[发明专利]基于电磁仿真和弹载回波仿真的雷达图像数据集制作方法

说明书

本发明公开了一种基于电磁仿真和弹载回波仿真的雷达图像数据集制作方法，包括：对目标进行三维建模，根据电磁仿真的原理设计仿真参数，仿真得到目标雷达回波，并通过转台成像方法得到目标的雷达散射截面RCS数据，再结合弹载SAR的运动方式与工作原理，生成弹载情况下雷达回波数据，并聚焦为弹载雷达目标图像，最终实现一种能低成本生成大量雷达目标数据集的制作方法。

技术领域

本发明涉及雷达技术领域，具体涉及一种基于电磁仿真和弹载回波仿真的雷达图像数据集制作方法。

背景技术

利用深度神经网络进行合成孔径雷达(Synthetic Aperture Radar，SAR)图像的目标辨识是雷达图像处理与模式识别的研究热点。由于深度神经网络通过学习训练集样本得到目标特征从而实现目标辨识，因此训练一个具有较深结构的深度神经网络模型需要大量标记样本，样本的规模与质量直接影响了深度神经网络的检测性能。

相比于光学图像拥有大量的公开数据集，现有公开的SAR目标图像数据集十分稀少。目前用于雷达目标识别研究数据集的典型代表是Sandia国家实验室采集的MSTAR数据集，该数据集包括不同的目标类型、方位角、俯仰角、炮筒转向、外型配置变化和型号变种的目标雷达图像共10类目标。同时常用雷达数据集还包括美国新墨西哥州Albuquerque地区附近的Rio Grande River区域，美国加州China lake机场地区的雷达图像等。上述数据集虽然可以满足基于深度学习的方法验证的基本需求，但由于数据规模相对较小，深层模型训练过程仍会出现过拟合情况；且基本是机载或星载条件下的雷达数据，而针对弹载SAR的目标检测识别场景，由于雷达发射成本高昂，真实数据获取成本较高，数据集相对不足。除了上述外场实测得到真实的雷达目标图像数据外，还可以通过微波暗室仿真的方法获取目标雷达回波，生成雷达目标图像，但是该方法精度受模型制作精度的制约，且无法反映弹载场景下的雷达目标数据特征，生成样本单一，存在较多限制因素。以上方法的缺点制约了深度神经网络在弹载SAR图像目标辨识领域的应用。

针对现有雷达目标图像数据集制作方法的缺陷，亟需一种雷达图像数据集扩充方法，以解决现有弹载雷达图像数据集获取成本高、数据量不足以支撑深度神经网络训练与应用的问题。

发明内容

为了解决现有弹载条件下的雷达目标图像数据集数据量不足与获取成本高昂的问题，本发明提供一种基于电磁仿真和弹载回波仿真的雷达图像数据集制作方法。

本发明公开了一种基于电磁仿真和弹载回波仿真的雷达图像数据集制作方法，包括：

目标RCS数据生成：

利用三维建模软件建立目标的3D模型，并导入电磁仿真软件中，设定电磁仿真的相关参数，进行电磁仿真得到目标雷达回波；基于所述目标雷达回波，得到目标RCS数据；

弹载场景回波数据生成：

设定弹载仿真参数，设定目标与干扰在将要进行弹载仿真的场景中的位置；将目标和干扰RCS嵌入到场景中，进行弹载回波仿真，得到弹载场景回波数据；

雷达图像数据生成：

利用SAR成像算法对所述弹载场景回波数据进行聚焦成像，得到所需的雷达目标图像数据；并根据设定的目标与干扰在场景中的位置，计算图像中目标与干扰对应的像素位置作为标记，供深度神经网络训练使用。

作为本发明的进一步改进，在所述目标RCS数据生成的步骤中，

根据投影切片定理与转台成像原理，对所述目标雷达回波进行数据裁剪、二维插值与二维快速傅里叶变换，得到目标RCS数据。

作为本发明的进一步改进，所述目标RCS数据生成，包括：

使用三维建模软件对需要目标辨识的物体进行三维建模；