一种扫描雷达目标轮廓重建方法

技术领域

本发明属于雷达成像技术领域，特别涉及一种机载扫描雷达超分辨成像技术。

背景技术

扫描雷达具有快速重访和广域成像能力，且能适应任意成像构型，在飞行器复杂地形回避、自主着陆、地物信息侦察感知、海面搜索与救援等领域有着重要的应用价值。在距离向上，扫描雷达可通过发射宽带信号并通过匹配滤波技术实现距离向高分辨。在方位向上，扫描雷达由于天线孔径受到平台尺寸限制，存在角分辨率低下的缺陷。如何突破天线物理孔径的限制，提升扫描雷达角分辨能力，已成为实际应用中亟待解决的难点问题。

文献“SABERI A,STOORVOGEL AA,SANNUTIP.Inverse filtering anddeconvolution[J].International Journal of Robust and Nonlinear Control,2001,11(2):131-156.”提出了一种广义逆滤波反卷积方法，可用于提升扫描雷达角分辨率，但存在反卷积方法均依赖较高的信噪比的问题，在低信噪比时易出现虚假目标。文献“M.Schmidt,G.Fung,and R.Rosales,“Optimization methods for L

发明内容

为解决上述技术问题，本发明提出了一种扫描雷达目标轮廓重建方法，能够提高扫描雷达成像的方位分辨率，同时具有更强的目标轮廓信息重建能力。

本发明采用的技术方案为：一种扫描雷达目标轮廓重建方法，包括：

S1、根据机载扫描雷达的运动几何模型，雷达发射线性调频信号后，在接收端经下变频、脉冲压缩和距离徙动校正后，方位向回波表示为如下线性回归模型：

y＝As+n

其中y是接收的方位向回波向量，A是由机扫天线方向图函数构成的卷积矩阵，s表示目标源信号，n是加性噪声；

S2、引入全变差因子，结合LASSO方法将扫描雷达目标轮廓重建问题转化为均方根LASSO约束下的凸优化求解问题；并基于自相关拟合准则，导出无需超参数选取的最优全变差稀疏约束模型：

其中，M表示采样点数，W

S3、通过构建增广拉格朗日函数，将最优全变差稀疏约束模型分解为三个子问题分别交替求解，得到迭代方程为：

其中，u表示中间变量，ρ表示增广拉格朗日参数，

S4、重复步骤S3-S4，直至相邻的两次运算结果误差小于或等于设定的门限，结束循环，输出目标轮廓重建结果。

本发明的有益效果：本发明的方法，首先将扫描雷达方位向回波建模为目标散射分布与天线辐射函数的卷积，其次，引入全变差因子，结合LASSO方法将扫描雷达目标轮廓重建问题转化为均方根LASSO约束下的凸优化求解问题，然后基于自相关拟合准则，导出无需超参数选取的最优全变差稀疏约束模型，最后通过构建增广拉格朗日函数，将最优全变差稀疏约束模型分解为三个子问题分别交替求解，进而得到迭代方程。与已有方法相比，该方法能够提高扫描雷达成像的方位分辨率，同时具有更强的目标轮廓信息重建能力。

附图说明

图1是本发明算法流程图；

图2是本发明实施例中原始场景；

图3是本发明实施例中传统实波束成像结果；

图4是本发明实施例中提出的方法成像结果。

具体实施方式

为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。

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Matlab2018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。

本发明的算法流程示意图如图1所示，具体过程如下：

步骤一：建立扫描雷达回波模型

在本发明中，将所提方法应用到扫描雷达目标轮廓重建领域，对添加了均匀高斯白噪声的接收回波进行信号重建。为了模拟真实环境中的低信噪比情况，本次仿真加入的噪声大小为20dB。

本发明采用机载扫描雷达运动模型，机载平台系统的具体参数数值如表1所示，本次仿真假设扫描范围为±20°，天线波束宽度为3°。

在经过脉冲压缩和距离徙动校正之后，方位向回波可以表示为如下线性回归模型：

y＝As+n (1)

其中

步骤二：构建无超参数的最优全变差稀疏约束模型

假设噪声项的方差一致，则目标轮廓重建问题等价为一个加权最小绝对收缩和选择算子形式的稀疏优化问题：

其中为λ正则化参数，

模型通过引入全变差因子D可以增加成像模型的轮廓约束能力，实现更好的重建效果。然而，上式中引入了需要人工调整的超参数，实际应用中难以实现最优选取。

对于式(2)可以重新表示为：

令B＝AD

W

其中diag表示以w

根据协方差拟合准则，对式(4)中的正则化参数λ用信号加权矩阵代替，对式(4)中的s进行重建可以等价为如下无需超参数选取的最优全变差稀疏约束：

步骤三：构造增广拉格朗日函数

为了对式(7)进行求解，可将其转化为如下形式

其中

采用交替方向乘子法的思想，式(8)可转化为如下分离的优化求解问题：

构造相应的增广拉格朗日函数可以表示为：

其中u表示一个中间变量，ρ表示增广拉格朗日参数。

通过交替方向乘子法将大尺度的优化问题转化为分布式优化问题，每一次只更新一个变量而固定另外两个变量，并交替重复更新，重复：

步骤四：借助软阈值算子求解变量z

定义如下组(向量)软阈值算子：

其中v表示采用软阈值算子计算时用于简化表达式的中间变量。

该算子在组LASSO(Least absolute shrinkage and selection operator，最小绝对收缩和选择算子)问题中很常见。这类算子通常用于解决如下优化问题：

解可以表示为

针对变量

上式与软阈值方法求解的优化问题式(15)形式一致，采用软阈值方法来求解，容易得到解的形式为

其中

步骤五：交替求解变量

对于

上述问题符合标准LASSO的形式，其解可以通过坐标下降法求得。由于坐标下降法思路为每次选择一个维度，固定其他维度，使选择的维度达到最优，故将式(20)改写为如下分量的形式：

选定某一维度

可以发现式(22)中存在部分项为常数，这里假设

经过代换后得到：

令上式为0，可求得：

这里完成对一个维度的更新，依次在各维度i＝1,2…K求解，反复迭代下去直到收敛。

最后得到u的迭代方程为

步骤六：重复步骤四、五，直至最后的结果收敛，输出重建结果。

重复步骤四和五，直至相邻的两次运算结果的误差不大于设定的门限η，结束循环。循环中止条件为：

由仿真结果可以看出，在均匀噪声情况下，以高斯白噪声为例，仿真参数如表1所示，场景中假设目标为具有一定的结构的拓展目标，如图2所示。图3给出了传统实波束成像结果。可以看出分辨率较低，无法恢复原始场景的轮廓。图4给出了本发明提出的方法的成像结果，分辨率显著提升，同时也可以看出结果中目标的边缘得到了良好重建，其超分辨结果与真实场景基本一致，此外本发明提出的方法该方法不需要人工调整正则化参数，便于实际工程应用。

表1仿真参数表

综上，本发明提出的扫描雷达目标轮廓重建方法，可以解决扫描雷达已有角超分辨方法结果分辨率低的问题，同时具备较高的轮廓重建能力。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。