基于极化分类辅助的复杂场景多通道SAR-GMTI方法

黄祖镇,宋立文,刘爱芳

(南京电子技术研究所, 江苏 南京 210013)

合成孔径雷达地面运动目标检测(synthetic aperture radar ground moving target indication,SAR-GMTI)是现代SAR装备的一个重要功能[1-2],在民用方面它可用于高速公路交通监控、洋流监测等,在军用方面可用于战场态势监控和目标打击.美、日、德、加等国家都极其重视SAR-GMTI技术的发展,许多机/星载SAR系统都具备GMTI功能,如美国的NRL-MSAR机载试验系统[3]、加拿大的Radarsat-2卫星[4]和德国的TerraSAR-X/TanDEM-X卫星[5]等.

多通道SAR-GMTI技术包括相位中心偏置天线(displaced phase center antenna,DPCA)技术、沿航迹干涉(along track interference,ATI)技术、空时自适应处理(space-time adaptive processing,STAP)技术及它们的改进技术[6-11].ATI技术通过对通道间干涉相位设置阈值对动目标进行检测,但检测效果受地杂波影响较大;STAP技术是一种空间和时间二维联合自适应处理技术,能有效抑制杂波,但结构复杂、信号处理计算负担大;DPCA技术因其杂波抑制性能良好、工程上简单易行等优点,在实际系统中得到广泛应用,但是,在复杂场景下DPCA检测性能有限.在城市地区,大量的建筑物在图像上聚焦成像,不可避免地存在通道误差、噪声等不利因素影响,这类强静止目标也存在微小的干涉相位,经过DPCA杂波抑制后其绝对剩余能量往往还是很强,从而造成虚警[12].

极化SAR通过收发不同极化电磁波获得丰富的目标散射信息[13],可用于SAR图像目标识别、地物分类等.随着极化SAR研究的深入,国内外已有部分学者提出结合目标极化信息的GMTI方法.2006年,文献[14]在单通道机载CV-580系统中试验了全极化GMTI模式,实测数据表明交叉极化带来的辅助信息可以改善动目标检测性能.但受当时硬件水平限制,系统极化占用物理通道后,GMTI只能用单通道处理.加拿大Radarsat-2卫星在动目标检测试验模式基础上,通过交替发生H和V极化信号实现了双通道双极化GMTI[15],改善了海面舰船目标检测与速度估计性能.但是由于分时发射等效降低了脉冲重复频率(PRF),回波信号存在方位模糊问题.文献[8]提出一种结合极化分类技术的空时自适应处理方法,该方法根据检测单元的极化分类结果计算自适应权矢量,具有良好的动目标检测性能,但是计算量较大.

本文结合现有DPCA技术,针对复杂环境下建筑物造成大量虚警的问题,提出了一种基于极化分类的多通道SAR-GMTI方法.通过国内首批机载多通道全极化SAR-GMTI实测数据,验证了所提方法可以显著降低由建筑物造成的虚警,改善复杂场景下的地面动目标检测性能.

1 多通道SAR-GMTI信号模型及图像域DPCA处理方法

1.1 多通道SAR-GMTI信号模型

常见的机载双通道SAR-GMTI系统几何模型如图1所示,x轴为方位向,y轴为距离向.雷达工作在正侧视模式,由沿航向设置的间距为d的2个通道构成.

图1 双通道SAR-GMTI系统观测场景空间几何示意图

(1)

(2)

假设雷达发射线性调频信号,即:

S0(

(3)

式中:j为虚数符号;fc为载频;T为脉冲持续时间;γ为调频率,γ=B/T,B为信号带宽.

则1号通道接收到的回波为:

S1(,

(4)

式中:σ为回波信号幅度;Ts为目标照射时间;c为光速;λ为波长.

0号通道回波表达与之类似,这里不再赘述.

成像后通道1的动目标图像域信号可以近似表示为:

Simage1(,t)≈σ″sinc{B[-2/cR0]}×

sinc[Tsfr(t+fD/fr)]×

exp(j2πfDt)exp(j2πvrd/λva)

(5)

式中:σ″为成像后的目标幅度;fr为方位调频率;fD为目标多普勒中心.

对于静止目标,由于径向速度vr为0,则由目标运动引起的多普勒频率fD为0,在理想情况下,经通道配准操作后静止目标在两通道具有完全相同的响应,对两通道数据进行相减操作即可消除静止杂波,检测到运动目标.动目标由于vr存在,干涉相位不为0,由此可以进行动目标检测和速度估计.

1.2 图像域DPCA方法

在对双通道SAR-GMTI系统两通道数据完成通道配准和通道均衡处理后,可运用DPCA技术进行杂波对消操作,假设Simage0(α,β)和Simage1(α,β)分别为0号通道和1号通道复图像上位于(α,β)处的复信号,α、β为整数,则DPCA杂波对消可表示为:

SDPCA=|Simage0(α,β)-Simage1(α,β)|

(6)

将动目标复图像域信号代入式(6)可得动目标DPCA后的输出为:

(7)

式中,A为动目标图像域幅度.

由式(7)可知,经DPCA处理后动目标由于具有径向速度vr,对消后能量有剩余,而地杂波由于干涉相位集中在0附近,经DPCA处理后能量被大幅对消,实现杂波抑制.

2 基于极化分类的多通道SAR-GMTI处理

2.1 H/α-Wishat分类方法

相比单极化系统,全极化系统能够得到SAR图像中每个像素的极化散射矩阵:

(8)

S矩阵中每个元素代表各个极化状态下的回波,对于理想单基系统,根据互易假设有shv=svh,经Pauli基分解后可得目标向量:

(9)

则极化相干矩阵可表示为:

(10)

式中,上标H表示共轭转置.

通过极化相干矩阵T可分解出特征量极化散射熵H和平均散射角α,对H和α组成的二维H/α特征空间进行边界划分可得8个初始类别,对8个类别相干矩阵的计算可得8个初始类中心Vi(i=1,2,…,8),计算每个像素的相干矩阵到类中心的距离d并重新分类:

(11)

新的分类结果在细节保持方面有了显著提高,重复此过程可使分类结果进一步改善,当结果符合某个设定好的终止标准时停止迭代.

2.2 本文方法

经常规DPCA处理后,由于人造建筑物散射性较强,即使仅具有微小干涉相位也会在DPCA图像中形成能量远高于周围杂波的点,导致后续CFAR检测中能量高于检测阈限,形成大量虚警点,严重影响动目标检测性能.

对于静止车辆目标而言,由于不同车辆结构特征差异较大,其物理散射机制复杂;人造建筑物主要由若干个二面角构成,二次散射占主要散射机制,在H/α-Wishat极化分类中可以很好地被区分出来.

利用参考通道全极化数据进行H/α-Wishat极化分类识别出人造建筑物并确定其在图像中所占像素点.由于DPCA处理前的图像配准处理是以参考通道图像为基准进行的,因此建筑物像素在分类结果图和CFAR检测图像中的位置严格对应.在分类结果的指导下,将CFAR检测结果中人造建筑物造成的虚警剔除,以达到抑制建筑物虚警的目的,提高检测性能.

本文方法流程如图2所示,步骤为:1) 以通道0为参考通道,对双通道极化图像进行图像配准和通道均衡处理;2) 对通道0和通道1进行DPCA处理,并进行CFAR检测,得到初步动目标检测结果;3) 对参考通道的HH、HV和VH全极化图像进行H/α-Wishat迭代分类,识别图像中建筑物及其所在位置;4) 结合DPCA处理和极化分类结果,剔除CFAR检测中建筑物所在像素,消除图像中由建筑物造成的虚警.

图2 基于极化分类辅助的动目标检测方法

3 实测数据处理及分析

3.1 N-SAR系统

为验证本文方法的可行性,使用中国电子科技集团公司第十四所N-SAR系统采集的陕西渭河地区多通道全极化SAR实测数据进行验证,该数据为国内首批方位多通道全极化SAR-GMTI数据.

图3给出了雷达系统的工作模式示意图,图中:t为方位向慢时间;下标m(m=1,2,3)为第m个接收通道;PRF为脉冲重复频率.N-SAR系统天线方位总长度为1.056 m,可分为3个物理通道同时接收,每个通道间隔0.352 m.发射时全孔径交替发射水平(H)和垂直(V)极化电磁波,接收时每个通道可同时接收H和V极化回波.

图3 N-SAR系统收发多通道多极化信号示意图

3.2 实测数据处理与分析

试验数据是由N-SAR系统于2017年4月在陕西省渭南市渭河附近采集的数据,系统工作于正侧视模式,平台速度va=130 m/s,平台高度h=8 000 m,PRF=800 Hz,共形成3个接收通道,每个接收通道又分为HH、HV、VH和VV四种极化,因此,对于同一场景共有12份回波数据.图4为该场景HH极化成像结果,如图4所示,场景中包含了城市、河流、桥梁、农田和车辆等,地物类型复杂.为方便观察,将三块建筑物区域用A、B、C方框标记,图像下方为同时包含建筑物与动目标的桥梁区域.

图4 实测数据HH极化成像结果

由于H极化和V极化在发射时间上相差1/2PRF,因此,HH/HV与VH/VV极化回波获取时间不同,HH/HV回波在方位位置xn=van/PRF获得,VH/VV回波在方位位置xn+vaΔt/2=van/PRF+va/2PRF获得,其中n为方位向采样数.为了将不同物理通道的极化通道数据结合处理,需要对数据进行预处理,以保证HH/HV与VH/VV数据具有相同的时空关系.与在距离-多普勒(range-Doppler,RD)域进行通道配准操作类似,该系统在对回波数据进行下变频和距离压缩处理后,将数据转换至RD域,然后在方位频域补偿一个线性相位因子CRD=exp(-j2πfaΔt/2)(fa为与慢时间t对应的方位频率)来补偿HH与VH(HV与VV)回波之间的极化数据偏移.由此实现4种极化回波样本在方位时间上对齐,以便后续处理.

选取通道1为参考通道,对通道2数据进行图像配准和通道均衡处理,随后对两通道相同极化数据进行DPCA处理,抑制杂波,并对DPCA结果进行CFAR检测.如图5所示,经CFAR检测后图像中桥梁区域以及城市区域包含大量虚警目标,严重恶化动目标检测效果,给后续图像解译带来困难.

图5 传统DPCA方法CFAR检测结果

对参考通道全极化数据进行H/α-Wishat迭代分类,利用极化散射熵H和散射角α作为判别参数,将地物分为8个类别.将低熵多次散射及低熵偶极子散射作为建筑物特征进行识别,经类间合并后的分类结果见图6.从分类图像中可以看到,自然地物与人造建筑物被很好地分类,在图像上部、中部、以及下部的桥梁区域都有大量人造建筑物.

图6 极化分类结果

经过极化分类识别后,将极化分类结果与CFAR图像进行匹配处理,剔除CFAR图像中建筑物所在像素造成的虚警.本方法所得检测结果如图7所示.从图7中能够看到,在A、B、C区域及桥梁区域,大量建筑物造成的虚警被抑制.以桥梁区域为例,抑制虚警目标后,剩余的检测结果在方位向具有明显的散焦和倾斜特性[1],可以判断为运动目标.为了定量说明该方法的有效性,SAR图像中A、B、C及桥梁区域的虚警目标数统计在表1中,针对通道1和通道2的全极化数据,本文所提方法可以将虚警目标数减少80.5%;同时对通道2和通道3数据进行相同处理,不再赘述,最终统计的虚警目标数减少了80.9%.以上实测数据处理结果验证了本文所提方法的有效性.

图7 本文方法CFAR检测结果

表1 传统DPCA方法与本文方法的虚警数对比

4 结语

由于实际多通道SAR系统不可避免受噪声、通道误差等客观不利因素的影响,人造建筑物作为具有强散射性的静止目标也会具有微小的干涉相位,经DPCA杂波抑制后仍有较高能量剩余,易造成虚警,恶化了复杂环境下动目标检测性能.本文在传统DPCA方法的基础上,结合极化分类识别图像中建筑物,并在CFAR检测结果中剔除由建筑物造成的虚警,改善了复杂场景下的动目标检测性能.通过国内首批多通道全极化N-SAR实测数据验证了本文所提方法的有效性.