基于生成对抗网络的地面运动目标重聚焦方法及系统技术方案

本发明专利技术公开一种本发明专利技术提供的基于生成对抗网络的地面运动目标重聚焦方法及系统，通过距离多普勒成像算法生成训练样本；在散焦的运动目标中心位置生成理想高斯点标签图像；然后利用生成对抗网络，产生与标签图像接近的生成图像；通过判别网络得到判断结果，并将判别结果返回给生成网络，直到生成网络的输出到达预设条件；利用训练后的网络模型中，得到动目标聚焦的输出图像。该方法与传统的SAR动目标成像算法相比，可以直接将多个散焦的运动目标同时处理为聚焦良好的目标。传统的SAR数据处理方法，消除噪声和目标聚焦都是需要分别进行。本方法通过网络训练可以实现在消除噪声的同时完成动目标的重聚焦，一次实现两种功能。一次实现两种功能。一次实现两种功能。

【技术实现步骤摘要】
基于生成对抗网络的地面运动目标重聚焦方法及系统


[0001]本专利技术涉及运动目标聚焦
，特别是一种基于生成对抗网络的地面运动目标重聚焦方法及系统。

技术介绍

[0002]为了实现合成孔径雷达(Synthetic Aperture Radar，SAR)图像中地面运动目标的聚焦，传统做法是通过对目标的运动参数进行估计，通过估计得到的距离向速度来完成目标的距离徙动校正，估计得到的方位向速度来构造方位匹配滤波函数，完成动目标聚焦。
[0003]传统的动目标成像算法需要对每一个运动目标的参数都进行估计，然后再进行聚焦处理。当有多个运动目标且每个目标的速度不同时，需要分别处理这些目标，过程较繁琐。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于生成对抗网络的地面运动目标重聚焦方法及系统，该方法利用生成对抗网络对SAR图像中散焦运动目标实现重聚焦。
[0005]为达到上述目的，本专利技术提供如下技术方案：
[0006]本专利技术提供的基于生成对抗网络的地面运动目标重聚焦方法，包括以下步骤：
[0007]通过距离多普勒成像算法生成二维散焦运动目标图像，用于作为训练样本；在散焦的运动目标中心位置生成理想高斯点，用于作为标签图像；
[0008]构建生成对抗网络，所述生成对抗网络包括生成网络和判别网络；
[0009]所述生成网络的训练样本为二维散焦运动目标图像，用于产生与标签图像接近的生成图像；
[0010]将生成图像和标签图像输入判别网络，并将判别结果返回给生成网络，直到生成网络的输出到达预设条件；
[0011]将需要测试样本图像输入到训练后的网络模型中，得到动目标聚焦的输出图像。
[0012]进一步，所述判别网络为多层卷积网络。
[0013]进一步，所述标签图像为无噪声的理想高斯点图像。
[0014]进一步，所述生成网络是基于残差结构的Unet网络，其中，残差结构包括卷积残差块和恒等残差块；所述卷积残差块块用于调节特征图的大小和通道数；所述恒等残差块块用于增加网络的深度。
[0015]进一步，所述卷积残差块块包括三层卷积层、三层批量标准化和三个激活函数；在第三个激活函数前，与经过一层卷积层和一层批量标准化的输入跳跃连接，该结构用于调节特征图的大小和通道数，加入跳跃连接结构防止网络过深而出现梯度消失或梯度爆炸的现象。
[0016]进一步，所述恒等残差块块包括两层卷积层、两层批量标准化和两个激活函数。在第二个激活函数前，与输入跳跃连接；该结构用于增加网络的深度，加入跳跃连接结构防止
网络过深而出现梯度消失或梯度爆炸的现象。
[0017]进一步，所述生成网络包括降采样结构、上采样结构以及降采样结构中的特征图与上采样结构中的特征图的连接结构，其中，降采样结构中利用残差快实现降采样。
[0018]进一步，所述判别网络包括五层卷积层、三层批量标准化和四层relu激活函数，最后一层激活函数是用sigmoid函数输出。
[0019]本专利技术提供的基于生成对抗网络的地面运动目标重聚焦系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1
‑
8中任一项所述的步骤。
[0020]本专利技术的有益效果在于：
[0021]本专利技术提供的基于生成对抗网络的地面运动目标重聚焦方法及系统，通过距离多普勒成像算法生成二维散焦运动目标图像，用于作为训练样本；在散焦的运动目标中心位置生成理想高斯点，用于作为标签图像；然后利用生成对抗网络，产生与标签图像接近的生成图像；通过判别网络得到判断结果，并将判别结果返回给生成网络，直到生成网络的输出到达预设条件；利用训练后的网络模型中，得到动目标聚焦的输出图像。
[0022]该方法与传统的SAR动目标成像算法相比，避免了对每个运动目标进行参数估计之后，还要对每个目标分别进行距离徙动校正和方位匹配滤波。且可以直接将多个散焦的运动目标同时处理为聚焦良好的目标。
[0023]传统的SAR数据处理方法，消除噪声和目标聚焦都是需要分别进行。本方法通过网络训练可以实现在消除噪声的同时完成动目标的重聚焦，一次实现两种功能。
[0024]本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0025]为了使本专利技术的目的、技术方案和有益效果更加清楚，本专利技术提供如下附图进行说明：
[0026]图1为生成对抗网络结构示意图。
[0027]图2为训练数据。
[0028]图3为恒等残差块结构示意图。
[0029]图4为卷积残差块结构示意图。
[0030]图5为生成网络结构示意图。
[0031]图6为判别网络结构示意图。
[0032]图7为高斯白噪声power＝50dBW的样本训练结果。
[0033]图8为高斯白噪声power＝60dBW的样本训练结果。
[0034]图9为高斯白噪声power＝70dBW的样本训练结果。
[0035]图10为高斯白噪声power＝80dBW的样本训练结果。
[0036]图11为网络测试结果。
[0037]图12为网络测试结果。
具体实施方式
[0038]下面结合附图和具体实施例对本专利技术作进一步说明，以使本领域的技术人员可以更好的理解本专利技术并能予以实施，但所举实施例不作为对本专利技术的限定。
[0039]如图1所示，本实施例提供的基于生成对抗网络的地面运动目标重聚焦方法，本方法利用生成对抗网络(GAN)来实现动目标的重聚焦，可以实现对多个有不同运动参数的目标一次性进行处理。实现无需参数估计，直接从SAR图像中散焦的运动目标得到聚焦良好的运动目标图像，具体包括以下步骤：
[0040]首先通过距离多普勒(Range Doppler,RD)成像算法仿真得到包含1
‑
3个散焦运动目标的SAR图像，该图像作为GAN网络的训练样本。在散焦的运动目标中心生成理想高斯点，作为GAN网络的标签。
[0041]然后构建生成对抗网络，包括生成网络和判别网络。生成网络主要功能是根据输入样本图像，产生与标签接近的图像，并作为判别网络的输入。
[0042]判别网络是一个五层卷积网络，其主要功能是能够将生成网络的输出判别为“假”，标签判别为“真”，并将判别结果返回给生成网络，生成对抗网络的具体结构如图1所示，图中D表示判别模型，G表示生成模型。
[0043]生成对抗网络中的训练和测试数据生成具体步骤如下：
[0044]利用距离多普勒成像算法生成二维散焦的运动目标图像，作为生成对抗网络的输入样本。每个输入样本包含距离向和方位向速度都不同的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于生成对抗网络的地面运动目标重聚焦方法，其特征在于：包括以下步骤：通过距离多普勒成像算法生成二维散焦运动目标图像，用于作为训练样本；在散焦的运动目标中心位置生成理想高斯点，用于作为标签图像；构建生成对抗网络，所述生成对抗网络包括生成网络和判别网络；所述生成网络的训练样本为二维散焦运动目标图像，用于产生与标签图像接近的生成图像；将生成图像和标签图像输入判别网络，并将判别结果返回给生成网络，直到生成网络的输出到达预设条件；将需要测试样本图像输入到训练后的网络模型中，得到动目标聚焦的输出图像。2.如权利要求1所述的基于生成对抗网络的地面运动目标重聚焦方法，其特征在于：所述判别网络为多层卷积网络。3.如权利要求1所述的基于生成对抗网络的地面运动目标重聚焦方法，其特征在于：所述标签图像为无噪声的理想高斯点图像。4.如权利要求1所述的基于生成对抗网络的地面运动目标重聚焦方法，其特征在于：所述生成网络是基于残差结构的Unet网络，其中，残差结构包括卷积残差块和恒等残差块；所述卷积残差块块用于调节特征图的大小和通道数；所述恒等残差块块用于增加网络的深度。5.如权利要求1所述的基于生成对抗网络的地面运动目标重聚焦方法，其特征在于：所述卷积残差块块包括三层卷积层、三层批...

【专利技术属性】
技术研发人员：钱江，唐文，叶鑫，王航伟，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：