[发明专利]基于深度学习的穿墙雷达成像方法及系统

说明书

本发明公开了基于深度学习的穿墙雷达成像方法，首先获取仿真回波数据；对回波数据进行BP成像，作为神经网络训练时的输入图像；然后仿真训练生成参考图片，作为神经网络训练时的参考图片；应用tensorflow工具搭建神经网络对训练数据进行训练，用输入图片和参考图片对神经网络进行训练，并生成网络模型；最后将训练好的网络模型应用于实测数据。本发明提供的方法提高了穿墙雷达成像的分辨率；降低穿墙雷达图像中的旁瓣。

技术领域

本发明涉及雷达图像处理技术领域，特别是基于深度学习的穿墙雷达成像方法。

背景技术

传统的穿墙雷达成像多采用后向投影算法(BP)，但是成像分辨率有待提高。根据穿墙雷达成像原理，图像方位向分辨率取决于天线的长度，长度越长分辨率越高。但穿墙雷达受限于尺寸要求，天线一般都比较短，所以图像方位向分辨率较低。

发明内容

本发明的目的之一是提出基于深度学习的穿墙雷达成像方法；目的之二是提出基于深度学习的穿墙雷达成像系统；本方法利用深度学习来提高穿墙雷达图像分辨率。

本发明的目的是通过以下技术方案来实现的：

本发明提供的基于深度学习的穿墙雷达成像方法，包括以下步骤：

步骤1.获取仿真回波数据；

步骤2.对回波数据进行BP成像，作为神经网络训练时的输入图像；

步骤3.仿真训练生成参考图片，作为神经网络训练时的参考图片；

步骤4.应用tensorflow工具搭建神经网络对训练数据进行训练，用输入图片和参考图片对神经网络进行训练，并生成网络模型；

步骤5.将训练好的网络模型应用于实测数据。

进一步，所述步骤1中的获取仿真回波数据的具体过程如下：

按照预设分布设置雷达天线位置；

设置穿墙雷达的发射机和接收机位置；

所述发射机产生的信号如下所示：

s(t)＝a(t)exp(j2πf_ct) (1)

其中，a(t)是发射信号的波形，t是快时间，f_c是载波频率；

所述接收机获取的回波信号为：

s_r(t_m,t)＝a(t-t_m)exp[j2πf_c(t-t_m)] (2)

其中，t_m可以写成如下所示：

其中，

s_r(t_m,t)表示第m个接受机收到的回波信号；

t_m表示发射信号到达第m个接收机的时间，

c表示发射信号传播速度；

(x₀，y₀)为目标点的位置；

(x_m，y_m)是第m个接收机的位置；

(x_t，y_t)是发射机的位置。

进一步，所述步骤2中的BP成像具体过程如下：

按照以下公式压缩回波信号距离：