基于光学模数转换系统的目标成像与识别方法与系统

技术领域

本发明涉及光学信息处理，具体是一种基于光学模数转换系统的逆合成孔径雷达成像与目标识别方法与系统。

背景技术

在未来的智慧城市建设中，小型无人机将有可能承担物流，6G通信中继，城市监管等多方面的内容。小型无人机的广泛使用提供了生活便利的同时却也会带来社会安全等多方面的问题，因此，针对小型无人机的监管系统是社会安全保障体系中的重要一环。而定位与识别作为监管体系的头部功能，奠定监管性能下限的同时也决定了监管性能的上限。但是，由于无人机的小型化和样式的多样性，城市环境的复杂性和监管范围的广泛性等因素，无人机的定位与识别本身就是一个难点问题。基于全天候工作条件，电磁波的强穿透能力和发射波形的高功率，雷达有可能成为定位与识别的最佳途径。然而，受限于电学混频器，电模数转换器等电子器件的带宽瓶颈问题，传统的电子雷达系统的带宽无法满足探测小型目标所需的分辨率。

基于光学去斜方法的雷达系统将成像过程中的去斜计算在模拟域上实现，利用调制器的宽带性能对大带宽的射频信号进行接收，在光域上与本地的参考信号进行混频，从而可以利用低采样率低带宽的电模数转换器对去斜结果进行量化并进行后续的成像过程。但是该方案需要对目标位置进行预先的粗测，并且分辨率容易受到目标侧视距离偏移的影响而恶化。相比之下，光学模数转换系统基于光学信息处理方法的宽带特性，打破了电模数转换器的带宽限制和采样率限制，使得从根本上解决雷达系统探测小型目标时的分辨率问题成为可能。光学模数转换系统利用高速的光学采样脉冲完成对大带宽射频信号的直接采样，通过解复用的方式将单路的高采样率脉冲变成多路的低采样率脉冲，从而降低后端的电量化的带宽和采样率压力，实现对宽带射频信号的直接数字化。因此，雷达系统可以完成对大带宽回波信号的射频直采，在数字上完成对目标的高分辨率图像。在高分辨成像的基础上，对目标进行识别也是一个重要的环节。尽管电磁信号带宽的提升为成像过程提供了高分辨率的保障，但是也使得目标的电磁后向散射更加复杂。目标与雷达的LOS夹角随机的随机变化使得在一些角度下目标的逆合成孔径雷达图像与光学图像有很大的差异性，高分辨率逆合成孔径雷达图像的细节特征难以提取和识别。

神经网络作为一种仿生物学的特征提取方法具有比人更强的特征提取与识别能力，尤其是根据图像的细节特征，在图像的分类与识别任务上具有较强的准确率与鲁棒性。因此利用神经网络架构对具有高分辨率但是解译性差的逆合成孔径雷达图像进行特征提取与识别，有希望解决在成像角不合适情况下的目标识别问题，并且利用图像的高分辨率实现更高的识别准确率。

发明内容

本发明的目的在于通过引入光学信息处理的方法，充分利用光学模数转换系统的宽带高采样率优势，从而根本上解决雷达系统对小型复杂目标探测的分辨率问题。对高分辨率成像下可能造成的图像解译性差，细节特征难以识别等问题利用神经网络进行高分辨率特征提取，从而完整地实现复杂环境下小型目标探测与识别任务。

为了实现上述目的，本发明采用以下方案：

一方面，本发明公开了一种基于光学模数转换系统的目标成像与识别方法，其特点在于包括：

步骤1：在发射端，生成连续的N段射频频段的线性调频脉冲信号s(t)，表示为：

其中，t为时间，T

在接收端，通过射频功率调理接收到的运动目标的回波信号，得到调理后的回波信号r(t)，表示为：

其中，τ

步骤2：利用光学模数转换系统对射频频段的回波信号r(t)进行采样；

步骤3：通过数字去斜和傅里叶变换对所有N段回波信号进行处理，每段脉冲对应不同的回波时延τ

步骤4：根据N段脉冲对应的一维像通过相参积累算法得到该目标在该照射时间内的一帧逆合成孔径图像；

步骤5：采样L种不同目标的数据集，重复步骤1-步骤4，得到M张一帧的逆合成孔径图像，并划分为训练集和测试集，构建神经网络；

步骤6：利用构建的神经网络，将新目标的逆合成孔径图像输入，根据输出的矢量判断该新目标属于L中不同目标中的哪一种或是另一种目标。

进一步，所述步骤3对所有N段回波信号进行数字去斜和傅里叶变换处理，具体是：

步骤3.1对第i段的回波脉冲信号进行数字去斜处理，处理后的信号d(t)，表示如下：

其中，

步骤3.2对信号d(t)进行傅里叶变换处理，得到第τ段的脉冲回波的一维距离像的幅度和相位信息D(f)，表示如下：

D(f)＝Asinc((f-Kτ

其中，A为幅度常数项，ψ

另一方面，本发明还公开了一种基于光学模数转换系统的目标成像与识别系统，其特点在于包括：

射频频段的线性调频脉冲信号产生模块，用于在发射端生成连续的N段射频频段的线性调频脉冲信号；

射频功率调理链路，用于在接收端对回波信号进行射频功率调理，使其功率适合进入光学模数转换系统；

光学模数转换系统，用于对回波信号的射频频段进行采样和射频频段信号处理；

逆合成孔径图像生成模块，用于对N段射频频段信号对应的一维像进行相参积累，获取运动目标在该照射时间内的一帧逆合成孔径图像；

目标识别模块，用于对不同目标生成的图像数据集利用深度学习算法进行学习训练得到目标识别的神经网络，以及输入逆合成孔径成像图片，进行特征提取和识别。

优选的，所述的光学模数转换系统，具有多个通道，能够利用低速低采样率的电模数转换器阵列完成对射频大带宽信号的直接采样。

所述的线性调频脉冲的射频频段包括但不限于X波段，Ku波段，Ka波段，W波段，毫米波波段。

所述的波形产生方式包括但不限于任意波形发生器基带信号与微波信号发生器载波信号混频。

所述的功率调理链路中包括但不限于衰减器，放大器，滤波器。

所述的相参积累算法包括但不限于后向投影算法，傅里叶变换，匹配追踪优化算法。

所述的神经网络模型包括但不限于卷积神经网络，循环神经网络。

所述的光学模数转换系统包括但不限于时间波长交织架构，通道交织架构，并行采样架构。

与现有的雷达成像目标识别相比，本发明具有以下优点：

1、使用光学模数转换系统降低了对电模数转换器等器件的大带宽压力，能以低带宽低采样率的配置得到大带宽高采样率的接收结果，对射频频段大带宽回波信号进行直采，以提高逆合成孔径成像的分辨率，从而能提高识别准确率。

2、在硬件的射频直采能力的基础上，在数字计算上可以使用连续而非脉冲波形进行数字去斜，以防止侧视范围中心偏移带来的分辨率恶化。当去斜参考信号为发射的线性调频脉冲，可以表示为：

则经历过去斜之后的一维像的距离分辨率可以表示为：

其中c为光速。而当去斜参考信号为线性调频连续波形时，一维像的距离分辨率可以表示为：

可以看到在本方案中，分辨率不随侧视范围中心偏移而恶化。

3、利用神经网络对高分辨率下人眼难以识别的逆合成孔径图像特征进行提取，充分发挥了高分辨率的优势，进一步提高了识别准确率。

附图说明

图1为本发明基于光学模数转换系统的目标成像与识别方法的流程图；

图2为本发明实施例的使用场景和架构的示意图；

图3为为本发明实施例的一维像幅度图，其中，(a)为运动物体在约1.5m侧视范围中心偏移距离下的双角锥的一维像幅度图，(b)为运动物体在约150m侧视范围中心偏移距离下的双角锥的一维像幅度图；

图4为a-c分别三种不同小型无人机模型的逆合成孔径雷达成像图，左侧代表成像角度较好的情况下二维成像图，其中人眼较为容易识别；右侧为成像角度不好，收散射特性影响严重的情况下二维成像图，其中人眼难以识别。

图5为本发明实施例二维卷积神经网络训练过程示意图，其中，a为识别准确率曲线，(b)为损失曲线。

具体实施方式

下面结合附图和实施例，对本发明进一步描述，但不应以此限制本发明的保护范围。

使用宽带的线性调频脉冲信号作为雷达发射信号，在接收端利用光学模数转换系统进行射频信号直采，本实施例所采用的光学模数转换系统如图2所示，在前端利用光学频率梳产生高速的采样脉冲，利用电光调制器完成对电信号的采样过程，利用解复用模块实现高速脉冲序列的并行低速化，得到多路的低速采样脉冲信号，从而缓解电后端的压力，最后利用光电转换器阵列和低速电学模数转换器阵列得到最终的高速射频直采结果。通过纯数字域的计算过程生成运动的复杂小目标的逆合成孔径雷达图像样本集，对不同目标生成的图像数据集利用深度学习算法进行学习训练得到目标识别的神经网络框架，最后对应用中的目标生成逆合成孔径成像图片，得到成像结果，输入神经网络框架进行流水式识别，得到识别结果，具体分为以下几个步骤：

步骤1：在发射端生成连续的N段射频频段的宽带线性调频信号脉冲，通过天线向任一方向照射满一定的时长。发射的脉冲可以表示为：

其中t为时间坐标，T

步骤2：在接收端通过射频功率调理链路对步骤一中方向的回波信号进行功率调理，使之以合适的功率进入光学模数转换系统，得到这一段照射时间窗口内的数字化的回波脉冲串信息，则一段回波信号可以表示为：

其中τ为该段回波信号的回波时延。

步骤3：针对每一段的回波脉冲信号进行数字去斜，数字去斜信号不受相干性的限制，因此去斜参考信号可以不局限于发射信号本身，而是可以表示为连续的线性调频信号：

s′(t)＝exp(2πf

其中τ

其中

D(f)＝Asinc((f-Kτ

其中A为幅度常数项，ψ

步骤4：得到N段脉冲对应的一维像之后，可以通过相参积累算法得到该目标在该照射时间内的一帧逆合成孔径图像。

步骤5：随即初始时刻重复步骤1到步骤4的过程。建立M张L种不同目标的数据集，建立图像到矢量的神经网络架构模型。将上述数据集分为训练集和测试集。对神经网络模型参数进行训练。

步骤6：在应用中重复步骤1到步骤4，生成目标的逆合成孔径图像，将该图像输入到步骤5训练好的神经网络结构中，根据输出的矢量判断该目标属于L中不同目标中的哪一种或是新的一种目标。

采用与光学模数转换系统射频直采能力适应的一维像信息提取方法。该方法具有距离分辨率不随雷达侧视范围中心偏移而恶化的特点，具体表示为以下过程：

1)使用连续线性调频信号作为数字去斜的参考信号

s′(t)＝exp(2πf

2)数字去斜之后得到的距离分辨率恒定为：

3)与采用自身发射的脉冲信号做去写参考信号得到的分辨率δ″相比：

显然具有不随物体的相对距离τ的增加而恶化的优点。

实施例

图2为本发明实施例的使用场景和架构的示意图，如图所示，发射波形产生方式采用的是利用任意波形发生器产生1-9GHz的线性调频信号，利用微波信号发生器产生31GHz的载波信号，利用混频器对两信号混频以产生需要的32-40GHz的线性调频脉冲信号。在经过微波功率放大器的功率调理之后，线性调频脉冲串通过Ka波段的喇叭天线向约2m外的运动物体(两个距离约1.9cm的小角锥)进行照射，照射时长约20ms，于是脉冲段数N取值为4000。在接收端，采用一个相同的喇叭天线来接收运动目标的回波脉冲串。回波信号经历过Ka波段滤波器和Ka波段低噪声放大器被光学模数转换系统进行射频直采。在光学模数转换系统中，主动锁模激光器产生的脉冲光源作为采样光脉冲，40GHz带宽的马赫曾德尔调制器接收回波信号的射频输入，作为光学模数转换系统的采样门。级联调制器阵列作为解复用模块，将单路的高速光脉冲解复用为4路相对低速的光脉冲序列。经过4个同样的光电探测器构成的光电探测器阵列，光脉冲序列被转换为电脉冲序列输入到4个同样电模数转换器构成的电模数转换器阵列中。电模数转换器的采样率和带宽分别为10GSa/s和5GHz，可以看到，在本实施例中，我们用低带宽低采样率的电模数转换器完成了对Ka波段8GHz带宽的线性调频脉冲的直接采样。

在得到4000段脉冲的采样结果后，我们首先对其做数字去斜和一维傅里叶变换得到一维的距离像，同时验证成像的高分辨率。从4000段脉冲中随机取出一段进行步骤3中的过程，得到的一维像幅度图如图3中(a)所示，可以看到两个峰值点之间的距离大约为2cm。为了验证在本方案装置中距离分辨率不随着侧视范围中心偏移而恶化，对任意波形发生器的触发延时来模拟运动物体的距离与雷达侧视范围中心的偏移大约为150m。重复上述过程，可以看到在距离约150m处依然存在两个相隔约2cm的峰值点，如图3中(b)所示，即验证了分辨率不受恶化的优点。

将上述运动物体由两个角锥替换成三种不同类型的小型的无人机模型，执行步骤1至步骤3中的过程，在步骤4中，我们利用后向投影算法来进行4000段一维成像的相参积累得到一帧的逆合成孔径图像，重复共300次，得到3种不同类型的无人机逆合成孔径图像，每种类型各100张，每种类型的代表性成像结果如图4所示。

将得到的300张图像以一比一的比例划分为训练集和测试集，构建二维的卷积神经网络。由于每张图像的大小为121×121，构建的神经网络分为3层卷积层和2层全连层。每层卷积层由多个卷积核，并且包含池化核以及激活单元。两层全连层最后输出一个1×3的矢量，根据softmax得到最后的识别类别。在训练过程中，每次输入训练网络的图像数量为30，每一轮输入5次，一共训练200轮。最终在测试集上测试训练完成的网络的识别性能，准确率超出95％，证实了本装置识别的准确率。训练过程中的准确率曲线和损失曲线如图5所示。

经试验表明，本发明发挥光学模数转换系统的超宽带信号射频直采能力，简化了接收端的模拟处理流程，利用射频直采结果相适应的数字成像方法解决了雷达侧视范围的问题，避免了侧视范围中心偏移造成成像分辨率恶化的问题。吖在后端对射频直采数据进行流水式的全数字的高分辨率合成孔径成像，对生成的图像利用神经网络模型进行细节特征提取与识别，能够解决信号带宽的提升带来的电磁后向散射复杂性而导致目标的ISAR图像可能存在的可解译性与可识别性差的问题，充分发挥成像高分辨率优势，进一步提升目标识别的性能。