基于深度学习的穿墙雷达成像方法及系统与流程

本发明涉及雷达图像处理技术领域，特别是基于深度学习的穿墙雷达成像方法。

背景技术：

传统的穿墙雷达成像多采用后向投影算法(bp)，但是成像分辨率有待提高。根据穿墙雷达成像原理，图像方位向分辨率取决于天线的长度，长度越长分辨率越高。但穿墙雷达受限于尺寸要求，天线一般都比较短，所以图像方位向分辨率较低。

技术实现要素：

本发明的目的之一是提出基于深度学习的穿墙雷达成像方法；目的之二是提出基于深度学习的穿墙雷达成像系统；本方法利用深度学习来提高穿墙雷达图像分辨率。

本发明的目的是通过以下技术方案来实现的：

本发明提供的基于深度学习的穿墙雷达成像方法，包括以下步骤：

步骤1.获取仿真回波数据；

步骤2.对回波数据进行bp成像，作为神经网络训练时的输入图像；

步骤3.仿真训练生成参考图片，作为神经网络训练时的参考图片；

步骤4.应用tensorflow工具搭建神经网络对训练数据进行训练，用输入图片和参考图片对神经网络进行训练，并生成网络模型；

步骤5.将训练好的网络模型应用于实测数据。

进一步，所述步骤1中的获取仿真回波数据的具体过程如下：

按照预设分布设置雷达天线位置；

设置穿墙雷达的发射机和接收机位置；

所述发射机产生的信号如下所示：

s(t)＝a(t)exp(j2πfct)(1)

其中，a(t)是发射信号的波形，t是快时间，fc是载波频率；

所述接收机获取的回波信号为：

sr(tm,t)＝a(t-tm)exp[j2πfc(t-tm)](2)

其中，tm可以写成如下所示：

其中，

sr(tm,t)表示第m个接受机收到的回波信号；

tm表示发射信号到达第m个接收机的时间，

c表示发射信号传播速度；

(x0，y0)为目标点的位置；

(xm，ym)是第m个接收机的位置；

(xt，yt)是发射机的位置。

进一步，所述步骤2中的bp成像具体过程如下：

按照以下公式压缩回波信号距离：

src(tm，t)＝sinc[b(t-tm)]exp(-j2πfctm)(4)

其中，

src(tm，t)表示第m个接收机接收到的信号经过压缩后的形式

sinc的定义为：

b是发射信号的带宽，

按照以下公式进行bp算法处理：

其中，i(x0,y0)表示经过bp算法后位置为(x0,y0)的点的强度。

；(5)进一步，所述步骤3中的仿真训练生产参考图片具体过程如下：

仿真产生回波数据时，设置较少的接受机对回波进行接收，然后对接受到的回波数据进行bp成像，生成第一种穿墙雷达图像；

这次生成穿墙雷达图像的分辨率较低，将会作为神经网路的输入数据；

仿真产生回波数据时，设置较多的接受机对回波进行接收，然后对接受到的回波数据进行bp成像，生成第二种穿墙雷达图像；

这次生成的穿墙雷达图像分辨率较高，将会作为神经网络训练时的参考图片。

进一步，所述步骤4中的训练过程如下：

设计神经网络架构

获取训练样本，同时生成测试集；

在训练过程中，采用均方差作为损失函数，设置学习速率和批大小；

采用adam方法对所有训练样本进行优化；

直到达到预设训练迭代次数；

完成网络模型的训练。

进一步，所述步骤5中的将训练好的模型应用于实测数据：

之前通过仿真的数据已经训练完成了一个神经网络，只需要将实测数据输入到已经训练好的网络模型中；

得到增强后的穿墙雷达图像。

本发明的目的之二是通过以下技术方案来实现的：

本发明提供的基于深度学习的穿墙雷达成像系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：

步骤1.获取仿真回波数据；

步骤2.对回波数据进行bp成像，作为神经网络训练时的输入图像；

步骤3.仿真训练生成参考图片，作为神经网络训练时的参考图片；

步骤4.应用tensorflow工具搭建神经网络对训练数据进行训练，用输入图片和参考图片对神经网络进行训练，并生成网络模型；

步骤5.将训练好的网络模型应用于实测数据。

进一步，所述步骤1中的获取仿真回波数据的具体过程如下：

按照预设分布设置雷达天线位置；

设置穿墙雷达的发射机和接收机位置；

所述发射机产生的信号如下所示：

s(t)＝a(t)exp(j2πfct)(1)

其中，a(t)是发射信号的波形，t是快时间，fc是载波频率；

所述接收机获取的回波信号为：

sr(tm,t)＝a(t-tm)exp[j2πfc(t-tm)](2)

其中，tm可以写成如下所示：

其中，

sr(tm,t)表示第m个接受机收到的回波信号；

tm表示发射信号到达第m个接收机的时间，

c表示发射信号传播速度；

(x0，y0)为目标点的位置；

(xm，ym)是第m个接收机的位置；

(xt，yt)是发射机的位置。

进一步，所述步骤2中的bp成像具体过程如下：

按照以下公式压缩回波信号距离：

src(tm，t)＝sinc[b(t-tm)]exp(-j2πfctm)(4)

其中，src(tm,t)表示第m个接收机接收到的信号经过压缩后的形式；

sinc的定义为：

b是发射信号的带宽，

按照以下公式进行bp算法处理：

其中，i(x0,y0)表示经过bp算法后位置为(x0,y0)的点的强度。

；(5)进一步，所述步骤3中的仿真训练生产参考图片具体过程如下：

仿真产生回波数据时，设置较少的接受机对回波进行接收，然后对接受到的回波数据进行bp成像，生成第一种穿墙雷达图像；

这次生成穿墙雷达图像的分辨率较低，将会作为神经网路的输入数据；

仿真产生回波数据时，设置较多的接受机对回波进行接收，然后对接受到的回波数据进行bp成像，生成第二种穿墙雷达图像；

这次生成的穿墙雷达图像分辨率较高，将会作为神经网络训练时的参考图片；

所述步骤4中的训练过程如下：

设计神经网络架构

获取训练样本，同时生成测试集；

在训练过程中，采用均方差作为损失函数，设置学习速率和批大小；

采用adam方法对所有训练样本进行优化；

直到达到预设训练迭代次数；

完成网络模型的训练；

所述步骤5中的将训练好的模型应用于实测数据：

之前通过仿真的数据已经训练完成了一个神经网络，只需要将实测数据输入到已经训练好的网络模型中；

得到增强后的穿墙雷达图像。

由于采用了上述技术方案，本发明具有如下的优点：

本发明提供的基于深度学习的穿墙雷达成像方法，首先获取仿真回波数据；对回波数据进行bp成像；然后仿真训练生成参考图片；应用tensorflow搭建神经网络对训练数据进行训练，并生成网络模型；最后将训练好的网络模型应用于实测数据；本发明提供的方法提高了穿墙雷达成像的分辨率；降低穿墙雷达图像中的旁瓣。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

本发明的附图说明如下。

图1为本发明的雷达天线几何布局示意图。

图2为本发明的bp成像结果示意图。

图3为本发明的参考图片示意图。

图4为本发明的深度学习网络架构示意图。

图5为本发明的网络预测结果示意图。

图6为本发明的实测数据bp成像结果示意图。

图7为本发明的实测数据经过深度学习网络后的结果示意图。

图8为本发明的基于深度学习的穿墙雷达成像方法的流程示意图。

图9为本发明的穿墙雷达原始回波信号产生的流程示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

实施例1

如图所示，本实施例提供的基于深度学习的穿墙雷达成像方法，包括以下步骤：

步骤1.仿真原始回波数据：

如图1所示的雷达天线几何布局示意图，建立穿墙雷达信号成像模型，本实施例提供的穿墙雷达的发射机有1个，接收机有n个，其中，t表示发射机，ri(i＝1,2，…，n)是第i个接收机，发射机产生的信号如下所示：

s(t)＝a(t)exp(j2πfct)(1)

其中，a(t)是发射信号的波形，t是快时间，fc是载波频率；

最后的回波信号为：

sr(tm,t)＝a(t-tm)exp[j2πfc(t-tm)](2)

其中，

s(t)表示发射机发射的信号；

sr(tm,t)表示第m个接收机接收到的信号；

a(t-tm)表示接收机接收到的信号波形；

tm可以写成如下所示：

其中，其中，tm表示发射信号到达第m个接收机的时间，

(x0，y0)为目标点的位置，

(xm,ym)是第m个接收机的位置，

(xt，yt)是发射机的位置。

步骤2.对回波数据进行bp成像，所述bp成像具体如下：

回波信号距离压缩之后，得：

src(tm,t)＝sinc[b(t-tm)]exp(-j2πfctm)(4)

其中，

src(tm，t)表示第m个接收机接收到的信号；

sinc的定义为：

表示；b是发射信号的带宽，

tm可以写成如下所示：

其中，其中，tm表示发射信号到达第m个接收机的时间，

(x0,y0)为目标点的位置，

(xm，ym)是第m个接收机的位置，

(xt,yt)是发射机的位置。

用bp算法进行处理，bp算法的公式如下所示：

其中，i(x0，y0)表示经过bp算法后位置为(x0，y0)的点的强度。

经过bp算法后的结果如图2所示。

步骤3.仿真训练生产参考图片：

首先，仿真产生只有8个接受机的雷达回波数据，并且对这些数据进行bp成像，生成分辨率较低的穿墙雷达图像，这些图像将会作为神经网路的输入数据，其bp成像结果如图2所示，同时，仿真产生拥有80个接收机的雷达回波数据，并且对这些数据进行bp成像，生成较高分辨率的图像，这些图像将会作为神经网络训练时的参考图片，其bp成像的结果如图3所示。

步骤4.应用深度学习工具tensorflow搭建神经网络对训练数据进行训练：

搭建了如图4所示的网络模型，用于深度学习的网络架构包括原始信号单元、

短时傅里叶变换单元、卷积核大小25*25*1*6激活函数relu单元、卷积核大小15*15*6*24激活函数relu单元、卷积核大小5*5*24*24激活函数relu单元、卷积核大小3*3*24*1激活函数relu单元和输出图像单元；

具体过程如下：本实施例生成了1000个数据作为训练样本，同时生成10个数据作为测试集，在训练过程中，采用均方差作为损失函数，设置学习速率为0.0001，批大小为50，同时采用adam方法进行优化，也就是说一次性输入50张图片到网络中训练，直到把1000张图片都输入到网络中训练一遍，这样的一个过程称为1次迭代，整个训练过程经历了5次迭代。当模型训练完成时，把测试数据输入到网络中进行预测，其预测结果如图5所示。

步骤5.将训练好的模型应用于实测数据：

当网络模型训练完成后，将实测数据如图6所示输入到训练好的网络中，得到的雷达图像分辨率得到了提高，其结果如图7所示。

实施例2

如图所示，本实施例提供的基于深度学习的穿墙雷达成像系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：

步骤1.获取仿真回波数据；

步骤2.对回波数据进行bp成像，作为神经网络训练时的输入图像；

步骤3.仿真训练生成参考图片，作为神经网络训练时的参考图片；

步骤4.应用tensorflow工具搭建神经网络对训练数据进行训练，用输入图片和参考图片对神经网络进行训练，并生成网络模型；

步骤5.将训练好的网络模型应用于实测数据。

所述步骤1中的获取仿真回波数据的具体过程如下：

按照预设分布设置雷达天线位置；

设置穿墙雷达的发射机和接收机位置；

所述发射机产生的信号如下所示：

s(t)＝a(t)exp(j2πfct)(1)

其中，a(t)是发射信号的波形，t是快时间，fc是载波频率；

所述接收机获取的回波信号为：

sr(tm,t)＝a(t-tm)exp[j2πfc(t-tm)](2)

其中，tm可以写成如下所示：

其中，

sr(tm，t)表示第m个接受机收到的回波信号；

tm表示发射信号到达第m个接收机的时间，

c表示发射信号传播速度；

(x0,y0)为目标点的位置；

(xm,ym)是第m个接收机的位置；

(xt,yt)是发射机的位置。

所述步骤2中的bp成像具体过程如下：

按照以下公式压缩回波信号距离：

src(tm,t)＝sinc[b(t-tm)]exp(-j2πfctm)(4)

其中，

src(tm,t)表示第m个接收机接收到的信号；

sinc的定义为：

；b是发射信号的带宽，

按照以下公式进行bp算法处理：

其中，i(x0,y0)表示经过bp算法后位置为(x0,y0)的点的强度。

所述步骤3中的仿真训练生产参考图片具体过程如下：

仿真产生回波数据时，设置较少的接受机对回波进行接收，然后对接受到的回波数据进行bp成像，生成第一种穿墙雷达图像；

这次生成穿墙雷达图像的分辨率较低，将会作为神经网路的输入数据；

仿真产生回波数据时，设置较多的接受机对回波进行接收，然后对接受到的回波数据进行bp成像，生成第二种穿墙雷达图像；

这次生成的穿墙雷达图像分辨率较高，将会作为神经网络训练时的参考图片；

所述步骤4中的训练过程如下：

设计神经网络架构

获取训练样本，同时生成测试集；

在训练过程中，采用均方差作为损失函数，设置学习速率和批大小；

采用adam方法对所有训练样本进行优化；

直到达到预设训练迭代次数；

完成网络模型的训练；

所述步骤5中的将训练好的模型应用于实测数据：

之前通过仿真的数据已经训练完成了一个神经网络，只需要将实测数据输入到已经训练好的网络模型中；

得到增强后的穿墙雷达图像。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。