[发明专利]基于低比特量化数据的合成孔径雷达运动目标成像方法

摘要

本发明提出一种基于低比特量化数据的合成孔径雷达运动目标成像方法，属于雷达技术领域。该方法在设定场景下，对雷达回波信号进行低比特采样，得到对应的低比特量化的回波数据；利用Omega‑K算法，得到全观测场景的合成孔径雷达成像结果；任意选取一个运动目标并提取出包含该运动目标的模糊区域，设计相应的参数化运动补偿滤波器，得到该模糊区域对应的稀疏表征；采用参数化量化硬门限循环算法消除量化误差的影响，实现运动参数估计及运动目标图像的重聚焦，最终得到运动目标成像结果。本发明对低比特量化的回波数据进行处理，能够实现与精确数据得到的重聚焦结果可比拟的成像效果，并大大减少数据量，节省雷达数据的存储空间并提高传输效率。

主权项

1.一种基于低比特量化数据的合成孔径雷达运动目标成像方法，其特征在于，该方法包括以下步骤：1)令合成孔径雷达平台沿观测场景方位向以恒定速度v运动，地面观测场景中的运动目标以恒定速度运动，运动目标沿方位向x和距离向r的分速度分别记为vx和vr，在雷达波束照射范围内，运动目标的初始位置坐标记为为(x0,r0)；2)在某一快时间t和慢时间t_s时刻，对雷达回波信号s_r(t,t_s)进行低比特采样，得到对应的低比特量化的回波数据n(t,t_s)表示与s_r(t,t_s)之间的量化误差；3)利用Omega‑K算法对低比特量化的回波数据进行处理，令θ＝x₀(v‑v_x)‑r₀v_r，得到全观测场景的合成孔径雷达成像结果表达式如下：其中，σ表示运动目标回波的散射强度，Wr和Wa分别表示距离向和方位向的包络函数，c和λ分别表示光速和发射信号波长，f(·)为Omega‑K算法；4)从步骤3)得到的成像结果中，任意选取一个运动目标并提取出包含该运动目标的模糊区域大小记为n_r×n_a，其中n_r和n_a分别表示该运动目标模糊区域的距离和方位向采样点数；5)针对步骤4)选取的的包含运动目标的模糊区域数据，设计相应的参数化运动补偿滤波器，得到该模糊区域对应的稀疏表征；运动补偿滤波器表达式如下：其中，和分别表示选取的运动目标模糊区域的距离向频率和方位向频率，f₀表示雷达系统发射信号的中心频率，R_ref为参考距离，为运动参数；从步骤4)中提取到的运动目标模糊区域重聚焦得到运动目标图像Θ的过程为一个稀疏变换的形式，即其中Ψ_r和Ψ_a分别对应距离向的傅里叶变换矩阵和方位向的傅里叶变换矩阵，符号表示矩阵的Hadamard积；令(H_α)^*表示H_α的共轭矩阵，则对应的稀疏表征形式为：6)根据步骤5)得到的稀疏表征，采用参数化量化硬门限循环算法消除量化误差的影响，实现运动参数估计及运动目标图像的重聚焦，最终得到运动目标成像结果；具体步骤如下：6‑1)估计运动参数α的取值范围，在该取值范围内初始化α取值的候选值集合，记为A⁰，初始化运动目标图像和量化硬门限循环算法的迭代计数指标k＝0；6‑2)设在量化硬门限循环算法第k次迭代中，运动参数α的候选值集合为Ak，包含nk个可选值；针对每一个候选值α*，实施以下操作：6‑2‑1)利用量化硬门限循环算法更新对应的重聚焦结果，更新过程如下：其中，Qb(·)表示低比特量化器，μ表示量化硬门限循环法迭代步长，PK(x)表示保留x中前K个最大值并将其他值置为0；6‑2‑2)计算更新后重聚焦结果的对比度：6‑3)将步骤6‑2)生成的所有候选值对应的重聚焦结果的对比度按降序排序，保留前nk/2个对比度对应的运动参数α的候选值，组成新的候选值集合记为Ak+1；6‑4)重复步骤6‑2)至6‑3)，直至量化硬门限循环算法收敛且运动参数α只有一个候选值存在，迭代结束，得到的唯一候选值即为运动参数α的估计值其对应的运动目标图像重聚焦结果即为该运动目标的最终成像结果。