作者中心
专家审稿
责编办公
编辑办公
Review of On-orbit State Estimation of Space Targets with Radar Imagery（in English）
-
摘要: 空间目标状态估计旨在获取目标在轨姿态运动和几何结构等状态参数，是完成目标动作意图分析、排查潜在故障威胁和预判在轨态势等任务的关键技术。通过雷达光电成像信息处理实现在轨姿态估计是空间目标状态分析的重要途径，当前已经形成了一系列代表性实用方法。该文首先简要介绍了国内外用于空间目标监测的地基逆合成孔径雷达发展现状；重点针对空间目标时序特征匹配、三维成像重建和多视融合姿态估计多类代表性方法进行原理介绍与技术总结：数据特征匹配的状态估计性能可靠但依赖目标模型先验；三维几何重建的状态估计具备目标精细刻画潜力但观测几何要求高。同时，该文也对空间目标在轨状态估计方向未来发展趋势进行了展望。Abstract: Space target state estimation aims to obtain a target’s on-orbit attitude, structure, movement, and other parameters accurately. This process helps observers analyze the target action intention, check for potential fault threats, and predict the development of on-orbit situations and is the core technology in the field of space situation awareness. Currently, the estimation of the on-orbit state of space targets mainly relies on external observations from high-performance sensors, such as radars, paralleled by the emergence of a series of representative methods. This paper briefly introduces the development status of inverse synthetic-aperture radar used for space target monitoring at home and abroad. Then, several representative methods, including data feature matching, three-dimensional (3D) imaging reconstruction, and multi-look fusion estimation, are introduced. The data feature-matching technology performs well when the priori target 3D model and scene conditions are given. The state estimation with 3D geometric reconstruction has the potential for fine description of the target, but high-level observation conditions are required. Finally, the future development trend of this direction is forecasted.
-
1. 引言
层析SAR成像(Tomographic SAR, TomoSAR)是一种先进的SAR干涉测量技术，该技术能够监测并获取目标区域的高分辨率雷达影像，其中城市和森林区域是层析SAR成像技术的重要研究对象[1,2]。不同于传统的合成孔径雷达(Synthetic Aperture Radar, SAR)只能进行二维成像，层析SAR成像将合成孔径雷达的合成孔径原理扩展用于三维成像的高程方向，能够重建散射体的三维信息并反演高程向剖面，其可以有效解决在二维SAR成像中处于同一散射单元内的目标散射点与雷达间斜距相等时存在的叠掩效应[3-5]。相比于干涉合成孔径雷达(Interferometric SAR, InSAR)，层析SAR成像技术不仅可以获得目标散射体的高程信息，同时还可以获得散射体在高程向上的分布，能够完全恢复真实三维场景[6]。基于以上的优点，TomoSAR成为现在最受关注且最具潜力的三维成像方法之一。
目前国际上主流的层析SAR成像方法主要包括多航过成像与阵列SAR两种，其体制不同但原理和信号处理方法是类似的。但多航过成像随着航过数的增加，成像的时间会大大增加，时效性较差；而阵列SAR系统的成本、重量与复杂度也会随着通道数的增加而急剧增加。因此，目前国内外的层析SAR研发方向都是着力于减少通道/航过数。德国宇航局(Deutsches zentrum für Luf- tund Raumfahrt, DLR)已经做到了3～5轨的层析SAR成像[6]，还在继续向下减少通道/航过数。我国提出的“微波视觉”[4]等新理论也在努力减少通道数。
层析SAR成像的信号处理方法研究始于20世纪80年代，在数十年的研究和发展中，其成像效果也在不断改善。谱估计方法是层析SAR成像的经典方法，包括CAPON算法[7,8]、MUSIC算法[9]等，但谱估计方法CAPON和MUSIC需要估计空间的协方差矩阵，而这个过程会降低方位-距离单元高程向的分辨率[10,11]。稀疏信号处理方法，尤其是压缩感知(Compressed Sensing, CS)[12-14]作为近年来的研究热点，也被应用到层析SAR成像中，该方法在相同基线数量下可以有效提高高程向的分辨率。文献[15]针对目标区域的小波域中的稀疏表征，同时结合相应多基线测量的二阶统计量，实现目标三维成像。基于压缩感知的层析SAR成像方法要求场景是点目标并且具有一定的稀疏性，压缩感知的重构算法主要包括贪婪算法和凸优化算法两类，贪婪算法一般计算速度较快但是在低信噪比和低采样数条件下重建精度较低，而凸优化算法的重建精度较高却计算效率较低。
城市和森林区域是层析SAR的重要应用对象。森林区域具有复杂的电磁散射特性，森林在高程向不具有典型的稀疏特性。同时城市区域中的建筑分布在高程向上屋顶部分通常具有稀疏特性，但地面上由于存在大量人工设施，例如花坛等，导致城市区域的地面不具有典型的稀疏特性。这为将稀疏信号处理应用于城市和森林区域提出了一定的挑战。
KL变换(Karhunen Loeve Transform, KLT)是一种数据衍生正交变换，它充分利用数据的相关性得到目标的自适应表征形式，在MRI等场景中已经得到了充分应用[16]。应用KL变换处理一个信号，其离散展开式为
X(t)=∞∑n=1Znen(t) (1) 其中，
X(t) 为输入信号，Zn=∫X(t)en(t)dt 为展开式的系数，en(t) 为信号的特征函数，特征函数需要根据输入信号来确定函数的类型。特征函数和信号自相关函数E{XkXl} 有以下关系：N∑k=1E{XkXl}enkΔt=λnenl (2) 此外在KL变换中，其展开式的系数
Zn 的范数为特征值λn ，表示相对应的特征函数en(t) 的能量值，且秩为非零特征值λn 的个数。同时，KL变换在均方误差准则下与其他正交变换相比效果更佳，是失真最小的一种变换，因此本文引入KL变换对目标的高程向进行处理，以获得更佳的成像结果。基于KL变换的重构问题可以转换为谱正则化的矩阵恢复问题，通过低秩矩阵的模型进行求解。由于目标区域在相邻方位-距离单元的高程向分布具有较强相关性，本文针对低航过数和低通道数的情况提出了一种基于稀疏和低秩结构的层析SAR成像方法，利用目标区域的低秩结构特性，引入KL变换对目标的方位-距离单元的高程向进行处理，表征其低秩结构特性，以此获得低航过数和低通道数情况下高分辨层析SAR成像结果。本文提出的基于KL变换的层析SAR成像方法不仅可以处理稀疏点目标场景，也可以处理分布式目标场景，其优化模型比传统压缩感知方法更为复杂，传统的压缩感知重构算法不再适用，本文采用交替方向乘子法(Alternating Direction Method of Multipliers, ADMM)优化算法，将复杂的原优化问题分解为若干相对简单的子问题，通过优化变量交替投影的方式进行算法求解，其计算复杂度与传统压缩感知在同一量级。本文结构如下：第2节给出层析SAR成像的信号模型；第3节介绍基于稀疏和低秩结构的层析SAR成像方法；第4节利用仿真和实测数据的实验结果说明本文算法能够更好地重建三维目标场景；第5节对全文进行总结。
2. 层析SAR成像信号模型
层析SAR成像沿每一个轨道飞行获得一副聚焦的二维SAR复数图像，设
gn 是第n次获取的二维SAR图像，它可以理解为高程向散射单元的傅里叶变换的非均匀采样结果[17]：gn=∫sγ(x,s)∗exp(−j2πξns)ds+εnξn=−2bnλl,n=1,2,⋯,N} (3) 其中，
x 代表方位-距离二维平面位置，s 代表高程向高度，γ(x,s) 代表高程向后向散射系数，λ 代表载波波长，l 代表观测点到场景中心的斜距，bn 代表第n条基线的高程向高度，ε 代表噪声。通过对式(3)进行离散化处理，可以将式(3)记为g= R(γ)+ε ，其中R 表示层析SAR成像的观测算子。通过将场景的后向散射系数
γ(x,s) 进行重新排列，可以分析目标在相邻方位-距离单元的高程向分布的相关性，构造矩阵Γ=[γ(x1,s1)γ(x1,s2)⋯γ(x1,sL)γ(x2,s1)γ(x2,s2)⋯γ(x2,sL)⋮⋮⋱⋮γ(xN,s1)γ(xN,s2)⋯γ(xN,sL)] (4) 其中，矩阵的列表示给定高度的方位-距离平面成像结果，也就是方位-距离平面二维成像结果按照方位向展开为一维向量，而矩阵的行表示给定方位-距离单元的高程向成像结果，矩阵的空间意义为三维网格每个格点的复散射信息。
以城市中的建筑为例，一个建筑物的外墙高度一致，所以一个高度的建筑物可以看作一个秩为1的成像结果矩阵，目标区域内建筑物的高度差异越复杂，则成像结果矩阵的秩越大。而对于森林区域，一种类型的树木其高程向分布基本一致，不同类型的树木其高程向分布则有一定差异，由此树木种类越丰富，则成像结果中的秩越大。在常见的城市、森林场景中，典型目标如建筑物、树木等，其种类较为一致，所以成像结果矩阵可预期具有先验低秩性。因为矩阵的行线性相关，所以矩阵
Γ 的秩r≤min(N,L) 。由矩阵的相关性，对矩阵Γ 进行KL分解，可表示为以下3个矩阵的乘积Γ=U⏟N×rΣ⏟r×rVH⏟r×L (5) 由此
γ(x,s) 可表示为r个高程基函数的加权线性组合γ(x,s)=r∑i=1ρi(x)νi(s) (6) 其中，
ρi(x) 是矩阵UΣ 的行，高程基函数νi(s) 是矩阵V 的列。3. 基于ADMM的层析SAR成像方法
本文在稀疏信号处理的基础上利用相邻方位-距离单元的高程向的相关性，引入KL变换来表征其低秩结构特性，提高目标区域层析SAR成像能力。根据低秩矩阵的重构理论，矩阵
Γ∈RN×L 的秩小于等于min(N,L) ，可通过其量测值g=R(Γ) 利用正则化方法进行高精度重建。由此形成如下稀疏与低秩结构相结合的层析SAR成像模型[18,19]：ˆΓ=argminΓ‖ (7) 其中，
{\boldsymbol{R}} 代表层析SAR成像的观测算子，\psi ({\boldsymbol{\varGamma}} ) = {\left\| {{\boldsymbol{\varGamma}} {\boldsymbol{\varPhi}} } \right\|_{{l_1}}} ,{\boldsymbol{\varPhi}} 为小波变换矩阵[15]，\psi ({\boldsymbol{\varGamma}} ) 表示矩阵中行向量小波系数的{l_1} 范数，用以表征矩阵{\boldsymbol{\varGamma}} 的稀疏特性，\varphi ({\boldsymbol{\varGamma}} ) = {({\left\| {\boldsymbol{\varGamma}} \right\|_p})^p} = \displaystyle\sum\nolimits_{i = 1}^{\min \left\{ {N,L} \right\}} {\sigma _i^p} 表示矩阵{\boldsymbol{\varGamma}} 的Schatten-P范数，{\boldsymbol{\varGamma}} = {\boldsymbol{U\varSigma}} {{\boldsymbol{V}}^*} 表示矩阵{\boldsymbol{\varGamma}} 的KL分解，{\boldsymbol{\varSigma}} = {\rm{diag}}\left( {\left[ {{\sigma _0},{\sigma _1},\cdots,{\sigma _{r - 1}}} \right]} \right) ,\varphi ({\boldsymbol{\varGamma}} ) 用以表征模矩阵低秩结构特性，{\lambda _1} 和{\lambda _2} 表示模型的正则化参数。本文方法和CS方法都需要利用目标场景的先验信息，对于CS而言，对于城市的建筑一般假设在高程向具有2～3个散射点，而森林树冠、城市地面等由于不具有典型稀疏性，其散射点个数往往较多，需要设置合适的矩阵秩。在理论上，根据稀疏信号处理理论与阵列信号处理理论，三维重建所需通道数/轨数最少也应大于目标的自由度，自由度在本文中体现为成像结果矩阵的秩[6]。由于式(7)同时使用到了稀疏和低秩结构，本文采用ADMM方法对其进行求解，式(7)可以转化为
\begin{split} \mathrm{min}{D}_{{\beta }_{1},{\beta }_{2}}({\boldsymbol{\varGamma}} ,{\boldsymbol{K}},{{\boldsymbol{S}}}_{i})=&\mathrm{min}{\Vert {\boldsymbol{R}}({\boldsymbol{\varGamma}} )-{\boldsymbol{g}}\Vert }^{2}+{\lambda }_{1}\varphi ({\boldsymbol{K}})\\ & +{\lambda }_{2}{\Vert S\Vert }_{{l}_{1}} +\frac{{\beta }_{1}}{2}{\Vert {\boldsymbol{\varGamma}} -{\boldsymbol{K}}\Vert }^{2}\\ & +\frac{{\beta }_{2}}{2}{\displaystyle \sum _{i=0}^{q-1}{\Vert {\boldsymbol{\varGamma}} {\boldsymbol{\varPhi}} -{\boldsymbol{S}}\Vert }^{2}} \end{split} (8) 其中，
{\boldsymbol{K}},{\boldsymbol{S}} 都是辅助变量，{\beta }_{1},{\beta }_{2} 为正则化参数。当{\beta }_{1},{\beta }_{2}\to \infty 时，式(8)等价于式(7)的解。对于式(8)，本文使用如下的3步交替最小化方法进行求解\begin{split} \qquad\,{{\boldsymbol{\varGamma}} }_{L+1}=& \mathrm{arg}\,\underset{{\boldsymbol{\varGamma}} }{\mathrm{min}}{\Vert {\boldsymbol{R}}({\boldsymbol{\varGamma}} )-{\boldsymbol{g}}\Vert }^{2}\\ & +\frac{{\beta }_{1}}{2}{\Vert {\boldsymbol{\varGamma}} -{{\boldsymbol{K}}}_{L}\Vert }^{2}\\ & +\frac{{\beta }_{2}}{2}\Vert {\boldsymbol{\varGamma}} {\boldsymbol{\varPhi}} -{{\boldsymbol{S}}}_{L}\Vert \end{split} (9) {{\boldsymbol{K}}}_{L+1}=\mathrm{arg}\,\underset{{\boldsymbol{K}}}{\mathrm{min}}{\Vert {{\boldsymbol{\varGamma}} }_{L+1}-{\boldsymbol{K}}\Vert }^{2}+\frac{2{\lambda }_{1}}{{\beta }_{1}}\varphi ({\boldsymbol{K}}) (10) \begin{split} \qquad\, {{\boldsymbol{S}}_{L + 1}} =& \arg \mathop {\min }\limits_{\{ {\boldsymbol{S}}\} } \left\| {{{\boldsymbol{\varGamma}} _{L + 1}}{\boldsymbol{\varPhi}} - {\boldsymbol{S}}} \right\| \hfill \\ &+ \frac{{2{\lambda _2}}}{{{\beta _2}}}{\left\| {\boldsymbol{S}} \right\|_{{l_1}}} \end{split} (11) 下面分别给出3个子问题的求解方法。对于第1个问题，由于它各项都是二次的，可使用以下方法对其求解：
\begin{split} {{\boldsymbol{\varGamma}} _{L + 1}} = &{\left( {{{\boldsymbol{R}}^{\rm{T}}}{\boldsymbol{R}} + \frac{{{\beta _1}}}{2}{\boldsymbol I} + \frac{{{\beta _2}}}{2}{Q^{\rm{T}}}Q} \right)^{ - 1}} \hfill \\ &\times \left( {{{\boldsymbol{R}}^{\rm{T}}}{\boldsymbol{g}} + \frac{{{\beta _1}}}{2}{{\boldsymbol{K}}_L} + \frac{{{\beta _2}}}{2}{{\boldsymbol{S}}_L}} \right) \hfill \\ & \triangleq {\rm M}({{\boldsymbol{K}}_L},{{\boldsymbol{S}}_L}) \end{split} (12) 其中，
Q\left( {\boldsymbol{\varGamma }} \right) = {\boldsymbol{\varGamma \varPhi}} 。第2个子问题与标准核范数最小化问题类似，可将求解核范数最小化的迭代奇异阈值方法应用到式(10)中
\;{{\boldsymbol{K}}_{L + 1}} = {Y_{{{{\lambda _1}}/{{\beta _1}}}}}\left( {{\rm{M}}\left( {{{\boldsymbol{K}}_L},{{\boldsymbol{S}}_L}} \right)} \right) (13) \; {Y_{{{{\lambda _1}}/ {{\beta _1}}}}}({{\boldsymbol{\varGamma}} _{L + 1}}) = \sum\limits_{i = 0}^{\min (N,L)} {{{\left( {{\sigma _i} - \lambda {{\sigma _i^{p - 1}}/ \beta }} \right)}_ + }{{\boldsymbol{u}}_i}{\boldsymbol{v}}_i^*} (14) 其中，
{{\boldsymbol{u}}_i},{{\boldsymbol{v}}_i},{\sigma _i} 分别是{{\boldsymbol{\varGamma}} _{L + 1}} 的奇异向量和奇异值，{Y}_{{\lambda }_{1}/{\beta }_{1}} 为奇异值阈值函数，阈值函数的定义如下所示{(\sigma )}_+=\left\{\begin{aligned} &\sigma ,\; \sigma \ge 0\\ &0,\; 其他\end{aligned}\right. (15) 第3个子问题需要用到多维阈值的方法，具体计算如下：
\begin{split} {{\boldsymbol{S}}}_{i,L+1}=&\frac{Q\left({{\boldsymbol{\varGamma}} }_{L+1}\right)}{{\Vert Q({{\boldsymbol{\varGamma}} }_{L+1})\Vert }^{2}}\\ & \cdot\text{ }{\left({\Vert Q({{\boldsymbol{\varGamma}} }_{L+1})\Vert }^{2}-\frac{{\lambda }_{2}}{{\beta }_{2}}\right)}_+ \end{split} (16) 通过不断迭代求解上述3个子问题，最终得到式(8)的解。算法流程如图1所示。
4. 实验及结果分析
4.1 实验数据
为了说明基于稀疏和低秩结构的层析SAR三维成像算法的有效性，本文使用了仿真数据和机载实测数据进行实验，机载实验包含两组实测数据，一组为由德国宇航局(DLR)的机载F-SAR系统提供的HV极化通道的L波段数据[20]，另一组为中科院空天院机载阵列干涉SAR系统获取的HH极化通道的Ku波段数据[21]。其中L波段数据总航过数为9, Ku波段数据总通道数为12。
首先，仿真场景模拟了高程向0 m到90 m范围的森林区域，在该场景中，本文对不同航过数、稀疏度进行了模拟。图2(a)模拟了两个散射体，一个表示地面，另一个表示树冠散射中心，这两个散射体分别位于高程向9 m处和60 m处，对应的后向散射系数相等。图2(b)模拟了3个散射体，其中9 m处的表示地面，50 m和79 m处表示树冠散射中心，3个散射体的后向散射系数一致。仿真场景的相位服从
\left( {0,2\pi } \right) 的瑞利分布。仿真和L波段的F-SAR系统的实测数据所采用的雷达系统参数一致。雷达中心频率为1.325 GHz，方位向分辨率为0.4 m，距离向分辨率为1.5 m，实验分别采用9次航过数据和6次航过数据进行层析SAR成像。文献[20]给出了观测数据中的残余相位补偿文件和由基线间隔和中心斜距所计算的波数结果。其次，L波段F-SAR实测数据的采集区域为德国Trockenborn的部分区域，图3所示为该区域的光学图像，主要由森林和平地构成，非常适合验证本文方法在森林区域层析SAR成像的成像效果。Ku波段的实测数据为峨眉区域的城市数据，图4(a)为该区域的光学图像，图4(b)为该区域的SAR图像，该雷达系统的参数如表1所示。
表 1 Ku波段雷达系统参数Table 1. Ku-band radar system parameters参数 数值 载波频率(GHz)
通道数N
成像场景海拔(m)
图像最近斜距(m)
航线海拔(m)
距离向像素尺寸(m)
方位向像素尺寸(m)
基线长度(m)14.5
12420
1861
2157
0.1362
0.1051
24.2 仿真实验结果
仿真实验中，本文使用3种不同类型的方法对仿真数据进行重建，这3种方法分别是经典谱估计算法CAPON[7,8]、压缩感知[12-14]方法和基于稀疏和低秩结构的层析SAR成像方法。通过这些方法的仿真实验结果对比，以体现本文方法在层析SAR成像中的有效性。
首先在全航过(航过数为9)的情况下，分别采样以上方法对仿真数据进行重建。图5给出了航过数为9的情况下这3种方法的重建结果，可以看出CS和本文方法均能够准确恢复散射体的高程向位置，对归一化能量的值估计也大致准确，而CAPON算法对归一化能量值的估计存在误差，而且分辨率比另外两个方法要低。
图 5 航过数为9时各算法获得的高程向后向散射能量分布与仿真结果的对比Figure 5. Comparison of the simulation result of backscattered energy distribution of the elevation obtained by each algorithm with 9 interferograms接下来将航过数减少为6，同样采样以上方法对仿真数据进行重建。图6给出了6条航过数的情况下这3种方法的重建结果，可以看出本文方法在减少航过数的情况下依然能够获得与航过数为9的情况下几乎一致的结果；而CS虽然可以恢复散射体的高程向位置，但归一化能量的估计出现误差，并且出现了虚假目标；CAPON算法恢复的散射体位置发生了偏移，无法准确估计目标的高程向位置。
图 6 航过数为6时各算法获得的高程向后向散射能量分布与仿真结果的对比Figure 6. Comparison of the simulation result of backscattered energy distribution of the elevation obtained by each algorithm with 6 interferograms通过对图5和图6的4个图进行分析，可以发现本文方法在不同航过数和不同稀疏度条件下的结果均能够将多个散射体分离并进行重建，且对归一化能量的估计较好。
最后，本文针对两个散射体的场景分析噪声对航过数为9和航过数为6的仿真结果的影响，考察不同信噪比各种成像方法性能的对比。本文通过比较先验后向散射系数与重建的后向散射系数的均方误差(Mean Squared Error, MSE)说明算法的有效性，其具体计算公式如下：
\frac{1}{{{m}}}\sum\limits_{i = 1}^m {{{\left( {y{}_i - {{\hat y_i}} } \right)}^2}} (17) 其中，
{y_i} 表示先验的后向散射系数真值，{{\hat y_i}} 为各方法重建后的后向散射系数。实验结果如图7和图8所示。通过图7可知航过数为9的情况下，CAPON和其他方法相比误差较大，且不够稳定，而CS和本文方法随着信噪比的变化均有逐步减小的趋势，但本文方法拥有更低的均方误差，成像结果更加稳定。当航过数减少为6时，从图8可知本文方法的重建结果在不同信噪比下的均方误差均优于CAPON方法和CS方法。
图 7 航过数为9时不同信噪比情况下各算法的均方误差Figure 7. Mean square error of each algorithm at different SNR values with 9 interferograms
图 8 航过数为6时不同信噪比情况下各算法的均方误差Figure 8. Mean square error of each algorithm at different SNR values with 6 interferograms4.3 机载实验结果
在机载实验中，本文仍然采用CAPON, CS和基于稀疏和低秩结构的层析SAR成像方法。首先对F-SAR系统森林数据进行层析成像处理。通过比较3种不同方法对实测森林区域数据的成像结果，由此验证本文方法在层析SAR的森林区域成像的性能优势。
在全航过数(航过数为9)的情况下，使用前文提到的3种方法对F-SAR的实测森林数据进行层析SAR成像，具体成像结果如图9所示。通过对比3种方法的成像结果，可以看出3种方法均能够将实测森林数据中的地面和森林区域分开，但CAPON方法与另外两种方法相比分辨率较低。
图 9 航过数为9时各算法获得的森林区域重建结果Figure 9. Reconstruction results of the forest area by each algorithm with 9 interferograms随机抽取6次航过数据，依然使用以上3种方法在降低航过数的情况下对实测森林数据进行层析SAR成像。图10为航过数为6的情况下不同算法的成像结果。通过对比图10中各方法的成像结果，可以看出本文方法在减少航过数的情况下依然可得到高精度的成像结果，CAPON方法则出现了比较明显的分辨率下降，而CS对地面的成像效果出现地面不完整的现象。
图 10 航过数为6时各算法获得的森林区域重建结果Figure 10. Reconstruction results of the forest area by each algorithm with 6 interferograms其次，我们将上面所说的3种方法应用于中科院空天院阵列干涉SAR系统获取的峨眉区域数据，对其进行层析成像处理。通过比较3种方法在峨眉区域的层析成像结果，说明本文方法在城市区域成像的有效性。
在全通道数(通道数为12)的情况下，各方法的成像结果如图11所示，可以看出CAPON方法对峨眉区域数据的建筑物进行层析成像结果较差，难以形成建筑外形，而CS和本文方法均能够区分出地面与建筑，且层析成像结果比较清晰。
图 11 通道数为12时各算法的峨眉区域重建结果Figure 11. Reconstruction results of Emei area by each algorithm with 12 channels图12为通道数为8的情况下不同算法的成像结果。通过与图12对比可以看出CAPON方法对峨眉区域进行层析SAR成像的结果仍然较差，无法分辨建筑外形，CS虽然能够区分地面与建筑，但其成像结果中建筑顶部出现较多伪影，而本文方法在减少通道数的情况下依然能够区分峨眉区域的地面和建筑，并且基本不会出现伪影现象。
图 12 通道数为8时各算法的峨眉区域重建结果Figure 12. Reconstruction results of Emei area by each algorithm with 8 channels本文对3种方法的成像结果进行距离向上的切片，并把3种方法的切片结果置于一张图上进行比较，如图13所示。
图 13 各方法成像结果的距离向切片对比Figure 13. Comparison of range slices of imaging results of each method对图13进行分析，可以发现CAPON的成像结果中无法识别出建筑物；虽然CS方法能够对建筑和地面进行成像，但其在高度150 m附近出现了比较明显的伪影现象，如图中黑圈所示；而本文方法不仅对建筑和地面进行了高精度成像，并且基本没有出现伪影现象。
表2是各方法对峨眉数据进行成像的时间对比，实验运行平台：CPU为i9-10900X，内存为64GB，使用MATLAB软件计算。不难看出CAPON耗时非常少，本文方法耗时约为CS的1.67倍，基本在同一计算量级。
表 2 各方法耗时对比Table 2. Time comparison of each method方法 耗时(s) CAPON 61.844378 CS 43386.651744 本文方法 72769.757387 5. 结束语
本文提出了一种基于稀疏和低秩结构的层析SAR三维成像方法。本文从目标区域的特征入手，引入KL变换对相邻方位-距离单元高程向的低秩结构特性进行表征，构建稀疏和低秩结构相结合的层析SAR成像模型，采用ADMM方法推导层析SAR重构算法，获得高质量的三维重建结果。仿真与实测数据的实验结果表明，相比于传统的谱估计方法和稀疏信号处理方法，本文方法可以有效实现地面、树冠散射中心和建筑物成像，且在较少航过数和通道数时，保证目标区域三维重构精度。
-
图 5 空间目标地基雷达RCS测量观测几何
Figure 5. RCS measuring geometry configuration of space targets via ground-based radar
图 3 Range residuals calculated for Envisat pass measured by Graz SLR station on July 12, 2013[17]
图 4 Spin period analysis of Envisat in 2013[17] (black points indicate an inertial spin period and gray points apparent spin period)
图 9 Attitude estimation for Envisat sequence frames after constraining the search space[28]
图 10 Recording the distance sequence of target scattering points through radar ranging[35]
图 17 Comparison between the original observation sequence and the reproduced sequence with estimated attitude parameters[51]
-
[1] New Mexico State University. How many satellites in space[EB/OL]. https://web.nmsu.edu/~tnuslein/ICT460/SPECIAL/Page3.htm, 2021. [2] 央视网. 美俄卫星太空相撞[EB/OL]. http://news.cctv.com/special/satellitecrash/home/index.shtml, 2018. [3] Orbital debris quarterly news[R]. NASA Orbital Debris Program Office, 2010, 14(3). [4] 邢孟道, 林浩, 陈溅来, 等. 多平台合成孔径雷达成像算法综述[J]. 雷达学报, 2019, 8(6): 732–757. doi: 10.12000/JR19102XING Mengdao, LIN Hao, CHEN Jianlai, et al. A review of imaging algorithms in multi-platform-borne synthetic aperture radar[J]. Journal of Radars, 2019, 8(6): 732–757. doi: 10.12000/JR19102 [5] 马岩, 马驰, 解延浩, 等. 基于视频遥感卫星的空间目标光度测量[J]. 光子学报, 2019, 48(12): 1228002. doi: 10.3788/gzxb20194812.1228002MA Yan, MA Chi, XIE Yanhao, et al. Space target luminosity measurement based on video remote sensing satellites[J]. Acta Photonica Sinica, 2019, 48(12): 1228002. doi: 10.3788/gzxb20194812.1228002 [6] 王雪松, 陈思伟. 合成孔径雷达极化成像解译识别技术的进展与展望[J]. 雷达学报, 2020, 9(2): 259–276. doi: 10.12000/JR19109WANG Xuesong and CHEN Siwei. Polarimetric synthetic aperture radar interpretation and recognition: Advances and perspectives[J]. Journal of Radars, 2020, 9(2): 259–276. doi: 10.12000/JR19109 [7] 郭崇滨, 夏喜旺, 斯朝铭, 等. 分布式精密编队卫星相对位姿测量技术综述[J]. 航天控制, 2018, 36(6): 83–89. doi: 10.16804/j.cnki.issn1006-3242.2018.06.015GUO Chongbin, XIA Xiwang, SI Chaoming, et al. A survey of relative position and attitude measurement for formation flying satellite[J]. Aerospace Control, 2018, 36(6): 83–89. doi: 10.16804/j.cnki.issn1006-3242.2018.06.015 [8] AVENT R K, SHELTON J D, and BROWN P. The ALCOR C-band imaging radar[J]. IEEE Antennas and Propagation Magazine, 1996, 38(3): 16–27. doi: 10.1109/74.511949 [9] JAIN A and PATEL I. SAR/ISAR imaging of a nonuniformly rotating target[J]. IEEE Transactions on Aerospace and Electronic Systems, 1992, 28(1): 317–320. doi: 10.1109/7.135457 [10] BILL D. Wideband radar[J]. Lincoln Laboratory Journal, 2010, 18(2): 87–88. [11] CAMP W W, MAYHAN J T, and O’DONNELL R M. Wideband radar for ballistic missile defense and range-doppler imaging of satellites[J]. Lincoln Laboratory Journal, 2000, 12(2): 267–280. [12] MIT Lincoln Lab. The annual report summarizes lincoln laboratory[EB/OL]. https://archive.ll.mit.edu/publications/index.html, 2020. [13] Fraunhofer FHR Lab. Space observation radar TIRA[EB/OL]. https://www.fhr.fraunhofer.de/en/the-institute/technical-equipment/Space-observation-radar-TIRA.html, 2020. [14] VIRGILI B B, LEMMENS S, and KRAG H. Investigation on Envisat attitude motion[R]. Proceedings of the Deorbit Workshop, Noordwijk, The Netherlands, 2014. [15] Monitoring the re-entry of the Chinese space station Tiangong-1 with TIRA[EB/OL]. https://www.fhr.fraunhofer.de/en/businessunits/space/monitoring-the-re-entry-of-the-chinese-space-station-tiangong-1-with-tira.html, 2018. [16] VELLUTINI E, BIANCHI G, PARDINI C, et al. Monitoring the final orbital decay and the re-entry of Tiangong-1 with the Italian SST ground sensor network[J]. Journal of Space Safety Engineering, 2020, 7(4): 487–501. doi: 10.1016/j.jsse.2020.05.004 [17] KUCHARSKI D, KIRCHNER G, KOIDL F, et al. Attitude and spin period of space debris envisat measured by satellite laser ranging[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(12): 7651–7657. doi: 10.1109/TGRS.2014.2316138 [18] KIRCHNER G, HAUSLEITNER W, and CRISTEA E. Ajisai spin parameter determination using Graz kilohertz satellite laser ranging data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(1): 201–205. doi: 10.1109/TGRS.2006.882254 [19] GÓMEZ N O and WALKER S J I. Earth’s gravity gradient and eddy currents effects on the rotational dynamics of space debris objects: Envisat case study[J]. Advances in Space Research, 2015, 56(3): 494–508. doi: 10.1016/j.asr.2014.12.031 [20] LIN Houyuan and ZHAO Changyin. An estimation of Envisat’s rotational state accounting for the precession of its rotational axis caused by gravity-gradient torque[J]. Advances in Space Research, 2018, 61(1): 182–188. doi: 10.1016/j.asr.2017.10.014 [21] ZHONG Weijun, WANG Jiasong, JI Weijie, et al. The attitude estimation of three-axis stabilized satellites using hybrid particle swarm optimization combined with radar cross section precise prediction[J]. Proceedings of the Institution of Mechanical Engineers,Part G:Journal of Aerospace Engineering, 2016, 230(4): 713–725. doi: 10.1177/0954410015596178 [22] LYU Jiangtao, ZHONG Weijun, LIU Hong, et al. Novel approach to determine spinning satellites’ attitude by RCS measurements[J]. Journal of Aerospace Engineering, 2021, 34(4): 04021023. doi: 10.1061/(ASCE)AS.1943-5525.0001253 [23] D’AMICO S, BENN M, and JØRGENSEN J L. Pose estimation of an uncooperative spacecraft from actual space imagery[J]. International Journal of Space Science and Engineering, 2014, 2(2): 171–189. doi: 10.1504/IJSPACESE.2014.060600 [24] SHARMA S and D’AMICO S. Reduced-dynamics pose estimation for non-cooperative spacecraft rendezvous using monocular vision[C]. 38th AAS Guidance and Control Conference, Colorado, USA, 2017. [25] SAIDI M N, DAOUDI K, KHENCHAF A, et al. Automatic target recognition of aircraft models based on ISAR images[C]. 2009 IEEE International Geoscience and Remote Sensing Symposium, Cape Town, South Africa, 2009: IV-685–IV-688. [26] LEMMENS S, KRAG H, and ROSEBROCK J. Radar mappings for attitude analysis of objects in orbit[C]. The 6th European Conference on Space Debris, Darmstadt, Germany, 2013: 20–24. [27] LEMMENS S and KRAG H. Sensitivity of automated attitude determination form ISAR radar mappings[C]. Advanced Maui Optical and Space Surveillance Technologies Conference(AMOS), Tokyo, Japan, 2013. [28] AVILÉS M, MARGARIT G, CANETRI M, et al. Automated attitude estimation from ISAR images[C]. The 7th European Conference on Space Debris, Darmstadt, Germany, 2017: 1–13. [29] 杨长才, 魏丽芳, 周术诚, 等. 基于单目视觉的空间非合作目标相对姿态估计方法[J]. 福建农林大学学报: 自然科学版, 2015, 44(6): 657–661. doi: 10.13323/j.cnki.j,fafunat.sci.2015.06.017YANG Changcai, WEI Lifang, ZHOU Shucheng, et al. Monocular vision-based relative attitude estimation for non-cooperative space targets[J]. Journal of Fujian Agriculture and Forestry University:Natural Science Edition, 2015, 44(6): 657–661. doi: 10.13323/j.cnki.j,fafunat.sci.2015.06.017 [30] 丁赤飚, 仇晓兰, 徐丰, 等. 合成孔径雷达三维成像——从层析、阵列到微波视觉[J]. 雷达学报, 2019, 8(6): 693–709. doi: 10.12000/JR19090DING Chibiao, QIU Xiaolan, XU Feng, et al. Synthetic aperture radar three-dimensional imaging——from TomoSAR and array InSAR to microwave vision[J]. Journal of Radars, 2019, 8(6): 693–709. doi: 10.12000/JR19090 [31] 金亚秋. 多模式遥感智能信息与目标识别: 微波视觉的物理智能[J]. 雷达学报, 2019, 8(6): 710–716. doi: 10.12000/JR19083JIN Yaqiu. Multimode remote sensing intelligent information and target recognition: Physical intelligence of microwave vision[J]. Journal of Radars, 2019, 8(6): 710–716. doi: 10.12000/JR19083 [32] MA Y, SOATTO S, KOSECKA J, et al. An Invitation to 3-D Vision: From Images to Geometric Models[M]. Cambridge: Springer, 2012. [33] HARTLEY R and ZISSERMAN A. Multiple View Geometry in Computer Vision[M]. Cambridge: Cambridge University Press, 2003. [34] TOMASI C and TAKEO K. Shape and motion from image streams under orthography: A factorization method[J]. International Journal of Computer Vision, 1992, 9(2): 137–154. doi: 10.1007/BF00129684 [35] FERRARA M, ARNOLD G, and STUFF M. Shape and motion reconstruction from 3D-to-1D orthographically projected data via object-image relations[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2009, 31(10): 1906–1912. doi: 10.1109/TPAMI.2008.294 [36] FERRARA M, ARNOLD G, PARKER J T, et al. Robust estimation of shape invariants[C]. 2012 IEEE Radar Conference, Atlanta, USA, 2012: 167–172. [37] MCFADDEN F E. Three-dimensional reconstruction from ISAR sequences[C]. Proceedings of SPIE 4744 Sensor Technology and Data Visualization, Orlando, USA, 2002: 58–67. [38] 王峰, 徐丰, 金亚秋. 利用序列ISAR图像获取空间目标3-D信息的方法[J]. 遥感技术与应用, 2016, 31(5): 900–906. doi: 10.11873/j.issn.1004-0323.2016.05.0900WANG Feng, XU Feng, and JIN Yaqiu. 3-D information reconstruction of a space target from 2-D ISAR image sequence[J]. Remote Sensing Technology and Application, 2016, 31(5): 900–906. doi: 10.11873/j.issn.1004-0323.2016.05.0900 [39] WANG Feng, XU Feng, and JIN Yaqiu. Three-dimensional reconstruction from a multiview sequence of sparse ISAR imaging of a space target[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(2): 611–620. doi: 10.1109/TGRS.2017.2737988 [40] LINDSAY J E. Angular glint and the moving, rotating, complex radar target[J]. IEEE Transactions on Aerospace and Electronic Systems, 1968, AES-4(2): 164–173. doi: 10.1109/TAES.1968.5408954 [41] YIN Hongcheng and HUANG Peikang. Further comparison between two concepts of radar target angular glint[J]. IEEE Transactions on Aerospace and Electronic Systems, 2008, 44(1): 372–380. doi: 10.1109/TAES.2008.4517012 [42] 刘承兰, 高勋章, 黎湘. 干涉式逆合成孔径雷达成像技术综述[J]. 信号处理, 2011, 27(5): 737–748. doi: 10.3969/j.issn.1003-0530.2011.05.016LIU Chenglan, GAO Xunzhang, and LI Xiang. Review of interferometric ISAR Imaging[J]. Signal Processing, 2011, 27(5): 737–748. doi: 10.3969/j.issn.1003-0530.2011.05.016 [43] 李军, 王冠勇, 韦立登, 等. 基于毫米波多基线InSAR的雷达测绘技术[J]. 雷达学报, 2019, 8(6): 820–830. doi: 10.12000/JR19098LI Jun, WANG Guanyong, WEI Lideng, et al. Radar mapping technology based on millimeter-wave multi-baseline InSAR[J]. Journal of Radars, 2019, 8(6): 820–830. doi: 10.12000/JR19098 [44] 田彪, 刘洋, 呼鹏江, 等. 宽带逆合成孔径雷达高分辨成像技术综述[J]. 雷达学报, 2020, 9(5): 765–802. doi: 10.12000/JR20060TIAN Biao, LIU Yang, HU Pengjiang, et al. Review of high-resolution imaging techniques of wideband inverse synthetic aperture radar[J]. Journal of Radars, 2020, 9(5): 765–802. doi: 10.12000/JR20060 [45] MIT. MIT Lincoln Laboratory 2008 Annual Report[R]. 2008. [46] FORRESTER N T. Surface reconstruction from interferometric ISAR data[D]. [Master dissertation], Massachusetts Institute of Technology, 2014. [47] ZHAO Lizhi, GAO Meiguo, MARTORELLA M, et al. Bistatic three-dimensional interferometric ISAR image reconstruction[J]. IEEE Transactions on Aerospace and Electronic Systems, 2015, 51(2): 951–961. doi: 10.1109/TAES.2014.130702 [48] YUAN Zhengkun, WANG Junling, ZHAO Lizhi, et al. Long orbit arc InISAR imaging of space targets with monostatic radar[J]. IEEE Sensors Journal, 2021, 21(5): 5983–5994. doi: 10.1109/JSEN.2020.3039893 [49] SHAO Shuai, ZHANG Lei, LIU Hongwei, et al. Images of 3-D maneuvering motion targets for interferometric ISAR with 2-D joint sparse reconstruction[J]. IEEE Transactions on Geoscience and Remote Sensing, in press, 2020. [50] MAYHAN J T, BURROWS M L, CUOMO K M, et al. High resolution 3D “snapshot” ISAR imaging and feature extraction[J]. IEEE Transactions on Aerospace and Electronic Systems, 2001, 37(2): 630–642. doi: 10.1109/7.937474 [51] ZHOU Yejian, ZHANG Lei, CAO Yunhe, et al. Attitude estimation and geometry reconstruction of satellite targets based on ISAR image sequence interpretation[J]. IEEE Transactions on Aerospace and Electronic Systems, 2019, 55(4): 1698–1711. doi: 10.1109/TAES.2018.2875503 [52] 王志会, 王壮, 蒋李兵. 基于线特征差分投影的空间目标姿态估计方法[J]. 信号处理, 2017, 33(10): 1377–1384. doi: 10.16798/j.issn.1003-530.2017.10.014WANG Zhihui, WANG Zhuang, and JIANG Libing. Pose estimation method for space targets based on the linear features differencing projection[J]. Journal of Signal Processing, 2017, 33(10): 1377–1384. doi: 10.16798/j.issn.1003-530.2017.10.014 [53] XIE Pengfei, ZHANG Lei, DU Chuan, et al. Space target attitude estimation from ISAR image sequences with key point extraction network[J]. IEEE Signal Processing Letters, 2021, 28: 1041–1045. doi: 10.1109/LSP.2021.3075606 [54] ZHOU Yejian, ZHANG Lei, and CAO Yunhe. Dynamic estimation of spin spacecraft based on multiple-station ISAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 58(4): 2977–2989. doi: 10.1109/TGRS.2019.2959270 [55] ZHOU Yejian, ZHANG Lei, CAO Yunhe, et al. Optical-and-radar image fusion for dynamic estimation of spin satellites[J]. IEEE Transactions on Image Processing, 2019, 29: 2963–2976. doi: 10.1109/TIP.2019.2955248 [56] SUWA K, WAKAYAMA T, and IWAMOTO M. Three-dimensional target geometry and target motion estimation method using multistatic ISAR movies and its performance[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(6): 2361–2373. doi: 10.1109/TGRS.2010.2095423 [57] ZHOU Yejian, ZHANG Lei, and CAO Yunhe. Attitude estimation for space targets by exploiting the quadratic phase coefficients of inverse synthetic aperture radar imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(6): 3858–3872. doi: 10.1109/TGRS.2018.2888631 [58] ZHOU Yejian, ZHANG Lei, WEI Shaopeng, et al. Dynamic analysis of spin satellites through the quadratic phase estimation in multiple-station radar images[J]. IEEE Transactions on Computational Imaging, 2020, 6: 894–907. doi: 10.1109/TCI.2020.2995052 [59] LEFFERTS E J, MARKLEY F L, and SHUSTER M D. Kalman filtering for spacecraft attitude estimation[J]. Journal of Guidance,Control,and Dynamics, 1982, 5(5): 417–429. doi: 10.2514/3.56190 [60] KIM S G, CRASSIDIS J L, CHENG Yang, et al. Kalman filtering for relative spacecraft attitude and position estimation[J]. Journal of Guidance,Control,and Dynamics, 2007, 30(1): 133–143. doi: 10.2514/1.22377 [61] MARKLEY F L. Attitude error representations for Kalman filtering[J]. Journal of Guidance,Control,and Dynamics, 2003, 26(2): 311–317. doi: 10.2514/2.5048 [62] OPROMOLLA R and NOCERINO A. Uncooperative spacecraft relative navigation with LIDAR-based unscented Kalman filter[J]. IEEE Access, 2019, 7: 180012–180026. doi: 10.1109/ACCESS.2019.2959438 [63] CAO Lu, QIAO Dong, and CHEN Xiaoqian. Laplace ℓ1 Huber based cubature Kalman filter for attitude estimation of small satellite[J]. Acta Astronautica, 2018, 148: 48–56. doi: 10.1016/j.actaastro.2018.04.020 [64] VANDYKE M C, JANA L S, and HALL C D. Unscented Kalman filtering for spacecraft attitude state and parameter estimation[J]. Advances in the Astronautical Sciences, 2004, 118(1): 217–228. [65] WENDEL J, MEISTER O, SCHLAILE C, et al. An integrated GPS/MEMS-IMU navigation system for an autonomous helicopter[J]. Aerospace Science and Technology, 2006, 10(6): 527–533. doi: 10.1016/j.ast.2006.04.002 [66] CAROZZA L and BEVILACQUA A. Error analysis of satellite attitude determination using a vision-based approach[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 83: 19–29. doi: 10.1016/j.isprsjprs.2013.05.007 [67] NISTÉR D, NARODITSKY O, and BERGEN J. Visual odometry for ground vehicle applications[J]. Journal of Field Robotics, 2006, 23(1): 3–20. doi: 10.1002/rob.20103 [68] KOUYAMA T, KANEMURA A, KATO S, et al. Satellite attitude determination and map projection based on robust image matching[J]. Remote Sensing, 2017, 9(1): 90. doi: 10.3390/rs9010090 期刊类型引用(4)
1. 王粲雨，蒋李兵，任笑圆，王壮. 空间目标ISAR图像三维基元表示方法. 雷达学报. 2024(03): 682-695 . 
本站查看2. 魏明山，刘光花，程忠健，李玉财. 星载平面SAR卫星RCS特性研究. 现代雷达. 2024(04): 34-39 . 
百度学术3. 刘一飞，禹卫东，杨升辉，李世强. 天基ISAR对空间轨道目标高分辨率成像问题分析. 系统工程与电子技术. 2024(11): 3671-3683 . 百度学术4. 刘燕，汶德胜，易红伟，殷勤业. 空间目标视星等曲线仿真. 空间科学学报. 2022(03): 485-491 . 百度学术其他类型引用(8)
-
下载:
下载:
百度学术
计量
- 文章访问数: 4268
- HTML全文浏览量: 1536
- PDF下载量: 465
- 被引次数: 12
