一种基于目标认知引导的超稀疏阵列毫米波三维成像方法

本发明属于毫米波成像，特别涉及到超稀疏阵列毫米波三维成像技术，适用于安检筛查、工业检测、目标雷达散射截面（rcs）诊断、智能感知等毫米波成像应用场景。

背景技术：

1、毫米波三维成像技术依托二维平面阵列的方位、高程二维孔径拓展特性，结合毫米波短波长优势，能获取目标的精细几何散射特征与电磁强度信息，实现高分辨率三维目标表征，且具备全天时、全天候工作能力，成为安防、工业、雷达探测等领域的重要技术之一，详见文献“sheen d m, mcmakin d l, hall t e. three-dimensional millimeter-wave imaging for concealed weapon detection. ieee transactions on microwavetheory and techniques, 2001, 49(9):1581-1592”和“zhuge x, yarovoy a g. asparse aperture mimo-sar based uwb imaging system for concealed weapondetection. ieee transactions on geoscience and remote sensing, 2011, 49(1):509-518”。

2、理想的毫米波三维成像需满足奈奎斯特采样准则，依赖高密度阵列完成空间采样，但其硬件成本高、系统复杂度大，难以满足工程化高效部署需求。实际应用中多采用超稀疏阵列配置，这会引发严重的空间欠采样问题，形成本质上的不适定逆散射问题，导致成像面临三大核心瓶颈，一是采样点减少降低相干积累增益，有效散射响应衰减；二是稀疏孔径引入强栅瓣干扰，造成目标几何结构破碎、伪影增多；三是杂波干扰加剧，弱散射体被淹没，目标与背景难以区分。稀疏孔径阵列毫米波/超宽带成像系统及其欠采样成像问题可详见文献“zhuge x, yarovoy a g. a sparse aperture mimo-sar based uwb imagingsystem for concealed weapon detection. ieee transactions on geoscience andremote sensing, 2011, 49(1):509-518”。

3、为解决超稀疏阵列成像质量劣化问题，现有方法主要分为两类。一类是基于稀疏正则化的模型驱动方法，如引入l1范数、加权l1范数等正则化项，通过编码通用稀疏先验抑制干扰，详见文献“candès e j, wakin m b, boyd s p. enhancing sparsity byreweighted l1 minimization. journal of fourier analysis and applications,2008, 14(5-6):877-905”；但此类方法缺乏高层视觉认知，在超稀疏场景下易出现栅瓣伪影残留或过平滑导致的目标结构信息丢失，尤其对弱散射目标的细节保留效果差；另一类是深度学习驱动的成像方法，如深度展开网络、可学习先验法等，利用数据驱动的表征能力提取目标特征，相关展开式稀疏编码学习方法可参见文献“gregor k, lecun y. learningfast approximations of sparse coding. proceedings of the 27th internationalconference on machine learning, 2010:399-406”；但存在联合强度-几何特征隐式推断不可靠、物理约束不足、感知与认知误差累积无相互校正的问题，易生成违背毫米波传播物理规律的伪影，在极端超稀疏配置下泛化性大幅下降。

4、现有方法均无法在超稀疏阵列下兼顾干扰抑制、结构保真、物理有效性三大核心需求，因此亟需一种能融合目标感知特征与物理成像规律，实现可靠毫米波三维成像的方法。为满足这一需求，本发明提出一种基于目标认知引导的超稀疏阵列毫米波三维成像方法，通过解耦目标几何与强度感知，结合物理认知约束，实现超稀疏配置下的高质量毫米波三维成像。

技术实现思路

1、本发明提出一种基于目标认知引导的超稀疏阵列毫米波三维成像方法（tcoge），核心是构建目标感知-物理认知双通路融合的成像框架，将人类视觉分层感知机制抽象为计算模型，先通过目标感知模块提取目标的几何掩码与散射权重图作为结构化先验，再通过物理认知模块引入测量一致性、单散射体稀疏性、相邻散射体相干性三项物理约束，将感知先验作为空间变先验嵌入统一的admm展开迭代求解过程，实现感知引导优化、物理验证感知的闭环成像。

2、本方法利用超稀疏阵列毫米波成像系统获取目标回波数据，经信号预处理得到距离聚焦回波立方数据，再通过基线成像方法得到粗初始成像结果，利用轻量级感知网络提取目标几何与强度感知属性，最后将感知属性与物理约束融合，通过交替方向乘子法（admm）迭代优化得到最终的超稀疏阵列毫米波三维成像结果。与现有超稀疏阵列毫米波成像方法相比，本发明能有效抑制栅瓣与杂波干扰，更好地保留目标几何结构与散射能量，在不同稀疏度、噪声条件、目标场景下均具备较高的成像鲁棒性，成像质量显著提升。

3、为方便描述本发明的内容，首先作以下术语定义：超稀疏阵列毫米波成像系统接收目标回波

4、定义1、超稀疏阵列毫米波（mmwave）成像系统接收目标回波方法

5、超稀疏阵列毫米波成像系统是指在阵列天线空间采样率远低于奈奎斯特采样准则的条件下，利用二维平面超稀疏阵列采集目标毫米波回波数据，并反演目标三维空间散射分布的物理成像系统。该系统通过方位向阵元与高程向阵元构成二维阵列孔径，向待成像目标发射宽带线性调频毫米波信号，目标散射后的回波由位于阵列采样坐标处的有限阵元接收，并沿距离向采样，得到原始回波数据，其中、和分别表示方位向阵元、高程向阵元和距离向采样坐标。超稀疏阵列毫米波（mmwave）成像系统接收目标回波方法以目标空间散射强度为待重建变量，以超稀疏阵列采样位置、毫米波传播相位、距离向延迟和阵列孔径响应构成前向成像算子，描述目标散射分布到阵列接收回波之间的映射关系。详见文献“sheen d m, mcmakin d l, hall t e. three-dimensional millimeter-wave imaging for concealed weapon detection. ieeetransactions on microwave theory and techniques, 2001, 49(9):1581-1592”。

6、定义2、 宽带线性调频（lfm）信号

7、宽带线性调频（lfm）信号是指在脉冲持续时间内瞬时频率随时间线性变化的宽带毫米波脉冲信号，其频率由初始频率按照固定调频斜率连续扫频至终止频率，信号带宽由调频斜率和脉冲持续时间共同决定。详见文献“保铮, 邢孟道, 王彤. 雷达成像技术[m].电子工业出版社, 2005”。

8、定义3、 超稀疏阵列方位向阵元

9、超稀疏阵列方位向阵元是指二维平面毫米波阵列中沿方位向布设并用于发射或接收目标回波信号的有效阵元，其数量记为，其阵元位置对应阵列采样坐标中的方位向坐标。在本发明中，方位向阵元用于获取目标回波信号在方位向孔径上的空间采样信息。由于超稀疏阵列中方位向阵元数量显著少于满采样阵列，方位向空间采样不充分，直接成像时易产生栅瓣干扰、旁瓣增强和目标结构伪影。

10、定义4、 超稀疏阵列高程向阵元

11、超稀疏阵列高程向阵元是指二维平面毫米波阵列中沿高程向布设并参与回波采集的有效阵元，其数量记为，对应阵列采样坐标中的高程向坐标。在本发明中，高程向阵元用于获取目标回波在高程向孔径上的空间采样信息，并与方位向阵元共同构成二维超稀疏阵列孔径。由于高程向采样同样低于密集阵列采样要求，成像结果易出现高程向伪影、弱散射丢失和几何结构不连续问题。

12、定义5、 散射强度

13、散射强度是指目标空间位置处散射体对入射毫米波信号产生后向散射回波的强弱，记为。在本发明中，散射强度用于表征目标三维空间中各散射单元的反射幅度或散射能量，是待重建成像结果的物理含义。散射强度越大，表示该位置对阵列接收回波的贡献越强；散射强度越小，表示该位置可能为弱散射区域、背景区域或杂波区域。

14、定义6、 传统目标感知网络提取方法

15、传统目标感知网络提取方法是基于轻量级u-net的编码器-解码器网络，以粗初始成像结果为输入，输出目标置信度图，并由目标置信度图得到几何掩码与散射权重图，实现目标几何属性与散射强度属性的解耦提取。具体地，对目标置信度图进行阈值化处理，得到用于表征目标空间布局与连通性的几何掩码，对目标置信度图进行单调映射，得到用于调制稀疏性惩罚的散射权重图。目标感知网络参数可通过已标注目标区域的毫米波粗成像样本进行预训练，也可采用仿真成像数据与实测成像数据联合训练获得。u-net网络结构可详见文献“ronneberger o, fischer p, brox t. u-net:convolutional networks for biomedical image segmentation. medical imagecomputing and computer-assisted intervention, 2015:234-241”。

16、定义7、 距离聚焦回波立方

17、距离聚焦回波立方是指毫米波原始回波数据经距离压缩、距离向相位补偿和距离徙动校正后，按照方位向阵元坐标、高程向阵元坐标和距离向采样坐标排列形成的三维复值数据立方，记为，其中为阵列采样坐标；该距离聚焦回波立方沿距离向由多个二维距离切片依次排列构成，固定距离采样坐标后，从距离聚焦回波立方中取得的第个距离切片为对应距离单元的方位向-高程向二维复值回波，在后续单距离切片处理中简记为，用于匹配滤波粗成像和测量一致性约束计算。

18、定义8、 几何掩码

19、表征目标空间布局与连通性的二值矩阵（元素为0或1），0表示背景区域，1表示目标散射区域，为成像优化提供目标空间锚点，由目标感知网络从粗初始图像中提取得到。

20、定义9、 散射权重图

21、散射权重图是由目标感知网络输出的目标置信度图经单调递减映射得到的表征目标散射能量相对背景干扰分布的非负实值矩阵，记为。在本发明中，散射权重图用于对成像结果的稀疏性惩罚进行空间自适应调制，其具体表达式为：

22、

23、其中，表示像素属于目标区域的置信度，为数值稳定小常数。对于目标置信度较高的位置，较小，使该位置受到较弱的稀疏性惩罚，从而保留有效散射响应；对于目标置信度较低的位置，较大，使该位置受到较强的稀疏性惩罚，从而抑制背景杂波与栅瓣伪影。

24、定义10、 测量一致性约束

25、基于毫米波前向传播模型的物理约束项，以成像结果与实测回波数据的弗罗贝尼乌斯范数偏差表示，惩罚成像结果与物理测量的偏差，确保成像结果贴合毫米波波前传播规律。

26、定义11、 单散射体稀疏性约束

27、基于毫米波散射物理的先验约束项，以成像结果的范数表示，利用“目标仅少量散射体产生显著回波”的特性，抑制背景杂波并保留强目标散射响应。稀疏信号恢复与加权稀疏正则化思想详见文献“candès e j, wakin m b, boyd s p. enhancing sparsityby reweighted l1 minimization. journal of fourier analysis and applications,2008, 14(5-6):877-905”。

28、定义12、 相邻散射体相干性约束

29、基于扩展目标几何特性的先验约束项，通过马尔可夫随机场（mrf）建模散射体的空间依赖性，惩罚相邻像素的状态突变，确保目标散射区域的空间连通性，避免几何结构破碎，详见文献“geman s, geman d. stochastic relaxation, gibbs distributions, andthe bayesian restoration of images. ieee transactions on pattern analysis andmachine intelligence, 1984, pami-6(6):721-741”。

30、定义13、 传统交替方向乘子法（admm）

31、将多变量联合优化问题分解为多个单变量凸优化子问题的求解方法，通过引入辅助变量与对偶变量，将带约束的优化问题转化为无约束问题，实现高效迭代求解，详见文献“boyd s, parikh n, chu e, peleato b, eckstein j. distributed optimization andstatistical learning via the alternating direction method of multipliers.foundations and trends in machine learning, 2011, 3(1):1-122”。

32、定义14、传统匹配滤波方法

33、传统匹配滤波方法是毫米波成像中用于生成粗初始成像结果的基线成像方法。对于单个距离切片回波，该方法根据候选成像网格点到各阵元位置的传播距离构造传播路径成像匹配相位因子，对阵列接收回波进行相位补偿和相干累加，使对应网格点的散射响应得到增强，得到该距离切片的粗初始成像结果。对所有距离切片依次执行匹配滤波处理，并沿距离向堆叠各切片成像结果，得到目标场景的三维粗初始成像结果。可详见文献“保铮, 邢孟道, 王彤. 雷达成像技术[m]. 电子工业出版社, 2005”。

34、定义15、 传统距离徙动校正（rcmc）方法

35、传统距离徙动校正（rcmc）方法是指对距离压缩后的回波进行校正，消除散射体在不同距离门的徙动误差，让回波精准归位到对应距离单元，是形成距离聚焦回波立方的关键预处理步骤，详见文献“保铮, 刑孟道, 王彤. 雷达成像技术[m]. 电子工业出版社,2005”。

36、定义16、 标准线性调频信号脉冲压缩方法

37、标准线性调频信号脉冲压缩方法是指在接收端采用与发射宽带线性调频信号相匹配的滤波器，对原始回波进行距离向压缩的信号处理方法。该方法将具有相同距离延迟的散射回波聚焦到对应距离单元，使长脉冲回波压缩为窄脉冲响应，从而提高距离向分辨率。在本发明中，标准线性调频信号脉冲压缩用于得到距离压缩后的回波信号，为后续相位补偿、距离徙动校正和距离聚焦回波立方生成提供基础。线性调频脉冲压缩可详见文献“skolnik m i. radar handbook[m]. 3rd ed. new york: mcgraw-hill, 2008”。

38、定义17、 快时间

39、雷达成像中，快时间用于表征回波距离向的快速采样时间维度，用以区分不同距离单元的目标散射回波。

40、定义18、 传统预处理方法

41、传统预处理方法是指对雷达原始回波执行距离压缩、距离徙动校正等前置处理，将数据规整为三维距离聚焦回波立方体的方法。

42、定义19、 传统堆叠操作方法

43、传统堆叠操作方法是指将各距离切片对应的二维方位向-高程向成像结果，按照距离切片索引沿距离向排列，形成目标场景的三维成像结果。

44、定义20、 弗罗贝尼乌斯范数

45、弗罗贝尼乌斯范数是用于度量复值矩阵全局数值偏差的矩阵范数，定义为矩阵所有元素模值的平方和的算术平方根。在毫米波超稀疏阵列成像优化模型中，常采用其平方形式作为测量一致性约束项，量化实测测量数据与成像前向传播模型输出数据的拟合误差，是评估成像结果物理保真度的核心度量指标。

46、定义21、 增广拉格朗日函数

47、增广拉格朗日函数是毫米波超稀疏阵列成像约束优化问题的核心求解数学模型，在标准拉格朗日函数基础上引入二次惩罚项与对偶变量构建而成，用于将带等式约束的多变量成像优化问题转化为无约束优化问题，将包含辅助变量、和二值状态场的约束优化问题转化为可交替迭代求解的无约束优化问题，是目标认知引导成像算法的关键求解载体。可详见文献“boyd s, parikh n, chu e, peleato b, eckstein j. distributedoptimization and statistical learning via the alternating direction method ofmultipliers. foundations and trends in machine learning, 2011, 3(1):1-122”。

48、定义22、 经典的距离向相位补偿因子

49、距离向相位补偿因子是指在原始回波完成线性调频脉冲压缩后，为补偿第个距离切片对应的往返传播相位而构造的复指数相位因子，记为，其中，表示自然指数函数，为虚数单位，为圆周率，为发射宽带线性调频信号的载波频率，为光在空气中的传播速度，为波数，为距离向采样坐标，为第个距离切片对应的中心距离；该因子用于补偿距离压缩后回波中与对应的往返传播相位项，统一不同距离切片的相位基准，为后续距离徙动校正和距离聚焦回波立方生成提供相位对齐的数据基础。可详见文献“高敬坤，邓彬，秦玉亮，等．扫描mimo阵列近场三维成像技术[j]．雷达学报，2018，7(6)：676-684”。

50、定义23、毫米波成像前向算子

51、在单距离切片成像过程中，毫米波成像前向算子用于描述待优化成像结果到二维超稀疏阵列接收回波数据之间的传播映射关系。设第个距离切片对应的成像结果为，二维超稀疏阵列中的有效阵元坐标为：

52、

53、其中，；设第个距离切片中的成像网格点坐标为：

54、

55、其中。阵元与成像网格点之间的传播距离为：

56、

57、则第个距离切片对应的前向成像算子定义为：

58、

59、其中，表示第个距离切片中成像网格点处的散射强度，为波数。对于由二值状态场调制后的成像结果，其前向传播结果为：

60、

61、为简化表述，在后续单距离切片优化过程中，将、、、分别简写为、、、。

62、本发明提供的一种基于目标认知引导的超稀疏阵列毫米波三维成像方法，包括以下几个步骤：

63、步骤1、初始化相关参数与获取回波数据：

64、对于需要成像、建模的三维场景，采用定义1所述的超稀疏阵列毫米波成像系统接收目标回波方法，发射定义2中的宽带线性调频信号，初始化如下核心参数：光在空气中的传播速度，圆周率，载波频率，波数，定义3中的超稀疏阵列方位向阵元数,定义4中超稀疏阵列高程向阵元数,阵列采样点坐标，其中分别表示方位向阵元和高程向阵元采样坐标,成像空间，距离向采样数，距离向采样坐标，正则化权重（定义11中的单散射体稀疏性约束参数），（定义12中的相邻散射体相干性约束参数），定义13中admm方法惩罚参数，数值稳定小常数，四邻域算子，迭代终止阈值。

65、对三维场景目标，采用定义1所述的超稀疏阵列毫米波成像系统接收目标回波方法，得到原始回波数据，其中为定义17中的快时间。

66、步骤2、回波信号预处理，得到距离聚焦回波立方：

67、对步骤1获取的原始回波数据，采用定义18所述的传统预处理方法进行处理，得到定义7中的距离聚焦回波立方，具体步骤如下：

68、步骤2.1、对步骤1获取的原始回波，采用定义16中的标准线性调频信号脉冲压缩方法进行距离压缩，得到距离压缩后的回波信号。

69、步骤2.2、对步骤2.1得到的距离压缩后的回波信号，乘以定义22中的经典的距离向相位补偿因子，补偿各距离切片对应的往返传播相位，得到相位补偿后的回波信号。

70、步骤2.3、对步骤2.2得到的回波信号，采用定义15中传统距离徙动校正（rcmc）方法进行校正，得到校正后的回波信号；

71、将校正后的回波按照方位向阵元坐标、高程向阵元坐标和距离向采样坐标排列，得到定义7中的距离聚焦回波立方和该回波立方中沿距离向排列的各二维距离切片，即方位向-高程向二维复值回波。

72、步骤3、生成粗初始成像结果：

73、对步骤2.3得到的方位向-高程向二维复值回波，采用定义14中的传统匹配滤波方法处理，得到粗初始成像结果。

74、步骤4、目标感知模块提取结构化感知先验：

75、对步骤3得到的粗初始成像结果，采用定义6所述的传统目标感知网络提取方法处理，得到定义8所述的几何掩码和定义9所述的散射权重图。

76、令，其中，表示在位置处的元素；将几何掩码中对应位置的元素作为的初始值，即，写成矩阵形式为。

77、步骤5、构建目标认知引导的成像优化目标函数：

78、基于步骤4得到的几何掩码和散射权重图，构建带约束的成像优化目标函数：

79、

80、其中，表示以和为待优化变量，对其后各项之和进行最小化；为待优化的成像结果；，表示在位置处的元素；的初始值为步骤4得到的定义8中的几何掩码，即；为步骤2得到的方位向-高程向二维复值回波；为定义23中的毫米波成像前向算子；为步骤4得到的定义9中的散射权重图；表示哈达玛积，即对应位置的元素相乘；表示定义20中的弗罗贝尼乌斯范数，上标2表示对该范数取平方；表示矩阵所有元素模值之和；和均为非负参数，为定义11中的单散射体稀疏性约束参数，为定义12中的相邻散射体相干性约束参数；表示定义12中的相邻散射体相干性约束，下标ac为该约束的符号标识。

81、

82、其中，和为中元素的位置索引；表示位置的四邻域，包括上邻位置、下邻位置、左邻位置和右邻位置；为四邻域中的位置索引；公式中的第一重和第二重求和分别表示对和求和，第三重求和表示对位置(,)的四邻域位置(,)求和；表示位置与位置之间的相互作用权重；和分别表示在位置和位置处的元素；表示两个元素之差的平方。

83、令辅助变量，则步骤5中的目标函数表示为：

84、

85、其中，式首的最小化符号表示以、、和为待优化变量，对其后各项之和进行最小化；表示其后的等式为各待优化变量应满足的约束条件。

86、根据定义21中的增广拉格朗日函数定义，上述目标函数对应的增广拉格朗日函数为：

87、

88、其中，为定义21所述的增广拉格朗日函数；为步骤2得到的方位向-高程向二维复值回波；为定义23所述的毫米波成像前向算子；和为本步骤引入的辅助变量；、、、和与步骤5前述目标函数中的含义相同；和为步骤1初始化的惩罚参数；和分别为约束和对应的对偶变量，初始值分别为、。

89、步骤6、基于admm的展开迭代求解：

90、采用定义13所述的传统交替方向乘子法，对步骤5得到的增广拉格朗日函数进行迭代求解，依次更新、、、、和，具体步骤如下：

91、步骤6.1、固定第次迭代的、和，按下式更新辅助变量，得到第次迭代的：

92、

93、其中，为定义23所述的毫米波成像前向算子的伴随算子；为与维度相同的单位矩阵；上标表示矩阵求逆；上标和表示相应变量的迭代次数；为步骤2得到的方位向-高程向二维复值回波；为步骤1初始化的惩罚参数。

94、步骤6.2、固定第次迭代的和，按下式更新辅助变量，得到第次迭代的：

95、

96、其中，表示逐元素软阈值函数，对于任一输入元素，当时输出，当时输出0，为软阈值，、和与步骤5中的含义相同。

97、步骤6.3、固定、、、和，按下式更新待优化的成像结果在位置处的元素，得到：

98、

99、其中，和为元素的位置索引，、、、、、和分别表示、、、、、和在位置处的元素，和为步骤1初始化的惩罚参数，为步骤1初始化的数值稳定小常数。

100、步骤6.4、固定、和，按下式更新在位置处的元素，得到：

101、

102、其中，、、和分别表示在上邻位置、下邻位置、左邻位置和右邻位置处的元素，、和与步骤6.3中的含义相同，和与步骤5中的含义相同。

103、步骤6.5、根据步骤6.1至步骤6.4的迭代结果，按下式更新对偶变量和：

104、

105、

106、其中，表示哈达玛积，即对应位置的元素相乘。

107、步骤6.6、采用定义20所述的弗罗贝尼乌斯范数计算相邻两次迭代所得成像结果之差，当小于步骤1初始化的迭代终止阈值时，输出，否则令并返回步骤6.1。

108、步骤7、生成三维毫米波成像结果：

109、将步骤6得到的各距离切片优化后成像结果按距离向采用定义19所述的传统堆叠操作方法进行处理，得到目标场景的三维毫米波稀疏成像结果，完成超稀疏阵列下的目标三维表征。

110、本发明的创新点与优点体现在多个层面：首次将人类视觉“粗几何感知到细强度验证”的分层感知机制应用于超稀疏阵列毫米波成像，通过解耦目标几何与强度感知，避免了传统方法联合提取特征时的相互干扰，解决了超稀疏条件下特征推断不可靠的难题，并为成像优化提供了结构化空间锚点；构建了目标感知-物理认知双通路融合成像框架，把几何掩码、散射权重图等感知先验作为空间变先验嵌入物理模型，形成感知引导优化、物理验证感知的闭环，有效解决现有方法感知与物理脱节、物理约束不足的问题，保证成像结果同时具备结构保真度与物理有效性；设计了基于admm的展开迭代求解策略，将复杂联合优化问题分解为多个具备闭式解的子问题，在提升求解效率的同时保证可解释性，避免了端到端深度学习方法可解释性不足，易产生伪影的问题，更适合工程化部署；此外，本方法的感知模块与物理认知模块相互解耦，可灵活替换感知网络结构、调整物理约束项，能够适配不同超稀疏阵列拓扑与多种毫米波成像场景，兼容性与扩展性良好。