一种基于Lp正则化的小型化无人机载下视三维成像方法技术

本发明专利技术提供一种基于Lp正则化的小型化无人机载下视三维成像方法。包括：第一步：预处理之后的下视三维SAR回波信号进行重新排列，构建超完备字典，将成像过程转化为Lp正则化模型；第二步：对此Lp正则化模型降采样，并使用贝叶斯学习方法求解此正则化模型，得到重构的三维成像结果。该方法在保证成像质量的前提下大幅减少成像所需发射阵元数与阵列长度，或者在相同阵列条件下提高成像质量，使其可以应用与小型化无人机平台。

【技术实现步骤摘要】
一种基于Lp正则化的小型化无人机载下视三维成像方法
本专利技术涉及信号与信息处理技术，具体涉及一种基于Lp正则化的小型化无人机载下视三维成像方法。
技术介绍
多输入多输出合成孔径雷达(MultiInputMultiOutput-SyntheticApertureRadar,MIMO-SAR)下视三维成像是在单站SAR二维成像的基础上发展起来的一种新体制三维成像方式。该成像方式利用发射大带宽信号获得距离向分辨率，利用平台运动形成的合成孔径获得沿航迹向(方位向)分辨率以及利用俯仰向的MIMO雷达天线阵列获得俯仰向的分辨率，从而实现对地观测场景的三维成像。无人机载MIMO-SAR下视三维成像在对地观测、战场信息获取以及态势感知等方面具有广阔的应用前景。由于近几年无人机小型化乃至微型化技术日趋成熟，无人机载下视三维MIMO-SAR的小型化问题亟需解决。现有的MIMO-SAR下视三维成像技术大致可以分为两类，一类是基于奈奎斯特采样定理和匹配滤波的成像方式(参见彭学明的《基于跨航向稀疏阵列的机载下视MIMO3D-SAR三维成像算法》，发表在《电子与信息学报》，2012，第四期)；另一类是基于压缩感知的成像方法(参见李学仕的《基于压缩感知的下视三维SAR成像新方法》，发表在《电子与信息学报》，2012，第五期)，这些方法可以对下视三维场景准确成像。由于现有方法都是针对方位向栅瓣效应，提高分辨率，或者降低数据存储等方面的问题，而没有考虑到小型化无人机所需要的小型阵列成像问题，这将导致不能有效减少MIMO-SAR下视三维成像所需的阵元数目与阵列长度，无法适用于小型化无人机平台。
技术实现思路
本专利技术的目的在于克服上述现有技术中的不足之处，提出一种基于Lp正则化的小型化无人机载下视三维成像方法。本专利技术是通过如下方式实现的：步骤一：采用构造超完备字典的方式将MIMO-SAR下视三维成像问题转化为Lp正则化模型；步骤二：对此Lp正则化模型降采样，并使用贝叶斯学习方法求解此Lp正则化模型，得到重构的三维成像结果。所述的步骤一具体包括下述步骤：Step1)预处理：N个点目标的散射信息向量为采集的回波数据为Nx×Nz×L的三维矩阵，Nx表示发射的脉冲数，Nz表示每一脉冲的采样点数，L＝Nt×Nr表示等效阵元数目，Nt表示发射阵元个数，Nr表示接收阵元个数，对回波数据进行距离向匹配滤波，距离袭动矫正，方位向匹配滤波处理后得到sc(t)；Step2)将等效阵元按照所属发射阵元重新排列：对处理后的回波数据sc(t)，也按照相同规律重新排列，Sij,c是第i个发射阵元发射、第j个接受阵元接收到的回波数据：Sc＝[S11,c,,S12,c,...,S1Nr,c,S21,c,,S22,c,...,S2Nr,c,...,SNt1,c,,SNt2,c,...,SNtNr,c]T；Step3)将成像场景沿俯仰向划分为Ny份，对包含目标散射信息的非稀疏向量进行插值处理可以得到当yi处存在目标时，ρi≠0；Step4)将sc(t)的剩余相位构造成L×Ny的超完备字典Φ，每行是按俯仰向场景划分的离散形式，每列是按等效阵元排列的离散形式；Step5)可以将回波数据表示为超完备字典Φ和目标散射信息向量ρ的乘机加上环境噪声：Step6)采用Lp正则化框架，将上述问题转化为最小化模型；ρ＝argmin{Sc-Φρ2+λρp}，0＜p＜1。所述的步骤二具体包括下述步骤：Step1)针对缩减阵列的降采样方式设计降采样矩阵G，分别左乘与经距离方位向处理的回波数据sc(t)和超完备字典Φ得到降采样后的和Step2)假设的似然函数服从高斯分布，参数为β，目标散射系数ρ的各分量独立同概服从lp分布，参数为λ；对目标散射系数ρ进行最大似然估计，对参数β和λ进行贝叶斯分析，并使用求偏导数的方法得到迭代方程：β(n+1)＝f(ρ(n))，λ(n+1)＝g(ρ(n))和ρ(n)＝q(β(n),λ(n))；Step3)初始化：设初始目标散射系数为ρ(0)＝0，迭代次数k＝1；Step4)计算出参数β(k)与λ(k)，并更新ρ(k)；Step5)对基向量做出筛选：如果|ρi|＜Δ，删除ρi及相应的字典的第i列Step6)如果满足||ρ(k)-ρ(k-1)||2/||ρ(k-1)||2＜ε；则停止迭代并输出最终重构结果ρ(k)，否则迭代次数加一并转Step4)。本专利技术的有益效果在于：针对现有的MIMO-SAR下视三维成像方法无法有效减少成像所需的阵元数目与阵列长度，不适用于小型化无人机平台的问题，提出的基于稀疏贝叶斯学习的小型化无人机载下视三维成像方法，在阵列条件不变情况下能够消除俯仰向的旁瓣，提高俯仰向分辨能力，提高成像质量；在保证一定成像质量的前提下，能够大幅减少发射阵元个数，缩减所需阵列天线长度，使得该方法能够应用于小型化无人机平台。附图说明图1为本专利技术方法的流程图；图2为下视三维成像模型图；图3为散射点模型图；图4(a)为所提方法在-3dB下的三维成像对比情况图，图4(b)为所提方法在-30dB下的三维成像对比情况图，图4(c)为传统方法在-30dB下的三维成像对比情况图；图5(a)为俯仰向分辨能力传统方法二维剖面图，图5(b)为俯仰向分辨能力所提方法二维剖面图，图5(c)为俯仰向分辨能力传统方法俯仰向剖面图，图5(d)为俯仰向分辨能力所提方法俯仰向剖面图；图6(a)为在阵列长度为1.68m的情况下超完备字典相关系数矩阵的灰度图，图6(b)为在阵列长度0.96m的情况下超完备字典相关系数矩阵的灰度图，图6(c)为在阵列长度为0.44m的情况下超完备字典相关系数矩阵的灰度图，图6(d)为0.168m的情况下超完备字典相关系数矩阵的灰度图。图7(a)为20发21收阵列长度1.68m对成像质量的影响，图7(b)为15发16收阵列长度0.96m对成像质量的影响，图7(c)为10发11收阵列长度0.44m对成像质量的影响，图7(d)为6发7收阵列长度0.168m对成像质量的影响；图8为不同方法幅度一致性与阵列长度缩短关系图。具体实施方式下面结合附图和本专利技术的实例，对本专利技术作进一步的描述。如图1所示，本专利技术通过下列步骤实现：将成像过程转化为Lp正则化模型：对回波数据进行等效相位误差补偿，同周期内时序相位补偿，距离向匹配滤波，距离袭动矫正，方位向匹配滤波的预处理，将预处理后的数据重新排列，构造超完备字典，引入正则化框架；使用稀疏贝叶斯学习方法对其进行优化求解获得最终的成像结果。具体说明如下：步骤一：将成像过程转化为Lp正则化模型如图2所示为交替发射模式的下视三维成像模型，天线阵列沿y轴分布在载机平台上，共有Nt个发射阵元与Nr个接收阵元。发射阵列均匀位于阵列两端，阵元间隔为2d，接收阵列是由Nr个均匀排布的接收阵元组成，间隔为Ntd。发射天线位置坐标为(vtm,ytp,H),p＝1,2,...,Nt，接收天线坐标位置为(vtm,yrq,H),q＝1,2,...,Nr，等效阵元的坐标为收发天线的坐标中心对于任意一组发射接收阵元对(ytp，yrq)的收发同置近似处理相位补偿函数为：在实际处理中，还需考虑到载机平台的运动引起的俯仰向等效阵元的弯曲问题，需要进行相位校正。一个发射周期内第i个脉冲本文档来自技高网...

【技术保护点】
一种基于Lp正则化的小型化无人机载下视三维成像方法，包括下列步骤：步骤一：采用构造超完备字典的方式将MIMO‑SAR下视三维成像问题转化为Lp正则化模型；步骤二：对此Lp正则化模型降采样，并使用贝叶斯学习方法求解此Lp正则化模型，得到重构的三维成像结果。

【技术特征摘要】
1.一种基于Lp正则化的小型化无人机载下视三维成像方法，包括下列步骤：步骤一：采用构造超完备字典的方式将MIMO-SAR下视三维成像问题转化为Lp正则化模型；步骤二：对此Lp正则化模型降采样，并使用贝叶斯学习方法求解此Lp正则化模型，得到重构的三维成像结果。2.根据权利要求1所述的基于Lp正则化的小型化无人机载下视三维成像方法，其特征在于：所述的步骤一具体包括下述步骤：Step1)预处理：N个点目标的散射信息向量为采集的回波数据为Nx×Nz×L的三维矩阵，Nx表示发射的脉冲数，Nz表示每一脉冲的采样点数，L＝Nt×Nr表示等效阵元数目，Nt表示发射阵元个数，Nr表示接收阵元个数，对回波数据进行距离向匹配滤波，距离袭动矫正，方位向匹配滤波处理后得到sc(t)；Step2)将等效阵元按照所属发射阵元重新排列：对处理后的回波数据sc(t)，也按照相同规律重新排列，Sij,c是第i个发射阵元发射、第j个接受阵元接收到的回波数据：Sc＝[S11,c,,S12,c,...,S1Nr,c,S21,c,,S22,c,...,S2Nr,c,...,SNt1,c,,SNt2,c,...,SNtNr,c]T；Step3)将成像场景沿俯仰向划分为Ny份，对包含目标散射信息的非稀疏向量进行插值处理可以得到当yi处存在目标时，ρi≠0；Step4)将sc(t)的剩余相位构造成L×Ny的...

【专利技术属性】
技术研发人员：康乐，张群，李涛泳，罗迎，林永照，其他发明人请求不公开姓名，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：陕西,61