微动目标雷达特征提取、成像与识别研究进展（二）
3 微动特征提取
微动特征提取主要是通过分析回波的调制特性，从中获取反映目标结构、运动等信息的特征量，并基于特征量实现对目标结构、尺寸、属性、类别和运动状态等参数的估计，为目标成像、分类与识别提供基础。根据实现途径的差异，雷达目标微动特征提取方法可以分为以下几类。
3.1 基于变换域的微动特征提取
基于变换域的微动特征提取方法是通过寻求各种域变换方法来改善微多普勒信号在原始域中的分布结构，去除冗余特征，压缩特征维数，从而更好地提取信号特征。
微动本质上是一种非匀速或非刚体运动，微动目标对雷达信号的响应相当于非线性系统的响应，因此微多普勒信号具有时变非平稳的特点。早期利用傅里叶变换，通过频谱分析来进行微动特征提取的方法只能获得信号在频域的全局特性，缺乏频域的定位功能，对非平稳信号不再适用。时频分析通过构造同时关联目标时间和频率的密度函数，将微多普勒信号变换到时频域，能够揭示信号中包含的频率分量及其演化特性，是微多普勒特征分析中最经典的手段。在时频域中，一般是通过Hough变换[23]、广义Radon变换(Generalized Radon Transform, GRT)[24]、逆Radon变换(Inverse Radon Transform, IRT)[25]等方法将边缘检测问题转化为参数空间中的峰值检测问题来提取目标的微动特征。目前，这类方法多用于提取旋转或振动目标的微动特征，事实上，对于其他微动形式，只要能写出其运动方程，再推导出时频域中对应的曲线方程，通过构造相应的变换方程，就可以实现目标微动特征的提取。应当指出的是，该方法的运算量是随着参数空间的维数成指数增长的，为了降低运算量可以采取一些快速算法，或者采用并行计算的方法来提高运算速度。
由旋转、振动等微动引起的微多普勒信号均表现为SFM信号形式。由于傅里叶基、线性调频基与SFM信号频率时变、调制非线性的特点不相吻合，直接分析微多普勒信号相对困难。文献[26]建立了具有独特运算定义的正弦调频信号域，提出了正弦调频傅里叶变换(Sinusoidal Frequency Modulation Fourier Transform, SFMFT)。由于能够长时间有效积累信号的微多普勒信息，SFMFT可以实现小幅微动、多微动频率成分等情况下的微动特征提取，较传统时频方法大幅度提高了参数估计精度和抗噪性能。但是当信号分量达到3个以上时，信号在SFMFT域的谱线将会产生干扰项，难以根据变换域频谱准确判断信号实际的频率成分。文献[27]提出了正弦调频傅里叶贝塞尔变换(Sinusoidal Frequency Modulation Fourier-Bessel Transform, SFMFBT)，推导证明了SFMFBT的正交性、准周期性、幅值特性及频率分辨率等关键性质。SFMFBT利用了信号的全部时间积累增益，避免了SFMFT中多分量交叉项的问题，与传统基于Bessel基函数的变换[28,29]相比，克服了变换域信号频率分辨率精度不足的缺陷，用于SFM信号的调制频率估计与多分量信号的分离重构都能够获得更高的估计精度。图3所示为利用SFMFBT分离多分量SFM信号的结果。这些新的信号变换方法对于进一步发展与完善微动特征提取方法具有重要的参考价值。
 | 图 3 多分量SFM信号及其SFMFBT分离结果Fig.3 Multi-component SFM signal and its SFMFBT separation results |
3.2 基于图像域的微动特征提取
如前所述，在宽带成像雷达中，可以通过分析回波在1维距离像序列中的调制特征来获得目标的微动特征参数。HRRP是目标散射中心在雷达视线方向上的投影，微动对HRRP的调制影响主要表现为同一散射中心的分布、强度在HRRP序列间有规律地变化，这种对散射中心的周期性调制是基于HRRP序列提取微动特征的基础。通过采用Hough变换、Radon变换等方法提取距离-慢时间域上各微动散射点的径向微动历程，实现对空间微动目标锥旋周期[30,31]、进动角[32]与目标长度[31,33]等参数的估计。但是由于HRRP的方位敏感性、平移敏感性、强度敏感性、初相敏感性，特别是HRRP对目标姿态变化非常敏感，方位角每变化0.2°，就需要用一个新的距离像来表征目标[34]。因此，距离像序列长度不够时，估计得到的目标参数就极不稳健。此时基于连续长时间观测所获得的HRRP处理[33]或者基于多视角同时观测获得的HRRP联合处理[35]，都能够获得目标真实可靠的微动特征。
此外，在宽带成像雷达中，当雷达工作于高重频条件下时，还可以通过逆合成孔径雷达(Inverse Synthetic Aperture Radar, ISAR)成像序列来提取目标的微动特征。ISAR通过距离向和方位向上的脉压处理来获得目标散射中心的2维分布，相比于HRRP, ISAR像能够更加准确直观地反映目标的形状与尺寸特性。基于ISAR像可以提取到区域面积、目标周长、形状参数以及体态比等目标特征。文献[36]利用T/R-R双基地雷达联合成像获得了反映目标真实尺寸的2维ISAR像，并提取到了目标的进动特征；文献[37,38]根据弹道目标ISAR像序列提取了目标的几何特征；文献[13]采用失真ISAR像中的多普勒展宽范围估计出了车轮的转速、朝向以及行人的步态等信息。
3.3 基于稀疏重构的微动特征提取
微动目标回波可视为少数强散射中心回波的叠加，天然具有稀疏特性，因此，可以采用稀疏重构的方法分析微多普勒信号，提取微多普勒特征。压缩感知(Compressed Sensing, CS)理论基于信号的稀疏性或可压缩性，利用少量的数据就可以实现对原始信号的高概率准确重构[39]。基于CS的微多普勒特征提取方法是近年来的研究热点之一，出现了基于Smoothed L0 (SL0)、稀疏贝叶斯学习(Sparse Bayesian Learning, SBL)等算法的一系列微动参数估计方法[40]。文献[41,42]分别提出基于CS的联合时频分布(CS Joint Time-Frequency, CSJTF)和基于投影到凸集合(Projections Onto Convex Sets, POCS)的优化方法，获得了分辨率高、无交叉干扰项的2维时频分布，并用于提取微多普勒特征。文献[43]采用在回波域建立字典的方式，提出了基于SBL的微动目标参数估计与成像方法。利用微动目标回波信号在距离-慢时间域具有稀疏性的特点，文献[44]通过在ISAR复图像域建立字典，提出基于复图像正交匹配追踪(Orthogonal Matching Pursuit, OMP)的微动参数估计方法，在欠采样条件下获得了较好的估计效果。
在实际进行微多普勒信号处理时经常会面临观测时间有限以及数据稀疏的问题，利用CS等稀疏重构方法不但能降低数据维度，还可以提高算法在低采样率条件下的特征提取精度。另外，当微动引起的最大多普勒频移大于雷达脉冲重复频率(Pulse Repetition Frequency, PRF)的两倍时，目标回波信号会在频域混叠，由于CS理论是基于信号在特定变换域上稀疏的假设，因此在微动目标回波频域混叠的情况下也能够实现信号的良好表征，从而有效提取微动特征。
3.4 3维微动特征提取
在单基雷达条件下，雷达回波的微多普勒特征参数由目标微动部件运动矢量在LOS方向上的投影值决定，因此通过回波只能提取到目标微动部件在LOS方向上的特征。由于目标姿态变化的复杂性，在不同的雷达视角下，其微多普勒特征将呈现出显著差异，从而影响目标识别的准确度。若要克服目标微多普勒特征的姿态敏感性，必须要设法从雷达回波中重构出能够反映目标微动部件真实空间结构和运动特性的3维微动信息。
分布式MIMO雷达和组网雷达都具有多个收发通道，能够获得目标在各个视角上的信息。由于目标微动在不同视角上有着不同的投影分量，利用各天线接收到的回波信号差异可望重构目标微动部件的空间3维运动和结构特征，从而提高雷达的目标识别能力。基于这一原理，空军工程大学的罗迎博士研究了基于多载频窄带MIMO雷达[20]与正交频分线性调频(Orthogonal Frequency Division Multiplexing-Linear Frequency Modulation, OFDM-LFM)信号MIMO宽带雷达[21]的旋转目标3维微动特征重构技术，以及基于分布式组网雷达的有翼弹头目标3维进动特征重构技术[22]。文献[45]与文献[46]利用组网雷达的多视角特性构建非线性方程组提取了弹道目标的3维进动特征。
通过多天线干涉处理的方式也可以获得目标散射中心的真实3维重构，进而实现目标3维微动特征提取。文献[47]通过干涉处理获得了微动散射点在各时刻的3维坐标变化历程，然后根据各散射点的空间位置变化反演出了目标的微动参数。这种方法本质上也是通过多通道处理来获得由微动导致的目标散射中心位置时间变化规律，从而为目标精确识别提供更为稳健的特征信息。
4 微动目标成像
微动目标成像的特点是目标在相干处理时间内存在复杂的姿态变化，如弹头的进动，飞机的机动以及直升机叶片的旋转，汽车引擎的振动，舰船俯仰、横滚和偏航方向上的转动，行人胳膊的摆动等，这些复杂的姿态运动引起目标多普勒频率非线性时变和成像平面的变化，从而导致传统方法无法清晰成像[48]。此外，与传统的SAR/ISAR成像都需要发射宽带信号来实现距离向的高分辨成像不同，对于微动目标回波，窄带雷达通过微多普勒分辨也能实现散射点的距离向分辨，因此，在窄带雷达中也能够实现微动目标成像。下面从刚体目标成像、非刚体目标成像与微动目标3维成像3个方面进行阐述。
4.1 刚体目标成像
刚体目标在运动过程中目标上各点之间的距离、内部各部分相对位置始终保持不变。空间碎片、弹道中段目标等都是典型的刚体目标，表现出目标整体微动的特点。对于这类目标，可以通过利用目标上各散射点微多普勒频率变化的不同来实现窄带雷达条件下的成像。文献[49]提出一种单距离多普勒干涉算法(Single Range Doppler Interferometry, SRDI)，通过在时频面上对单个距离单元的回波数据进行曲线积分来获取目标的2维图像。在此基础上，文献[50,51]分别提出基于相位匹配滤波(Single Range Match Filter, SRMF)和相干窄带多普勒干涉(Coherent Single Range Doppler Interferometry, CSRDI)的空间旋转目标成像算法。文献[52]提出一种基于时频重排理论和广义Radon变换(Time-Frequency Rearrangement and Generalized Radon Transform, TFR-GRT)的中段目标窄带雷达成像算法，并深入研究了基于窄带回波的中段目标层析成像理论[53]，从新的角度实现了中段目标的窄带2维成像与反演。
在宽带雷达中，目标的整体微动使其相对于雷达视线的姿态发生非均匀变化，直接采用传统ISAR成像中的FFT处理会导致方位向聚焦模糊。另外，由于雷达发射信号的脉冲重复频率有限，中段目标的微动使得在成像所需转角时间内回波脉冲数量过少，导致传统的ISAR成像算法，包括距离-多普勒(Range-Doppler, RD)算法及距离-瞬时多普勒(Range-Instantaneous Doppler, RID)算法质量不理想，甚至难以成像。而利用目标雷达回波准确估计微动参数，则可以实现微动目标成像。文献[54]利用弹道目标微动所引起的目标相对雷达视线角的快速变化，提出了一种基于匹配追踪(Matching Pursuit, MP)稀疏分解的微动目标ISAR成像算法，获得了较好的成像精度和稳定性。文献[55]建立了弹道微动目标的LFM雷达回波模型，分析了微动对ISAR成像的影响，提出了一种基于GRT-Clean的多分量LFM信号时频参数估计方法，用于实现对近似匀加速转动的中段目标的ISAR成像。
4.2 非刚体目标成像
非刚体目标指目标与其部件之间存在独立于目标主体运动的相对运动。当雷达目标为非刚体时，目标回波为雷达观测时间内目标主体回波和微动部件回波叠加的多成分信号。由于微动部件与目标主体部分的运动特征不同，直接对目标进行成像，微动部件产生的微多普勒将会导致微动散射点所在的距离单元无法实现方位向聚焦，从而在所成图像中出现干扰条带[1]。当微动部件回波信号很强时，干扰会遮盖部分甚至大部分主体图像，严重影响成像质量。因此，早期的成像算法通常都是将微动部件的回波作为干扰从整体回波中滤除，但是这样损失了微多普勒信号中所包含的结构和运动特征等信息，不利于对目标进行全面准确的描述。
为了对非刚体目标主体和微动部件分别成像，需要在完成平动补偿的基础上，根据目标回波特性将主体回波和微动部件回波有效分离，并用传统方法获得主体部分高分辨成像结果，同时对微动部件进行微多普勒分析以获得其微动特征，进而实现微动部件成像。根据微多普勒信号分离方式的不同，现有两条途径来对非刚体目标进行成像。一是基于时域信号完成回波分离，进而实现目标成像，即根据目标主体回波和微动部件回波的特性差异，把时域回波信号分解成一系列基函数，然后利用这些基函数重构微多普勒分量，再对分离后的回波分别成像。文献[56]和文献[57]分别采用二元变分模式分解(Bivariate Variational Mode Decomposition, BVMD)与复局域均值分解(Complex Local Mean Decomposition, CLMD)的方法分离目标微动部件回波与主体回波，然后分别进行成像。另一条途径是从时频2维平面中分离出微多普勒的瞬时频率和目标主体的瞬时频率，然后再将分离开的各信号分量变换回时域信号分别成像。文献[58]根据谱图的顺序统计量，分别获取目标主体、旋转/振动部件在谱图中的位置区域和强度信息，进而实现主体和微动部件回波信号分离，重新得到了目标主体清晰的SAR/ISAR像。文献[23]采用Hough变换和扩展Hough变换得到了目标主体部分的2维图像，同时提取了旋转部件的微动信息。
4.3 微动目标3维成像
相比于2维图像，3维立体图像增加了目标垂直于成像平面的高度信息，是目标3维几何结构分布的真实体现，且对目标姿态的变化不敏感，能为目标识别提供更加完整、稳健的结构、形状与属性信息。近年来关于微动目标3维成像的研究开始被重视，但是公开发表的成果还比较少，主要是针对空间微动目标展开研究。现有的空间微动目标3维成像方法可以分为3类：(1)基于单基雷达的3维成像方法。这类方法是通过分析和提取目标回波的微多普勒参数来获得目标上各微动散射点的3维结构和运动特征[59–62]，西安电子科技大学的白雪茹教授在该方向做出了大量工作，提出了对旋转群目标[16]、旋转对称目标[63]、进动锥体目标[64]、存在遮挡的复杂微动目标[65]的3维成像方法。然而，由于单基雷达仅能观测到目标在雷达径向距离上的微动分量，因此根据获得的3维成像结果难以确定目标散射点的瞬时真实空间位置。(2)基于双/多基雷达的3维成像方法，利用分布在不同视角的多个雷达观测到的目标特征差异，通过关联处理来获得目标的3维成像结果[46,66–68]。尽管这类方法在理想条件下可以重构目标散射点在空间的3维分布，也能够准确反演出目标的3维微动特征，但在实际应用中，目标上散射中心的各向异性以及散射点相互之间的遮挡效应将使得各雷达回波的联合处理变得复杂和困难，现有方法在实际应用中的有效性还有待进一步检验。(3)基于多天线干涉处理的3维成像方法，根据目标上微动散射点的微动特性差异在变换域完成散射点分辨，进而对各天线回波进行干涉来获取对应散射点的2维平面坐标，综合距离信息实现散射点的3维坐标重构[47,69]。图4所示为L型3天线干涉3维成像原理以及对空间旋转目标3维成像的结果。这类方法能够获得目标的真实3维坐标，且不受限于目标的微动形式，但是目标回波微多普勒分析的精度对最终成像结果影响较大，并且干涉成像往往还存在相位模糊的问题。总而言之，微动目标3维成像技术研究尚处于起步阶段，还存在许多问题亟需进一步深入研究。
 | 图 4 空间目标干涉式3维成像原理及结果Fig.4 Three-dimensional interferometric imaging principle and results of space targets |
