论文部分内容阅读
雷达成像方法是一种穿透性好,稳定性高的探测成像技术,在刑侦探测、房屋检修等众多军用和民用领域具有广泛的应用。但是,目前雷达成像系统依旧存在以下局限性:没有充分考虑障碍物体内目标探测的场景;身材笨重,便携性差;现有成像方法受墙体的电磁波反射干扰较大,弱目标体成像模糊等。因此,本文提出一种便携式探墙雷达成像系统,并基于深度学习对雷达的成像模型进行优化,最终通过实验证明模型的有效性。首先,本文针对探测目标处于墙体内部的场景,选取体积小巧的超宽带调频连续波(Frequency Modulated Continuous Wave,FMCW)雷达作为探测前端。同时为了弥补FMCW雷达单次扫描范围过小的问题,本文基于FMCW雷达设计了一套自动化扫描成像系统。该系统包括探测前端设备、数据采集预处理、图像特征重建三个部分组成,实现了便携式雷达系统在灵活场景下对墙体内目标的探测成像,并且扫描区域大小可控。另外,为了提高FMCW雷达探墙系统成像的精度,解决图像细节纹理模糊等问题,本文对基于深度学习的超分辨率算法进行研究,提出了基于雷达成像系统的图像超分辨率重建方案。该方案深入分析了残差学习和稠密连接算法的原理,在双通道网络架构的基础上设计了全新的双通道耦合网络BPNCSR,大大提升了对图像的纹理重建和细节恢复。同时本文在BPNCSR的基础上,设计了基于雷达图像的超分辨率重建网络RadarNet,利用卷积神经网络对雷达多次扫描的重复区域进行特征提取,并结合残差稠密算法抑制墙体回波和噪声信息,最后通过特征融合模块对多路输出特征进行融合,实现了整个目标图像的特征重构。本文对以上提出的方法进行了充分的实验,通过仿真与真实数据相结合的方式对网络进行训练,并在真实场景下完成实验,结果表明本文提出的BPNCSR网络架构优于同类主流方法,设计的探墙雷达成像系统和RadarNet算法能够很好地对墙体内部特征进行重建,并对墙体回波和噪声信息有明显的抑制作用。此外,本文通过采用指令控制和多状态计算等手段,将改进后的网络模型部署在基于FPGA设计的专用加速模块中,完成了 RadarNet在移动平台的验证与实现。