一种超宽带穿墙雷达学习成像的方法、装置、系统和可读存储介质制造方法及图纸

本发明专利技术实施例涉及一种超宽带穿墙雷达学习成像的方法、装置、系统和可读存储介质，该方法获取隐蔽目标的回波散射数据；去除所述回波散射数据的墙体回波和噪声；根据衍射层析成像算法，构建傅里叶变换快速算子；基于所述回波散射数据和所述傅里叶变换快速算子，构建压缩感知稀疏重构模型；并将稀疏重构迭代算法展开成多层神经网络结构，通过训练数据集对网络模型中超参数训练。本发明专利技术通过随机降采样回波数据，大大地降低系统的频域数据采集量，减少了系统的数据采集时间；通过构建傅里叶变换快速算子，减少算法运行所需内存；通过数据驱动智能学习网络模型超参数，既降低计算复杂度，避免了稀疏重构方法迭代耗时的限制，又提高了成像质量。

【技术实现步骤摘要】
一种超宽带穿墙雷达学习成像的方法、装置、系统和可读存储介质
本专利技术实施例涉及穿墙雷达隐藏目标稀疏成像领域，特别涉及一种超宽带穿墙雷达学习成像的方法、装置、系统和可读存储介质。
技术介绍
穿墙雷达是一种新型建筑透视探测装备，在反恐维稳、灾难救援、军事勘察、目标营救等领域中有极其重要的作用。穿墙雷达三维成像不仅能提供距离向和方位向上的目标位置信息，还能提供俯仰等更多维度的信息，满足了建筑内部的结构特征、人体目标的姿势姿态等信息的需求。目前，穿墙雷达稀疏成像构建字典矩阵的主要方式是通过计算成像网格点到天线之间的双程时延，对发射波做时延补偿构成字典矩阵。对于三维穿墙稀疏成像，字典矩阵所需内存过大，并且成像速度慢。此外，稀疏优化算法还存在计算复杂度高、超参数选择困难等问题。
技术实现思路
本专利技术实施例的目的是提供一种超宽带穿墙雷达学习成像的方法、系统和可读存储介质。该方法利用衍射层析模型构建傅里叶算子以有效地降低了算法运行所需内存，将稀疏优化迭代算法展开成多层神经网络结构，通过数据驱动智能学习网络模型超参数，既降低计算复杂度，避免了稀疏重构方法迭代耗时的限制，又提高了成像质量。第一方面，本专利技术实施例提供了一种超宽带穿墙雷达学习成像的方法，所述方法包括：训练数据的获取：通过对成像区域目标位置和数量随机取样的回波数据构成训练数据集；根据衍射层析成像算法，构建傅里叶变换快速算子；基于所述回波散射数据和所述傅里叶变换快速算子，构建压缩感知稀疏重构模型；将压缩感知稀疏重构迭代算法展开成多层神经网络结构，并通过训练数据集对网络结构中超参数训练；使用训练好的神经网络结构对隐蔽目标成像。第二方面，一种穿墙雷达稀疏成像的装置，所述装置包括：第一获取模块，用于随机采样获取隐蔽目标的回波散射数据，通过对成像区域目标位置和数量随机取样的回波数据构成训练数据集；第二获取模块，用于通过背景减法和线性趋势抑制方法，去除所述回波散射数据的墙体回波和噪声；第一构建模块，用于根据衍射层析成像算法，构建傅里叶变换快速算子；第二构建模块，用于基于所述回波散射数据和所述傅里叶变换快速算子，构建压缩感知稀疏重构模型；训练模块，将压缩感知稀疏重构迭代算法展开成多层神经网络结构，并通过训练数据集对网络结构中超参数训练；成像模块，使用训练好的神经网络结构对隐蔽目标成像。第三方面，一种穿墙雷达成像的系统，所述系统包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的方法。第四方面，本专利技术实施例提供了一种非易失性计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，当所述计算机可执行指令被穿墙雷达稀疏成像的装置执行时，使所述穿墙雷达稀疏成像的装置执行如上述的方法。本专利技术实施例提供的一种超宽带穿墙雷达学习成像的方法、装置、系统和可读存储介质，该方法通过随机采样获取隐蔽目标的回波散射数据；通过背景减法和线性趋势抑制方法，去除所述回波散射数据的墙体回波和噪声，通过对成像区域目标位置和数量随机取样构成训练数据集；根据衍射层析成像算法，构建傅里叶变换快速算子；基于所述回波散射数据和所述傅里叶变换快速算子，构建压缩感知稀疏重构模型；将压缩感知稀疏重构迭代算法展开成多层神经网络结构，并通过训练数据集对网络结构中超参数训练。本专利技术通过随机降采样回波数据，大大地降低系统的频域数据采集量，减少了系统的数据采集时间；通过构建傅里叶变换快速算子，减少算法运行所需内存；通过数据驱动智能学习网络模型超参数，既降低计算复杂度，避免了稀疏重构方法迭代耗时的限制，又提高了成像质量。附图说明一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。图1是一种本专利技术实施例提供的一种超宽带穿墙雷达学习成像的方法的流程示意图；图2是一种采用步进频穿墙雷达探测的实验场景示意图；图3是一种神经网络模型结构图；图4是一种传统衍射层析三维成像结果图；图5是一种传统衍射层析三维成像切片图；图6是一种超宽带穿墙雷达学习成像结果图；图7是一种超宽带穿墙雷达学习成像切片图；图8是本专利技术实施例提供的一种超宽带穿墙雷达学习成像的装置结构示意图；图9是本专利技术实施例提供的一种超宽带穿墙雷达学习成像的系统的硬件结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例一参考图1，图1是一种本专利技术实施例提供的一种超宽带穿墙雷达学习成像的方法的流程示意图。如图1所示，所述方法包括：步骤101，通过对成像区域目标位置和数量随机取样的回波数据构成训练数据集；可选地，训练数据的获取：通过对成像区域目标位置和数量随机取样的回波数据构成训练数据集，包括：采用M行N列2维收发共置天线阵列，随机取M′＜M行N′＜N列天线，天线空间坐标向量记为(xR′,yR′)，xR′＝[x1,x2,...,xm,...,xM′]，yR′＝[y1,y2,...,yn,...,yN′]，每个天线随机记录K′个频点的回波散射数据，获得M′×N′×K′维原始回波数据表示第m行第n列天线得到的第k′个频点回波散射数据，k′＝1,2,...,K′。通过背景减法和线性趋势抑制方法，去除墙体回波ywall和噪声ynoise；选取成像区域内不同目标位置和数量的H个回波数据构成训练数据，记为ytrain，对应样本标签为全采样下目标在无墙和无噪声理想情况下衍射层析成像算法所成像，记为Otrain。步骤102，根据衍射层析成像算法，构建傅里叶变换快速算子；可选地，所述根据衍射层析成像算法，构建傅里叶变换快速算子，包括：衍射层析三维成像算法中，采用M行N列2维收发共置天线阵列，天线空间坐标向量记为(xR,yR)，天线记录K个频点的回波散射数据，空间区域被分成三个区域，区域0和区域2为空气,区域1为墙体,空气介电常数和磁导率记为ε0和μ0，墙体介电常数和磁导率记为εb和μ0，所述隐蔽目标位于区域1中；设x方向为方位向,y方向为高度向,z方向为距离向,墙体的厚度为d,天线阵列距墙体位置为zR，所述隐蔽目标成像的公式为：其中，O(x,y,z)为目标对比度函数(目标像)，空气介质波数k＝2πf/c，f为雷达频率，c为光速，kx表示为方位向波数，ky表示本文档来自技高网...

【技术保护点】
1.一种超宽带穿墙雷达学习成像的方法，其特征在于，所述方法包括：/n通过对成像区域目标位置和数量随机取样的回波数据构成训练数据集；/n根据衍射层析成像算法，构建傅里叶变换快速算子；/n基于所述回波散射数据和所述傅里叶变换快速算子，构建压缩感知稀疏重构模型；/n将压缩感知稀疏重构迭代算法展开成多层神经网络结构，并通过训练数据集对网络结构中超参数训练；/n使用训练好的神经网络结构对隐蔽目标成像。/n

【技术特征摘要】
1.一种超宽带穿墙雷达学习成像的方法，其特征在于，所述方法包括：
通过对成像区域目标位置和数量随机取样的回波数据构成训练数据集；
根据衍射层析成像算法，构建傅里叶变换快速算子；
基于所述回波散射数据和所述傅里叶变换快速算子，构建压缩感知稀疏重构模型；
将压缩感知稀疏重构迭代算法展开成多层神经网络结构，并通过训练数据集对网络结构中超参数训练；
使用训练好的神经网络结构对隐蔽目标成像。


2.根据权利要求1所述的方法，其特征在于，训练数据的获取：通过对成像区域目标位置和数量随机取样的回波数据构成训练数据集，包括：
采用M行N列2维收发共置天线阵列，随机取M′＜M行N′＜N列天线，天线空间坐标向量记为(xR′,yR′)，xR′＝[x1,x2,...,xm,...,xM′]，yR′＝[y1,y2,...,yn,...,yN′]，每个天线随机记录K′个频点的回波散射数据，获得M′×N′×K′维原始回波数据表示第m行第n列天线得到的第k′个频点回波散射数据，k′＝1,2,...,K′；
通过背景减法和线性趋势抑制方法，去除墙体回波ywall和噪声ynoise；



y是去除墙体回波和噪声的训练数据，ytrain是选取成像区域内不同目标位置和数量的H个回波数据构成训练数据，Otrain对应样本标签为全采样下目标在无墙和无噪声理想情况下衍射层析成像算法所成像。


3.根据权利要求1所述的方法，其特征在于，所述根据衍射层析成像算法，构建傅里叶变换快速算子，包括：
衍射层析三维成像算法中，采用M行N列2维收发共置天线阵列，天线空间坐标向量记为(xR,yR)，天线记录K个频点的回波散射数据，空间区域被分成三个区域，区域0和区域2为空气,区域1为墙体,空气介电常数和磁导率记为ε0和μ0，墙体介电常数和磁导率记为εb和μ0，所述隐蔽目标位于区域1中；设x方向为方位向,y方向为高度向,z方向为距离向,墙体的厚度为d,天线阵列距墙体位置为zR，所述隐蔽目标成像的公式为：



其中，O(x,y,z)为目标对比度函数(目标像)，空气介质波数k＝2πf/c，f为雷达频率，c为光速，kx表示为方位向波数，ky表示为高度向波数，kz表示为距离向波数；

，
F2D{·}表示二维空域傅里叶变换，E(xR,yR,k)表示全采样回波散射数据，函数



其中，




其中表示为墙介质的波数；
衍射层析成像公式(2)可以表达成如下形式：



其中
进一步推导公式(3)可得：



其中表示二维空域傅里叶逆变换，将回波散射数据变换为目标图像，由电磁平面波的散射关系，得到衍射层析成像正向变换：



其中为傅里叶变换快速算子；
由公式(4)可知，


4.根据权利要求1所述的方法，其特征在于，所述基于所述回波散射数据和所述傅里叶变换快速算子，构建压缩感知稀疏重构模型，包括：
公式(5)可以表示为矩阵向量的形式，矩阵向量形式如公式(5)所示：
E＝Ψ{O}(6)
随机采样回波...

【专利技术属性】
技术研发人员：晋良念，卞粱，谢辉玉，刘庆华，蒋俊正，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45