低信噪比ISAR图像序列匹配搜索的空间目标姿态反演方法

低信噪比isar图像序列匹配搜索的空间目标姿态反演方法
技术领域
1.本发明属于雷达信号处理技术领域，具体涉及一种低信噪比isar图像序列匹配搜索的空间目标姿态反演方法。


背景技术：

2.在轨空间目标姿态的准确估计可以为载荷指向分析和运动状态评估提供关键信息。对于三轴稳定空间目标，其姿态相对于轨道坐标系保持固定。逆合成孔径雷达（inverse synthetic aperture radar，isar）对空间目标的长时连续观测可以提供不同观测角度下目标的正交投影图像序列，进一步利用isar图像序列，可以反演轨道坐标系中的目标姿态。
3.目前，现有的方法大多是基于isar图像序列中目标的轮廓特征来实现姿态估计的。例如，基于轮廓匹配的方法便是其中一种典型方法，该方法利用目标的整体轮廓信息来估计目标姿态。首先，采用分水岭法提取isar图像中的目标轮廓。然后，通过旋转目标模型，使目标模型在成像平面上的投影轮廓与从图像序列中提取的轮廓相匹配来确定目标姿态。此外，国外有学者人工标记图像序列中目标轮廓的关键点，然后调整目标模型的姿态，使模型关键点的投影与标记点的距离最小，最佳姿态对应于最小距离。除了利用整体轮廓信息外，还可以利用空间目标关键部件的轮廓特征来估计姿态。首先，提取序列图像中目标太阳翼和主体的边缘特征。然后，通过最小化特征投影和提取特征之间的差异来搜索这些特征部件的姿态向量。可以看出，上述方法都需要从isar图像中提取轮廓特征。
4.然而，在实际isar图像中，由于噪声和电磁各向异性的影响，无法保证目标轮廓清晰，尤其是在低信噪比（signal to noise ratio，snr）下，目标轮廓上的一些散射点的能量强度与噪声相当或弱于噪声，使得目标轮廓无法准确提取。


技术实现要素：

5.为了解决现有技术中存在的上述问题，本发明提供了一种低信噪比isar图像序列匹配搜索的空间目标姿态反演方法。本发明要解决的技术问题通过以下技术方案实现：本发明提供了一种低信噪比isar图像序列匹配搜索的空间目标姿态反演方法，包括以下步骤：步骤1：对isar回波数据进行预处理和成像，得到isar图像序列；步骤2：以每一个候选姿态参数作为一个粒子、以每个粒子沿所述isar图像序列的投影区域能量累积值paea作为优化函数值初始化算法；步骤3：利用粒子群优化算法对待优化目标模型的姿态进行优化调整，以更新全局最优个体；步骤4：重复上述步骤3，直至达到最大迭代次数，并输出全局最优个体对应的姿态作为空间目标姿态的估计结果。
6.在本发明的一个实施例中，在步骤1之后，步骤2之前，还包括：对所述isar图像序列的能量进行归一化处理。
7.在本发明的一个实施例中，步骤2包括：2.1) 获取观测目标的先验点云模型作为待优化目标模型；2.2) 初始化粒子群优化算法：设置粒子群优化算法的粒子数和最大迭代次数；初始化每个粒子的状态，粒子位置对应的姿态参数；将当前迭代中的paea值最大的个体作为局部最优个体，将整个搜索历史中paea值最大的个体作为全局最优个体，并令初始值为0。
8.在本发明的一个实施例中，步骤3包括：3.1) 根据每个粒子的姿态参数对所述先验点云模型进行姿态调整，得到不同姿态下的目标模型；3.2) 计算每个姿态下的paea值；3.3) 找到最大的paea值，并将其分配给，同时在判断时，将的值赋给，并记录下对应的姿态参数。
9.在本发明的一个实施例中，步骤3.1)包括：3.1a) 构造旋转矩阵；其中，，和分别代表绕x轴、y轴和z轴的旋转矩阵，变量、和分别表示绕x轴、y轴和z轴的逆时针旋转角度；3.1b) 利用所述旋转矩阵对所述先验点云模型中的每个粒子进行姿态调整，其表达式为：其中，的每一列是姿态调整后模型的三维点坐标，，
…
表示先验点云模型每个点的坐标，表示当前粒子对应的姿态参数；3.1c) 对每个粒子j均进行3.1a)和3.1b)的操作，得到不同姿态下的目标模型，表示粒子总数。
10.在本发明的一个实施例中，步骤3.2)包括：3.2a) 在设定的isar观测和成像参数下，得到不同姿态下的目标模型在所述isar图像序列上的投影图像，并提取目标模型在每个isar图像序列上的投影区域；3.2b) 将每个姿态下目标模型在所有isar图像序列上的投影区域的能量相加，得到每个姿态对应的paea值。
11.在本发明的一个实施例中，在步骤3.3)之后，还包括：3.4) 计算粒子的标准差，并在所述标准差小于一定阈值时，将粒子群重新打散，
并更新算法粒子参数。
12.本发明的有益效果：1、本发明提供的低信噪比isar图像序列匹配搜索的空间目标姿态反演方法将沿isar图像序列的投影区域能量累积值paea作为优化参数，通过粒子群优化算法搜索到最优姿态，提高了搜索效率；且与现有的轮廓特征相比，能量分布特征更稳健，使得该方法在低信噪条件下具有良好性能；2、本发明在采用粒子群优化算法搜索最优姿态时，对粒子群的个体最优值进行检测，当其标准差小于一定阈值时，将粒子群重新打散，避免了算法受初始值影响较大，可能陷入局部极值的问题。
13.以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
14.图1是本发明实施例提供的一种低信噪比isar图像序列匹配搜索的空间目标姿态反演方法的流程示意图；图2是本发明实施例提供的三轴稳定空间目标isar观测与成像模型图；图3是本发明实施例提供的观测目标初始姿态的点云模型；图4 是信噪比为20db时的isar图像；图5是信噪比为5db时的isar图像；图6是采用本发明的方法得到信噪比为20db时的姿态估计结果；图7是采用本发明的方法得到信噪比为5db时的姿态估计结果。
具体实施方式
15.下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
16.实施例一本发明针对低信噪比下isar图像的特点，通过优化isar图像序列的投影区域能量累积（projection area energy accumulation，paea）值，提出了一种适应于低信噪比isar图像序列的空间目标姿态反演方法。给定先验目标模型和候选姿态，可以得到目标模型在成像平面上的投影区域。每个isar图像在相应投影区域的能量被视为有效能量，其总和为paea值。paea值越大，候选姿态越接近真实姿态。因此，本发明采用优化paea值的方法来估计目标姿态。为了提高搜索效率，本发明利用粒子群优化（particle swarm optimization，pso）算法实现优化求解过程。
17.具体地，请参见图1，图1是本发明实施例提供的一种低信噪比isar图像序列匹配搜索的空间目标姿态反演方法的流程示意图，其包括以下步骤：步骤1：对isar回波数据进行预处理和成像，得到isar图像序列。
18.一般的，三轴稳定空间目标在运动时相对于轨道坐标系的姿态保持不变。isar在对目标进行长时观测时，目标相对于雷达视线（los）发生旋转，这会对雷达回波产生多普勒调制。通过对每个子孔径回波数据进行子孔径划分和成像处理，可以获得高分辨率的isar图像序列。
19.首先，对isar目标观测与成像模型进行分析推导。
20.请参见图2，图2是本发明实施例提供的三轴稳定空间目标isar观测与成像模型图；其中，o-xyz是轨道坐标系。在长时连续观测过程中，每个观测时刻的雷达视距形成绿色曲面，如图2 所示。对于时刻的雷达视线，通过其在坐标系o-xyz中的俯仰角和方位角定义其方向。其中，是雷达视线（los）与它在xoy平面上的投影向量的夹角，且。是与x 轴正方向之间的逆时针角度，且。那么在时刻los的方向向量可以表示为：对于目标的第k个散射点，将其坐标表示为。该散射点在距离维度上的投影是：则该散射点沿距离维度的速度可以计算为：其中，其中，和分别表示俯仰角和方位角在时间上的角度变化率。另外，还可以得到散射点在时间的多普勒频率为其中，是雷达发射信号的波长。因此，散射点在成像面上的投影位置满足以下关系：
其中，是投影坐标，代表表示投影矩阵。
21.然后，再对isar回波数据进行预处理和成像，得到若干帧isar图像序列。
22.具体地，接收空间目标逆合成孔径雷达回波，并对接收的雷达回波预处理，也即对雷达回波依次进行高速补偿、距离压缩、平动补偿、距离徙动校正和自聚焦操作。
23.采用rd算法对预处理后的isar回波数据进行成像，得到若干帧空间目标的高分辨二维isar图像。
24.步骤2：以每一个候选姿态参数作为一个粒子、以每个粒子沿所述isar图像序列的投影区域能量累积值paea作为优化函数值初始化算法。
25.2.1) 获取观测目标的先验点云模型作为待优化目标模型；2.2) 初始化粒子群优化算法：将粒子群优化算法中每个粒子参数配置为一个候选姿态参数，设置粒子群优化算法的粒子数和最大迭代次数；初始化每个粒子的状态，包括位置和速度信息，以及每个粒子参数对应的姿态参数，它决定了观测目标的实际姿态。将当前迭代中的paea值最大的个体作为局部最优个体，将整个搜索历史中paea值最大的个体作为全局最优个体，并令初始值为0。
26.此外，在进行下一步操作之前，还需要对isar的观测信息和成像参数进行设置。
27.进一步地，为了消除不同图像之间的能量差异，以提高估计结果的准确性，在利用paea值和粒子群优化算法搜索最优姿态之前，还需要对isar图像序列进行了能量归一化处理。
28.步骤3：利用粒子群优化算法对待优化目标模型的姿态进行优化调整，以更新全局最优个体。
29.3.1) 根据每个粒子的姿态参数对所述先验点云模型进行姿态调整，得到不同姿态下的目标模型。
30.3.1a) 构造旋转矩阵；其中，，和分别代表绕x轴、y轴和z轴的旋转矩阵，变量、和分别表示绕x轴、y轴和z轴的逆时针旋转角度。
31.3.1b) 利用所述旋转矩阵对所述先验点云模型中的每个粒子进行姿态调整。
32.假设先验点云模型的点数为k，在当前的迭代中，某粒子对应的参数是，则，，。进一步可以得到当前姿态下的点云模型为：其中，的每一列是姿态调整后点云模型的三维点坐标，，
…
表示先验点云模型每个点的坐标。
33.3.1c) 对每个粒子j均进行3.1a)和3.1b)的操作，得到不同姿态下的目标模型，j表示粒子总数。
34.具体地，对于第j个粒子，可以计算出相应的旋转矩阵。然后通过旋转先验目标点云模型，可以得到第j个姿态下的，进而可以得到不同姿态的目标模型集。
35.3.2) 计算每个姿态下的paea值，具体包括：3.2a) 在设定的isar观测和成像参数下，得到不同姿态下的目标模型在所述isar图像序列上的投影图像，并提取目标模型在每个isar图像序列上的投影区域。
36.首先，定义雷达视线。
37.根据isar观测和成像参数，可以确定isar回波数据的子孔径划分方式。相应地，以同样的方式将雷达视线划分为子集。用n表示isar图像的数量，是第n幅isar图像，是对应的雷达视线子集。每个雷达视线都可以由表示，其中是俯仰角，是方位角。
38.然后，计算投影矩阵。
39.假设，和分别为的第一个，中间和最后一个雷达视线。在子孔径期间，雷达视线近似均匀变化。因此，子孔径中间时间在俯仰和方位维度上的角度变化率可以计算为：
其中，是第n个子孔径的相干处理时间。对应的投影矩阵为：其中，接着，生成投影图像。
40.对应于调整后的姿态，目标模型在第n个成像平面上的投影可计算为：其中，的每一列是目标模型点在成像平面上的投影位置。是模型对应于的二值投影图像。而的元素为0或1，对应图像中的黑白像素。为了获得，我们需要首先确定集合，它由中白色像素的位置组成。当至少一个模型点投影到该像素区域时，像素值为 1。因此，可以表示为：
其中和分别代表距离分辨率和多普勒分辨率。表示向下舍入。k表示集合的第k个元素且。则投影图像表示如下：剩余的n-1幅投影图像可以通过相同的方式生成。
41.至此，获得了投影图像序列。
42.最后，提取投影区域。
43.由于点云模型密集，投影过程理想，很容易提取出每幅图像的投影区域。以第n个投影图像为例，在密集点云模型下，投影图像中的白色像素连接在一起，而白色像素所形成的面积就是的投影面积。
44.对剩余的n-1幅图像的投影区域可以通过相同的方式提取出来。
45.3.2b) 将每个姿态下目标模型在所有isar图像序列上的投影区域的能量相加，得到每个姿态对应的paea值。
46.由于在isar成像中，目标的等效旋转中心通常在图像序列上发生变化，这将导致isar图像的中心与同一成像平面上的投影图像的中心不一致。这样，即使目标模型的姿态是真实的，isar图像序列的paea值也无法达到最大值。因此，为了保证姿态估计的准确性，需要将isar图像中心与投影图像中心对齐，图像中心对齐可以通过图像相关来实现，具体过程在此不做详细描述。
47.在完成图像中心对齐后，计算各候选姿态对应paea值。
48.具体地，对于第n幅isar图像对总paea值可以采用下式进行计算：其中，代表hadamard乘积，是对齐的isar图像。
49.当paea值最大时，也应达到其最大值。实际上是与相关系数最大的图像。则某候选姿态下图像序列的paea值可以计算如下：对所有姿态进行相同处理，获得候选姿态序列对应的paea值序列。
50.3.3) 找到最大的paea值，并将其分配给，同时在判断时，将的值赋给，并记录下对应的姿态参数。
51.具体地，在每次一迭代时，找到最大的paea值并将其分配给。如果，则将的值赋给，并记录下对应的姿态参数。所记录的姿态是当前最优姿态。然后对迭代次数加1，重复进行步骤3的操作。
52.需要说明的时，在本实施例的步骤3.3)之后，还包括：3.4) 计算粒子的标准差，并在所述标准差小于一定阈值时，将粒子群重新打散，并更新算法粒子参数。
53.尽管本实施例采用的粒子群优化算法具有操作简单、收敛速度快的优点，然其仍存在受初始值影响较大，可能陷入局部极值的问题。在本发明的应用中，在极值点附近持续精细搜索的意义不大，重要的是保证搜索到全局最优解。因此，需要在搜索中应当对早熟收敛的情况进行严格的限制。
54.基于此，在本实施例在粒子群优化算法的迭代过程中，对粒子群个体进行了最优值检测。当算法迭代次数小于设定门限时，计算其标准差，并在该标准差小于一定阈值时，认为粒子群已经基本收敛，此时可以将其重新打散，同时更新pso算法粒子参数，然后重复步骤3的操作，继续利用粒子群优化算法进行搜索最优个体。
55.步骤4：重复上述步骤3，直至达到最大迭代次数，并输出全局最优个体对应的姿态作为空间目标姿态的估计结果。
56.具体地，当算法迭代次数达到设定门限时，算法终止，并输出全局最大paea值对应的姿态参数。这些参数表示实际目标姿态相对于初始目标模型的旋转。否则，更新每个粒子的状态并转到步骤3的操作。
57.本实施例首先分析了isar目标观测与成像模型，并采用距离-多普勒算法获得空间目标的高分辨二维isar图像序列；然后，对姿态估计算法进行初始化：输入观测目标的先验点云模型、isar观测信息和成像参数、isar图像序列，初始化粒子群算法并设定pso迭代门限；接着，对应每个姿态参数，对模型姿态进行姿态调整；之后，在设定的isar观测和成像参数下，得到各姿态模型在成像平面上的投影图像序列，并提取目标模型在每个成像平面上的投影区域；接着，计算每幅图像在投影区域的能量，并将所有能量相加得到各姿态参数对应的paea值。最后，利用pso算法调整候选姿态参数，搜索得到具有最大paea值的姿态参数，即为最优姿态。与现有的基于目标轮廓匹配的方法相比，该方法直接利用isar图像的能量分布特征，避免低信噪比下目标轮廓提取不准时姿态估计性能下降。
58.实施例二下面通过基于仿真数据的对比实验，进一步说明本发明的有效性。
59.（1）仿真条件仿真时采用的模型是卫星的点目标模型。相应地，具有初始姿态的点云模型如图3所示。
60.（2）仿真实验内容及结果分析
设置雷达视线的俯仰角固定为-45
°
。雷达视线的方位角从0
°
到180
°
变化。雷达信号的载频和带宽分别为10ghz和3ghz。在观测过程中，目标姿态在轨道坐标系中保持静止，这意味着该目标是一个三轴稳定空间目标。生成雷达回波数据并将其划分为子孔径进行成像。
61.为了分析噪声对isar成像结果的影响，本实施例生成了两个isar图像序列。距离压缩结果的信噪比分别为20db和5db。两个序列中的第5幅图像分别如图4和5所示。显然，高信噪比下目标轮廓更清晰。
62.基于两个不同信噪比的isar图像序列，通过执行本发明提出的paea值优化方法来估计目标姿态，姿态估计结果如表1所示。
63.估计姿态下对应的目标点云模型分别如图6和图7所示。在观测过程中，目标的姿态相对于初始姿态是固定的。因此，真实的姿态参数应该是，和。当信噪比为20db时，本发明所提出方法的姿态估计结果如图6所示；当信噪比为5db时，本发明所提出方法的姿态估计结果如图7所示。由图6和图7可以看出，当信噪比为20db和5db时，本发明提出的方法均能获得准确的估计结果。
64.以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。