稳健多通道SAR地面运动目标高分辨动态成像方法研究

Synthetic aperture radar (SAR) for ground moving target imaging (GMTIm) is one of the most effective way for ground target surveillance. The timeliness for the target surveillance is one of the most important performance for the SAR-GMTIm system, which requires the system is capable of indicating the moving-target status and providing the target image, continuously, timely and steadily. This project aims to realize SAR dynamic imaging (Dyna-Im) for ground moving targets, by adopting multichannel SAR system and incorporating key features of the moving-target. In this project, the correlation features of the moving-target in temporal and spatial dimensions are exploited by advanced signal processing techniques to continuously estimate the moving-target’s velocity in high-accuracy and dynamically acquire the target image in high-resolution and with enhanced structure. The significance of this research project is to substantially improve the radar’s capability of monitoring moving targets with complicated movements and in various circumstances. The investigation in this project will provide theoretical and technical foundations of applying the Dyna-Im technique to real multi-channel SAR systems, which will potentially have theoretical impact on promoting the real-time monitoring capability of existing radar surveillance systems.

应用合成孔径雷达（Synthetic Aperture Radar，SAR）对地面运动目标进行成像监测对成像性能的时效性（Timeliness）要求非常高，要求可以长时间、连续、稳定输出非合作地面运动目标的运动信息和高分辨图像。本项目针对合成孔径雷达地面运动目标高分辨动态成像（Dynamic Imaging，Dyna-Im）这一前沿课题，采用多通道SAR体制，并结合运动目标关键特征信息开展相关理论研究工作，主要研究、挖掘并利用目标特征在时间和空间维度上的关联性信息，实现对地面运动目标的高精度、连续估计，以及稳健、高分辨、动态成像。这些研究内容对于提高雷达目标监测系统在复杂应用环境中对复杂运动目标的适应能力具有重要意义。预期通过本项目的研究工作，可以为目标动态成像技术推广到实际多通道合成孔径雷达系统中奠定理论和技术基础，对提升现有成像雷达的运动目标实时监测能力具有重要的理论意义。

本项目主要针对传统的傅里叶变换雷达成像方法，成像分辨率存在上限，目标响应旁瓣较高，造成强散射点主瓣影响弱散射特征的问题。传统的稀疏成像方法，虽然在点特征增强上具有一定优势，但是容易造成目标弱的结构特征丢失。此外，对运动目标，由于其运动状态和背景环境存在动态演化，造成目标散射特征动态变化，传统的目标运动参数估计无法适应非匀速变化的目标运动状态，且传统的目标特征增强方法难以保留更多的目标结构特征，对后续的目标识别造成影响，甚至导致无法有效检测和识别目标。针对以上问题，利用目标运动特征在时间上的关联性，利用目标散射特征在空间和时间上的关联性即连续性特征，基于贝叶斯机器学习理论及相关连续运动目标的先验信息，分别研究基于目标运动惯性特征的参数连续估计方法，基于目标结构特征空间关联性的高分辨成像方法和基于目标信号特征时间关联性的高分辨动态成像方法，实现了利用多普勒调频率估计和自适应滤波器，完成对连续运动目标连续速度的估计，实现了利用目标结构特征的空间连续性特征，完成了对高分辨目标结构特征增强，实现了利用目标散射特征在时间上的连续性，完成了对连续时间运动目标的连续高分辨成像。项目组结合美国空军实验室公开的Gotcha GMTI Challenge数据组，对其中的合作目标，Durango汽车分别在静止状态和运动状态下实现了高分辨成像，对Durango在连续运动状态下实现了最长10s的连续速度估计，同时对其进行了结构特征增强，保证了连续运动过程中目标结构特征的完整，此外实现了对目标的高分辨连续成像。相关其他实测数据也验证了本项目方法在连续速度估计和成像中的有效性和优越性。上述研究成果，在理论模型上给出了非匀速运动目标在多普勒调频率中的表现形式，在概率模型上建立了空间连续性特征，形成了解析的空间关联性先验模型，应用变分贝叶斯方法完成了对结构特征后验概率密度函数的求解，此外将贝叶斯关联性模型扩展至时间域，为高分辨目标连续成像跟踪提供了技术基础。