全息数字阵列雷达目标数量估计方法和系统与流程

本发明涉及全息数字阵列雷达探测下的目标数量估计领域，具体涉及全息数字阵列雷达目标数量估计方法和系统。

背景技术：

目标数量估计是全息数字阵列雷达探测中一个重要的应用方面，它综合了全息数字阵列雷达和深度神经网络，利用全息数字阵列雷达长时间积累带来的目标在距离-多普勒域的高分辨特性和深度神经网络的特征提取和像素分割，完成目标智能、高精度的数量估计。通过基于全息数字阵列雷达对目标数量的智能估计，可以实现在强杂波环境下被测目标的高分辨、高精度的数量估计。

基于全息数字阵列雷达的目标数量估计方法主要包含两大步骤，即回波预处理和智能数量估计。其中，回波预处理是实现目标数量准确估计的基础。在《多波束凝视雷达》(国防工业出版社)所提到利用多波束技术和相位中心凝视方法改进杂波中目标检测概率，有效支撑了基于全息数字阵列雷达体制对目标的数量估计。回波预处理是通过全息数字阵列雷达的凝视特性实现对目标回波的长时间积累，完成目标在距离、速度的高分辨。将距离、速度的高分辨结果输入到深度神经网络中，通过特征提取、像素分割最终实现目标的智能数量估计。

现有方法的对目标数量估计精度低。

技术实现要素：

本发明所要解决的技术问题是：现有方法的对目标数量估计精度低，为了提升在全息数字阵列雷达目标探测中目标数量估计的准确率，本发明提供了解决上述问题的全息数字阵列雷达目标数量估计方法和系统。

本发明通过下述技术方案实现：

全息数字阵列雷达目标数量估计方法，包括对数字阵列雷达的回波进行预处理后进行智能数量估计得到目标数量估计；

所述回波预处理包括对回波信号在快时间域内进行傅里叶变换得到距离压缩结果，将距离压缩的结果运用回波变换到频率平面，然后在距离频率进行变量代换实现运动补偿，运动补偿后的距离压缩结果进行慢时间维的傅里叶变换，得到距离-多普勒域结果，对距离-多普勒域的输出结果进行数字波束形成，后利用单元平均恒虚警率(ca-cfar)检测距离-多普勒域结果；对距离-多普勒域结果载入卷积神经网络模型中进行卷积基于非线性激活函数运用特征提取得到初始特征图，在模型训练过程中采用最大池化的方法进行模型运算量的降采样，基于线性插值方式恢复池化层输出的特征图，同时利用反卷积恢复原始距离-多普勒域分辨率，将恢复后的特征图输入以像素为分类标准的分类层进行像素分类并得到像素类别数的统计结果，所述统计结果即为在距离-多普勒域中目标数量的估计结果。

为了方便表述本发明的内容，首先定义如下参数。

距离向快时间τ

方位向慢时间t

电磁波传播速度c

线性调频斜率kr

载波频率f0

发射信号带宽b

载波波长λ

本发明的具体步骤如下。

步骤1距离压缩

假设长时间积累下的回波信号为：

以上四项分别记为距离向包络、方位向包络、发射信号相位以及多普勒调制项。

距离压缩过程表示为：

src(τ,t)＝ifft(s(fτ,t)h(fτ))(2)

其中h(fτ)为参考函数的响应函数，s(fτ,t)为回波在快时间域的傅里叶变换。将式(1)在快时间域进行傅里叶变换后代入式(2)得到距离压缩的结果为：

其中，sinc(·)为距离脉冲压缩响应函数。

步骤2运动补偿

对步骤1输出的结果src(τ,t)在快时间域进行傅里叶变换得到src(fτ,t)从而将回波变换到频率平面，然后在距离频率进行变量代换实现运动补偿。具体代换表达式如下：

将式(4)带入src(fτ,t)并进行傅里叶反变换，得到运动补偿后的结果srcn(τ,t)。

步骤3距离-多普勒域处理

对步骤2中输出的结果srcn(τ,t)进行慢时间维的傅里叶变换，得到距离-多普勒域结果，表示为：

步骤4目标检测

将步骤3中输出结果进行数字波束形成后利用单元平均恒虚警率(ca-cfar)进行检测。设置m个参考单元，对其进行平均，将所有参考单元的平均估计值乘以常数k0得到门限值，从而实现对距离-多普勒域结果进行检测。

步骤5初始特征图计算

将步骤4中检测后的距离-多普勒域结果输入到卷积神经网络模型中进行卷积操作得到初始特征图。卷积层包括k个大小为n*n*c的卷积核，将距离-多普勒域结果与卷积核进行卷积运算后，使用非线性激活函数增强卷积层的特征提取能力，经过运算后得到k个大小为(m-n+1)*(m-n+1)的特征图，计算公式如下：

其中，xi^(l-1)为第l-1个隐藏层的输出，wi^l表示第l个隐藏层的权值，bi^(l)为第l个隐藏层的偏置，f为激活函数，用来解决原始线性函数表达能力不足的问题，其表达式为f(x)＝max(0,x)，xi^(l)为第l层第i个神经元。

对特征图采用最大池化的方法进行降采样从而减少模型的训练时间，降低网络模型的运算量。池化层具体的计算公式如下：

其中，l表示当前池化的层数，down为降采样操作。

步骤6原始图像分辨率恢复

对经过池化层输出的特征图以线性插值的方式恢复原始图像大小，同时利用反卷积恢复原始距离-多普勒域分辨率。

步骤7数量估计

将恢复后的特征图输入以像素为分类标准的分类层进行像素分类并得到像素类别数的统计结果，该统计结果即为在距离-多普勒域中目标数量的估计结果。分类层具体的计算公式如下：

其中，wi为卷积层输出特征图矩阵。

通过上述步骤可以实现对目标的智能数量估计。

进一步地，基于全息数字阵列雷达的目标数量估计方法主要分为两大步骤，回波预处理和智能数量估计。其中，回波预处理的具体步骤为：距离压缩、运动补偿、距离-多普勒处理、目标检测；智能数量估计的具体步骤为：初始特征图计算、原始图像分辨率恢复、数量估计。该发明适用于在全息数字阵列雷达体制下对目标进行数量智能估计，解决了对目标数量估计精度低的问题。该发明利用全息数字阵列雷达的凝视特性，可大大增加相参积累时间,提高在强杂波背景下的弱小目标检测能力从而实现目标在距离-多普勒域的高分辨。在此基础上，结合深度神经网络，将距离-多普勒域中目标数量估计当做一个语义分割的问题，通过对距离-多普勒域像素进行分割，统计分割后的像素类别数最终完成目标数量的估计。采用本方法可以提高目标数量估计的精度。

进一步地，全息数字阵列雷达目标数量估计系统，所述系统执行上述任意一条所述的方法的步骤。

本发明具有如下的优点和有益效果：

本发明基于全息数字阵列雷达，对目标进行长时间观测，从而获得目标较高的多普勒分辨率，然后利用深度神经网络中的语义分割，完成距离多普勒域中的目标数量智能高效的估计。因此本发明结合了全息数字阵列雷达体制的凝视高分辨特性和深度神经网络中的语义分割实现了对目标的数量准确估计。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明的工作流程框图。

图2为本发明的几何场景图。

图3为本发明实施例中ca-cafr检测后的距离-多普勒域0.5s处理结果图。

图4为本发明实施例中ca-cafr检测后的距离-多普勒域2s处理结果图。

图5为本发明实施例中目标数量估计0.5s结果图。

图6为本发明实施例中目标数量估计2s结果图。

具体实施方式

在对本发明的任意实施例进行详细的描述之前，应该理解本发明的应用不局限于下面的说明或附图中所示的结构的细节。本发明可采用其它的实施例，并且可以以各种方式被实施或被执行。基于本发明中的实施例，本领域普通技术人员在没有做出创造性改进前提下所获得的所有其它实施例，均属于本发明保护的范围。

实施例1：

为了方便表述本发明的内容，首先定义如下参数。

距离向快时间τ

方位向慢时间t

电磁波传播速度c

线性调频斜率kr

载波频率f0

发射信号带宽b

载波波长λ

本发明的具体步骤如下。

步骤1距离压缩

假设长时间积累下的回波信号为：

以上四项分别记为距离向包络、方位向包络、发射信号相位以及多普勒调制项。

距离压缩过程表示为：

src(τ,t)＝ifft(s(fτ,t)h(fτ))(2)

其中h(fτ)为参考函数的响应函数，s(fτ,t)为回波在快时间域的傅里叶变换。将式(1)在快时间域进行傅里叶变换后代入式(2)得到距离压缩的结果为：

其中，sinc(·)为距离脉冲压缩响应函数。

步骤2运动补偿

对步骤1输出的结果src(τ,t)在快时间域进行傅里叶变换得到src(fτ,t)从而将回波变换到频率平面，然后在距离频率进行变量代换实现运动补偿。具体代换表达式如下：

将式(4)带入src(fτ,t)并进行傅里叶反变换，得到运动补偿后的结果srcn(τ,t)。

步骤3距离-多普勒域处理

对步骤2中输出的结果srcn(τ,t)进行慢时间维的傅里叶变换，得到距离-多普勒域结果，表示为：

步骤4目标检测

将步骤3中输出结果进行数字波束形成后利用单元平均恒虚警率(ca-cfar)进行检测。设置m个参考单元，对其进行平均，将所有参考单元的平均估计值乘以常数k0得到门限值，从而实现对距离-多普勒域结果进行检测。

步骤5初始特征图计算

将步骤4中检测后的距离-多普勒域结果输入到卷积神经网络模型中进行卷积操作得到初始特征图。卷积层包括k个大小为n*n*c的卷积核，将距离-多普勒域结果与卷积核进行卷积运算后，使用非线性激活函数增强卷积层的特征提取能力，经过运算后得到k个大小为(m-n+1)*(m-n+1)的特征图，计算公式如下：

其中，xi^(l-1)为第l-1个隐藏层的输出，wi^l表示第l个隐藏层的权值，bi^(l)为第l个隐藏层的偏置，f为激活函数，用来解决原始线性函数表达能力不足的问题，其表达式为f(x)＝max(0,x)，xi^(l)为第l层第i个神经元。

对特征图采用最大池化的方法进行降采样从而减少模型的训练时间，降低网络模型的运算量。池化层具体的计算公式如下：

xi^(l)＝down(ai^(l-1)),ai^(l-1)＝f(xi^(l-1))(7)

其中，l表示当前池化的层数，down为降采样操作。

步骤6原始图像分辨率恢复

对经过池化层输出的特征图以线性插值的方式恢复原始图像大小，同时利用反卷积恢复原始距离-多普勒域分辨率。

步骤7数量估计

将恢复后的特征图输入以像素为分类标准的分类层进行像素分类并得到像素类别数的统计结果，该统计结果即为在距离-多普勒域中目标数量的估计结果。分类层具体的计算公式如下：

其中，wi为卷积层输出特征图矩阵。

通过上述步骤可以实现对目标的智能数量估计。

优选的，全息数字阵列雷达目标数量估计系统，所述系统执行上述任意一条所述的方法的步骤。

在实施例1基础上的实施例2：

如图1为本发明的具体流程所示。

以雷达平台为坐标原点，建立如图2所示的几何构型。场景中共设置20个目标，以相同的速度v＝30m/s沿着y轴运动。目标1对应的初始角度(偏移y轴的角度)θ1＝12°，对应的初始斜距为r1＝10000m，目标2对应的初始角度(偏移y轴的角度)θ2＝12°，对应的初始斜距为r2＝10010m。目标3和12之间的间隔为10m，与目标1、2对应的纵向距离为10m，由此计算得到目标3、12对应的角度为θ3＝12.0826°,θ12＝11.9714°，二者角度间隔为0.0572°。目标4—20均以横向、纵向间隔为10m递增。

基于matlab平台，根据上述几何构型，设置如表1所示参数进行仿真。对获取的回波信号(积累时间分别为0.5s和2s)进行距离压缩，得到距离压缩后的结果src(τ,t)。

步骤2运动补偿

对步骤1输出的距离压缩结果src(τ,t)在快时间域进行傅里叶变换得到src(fτ,t)从而将回波变换到频率平面，然后在距离频率进行变量代换实现运动补偿。具体代换表达式如下：

将式(1)带入src(fτ,t)并进行傅里叶反变换，得到运动补偿后的结果srcn(τ,t)，。

步骤3距离-多普勒域处理

对步骤2中输出的结果srcn(τ,t)进行慢时间维的傅里叶变换，得到距离-多普勒域结果，表示为：

步骤4目标检测

将步骤3中输出结果进行数字波束形成后利用单元平均恒虚警率(ca-cfar)进行检测。设置m个参考单元，对其进行平均，将所有参考单元的平均估计值乘以常数k0得到门限值，从而实现对距离-多普勒域结果进行检测，检测结果如图3-4所示。可以看出，基于全息雷达的凝视特性，0.5s时出现多普勒混叠的目标在经过0.5s的积累时间后，在距离-多普勒域可以将其分辨出来，从而可以更好的进行数量估计。

步骤5初始特征图计算

将步骤4中检测后的距离-多普勒域结果图3-4到卷积神经网络模型中进行卷积操作得到初始特征图。卷积层主要包括k个大小为n*n*c的卷积核，将距离-多普勒域结果与卷积核进行卷积运算后，使用非线性激活函数增强卷积层的特征提取能力，经过运算后得到k个大小为(m-n+1)*(m-n+1)的特征图，计算公式如下：

其中，xi^(l-1)为第l-1个隐藏层的输出，wi^l表示第l个隐藏层的权值，bi^(l)为第l个隐藏层的偏置，f为激活函数，用来解决原始线性函数表达能力不足的问题，其表达式为f(x)＝max(0,x)，xi^(l)为第l层第i个神经元。

对特征图采用最大池化的方法进行降采样从而减少模型的训练时间，降低网络模型的运算量。池化层具体的计算公式如下：

xi^(l)＝down(ai^(l-1)),ai^(l-1)＝f(xi^(l-1))(4)

其中，l表示当前池化的层数，down为降采样操作。

步骤6原始图像分辨率恢复

对经过池化层输出的特征图以线性插值的方式恢复原始图像大小，同时利用反卷积恢复原始距离-多普勒域分辨率。

步骤7数量估计

将恢复后的特征图输入以像素为分类标准的分类层进行像素分类并得到像素类别数的统计结果，该统计结果即为在距离-多普勒域中目标数量的估计结果。分类层具体的计算公式如下：

其中，wi为卷积层输出特征图矩阵。进行像素分类后的输出结果如图5-6所示，可以看出，积累时间为0.5s时的数量估计准确率为90％，积累时间为2s时的数量估计准确率为100％，从而可有效提升估计准确率。

因此，本发明结合了全息数字阵列雷达体制的凝视高分辨特性和深度神经网络中的语义分割实现了对目标的数量准确估计。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。