孙文磊,顾荣军,王在立,庞文涛

(63889部队,河南 孟州 454750)

0 引 言

逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)通过发射宽频带信号,依靠雷达与目标间相对运动形成合成孔径,来获取距离向和方位向二维高分辨率,可以用来对目标(飞机、舰船、导弹等)进行远距离、全天时、全天候成像观察与识别[1]。由于ISAR回波数据量大,且运动补偿复杂,ISAR实时成像主要采用FPGA、DSP芯片等进行信号传输和数据处理,其开发周期长,程序固化不易修改,成本较高。而图形处理器(GPU)具有数十倍于CPU的浮点计算能力和传输带宽,且CUDA技术的发展使专注于图像处理的GPU在数据处理和科学计算等通用计算领域同样具备优势[2],同时能够方便快速地进行重复开发,适合用于研究ISAR成像算法的实时实现。

对于ISAR干扰效果评估,传统的主观评估法主要是由相关领域专家对干扰效果进行事后评估,评估标准比较模糊、主观[3];定量评估主要是基于ISAR干扰前后图像的等效视数[4]、信息熵[5-6]、高阶统计量[7]、纹理特征[8]、相关系数[9-10]等,仅从干扰效果的某一个方面进行评估。从ISAR干扰对抗试验训练任务和电子对抗装备研发的角度出发,对ISAR干扰效果进行评估的意义更加重要。

本文利用GPU的并行阵列计算能力,将ISAR常用的距离多普勒(Range Doppler,RD)算法[11]处理过程并行化,实时得到高分辨率图像;然后对图像进行处理,并提取ISAR图像特征和目标一维像、二维像特征参数,利用这些特征参数对干扰效果进行评估。

1 ISAR实时成像

1.1 CUDA编程模型

CUDA是一种通用的并行计算平台和编程模型,可以通过CUDA加速库、编译器指令、应用编程接口以及行业标准程序语言的扩展(包括C、C++、Fortran、Python等)来使用,利用NVIDIA GPU的并行计算引擎能有效解决复杂的计算问题。这种编程模型以CPU+GPU的异构模式工作,其中CPU负责整体程序的串行逻辑控制和任务调度,GPU则用于执行能够并行化的计算任务。

GPU适合处理数据能够并行计算的任务,数据并行计算的算术计算密度(算术操作和存储器操作的比值)非常高。由于同一程序在上万个数据元素上同时执行,计算密度高,访存延迟可以被隐藏,与常规的CPU相比大大缩短了任务计算时间,具有很大的运算优势。

1.2 实时成像处理

RD算法是被普遍使用的一种ISAR成像处理算法。如图1所示,根据各散射点回波信号的时延和多普勒频率不同,算法通过径向和横向距离压缩确定散射点在距离向与方位向上的分布,处理关键在于将运动目标转换为转台目标的运动补偿算法(包括包络对齐和自聚焦两步)。

图1 RD算法处理流程

由于ISAR发射大带宽信号且脉冲重复频率(PRF)高,需要处理的回波数据量大,运动补偿又将成像处理过程进一步复杂化,成像处理过程运算量大,实时成像对运算速度要求很高。在RD算法中,每一步骤都是FFT、数据矩阵相乘等操作,适合并行处理,故利用GPU并行运算可提高运算速度,且CUDA提供了FFT、矩阵转置、向量矩阵乘法等库的使用,大大提高了开发速度。

1)径向距离压缩

径向距离压缩处理主要对接收到的线性调频脉冲回波进行匹配滤波,可通过FFT将回波信号和匹配信号变换到频域相乘实现。对M×N的二维矩阵按列进行FFT:

cufftPlan1d(&plan,M,CUFFT_C2C,N);

cufftExecC2C(plan,(cufftComplex*)data,(cufftComplex*)data,CUFFT_FORWD);

矩阵相乘调用kernel函数:

__global__ void ComplexMul (Int m,int n,Complex *idata,Complex *ref,Complex *odata);

2)运动补偿

运动补偿包括包络对齐和自聚焦两步。包络对齐主要采用积累互相关法,相关处理时主要是求向量的点积和最大值:

cublasdot(handle,M,vector_1,1,vector_2,1,dot_sum);

cublasIsmax(handle,M,vector,1,max_index);

自聚焦主要采用多普勒中心法,假设目标存在一个等效的多普勒中心,当目标绕中心旋转时,将距离对齐后的相邻回波共轭相乘,得到相邻两个回波的相位误差估计值,补偿后可将相邻回波在多普勒域对准。自聚焦的函数实现主要用到向量点积:

cublasdot(handle,M,vector_1,1,vector_2,1,dot_sum);

3)横向距离压缩

横向距离压缩主要是沿方位向进行FFT处理,对M×N的二维矩阵按行进行FFT:

cufftPlan1d(&plan,M,CUFFT_C2C,M);

cufftExecC2C(plan,(cufftComplex*)data,(cufftComplex*)data,CUFFT_FORWD)。

2 干扰效果量化评估

ISAR干扰目的是使雷达看不到或者分辨不出真实目标,一般分为压制性干扰和欺骗性干扰:压制性干扰通过发射大功率噪声调制信号影响运动补偿,从而使真实目标图像扭曲甚至失真;欺骗性干扰通过发射具有目标特征的干扰信号,成像结果为真假目标混杂或只有假目标。如图2所示,本文通过图像处理技术提取ISAR图像特征和目标一维像、二维像特征参数,基于目标图像特征实现对干扰效果的量化评估。

图2 干扰效果量化评估

2.1 压制性干扰效果评估

通过提取干扰前后图像均值、方差、动态范围和等效视数4种表征图像质量的特征,计算4种特征变化率的乘积作为图像变化率,图像变化率可表示为

(1)

其中:αB为干扰后的图像质量指标;αA为干扰前的图像质量指标。

计算干扰前后图像熵的差值,可以衡量干扰前后图像信息丢失。图像熵差可表示为

HΔ=|H(B)-H(A)|

(2)

其中:H(B)为干扰后的图像熵;H(A)为干扰前的图像熵。

交叉熵反映干扰前后图像的统计相似性。假设干扰前后两幅图像的像素灰度概率分布pAi和pBi,则交叉熵为

(3)

图像相似度表征图像间某种特征度的相似程度,计算干扰前后图像的对比度相似度Qc(A,B)和相关度相似度Qs(A,B)的乘积作为图像相似度:

Q(A,B)=Qc(A,B)×Qs(A,B)

(4)

其中:

干扰效果评估:变化率偏离1越远,干扰效果越好;图像熵差越大,信息丢失越多,干扰效果越好;交叉熵越大,统计相似性越差,干扰效果越好;相似度越小,干扰前后两幅图像相似度越小,干扰效果越好。

2.2 欺骗性干扰效果评估

目标一维像特征参数包括径向长度及其起伏极差和起伏周期。对目标一维像,由滑窗分割法可得到径向长度,对一幅ISAR图像脉冲积累期间的径向长度序列计算其起伏极差,并进行频谱分析,由进动频率即可得到起伏周期。目标二维像特征参数包括目标二维像总长度、体态比、面积及其方差、极差,对目标二维像同样采用滑窗分割法,可得到径向长度和横向长度,从而计算出目标总长度、体态比、面积参数,对一段观测时间内图像的目标总长度、体态比及面积序列即可计算起伏极差(max-min)。由于受控制力矩作用影响,真实目标在飞行过程中具有姿态稳定特性,由一维像、二维像提取的特征量在观测时间内起伏较小,而干扰机产生的欺骗干扰特征量起伏较大。

干扰效果评估:假定真实目标的长度在Lmin～Lmax之间,成像区间的雷达视线角在p～q范围,若一维像提取的径向长度满足Lmin/(cosp)≤{L(n)|n=1,...,N}≤Lmax/(cosq),欺骗干扰有效;在二维ISAR成像平面内,假定真实目标的总长度、体态比及面积范围分别为[LISAR,min,LISAR,max],[RISAR,min,RISAR,max]及[AISAR,min,AISAR,max],若满足LISAR,min≤LISAR(n)≤LISAR,max、RISAR,min≤RISAR(n)≤RISAR,max、AISAR,min≤AISAR(n)≤AISAR,max,欺骗干扰有效;对于起伏特征,分别设置起伏门限值,若起伏特征参数小于其对应门限值,欺骗性干扰有效。

3 结果及分析

为验证本文方法,采集某X波段ISAR成像去斜中频实测数据,在CPU+GPU架构的工作站上进行处理,对目标回波实时成像,并分析计算干扰效果特征参数。工作站配置CPU为Intel Xeon 2.6 GHz的16核处理器,1块NVIDIA Tesla K40C计算显卡。系统参数、RD算法各步骤单脉冲处理速度的测试结果分别如表1、2所示。从表2可以看出,使用CPU处理对单脉冲完成距离压缩和运动补偿的总时间为1.805 ms,

表1 系统参数

表2 处理速度对比

使用GPU处理单脉冲的总时间为0.616 ms,而脉冲重复间隔为1.25 ms,两者相比,GPU满足单脉冲实时处理要求。方位压缩处理与距离压缩一致,所用时间也在10 μs量级,故使用GPU能够实现ISAR的实时成像。

在CPU平台和GPU平台下ISAR成像结果如图3所示。可以看出,CPU和GPU处理的成像结果一致,能够用GPU进行处理。

(a)CPU (b)GPU

对一段时间内5幅成像结果进行特征参数提取,得到目标图像特征及其起伏结果,如表3～表5所示。

表3 图像特征提取结果

表4 目标特征提取结果

表5 目标特征起伏结果

根据干扰前后图像特征变化可评估压制性干扰效果,根据目标特征及其起伏结果与真实目标的对比可评估欺骗性干扰效果,评估结果客观、定量,而且直观易懂。

4 结束语

本文利用GPU的并行处理能力,将成像处理过程并行化,提出了一种基于GPU的ISAR干扰效果评估算法,对实际数据实时成像,并对干扰效果进行了测试评估。结果表明其处理速度可以满足实时处理的要求,与一般评估方法相比,具有实时、客观、定量的特点,可多角度评估被试装备的干扰效果,对于实际应用中ISAR干扰效果评估有着重要意义。