星载视频SAR模式设计与数据处理

视频SAR可实现对重点区域持续观测并以视频方式呈现出来,其高帧率成像特性有利于对地面/海面机动目标的实时探测,视频SAR及其相关技术作为一种新颖的SAR观测模式成为近年的研究热点。从合成孔径原理出发,SAR载频越高,方位调频率绝对值越大,实现相同分辨率的合成孔径时间越短,越有利于视频的生成,因此通过合理的系统设计,Ka频段星载SAR具备视频工作的能力。然而星载SAR作用距离远,实现视频观测的几何模型、波位设计方案与机载SAR存在较大差异;此外,星载视频SAR幅宽较大,数据量和处理计算量需求巨大,如何快速实现数据处理是保证图像获取及后续应用时效性必须考虑的问题。本文基于珞珈二号(Luojia-2)SAR载荷和实测数据开展了相关研究,首先基于珞珈二号SAR卫星轨道以及平台能力设计了可实际应用的视频模式波位,其次基于时域成像算法提出了一种适合于星载视频SAR快速成像的流水线处理流程,最后基于珞珈二号实测数据完成了视频SAR成像处理。实测数据处理结果表明所提成像处理流程方法适合于星载视频SAR处理快速成像,可高效完成珞珈二号视频SAR实测数据处理。

改进Faster R-CNN的视频SAR动目标检测算法

针对当前可用于深度学习的视频SAR数据稀少的现状,以及动目标检测算法中存在较多的漏检和虚警问题,基于美国桑迪亚国家实验室真实视频SAR数据制作深度学习数据集,提出一种改进Faster R-CNN的视频SAR动目标检测算法。算法以截取后的ResNet50为特征提取网络,利用K-means加遗传算法自适应计算锚框,并在数据预处理环节加入S型曲线增强方法,来增强图像的对比度信息。经实验验证,所提出方法能够显著提升动目标检测率和检测速度,其中,平均精度(AP)和F1分数提升均达到10个点以上,有效降低了虚警和漏检,整体表现优于一阶段算法SSD和RetinaNet。

基于GPU的视频SAR加速处理架构

视频合成孔径雷达(Video Synthetic Aperture Radar,ViSAR)可对目标区域实现动态监测,具备低时延、高分辨率的特点。高性能计算是ViSAR系统的关键技术。为满足ViSAR系统的实时性要求,提出了一种基于图形处理器(Graphics Processing Unit,GPU)的ViSAR成像方案。该方案将极坐标格式算法(Polar Format Algorithm,PFA)部署到GPU上,使用并发流技术、异步并行技术等方法进行优化,并结合SAR成像的帧率与数据重叠率之间的关系,充分发挥GPU的计算性能。结果表明:本架构处理单张尺寸大小为2048×2048的数据耗时0.17 s,较中央处理器(Central Processing Unit,CPU)平均加速32.8倍,有效解决了ViSAR系统的实时成像问题。

基于随机有限集的视频SAR多目标跟踪方法

视频合成孔径雷达具有高分辨与高帧速率成像的特点,可以连续获取地面感兴趣区域目标近似视频的信息,为基于SAR图像的目标识别与跟踪技术的快速发展奠定了基础。为了满足日益复杂的应用需求,多目标跟踪技术逐渐发展成熟,针对多目标跟踪过程中每个运动目标的状态都具有空时变性,并且目标的数量具有随机性的难题,首先建立了基于随机有限集的多目标跟踪算法,在此基础上讨论了贝叶斯框架下的概率假设密度算法,并在高斯混合模型下研究并实现了高斯混合概率假设密度滤波算法,进而实现了基于RFS的多目标跟踪算法,在复杂环境背景下验证了该算法的有效性。

基于深度学习的视频SAR动目标检测与跟踪算法

视频合成孔径雷达(synthetic aperture Radar,SAR)技术被广泛应用于军事侦查、地质勘探和灾害预测等领域。由于SAR视频存在很多的相干斑(Speckle)噪声以及镜面反射、叠掩效应等干扰因素,运动目标容易与背景或其他目标混淆在一起。针对上述问题,文章提出了一种有效的视频SAR目标检测与跟踪算法。首先,提取视频SAR的多个特征用于构造多通道特征图;然后,使用改进的轻量EfficientDet网络对更深层的特征进行提取,从而在兼顾算法效率的同时提升SAR目标检测的准确度;最后,采用基于目标检测框的轨迹关联策略对视频SAR中同一目标进行关联。实验表明,本研究提出的方法针对SAR阴影目标检测与跟踪任务取得了较好的效果。

基于阴影的视频SAR动目标检测

视频合成孔径雷达(SAR)是雷达成像邻域的研究重点之一,其具有高帧率连续成像特性,有利于对地面运动目标进行实时监测。虽然动目标自身图像难以聚焦,但由于雷达工作频率高,合成孔径时间较短,其真实位置会存在阴影,利用此特征可进行动目标检测。本文对基于阴影的动目标检测流程进行了探讨,并提出了一种新的背景建模方法用于对消待检测图像的背景目标。通过实验验证,该方法能更好地剔除目标阴影对背景的影响,使对消后目标阴影完整保留,从而改善漏警率。

基于改进快速区域卷积神经网络的视频SAR运动目标检测算法研究

针对传统视频SAR(ViSAR)运动目标检测方法存在的帧间配准难度大、快速运动目标阴影特征不明显、虚警概率高等问题,该文提出一种基于改进快速区域卷积神经网络(Faster R-CNN)的视频SAR运动目标检测方法。该方法结合Faster R-CNN深度学习算法,利用K-means聚类方法对anchor box的长宽及长宽比进行预处理,并采用特征金字塔网络(FPN)架构对视频SAR运动目标的“亮线”特征进行检测。与传统方法相比,该方法具有实现简单、检测概率高、虚警概率低等优势。最后,通过课题组研制的Mini-SAR系统获取的实测视频SAR数据验证了新方法的有效性。

视频SAR成像与动目标阴影检测技术

视频合成孔径雷达(SAR)技术将观测场景的动态信息以视频方式呈现出来,其高帧率成像特性有利于实现对地面机动目标的实时探测。视频SAR信号处理关键技术主要包括高帧率成像处理算法和运动目标检测技术等。该文对视频SAR成像处理进行了探讨,给出了两种典型视频SAR成像处理仿真数据结果,详细分析了视频SAR阴影形成机理和对动目标检测性能的影响,并将基于机器学习的视频SAR阴影目标检测技术与经典处理方法在实际数据上进行了验证对比。

基于阴影检测的视频SAR运动目标速度估计方法

针对视频合成孔径雷达(SAR)成像中运动目标速度估计,提出一种基于阴影检测的运动目标速度估计方法。首先,将相邻帧SAR图像进行对消获得对消图像,通过图像处理方法对阴影进行检测;然后,利用区域分块方法对阴影进行定位;最后,利用阴影区域像素累积方法估计运动目标的距离向速度和方位向速度。该方法避免了直接对运动目标的检测和参数估计,降低了检测复杂度,仿真实验结果验证了本算法的有效性。

一种W波段视频SAR微波系统

鉴于视频合成孔径雷达(视频SAR)以类似视频播放的方式再现场景信息能极大提升战场态势感知能力,设计了一种适用于小型无人机平台的W波段视频SAR微波系统.该系统采用双反射面卡塞格伦天线、一体化多层叠拼超外差模拟收发链路和高精度内外环双力矩弧齿天线伺服控制,具有集成度高、体积小、成本低的特点.测试结果表明,该系统的主要性能指标能够满足雷达工作要求.

基于GPU的圆迹视频SAR实时成像算法

视频SAR要求高分辨率实时成像,很多成像算法在高分辨率成像时,算法复杂度较高,使用中央处理器(CPU)处理无法实时成像。为解决这一问题,该文提出了一种基于图形处理器(GPU)的圆迹视频SAR实时成像算法。该算法首先根据帧率与重叠率的关系截取回波数据,然后将极坐标格式算法(PFA)中传统的两维插值用效率更高的Chirp Scaling操作代替,并且利用3种优化技术对PFA的GPU实现进行加速。实验结果表明,该文所用成像算法帧率能达到5Hz,满足视频SAR实时成像的速度要求。

一种稳健的视频SAR动目标阴影检测与跟踪处理方法

视频合成孔径雷达(VideoSAR)可获取观测场景高帧率图像序列,利用车辆等地面运动目标在图像序列中形成的阴影能够实现动目标状态感知,该方法具有定位精度高、检测概率高、无最小可检测速度限制等优点。针对视频SAR动目标阴影变化剧烈、信杂噪比低、多普勒模糊干扰等特有的图像特征,该文充分利用帧图像空间域和时间域信息,研究了视频SAR数据预处理、动目标阴影检测和视频SAR多目标跟踪方法。实测数据全流程处理结果验证了该文方法的有效性。

基于FPGA的视频SAR高分辨率地面回放系统

作为一种新型合成孔径雷达(SAR)成像模式,视频SAR系统的理想状态是在载机平台上完成对雷达回波的实时高帧率处理。相比于目前已有的算法仿真以及硬件加速处理研究,文中对视频SAR系统工程实现作出更进一步的尝试,基于现场可编程门阵列设计了一种机载视频SAR高分辨率地面回放系统,系统架构包含完整的数据传输、成像、自聚焦、几何失真校正处理以及显示界面,通过对载机飞行过程中采集至FLASH中的实测原始数据进行逐帧提取,在地面完成高分辨率、高帧率的视频SAR回放成像。经验证,该系统可以在1 s内完成一帧16 K×2 K原始数据处理,并输出4 K×2 K图像,有望在未来支持机上实时视频SAR成像,并为后续视频SAR系统的进一步研发提供了有价值的参考。

W波段视频SAR阴影测速方法研究

视频合成孔径雷达(ViSAR)凭借成像速度快的优势,能够对重点区域中的机动目标进行视频级的监视。W波段频段较高,在实现视频成像的同时,路面的高散射系数也为机动目标阴影的形成创造了条件。本文报道了小型无人机载W波段SAR对城市路口的视频成像结果,并对路口机动目标的阴影进行了分析。文章建立了阴影模型并采用了两种方法进行运动目标速度估计。

太赫兹视频SAR多普勒中心估计方法

受外界因素影响,机载合成孔径雷达(SAR)的飞行航迹与理想状态相比往往存在偏差,同时平台导航系统精确度有限,故需要从回波数据中精确估计多普勒中心频率,从而进行距离走动校正。多普勒中心估计误差决定了距离走动的校正精确度,从而决定了合成孔径成像方位压缩效果,是影响SAR成像质量的关键。在机载太赫兹成像雷达系统中,对运动补偿精确度的要求达到了亚毫米级,从而对多普勒中心估计误差提出了更高的要求。传统的多普勒中心估计方法在正侧视或小斜视模式下具有良好的效果,但在具有一定斜视角的模式下往往偏差较大。为了在多模式下有效完成太赫兹视频SAR距离走动校正,本文基于实测数据结果,从传统的包络估计方法出发,探究了一种改进包络估计的多普勒中心估计方法。通过比较,本文所提出的改进包络估计方法在对太赫兹视频SAR正侧视模式回波数据的多普勒中心估计上与另外两种传统方法都具有很高精确度,但在本文所提方法扫描模式下对97%的图像都作出了较为精确的估计,精确度与鲁棒性明显高于另外两种传统方法。结果说明了本文所提出的多普勒中心估计方法具有更好的鲁棒性、更高的效率。这一工作有助于高频段SAR多模式下的成像研究。

基于星载视频SAR的海上运动目标监视方法

传统SAR处理方法已无法满足日益复杂的战场环境,在监测、跟踪感兴趣区域内的机动目标和场景变化方面存在不足。针对此情况,提出了一种基于星载视频SAR(Video SAR)的海上运动目标监视方法,通过对目标区域持续观测获得全面的目标态势信息。首先,分析了视频SAR工作原理,采用数据重叠复用的方式来保证SAR视频产品的流畅度;结合图像配准,再利用不同帧图像之间动目标主体位置偏差和阴影变化反演动目标速度,同时改进传统后向投影(Back Projection,BP)算法,使其适用于视频SAR的高效性要求;最后,通过计算机仿真验证了该方法的精确性和有效性。

一种基于阴影检测的视频SAR运动目标检测方法

在视频SAR(合成孔径雷达)图像中,目标的运动导致其成像发生散焦和偏移,使得难以直接从图像上识别出目标本身。但目标的遮挡会在真实位置留下阴影,基于对阴影的检测可以实现运动目标检测。该文在阴影检测的基础上,针对视频SAR图像特性,提出了一种快速背景建模和建立感兴趣区域的动目标检测算法.该算法在对视频SAR图像进行配准、降噪后,其改进的背景建模方法能对目标进行有效补偿以快速提取干净背景.然后通过有效积累动目标阴影在图像序列间的变化信息,建立感兴趣区域缩小了后续检测范围.在Sandia实验室发布的视频SAR数据(Eubank大门)上进行的对比实验中,该算法取得了良好的检测性能,表明其能够有效抑制虚警和漏警,在多目标场景中具有更强的鲁棒性.

基于视频SAR序贯图像的动目标阴影检测方法

运动目标的检测与跟踪是合成孔径雷达技术研究的热点,运动目标的径向速度导致成像时出现散焦和偏移,可根据其在真实位置留下的阴影对其进行检测。利用运动目标的阴影在视频SAR序贯图像中的强相关性,提出了一种基于视频SAR序贯图像的动目标阴影检测方法。首先,使用SURF算子对图像进行配准;接着,采用均值滤波抑制相干斑噪声,通过直方图均衡做图像增强;然后,进行阈值分割得到二值图,通过连通域检测和中值法建模分离目标与背景;最后,通过开运算消除虚警并提取目标。在存在一定虚警率的情况下,采用动目标跟踪方法进行改进,成功获得动目标的真实位置。本文采用美国Sandia实验室公布的视频SAR产品,对其中的运动目标进行检测,验证了算法的正确性。

一种视频SAR运动目标成像算法

视频合成孔径雷达ViSAR(Video Synthetic Aperture Radar)成像模式与传统SAR成像模式不同,此模式需要持续监测目标区域。通过子孔径划分的方法将目标区域的回波划分孔径,然后针对每一个划分后的子孔径进行单独成像和配准,最后把每一帧图像进行处理形成视频,利用序列图像形成的视频去提取目标的运动信息。视频SAR独特的高帧率成像处理使其对运动目标的检测具有很大的优势。提供了一种基于极坐标算法PFA(Polar Format Algorithm)的视频SAR运动目标成像的方法,视频SAR成像帧率可达到每秒5帧。

W波段机载视频合成孔径雷达系统

合成孔径雷达(SAR)能够全天时全天候工作,在对地遥感领域具有广泛和深入的应用。视频SAR将SAR成像获得的空间维度信息拓展到时-空维度,可以获取更加丰富的遥感信息。传统SAR频段较低,导致合成孔径时间长,数据计算量大,高帧频输出难度很大;而低频段太赫兹波对目标细节感知能力强,合成孔径短,特别适合于微弱目标的视频感知。本文设计了一种工作在W波段的视频SAR系统,采用收发分置连续波固态前端体制,输出峰值功率1 W,最大发射带宽可达1 GHz;采用极坐标格式算法(PFA)结合GPU架构实现高帧率低延时成像。仿真试验表明,系统成像分辨力可达0.15 m,成像帧率约5 Hz。