一种分布式无人机SAR深度学习三维成像方法技术

本发明专利技术涉及一种分布式无人机SAR深度学习三维成像方法，用于解决传统SAR高精度成像方法超参数选择难，算法复杂性高的问题。首先基于分布式无人机集群建立二维成像模型，利用快速分解后向投影算法获取二维SAR图像，并进行二维SAR图像配准，完成数据预处理。然后通过建立三维成像高度向模型，仿真生成训练数据，训练整个级联式智能三维成像网络，完成网络模型的预训练。最后将数据预处理后的数据输入智能三维成像网络中，获取整个成像场景的三维SAR图像。所提方法旨在提供一种高智能、高精度、高效率的分布式无人机SAR三维成像解决方案，可应用于分布式无人机三维高效高分辨成像等领域。域。域。

【技术实现步骤摘要】
一种分布式无人机SAR深度学习三维成像方法


[0001]本专利技术属于SAR三维成像领域，特别涉及一种分布式无人机SAR深度学习三维成像方法。

技术介绍

[0002]合成孔径雷达(SAR)三维成像
[1]是传统二维SAR成像技术在雷达精细信息获取与感知领域的重要发展，其在传统的距离向、方位向之外，沿高度方向形成新的合成孔径维度，可分辨重叠于二维SAR图像中同一像素的多个目标，能有效解决叠掩失真问题。SAR三维成像可满足起伏地形及城市建筑环境下高精度成像需求，是SAR成像技术的重要发展方向。
[0003]三维SAR成像的主要实现方式分为两种：层析SAR
[2]和阵列SAR
[3]，主要区别是高度向合成孔径的形成方式不同，各具特点。分布式无人机SAR深度学习三维成像是一种层析SAR三维成像体制。通过无人机组网获取沿高度向分布的各基线雷达回波数据，形成高度向合成孔径，具有成像系统简单、基线配置灵活的优势。分布式无人机层析SAR成像构型是利用分布式无人机组成无人机集群，采用多发多收模式雷达，形成的一种三维成像构型，可以充分利用无人机平台组成尽可能多的基线，增大三维成像的不模糊高度，改善成像质量。
[0004]然而对于层析SAR来说，其面临着非均匀基线的高度向孔径常呈非均匀分布，相参处理复杂度高，高度维瑞利分辨率通常不满足成像需求，需采用非线性超分辨成像方法，例如压缩感知稀疏重构算法，在较高信噪比条件下，可实现1.5
‑
25倍超分辨能力
[4]。但此类算法通常需求解病态的参数反演问题，设计复杂矩阵求逆、迭代优化等处理环节，具有复杂度高、时效性差等问题。
[0005]近年来关于人工智能的深入研究表明，深度学习方法具有强大的非线性问题求解能力，在确定数学模型的基础上，通过大量的仿真或实测数据训练，可实现高效高精度大规模非线性复杂问题快速求解
[5]。这为解决非线性超分辨成像方法存在的问题提供了新的思路。
[0006]然而，直接利用深度学习网络，如卷积神经网络(CNN)，无法自动学习所要求解问题的稀疏特性。另一方面，神经网络性能极大地依赖于网络的训练数据，但是对于层析SAR三维成像领域，三维数据少，标注难，难以满足网络的训练数据需求，导致网络泛化能力差。
[0007]为此，本专利技术提出了一种SAR深度学习三维成像方法，该方法是一种信号处理与深度学习网络联合驱动下的一种混合架构。该架构将DNN结构的深度神经网络SVD
‑
BatchNorm
‑
ISTA
‑
Net、CNN结构的深度神经网络MS
‑
Net以及一个参数估计信号处理模型进行级联。一方面使得该网络架构既可以自动学习超参数，解决人工选择超参数难得问题；又可以利用网络非线性得求解优势，提高三维成像得成像效率。另一方面，所提SVD
‑
Batchnorm模块，利用信号处理的方法，对训练数据以及测试数据进行规范化，提高了网络的泛化能力。
[0008]本专利技术成果可应用于包括但不限于分布式无人机SAR体制的三维SAR成像中。为高效率获得高分辨、高可靠的三维SAR图像提供了方法指导。
[0009]以下给出检索的相关文献：
[0010][1]皮亦鸣,杨建宇,付毓生,等.合成孔径雷达成像原理[M].成都:电子科技大学出版社,2007,44
‑
65
[0011][2]D.C.Munson Jr,J.D.O'Brien,W.K.Jenkins.A tomographic formulation of spotlight
‑
mode synthetic aperture radar[J].Proceedings of the IEEE,1983,71(8):917
‑
925.
[0012][3]J.Klare,A.R.Brenner,J.Ender,et al.A new Airborne Radar for 3D Imaging
‑
Image Formation using the ARTINO Principle[J].2006
[0013][4]Zhu X X,Bamler R.Super
‑
resolution power and robustness of compressive sensing for spectral estimation with application to spaceborne tomographic SAR[J].IEEE Transactions on Geoscience and Remote Sensing,2011,50(1):247
‑
258.
[0014][5]Goodfellow I,Bengio Y,Courville A,et al.Deep learning[M].Cambridge:MIT press,2016.
[0015][6]Z.Jian and G.Bernard,"ISTA
‑
Net:Interpretable Optimization
‑
Inspired Deep Network for Image Compressive Sensing",IEEE International Conference on Computer Vision and Pattern Recognition,2018.

技术实现思路

[0016]为了克服原有技术的缺陷，解决传统高分辨率层析SAR三维成像方法计算复杂度高、超参数选择难的问题，本专利技术提出了一种基于深度神经网络的三维SAR成像技术，可以应用于分布式无人机SAR三维成像等领域。具体实施流程图见图1。
[0017]本专利技术方法是通过下述步骤实现的：
[0018]步骤一、通过分布式无人机协同构型，分析并计算多发多收模型下分布式无人机等效基线情况。
[0019]步骤二、根据分布式无人机层析SAR二维成像模型和步骤一计算所得的等级基线情况，对观测场景进行二维SAR成像，获取分布式无人机层析SAR实测数据二维SAR复图像数据，并选取主图像，进行图像配准，获取配准后的实测数据二维SAR图像。
[0020]步骤三、根据步骤一所得的分布式无人机基线情况，建立分布式无人机层析SAR三维成像模型，将随机生成的标签g输入三维高度向成像模型得到高度维数据矢量s，所述的s由相同的斜距
‑
方位单元的数据构成，长度为M，表示如下：
[0021]s＝{s1,s2,...,s
M
}。
[0022]步骤四、根据步骤三得到的仿真数据预训练所提深度学习三维成像网络。
[0023]步骤五、将步骤二生成的配准后的二维SAR图像数据输入到深度学习三维成像网络中获得层析SAR三维图像。...

【技术保护点】

【技术特征摘要】
1.一种分布式无人机SAR深度学习三维成像方法，其特征在于：该方法基于一种信号处理与深度学习网络联合驱动下的一种混合架构，该架构将DNN结构的深度神经网络SVD
‑
BatchNorm
‑
ISTA
‑
Net、CNN结构的深度神经网络MS
‑
Net以及基于最小二乘参数估计的信号处理模块进行级联，该网络架构自动学习超参数，具体包括以下步骤：步骤一、通过分布式无人机协同构型，分析并计算多发多收模型下分布式无人机等效基线情况，包括双基地组网无人机的等效斜距以及全部基线的等效基线矢量；步骤二、根据分布式无人机层析SAR二维成像模型和步骤一计算所得的等效基线情况，对观测场景进行二维SAR成像，获取分布式无人机层析SAR实测数据二维SAR复图像数据，并选取主图像，进行图像配准，获取配准后的实测数据二维SAR图像；步骤三、根据步骤一所得的分布式无人机基线情况，建立分布式无人机层析SAR三维高度向成像模型，将随机生成的标签g输入三维高度向成像模型得到高度维数据矢量s，所述的s由相同的斜距
‑
方位单元的数据构成，长度为M，M即为全部等效基线矢量总数，表示如下：s＝{s1,s2,...,s
M
}；步骤四、将步骤三得到的高度维数据矢量s作为仿真数据预训练深度学习三维成像网络；步骤五、将步骤二生成的配准后的二维SAR图像数据输入到深度学习三维成像网络中获得层析SAR三维图像。2.根据权利要求1所述的一种分布式无人机SAR深度学习三维成像方法，其特征在于：步骤三所述的分布式无人机层析SAR三维高度向成像模型如下，s
m
＝∫g(v)exp(
‑
j2πξ
m
v)dv,(m＝1,2,...,M)其中，ξ
m
＝
‑
2B
s_all
(m)/λr，B
s_all
(m)代表第m条基线对应的基线矢量，λ表示发射信号波长，r对应步骤一中的双基地组网无人机的等效斜距，g为随机生成的标签，代表场景高度维目标散射信息参数，v表示散射信息成像投影矩阵。3.根据权利要求1所述的一种分布式无人机SAR深度学习三维成像方法，其特征在于：所述的深度学习三维成像网络包括一个SVD
‑
BatchNorm
‑
ISTA
‑
Net的深度神经网络、一个模型阶数选择网络MS
‑
Net、基于模型阶数选择模块的信号处理模块，以及基于最小二乘参数估计的信号处理模块组成，其中，SVD
‑
BatchNorm
‑
ISTA
‑
Net的深度神经网络用于进行SAR三维粗成像；模型阶数选择网络MS
‑
Net用于SAR三维精成像；基于模型阶数选择模块的信号处理模块一仅在深度学习三维成像网络训练时使用，用于生成MS
‑
Net的训练数据；基于最小二乘参数估计的信号处理模块二用于对MS
‑
Net输出的观测场景散射目标的位置估计向量进行散射参数估计；具体工作过程如下，将数据输入SVD
‑
BatchNorm
‑
ISTA
‑
Net的深度神经网络得到SAR三维粗成像结果，然后，将SAR三维粗成像结果输入MS
‑
Net得到观测场景散射目标的位置估计向量结果，最后将MS
‑
Net的输出结果输入基于最小二乘参数估计的信号处理模块，最终获得SAR三维精成像。4.根据权利要求3所述的一种分布式无人机SAR深度学习三维成像方法，其特征在于：所述SVD
‑
BatchNorm
‑
ISTA
‑
Net网络包括SVDBatchNorm模块和ISTA
‑
Net网络两部分，其中，训练时，SVDBatchNorm模块的输入为步骤三得到的训练数据s，实测时，S...

【专利技术属性】
技术研发人员：王岩，丁泽刚，曾涛，刘常浩，卫扬铠，龙腾，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：