基于外辐射源的含旋转部件目标微动中心提取

摘 要： 针对基于外辐射源的无源雷达系统中，含旋转部件目标的微动中心位置不能够被有效提取这一问题，提出了一种基于逆Randon变换的微动中心提取方法。该方法首先利用子孔径综合成像方法对目标进行成像，然后结合已经获知的目标旋转部件的旋转频率、半径和初始相位信息，沿旋转部件的所有可能的旋转轨迹在子孔径综合成像的结果上进行逆Randon变换，然后通过提取逆Randon变换的峰值位置即可完成对旋转中心的提取。最后，仿真验证了该算法的有效性。

关键词： 无源雷达； 微动特征； 子孔径综合； 逆Randon变换

中图分类号： TN929.5?34 文献标识码： A 文章编号： 1004?373X（2013）15?0001?04

Micro?motion center extraction of target with rotating parts based on external illuminator

MA Sai1， DENG Dong?hu1， ZHOU Liang2， CHU Yi?fan3， DAI Jing1， YANG Xiang?xing1

（1. School of Information and Navigation， AFEU， Xi’an 710077， China； 2. Beijing Special Vehicle Research Institute， Beijing 100072， China；

3. Unit 94865 of PLA， Hangzhou 310021， China）

Abstract： In the passive radar system based on external illuminator， the micro?motion center of the target with rotating parts can’t be extracted effectively. To overcome this limitation， a method of the micro?motion center extraction based on the inverse Randon transform is proposed. The target is imaged by the sub?apertures synthesis imaging method， and then in combination with the known information of rotational frequency， radius and initial phase of the target rotating parts， the inverse Randon transform is conducted based on the sub?aperture synthesis imaging result of all the possible rotating track along the rotating parts， and by extracting the peak value of the inverse Randon transform to pick up the rotating center. The effectiveness of the algorithm is proved by the simulation.

Keywords： passive radar； micro?motion feature； sub?aperture synthesis； inverse Randon transform

0 引 言

利用电视、广播等民用机会照射源作为辐射源的双/多基地雷达对目标进行成像，辐射信号分布范围广泛[1]，可充分发挥常规雷达优势的同时，具有较强的生存能力，且成像结果可被用于目标分类、识别等领域，具有广阔的应用前景[2?3]。微动则是指目标或目标的组成部分除质心平动以外的振动、转动和加速运动等微小运动[4]。目标或其结构的微动会对雷达回波信号产生附加的频率调制，从而产生关于目标主体的多普勒谱边带，这种现象被称为微多普勒效应（Micro?Doppler effect）[5?6]。微多普勒从频率上描述了目标微动的雷达特征，反映了多普勒频移的瞬时特性[6]。实现微多普勒信息的有效提取，有助于获得目标的精细微动特征，并且进一步确定目标微动部件与目标主体之间的位置关系，从而为目标的分类与识别提供更为丰富的信息[7?8]。

近年来，许多有效的微动特征提取技术被相继提出。在利用广播、电视信号为辐射源的无源雷达成像系统中，微动特征提取方法，如时频分析和Hough变换结合法[9]，经验模式分解[10]，均可以获得目标部件的旋转频率、半径、初始相位等微动特征信息（为了节约篇幅，文中不再对其进行讨论）。然而，这些算法却不能完成对微动中心位置的有效提取。针对这一问题，本文首先结合子孔径综合成像算法得到目标的图像，然后利用已经获知的频率、半径和初始相位，沿所有可能的目标部件运动轨迹对目标图像域进行积分，积分后的峰值位置即为旋转中心的位置，从而对旋转中心的提取。最后，仿真实验验证了本文算法的有效性。

1 外辐射源雷达系统回波信号分析

在散射点模型下，将目标回波进行平动补偿转化为转台模型。以目标的中心[O]为原点，建立直角坐标系[xOy，]如图1所示。

图1 基于外辐射源的无源雷达系统含

旋转部件目标转台成像模型

接收站位与原点之间的距离为[R0′，]其连线与[y]轴正半轴的夹角为[α]（定义在[y]轴正半轴上[α]为[0rad]，沿顺时针方向[α]增加）。第[i]个通信基站（[i=1，2，…，N，][N]为用于成像的基站的个数）到原点的距离为[Ri]，其连线与[y]轴正半轴的夹角为[βi]。散射点[P]绕点[Q]进行旋转，旋转半径、旋转频率和初始相位分别为[rP，fP，θP]（为了阐述方便，旋转频率对应的自变量为转台目标的转动角度）。设旋转中心点[Q]到原点的距离为[TQ]，与[y]轴正半轴的夹角为[φQ]。因此，接收站、通信基站[i]和散射点[Q]的初始位置，可分别用极坐标格式表达为[R0′，α，][Ri，βi]和[TQ，φQ]。定义基站[i]和接收站到散射点[Q]的距离分别为[ri，Q]和[r0，Q′]。

对于外辐射源信号，通过滤波器提取其载波分量，可获得所需的单频连续波照射信号[2]。因此，可假设基站[i]的发射信号为：

[pt=ej2πfit+ψi] （1）

式中：[fi]为基站发射信号的载频；[ψi]为初始相位。

若目标旋转的角度为[Ω]，则旋转点[P]的瞬时极坐标由[TP0，φP0]改变为[TPΩ，φPΩ]，其中：

[TPΩ=r2P+T2Q+2TQrPcos2πfPΩ+θP-φQ] （2）

[φPΩ=arctanrPsin2πfPΩ+θrot+TQsinφQrPcos2πfPΩ+θrot+TQcosφQ] （3）

由于旋转点[P]到基站[i]的距离[ri，Q?TPΩ]，到接收站的距离[r0，P′?TPΩ]，因此可将旋转点[P]到外辐射源[i]和接收机的距离分别近似为：

[ri，PΩ=Ri-TPΩcosφPΩ-βi] （4）

[r0，P′Ω=R0′-TPΩcosφPΩ-α] （5）

由此可知，接收到的来自辐射源[i]，经过旋转点[P]反射的回波信号为[2]：

3 仿真实验

为了验证算法的有效性，进行以下仿真验证。

仿真条件为：假设外辐射源载频均为880 MHz，蜂窝网由18个基站组成；目标位于坐标轴原点处，各基站分布情况如图2所示（图中，标注实心的地方为基站的位置），其坐标分别为：[-33R2，R2，][-33R2，-R2，][-3R，2R，][-3R，-2R，][-3R2，R2，][-3R2，-R2，][-3R2，5R2，][-3R2，-5R2，][0，R，][0，-R，][3R2，R2，][3R2，-R2，][3R2，5R2，][3R2，-5R2，][3R，2R，][3R，-2R，][33R2，R2，][33R2，-R2，]其中，小区半径[R=8]km，这样移动通信基站离目标的距离为21.17 km；接收站距离目标20 km，与[y]轴正半轴的夹角为[2π3]；目标以300 m/s的速度，沿与[y]轴正半轴夹角为[π4]的方向运动。

图2 基于民用移动通信信号的无源雷达基站分布示意图

在仿真中，接收站均匀分布在距离目标20 km的圆上，即各接收站的坐标为（20，0°），（20，72°），（20，144°），（20，216°），（20，288°），半径单位为km。目标的极坐标位置为：（0，0°），（2，45°），（2，135°），（2，225°），半径以m为单位，目标的散射点模型如图3所示。

假设目标总的旋转角度为3.3°（成像时间小于4 s），目标每旋转0.01°时对接收数据进行一次采样。假设一旋转点围绕点（2，315°）进行旋转，旋转半径为2 m，初始相位为0°，目标每转动1°，旋转部件将旋转200个周期。此时得到的目标像和微动中心像分别如图4，图5所示。

从图4中可以看出，在利用多基站的CDMA信号来实现对目标的子孔径成像时，与宽带雷达不同，微多普勒信息并不会对目标的主体像造成污染。同时，成像效果也较为理想。

图3 目标散射点模型

图4 含旋转部件目标主体成像结果图

另外，由图5可知，目标部件旋转中心位于点（2，315°），与实际情况相符。可见，利用逆Randon变换沿微动部件的运动轨迹对回波信号能量进行积分，可以很好地实现对目标微动中心的提取，从而有利于对目标的分类、识别。

图5 含旋转部件目标旋转中心成像结果图

4 结 论

本文利用已经获知的频率、半径和初始相位等目标部件微动特征信息，然后采用逆Randon变换算法，沿所有可能的目标部件运动轨迹对目标成像结果进行积分，通过检测逆Randon变换的峰值，完成对旋转中心的提取。本文的研究内容，可广泛用于直升机等目标，通过判定其旋翼和尾翼的位置，为该类目标的分类和识别提供更为丰富的信息。

参考文献

[1]王卓，王立志.一种单源单站模式下空间无源定位新技术研究[J].现代电子技术，2011，34（15）：15?18.

[2]张馨文，王俊.基于多电视台子孔径综合的无源雷达成像算法[J].电子与信息学报，2007，29（3）：528?531.

[3]HOWLAND P E. Target tacking using television?based bistatic radar [J]. IEEE Proceedings of Radar， Sonar and Navigation， 1999， 146（3）： 166?174.

[4]CHEN V C. Analysis of radar micro?Doppler with time?frequency transform [C]// Proceedings of the 10th IEEE Workshop on Statistical Signal and Array Processing. Pocono Manor， PA： IEEE， 2000： 463?466.

[5]CHEN V C， LI F Y， HO S S， et al. Micro?Doppler effect in radar： phenomenon， model and simulation study [J]. IEEE Transactions on Aerospace and Electronic Systems， 2006， 42（1）： 2?21.

[6]庄钊文，刘永祥，黎湘.目标微动特性研究进展[J].电子学报，2007，35（3）：520?525.

[7]朱仁飞，张群，罗迎，等.含旋转部件目标双基地ISAR微动特征提取及成像研究[J].电子与信息学报，2010，32（10）：2359?2364.

[8]徐林，袁仕继，李康乐，等.非刚体目标运动建模与宽带雷达回波仿真[J].现代电子技术，2009，32（23）：8?10.

[9]LIU Y X， LI X， ZHUANG Z W. Estimation of micro?motion parameters based on micro?Doppler [J]. IET Signal Processing， 2010， 4（3）： 213?217.

[10]BAI X R， XING M D， ZHOU F， et al. Imaging of micromotion targets with rotating parts based on empirical?mode decomposition [J]. IEEE Transactions on Geoscience and Remote Sensing， 2008， 46（11）： 3514?3523.