地面目标多角度SAR数据集构建与目标识别方法

南京航空航天大学雷达探测与成像技术研究团队利用自主研制的无人机（Unmanned aerial vehick, UAV）机载高分辨率微小型合成孔径雷达（Mini synthetic aperture radar, MiniSAR）系统,针对多类具有代表性的地面目标进行全方位回波录取及成像处理,构建了拥有自主知识产权的复杂目标SAR数据集,并依托该数据集开展了基于人工智能的目标识别方法研究。针对无人机运动姿态不稳定、辅助传感器精度受限导致的图像散焦问题,本文提出了新型运动补偿及新型二维自聚焦算法。实验表明,虽然AlexNet、ResNet-18、AConvNet和VGG等经典神经网络在MSTAR十类目标分类问题中取得了接近100%的分类准确率,但将其应用于南航MiniSAR数据集时分类准确率均明显低于90%。由于本文采取的实验方法与SAR目标识别技术的实际应用场景较为接近,该MiniSAR数据集对于面向工程应用的SAR目标识别算法研究将会具有重要参考价值。     

基于距离子带的机载SAR高精度多级空变运动补偿

运动补偿（MOCO）是机载合成孔径雷达（SAR）获取高质量图像的关键,超高分辨率成像中,如何精确、高效地校正空变运动误差仍是很大的挑战。本文提出了一种改进的多级空变运动补偿方案,兼顾处理的精度和效率。首先,采用一步运动补偿法有效去除运动误差的距离空变分量,避免引起额外的距离徙动校正（RCMC）误差。同时,修正视线方向误差的传统计算方式,保证相位精度的前提下结合距离子带实现无插值的近似距离包络补偿。然后,利用距离子带降低残余方位空变误差的距离空变性和对方位时频关系的影响,显著改善宽波束情况下的聚焦效果,降低孔径依赖补偿算法的运算量。最终分辨率达到0.1 m,具有实际工程应用价值。点目标仿真和实测数据处理验证了所做的研究。