo)微動參數(shù)。雖然參數(shù)的估計值可作為微動目標(biāo)識別特征,但是由于微動目標(biāo)能量仍然沒有聚集在一個距離方位單元中,按照傳統(tǒng)靜止目標(biāo)成像算法進(jìn)行成像時微動目標(biāo)將出現(xiàn)模糊和鬼影等多種特征,無法直接利用這些特征進(jìn)行SAR圖像解譯。現(xiàn)有的距離徙動校正方法如最小熵法[1]、互相關(guān)法[2]和Keystone變換[3]等可將微動目標(biāo)聚焦于一個距離單元內(nèi)從而實現(xiàn)較好的距離向聚焦。然而,由于微動導(dǎo)致正弦相位誤差的存在,傳統(tǒng)的匹配濾波和Fourier變換都不能獲得聚焦的目標(biāo)方位圖像。傳統(tǒng)運(yùn)動目標(biāo)成像方法對運(yùn)動導(dǎo)致的誤差進(jìn)行補(bǔ)償,將運(yùn)動目標(biāo)成像轉(zhuǎn)化為靜止目標(biāo)成像。目前,尚無性能優(yōu)越的成像算法實現(xiàn)對微動目標(biāo)方位向的良好聚焦。文獻(xiàn)[4]指出,運(yùn)動目標(biāo)成像可轉(zhuǎn)化為空域稀疏信號的恢復(fù),因此提出了基于壓縮感知CS(compressed sensing)理論的運(yùn)動目標(biāo)成像算法。一是CS理論能以遠(yuǎn)低于兩倍信號帶寬的采樣速率恢復(fù)出微動目標(biāo)信號;二是能實現(xiàn)多個目標(biāo)的運(yùn)動參數(shù)和后向散射系數(shù)的估計。

文中研究基于CS理論的微動目標(biāo)聚焦成像,將SAR微動目標(biāo)回波進(jìn)行調(diào)幅-線性調(diào)頻(AM-LFM)分解,構(gòu)造SAR微動目標(biāo)回波的稀疏模型,在利用CS理論進(jìn)行成像的時候,采用子孔徑CS成像方法消除速度變化導(dǎo)致的圖像散焦。

1壓縮感知基本原理

傳統(tǒng)奈奎斯特采樣存在冗余度高、信息提取率低、設(shè)備復(fù)雜、成本較高的問題,造成了資源的極大浪費。壓縮感知理論可以利用與變換矩陣非相干的測量矩陣將變換系數(shù)線性投影為低維觀測向量,同時這種投影保持了重建信號所需的信息,通過進(jìn)一步求解稀疏最優(yōu)化問題就能夠從低維觀測向量精確的或高概率精確的重建原始高維信號是稀疏信號。它利用信號的可壓縮性進(jìn)行數(shù)據(jù)采集,打破傳統(tǒng)香農(nóng)采樣定理的約束,以遠(yuǎn)小于兩倍奈奎斯特采樣頻率進(jìn)行數(shù)據(jù)采集,成功實現(xiàn)了從對信號的采樣向?qū)π畔⒌牟蓸拥霓D(zhuǎn)變。壓縮感知處理主要有3個核心內(nèi)容:稀疏字典設(shè)計、測量矩陣設(shè)計和重建算法設(shè)計。

(1)其中:α是n×1的系數(shù)向量,αi=(X,ψi)。如果式(1)中系數(shù)α僅有k個非零值或者k個大于某一門限的值,則稱信號X在基Ψ上是稀疏的,Ψ為信號X的稀疏基或稀疏字典。如果在時域?qū)進(jìn)行測量,則有:Y=ΦX

(2)其中:Φ∈Cm×n為測量矩陣,Y∈Cm×1為測量值。由于m

(4)滿足式(4)的解為最稀疏解。求解出目標(biāo)信號α后,也就容易實現(xiàn)X的重建。為使得m個測量值能準(zhǔn)確恢復(fù)k個系數(shù),確保重建算法的收斂性,字典矩陣Θ需滿足信號恢復(fù)的約束條件。文獻(xiàn)[5]證明對于式(4)的求解,當(dāng)Θ滿足RIP(restricted isometry property,限制等距特性)或不相干條件時,可通過求解式(1)的逆問題得到系數(shù)α,進(jìn)而恢復(fù)信號X。

綜上可知,CS方法的處理流程如圖1所示。

圖1　CS理論處理流程

目前,有關(guān)重構(gòu)算法的研究主要有3類:貪婪算法、優(yōu)化算法、基于統(tǒng)計推斷的方法。貪婪算法速度快,但對觀測數(shù)量的要求有時會多于其他算法,代表有MP(matching pursuit,匹配追蹤)、OMP(orthogonal MP,正交匹配追蹤)、ROMP(regularized OMP,正則化正交匹配追蹤)等等[6-8];優(yōu)化算法以BP[9](basis pursuit,基追蹤)方法為代表,它重構(gòu)精度高,但恢復(fù)速度慢;貝葉斯方法[10]是一種比較經(jīng)典的基于統(tǒng)計推斷的重構(gòu)算法,其在沒有噪聲干擾時才能很快收斂,但重構(gòu)精度很高。

2SAR微動目標(biāo)回波AM-LFM分解

(5)從式(5)可以看出,目標(biāo)主體回波對應(yīng)多普勒頻率是時不變的,在時間-多普勒平面上表現(xiàn)為一些平行于時間軸的直線;而SAR微動目標(biāo)回波對應(yīng)為一條正弦曲線,可用多個短時線段進(jìn)行擬合。而且,這些擬合線段的頻率由于微多普勒的時變性而大多非零。如圖2,微多普勒信號可以用一連串幅度調(diào)制、調(diào)頻率非零的線性調(diào)頻(LFM)信號表示,其中每一個線段對應(yīng)一個LFM信號分量。

圖2　微多普勒頻率的分段擬合

exp[j(αnt+βnt2/2)]

(6)其中αn與βn分別表示第n個LFM分量的初始頻率和調(diào)頻率。

3微動目標(biāo)回波的稀疏表示

回波信號的稀疏表示是基于CS理論成像方法為前提。由式(6),SAR微動目標(biāo)回波可以用目標(biāo)的初始位置(x0,y0)和微動的幅度rm和頻率ω描述,也可以用目標(biāo)的初始位置(x0,y0)和各個LFM分量的初始頻率αn和調(diào)頻率βn描述。將描述SAR微動目標(biāo)回波的參數(shù)(x0,y0,αn,βn)與距離向時間離散化,可構(gòu)造維數(shù)為N=N1×N2×N3×N4的稀疏字典:Ψ=[Ψ1,Ψ2,…,ΨN]M×N

(7)其中:Ψm,n=ej(αn3t+βn4t2/2),m=1,2,…,M;n1=1,…,N1,n2=1,…,N2,n3=1,…,N3,n4=1,…,N4;M為距離向時間的離散點數(shù);N1、N2分別為場景距離和方位向的離散點數(shù);N3、N4分別為微動回波信號頻率和調(diào)頻率離散點數(shù)。

由式(6)可以看出,第i個孔徑的微動目標(biāo)回波可表示為:Si(t,τ)=

(8)其中,如果存在參數(shù)為(xn1,yn2,αn3,βn4)的目標(biāo),則ρ(n1,n2,n3,n4)為該目標(biāo)的后向散射系數(shù);否則ρ(n1,n2,n3,n4)為0。式(8)用矩陣表示為:Si=Ψiρ,ρ∈RN

(10)或者可表示為S=Ψρ,Ψ∈CRM×N。其中R為方位采樣點數(shù)。考慮噪聲影響的數(shù)據(jù)獲取過程表示為S=Ψρ+n。因此,微動目標(biāo)的成像轉(zhuǎn)化為在已知S和Ψ的情況下求解ρ的過程。由于ρ在參數(shù)化空間(xn1,yn2,αn3,βn4)是稀疏的,因此可用基于CS理論的方法求解?；贑S理論的微動目標(biāo)成像方法在數(shù)據(jù)采樣的同時完成數(shù)據(jù)壓縮,整個壓縮采樣過程可用矩陣表示為:

(11)

或者Y=ΦΨρ=Dρ+n。其中,Φ為采樣矩陣,且Φi∈CTi×N,i=1,…,R,Ti為距離向時間的采樣點數(shù)。SAR微動目標(biāo)成像轉(zhuǎn)化為在已知Y和D的基礎(chǔ)上求解ρ的過程。求解方法可用文獻(xiàn)[5]提出的貝葉斯方法實現(xiàn)。

4子孔徑壓縮感知成像方法

由于微動在整個成像過程中的速度分量在一直發(fā)生變化,在不同的孔徑位置,ρ中非零元素位置也會改變,因此采用上述方法成像時圖像的散焦是不可避免的。采用基于子孔徑的壓縮感知成像方法可以有效減小因速度變化產(chǎn)生的對成像質(zhì)量的影響。將整個孔徑劃分為若干相鄰且不重疊的子孔徑,對每個子孔徑的數(shù)據(jù)分別進(jìn)行壓縮感知成像,此時可以認(rèn)為每個子孔徑中的目標(biāo)速度是恒定的,再將由這些子孔徑得到的成像結(jié)果疊加在一起就實現(xiàn)了微動目標(biāo)的聚焦成像。

每個子孔徑對目標(biāo)數(shù)據(jù)的采樣壓縮過程可以用矩陣表示為:

(12)

或者Yj=ΦjΨjρj=Djρj+nj。其中,Φj為采樣矩陣,j為子孔徑數(shù),L為每個子孔徑的采樣點數(shù)。由于(Yj)j=1,2,…,j來自同一成像場景,相互之間聯(lián)系。根據(jù)這種聯(lián)系性,可采用多任務(wù)貝葉斯壓縮感知(multi-task BCS)方法實現(xiàn)各個子孔徑的同時成像。MT-BCS是一種分層貝葉斯模型,其結(jié)構(gòu)如圖3所示,具體實現(xiàn)步驟可參考文獻(xiàn)[12]。

圖3　分層貝葉斯模型

5實驗仿真與分析

5.1　仿真條件

假設(shè)場景中存在一個半徑為2 m、周期為1 s的旋轉(zhuǎn)目標(biāo),位于r=10 000 m,x=0的場景中中心。載機(jī)速度為V0=200 m/s,波長為0.02 m,帶寬為150 MHz,PRF為2 048 Hz,CPI為2 s,距離分辨率和方位分辨率分別為1 m和0.25 m。

5.2　仿真結(jié)果及分析

圖4為對全孔徑數(shù)據(jù)采用基于壓縮感知成像算法所得結(jié)果,圖5為采用基于子孔徑壓縮感知成像算法得到旋轉(zhuǎn)目標(biāo)的圖像。從圖4中的“光斑”可以看出圖像出現(xiàn)明顯的散焦,這與理論分析結(jié)果相一致。相比于圖4中的基于全孔徑壓縮感知成像算法得到的“光斑”,可看出采用基于子孔徑壓縮感知成像算法得到的圖5具有很好聚焦,驗證了文中算法的可行性和有效性。

圖4　基于全孔徑旋轉(zhuǎn)目標(biāo)成像

圖5　基于子孔徑旋轉(zhuǎn)目標(biāo)成像

為進(jìn)一步驗證文中算法的成像質(zhì)量,將不同數(shù)據(jù)采樣率條件下的基于CS理論的算法成像與全采樣條件下的距離多普勒(RD)算法成像進(jìn)行幅度相關(guān)性比較,圖像的幅度相關(guān)性計算公式如下:

(13)

其中f1(m,n),f2(m,n)分別為兩幅圖像對應(yīng)像素點(m,n)對應(yīng)的復(fù)散射系數(shù)。比較結(jié)果如表1所示。

表1　CS算法與RD算法成像幅度相關(guān)性

由表1可以看出隨著數(shù)據(jù)采樣率的減少,CS圖像與RD圖像間的幅度相關(guān)系數(shù)會逐漸降低,且降低的幅度越來越大,但即使采樣數(shù)據(jù)量只有原始數(shù)據(jù)的30%,幅度相關(guān)系數(shù)仍能夠達(dá)到80%以上。由此驗證了算法的成像質(zhì)量。

6結(jié)束語

文中針對傳統(tǒng)運(yùn)動目標(biāo)成像方法下對目標(biāo)方位向的聚焦性能較差的問題,將壓縮感知理論引入到微動目標(biāo)成像中,通過對SAR微動目標(biāo)回波進(jìn)行AM-LFM分解,構(gòu)造了SAR微動目標(biāo)回波的稀疏模型,將微動目標(biāo)成像轉(zhuǎn)化為空域稀疏信號的恢復(fù)。在利用CS理論進(jìn)行成像的時候,采用子孔徑CS成像方法消除速度變化導(dǎo)致的圖像散焦,最終得到聚焦良好的微動目標(biāo)圖像并驗證其成像質(zhì)量。

參考文獻(xiàn):

[1]保錚, 邢孟道, 王彤. 雷達(dá)成像技術(shù) [M]. 北京: 電子工業(yè)出版社, 2005.

[2]Changchun Z, Ge S. A Hough transformbased method for fast detection of fixed period simusoidal curves in images [C]∥ICSP, 2002: 909-912.

[3]霍凱, 黎湘, 姜衛(wèi)東, 等. 基于分段偽Keystone變換的快速旋轉(zhuǎn)目標(biāo)檢測 [J]. 電子學(xué)報, 2011, 39(9): 2073-2079.

[4]徐建平. 壓縮感知算法在雷達(dá)成像中的應(yīng)用研究 [D]. 成都: 電子科技大學(xué), 2012.

[5]CANDES E, TAO T. Near optimal signal recovery from random projections: universal encoding strategies [J]. IEEE Trans on Information Theory, 2006, 52(12): 5406-5425.

[6]J A Tropp, A C Gibert. Signal recovery from random m-easurements via orthogonal matching pursuit [J]. Information Theory, IEEE Transactions on, 2007, 53(12): 4655 -4666.

[7]D Needell, R Vershynin. Signal recovery from incomplete and inaccurate measurements via regularized orthogonal matching pursuit [J], IEEE Journal of Selected Topics in Signal Proce-ssing, Apr, 2010, 4(2): 310-316.

[8]D Needell, R Vershynin. Uniform uncertainty principle andsignal recovery via regularized orthogonal matching pursuit [J]. Foundations of Computational Mathenatics, Jun, 2009, 9(3): 317-334.

[9]Huggins P S, Zucker S W. Greedy basis pursuit [J]. IEEE Transactions on Signal Processing, Part: 2, 2007, 55(7): 3760-3772.

[10]Seeger M W. Bayesian inference and optimal design for the sparse linear model [J]. Journal of Machine Learning Reserch, 2008, 9: 759-813.

[11]鄧彬. 合成孔徑雷達(dá)微動目標(biāo)指示(SAR/MMTI)研究 [D]. 長沙: 國防科學(xué)技術(shù)大學(xué), 2011.

[12]Tipping M E, Faul A. Fast marginal likelihood maximization for spase Bayesian models [C]∥ Proceeding of the Ninth International Workshop on Artifical Intelligence and Statistics, Key West, Florida, 2003: 1-13. M W. Bayesian inference and optimal design for the sparse linear model [J]. Journal of Machine Learning Reserch, 2008, 9: 759-813.

[11]鄧彬. 合成孔徑雷達(dá)微動目標(biāo)指示(SAR/MMTI)研究 [D]. 長沙: 國防科學(xué)技術(shù)大學(xué), 2011.

[12]Tipping M E, Faul A. Fast marginal likelihood maximization for spase Bayesian models [C]∥ Proceeding of the Ninth International Workshop on Artifical Intelligence and Statistics, Key West, Florida, 2003: 1-13.

收稿日期:2014-11-17

基金項目:航空科學(xué)基金(20145596025)資助

作者簡介:馬贏(1990-),男,湖南邵陽人,碩士研究生,研究方向:雷達(dá)信號處理及工程應(yīng)用。

中圖分類號:TN95

文獻(xiàn)標(biāo)志碼:A

An Micro-motion Target Imaging Algorithm Based on
Compressed Sensing Theory

MA Ying,ZHANG Zhijun,CHEN Wen,QIN Zhanshi,XIAO Bingsong

(Aeronautics and Astronautics Engineering College, Air Force Engineering University, Xi’an 710038, China)

Abstract:Due to micro-sinusoidal phase error, the traditional matched filtering and Fourier transform can not get focused goal orientation image. In this paper, an algorithm was proposed to apply the compressed sensing theory into micro-motion target imaging. SAR micro-motion target echo was decomposed with AM-LFM and the sparse models were constructed. In order to re-focus imaging micro-motion target, sub-aperture imaging approach was used to eliminate speed variation. Simulations were given to validate effectiveness of the proposed algorithm.

Keywords:CS; micro-motion target imaging; SAR; micro-Doppler; AM-LFM