車載毫米波高分辨實時SAR系統對江中船只識別的方法

崔開博，趙宏宇，陳 曦，朱 紅，袁乃昌

（國防科學技術大學 電子科學與工程學院，湖南 長沙 410073）

近年來，江河上行駛的船只種類越來越多，如采沙船、漁船、客運船等等，很多船只不按照規定的時間段和航線行駛，很容易造成不必要的事故發生，這給有關部門的監管造成了極大地不便。一些采集資源的船只，如采沙船、漁船等，為了謀取暴利，違反規定進行作業，嚴重的破壞了環境。由于這些不法行為大多在夜間進行，給執法部門進行監管和處理工作造成很大的困難。本文提出了一種采用車載毫米波高分辨SAR技術進行河流采沙船只監控的方法，首先簡單的介紹了毫米波合成孔徑雷達的概況、實時成像系統的算法過程，目標識別算法過程、ISAR成像跟蹤以及整個SAR系統的工作流程，然后對實測河流進行了實驗，驗證了該毫米波SAR系統可以全天候實時的對河流進行高分辨成像，識別出船只種類，進行實時跟蹤，從而可以方便的進行管理。

1 毫米波SAR系統介紹

合成孔徑雷達（Synthetic Aperture Radar，SAR）是一種主動式電磁波成像傳感器，可全天候全天時獲得高分辨率雷達圖像，在機載和星載平臺上已經得到了廣泛的應用[1]。毫米波SAR近年來成為了研究的重點、熱點，并已應用于許多重要的民用和軍用系統中，如近程高分辨力防空系統、導彈制導系統、目標測量系統等。毫米波頻譜介于微波和紅外波段之間，因此兼有微波和紅外波段的優點:與微波相比，毫米波系統的絕對頻帶較寬，天線波束窄，旁瓣低，抗干擾性能強；與紅外相比，毫米波通過煙、霧、灰、塵的能力強，具有較好的全天候能力；并且毫米波系統體積小，質量輕、易于高度集成化，可以采用車載平臺。近年來SAR信號處理技術的進步、微電子技術的發展、大規模集成電路的開發以及并行處理器的產生已經使得實時成像不再受到諸多因素的制約。

作為一種高分辨率毫米波成像雷達，毫米波SAR通過發射高穩定度的相干脈沖，綜合運用合成孔徑技術、脈沖壓縮技術等信號處理方法來獲得高分辨率。距離向通過發射大的時寬帶寬積信號，進行脈沖壓縮來實現高分辨率；方位向則利用雷達和目標之間的相對運動—多普勒效應，通過匹配濾波或頻率分析的方法進行脈沖壓縮，實現高分辨率。SAR成像技術發展到如今已經有適應于不同平臺、不同成像場景、不同應用領域的多種算法，如RD算法、算法、CS算法、FS算法等等。RD算法是通過距離向和方位向分別使用匹配函數進行脈沖壓縮來獲得時域圖像的一種經典算法，針對不同的成像條件和距離徙動量影響的不同，其存在多種改進形式。進行河面檢測的毫米波SAR，一般工作在正側視或者小斜視，這種情況下，采用校正距離徙動的改進RD算法：將距離脈壓后的信號乘以一個線性相位項來校正距離徙動，然后進行方位匹配濾波。為滿足實時處理的要求[4]，在距離脈壓多普勒參數估計和徙動校正時將數據按方位向分塊進行處理，再將校正后數據進行距離向分塊，同時方位向整合進行整體的匹配濾波、多視處理，最后將距離向數據整合得出一副完整的高分辨SAR圖像[2]，算法框圖如圖1所示。成像處理模塊采用FPGA+多塊DSP的方法，距離和方位的分塊處理有利于實時成像的實現，優化處理速度。

圖1 成像算法框圖Fig.1 Imaging algorithm block diagram

在得到高分辨率的SAR圖像以后，對圖像進行一定的處理，從而識別出河流湖泊中的船只目標[3]。船只一般情況下會在河湖中行駛或者停靠在岸邊，在河流中行駛的船只通過河岸分離便能夠從陸地中分割開，但停靠在岸邊的船只會由于與陸地距離太近而無法直接分割，本系統中采用角點判斷方法，提取可能為駐泊船只的陸地部分，然后利用駐泊船只判斷準則切割二值圖像，得出河岸分離的結果，從而提取出陸地模板，進行CFAR求解。然后對CFAR結果進行聚類，合并一定區域的二值圖像，去除大于船只面積的島嶼等信息。一般來說CFAR會將所有船只全部提取出來，但會存在虛警，本系統中采用提取特征特性的方法，根據船只的長度、寬度、長寬比、直徑、面積、周長、形狀復雜度、歸一化轉動慣量、主軸轉動慣量、方差系數、加權填充比、分形維數、間隙度等特性去除虛警目標，提取出正確的目標[5-6，8]。系統中帶有GPS+INS組合的導航器件，提取出目標后，根據其在SAR圖像中的位置信息便可以得出它的地理信息，如：位置，與雷達的相對距離，方位角度等等，方便下一步進行跟蹤。目標識別算法框圖如圖2所示。

圖2 目標識別算法框圖Fig.2 Target recognition algorithm block diagram

提取出船只目標和其地理信息后，便對目標進行ISAR成像，實現實時跟蹤。同SAR一樣，ISAR也是依靠雷達與目標之間的相對運動進行成像的，但ISAR一般是雷達不動，目標移動。本系統中，通過ISAR成像可以觀測船只在河流中的是否在運動、運動的方向等各項參數，并且實時的更新船只的地理信息。ISAR也采用RD算法，與SAR成像做相同的處理，來滿足實時性的要求。

通過高分辨SAR成像、目標提取、ISAR成像跟蹤，便可以識別出船只種類，并確定其運動狀態以及地理信息，從而實現對船只的管理。整個毫米波高分辨SAR系統的工作過程框圖如圖3所示。

圖3 系統工作流程圖Fig.3 System block diagram

2 實測結果

使用該車載毫米波高分辨SAR系統在湘江的三叉磯大橋上對湘江進行實測實驗，識別、跟蹤江上的船只。

在橋上以60 km/h的速度進行車載實時成像，成像結果如圖4所示。圖（a）為實時的SAR圖像，圖（b）為從googlemap上下載的光學圖像，兩者對比可以發現該實時的SAR圖像具有較高的分辨率，完全呈現了該地區的特征。

圖4 實時SAR圖像和光學圖像對比圖Fig.4 Contrast diagram from real-time SAR image to optical image

得到高分辨的SAR圖像后，對圖像進行實時的處理，根據目標特性提取出江面上船只，算法如圖3所示。圖5-（a）列出了船只的部分特征參數提取結果，圖5-（b）為船只目標的識別結果，圖5-（c）為提取出的單個船只的SAR圖像，其中白框圈出的是船上的傳送帶，初步識別為江中的采沙船只，傳送帶為運輸沙子的工具。圖（d）為提取出船只所對應的光學圖像。從目標特性參數中可以看出，提出的該船只長度為80米，其中傳送帶的長度為20米，寬度為6米，和實際的采沙船只數據相吻合，提取識別結果正確。所以該系統實時的完成了目標的識別工作，將河流中的船只正確的提取并識別出來。

圖5 目標識別結果圖Fig.5 Diagram of results of target recognition

對識別出的船只計算出其位置信息，從而進行ISAR成像跟蹤[7]，ISAR成像結果如圖6所示，圖（a）為江面中一采沙船的光學圖像，圖（b）到圖（f）為采沙船遠離雷達時實時的ISRA成像結果。從圖中可以看出該系統能夠實時的對采沙船只進行跟蹤，并實現清晰地ISAR成像，確定其位置、運動方向、運動速度等信息。這樣，便實現了采用該車載毫米波高分辨SAR系統對河流船只進行實時的監控、管理。

3 結束語

本文針對江面上船只不按規定行駛和資源采集船只違法作業的現狀提出了一種采用車載毫米波高分辨SAR系統實現對船只進行實時監控、管理的方法，通過對該系統的實時SAR成像、目標識別分割、實時ISAR成像跟蹤模塊的研究，論證了系統的可實時性和可實現性，并通過對實際河流中的船只進行成像、檢測、跟蹤實驗完成了預計功能，證明該系統能夠對河流中船只進行實時監管，從而在河湖資源管理和環境保護中具有較為廣闊的應用前景。

[1]Ian G，Cumming，FrankH.Wong.Digital Processing of Synthetic Aperture Radar Data:Algorithms and Implementation[M].BeiJing:Publishing House of Electronics Industry，2007.

[2]保錚，刑孟道，王彤.雷達成像技術[M].北京：電子工業出版社，2005.

[3]朱兵，李金宗，陳愛軍.大尺度遙感圖像中目標快速識別[J].模式識別與人工智能，2006，19（4）：552-556.

ZHU Bing，LI Jin-zong，CHEN Ai-jun.Fast recognition of harbor target in large scale remote sensor images[J].PR&AI，2006，19（4）：552-556.

[4]賀知明，朱江，周波.彈載SAR實時信號處理研究[J].電子與信息學報，2008，30（4）：1011-1013.

HE Zhi-ming，ZHU Jiang，ZHOU Bo.Research on real-time signal processing of the missile-borne SAR [J].Journal of Electronics&InformationTechnology，2008，30（4）：1011-1013.

[5]W.G.Carrra， R.S.Goodman and R.M.Majoswski，Spotlight Synthetie Aperture Radar:signal processing algorithms，Norwood，MA， Artech House，1995.

[6]李艷，彭嘉雄.港口目標特征提取與識別[J].華中科技大學學報：自然科學版，2001，29（6）：10-12.

LI Yan，Peng Jia-xiong.Feature Extraction of the Harbor Target and Its Recognition.Journal of Huazhong University of Science and Technology：Natural Science，2001，29（6）：10-12.

[7]Bao Z，Sun C Y，Xing M D.Time-Frequency approaches to ISAR imaging of maneuvering targets and their limitatuons[J].IEEETrans.on Aerospace and Electronic Systems，2001，37（3）:1091-1099.

[8]Otsu N.A Threshold Selection Method from Grey-Level Histo-grams[J].IEEE Trans on Systems，M an，and Cybernetics，1978，9（1）：62-66.

圖6 采沙船實時ISAR圖像Fig.6 The real-time ISAR image of mining large junk