基于低秩稀疏約束的穿墻雷達(dá)成像算法*

(沈陽航空航天大學(xué) 電子信息工程學(xué)院，沈陽 110136)

基于低秩稀疏約束的穿墻雷達(dá)成像算法*

屈樂樂**，葛亞楠，藍(lán)曉宇

(沈陽航空航天大學(xué) 電子信息工程學(xué)院，沈陽 110136)

針對穿墻雷達(dá)(TWR)成像過程中墻雜波與成像空間分別具有低秩性和稀疏性的特點，提出了一種基于低秩稀疏約束的穿墻雷達(dá)成像算法。所提成像算法通過奇異值軟閾值法和l1范數(shù)最小化技術(shù)進行迭代求解低秩稀疏約束優(yōu)化問題，實現(xiàn)在墻體強反射波存在的探測環(huán)境中基于壓縮感知框架對墻后隱蔽目標(biāo)的準(zhǔn)確成像重建。仿真和實驗數(shù)據(jù)的處理結(jié)果驗證了所提成像算法的有效性和準(zhǔn)確性。

穿墻雷達(dá)；成像算法；低秩；稀疏約束；壓縮感知

1 引 言

穿墻雷達(dá)(Through-the-Wall Radar,TWR)是一種利用電磁波的低頻穿透特性對墻后隱蔽目標(biāo)進行探測的透視成像技術(shù)，在城市執(zhí)法、災(zāi)害救援和軍事行動等領(lǐng)域得到了廣泛關(guān)注[1-2]。隨著TWR技術(shù)應(yīng)用需求的進一步推動，國內(nèi)外高校和科研機構(gòu)研制的TWR系統(tǒng)都朝著多視角、多極化、多頻段和高分辨率方向發(fā)展[3-4]，這使得TWR系統(tǒng)的現(xiàn)場數(shù)據(jù)采集量海量增加，大大增加了數(shù)據(jù)處理的復(fù)雜度和難度。為了保證TWR系統(tǒng)良好的探測性能，系統(tǒng)所采用的成像算法至關(guān)重要?；趬嚎s感知(Compressive Sensing,CS)理論的稀疏微波成像技術(shù)利用探測場景具有稀疏性這一先驗信息，將對信號的采樣轉(zhuǎn)變?yōu)閷π畔⒌牟蓸?，可以大幅度降低回波信號的采樣率，減小系統(tǒng)的數(shù)據(jù)采集量，同時實現(xiàn)對探測目標(biāo)的準(zhǔn)確高分辨率成像。近年來，國內(nèi)外學(xué)者陸續(xù)將CS理論應(yīng)用于TWR成像，提出了一些有效可行的稀疏TWR成像算法[5-9]。但在TWR的實際測量過程中，由于墻體強反射波的存在，CS成像算法的性能會急劇下降。針對上述問題，文獻 [10-12]提出首先在每個測量位置基于接收信號的稀疏性重建原始測量信號，然后通過傳統(tǒng)雜波抑制算法去除墻體強反射波，最后基于CS成像模型對探測區(qū)域進行成像重建。但這些成像算法由于需要在每個天線位置重建原始測量信號，計算過程較繁瑣，同時成像結(jié)果很大程度上取決于原始測量信號的恢復(fù)質(zhì)量。

本文提出一種基于低秩稀疏約束的TWR成像算法。通過對TWR回波信號模型進行分析發(fā)現(xiàn)墻體反射回波具有低秩特征，而目標(biāo)成像空間具有稀疏性，整個TWR成像重建過程可看成一個求解低秩稀疏約束的優(yōu)化問題。通過迭代技術(shù)求解低秩稀疏約束最優(yōu)化問題重建低秩矩陣和稀疏向量，低秩矩陣對應(yīng)為墻雜波信號，而稀疏向量為重建的目標(biāo)像。仿真和實驗結(jié)果表明與傳統(tǒng)的CS成像算法相比，本文所提成像算法能夠在墻體強反射波存在的情況下實現(xiàn)對目標(biāo)位置的正確恢復(fù)，進一步擴大了壓縮感知TWR的工程應(yīng)用范圍。

2 低秩稀疏TWR信號模型

TWR系統(tǒng)探測示意圖如圖1所示。

圖1 TWR系統(tǒng)探測示意圖Fig.1 Measurement configuration of a TWR system

假設(shè)系統(tǒng)采用單站步進頻率體制，收發(fā)共置天線自左向右沿平行于墻體方向均勻步進前進，測線方向上共有M個天線位置，每個天線位置系統(tǒng)共發(fā)射N個頻率，則系統(tǒng)在第n(n=1,2,…,N)個頻點和第m(m=1,2,…,M)個天線位置的測量數(shù)據(jù)zn,m可以表示為

(1)

(2)

其中：σw為墻體的反射系數(shù);fn為第n個工作頻點;τw為一常數(shù)，表示第m個天線位置到墻體的雙程傳輸時延，與天線的測量位置無關(guān)[13-14]。

(3)

其中：P為目標(biāo)總個數(shù)，σp為第p個目標(biāo)的反射系數(shù)，τm,p表示第m個天線位置和第p個目標(biāo)之間的雙程時延。

Z=Zw+Zt+V。

(4)

其中：Zw為墻體反射波信號。由于在天線的移動過程中由于墻體回波延時τw不變，所以Zw是一個低秩矩陣。

將待成像區(qū)域劃分成Q=K×L個均勻空間網(wǎng)格，其中K和L分別代表距離向和方位向的離散網(wǎng)格數(shù)，則待重建圖像經(jīng)過列堆疊操作轉(zhuǎn)換為Q×1維場景反射率向量s，其第q(q=1,2,…,Q)個元素sq可表示為

(5)

(6)

其中：Ψm為N×Q維字典矩陣，其第n行第q列的元素可表示為

[Ψm]n,q=exp(-j2πfnτm,q) ，

(7)

τm,q表示第m個天線位置和第q個成像網(wǎng)格之間的雙程時延。

zt=Ψs。

(8)

在TWR實際應(yīng)用中，探測場景中感興趣目標(biāo)通常僅占據(jù)了較少的空間位置，所以s是稀疏向量。

3 低秩稀疏約束TWR成像重建

由于s是稀疏向量，根據(jù)CS理論可通過隨機測量矩陣Φ實現(xiàn)降采樣得到降采樣向量

y=Φυ(Z) 。

(9)

其中：Φ為K×MN維矩陣，其構(gòu)造可通過從MN×MN維矩陣中隨機選取K行來實現(xiàn)；υ(·)為向量化算子，表示把N×M維矩陣按列堆疊排列成MN×1維向量。將式(4)代入式(9)，有

y=Φυ(Zw)+Φυ(Zt)+Φυ(V)=
Φυ(Zw)+ΦΨs+Φυ(V) 。

(10)

其中：Zw為低秩矩陣，s為稀疏向量。則s可通過求解低秩稀疏最優(yōu)化問題得到重建：

(11)

其中：ε表示重建過程中允許的數(shù)據(jù)誤差；λ為正則化參數(shù)；‖·‖*代表核范數(shù)，‖·‖1和‖·‖2分別代表l1范數(shù)和l2范數(shù)。通過拉格朗日乘子法將式(11)轉(zhuǎn)換為無約束最優(yōu)化問題求解：

(12)

其中：λw和λs分別為對應(yīng)低秩部分和稀疏部分的正則化參數(shù)。

采用奇異值軟閾值法[15]和l1范數(shù)最小化技術(shù)[16]進行迭代求解式(12),重建低秩矩陣Zw和稀疏向量s。首先定義收縮算子為

(13)

其中：τ為一常數(shù)。假設(shè)Zw的奇異值分解為

Zw=UΛVH。

(14)

Sτ(Zw)=UDτ(Λ)VH。

(15)

其中：Dτ(Λ)=diag(Dτ(σi))。則式(12)的稀疏低秩約束問題的迭代求解步驟如下：

Step2 奇異值軟閾值法估計墻體反射信號Zw：

Step3l1范數(shù)最小化技術(shù)重建稀疏向量s：

Step4 判斷迭代是否終止：

如果重建相對變化量

停止迭代，輸出結(jié)果；否則，計算殘差

基于AutoCAD進行二次開發(fā)的結(jié)構(gòu)施工圖審核軟件需要通過2張施工圖進行比較來確定構(gòu)件的具體位置，雖然計算書的準(zhǔn)確性較高，但施工圖是人工繪制的，構(gòu)件的準(zhǔn)確位置很容易出現(xiàn)錯誤，而BIM技術(shù)的施工圖可由三維結(jié)構(gòu)軟件直接導(dǎo)出，構(gòu)件的位置和尺寸等信息準(zhǔn)確性更高，直接讀取即可。

更新數(shù)據(jù)：

4 仿真與實驗結(jié)果分析

4.1仿真結(jié)果分析

為了驗證所提成像算法的有效性和準(zhǔn)確性，首先采用射線法構(gòu)造探測場景得到TWR回波數(shù)據(jù)，然后采用成像算法對仿真數(shù)據(jù)進行處理得到成像結(jié)果。仿真模型設(shè)置如下：系統(tǒng)采用單站步進頻工作模式，起始頻率為1 GHz，終止頻率為3 GHz，頻率步進間隔為10 MHz，每個天線測量位置共有201個頻點。合成孔徑長度為2 m，每隔5 cm設(shè)置一個天線位置，共有41個位置。墻體的厚度為0.2 m，墻的相對介電常數(shù)為6，距離墻體的后表面0.2 m放置兩個點目標(biāo)。墻體的反射率設(shè)為1，兩個點目標(biāo)的反射率為0.1，信噪比為10 dB。通過射線法計算得到各測量孔徑處的頻域散射回波，總共有201×41=8 241個測量數(shù)據(jù)。從8 241個測量數(shù)據(jù)中隨機抽取1 640個測量數(shù)據(jù)用于成像。成像區(qū)域設(shè)置為1 m×1 m，整個成像區(qū)域被剖分為51×51個網(wǎng)格。迭代求解過程中τ取2.5，λs取40。圖2分別給出了傳統(tǒng)CS成像結(jié)果和基于低秩稀疏約束的TWR成像結(jié)果。從圖2可以看出在有墻體強反射波存在的情況下，傳統(tǒng)CS成像結(jié)果中出現(xiàn)了很強的背景雜波干擾，已無法重建準(zhǔn)確的目標(biāo)像，但低秩稀疏成像算法仍能夠準(zhǔn)確清晰地重建目標(biāo)像。

(a)傳統(tǒng)CS成像結(jié)果

(b)低秩稀疏約束成像結(jié)果圖2 仿真數(shù)據(jù)成像結(jié)果Fig.2 Imaging results of simulation data

為了定量比較兩種成像算法的成像重建性能，分別采用成像結(jié)果的目標(biāo)雜波比(Target-to-Clutter Ratio，TCR)和成像重建時間來衡量成像重建性能。TCR定義為

(16)

其中：I(q)表示成像結(jié)果的第q個像素值，At和Ac分別表示成像結(jié)果的目標(biāo)區(qū)域和雜波區(qū)域，Nt和Nc分別表示目標(biāo)區(qū)域和雜波區(qū)域?qū)?yīng)的像素個數(shù)。本文的計算環(huán)境為：采用Intel(R) Core(TM) i7-4510U CPU 550@2.0 GHz，2.6 GHz，8 GB的內(nèi)存，Microsoft Windows 7系統(tǒng)和Matlab 7.8.0計算平臺。仿真實驗中進行20次獨立實驗，每次獨立實驗中隨機抽取不同的1 640個測量數(shù)據(jù)用于成像，然后對隨機測量數(shù)據(jù)進行處理，記錄每次實驗成像結(jié)果的TCR和成像重建時間，最后取平均得到平均TCR和平均成像重建時間。表1給出了兩種成像算法的成像重建性能對比結(jié)果。從表中可以看出，所提成像算法的平均成像重建時間大約是傳統(tǒng)CS成像算法的3倍，但成像重建結(jié)果的TCR比傳統(tǒng)CS成像算法提高了344.6 dB。

表1 成像重建性能對比Tab.1 Comparison of imaging reconstruction performance

圖3給出了所提低秩稀疏約束成像算法的重建相對變化量與迭代次數(shù)之間的關(guān)系。從圖中可以看出隨著迭代次數(shù)增加到5以后，重建相對變化量趨于穩(wěn)定。因此，所提成像算法可以用較少的迭代次數(shù)完成成像重建任務(wù)。成像過程中迭代終止門限δ取7×10-6。

圖3 重建相對變化量和迭代次數(shù)之間的關(guān)系Fig.3 Relationship between relative change of reconstruction and the number of iterations

4.2實驗結(jié)果分析

使用矢量網(wǎng)絡(luò)分析儀和雙極化喇叭天線在微波暗室里搭建單站步進頻TWR系統(tǒng)，如圖4所示，系統(tǒng)工作于HH極化模式。實驗墻體為實心磚墻，墻體厚度為0.2 m，長度為1 m，高度為0.4 m，相對介電常數(shù)為9。矢量網(wǎng)絡(luò)分析儀掃描帶寬為1～3 GHz，頻率步進間隔為10 MHz，在導(dǎo)軌上水平移動天線得到41個測點，測點間距為2 cm，合成孔徑長度為0.8 m，收發(fā)天線距離墻體前表面的距離為0.7 m。墻后有一個金屬三面形直角反射器位于墻后1.4 m。

圖4 TWR實驗場景Fig.4 Experimental scene of TWR

成像區(qū)域設(shè)置為2 m×2 m，整個成像區(qū)域被剖分為51×51個網(wǎng)格。從8 241個測量數(shù)據(jù)中隨機抽取1 640個測量數(shù)據(jù)用于成像。迭代求解過程中τ取0.05，λs取2，迭代終止門限δ取1.4×10-3。傳統(tǒng)CS成像算法和低秩稀疏約束成像算法的重建時間分別為14.8 s和30.5 s。圖5分別給出了傳統(tǒng)CS成像結(jié)果和基于低秩稀疏約束成像結(jié)果，圖5(a)的TCR為4.3 dB，圖5(b)的TCR為347.6 dB。從圖5可以看出在有墻體反射波存在的情況下，傳統(tǒng)CS成像算法已無法重建準(zhǔn)確的目標(biāo)像，而低秩稀疏約束成像算法能夠在墻雜波存在的情況下實現(xiàn)對墻后目標(biāo)的準(zhǔn)確成像重建。

(a)傳統(tǒng)CS成像結(jié)果

(b)基于低秩稀疏約束成像結(jié)果圖5 實測數(shù)據(jù)成像結(jié)果Fig.5 Imaging results of experimental data

5 結(jié) 論

本文基于墻體回波信號的低秩性和探測場景的稀疏性提出了一種基于低秩稀疏約束的TWR成像重建算法，通過奇異值軟閾值技術(shù)和l1范數(shù)最小化技術(shù)進行迭代求解低秩稀疏約束問題從而實現(xiàn)對探測場景的準(zhǔn)確成像重建。仿真和實驗數(shù)據(jù)的處理結(jié)果表明本文所提成像算法可在墻體強反射波存在的情況下基于壓縮感知框架實現(xiàn)對墻后隱蔽目標(biāo)的位置準(zhǔn)確恢復(fù)。目前在成像重建過程中閾值和正則化參數(shù)的設(shè)置是基于測量數(shù)據(jù)的先驗信息和重建結(jié)果質(zhì)量的經(jīng)驗判斷確定的，關(guān)于閾值和正則化參數(shù)自動確定的問題還有待于進一步研究。

[1] 朱國富,陸必應(yīng),金添，等. 穿墻雷達(dá)成像[M]. 北京:電子工業(yè)出版社,2014.

[2] 蔡繼亮,童創(chuàng)明,姬偉杰. 超寬帶穿墻雷達(dá)成像技術(shù)研究現(xiàn)狀[J]. 電訊技術(shù),2012,52(9):1541-1546.

CAI Jiliang,TONG Chuangming,JI Weijie. Recent progress of ultra-wideband through-the-wall radar imaging[J]. Telecommunication Engineering,2012,52(9):1541-1546.(in Chinese)

[3] SOLDOVIERI F,PRISCO G,SOLIMENE R. A multi-array tomographic approach for through-wall imaging[J]. IEEE Transactions on Geoscience and Remote Sensing,2008,46(4):1192-1199.

[4] YANG Y,FATHY AE. Development and implementation of a real-time see-through-wall radar system based on FPGA[J]. IEEE Transactions on Geoscience and Remote Sensing,2009,47(5):1270-1280.

[5] HUANG Q,QU L,WU B,et al. UWB through-wall imaging based on compressive sensing[J]. IEEE Transactions on Geoscience and Remote Sensing,2010,48(3):1408-1415.

[6] BROWNE K E,BURKHOLDER R J,VOLAKIS J L. Fast optimization of through-wall radar images via the method of Lagrange multipliers[J]. IEEE Transactions on Antennas and Propagation,2013,61(1):320-328.

[7] AMIN M G,AHMAD F. Compressed sensing for through-the-wall radar imaging[J]. Journal of Electronic Imaging,2013,22(3):030901(1)-030901(21).

[8] LI G,BURKHOLDER R J. Hybrid matching pursuit for distributed through-wall radar imaging[J]. IEEE Transactions on Antennas and Propagation,2015,63(4):1701-1711.

[9] 晉良念,申文婷,錢玉彬,等. 組合字典下超寬帶雷達(dá)自適應(yīng)稀疏成像方法[J]. 電子與信息學(xué)報,2016,38(5):1047-1054.

JIN Liangnian,SHEN Wenting,QIAN Yubing,et al. Adaptive sparse imaging approach for ultra-wideband through-the-wall radar in combined dictionaries[J]. Journal of Electronics & Information Technology,2016,38(5):1047-1054. (in Chinese)

[10] LAGUNAS E,AMIN M G,AHMAD F,et al. Joint wall mitigation and compressive sensing for indoor image reconstruction[J]. IEEE Transactions on Geoscience and Remote Sensing,2013,51(2):891-906.

[11] AHMAD F,QIAN J,AMIN M G. Wall clutter mitigation using discrete prolate spheroidal sequences for sparse reconstruction of indoor stationary scenes[J].IEEE Transactions on Geoscience and Remote Sensing,2015,53(3):1549-1557.

[12] BOUZERDOUM A,TIVIVE F H C. Wall clutter mitigation using HOSVD in through-the-wall radar imaging with compressed sensing[C]//Proceedings of IEEE International Conference on Digital Signal Processing.Singapore:IEEE,2015:85-89.

[13] YOON Y S,AMIN M G. Spatial filtering for wall-clutter mitigation in through-the-wall radar imaging[J]. IEEE Transactions on Geoscience and Remote Sensing,2009,47(9):3192-3208.

[14] 張斕子,陸必應(yīng),周智敏,等. 基于空間特征的MIMO穿墻雷達(dá)墻雜波抑制[J]. 電子與信息學(xué)報,2014,36(4):946-952.

ZHANG Lanzi,LU Biying,ZHOU Zhimin,et al. A wall clutter suppression method based on spatial signature in MIMO through-the-wall radar imaging[J]. Journal of Electronics & Information Technology,2014,36(4):946-952. (in Chinese)

[15] CAI J F,CANDES E J,SHEN Z. A singular value thresholding algorithm for matrix completion[J]. SIAM Journal on Optimization,2010,20(4):1956-1982.

[16] YANG J,ZHANG Y. Alternating direction algorithms forl1-problems in compressive sensing[J]. SIAM Journal on Scientific Computing,2011,33(1):250-278.

AThrough-the-WallRadarImagingAlgorithmBasedonLowRankandSparsityConstraint

QU Lele,GE Yanan,LAN Xiaoyu
(College of Electronic Information Engineering,Shenyang Aerospace University,Shenyang 110136,China)

By exploiting the low-rank property of the wall reflection signal and sparsity property of the observed scene,a low rank and sparsity constraint based imaging algorithm for through-the-wall radar (TWR) system is proposed. The proposed imaging method exploits the singular value soft-thresholding andl1norm minimization technique to perform iteration to solve the low rank and sparsity constraint optimization problem. It adopts compressive sensing framework to achieve the accurate imaging reconstruction of targets behind the wall in the presence of strong wall reflection signal. The imaging results of simulation data and experimental data have verified the effectiveness and validity of the proposed imaging algorithm.

through-the-wall radar (TWR)；imaging algorithm；low rank；sparsity constraint；compressive sensing

date:2017-03-29；Revised date：2017-06-21

國家自然科學(xué)基金資助項目(61671310，61302172)；航空科學(xué)基金資助項目(2016ZC54013)

**通信作者：qulele83@126.com Corresponding author：qulele83@126.com

TN957.52

A

1001-893X(2017)10-1122-06

屈樂樂(1983—)，男，河南焦作人，2010年獲博士學(xué)位，現(xiàn)為副教授，主要研究方向為超寬帶雷達(dá)系統(tǒng)設(shè)計與信號處理技術(shù)；

Email:qulele83@126.com

葛亞楠(1992—)，女，河南洛陽人，碩士研究生，主要研究方向為穿墻雷達(dá)信號處理技術(shù);

藍(lán)曉宇(1986—)，女，黑龍江哈爾濱人，博士，講師，主要研究方向為雷達(dá)陣列信號處理技術(shù)。

10.3969/j.issn.1001-893x.2017.10.004

屈樂樂，葛亞楠，藍(lán)曉宇.基于低秩稀疏約束的穿墻雷達(dá)成像算法[J].電訊技術(shù)，2017,57(10):1122-1127.[QU Lele,GE Yanan,LAN Xiaoyu.A through-the-wall radar imaging algorithm based on low rank and sparsity constraint[J].Telecommunication Engineering,2017,57(10):1122-1127.]

2017-03-29；

2017-06-21