本发明涉及一种低复杂度熵值扩展穿墙雷达成像方法，属于穿墙雷达成像算法领域。
背景技术
探测建筑物内或障碍物后的目标问题广泛存在于城市作战、反恐维稳和灾后救援等现代社会的诸多方面。当今的社会整体形式稳定，但是局部地区依然频发冲突乃至爆发局部战争。从伊拉克战争之后，世界各国已经意识到城市作战将在未来的战争中占据越来越重要的地位。对于作战的双方，对周边复杂环境(建筑物，建筑物，掩体)的探测能力技高一筹，便能在战争中获得先机。所以说无论是军用方面还是民用方面，都迫切地需要穿墙成像技术。
穿墙成像过程中，接收天线阵元接收到的回波信号必然会包含大量强杂波信号(如前墙体散射与后墙体散射)，这些杂波信号相对于目标信号幅度较大，以至于淹没所需的目标信号，从而严重影响成像效果。因此，为了实现穿墙雷达的目标最优成像，我们必须在成像之前先对回波进行一系列处理，尽最大努力消除不需要的其他信号，使得目标能够清晰地展现出来。
对上面所述问题，国内外的科研人员进行了深入的研究，获取不少的成果，并且提出了不少优良成像算法。其中，背景对消法能够很好地消除墙体散射等杂波信号，对墙后目标进行成像。但是在实际应用中，这种方法不易实现，因为我们不可能将墙后物体移除后对背景进行测量。基于时间门限的算法，是通过设置时间门限将接收回波信号的前部滤除，以此消除墙体散射信号，达到穿墙成像的目的。然而时间门限选择不当，往往会导致部分目标信号也被消除。基于熵值扩展的算法，能够有效抑制墙体强杂波，提高成像精度，但该方法对硬件要求很高、成本较大，穿墙雷达设计将较复杂，尤其该算法计算复杂度大，占用系统内存较多，难于满足实时性需求。因此，如何在不减少天线阵元的数量情况下，又能降低计算复杂度，而通过算法处理消除杂波信号的影响，以保证和提高成像精度，将是我们必须面对的关键问题。
技术实现要素：
本发明为了解决现有技术中存在的问题，提供一种能够大幅降低计算复杂度，减少算法中数据占据内存的熵值扩展穿墙雷达成像方法。
为了达到上述目的，本发明提出的技术方案为：一种低复杂度熵值扩展穿墙雷达成像方法，其特征在于，包括如下步骤：
步骤一、利用均匀分布于测线的自发自收天线阵元，依次发射并接收信号；
步骤二、对天线阵元所接收的回波信号矩阵进行分块处理，获得一系列的子矩阵；
步骤三、然后利用熵值扩展的算法对每个子矩阵进行扩展，并计算扩展后的熵值；
步骤四、对熵值设定相应的门限，消除墙体散射等杂波信号，实现穿墙目标成像。
对上述技术方案的进一步设计为：所述天线阵元数目为n，天线阵元沿平行于墙体侧边的侧线均匀分布。
对回波信号矩阵进行分块处理时，按照矩阵的列进行分块。
矩阵分块的具体方法为：设回波信号矩阵为e，
(aij,i＝1,2,…,m,j＝1,2,…,n)，为各接收天线在阵元j处的采样点i时刻接收到回波信号的强度，n为天线阵元回波信号的数目，m为采样次数；
对回波矩阵e按照列进行分块，得到的子矩阵b1和b2，其大小分别为为m*n1，m*n2。其中各矩阵列数满足：
n1+n2＝n
那么回波数据矩阵就转化为b1,b2,如下表示:
由复杂度公式可知，对子矩阵进行扩展时，可以大幅减少计算复杂度，并且能减少数据所占内存，同时算法的处理时间获得提高。另外，根据离散无记忆扩展信源熵值的理论可知，对子矩阵的扩展次数即为熵值扩大倍数，因此能够增大门限可调范围，提高成像的精度，所需天线阵元数目也会大大减少。与其他成像方法相比，本方法在保障计算量低的同时，达到成像精度高，阵元数目少的特点。因此在完成穿墙成像任务中，对硬件设备的要求较低，能够大大简化穿墙雷达硬件设备的设计。
附图说明
图1是本实施例穿墙成像模型结构示意图；
图2是在采样点数与扩展次数一定，算法复杂度与阵元之间的关系图；
图3是在采样点数与阵元数据一定，算法复杂度与扩展次数之间的关系图；
图4是阵元数目与扩展次数同时改变，计算复杂度的变化图；
图5是原始数据成像图；
图6是采用本实施例方法进行杂波滤除后的成像图。
具体实施方式
下面结合附图以及具体实施例对本发明进行详细说明。
实施例
下面结合附图对本发明的实现步骤做出详细的说明：
本实施例的低复杂度熵值扩展穿墙雷达成像方法，具体步骤为：
步骤1，建立穿墙成像模型
参照图1，设置收发天线阵元数目n，沿平行于墙体的侧边均匀分布，其与墙体之间距离h。发射信号是ricker子波，中心频率为f。前墙体和后墙体的材料为混凝土，是均匀无耗介质，厚度d，相对介电常数εr。目标是半径为a的圆球，为理想电导体，球心距离墙壁δ。
步骤2，获得原始信号数据
原始回波数据由仿真软件gprmax来获得。对n组回波信号分别进行采样，记采样次数为m。回波信号数据可组成m*n维的矩阵:
(aij,i＝1,2,…,m,j＝1,2,…,n)，为各接收天线在阵元j处的采样点i时刻接收到回波信号的强度。
步骤3，回波矩阵按列分块并分别进行扩展
回波矩阵e按照列进行分块，即对回波矩阵进行分解，得到低维度的子矩阵b1,b2。其大小分别为为m*n1，m*n2。其中各矩阵列数满足：
n1+n2＝n
那么回波数据矩阵就转化为b1,b2,如下表示:
利用熵值扩展的算法对矩阵b1进行处理得到矩阵b1z，利用熵值扩展的算法对矩阵b2进行处理得到矩阵b2z。
将b1z与b2z进行合并得到
bz＝(b1z,b2z)
由图5与图6可以看出，本算法可以达到滤除杂波的效果，结合表1与图2、图3、图4来看，算法复杂度低，避免了不必要的计算步骤。同时，从占据内存上来看也是非常明显的。理论上，扩展次数越大，门限可调范围越大，成像精度也越高，同时也能够大大减少所需阵元数目,然而在一定程度上会增大计算量，因此，实际工程中根据具体情况而定，但是对于本算法可以更进一步的进行扩展。因为将总阵元数目分为两个比较小的阵元数目，复杂度度大幅下降，另外图像得到进一步优化，杂波进一步被滤除。
表1为算法的计算复杂度以及在程序运行中关键数据所占据的内存大小于扩展次数的关系。
时间算法复杂度的计算公式为o(m*nl)，其中m为采样数，n为阵元数，l为扩展次数，由图2看出，在扩展次数一定情况下，随着l的增加，计算复杂度会急剧上升，并且随着算法的进行，数据所需的内存也是非常巨大的。由图3看出，在阵元数目一定情况下，随着n的增加，计算复杂度上升巨大，并且显示扩展次数比阵元数目更具有影响。图4更能体现出三者之间的关系。
经过本发明算法的改进后，计算复杂度公式变为o(m*(n1l+n2l))，由于n1+n2＝n，那么随着扩展次数的增加，那么
n1l+n2l＜＜nl
因此本发明的方法可大幅降低计算复杂度。
本发明的不局限于上述各实施例，凡采用等同替换方式得到的技术方案均落在本发明要求保护的范围内。