一种慢旋空间目标在轨姿态及旋转参数反演方法技术

本发明专利技术公开了一种慢旋空间目标在轨姿态及旋转参数反演方法，包括：获取雷达回波数据的ISAR图像序列；对ISAR投影模型进行建模；基于ISAR投影模型构建训练数据集以对预先设计的深度学习网络进行训练，并利用训练好的网络对ISAR图像序列进行目标区域提取，得到目标区域序列；基于投影模型获得ISAR图像序列对应的投影区域序列，并联合目标区域序列建立优化目标函数；对优化目标函数进行求解，获得最优目标姿态参数和旋转参数。该方法保证了网络训练质量，提升了ISAR图像目标区域提取的精确度；且可以联合分析目标在轨姿态以及旋转参数，实现了慢旋空间目标在轨姿态及旋转参数反演，在实际应用中具有更强的可行性和鲁棒性。实际应用中具有更强的可行性和鲁棒性。实际应用中具有更强的可行性和鲁棒性。

【技术实现步骤摘要】
一种慢旋空间目标在轨姿态及旋转参数反演方法


[0001]本专利技术属于雷达
，具体涉及一种慢旋空间目标在轨姿态及旋转参数反演方法。

技术介绍

[0002]逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)是对空间目标进行成像观测的最有效途径之一。它通过雷达发射一系列宽带电磁脉冲信号对空间目标进行长时间、大角度的持续观测，并对回波信号进行距离向脉冲压缩和方位向相干积累，从而得到观测目标的二维高分辨率图像。但是，通过上述方法得到的二维ISAR图像只是空间目标三维结构在雷达成像平面的投影，受观测维度限制，ISAR图像解译所得的二维信息难以准确描述目标在三维空间中的真实状态。随着世界各国航空航天活动的日益频繁，空天环境日趋复杂，简单的二维ISAR图像解译难以满足复杂太空环境下精细态势感知的信息需求，需要对基于ISAR图像的空间目标在轨姿态反演方法进行详细研究。
[0003]现阶段基于ISAR图像的空间目标在轨姿态反演方法大致可分为两大类。一类是基于传统图像处理特征提取的姿态反演方法，该类方法利用传统图像处理手段获得目标ISAR图像序列特征，通过推导目标姿态参数与ISAR成像结果之间的投影关系，生成目标模型投影序列，通过调整模型姿态参数，使得模型投影特征序列与ISAR图像特征序列匹配，从而获得目标姿态参数的最优估计。有学者将地心惯性坐标系(Earth Center Inertial Coordinates,ECI)内的雷达观测量转换至质心坐标系，并用Radon变换提取目标边沿线特征。
[0004]另一类是基于深度学习特征提取的姿态估计方法，该方法将深度学习引入到ISAR图像特征提取中，利用网络强大的非线性映射能力，建立ISAR图像与图像特征之间的映射关系，实现图像特征的精确自动提取。有学者在残差神经网络的基础上，提出ISAR图像关键点特征提取网络，用于提取ISAR图像目标结构上的关键点。以固定的次序对关键点两两链接，构成目标关键结构的投影特征向量。还有学者利用pix2pix网络，提取ISAR图像中的目标典型部件区域，并结合主成分分析的区域主方向估计方法，获得所提部件的投影特征向量。完成图像投影序列特征提取后，在三轴稳定目标的投影关系约束下，反向求解投影特征序列对应的三维向量，实现目标结构、部件的尺寸及指向估计。
[0005]然而，对于第一类基于传统图像处理特征提取的姿态反演方法来说，由于ISAR图像电磁散射的各向异性，ISAR图像特征提取困难，尤其在低信噪比条件下，提取精度难以保证，限制了算法在实际场景中的应用。对于第二类基于深度学习特征提取的姿态估计方法来说，在网络训练中，需要人工标注大量训练样本，且人工标注的准确性很大程度上决定了训练完成后的网络性能。考虑到ISAR图像散射中心分布稀疏且结构不完整，网络训练质量难以保证；且该方法只限于三轴稳定目标，对定轴慢旋目标不适用。

技术实现思路

[0006]为了解决现有技术中存在的目标区域提取的不稳定性和无法分析慢旋空间目标在轨姿态的问题，本专利技术提供了一种慢旋空间目标在轨姿态及旋转参数反演方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0007]一种慢旋空间目标在轨姿态及旋转参数反演方法，包括：
[0008]步骤1：获取雷达回波数据的ISAR图像序列；
[0009]步骤2：对ISAR投影模型进行建模；
[0010]步骤3：基于所述ISAR投影模型构建训练数据集以对预先设计的深度学习网络进行训练，并利用训练好的网络对所述ISAR图像序列进行目标区域提取，得到目标区域序列；
[0011]步骤4：基于所述ISAR投影模型获得所述ISAR图像序列对应的投影区域序列，并联合所述目标区域序列建立优化目标函数；
[0012]步骤5：对所述优化目标函数进行求解，获得最优目标姿态参数和旋转参数。
[0013]本专利技术的有益效果：
[0014]1、本专利技术首先建立了ISAR投影模型，然后利用该模型姿态参数作为训练集对深度学习网络进行了训练，保证了网络训练质量，提升了ISAR图像目标区域提取的精确度；接着利用该ISAR投影模型获得投影区域序列，并联合深度学习网络得到的目标区域序列建立了优化目标函数；最后根据ISAR成像原理，采用优化算法联合分析目标在轨姿态以及旋转参数，同时实现了慢旋空间目标在轨姿态及旋转参数的反演；该方法不限定空间目标在轨姿态必须是三轴稳定的，解决了传统姿态估计方法目标区域提取的不稳定性和无法分析慢旋空间目标在轨姿态的问题，在实际应用中具有更强的可行性和鲁棒性；
[0015]2、本专利技术选择了pix2pix网络作为升序学习网路用以获取目标区域序列，利用了pix2pix网络强大非线性映射能力，进一步增强了ISAR图像目标区域提取的精确度。
[0016]以下将结合附图及实施例对本专利技术做进一步详细说明。
附图说明
[0017]图1为本专利技术实施例提供的一种慢旋空间目标在轨姿态及旋转参数反演方法的流程示意图；
[0018]图2为本专利技术实施例提供的空间目标ISAR成像投影关系示意图；
[0019]图3为本专利技术实施例的空间目标模型；
[0020]图4为本专利技术实施例提供的不同信噪比下成像结果图；
[0021]图5为本专利技术实施例中的训练数据集的部分图像；
[0022]图6为采用本专利技术方法的目标提取结果与采用传统方法的目标提取结果；
[0023]图7为在0dB信噪比下采用传统轮廓匹配方法的初始姿态估计结果；
[0024]图8为在0dB信噪比下采用传统轮廓匹配方法的目标旋转矢量估计结果；
[0025]图9为在0dB信噪比下采用本专利技术方法的初始姿态估计结果；
[0026]图10为在0dB信噪比下采用本专利技术方法的目标旋转矢量估计结果。
具体实施方式
[0027]下面结合具体实施例对本专利技术做进一步详细的描述，但本专利技术的实施方式不限于
此。
[0028]实施例一
[0029]请参见图1，图1为本专利技术实施例提供的一种慢旋空间目标在轨姿态及旋转参数反演方法的流程示意图，其包括：
[0030]步骤1：获取雷达回波数据的ISAR图像序列。
[0031]在本实施例中，步骤1具体包括：
[0032]11)接收空间目标逆合成孔径雷达回波并将回波数据划分为若干帧。
[0033]12)分别对每帧回波数据依次进行高速补偿、距离压缩和平动补偿操作；
[0034]13)基于步骤12)得到的数据，利用RD算法获得高分辨二维ISAR图像序列。
[0035]具体而言，首先，雷达接收机获取的大角度长时间的宽带回波划分为若干帧。然后，分别对每帧回波数据采用相邻相关法进行包络对齐操作，消除目标相对雷达的平动带来的包络偏移。接着，通过基于最小熵准则的自聚焦算法，补偿平动引起的初相误差。最后，采用RD算法获得高分辨二维ISAR图像序列。
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种慢旋空间目标在轨姿态及旋转参数反演方法，其特征在于，包括：步骤1：获取雷达回波数据的ISAR图像序列；步骤2：对ISAR投影模型进行建模；步骤3：基于所述ISAR投影模型构建训练数据集以对预先设计的深度学习网络进行训练，并利用训练好的网络对所述ISAR图像序列进行目标区域提取，得到目标区域序列；步骤4：基于所述ISAR投影模型获得所述ISAR图像序列对应的投影区域序列，并联合所述目标区域序列建立优化目标函数；步骤5：对所述优化目标函数进行求解，获得最优目标姿态参数和旋转参数。2.根据权利要求1所述的一种慢旋空间目标在轨姿态及旋转参数反演方法，其特征在于，步骤1包括：11)接收空间目标逆合成孔径雷达回波并将回波数据划分为若干帧；12)分别对每帧回波数据依次进行高速补偿、距离压缩和平动补偿操作；13)基于步骤12)得到的数据，利用RD算法获得高分辨二维ISAR图像序列。3.根据权利要求1所述的一种慢旋空间目标在轨姿态及旋转参数反演方法，其特征在于，步骤2包括：21)建立目标成像过程中相对雷达视线的等效旋转矢量关系，其表达式为：ω
synthesis,l
＝ω
target
+ω
LOS,l
；式中，ω
synthesis,l
表示目标成像过程中第l帧雷达成像相对雷达视线的等效旋转矢量，ω
target
表示目标自身的旋转，ω
LOS,l
表示第l帧雷达成像的雷达旋转矢量；22)基于所述等效旋转矢量关系获得有效旋转分量，其表达式为：式中，ω
effective,l
表示第l帧的有效旋转分量，l
mid,l
表示第l帧雷达成像视线，T表示转置；23)推导本体姿态目标与初始姿态目标之间的姿态旋转矩阵和目标旋转矢量对应的旋转矩阵，其表达式为：R(θ
l
)＝cos(θ
l
)I+(1
‑
cos(θ
l
))nn
T
+sin(θ
l
)N；式中，R0(α,β,γ)为本体姿态目标与初始姿态目标之间的姿态旋转矩阵，α、β、γ为初始姿态角，依次为绕X轴的横滚角，绕Y轴的俯仰角和绕Z轴的偏航角；R(θ
l
)为目标旋转矢量对应的旋转矩阵，θ
l
为自初始时刻至成像时刻目标在旋转矢量作用下转过的角度，I为单位矩阵，n＝(n
x
,n
y
,n
z
)
T
表示ω
target
的方向向量，且
24)根据所述有效旋转分量ω
effective,l
、所述姿态旋转矩阵R0(α,β,γ)以及所述目标旋转矢量对应的旋转矩阵R(θ
l
)得到目标第n个散射中心在成像平面上的理论投影位置的计算公式，为：式中，[u
n v
n
]
T
为目标第n个散射中心在成像平面上的投影坐标，λ表示雷达信号的波长，ρ
d
、ρ
r
分别表示多普勒分辨单元和距离分辨单元，P
l
表示第l帧的成像投影矩阵，[x
n
,y
n
,z
n
]
T
表示目标上的第n个散射中心的坐标向量。4.根据权利要求1所述的一种慢旋空间目标在轨姿态及旋转参数反演方法，其特征在于，步骤3包括：31)通过实测场景或者PO电磁计算方法进行ISAR数据仿真，得到训练ISAR图像；32)根据步骤2建立的ISAR投影模型对所述训练ISAR图像生成目标投影区域序列作为其标签，得到训练集；33)将所述训练集输入到预先设计的深度学习网络中进行训练；34)将所述二维ISAR图像序列输入训练好的网络中进行目标区域提取，得到目标区域序列...

【专利技术属性】
技术研发人员：周峰，刘磊，乔清许，杜荣震，张子杨，樊伟伟，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：