基于GPU的ISAR實時干擾效果評估

孫文磊,顧榮軍,王在立,龐文濤

(63889部隊,河南 孟州 454750)

0 引 言

逆合成孔徑雷達(Inverse Synthetic Aperture Radar,ISAR)通過發射寬頻帶信號,依靠雷達與目標間相對運動形成合成孔徑,來獲取距離向和方位向二維高分辨率,可以用來對目標(飛機、艦船、導彈等)進行遠距離、全天時、全天候成像觀察與識別[1]。由于ISAR回波數據量大,且運動補償復雜,ISAR實時成像主要采用FPGA、DSP芯片等進行信號傳輸和數據處理,其開發周期長,程序固化不易修改,成本較高。而圖形處理器(GPU)具有數十倍于CPU的浮點計算能力和傳輸帶寬,且CUDA技術的發展使專注于圖像處理的GPU在數據處理和科學計算等通用計算領域同樣具備優勢[2],同時能夠方便快速地進行重復開發,適合用于研究ISAR成像算法的實時實現。

對于ISAR干擾效果評估,傳統的主觀評估法主要是由相關領域專家對干擾效果進行事后評估,評估標準比較模糊、主觀[3];定量評估主要是基于ISAR干擾前后圖像的等效視數[4]、信息熵[5-6]、高階統計量[7]、紋理特征[8]、相關系數[9-10]等,僅從干擾效果的某一個方面進行評估。從ISAR干擾對抗試驗訓練任務和電子對抗裝備研發的角度出發,對ISAR干擾效果進行評估的意義更加重要。

本文利用GPU的并行陣列計算能力,將ISAR常用的距離多普勒(Range Doppler,RD)算法[11]處理過程并行化,實時得到高分辨率圖像;然后對圖像進行處理,并提取ISAR圖像特征和目標一維像、二維像特征參數,利用這些特征參數對干擾效果進行評估。

1 ISAR實時成像

1.1 CUDA編程模型

CUDA是一種通用的并行計算平臺和編程模型,可以通過CUDA加速庫、編譯器指令、應用編程接口以及行業標準程序語言的擴展(包括C、C++、Fortran、Python等)來使用,利用NVIDIA GPU的并行計算引擎能有效解決復雜的計算問題。這種編程模型以CPU+GPU的異構模式工作,其中CPU負責整體程序的串行邏輯控制和任務調度,GPU則用于執行能夠并行化的計算任務。

GPU適合處理數據能夠并行計算的任務,數據并行計算的算術計算密度(算術操作和存儲器操作的比值)非常高。由于同一程序在上萬個數據元素上同時執行,計算密度高,訪存延遲可以被隱藏,與常規的CPU相比大大縮短了任務計算時間,具有很大的運算優勢。

1.2 實時成像處理

RD算法是被普遍使用的一種ISAR成像處理算法。如圖1所示,根據各散射點回波信號的時延和多普勒頻率不同,算法通過徑向和橫向距離壓縮確定散射點在距離向與方位向上的分布,處理關鍵在于將運動目標轉換為轉臺目標的運動補償算法(包括包絡對齊和自聚焦兩步)。

圖1 RD算法處理流程

由于ISAR發射大帶寬信號且脈沖重復頻率(PRF)高,需要處理的回波數據量大,運動補償又將成像處理過程進一步復雜化,成像處理過程運算量大,實時成像對運算速度要求很高。在RD算法中,每一步驟都是FFT、數據矩陣相乘等操作,適合并行處理,故利用GPU并行運算可提高運算速度,且CUDA提供了FFT、矩陣轉置、向量矩陣乘法等庫的使用,大大提高了開發速度。

1)徑向距離壓縮

徑向距離壓縮處理主要對接收到的線性調頻脈沖回波進行匹配濾波,可通過FFT將回波信號和匹配信號變換到頻域相乘實現。對M×N的二維矩陣按列進行FFT:

cufftPlan1d(&plan,M,CUFFT_C2C,N);

cufftExecC2C(plan,(cufftComplex*)data,(cufftComplex*)data,CUFFT_FORWD);

矩陣相乘調用kernel函數:

__global__ void ComplexMul (Int m,int n,Complex *idata,Complex *ref,Complex *odata);

2)運動補償

運動補償包括包絡對齊和自聚焦兩步。包絡對齊主要采用積累互相關法,相關處理時主要是求向量的點積和最大值:

cublasdot(handle,M,vector_1,1,vector_2,1,dot_sum);

cublasIsmax(handle,M,vector,1,max_index);

自聚焦主要采用多普勒中心法,假設目標存在一個等效的多普勒中心,當目標繞中心旋轉時,將距離對齊后的相鄰回波共軛相乘,得到相鄰兩個回波的相位誤差估計值,補償后可將相鄰回波在多普勒域對準。自聚焦的函數實現主要用到向量點積:

cublasdot(handle,M,vector_1,1,vector_2,1,dot_sum);

3)橫向距離壓縮

橫向距離壓縮主要是沿方位向進行FFT處理,對M×N的二維矩陣按行進行FFT:

cufftPlan1d(&plan,M,CUFFT_C2C,M);

cufftExecC2C(plan,(cufftComplex*)data,(cufftComplex*)data,CUFFT_FORWD)。

2 干擾效果量化評估

ISAR干擾目的是使雷達看不到或者分辨不出真實目標,一般分為壓制性干擾和欺騙性干擾:壓制性干擾通過發射大功率噪聲調制信號影響運動補償,從而使真實目標圖像扭曲甚至失真;欺騙性干擾通過發射具有目標特征的干擾信號,成像結果為真假目標混雜或只有假目標。如圖2所示,本文通過圖像處理技術提取ISAR圖像特征和目標一維像、二維像特征參數,基于目標圖像特征實現對干擾效果的量化評估。

圖2 干擾效果量化評估

2.1 壓制性干擾效果評估

通過提取干擾前后圖像均值、方差、動態范圍和等效視數4種表征圖像質量的特征,計算4種特征變化率的乘積作為圖像變化率,圖像變化率可表示為

(1)

其中:αB為干擾后的圖像質量指標;αA為干擾前的圖像質量指標。

計算干擾前后圖像熵的差值,可以衡量干擾前后圖像信息丟失。圖像熵差可表示為

HΔ=|H(B)-H(A)|

(2)

其中:H(B)為干擾后的圖像熵;H(A)為干擾前的圖像熵。

交叉熵反映干擾前后圖像的統計相似性。假設干擾前后兩幅圖像的像素灰度概率分布pAi和pBi,則交叉熵為

(3)

圖像相似度表征圖像間某種特征度的相似程度,計算干擾前后圖像的對比度相似度Qc(A,B)和相關度相似度Qs(A,B)的乘積作為圖像相似度:

Q(A,B)=Qc(A,B)×Qs(A,B)

(4)

其中:

干擾效果評估:變化率偏離1越遠,干擾效果越好;圖像熵差越大,信息丟失越多,干擾效果越好;交叉熵越大,統計相似性越差,干擾效果越好;相似度越小,干擾前后兩幅圖像相似度越小,干擾效果越好。

2.2 欺騙性干擾效果評估

目標一維像特征參數包括徑向長度及其起伏極差和起伏周期。對目標一維像,由滑窗分割法可得到徑向長度,對一幅ISAR圖像脈沖積累期間的徑向長度序列計算其起伏極差,并進行頻譜分析,由進動頻率即可得到起伏周期。目標二維像特征參數包括目標二維像總長度、體態比、面積及其方差、極差,對目標二維像同樣采用滑窗分割法,可得到徑向長度和橫向長度,從而計算出目標總長度、體態比、面積參數,對一段觀測時間內圖像的目標總長度、體態比及面積序列即可計算起伏極差(max-min)。由于受控制力矩作用影響,真實目標在飛行過程中具有姿態穩定特性,由一維像、二維像提取的特征量在觀測時間內起伏較小,而干擾機產生的欺騙干擾特征量起伏較大。

干擾效果評估:假定真實目標的長度在Lmin～Lmax之間,成像區間的雷達視線角在p～q范圍,若一維像提取的徑向長度滿足Lmin/(cosp)≤{L(n)|n=1,...,N}≤Lmax/(cosq),欺騙干擾有效;在二維ISAR成像平面內,假定真實目標的總長度、體態比及面積范圍分別為[LISAR,min,LISAR,max],[RISAR,min,RISAR,max]及[AISAR,min,AISAR,max],若滿足LISAR,min≤LISAR(n)≤LISAR,max、RISAR,min≤RISAR(n)≤RISAR,max、AISAR,min≤AISAR(n)≤AISAR,max,欺騙干擾有效;對于起伏特征,分別設置起伏門限值,若起伏特征參數小于其對應門限值,欺騙性干擾有效。

3 結果及分析

為驗證本文方法,采集某X波段ISAR成像去斜中頻實測數據,在CPU+GPU架構的工作站上進行處理,對目標回波實時成像,并分析計算干擾效果特征參數。工作站配置CPU為Intel Xeon 2.6 GHz的16核處理器,1塊NVIDIA Tesla K40C計算顯卡。系統參數、RD算法各步驟單脈沖處理速度的測試結果分別如表1、2所示。從表2可以看出,使用CPU處理對單脈沖完成距離壓縮和運動補償的總時間為1.805 ms,

表1 系統參數

表2 處理速度對比

使用GPU處理單脈沖的總時間為0.616 ms,而脈沖重復間隔為1.25 ms,兩者相比,GPU滿足單脈沖實時處理要求。方位壓縮處理與距離壓縮一致,所用時間也在10 μs量級,故使用GPU能夠實現ISAR的實時成像。

在CPU平臺和GPU平臺下ISAR成像結果如圖3所示。可以看出,CPU和GPU處理的成像結果一致,能夠用GPU進行處理。

(a)CPU (b)GPU

對一段時間內5幅成像結果進行特征參數提取,得到目標圖像特征及其起伏結果,如表3～表5所示。

表3 圖像特征提取結果

表4 目標特征提取結果

表5 目標特征起伏結果

根據干擾前后圖像特征變化可評估壓制性干擾效果,根據目標特征及其起伏結果與真實目標的對比可評估欺騙性干擾效果,評估結果客觀、定量,而且直觀易懂。

4 結束語

本文利用GPU的并行處理能力,將成像處理過程并行化,提出了一種基于GPU的ISAR干擾效果評估算法,對實際數據實時成像,并對干擾效果進行了測試評估。結果表明其處理速度可以滿足實時處理的要求,與一般評估方法相比,具有實時、客觀、定量的特點,可多角度評估被試裝備的干擾效果,對于實際應用中ISAR干擾效果評估有著重要意義。