基于高分三号SAR数据的城市建筑高分辨率高维成像

毕辉; 金双; 王潇; 李勇; 韩冰; 洪文

doi:10.12000/JR21113

基于高分三号SAR数据的城市建筑高分辨率高维成像

DOI: 10.12000/JR21113

毕辉^1, ,,
金双¹,
王潇²,
李勇¹,
韩冰³,
洪文³

1.
南京航空航天大学电子信息工程学院南京 211106
2.
南京工业大学计算机科学与技术学院南京 211816
3.
中国科学院空天信息创新研究院北京 100094

基金项目: 国家自然科学基金重点国际合作研究项目(61860206013)，广东省粤深联合基金重点项目(2020B151520060)，国家自然科学基金(61901213, 62001216)，中央高校基本科研基金(NE2020004)，江苏省自然科学基金(BK20194397)，航空科学基金(201920052001)，南京市留学人员科技创新项目，江苏省科协青年科技人才支持项目

详细信息

作者简介:
毕　辉(1991–)，男，籍贯山东，博士，教授，博士生导师。2017年于中国科学院大学获得博士学位，现任南京航空航天大学电子信息工程学院教授。主要研究方向为稀疏微波成像、雷达信号处理、三维四维雷达成像等

金　双(1998–)，女，籍贯辽宁，南京航空航天大学电子信息工程学院硕士研究生。主要研究方向为层析SAR成像和差分层析SAR成像

王　潇(1991–)，女，籍贯江苏，博士，讲师，硕士生导师。2019年于复旦大学获得博士学位，现任南京工业大学计算机科学与技术学院讲师。主要研究方向为极化、干涉、层析合成孔径雷达三维成像、信息提取与参数反演以及电磁目标智能感知与识别等

李　勇(1977–)，男，籍贯河南，博士，副教授，硕士生导师。2005年于南京航空航天大学获得博士学位，现任南京航空航天大学电子信息工程学院副教授。主要研究方向为雷达信号处理、SAR/ISAR成像算法、动目标检测、新体制雷达、电子对抗等

韩　冰(1980–)，女，籍贯北京，博士，研究员，博士生导师。2008年于中国科学院电子学研究所获得博士学位，现任中国科学院空天信息创新研究院研究员。主要研究方向为先进体制星载SAR高精度成像处理、SAR海洋遥感应用、多源遥感数据智能分析等

洪　文(1968–)，女，籍贯上海，博士，研究员，博士生导师。1997年于北京航空航天大学获得博士学位，现任中国科学院空天信息创新研究院研究员。主要研究方向为合成孔径雷达成像与系统及其应用、极化/极化干涉合成孔径雷达数据处理及应用、三维微波成像新概念新体制新方法等

通讯作者:
毕辉 bihui@nuaa.edu.cn

责任主编：孙进平 Corresponding Editor: SUN Jinping
中图分类号: TN959
计量
- 文章访问数: 3746
- HTML全文浏览量: 1253
- PDF下载量: 490
- 被引次数: 9
出版历程
- 收稿日期: 2021-08-22
- 修回日期: 2021-09-15
- 网络出版日期: 2021-09-30
- 刊出日期: 2022-02-28

High-resolution High-dimensional Imaging of Urban Building Based on GaoFen-3 SAR Data（in English）

BI Hui^{1
, ,},
JIN Shuang¹,
WANG Xiao²,
LI Yong¹,
HAN Bing³,
HONG Wen³

1.
College of Electronic and Information Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing 211106, China
2.
School of Computer Science and Technology, Nanjing Tech University, Nanjing 211816, China
3.
Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China

Funds: National Natural Science Foundation Key International Cooperation Research Project (61860206013), Guangdong Basic and Applied Basic Research Foundation (2020B1515120060), National Natural Science Foundation of China (61901213, 62001216), Fundamental Research Funds for the Central Universities (NE2020004), Natural Science Foundation of Jiangsu Province (BK20194397), Aeronautical Science Foundation of China (201920052001), Science and Technology Innovation Project for Overseas Researchers in Nanjing, Young Science and Technology Talent Support Project of Jiangsu Science and Technology Association

More Information

Corresponding author: BI Hui, bihui@nuaa.edu.cn

摘要

摘要: 传统合成孔径雷达(SAR)只能获取方位-距离二维图像，无法准确反映目标的三维散射结构信息。层析合成孔径雷达(TomoSAR)是一种多基线干涉测量模式，它将合成孔径原理扩展至高程向，除了可对目标进行二维成像之外，还可以准确恢复目标的高度向散射信息，真正实现三维成像。差分层析合成孔径雷达(D-TomoSAR)将合成孔径原理延伸至高程和时间方向，不仅可以获得目标的三维散射结构，还可以高精度获取观测目标的形变速率，实现对目标形变的有效监测。高分三号是我国首颗1 m分辨率C频段多极化SAR卫星。它具有高分辨率、大成像幅宽、多成像模式等特点，对我国高分对地观测技术的发展具有重要意义。目前高分三号数据主要应用于目标识别等图像处理领域，没有充分利用SAR图像的相位信息。而且，由于设计之初未考虑后续高维成像应用，现有高分三号获取的SAR图像存在有一定的空间、时间去相干问题，对应用于后续干涉系列处理产生了一定影响。为解决上述问题，该文基于7景高分三号SAR复图像，开展了对北京雁栖湖周围建筑的三维、四维层析成像研究，在获取了建筑物三维散射结构信息的同时，实现了对建筑物形变的毫米级高精度监测。该初步实验结果证明了高分三号SAR数据的应用潜力，为后续进一步扩展高分三号SAR卫星在城市感知与监测中的应用提供了技术支撑。
- 三维成像 /
- 四维成像 /
- 层析合成孔径雷达 /
- 差分层析合成孔径雷达 /
- 高分三号
Abstract: Conventional Synthetic Aperture Radar (SAR) can only obtain two-dimensional (2-D) azimuth-range images without accurately reflecting the three-Dimensional (3-D) scattering structure information of the targets. However, SAR Tomography (TomoSAR) is a multi-baseline interferometric measurement mode that extends the synthetic aperture principle into the elevation direction, making it possible to recover the true height of the target, thereby achieving 3-D imaging. Moreover, Differential SAR Tomography (D-TomoSAR) extends the synthetic aperture principle into the elevation and time directions simultaneously. Thus, it can obtain the target 3-D scattering structure along with the deformation speed of the observed target. GaoFen-3 (GF-3) is the first C-band multi-polarization 1 m resolution SAR satellite of China. It has several advantages, such as high-resolution, large swath width, and multiple imaging modes, which are crucial to the development of a high-resolution earth observation technology for China. Presently, GF-3 data are mainly used in the image processing field, such as target identification. However, the phase information of the SAR images is not yet fully utilized. Moreover, because of the high-dimensional imaging ability that was overlooked at the beginning of designing the system, existing SAR images acquired by GF-3 have spatial and temporal de-coherence problems. Thus, it is difficult to use the images in further interference series processing. To solve the above problems, this study achieved 3-D and four-Dimensional (4-D) imaging of buildings around Yanqi Lake, in Beijing, based on the data of seven SAR complex images. We obtained the 3-D scattering structure information of buildings and achieved millimeter-level high-precision monitoring of building deformation. The preliminary experimental results demonstrate the application potential of GF-3 SAR data and provide a technical support for the subsequent further application of the GF-3 SAR satellite in urban sensing and monitoring.

HTML全文

1. 引言

分布式多雷达系统节点多、分布广，为了适应复杂战场动态作战需求，需要根据作战任务动态组织各个站点的工作，提高整个系统抗干扰、抗截获、抗摧毁等能力。实际中，受各雷达节点工作参数及相对目标的位置等因素的影响，不同节点观测目标获得的信息量不同，为此，如何根据战场态势，动态优化选择雷达站点“匹配”目标跟踪，是一个重要问题。

目标跟踪理论是基于状态空间模型的递推结构，利用所有已知信息来求得目标状态变量的后验概率密度。即使用目标运动状态方程预测目标状态的先验概率，再利用最新时刻的雷达观测值来修正，得到状态的后验概率密度。传统多雷达跟踪通常使用所有雷达进行目标跟踪^[1,2]，研究的重点在于融合结构和融合算法^[1,2]，在传感器优化选取方面研究较少，目前，主要有基于目标预测的误差协方差矩阵^[3,4]和信息增益^[5]这两类优化准则的方法。第1类方法主要思想是依据目标跟踪的实际误差协方差矩阵与预设的期望协方差矩阵之间的差别进行雷达节点选择，使实际协方差矩阵在某种意义上逼近期望协方差矩阵；第2类方法主要思想是通过一个测量行为执行前后信息熵的减少求得信息增量，然后根据使信息增量最大的准则对传感器资源进行科学合理的分配。然而，第1类方法，实际中目标跟踪误差协方差矩阵的变化是相对缓慢的，灵敏度并不高，因此选择标准的精度不高；第2类方法仅是基于单部雷达的跟踪效果进行雷达的选取，并不能适用于雷达组合的选择。

本文提出了使用信息熵定量度量由多雷达联合观测获得的目标的信息量，并给出了该信息量的下界。以此为基础，本文提出基于信息熵的雷达动态自适应选择跟踪方法，该方法通过最小化观测信息熵下界，实时选择信息量高的多个雷达节点进行目标跟踪，从而避免使用信息量低或无信息量的雷达量测。最后，仿真结果表明提出方法的跟踪效果优于任意选择雷达跟踪的平均效果。

本文结构如下。第2节建立了多雷达跟踪目标的状态空间模型。第3节给出了多雷达观测信息熵的定量度量方法及其下界，进而理论推导了雷达动态自适应选择跟踪方法。第4节仿真对比了不同跟踪方法的效果。第5节为结束语。

2. 问题描述

在目标跟踪中，通常使用动态空间模型对目标的运动状态进行描述，包括状态方程和量测方程。其中，状态方程描述了目标运动状态随时间演变的过程，量测方程描述了雷达观测与目标状态的关系。其中，目标运动的状态方程为：

${{{X}}}\left( k \right) = {{{f}}}\left( {{{{X}}}\left( {k - 1} \right)} \right) + {{{V}}}\left( k \right)$

(1)

其中，X(k)为k时刻目标的状态，f为状态转移函数，V(k)为零均值、协方差矩阵为Q(k)的白色高斯过程噪声序列。

雷达通常在2维或3维极坐标系中获得观测值，而目标运动则是在直角坐标系中描述^[3,4]。假设目标运动在2维平面，雷达在极坐标系下获得探测目标的观测值。针对任意的多雷达探测系统构型，并且不失一般性，考虑各雷达自发自收的情况，k时刻第n部雷达的观测向量记为Z_n(k)=[r_n(k) a_n(k)]^T。其中，r_n(k)为第n部雷达与目标之间的径向距离，a_n(k)为第n部雷达与目标之间的方位角。由N部雷达组成的多雷达系统形成的观测集合Z(k)={Z₁(k) Z₂(k) ··· Z_N(k)}，对应的观测方程为：

${{{{Z}}}_n}\left( k \right) = {{{{h}}}_n}\left( {{{{X}}}\left( k \right)} \right) + {{{{W}}}_n}\left( k \right){\rm{,}}\;\;\;n = 1,2, ·\!·\!· ,N$

(2)

其中，h_n(X(k))为观测函数，具体计算方程为：

${{{{h}}}_n}\left( {{{{X}}}\left( k \right)} \right) \!=\!\!\! \left[\!\!\!\! {\begin{array}{*{20}{c}} {\sqrt {{{\bigl( {x\left( k \right) \!-\! {x_{r,n}}} \bigl)}^2} \!+\! {{\bigl( {y\left( k \right) \!-\! {y_{r,n}}} \bigl)}^2}} }\\ {\arctan \bigl [ {\left( {y\left( k \right) \!-\! {y_{r,n}}} \right) \!/ \!\left( {x\left( k \right) \!-\! {x_{r,n}}} \right)} \bigl]} \end{array}} \!\!\!\! \right]$

(3)

其中，(x(k) y(k))为k时刻目标在直角坐标系中的位置，( ${x_{r,n}}$ , ${y_{r,n}}$ )为第n部接收雷达的直角坐标位置。并且， ${x_{r,n}}$ 为位置的横坐标， ${y_{r,n}}$ 为位置的纵坐标。W_n(k)为与过程噪声不相关的测量噪声， ${{{{W}}}_n}(k) =$ ${[w_n^r(k) \ w_n^a\left( k \right)]^{\rm T}}$ ，测距噪声 $w_n^r(k)$ 和方位角测角噪声 $w_n^a\left( k \right)$ 是均值为零、标准差分别为 $\sigma _n^r$ 和 $\sigma _n^a$ 的统计独立的高斯白噪声，其中 $\sigma _n^r$ 表征了第n部雷达径向距离测量值误差的波动大小， $\sigma _n^a$ 表征了第n部雷达方位角测量值误差的波动大小。

相应的观测协方差矩阵 ${{{{R}}}_n}(k)$ 为：

${{{{R}}}_n}\left( k \right) \!=\! E\left( {{{{{W}}}_n}\left( k \right){{{{W}}}_n}{{\left( k \right)}^{\rm{T}}}} \right) \!=\! \left[\!\!\! {\begin{array}{*{20}{c}} {{{\left( {\sigma _n^r} \right)}^2}}&0\\ 0&{{{\left( {\sigma _n^a} \right)}^2}} \end{array}} \!\!\!\right]$

(4)

基于上述目标状态方程和观测方法，通常使用所有雷达进行目标跟踪，然而实际中不同雷达观测目标获得的信息量不同，有高有低，甚至有些雷达没有观测到任何目标信息，为此，需要从这些雷达中选择出信息含量高的雷达进行目标跟踪，提高目标跟踪效果。

3. 基于信息熵的多雷达节点自适应选择跟踪

3.1 多雷达联合观测信息熵及其下界

由N部雷达组成的多雷达系统的观测量可以表示为 ${{{r}}} = {[{r_n}]_{1 \times N}}$ , ${{{a}}} = {[{a_n}]_{1 \times N}}$ ，每个观测量为：

${r_n} = {R_n} + w_n^r$

(5)

${a_n} = {A_n} + {\rm{ }}w_n^a$

(6)

其中， ${R_n}$ , A_n分别为目标相对于第n部雷达的真实距离和角度，并且雷达n的目标距离观测噪声 $w_n^r \sim N(0,{(\sigma _n^r)^2})$ ，测角噪声 $w_n^a \sim N(0,{(\sigma _n^a)^2})$ 。

在N部雷达构成的多雷达系统极坐标观测的条件下，目标直角坐标位置估计协方差矩阵记为：

${{{{R}}}_{N,xy}} = E\left[ \begin{array}{l} \left( {x - \hat x} \right)\left( {x - \hat x} \right) & \left( {x - \hat x} \right)\left( {y - \hat y} \right)\\ \;\! \left( {x - \hat x} \right)\left( {y - \hat y} \right) & \!\; \left( {y - \hat y} \right)\left( {y - \hat y} \right) \end{array} \right]$

(7)

多雷达观测是为了更多更准确地获得目标位置信息，将由多雷达的极坐标系观测获得目标直角坐标位置的信息量，定义为多雷达联合观测信息熵，根据信息论原理，推导得N部雷达观测信息熵为：

${H_N}\left( {x,y|{{{r}}},{{{a}}}} \right) = \frac{1}{2}\ln \left( {{{\left( {2{{π}} e} \right)}^N}\left| {{{{{R}}}_{N,xy}}} \right|} \right)$

(8)

根据参数估计理论^[6]，由式(8)可知，多雷达联合观测信息熵下界为：

${H\!_N}\left( {x,y|{{{r}}},{{{a}}}} \right) \ge \frac{1}{2}\ln \left( {{{\left( {2{{π}} e} \right)}^N}\left| {{{{I}}}_N^{ - 1}\left( {x,y|{{{r}}},{{{a}}}} \right)} \right|} \right)$

(9)

其中， ${{{{I}}}\!_N}(x,y|{{{r}}},{{{a}}})$ 为Fisher信息矩阵。根据参数估计理论^[6]，式（9）中Fisher信息矩阵可以写为：

$\begin{align} &\!\!\!{{{{I}}}\!_N}\left( {x,y|{{{r}}},{{{a}}}} \right) \!\\[ &\!\!\! =\!\! \left[\!\!\!\! {\begin{array}{*{20}{c}} { - {\mathbb{E}} \left[ {\frac{{{\partial ^2}\ln {f\!_N}\left( {{{{r}}},{{{a}}}} \right)}}{{\partial {x^2}}}} \right]} { - {\mathbb{E}}\left[ {\frac{{{\partial ^2}\ln {f\!_N}\left( {{{{r}}},{{{a}}}} \right)}}{{\partial y\partial x}}} \right]}\\ { - {\mathbb{E}} \left[ {\frac{{{\partial ^2}\ln {f\!_N}\left( {{{{r}}},{{{a}}}} \right)}}{{\partial x\partial y}}} \right]} { - {\mathbb{E}}\left[ {\frac{{{\partial ^2}\ln {f\!_N}\left( {{{{r}}},{{{a}}}} \right)}}{{\partial {y^2}}}} \right]} \end{array}} \!\!\!\right] \end{align}$

(10)

其中，f_N(r, a)为由N部自发自收雷达组成的多雷达系统观测的联合概率密度函数。假设各个观测值独立不相关，那么根据式(5)，式(6)中各个雷达观测服从的概率分布可知，联合概率密度函数f_N(r, a)为：

$\begin{align} {f\!_N}\left( {{{{r}}},{{{a}}}} \right) =& \prod\limits_{n = 1}^N \frac{1}{{\sqrt {2{{π}} } \sigma _n^r}}\exp \left( { - \frac{{{{\left| {{r_n} - {R_n}} \right|}^2}}}{{2{{\left( {\sigma _n^r} \right)}^2}}}} \right)\\ & \cdot \frac{1}{{\sqrt {2{{π}} } \sigma _n^a}}\exp \left( { - \frac{{{{\left| {{a_n} - {A_n}} \right|}^2}}}{{2{{\left( {\sigma _n^a} \right)}^2}}}} \right) \end{align}$

(11)

由式(9)、式(10)及式(11)可知，在目标距离雷达站较远时，影响多雷达极坐标量测的信息熵下界的因素包括各雷达站与目标距离、方位角，以及各雷达站的测距精度和测角精度。

3.2 基于信息熵的多雷达联合跟踪方法描述

根据贝叶斯理论可知目标跟踪主要过程为，首先使用目标运动状态方程进行预测，获得目标状态的先验信息，然后再结合最新时刻的观测值来更新预测值，获得目标状态的后验概率密度，这样后验概率密度就包含了先验信息和观测在内的所有可利用信息，获得目标状态估计结果。因而，目标跟踪过程可理解为：后验=先验+观测，这表示调节观测会影响目标状态估计结果。

本文提出的基于信息熵的雷达节点自适应选择跟踪方法通过使用信息含量高的雷达节点而不是全部雷达节点进行目标跟踪，从而避免使用信息含量少甚至没有目标信息的雷达，有效提高目标跟踪效果。本文提出的方法在确定要选择的雷达站数目的情况下，通过最小化多雷达观测信息熵下界对每个时刻的雷达编号进行选择，然后使用所选取的信息量高的雷达对目标进行联合跟踪，从而获得较高的目标跟踪精度。

不失一般性，假设多雷达系统中共N部雷达，并且自发自收，在目标k时刻多雷达联合跟踪获得的目标状态估计值为 ${\hat{{{X}}}}(k|k)$ , ${{{P}}}(k|k)$ ，那么由k时刻递推到k+1时刻目标状态估计的过程描述如下。

•多雷达的选择

在k+1时刻的多个观测量中找出那些具有大的信息量的观测，利用这些观测量来更有效地提高目标跟踪精度。本文以信息熵下界最小，每个时刻自适应从多雷达观测信息熵中选出数值最小的两部(或多部)雷达编号，然后用于目标跟踪。

假设所选雷达站个数为N₀(N₀<N)，那么计算N部雷达中任意N₀部雷达的观测信息熵下界，形成 $C_N^{{N_0}}$ 个观测信息熵结果，进而选取具有最小观测信息熵下界的N₀部雷达的编号集 $\widehat {{{{Θ}}}}$ ，用这一编号集中的雷达进行多雷达站联合跟踪。为此，由式(9)可得雷达编号集为：

${{{\widehat {Θ}}}} = \mathop {\arg \min }\limits_{{{Θ}}} \frac{1}{2}\ln \left( {{{\left( {2{{π}} e} \right)}^{{N_0}}}\left| {{{{I}}}_{{N_0}}^{ - 1}\left( {x,y|{{{r}}},{{{a}}}} \right)} \right|} \right)$

(12)

由于函数ln(·)单调递增，式(12)中 ${\widehat {Θ}}$ 的求解等价为：

${{{\widehat {Θ}}}} = \mathop {\arg \max }\limits_{{{Θ}}} \left| {{{{{I}}}_{{N_0}}}\left( {x,y|{{{r}}},{{{a}}}} \right)} \right|$

(13)

其中， ${{I}}\!_{N_0}$ (x, y|r, a)为N₀部雷达观测获得目标位置状态估计的Fisher信息矩阵，其求解过程与3.1节中的求N部雷达的类似，仅需要将式(11)中的N部雷达观测的联合概率密度函数替换为N₀部雷达观测的联合概率密度函数，其表示为：

$\begin{align} {f\!_{{N_0}}}\left( {{{{{r}}}\!_{{N_0}}},{{{{a}}}_{{N_0}}}} \right) = &\prod\limits_{n \in {{{Θ}}}} {\frac{1}{{\sqrt {2{{π}} } \sigma _n^r}}{{\rm e}^{\left( { - {\rm{ }}\scriptsize\displaystyle\frac{{{{\left| {{r_n} - {R_n}} \right|}^2}}}{{2{{\left( {\sigma _n^r} \right)}^2}}}} \right)}}}\\ & \cdot \frac{1}{{\sqrt {2{{π}} } \sigma _n^a}}{{\rm e}^{\left( { - {\rm{ }}\scriptsize\displaystyle\frac{{{{\left| {{a_n} - {A_n}} \right|}^2}}}{{2{{\left( {\sigma _n^a} \right)}^2}}}} \right)}} \end{align}$

(14)

式中， ${{r}_{N_0}}, {{a}_{N_0}}$ 分别为N₀部雷达距离和方位角观测集， ${{{Θ}}}$ 为N部雷达中任意N₀部雷达组成的集合，共有 $C_N^{{N_0}}$ 个。其余参数含义同3.1节。

目前的多雷达融合跟踪算法都与融合结构密切相关，融合结构大致分成3大类：集中式、分布式和混合式^[7]。集中式融合也称为中心式融合(centralized fusion)或量测融合(measurement fusion)。分布式融合(distributed fusion)是各传感器都具有自己的局部处理器，能够形成局部航迹，所以在融合中心也主要是对各局部航迹进行融合，所以这种融合方法通常也称为航迹融合(track fusion)。混合式融合(hybrid fusion)是集中式结构和分布式结构的一种综合，融合中心得到的可能是原始量测数据，也可能是局部节点处理过的数据。

在选择完所用的雷达编号后，可采用这3种融合结构的任何一种进行目标融合跟踪，本文以航迹级融合为例，主要步骤包括使用上一时刻目标融合的位置状态估计对时刻k+1目标状态进行预测，然后使用所选择雷达分别对k+1时刻目标状态进行更新，最后对所选取的雷达的k+1时刻目标状态估计进行融合，获得目标k+1时刻状态估计结果。更为具体的算法描述如下。

•目标状态预测

从最优贝叶斯跟踪滤波的角度来看，在获得k时刻的观测值之前，根据目标运动状态转移模型，目标状态预测实现先验概率 $p({{{X}}}(k)|{{{{Z}}}_{1:k}})$ 到 $p({{{X}}}(k + 1)|{{{{Z}}}_{1:k}})$ 的求解^[8]。假设在k–1时刻， $p({{{X}}}(k)|{{{{Z}}}_{1:k}})$ 是已知的，那么，对于1阶马尔可夫过程(即该时刻的状态仅与上一时刻的状态值有关，而与之前所有时刻的状态值无关)，由Chapman- Kolmogorov方程可知

$\begin{align} p\left( {{{{X}}}\left( {k + 1} \right)|{{{{Z}}}_{1:k}}} \right) =& \int {p\left( {{{{X}}}\left( {k + 1} \right)|{{{X}}}\left( k \right)} \right)}\\ & \cdot p\left( {{{{X}}}\left( k \right)|{{{{Z}}}_{1:k}}} \right) {\rm d}{{{X}}}\left( k \right) \end{align}$

(15)

其中， $p({{{X}}}(k + 1)|{{{X}}}(k))$ 为目标状态转移概率， ${{{{Z}}}_{1:k}}$ 表示从1到k时刻观测量的集合，即 ${{{{Z}}}_{1:k}} =$ $\{ {{{Z}}}(1),{{{Z}}}(2), ·\!·\!· ,{{{Z}}}(k)\}$ 。根据目标运动方程，可得式(15)中的目标状态转移概率为：

$\begin{align} &p\left( {{{{X}}}\left( {k + 1} \right)|{{{X}}}\left( k \right)} \right) \\ &\quad\quad = N\left( {{{{X}}}\left( {k + 1} \right);f\left( {{{{X}}}\left( k \right)} \right),{{{Q}}}\left( k \right)} \right) \end{align}$

(16)

式中， $N({{{X}}}(k + 1);{{{f}}}({{{X}}}(k)),{{{Q}}}(k))$ 表示均值为 ${{{f}}}({{{X}}}(k))$ ，协方差矩阵为 ${{{Q}}}(k)$ 的高斯分布。

上述最优贝叶斯跟踪下的目标状态预测过程的具体实现可以采用转换量测卡尔曼滤波(CMKF)、基于泰勒展开式的扩展卡尔曼滤波^[9–11](Extended Kalman Filter, EKF)，不敏卡尔曼滤波^[12](Unscented Kalman Filter, UKF)，粒子滤波^[13](PF)等滤波方法中的目标状态预测过程。以EKF预测方法为例，目标状态的一步预测为：

${\hat{{{X}}}}(k + 1|k) = {\rm{ }}f\left( {{\hat{{{X}}}}\left( {k|k} \right)} \right)$

(17)

相应地，状态误差协方差矩阵的一步预测为：

${{{P}}}\left( {k + 1|k} \right) = {{{{f}}}\!_{{{X}}}}\left( k \right){{{P}}}\left( {k|k} \right){{{f}}}_{{{X}}}^{\rm T}\left( k \right) + {{{Q}}}\left( k \right)$

(18)

其中，f_X(k)为目标状态转移函数关于 ${\hat{{{X}}}}\!_n$ (k|k)的雅可比矩阵，Q(k)为白色高斯过程噪声序列的协方差矩阵。

•目标状态更新

从最优贝叶斯跟踪滤波的角度来看，目标状态更新是在获得k+1时刻的观测值后，实现先验概率 $p({{{X}}}(k + 1)|{{{{Z}}}_{1:k}})$ 至后验概率 $p({{{X}}}(k + 1)|{{{{Z}}}_{1:k + 1}})$ 的推导。根据贝叶斯定理可知

$p\bigr( {{{{X}}}\left( {k + 1} \right)|{{{{Z}}}_{1:k + 1}}} \bigr)= \frac{{p\bigr( {{{{Z}}}\left( {k \!+\! 1} \right)|{{{X}}}\left( {k \!+\! 1} \right)} \bigr)p\bigr( {{{{X}}}\left( {k \!+\! 1} \right)|{{{{Z}}}_{1:k}}} \bigr)}}{{\displaystyle\int {p\bigr( {{{{Z}}}\left( {k \!+\! 1} \right)|{{{X}}}\left( {k \!+\! 1} \right)} \bigr)p\bigr(\! {{{{X}}}\left( {k \!+\! 1} \!\right)|{{{{Z}}}_{1:k}}} \bigr){\rm d}{{{X}}}\left(\! {k \!+\! 1} \!\right)} }}$

(19)

其中，根据跟踪滤波的雷达观测模型，式(19)中的似然函数 $p\left( {{{{Z}}}\left( {k + 1} \right)|{{{X}}}\left( {k + 1} \right)} \right)$ 表达式为：

$\begin{align} &p\bigr( {{{{Z}}}\left( {k + 1} \right)|{{{X}}}\left( {k + 1} \right)} \bigr) \\ & \quad\quad = N\bigr( {{{{Z}}}\left( {k + 1} \right);{{{h}}}\left( {{{{X}}}\left( {k + 1} \right)} \right),{{{R}}}\left( {k + 1} \right)} \bigr) \end{align}$

(20)

式中，N(Z(k+1); h(X(k+1)), R(k+1))表示均值为h(X(k+1))，协方差矩阵为R(k+1)的高斯分布。

同样地，上述最优贝叶斯跟踪下的目标状态更新过程的具体实现可以采用CMKF, EKF, UKF, PF等滤波方法中的目标状态更新过程。本文以EKF目标状态更新过程为例进行描述。

将k+1时刻多雷达观测中的每部雷达观测分别代入滤波中的状态更新，得到对应每部雷达观测的多个目标状态更新值，并将使用第n部雷达观测得到的k+1时刻目标状态更新值记作 ${\hat{{{X}}}}$ _n(k+1|k+1), P_n(k+1|k+1)。具体过程如下：

由目标跟踪的状态空间方程中的观测方程，可得观测值和观测新息协方差矩阵预测为：

$\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\! {{\hat{{{Z}}}}_n}\left( {k + 1|k} \right) = {{{{h}}}_n}\left( {{\hat{{{X}}}}\left( {k + 1|k} \right)} \right)$

(21)

$\begin{align} {{{{S}}}_n}\left( {k + 1\left| k \right.} \right) = & {{{{h}}}_{n,{{X}}}}\left( {k + 1} \right){{{{P}}}\!_n}\left( {k + 1\left| k \right.} \right)\\ & \cdot{{{h}}}_{n,{{{X}}}}^{\rm T}\left( {k + 1} \right) + {{{{R}}}_n}\left( {k + 1} \right) \end{align}$

(22)

其中， ${{{{h}}}_{n,{X}}}(k + 1)$ 为量测函数关于 ${\hat{{{X}}}}$ _n(k+1|k)的雅可比矩阵，即

${{{{h}}}_{n,{{{X}}}}}\left( {k + 1} \right) = {\left[ {{\nabla\! _{{{X}}}}{{{h}}}_n^{\rm T}\left( {{{{X}}}\left( {k + 1} \right)} \right)} \right]^{\rm T}}\!\!\!\!_{{{{X}}} = {\hat{{{X}}}}(k + 1|k)} =\!\! {\left[\!\! {\begin{array}{*{20}{c}} {\frac{{x\left( {k + 1|k} \right)}}{{r\left( {k + 1|k} \right)}}}\!& \! 0\! & \! {\frac{{y\left( {k + 1|k} \right)}}{{r\left( {k + 1|k} \right)}}}&0\\ {\frac{{y\left( {k + 1|k} \right)}}{{{{\left( {r\left( {k + 1|k} \right)} \right)}^2}}}}\! & \! 0 \! & \! {\frac{{x\left( {k + 1|k} \right)}}{{{{\left( {r\left( {k + 1|k} \right)} \right)}^2}}}}&0 \end{array}} \!\!\right]_{\!\!{{{X}}} \!=\! {\hat{{{X}}}}(k \!+\! 1|k)}}$

(23)

EKF滤波方法的增益为：

${{{{P}}}\!_{n,{XZ}}} = {{{{P}}}\!_n}\left( {k + 1|k} \right){{{{h}}}_{n,{X}}}\left( {k + 1} \right)$

(24)

${{{{K}}}\!_n}\left( {k + 1} \right) = {{{{P}}}\!_{n,{{{XZ}}}}}{{{{S}}}\!_n}{\left( {k + 1|k} \right)^{ - 1}}$

(25)

空间目标状态和协方差矩阵的更新值分别为：

$\begin{align} {{\hat{{{X}}}}_n}\left( {k \!+\! 1|k \!+\! 1} \right) \!=\! &{\hat{{{X}}}}\left( {k + 1|k} \right) + {{{{K}}}_n}\left( {k + 1} \right) \\ & \cdot\left[ {{{{{Z}}}_n}\left( {k + 1} \right) - {{{\hat{{{Z}}}}}_n}\left( {k + 1|k} \right)} \right] \end{align}$

(26)

$\begin{align} &\!\!\!\!\! {{{{P}}}\!_n}\left( {k + 1|k + 1} \right)\\ & = \bigr[ {{{{I}}} - {{{{K}}}_n}\left( {k + 1} \right){{{{h}}}_{n,{{{X}}}}}\left( {k + 1} \right)} \bigr]\\ & \cdot {{{P}}}\left( {k + 1|k} \right){\bigr[ {{{{I}}} + {{{{K}}}_n}\left( {k + 1} \right){{{{h}}}_{n,{{{X}}}}}\left( {k + 1} \right)} \bigr]^{\rm{T}}}\\ & - {{{{K}}}_n}\left( {k + 1} \right){{{{R}}}_n}\left( {k + 1} \right){{{K}}}_n^{\rm{T}}\left( {k + 1} \right) \end{align}$

(27)

其中，I为4阶单位矩阵，其余变量的含义如上。经由以上步骤，得到了目标在k+1时刻的使用雷达n观测的状态估计 ${\hat{{{X}}}}\!_n$ (k+1|k+1)及状态协方差矩阵P_n(k+1|k+1)。

•多雷达跟踪航迹融合

将选出的N₀部雷达的目标状态更新结果进行融合，得到最后的目标状态融合结果作为k+1时刻目标状态估计值。设选择的融合雷达编号集合为 ${{{Ω}}}$ ，并且采用广义凸组合融合1(Generalized Convex Combination 1, GCC1)，有时也称为简单凸组合融合(Simple Convex Combination, SCC)^[1,2,14]，得到的融合结果为：

$\begin{align} &\!\!\!\!\!\!\! {\hat{{{X}}}}\left( {k \!+\! 1|k \!+\! 1} \right) \\ & \quad = {{{P}}}\left( {k + 1|k + 1} \right) \\ & \quad\quad \cdot \sum\limits_{n \in {{{Ω}}}} {{{{P}}}_n^{ - 1}\left( {k \!+\! 1|k \!+\! 1} \right){{{\hat{{{X}}}}}_n}\left( {k \!+\! 1|k \!+\! 1} \right)} \end{align}$

(28)

${{{P}}}\left( {k + 1|k + 1} \right) = {\left( {\sum\limits_{n \in {{{Ω}}}} {{{{P}}}_n^{ - 1}\left( {k + 1|k + 1} \right)} } \right)^{ - 1}}$

(29)

重复以上步骤直至跟踪结束，便可得到利用雷达观测信息熵下界自适应选择雷达节点，实现目标跟踪的整个过程。

4. 仿真分析

4.1 参数设置

在目标跟踪中，航迹精度是对跟踪滤波算法性能进行评估的重要指标。航迹精度体现了不同滤波方法对雷达测量误差的平滑程度。概括来讲，航迹精度包括位置精度和速度精度，航迹的位置精度定义为航迹位置估计的均方根误差。目标状态估计的均方根误差越小，滤波器的滤波值与真实值越接近，航迹精度则越高^[8]。

第m次蒙特卡诺仿真得到滤波估计误差为：

${{{{e}}}_m}\left( k \right) = {{\hat{{{X}}}}_m}\left( {k|k} \right) - {{{X}}}\left( k \right)$

(30)

其中， ${\hat{{{X}}}}$ _m (k+1|k+1)和X(k)分别为k时刻目标状态的跟踪结果和真实值。

目标跟踪位置和速度估计的均方根误差分别为：

$\begin{align} \ \ \, {\rm {RMSE}}_{\rm POS}\left( k \right) = &\left( \frac{1}{{\rm MC}}\sum\limits_{m = 1}^{\rm MC} {{\left[ {{{\hat x}_m}\left( {k|k} \right) - x\left( k \right)} \right]}^2} \right. \\ & +\left.{{\left[ {{{\hat y}_m}\left( {k|k} \right) - y\left( k \right)} \right]}^2}\right)^{1/2} \end{align}$

(31)

$\begin{align} {\rm RMSE}_{\rm VEL}\left( k \right) =& \left( \frac{1}{{\rm MC}}\sum\limits_{m = 1}^{\rm MC} {{\left[ {v{{\hat x}_m}\left( {k|k} \right) - vx\left( k \right)} \right]}^2} \right. \\ & + \left. {{\left[ {v{{\hat y}_m}\left( {k|k} \right) - vy\left( k \right)} \right]}^2} \Biggr\right)^{1/2} \end{align}$

(32)

其中，向量 $({{\hat x}_m} \ {{\hat y}_m} \ {{\hat z}_m})$ 和 $( x \ y \ z)$ 分别为目标在k时刻的位置估计值和真实值，向量 $({v{{\hat x}_m}} \ {v{{\hat y}_m}} \ {v{{\hat z}_m}})$ 和 $({vx} \ {vy} \ {vz})$ 分别为目标在k时刻的速度估计值和真实值，下标m表示第m次蒙特卡诺仿真，MC为总的蒙特卡诺仿真次数，本文设置为200，并且各部雷达的测距和测角误差方差分别为 $\sigma _r^2 = 25 \ {{\rm m}^2}$ , $\sigma _\theta ^2 =$ 0.0003 rad²。

假设在多雷达系统中共有4部雷达，它们在直角坐标系中的位置为：雷达1为(0, 0)、雷达2为(20000, 0) m、雷达3为(20000, 0) m和雷达4为(1000, 20000) m。设置的4部雷达站位置与目标航迹如图1所示。其中，目标运动时间为40 s，运动间隔为1 s，并在前26 s时间内目标做匀速直线运动，在26 s时目标进行了转弯，然后进行匀速直线运动，目标运动方向如图中箭头所示。

图 1 4部雷达位置与目标航迹图

Figure 1. Radars locations and target trajectory

下载: 全尺寸图片幻灯片

4.2 仿真与分析

为了仿真验证提出的方法，需要从场景中的4部雷达选择信息含量高的N₀部雷达进行跟踪，而此个数在实际的多目标多任务复杂跟踪场景，需要进行合理设置。本文从验证提出的方法的角度出发，可以将N₀进行人为设置。不失一般性，设计N₀=2，即从4部雷达选出联合信息量最多的2部雷达进行联合跟踪。根据3.2节中雷达优化选择方法，可知不同时刻跟踪选择的雷达站编号如图2所示。

图 2 不同时刻选择的信息量高的雷达编号

Figure 2. Radars indexes selected by fusion entropy model

下载: 全尺寸图片幻灯片

将基于联合信息量最大选出的两部雷达进行融合跟踪的方法记为“基于信息熵的联合跟踪”；将不采用信息量最大选择出的任意两部雷达跟踪的效果的平均记为“传统联合跟踪”。对比单部雷达跟踪、不采用和采用信息熵的联合跟踪效果，结果如图3和图4所示。

图 3 目标位置跟踪精度对比

Figure 3. Comparison of target position RMSE

下载: 全尺寸图片幻灯片

图 4 目标速度跟踪精度对比

Figure 4. Comparison of target velocity RMSE

下载: 全尺寸图片幻灯片

由图3和图4可知，采用基于两部联合信息量最大选出的雷达进行融合跟踪，得到的位置精度和速度精度最好，其次是不采用基于信息熵的任意两部雷达融合跟踪的平均效果，而单雷达跟踪效果最差。

5. 结束语

为了满足现代复杂战场动态作战需求，针对单雷达站信息量少跟踪精度不高，而多雷达系统中不同雷达、不同时刻获得目标信息量的多少不同的问题，提出一种基于信息熵的雷达动态自适应选择跟踪方法。该方法使用信息熵定量刻画了由多雷达极坐标观测获得目标直角坐标位置的信息量，并给出了其下界。进而，通过最小化雷达观测目标的信息熵下界，理论推导了每个时刻实时最优化选取目标信息含量高的雷达站进行跟踪的方法，具有良好的目标跟踪效果。

图 1 TomoSAR成像几何

Figure 1. TomoSAR imaging geometry

下载: 全尺寸图片幻灯片

图 2 高分三号数据集时空基线分布图

Figure 2. Spatial-temporal baseline distribution of GF-3 dataset

下载: 全尺寸图片幻灯片

图 3 高程向两个散射点的TomoSAR成像结果(左图：两个散射点之间的距离为11 m；右图：两个散射点之间的距离为50 m)

Figure 3. TomoSAR reconstructed reflectivity profiles of two scattering points along the elevation direction (left image: the distance between two scattering points is 11 m; right image: the distance between two scattering points is 50 m)

下载: 全尺寸图片幻灯片

图 4 高程向3个散射点的TomoSAR成像结果(3个散射点之间的间隔为20 m)

Figure 4. TomoSAR reconstructed reflectivity profiles of three scattering points along the elevation direction (the distance between three scattering points is 20 m)

下载: 全尺寸图片幻灯片

图 5 D-TomoSAR仿真结果(两个散射体高程位置为–10 m, 10 m；散射体形变速率分别为4毫米/年、–7毫米/年)

Figure 5. D-TomoSAR simulation results (elevation position of two scatters are –10 m and 10 m; deformation velocity of two scatters are 4 mm/year and –7 mm/year, respectively)

下载: 全尺寸图片幻灯片

图 6 生态农业公司

Figure 6. Ecological agricultural company

下载: 全尺寸图片幻灯片

图 7 生态农业公司高程图及形变速率图

Figure 7. Elevation and deformation velocity maps of ecological agricultural company

下载: 全尺寸图片幻灯片

图 8 生态农业公司三维点云图

Figure 8. 3-D point cloud of ecological agricultural company

下载: 全尺寸图片幻灯片

图 9 北京雁栖湖国际会展中心

Figure 9. Beijing Yanqi lake international convention and exhibition center

下载: 全尺寸图片幻灯片

图 10 北京雁栖湖国际会展中心高程图及形变速率图

Figure 10. Elevation and deformation velocity maps of Beijing Yanqi lake international convention and exhibition center

下载: 全尺寸图片幻灯片

图 11 北京雁栖湖国际会展中心三维点云图

Figure 11. 3-D point cloud of Beijing Yanqi lake international convention and exhibition center

下载: 全尺寸图片幻灯片

图 12 顶秀美泉小镇区域

Figure 12. Dingxiumeiquan town

下载: 全尺寸图片幻灯片

图 13 顶秀美泉小镇区域的高程图及形变速率图

Figure 13. Elevation and deformation velocity maps of Dingxiumeiquan town

下载: 全尺寸图片幻灯片

图 1 TomoSAR imaging geometry

下载: 全尺寸图片幻灯片

图 2 Spatio-temporal baseline distribution of the GF-3 dataset

下载: 全尺寸图片幻灯片

图 3 TomoSAR reconstructed reflectivity profiles of two scattering points along the elevation direction (left image: the distance between two scatterers is 11 m; right image: the distance between two scatters is 50 m)

下载: 全尺寸图片幻灯片

图 4 TomoSAR reconstructed reflectivity profiles of three scattering points along the elevation direction (the distance between three scatterers is 20 m)

下载: 全尺寸图片幻灯片

图 5 D-TomoSAR simulation results (elevation position of two scatterers are –10 m and 10 m; deformation velocity of two scatterers are 4 mm/year and –7 mm/year, respectively)

下载: 全尺寸图片幻灯片

图 6 The Haihuayundu Eco-agriculture Ltd

下载: 全尺寸图片幻灯片

图 7 Elevation and deformation velocity maps of the Haihuayundu Eco-agriculture Ltd

下载: 全尺寸图片幻灯片

图 8 3-D point cloud of the Haihuayundu Eco-agriculture Ltd

下载: 全尺寸图片幻灯片

图 9 Beijing Yanqi Lake International Convention and Exhibition Center

下载: 全尺寸图片幻灯片

图 10 Elevation and deformation velocity maps of Beijing Yanqi Lake International Convention and Exhibition Center

下载: 全尺寸图片幻灯片

图 11 3-D point cloud of Beijing Yanqi Lake International Convention and Exhibition Center

下载: 全尺寸图片幻灯片

图 12 The Dingxiumeiquan Town

下载: 全尺寸图片幻灯片

图 13 Elevation and deformation velocity maps of the Dingxiumeiquan Town

下载: 全尺寸图片幻灯片

表 1 高分三号数据集参数

Table 1. Parameters of GF-3 dataset

参数名称	数值	参数名称	数值
空间基线跨度	1417.4 m	数据景数	7景
时间基线跨度	464 d	方位向分辨率	0.3626 m
斜距	1052747 m	距离向分辨率	0.765692 m
波长	0.056 m	高程向理论分辨率	20.6174 m
入射角	47.2330015°	形变理论分辨率	21.8毫米/年

下载: 导出CSV

表 2 高分三号数据集时空基线参数

Table 2. Spatial-temporal baseline parameters of GF-3 dataset

编号	获取时间	空间基线(m)	时间基线(d)
1	2018.06.13	–459.108	–261
2	2019.01.31	–628.551	–29
3	2019.03.01	0	0
4	2019.03.30	–724.517	29
5	2019.07.24	692.863	145
6	2019.08.22	–38.211	174
7	2019.09.20	–510.491	203

下载: 导出CSV

表 1 Parameters of the GF-3 dataset

Parameter	Value	Parameter	Value
Spatial baseline span	1417.4 m	Number of scenes	7
Temporal baseline span	464 d	Azimuth resolution	0.3626 m
Slant range	1052747 m	Range resolution	0.765692 m
Wavelength	0.056 m	Elevation resolution	20.6174 m
Incident angle	47.2330015°	Information resolution	21.8 mm/year

下载: 导出CSV

表 2 Spatio-temporal baseline parameters of the GF-3dataset

Number	Time of acquisition	Spatial baseline (m)	Temporal baseline (d)
1	2018.06.13	–459.108	–261
2	2019.01.31	–628.551	–29
3	2019.03.01	0	0
4	2019.03.30	–724.517	29
5	2019.07.24	692.863	145
6	2019.08.22	–38.211	174
7	2019.09.20	–510.491	203

下载: 导出CSV

参考文献(44)

[1]	CURLANDER J C and MCDONOUGH R N. Synthetic Aperture Radar: Systems and Signal Processing[M]. New York: Wiley, 1991.
[2]	BUDILLON A, JOHNSY A C, and SCHIRINZI G. Contextual information based SAR tomography of urban areas[C]. 2019 Joint Urban Remote Sensing Event (JURSE), Vannes, Italy, 2019: 1–4. doi: 10.1109/JURSE.2019.8809076.
[3]	REIGBER A, MOREIRA A, and PAPATHANASSIOU K P. First demonstration of airborne SAR tomography using multibaseline L-band data[C]. IEEE 1999 International Geoscience and Remote Sensing Symposium, Hamburg, Germany, 1999: 44–46. doi: 10.1109/IGARSS.1999.773395.
[4]	REIGBER A and MOREIRA A. First demonstration of airborne SAR tomography using multibaseline L-band data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(5): 2142–2152. doi: 10.1109/36.868873
[5]	FORNARO G and SERAFINO F. Imaging of single and double scatterers in urban areas via SAR tomography[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(12): 3497–3505. doi: 10.1109/TGRS.2006.881748
[6]	REALE D, FORNARO G, PAUCIULLO A, et al. Tomographic imaging and monitoring of buildings with very high resolution SAR data[J]. IEEE Geoscience and Remote Sensing Letters, 2011, 8(4): 661–665. doi: 10.1109/LGRS.2010.2098845
[7]	SHAHZAD M and ZHU Xiaoxiang. Reconstruction of building façades using spaceborne multiview TomoSAR point clouds[C]. 2013 IEEE International Geoscience and Remote Sensing Symposium - IGARSS, Melbourne, Australia, 2013: 624–627. doi: 10.1109/IGARSS.2013.6721234.
[8]	WANG Xiao, XU Feng, and JIN Yaqiu. The iterative reweighted alternating direction method of multipliers for separating structural layovers in SAR tomography[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(11): 1883–1887. doi: 10.1109/LGRS.2017.2694825
[9]	WANG Yuanyuan and ZHU Xiaoxiang. Robust nonlinear blind SAR tomography in urban areas[C]. 12th European Conference on Synthetic Aperture Radar, Aachen, Germany, 2018: 1–6.
[10]	秦斐, 梁兴东, 张福博, 等. 基于机器学习的阵列层析SAR建筑物目标提取方法[J]. 信号处理, 2019, 35(2): 176–186. doi: 10.16798/j.issn.1003-0530.2019.02.003 QIN Fei, LIANG Xingdong, ZHANG Fubo, et al. Building target extraction methods in array SAR tomography based on machine learning[J]. Journal of Signal Processing, 2019, 35(2): 176–186. doi: 10.16798/j.issn.1003-0530.2019.02.003
[11]	LOMBARDINI F. Differential tomography: A new framework for SAR interferometry[C]. IGARSS 2003. 2003 IEEE International Geoscience and Remote Sensing Symposium, Toulouse, French, 2003: 1206–1208. doi: 10.1109/IGARSS.2003.1294059.
[12]	FORNARO G, PAUCIULLO A, and SERAFINO F. Multipass SAR processing for urbanized areas imaging and deformation monitoring at small and large scales[C]. 2007 Urban Remote Sensing Joint Event, Paris, 2007: 1–7. doi: 10.1109/URS.2007.371879.
[13]	FORNARO G, REALE D, and SERAFINO F. 4D SAR focusing: A tool for improved imaging and monitoring of urban areas[C]. IGARSS 2008 - 2008 IEEE International Geoscience and Remote Sensing Symposium, Boston, USA, 2008: V-475–V-478. doi: 10.1109/IGARSS.2008.4780132.
[14]	ZHU Xiaoxiang, ADAM N, and BAMLER R. Space-borne high resolution tomographic interferometry[C]. 2009 IEEE International Geoscience and Remote Sensing Symposium, Cape Town, South Africa, 2009: IV-869–IV-872. doi: 10.1109/IGARSS.2009.5417515.
[15]	FORNARO G, SERAFINO F, and REALE D. 4-D SAR imaging: The case study of Rome[J]. IEEE Geoscience and Remote Sensing Letters, 2010, 7(2): 236–240. doi: 10.1109/LGRS.2009.2032133
[16]	ZHU Xiaoxiang and BAMLER R. Let’s do the time warp: Multicomponent nonlinear motion estimation in differential SAR tomography[J]. IEEE Geoscience and Remote Sensing Letters, 2011, 8(4): 735–739. doi: 10.1109/LGRS.2010.2103298
[17]	SIDDIQUE M A, HAJNSEK I, AERSOSPACE G, et al. Investigating the combined use of differential SAR tomography and PSI for spatio-temporal inversion[C]. 2015 Joint Urban Remote Sensing Event (JURSE), Lausanne, Swiss, 2015: 1–4. doi: 10.1109/JURSE.2015.7120504.
[18]	WANG Zhigui and LIU Mei. Seasonal deformation and accelerated motion of infrastructure monitoring using a generalized differential SAR tomography[J]. IEEE Geoscience and Remote Sensing Letters, 2020, 17(4): 626–630. doi: 10.1109/LGRS.2019.2917324
[19]	CANDÈS E J. Compressive sampling[C]. The International Congress of Mathematicians, Madrid, Spain, 2006: 1433–1452.
[20]	DONOHO D L. Compressed sensing[J]. IEEE Transactions on Information Theory, 2006, 52(4): 1289–1306. doi: 10.1109/TIT.2006.871582
[21]	CANDÈS E J, ROMBERG J K, and TAO T. Stable signal recovery from incomplete and inaccurate measurements[J]. Communications on Pure and Applied Mathematics, 2006, 59(8): 1207–1223. doi: 10.1002/cpa.20124
[22]	ZHU Xiaoxiang and BAMLER R. Tomographic SAR inversion by L₁-Norm regularization—The compressive sensing approach[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(10): 3839–3846. doi: 10.1109/TGRS.2010.2048117
[23]	ZHU Xiaoxiang and BAMLER R. Super-resolution of sparse reconstruction for tomographic SAR imaging-demonstration with real data[C]. EUSAR 2012; 9th European Conference on Synthetic Aperture Radar, Nuremberg, USA, 2012: 215–218.
[24]	WEISS M, FORNARO G, and REALE D. Multi scatterer detection within tomographic SAR using a compressive sensing approach[C]. 2015 3rd International Workshop on Compressed Sensing Theory and its Applications to Radar, Sonar and Remote Sensing (CoSeRa), Pisa, 2015: 11–15. doi: 10.1109/CoSeRa.2015.7330254.
[25]	LI Xinwu, PENG Xing, and LIANG Lei. Sparse reconstruction-based SAR tomography and it’s application[C]. 2017 IEEE International Conference on Imaging Systems and Techniques (IST), Beijing, China, 2017: 1–5. doi: 10.1109/IST.2017.8261514.
[26]	ZHU Xiaoxiang and BAMLER R. Super-resolution for 4-D SAR tomography via compressive sensing[C]. 8th European Conference on Synthetic Aperture Radar, Aachen, Germany, 2010: 1–4.
[27]	ZHU Xiaoxiang and BAMLER R. Compressive sensing for high resolution differential SAR tomography - the SL1MMER algorithm[C]. 2010 IEEE International Geoscience and Remote Sensing Symposium, Honolulu, USA, 2010: 17–20. doi: 10.1109/IGARSS.2010.5654021.
[28]	LENG Ying, LI Fei, SHAO Yunfeng, et al. Elevation and deformation estimation based on TomoSAR[C]. EUSAR 2014; 10th European Conference on Synthetic Aperture Radar, Berlin, Germany, 2014: 1–4.
[29]	姚天宇. 长征四号丙运载火箭成功发射高分三号卫星[J]. 中国航天, 2016(8): 8. YAO Tianyu. The Long March 4C carrier rocket successfully launched the GaoFen-3 satellite[J]. Aerospace China, 2016(8): 8.
[30]	张庆君. 高分三号卫星总体设计与关键技术[J]. 测绘学报, 2017, 46(3): 269–277. doi: 10.11947/j.AGCS.2017.20170049 ZHANG Qingjun. System design and key technologies of the GF-3 satellite[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(3): 269–277. doi: 10.11947/j.AGCS.2017.20170049
[31]	李胜阳, 许志辉, 陈子琪, 等. 高分3号卫星影像在黄河洪水监测中的应用[J]. 水利信息化, 2017(5): 22–26, 72. LI Shengyang, XU Zhihui, CHEN Ziqi, et al. Application of GF-3 satellite remote sensing image on Yellow River flood monitoring[J]. Water Resources Informatization, 2017(5): 22–26, 72.
[32]	马建威, 孙亚勇, 陈德清, 等. 高分三号卫星在洪涝和滑坡灾害应急监测中的应用[J]. 航天器工程, 2017, 26(6): 161–166. doi: 10.3969/j.issn.1673-8748.2017.06.026 MA Jianwei, SUN Yayong, CHEN Deqing, et al. Applications of GF-3 satellite in flood and landslide disasters emergency monitoring[J]. Spacecraft Engineering, 2017, 26(6): 161–166. doi: 10.3969/j.issn.1673-8748.2017.06.026
[33]	余博, 李如仁, 陈振炜, 等. 基于高分三号数据的干涉测量研究[J]. 测绘工程, 2019, 28(4): 19–23, 28. YU Bo, LI Ruren, CHEN Zhenwei, et al. Experimental research on interferometry based on GF-3 SAR data[J]. Engineering of Surveying and Mapping, 2019, 28(4): 19–23, 28.
[34]	黄震, 赵双明, 常青. 国产高分三号卫星干涉测量试验[J]. 测绘地理信息, 2021, 46(4): 7–11. doi: 10.14188/j.2095-6045.2019083 HUANG Zhen, ZHAO Shuangming, and CHANG Qing. Interferometric test using domestic GF-3 satellite[J]. Journal of Geomatics, 2021, 46(4): 7–11. doi: 10.14188/j.2095-6045.2019083
[35]	FORNARO G, SERAFINO F, and SOLDOVIERI F. Three-dimensional focusing with multipass SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(3): 507–517. doi: 10.1109/TGRS.2003.809934
[36]	ZHU X. High-resolution spaceborne radar tomography[D]. Technische Universität München, 2008.
[37]	FORNARO G, REALE D, and SERAFINO F. Four-dimensional SAR imaging for height estimation and monitoring of single and double scatterers[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(1): 224–237. doi: 10.1109/TGRS.2008.2000837
[38]	PATI Y C, REZAIIFAR R, and KRISHNAPRASAD P S. Orthogonal matching pursuit: Recursive function approximation with applications to wavelet decomposition[C]. 27th Asilomar Conference on Signals, Systems and Computers, Pacific Grove, USA, 1993: 40–44. doi: 10.1109/ACSSC.1993.342465.
[39]	BI Hui and BI Guoan. Performance analysis of iterative soft thresholding algorithm for L₁ regularization based sparse SAR imaging[C]. 2019 IEEE Radar Conference (RadarConf), Boston, USA, 2019: 1–6. doi: 10.1109/RADAR.2019.8835551.
[40]	毕辉. 基于稀疏信号处理的SAR/TomoSAR成像方法研究[D]. [博士论文], 中国科学院大学, 2017: 33–41. BI Hui. Research on the imaging method of SAR/TomoSAR based on sparse signal processing[D]. [Ph. D. dissertation], University of Chinese Academy of Sciences, 2007: 33–41.
[41]	STOICA P and MOSES R. Spectral Analysis of Signals[M]. Upper Sadle River, New Jersey: Pearson Prentice Hall, 2005.
[42]	CAPON J. High-resolution frequency-wavenumber spectrum analysis[J]. Proceedings of the IEEE, 1969, 57(8): 1408–1418. doi: 10.1109/PROC.1969.7278
[43]	SCHMIDT R. Multiple emitter location and signal parameter estimation[J]. IEEE Transactions on Antennas and Propagation, 1986, 34(3): 276–280. doi: 10.1109/TAP.1986.1143830
[44]	STOICA P and NEHORAI A. MUSIC, maximum likelihood, and Cramer-Rao bound: Further results and comparisons[J]. IEEE Transactions on Acoustics,Speech,and Signal Processing, 1990, 38(12): 2140–2150. doi: 10.1109/29.61541

施引文献

期刊类型引用(3)

1.	王岩飞，李和平，韩松. 天线阵列编码合成孔径成像. 雷达学报. 2023(01): 1-12 . 本站查看
2.	彭正翔，张群，刘治东，李开明，蔡斌. 一种基于正交脉冲分集的ISAR欺骗干扰消除与识别方法. 空军工程大学学报(自然科学版). 2022(02): 39-45 . 百度学术
3.	冯翼，杜好阳，李一木，王磊，王昕，郑益慧. 基于脉冲编码激励超声扩频测距的变压器绕组变形检测技术. 高电压技术. 2020(11): 3960-3969 . 百度学术

其他类型引用(6)

资源附件(0)

访问统计

图(26) / 表(4)

计量

文章访问数: 3746
HTML全文浏览量: 1253
PDF下载量: 490
被引次数: 9

1. 引言
2. 问题描述
3. 基于信息熵的多雷达节点自适应选择跟踪
3.1 多雷达联合观测信息熵及其下界
3.2 基于信息熵的多雷达联合跟踪方法描述
4. 仿真分析
4.1 参数设置
4.2 仿真与分析
5. 结束语

基于高分三号SAR数据的城市建筑高分辨率高维成像

DOI: 10.12000/JR21113

通讯作者:
毕辉 bihui@nuaa.edu.cn

计量

High-resolution High-dimensional Imaging of Urban Building Based on GaoFen-3 SAR Data（in English）

Corresponding author: BI Hui, bihui@nuaa.edu.cn

1. 引言

2. 问题描述

3. 基于信息熵的多雷达节点自适应选择跟踪

3.1 多雷达联合观测信息熵及其下界

3.2 基于信息熵的多雷达联合跟踪方法描述

4. 仿真分析

4.1 参数设置

4.2 仿真与分析

5. 结束语

期刊类型引用(3)

其他类型引用(6)

计量

目录

1. 引言

2. 问题描述

3. 基于信息熵的多雷达节点自适应选择跟踪

3.1 多雷达联合观测信息熵及其下界

3.2 基于信息熵的多雷达联合跟踪方法描述

4. 仿真分析

4.1 参数设置

4.2 仿真与分析

5. 结束语

期刊介绍

联系我们

基于高分三号SAR数据的城市建筑高分辨率高维成像

DOI: 10.12000/JR21113

通讯作者: 毕辉 bihui@nuaa.edu.cn

计量

出版历程

High-resolution High-dimensional Imaging of Urban Building Based on GaoFen-3 SAR Data（in English）

Corresponding author: BI Hui, bihui@nuaa.edu.cn

1. 引言

2. 问题描述

3. 基于信息熵的多雷达节点自适应选择跟踪

3.1 多雷达联合观测信息熵及其下界

3.2 基于信息熵的多雷达联合跟踪方法描述

4. 仿真分析

4.1 参数设置

4.2 仿真与分析

5. 结束语

期刊类型引用(3)

其他类型引用(6)

计量

出版历程

目录

1. 引言

2. 问题描述

3. 基于信息熵的多雷达节点自适应选择跟踪

3.1 多雷达联合观测信息熵及其下界

3.2 基于信息熵的多雷达联合跟踪方法描述

4. 仿真分析

4.1 参数设置

4.2 仿真与分析

5. 结束语

期刊介绍

联系我们

通讯作者:
毕辉 bihui@nuaa.edu.cn