基于稀疏重构的属性散射中心参数估计方法和装置与流程

本技术涉及雷达，尤其涉及一种基于稀疏重构的属性散射中心参数估计方法和装置。

背景技术：

1、现有技术的技术方案是通过图像分割将雷达图像转换到图像域，并将其分割成小的孤立图像芯片，然后从每个芯片中提取属性散射中心。这种传统的属性散射中心提取算法也被称为基于图像分割的方法。具体包括三个步骤：图像分割、参数初始化和参数优化。

2、然而，现有技术存在一些缺点。首先，属性散射中心模型的参数维度高且包含连续和离散参数，导致特征提取过程复杂且效率低。其次，基于图像域的方法将目标图像视为一些小区域的集合，通过分割和处理每个区域来降低复杂性。然而，由于分布式散射中心在图像域中通常表现为离散的强散射点组合，图像域的分割会破坏散射中心的完整性。另外，在频率域中，每个散射中心的响应分布在整个频率数据网格上，能够克服散射中心被破坏的问题。但频率域的参数估计需要确定模型的阶数，并同时处理所有散射中心，这对于维度较高的散射中心模型来说运算复杂。

技术实现思路

1、本技术提供一种基于稀疏重构的属性散射中心参数估计方法和装置，用以解决现有技术中至少一个问题，旨在提高特征提取的效率，并克服图像域和频率域方法的限制。

2、第一方面，本技术提供一种基于稀疏重构的属性散射中心参数估计方法，所述方法包括：

3、s1、基于原始数据构建回波数据，以从所述回波数据中提取出初始的属性散射中心参数，所述属性散射中心参数用于描述目标的散射行为和特征，其包括位置参数和剩余参数；

4、s2、利用傅里叶变换对所述位置参数进行估计以得到估计的位置参数，并利用稀疏信号分析算法对所述剩余参数进行二维联合估计以得到估计的剩余参数；

5、s3、使用relax算法对估计得到的位置参数和剩余参数进行迭代提取和优化，以得到经过迭代提取和优化后的属性散射中心信息。

6、在本技术一实施例中，所述基于原始数据构建回波数据，以从所述回波数据中提取出初始的属性散射中心参数的步骤包括：

7、s11、根据几何绕射理论和物理光学理论，建立雷达目标的第一模型，所述第一模型为总电磁散射场模型，其用于将雷达目标的电磁散射响应表示为多个属性散射中心电磁散射响应的相干叠加，所述第一模型表示为：

8、

9、其中，c＝3×108m/s，fc为中心频率，sn(f,φ；θn)为第n个属性散射中心，n(f,φ)为附加噪声，参数集其中an为复幅度，xn,yn表示位置参数，其分别为横向距离和距离位置，αn为频率依赖因子，γn,ln,用于表示散射中心对方位角的依赖关系。

10、在本技术一实施例中，所述基于原始数据构建回波数据，以从所述回波数据中提取出初始的属性散射中心参数的步骤还包括：

11、结合雷达工作实际条件，忽略对目标后向电磁散射场影响小的角度依赖因子，对所述第一模型进行简化，以得到第二模型，所述第二模型表示为：

12、

13、在本技术一实施例中，所述基于原始数据构建回波数据，以从所述回波数据中提取出初始的属性散射中心参数的步骤还包括：

14、结合雷达工作实际条件，忽略对目标后向电磁散射场影响小的频率依赖因子，对所述第二模型再进行简化，以得到第三模型，并根据所述第三模型计算出每个属性散射中心的响应，并将其叠加在一起以得到所述回波数据，所述第三模型表示为：

15、

16、其中，属性散射中心参数表示为位置参数表示为{xn,yn}，剩余参数表示为

17、在本技术一实施例中，所述利用傅里叶变换对所述位置参数进行估计以得到估计的位置参数的步骤包括：

18、对所述第三模型进行频率角度域补零操作以增加频率分辨率，并利用ifft插值方法对补零后的所述第三模型进行估计以得到所述估计的位置参数。

19、在本技术一实施例中，所述利用稀疏信号分析算法对所述剩余参数进行二维联合估计以得到估计的剩余参数的步骤包括：

20、对第三模型进行离散化，构建参数化字典矩阵d(θ)和稀疏系数向量σ，其中d(θ)＝[d1,d2,…,dn]，第i列di为si(f,φ；θi)的归一矢量化。

21、在本技术一实施例中，所述利用稀疏信号分析算法对所述剩余参数进行二维联合估计以得到估计的剩余参数的步骤还包括：

22、根据所述第三模型，构建第四模型，并根据所述第四模型对所述剩余参数进行二维联合估计以得到估计的剩余参数，所述第四模型表示为：

23、

24、其中，ε＝[n]2为噪声级，为稀疏系数向量，||·||p为lp范数，p表示0或2。

25、在本技术一实施例中，所述使用relax算法对所述初始的属性散射中心参数进行迭代提取和优化，以得到经过迭代提取和优化后的属性散射中心信息的步骤包括：

26、利用已经估计的x个属性散射中心参数，通过所述第三模型重构对应的回波数据；

27、通过将原始数据减去已重构的x个回波数据，构造剩余信号；

28、利用剩余信号，通过ifft插值方法和所述第四模型估计第x+1个属性散射中心参数，然后使用第x+1个属性散射中心参数对前x个属性散射中心参数依次重新进行估计；

29、迭代上述步骤，直到满足收敛条件为止，以最终得到经过优化的属性散射中心信息。

30、在本技术一实施例中，所述使用relax算法对所述初始的属性散射中心参数进行迭代提取和优化，以得到经过迭代提取和优化后的属性散射中心信息的步骤还包括：

31、进行第一轮迭代：

32、a1.初始化剩余信号为原始信号；

33、a2.在频率域对信号进行补零后，利用ifft插值方法估计位置参数；

34、a3.根据已估计的位置参数，利用所述第三模型重构对应的回波数据；

35、a4.利用所述第四模型重新估计剩余参数并进行更新；

36、a5.根据更新后的剩余参数，再次利用所述第三模型重构第一个属性散射中心的回波数据；进行第二轮及后续的迭代：

37、b1.根据重构后的回波数据，再次进行剩余信号的更新和属性散射中心参数的估计；

38、b2.根据前一轮迭代已估计的属性散射中心参数和该轮迭代最新估计的属性散射中心参数，利用所述第三模型重新计算第一个属性散射中心的回波数据；

39、b3.根据重新计算的第一个属性散射中心的回波数据重新估计第一个属性散射中心参数并进行更新；

40、b4.根据更新后的属性散射中心参数，分别进行第二个及之后的属性散射中心参数的估计和更新；

41、b5.重复步骤b1和步骤b4，直到收敛。

42、第二方面，本技术还提供一种基于稀疏重构的属性散射中心参数估计装置，所述装置包括：

43、构建模块，用于基于原始数据构建回波数据，以从所述回波数据中提取出初始的属性散射中心参数，所述属性散射中心参数用于描述目标的散射行为和特征，其包括位置参数和剩余参数；

44、估计模块，用于利用傅里叶变换对所述位置参数进行估计以得到估计的位置参数，并利用稀疏信号分析算法对所述剩余参数进行二维联合估计以得到估计的剩余参数；

45、迭代优化模块，用于使用relax算法对估计得到的位置参数和剩余参数进行迭代提取和优化，以得到经过迭代提取和优化后的属性散射中心信息。

46、本技术提供一种基于稀疏重构的属性散射中心参数估计方法和装置，该方法首先通过利用稀疏重构方法，将属性散射中心参数拆分为位置参数和剩余参数，从而降低了参数的维度和复杂性，简化了特征提取过程，以解决现有技术高维度参数和复杂特征提取的问题。其次，通过使用稀疏信号分析算法对剩余参数进行估计，能够更准确地描述目标的散射行为和特征，以解决现有技术图像域分割引起的散射中心完整性破坏问题。最后，采用傅里叶变换技术对位置参数进行估计，有效降低了计算复杂度，并利用relax算法对初始属性散射中心参数进行迭代提取和优化，从而提高参数估计的速度和效率，以解决现有技术计算效率低的问题。