一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法技术

本发明专利技术提出了一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法，它首先采用合成孔径雷达成像方法和电磁散射仿真方法，得到了几类目标在不同姿态下有阴影和没阴影的SAR图像，并将不同雷达入射角下得到的SAR图像分别作为卷积神经网络的训练样本和测试样本；然后，针对卷积网络对阴影特征识别效果不佳的缺点，用第一级卷积神经网络对目标和背景进行分类，得到不同类别的目标和背景，对重点目标图像采用标准阈值分割方法和多值化处理，得到目标区域分割后的多值图像，采用卷积神经网络分类方法，得到区分开的真实目标和欺骗目标。本发明专利技术同时实现了SAR自动目标识别和干扰目标识别的功能，在图像域上实现了高性能的SAR抗欺骗式干扰。

A method of synthetic aperture radar anti deception jamming based on shadow feature

The invention provides a synthetic aperture radar shadow based on the characteristics of anti jamming methods, it first uses the synthetic aperture radar imaging method and electromagnetic scattering simulation method, SAR images were obtained for several kinds of target under different positions have no shadow and shadow, and different radar SAR images obtained under incident angle respectively. As training samples and test samples of convolutional neural network; then, according to the convolution network on shadow feature recognition effect of poor, the classification of the target and the background in the first class of convolutional neural network, different categories of target and background, focus on the target image using standard threshold segmentation method and multi value processing, get the value the image after the segmentation of the target area, using convolutional neural network classification method, by separating the real target and the deception target. The invention realizes the function of SAR automatic target recognition and interference target recognition, and realizes the high performance SAR anti cheat jamming in the image domain.

【技术实现步骤摘要】

本专利技术属于雷达
，它特别涉及合成孔径雷达(SAR)抗干扰
和合成孔径雷达(SAR)自动目标识别(Automatic Target Recognition,ATR)

技术介绍
欺骗式干扰通过模拟出假目标或虚假场景的回波信号来达到扰乱对方雷达侦察系统的目的。随着干扰机对SAR回波信号的模拟更加精细，干扰调制的精细度得到了显著的提高，从而可以较精确地模拟真实回波的多普勒相干性，大大降低了对干扰机功率的要求，并可以形成更加精细的欺骗干扰结果。国际上学者们对欺骗干扰的基本原理进行了研究，欺骗干扰在距离向与方位向均具有相干性，在成像处理中得到与真实场景相近的匹配滤波处理増益，大大降低了对干扰机功率的要求。此外，欺骗干扰虚假场景的调制可以根据需要被保护的真实场景地形进行合理设计，具有更高的自由性与灵活性。在充分考虑目标电磁散射机理及其与周边环境相互作用的基础上，可以得到高逼真度的欺骗干扰结果。因此，SAR欺骗干扰使得SAR系统获得的回波信号中包含欺骗信息，从而使成像结果中出现虚假干扰场景与虚假目标，达到“以假乱真”、“真假难辨”的干扰效果，误导对方的场景态势分析、评估与战略决策。详见文献“赵博，合成孔径雷达欺骗干扰方法研究，西安电子科技大学博士学位论文，2015.”。随着干扰技术的发展，抗干扰技术也在不断跟进与完善。由于SAR本身系统的特点，普通雷达的抗干扰技术是无法在SAR中应用的。为了有效应对SAR干扰技术的发展，国内外展开了大规模的针对SAR抗干扰技术的研究，其研究方向主要集中于信号处理、系统体制等方面。其中，信号处理方向是SAR抗干扰研究的技术基础，针对欺骗式干扰的技术缺陷，其抗干扰的优势明显。为了防止干扰对信号进行检测与复制，SAR在信号处理方面一般可以采取微调参数抗干扰技术发射捷变信号，详见文献“柏仲干，周颖，王国玉，SAR欺骗干扰的序贯引导算法研究.，现代雷达，2007,29(1):76-79.”。在系统体制方面抗干扰，大多利用两架或者多架载机，即所谓的双站SAR，其中一架载机装备发射装置，起到辐射源作用，另一架载机装备接受和处理信号的装置，其只负责接收工作。由于另一架载机工作较为隐蔽，难以察觉并实施干扰，可以有效实现SAR的抗欺骗式干扰，但同时，双站SAR在实施方面及图像处理方面较单站SAR复杂得多。卷积神经网络是一种包含卷积层的深度神经网络模型。通常一个卷积神经网络架构包含两个可以通过训练产生的非线性卷积层，两个固定的子采样层和一个全连接层，隐藏层的数量至少在个以上。的架构设计是受到生物学家和的动物视觉模型启发而专利技术的，尤其是模拟 动物视觉皮层和层中简单细胞(Simple Cell)和复杂细胞(Complex Cell)在视觉系统的功能。起初卷积神经网络在小规模的应用问题上取得了当时世界最好成果。但在很长一段时间里一直没有取得重大突破。主要原因是由于卷积神经网络应用在大尺寸图像上一直不能取得理想结果，比如对于像素数很大的自然图像内容的理解，这使得它没有引起计算机视觉研究领域足够的重视。直到2012年10月，Hinton教授以及他的两个学生釆用更深的卷积神经网络模型在著名的ImageNet问题上取得了世界最好成果，使得对于图像识别的研究工作前进了一大步。目前关于SAR的抗欺骗式干扰方法的研究中，主要集中在信号处理和系统体制方面的研究，在图像域上的抗干扰方法研究较少。通过对欺骗式干扰图像的分析，我们发现，对于欺骗式干扰SAR，欺骗目标只能在真实场景的基础上叠加，既没有产生阴影的几何条件也不能消减欺骗目标附近的信号强度来形成阴影。因此可以通过目标的阴影特征来区分目标的真实性，从而由阴影特征可以实现SAR的抗欺骗式干扰。
技术实现思路
针对传统SAR欺骗干扰目标没有阴影这一特性，本专利技术提出了一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法。本专利技术首先采用合成孔径雷达成像方法和电磁散射仿真方法，得到了几类目标在不同姿态下有阴影和没阴影的SAR图像，并将不同雷达入射角下得到的SAR图像分别作为卷积神经网络的训练样本和测试样本。然后，针对卷积网络对阴影特征识别效果不佳的缺点，本专利技术提出了二级分类策略，即用第一级卷积神经网络对目标和背景进行分类，得到不同类别的目标和背景，其次对重点目标(如地面目标、空中目标等)图像采用标准阈值分割方法和多值化处理，得到目标区域分割后的多值图像，最终对多值处理后的样本，采用卷积神经网络分类方法，得到区分开的真实目标和欺骗目标。本专利技术提出的方法同时实现了SAR自动目标识别和干扰目标识别的功能，在图像域上实现了高性能的SAR抗欺骗式干扰。为方便描述本专利技术的内容，首先作以下术语定义：定义1、合成孔径雷达(SAR)合成孔径雷达(Synthetic Aperture Radar，SAR)是通过在距离向发射宽带信号并进行脉冲压缩、方位向构造合成孔径的方式实现对地面场景的二维高分辨成像。作为一种工作在微波波段的主动探测手段，相比于光学成像，SAR具有全天时、全天候和一定的穿透植被与地表的能力。同时，由于成像机理的不同，SAR成像分辨率不受观测距离的影响，具有远距离、宽测绘带和高分辨率等优点，因此，SAR被广泛应用于灾情评估、资源勘探、地理测绘、侦察等诸多领域。详见文献“合成孔径雷达成像原理”，皮亦鸣等编著，电子科技大学出版社出版。定义2、合成孔径雷达欺骗干扰方法合成孔径雷达(SAR)欺骗干扰通常采用储频转发的工作模式，干扰机通过截获SAR系统发射的信号，对其进行调制，使其包含虚假场景的欺骗干扰信息，然后向SAR进行转发，从而达到欺骗干扰的目的。详细内容可参考文献：“合成孔径雷达欺骗干扰方法研究”，赵博，西安电子科技大学博士论文。定义3、合成孔径雷达自动目标识别方法(SAR ATR)SAR ATR是指对SAR成像后得到的高分辨率数据进行一系列处理——包括预处理，目标检测，目标识别，以实现对目标的类别、姿态等进行判别的过程，其实质是对于SAR图像中包含的感兴趣目标的信息的提取。通常将雷达自动目标识别分为三个层次：辨别(Discriminate)、分类(Classification)和识别(Identification)，其中，辨别的目的是将感兴趣目标与可能干扰混淆的非目标进行区分，分类是对经过鉴别的待测目标进行粗粒度的类别划分；而识别则是在前两者的基础上进行更加细粒度的子类或者型号的划分。详细内容可参考文献：“基于稀疏理论的SAR图像目标识别研究”，丁军，西安电子科技大学博士论文。定义4、FEKO—电磁计算仿真方法FEKO是一款强大的三维全波电磁仿真软件，FEKO软件支持场、路联合仿真，在FEKO中可以直接读取电路的S、Z、Y、Spice等参数文件，把非辐射电路网络和辐射单元联合起来进行总体分析。并且，FEKO软件可以采用标准的电磁仿真方法，仿真雷达目标表面电磁流。有关FEKO的详细内容，请参考文献“FEKO5.4电磁场分析技术与实例详解”，闫照文苏东林等编著，中国水利水电出版社出版。定义5、标准合成孔径雷达原始回波仿真方法标准合成孔径雷达原始回波仿真方法是指给定雷达系统参数、平台轨迹参数以及观测场景参数等所需的参数条件下，基于合成孔径雷达成像原理仿真得到具有SAR回本文档来自技高网...

【技术保护点】
一种基于阴影特征的合成孔径雷达抗欺骗式干扰方法，其特征是它包括以下步骤：步骤1、初始化雷达系统参数初始化SAR成像系统参数，包括：雷达载波波长，记为λ，雷达平台主天线发射信号带宽，记为B，雷达发射脉冲时宽，记为Tr，雷达采样频率，记为Fs，雷达入射角，记为θ，雷达脉冲重复频率，记为PRF，平台运动速度矢量，记为Vr，雷达系统距离向采样点数，记为Nr，雷达系统方位向采样点数，记为Na，雷达系统天线初始位置，记为P(0)；上述参数中，雷达系统工作的信号波长λ、雷达平台发射的信号带宽B、雷达平台发射的脉冲时宽Tr、雷达平台接收系统的采样频率Fs、雷达天线入射角θ、雷达脉冲重复频率PRF，在雷达系统设计过程中已经确定；步骤2、初始化SAR投影成像空间的参数：初始化的SAR投影成像空间为地平面坐标系，该坐标系水平横轴记为X轴，该坐标系水平纵轴记为Y轴，雷达投影成像空间的中心坐标记为Pc，雷达投影成像空间的X轴向分辨单元数，记为Nx，雷达投影成像空间的Y轴向分辨单元数，记为Ny，雷达投影成像空间的X轴向成像范围，记为Wx，雷达投影成像空间的Y轴向成像范围，记为Wy，SAR雷达系统到投影成像空间的参考斜距，记为R，将SAR投影成像空间均匀等间隔进行划分；步骤3、电磁仿真得到目标在雷达入射角θ0下的RCS采用经典的FEKO电磁计算仿真方法，制作三类目标模型，记为目标A、目标B、目标C，得到由离散像素点构成的目标立体表面，目标的姿态角记为姿态角之间的间隔记为β，使用步骤1中的参数，当雷达入射角θ＝θ0时，采用经典的FEKO电磁计算仿真方法，得到目标在不同姿态角下的空间三维坐标和RCS，记为：其中，Θ1是电磁仿真得到的数据矩阵，维数为N×U，N为数据矩阵Θ1的行数，表示目 标表面像素点的数目，U表示数据矩阵Θ1的列数，xk,yk,zk表示目标像素点的空间坐标，φkr表示目标RCS实部，φki表示目标RCS虚部，其中，xk,yk,zk,φkr,φki∈R，k＝1,2…,N；步骤4、获得目标在雷达入射角θ1下的RCS使用步骤1中的参数，当雷达入射角θ＝θ1时，采用经典的FEKO电磁计算仿真方法，得到目标在不同姿态角下的空间三维坐标和RCS，记为：其中，Θ2是电磁仿真得到的数据矩阵，维数为N×U，N表示目标表面像素点的数目，U表示数据矩阵Θ2的列数，x'k,y'k,z'k表示目标像素点的空间坐标，φ'kr表示目标RCS实部，φ′ki表示目标RCS虚部，其中，x'k,y'k,z'k,φ'kr,φ'ki∈R，k＝1,2,…,N；步骤5、计算目标在雷达照射下投影到地面的阴影坐标，并设定地面和阴影的RCS在计算阴影坐标时，目标表面像素点的位置记为Pt＝[xj,yj,zj]，雷达位置采用步骤1的雷达初始位置P(0)，目标阴影的RCS记为σ1，地面的RCS记为σ2，根据目标的三维空间位置，定义地面像素点在X轴和Y轴的坐标：X轴的坐标记为xg，Y轴的坐标记为yg；然后求解由Pt和P(0)确定的空间直线方程：其中，[x0,y0,z0]表示直线某一已知点的坐标，[x,y,z]表示空间直线的坐标，[n1,n2,n3]表示直线方向向量的坐标；最后采用经典的空间解析几何交点的计算方法，计算出直线与地面的交点坐标，记为[xm,ym,zm]，即为目标在雷达照射下投影到地面的阴影；步骤6、获取真实目标的训练样本库和测试样本库采用标准的雷达回波仿真方法和标准后向投影成像算法，得到具有阴影特征的真实目标训练样本库，记为Ω1，和真实目标的测试样本库，记为E1，其中，Ω1的雷达入射角θ＝θ0，E1的雷达入射角θ＝θ1；Ω1中真实目标A的数目记为ε1，Ω1中真实目标B的数目记为ε2，Ω1 中真实目标C的数目记为ε3；步骤7、获取欺骗目标的训练样本库和测试样本库阴影的RCS记为σ3，采用标准的雷达回波仿真方法和标准后向投影成像算法，得到不具有阴影特征的欺骗目标训练样本库，记为Ω2，和欺骗目标的测试样本库，记为E2，其中，Ω2的雷达入射角θ＝θ0，E2的雷达入射角θ＝θ1；Ω2中欺骗目标A的数目记为ε4，Ω2中欺骗目标B的数目记为ε5，Ω2中欺骗目标C的数目记为ε6；步骤8、构造用于训练卷积网络的背景训练库将没有目标的背景SAR图像用作训练卷积网络的背景训练库，记为Ω3，定义：n×n为图片尺寸大小，背景训练库的背景SAR图像数目记为W；训练库中所有训练样本的集合记为Ω，其中，Ω＝Ω1∪Ω2∪Ω3，测试样本库中所有测试样本的集合记为E，其中，E＝E1∪E2；Ω中，训练样本的总数记为m；步骤9、搭建基于keras的CNN网络结构CNN网络结构由两层卷积层和两层全连接层构成，具体搭建步骤如下：(1)第一层为卷积层：该层用于对n×n×m的数据进行卷积操作，其中，n为图片尺寸大小，m表示输入样本的个数，该...

【技术特征摘要】
1.一种基于阴影特征的合成孔径雷达抗欺骗式干扰方法，其特征是它包括以下步骤：步骤1、初始化雷达系统参数初始化SAR成像系统参数，包括：雷达载波波长，记为λ，雷达平台主天线发射信号带宽，记为B，雷达发射脉冲时宽，记为Tr，雷达采样频率，记为Fs，雷达入射角，记为θ，雷达脉冲重复频率，记为PRF，平台运动速度矢量，记为Vr，雷达系统距离向采样点数，记为Nr，雷达系统方位向采样点数，记为Na，雷达系统天线初始位置，记为P(0)；上述参数中，雷达系统工作的信号波长λ、雷达平台发射的信号带宽B、雷达平台发射的脉冲时宽Tr、雷达平台接收系统的采样频率Fs、雷达天线入射角θ、雷达脉冲重复频率PRF，在雷达系统设计过程中已经确定；步骤2、初始化SAR投影成像空间的参数：初始化的SAR投影成像空间为地平面坐标系，该坐标系水平横轴记为X轴，该坐标系水平纵轴记为Y轴，雷达投影成像空间的中心坐标记为Pc，雷达投影成像空间的X轴向分辨单元数，记为Nx，雷达投影成像空间的Y轴向分辨单元数，记为Ny，雷达投影成像空间的X轴向成像范围，记为Wx，雷达投影成像空间的Y轴向成像范围，记为Wy，SAR雷达系统到投影成像空间的参考斜距，记为R，将SAR投影成像空间均匀等间隔进行划分；步骤3、电磁仿真得到目标在雷达入射角θ0下的RCS采用经典的FEKO电磁计算仿真方法，制作三类目标模型，记为目标A、目标B、目标C，得到由离散像素点构成的目标立体表面，目标的姿态角记为姿态角之间的间隔记为β，使用步骤1中的参数，当雷达入射角θ＝θ0时，采用经典的FEKO电磁计算仿真方法，得到目标在不同姿态角下的空间三维坐标和RCS，记为：其中，Θ1是电磁仿真得到的数据矩阵，维数为N×U，N为数据矩阵Θ1的行数，表示目 标表面像素点的数目，U表示数据矩阵Θ1的列数，xk,yk,zk表示目标像素点的空间坐标，φkr表示目标RCS实部，φki表示目标RCS虚部，其中，xk,yk,zk,φkr,φki∈R，k＝1,2…,N；步骤4、获得目标在雷达入射角θ1下的RCS使用步骤1中的参数，当雷达入射角θ＝θ1时，采用经典的FEKO电磁计算仿真方法，得到目标在不同姿态角下的空间三维坐标和RCS，记为：其中，Θ2是电磁仿真得到的数据矩阵，维数为N×U，N表示目标表面像素点的数目，U表示数据矩阵Θ2的列数，x'k,y'k,z'k表示目标像素点的空间坐标，φ'kr表示目标RCS实部，φ′ki表示目标RCS虚部，其中，x'k,y'k,z'k,φ'kr,φ'ki∈R，k＝1,2,…,N；步骤5、计算目标在雷达照射下投影到地面的阴影坐标，并设定地面和阴影的RCS在计算阴影坐标时，目标表面像素点的位置记为Pt＝[xj,yj,zj]，雷达位置采用步骤1的雷达初始位置P(0)，目标阴影的RCS记为σ1，地面的RCS记为σ2，根据目标的三维空间位置，定义地面像素点在X轴和Y轴的坐标：X轴的坐标记为xg，Y轴的坐标记为yg；然后求解由Pt和P(0)确定的空间直线方程：其中，[x0,y0,z0]表示直线某一已知点的坐标，[x,y,z]表示空间直线的坐标，[n1,n2,n3]表示直线方向向量的坐标；最后采用经典的空间解析几何交点的计算方法，计算出直线与地面的交点坐标，记为[xm,ym,zm]，即为目标在雷达照射下投影到地面的阴影；步骤6、获取真实目标的训练样本库和测试样本库采用标准的雷达回波仿真方法和标准后向投影成像算法，得到具有阴影特征的真实目标训练样本库，记为Ω1，和真实目标的测试样本库，记为E1，其中，Ω1的雷达入射角θ＝θ0，E1的雷达入射角θ＝θ1；Ω1中真实目标A的数目记为ε1，Ω1中真实目标B的数目记为ε2，Ω1 中真实目标C的数目记为ε3；步骤7、获取欺骗目标的训练样本库和测试样本库阴影的RCS记为σ3，采用标准的雷达回波仿真方法和标准后向投影成像算法，得到不具有阴影特征的欺骗目标训练样本库，记为Ω2，和欺骗目标的测试样本库，记为E2，其中，Ω2的雷达入射角θ＝θ0，E2的雷达入射角θ＝θ1；Ω2中欺骗目标A的数目记为ε4，Ω2中欺骗目标B的数目记为ε5，Ω2中欺骗目标C的数目记为ε6；步骤8、构造用于训练卷积网络的背景训练库将没有目标的背景SAR图像用作训练卷积网络的背景训练库，记为Ω3，定义：n×n为图片尺寸大小，背景训练库的背景SAR图像数目记为W；训练库中所有训练样本的集合记为Ω，其中，Ω＝Ω1∪Ω2∪Ω3，测试样本库中所有测试样本的集合记为E，其中，E＝E1∪E2；Ω中，训练样本的总数记为m；步骤9、搭建基于keras的CNN网络结构CNN网络结构由两层卷积层和两层全连接层构成，具体搭建步骤如下：(1)第一层为卷积层：该层用于对n×n×m的数据进行卷积操作，其中，n为图片尺寸大小，m表示输入样本的个数，该卷积层卷积核窗口大小记为k1×k1，输出特征图的数目记为W1，对每个特征图采用标准的最大池采样操作进行降维，下采样的核窗口大小记为q×q，得到降维后的特征图输入到第二层，其中：第一层中的卷积采用以下公式：对输入图像进行标准的卷积操作，得到特征图集合；式中表示第一层卷积层...

【专利技术属性】
技术研发人员：张晓玲，唐欣欣，余檑，师君，韦顺军，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51