孫文磊,顧榮軍,王在立,龐文濤

(63889部隊(duì),河南 孟州 454750)

0 引 言

逆合成孔徑雷達(dá)(Inverse Synthetic Aperture Radar,ISAR)通過發(fā)射寬頻帶信號,依靠雷達(dá)與目標(biāo)間相對運(yùn)動形成合成孔徑,來獲取距離向和方位向二維高分辨率,可以用來對目標(biāo)(飛機(jī)、艦船、導(dǎo)彈等)進(jìn)行遠(yuǎn)距離、全天時、全天候成像觀察與識別[1]。由于ISAR回波數(shù)據(jù)量大,且運(yùn)動補(bǔ)償復(fù)雜,ISAR實(shí)時成像主要采用FPGA、DSP芯片等進(jìn)行信號傳輸和數(shù)據(jù)處理,其開發(fā)周期長,程序固化不易修改,成本較高。而圖形處理器(GPU)具有數(shù)十倍于CPU的浮點(diǎn)計(jì)算能力和傳輸帶寬,且CUDA技術(shù)的發(fā)展使專注于圖像處理的GPU在數(shù)據(jù)處理和科學(xué)計(jì)算等通用計(jì)算領(lǐng)域同樣具備優(yōu)勢[2],同時能夠方便快速地進(jìn)行重復(fù)開發(fā),適合用于研究ISAR成像算法的實(shí)時實(shí)現(xiàn)。

對于ISAR干擾效果評估,傳統(tǒng)的主觀評估法主要是由相關(guān)領(lǐng)域?qū)＜覍Ω蓴_效果進(jìn)行事后評估,評估標(biāo)準(zhǔn)比較模糊、主觀[3];定量評估主要是基于ISAR干擾前后圖像的等效視數(shù)[4]、信息熵[5-6]、高階統(tǒng)計(jì)量[7]、紋理特征[8]、相關(guān)系數(shù)[9-10]等,僅從干擾效果的某一個方面進(jìn)行評估。從ISAR干擾對抗試驗(yàn)訓(xùn)練任務(wù)和電子對抗裝備研發(fā)的角度出發(fā),對ISAR干擾效果進(jìn)行評估的意義更加重要。

本文利用GPU的并行陣列計(jì)算能力,將ISAR常用的距離多普勒(Range Doppler,RD)算法[11]處理過程并行化,實(shí)時得到高分辨率圖像;然后對圖像進(jìn)行處理,并提取ISAR圖像特征和目標(biāo)一維像、二維像特征參數(shù),利用這些特征參數(shù)對干擾效果進(jìn)行評估。

1 ISAR實(shí)時成像

1.1 CUDA編程模型

CUDA是一種通用的并行計(jì)算平臺和編程模型,可以通過CUDA加速庫、編譯器指令、應(yīng)用編程接口以及行業(yè)標(biāo)準(zhǔn)程序語言的擴(kuò)展(包括C、C++、Fortran、Python等)來使用,利用NVIDIA GPU的并行計(jì)算引擎能有效解決復(fù)雜的計(jì)算問題。這種編程模型以CPU+GPU的異構(gòu)模式工作,其中CPU負(fù)責(zé)整體程序的串行邏輯控制和任務(wù)調(diào)度,GPU則用于執(zhí)行能夠并行化的計(jì)算任務(wù)。

GPU適合處理數(shù)據(jù)能夠并行計(jì)算的任務(wù),數(shù)據(jù)并行計(jì)算的算術(shù)計(jì)算密度(算術(shù)操作和存儲器操作的比值)非常高。由于同一程序在上萬個數(shù)據(jù)元素上同時執(zhí)行,計(jì)算密度高,訪存延遲可以被隱藏,與常規(guī)的CPU相比大大縮短了任務(wù)計(jì)算時間,具有很大的運(yùn)算優(yōu)勢。

1.2 實(shí)時成像處理

RD算法是被普遍使用的一種ISAR成像處理算法。如圖1所示,根據(jù)各散射點(diǎn)回波信號的時延和多普勒頻率不同,算法通過徑向和橫向距離壓縮確定散射點(diǎn)在距離向與方位向上的分布,處理關(guān)鍵在于將運(yùn)動目標(biāo)轉(zhuǎn)換為轉(zhuǎn)臺目標(biāo)的運(yùn)動補(bǔ)償算法(包括包絡(luò)對齊和自聚焦兩步)。

圖1 RD算法處理流程

由于ISAR發(fā)射大帶寬信號且脈沖重復(fù)頻率(PRF)高,需要處理的回波數(shù)據(jù)量大,運(yùn)動補(bǔ)償又將成像處理過程進(jìn)一步復(fù)雜化,成像處理過程運(yùn)算量大,實(shí)時成像對運(yùn)算速度要求很高。在RD算法中,每一步驟都是FFT、數(shù)據(jù)矩陣相乘等操作,適合并行處理,故利用GPU并行運(yùn)算可提高運(yùn)算速度,且CUDA提供了FFT、矩陣轉(zhuǎn)置、向量矩陣乘法等庫的使用,大大提高了開發(fā)速度。

1)徑向距離壓縮

徑向距離壓縮處理主要對接收到的線性調(diào)頻脈沖回波進(jìn)行匹配濾波,可通過FFT將回波信號和匹配信號變換到頻域相乘實(shí)現(xiàn)。對M×N的二維矩陣按列進(jìn)行FFT:

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

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

矩陣相乘調(diào)用kernel函數(shù):

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

2)運(yùn)動補(bǔ)償

運(yùn)動補(bǔ)償包括包絡(luò)對齊和自聚焦兩步。包絡(luò)對齊主要采用積累互相關(guān)法,相關(guān)處理時主要是求向量的點(diǎn)積和最大值:

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,假設(shè)目標(biāo)存在一個等效的多普勒中心,當(dāng)目標(biāo)繞中心旋轉(zhuǎn)時,將距離對齊后的相鄰回波共軛相乘,得到相鄰兩個回波的相位誤差估計(jì)值,補(bǔ)償后可將相鄰回波在多普勒域?qū)?zhǔn)。自聚焦的函數(shù)實(shí)現(xiàn)主要用到向量點(diǎn)積:

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

3)橫向距離壓縮

橫向距離壓縮主要是沿方位向進(jìn)行FFT處理,對M×N的二維矩陣按行進(jìn)行FFT:

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

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

2 干擾效果量化評估

ISAR干擾目的是使雷達(dá)看不到或者分辨不出真實(shí)目標(biāo),一般分為壓制性干擾和欺騙性干擾:壓制性干擾通過發(fā)射大功率噪聲調(diào)制信號影響運(yùn)動補(bǔ)償,從而使真實(shí)目標(biāo)圖像扭曲甚至失真;欺騙性干擾通過發(fā)射具有目標(biāo)特征的干擾信號,成像結(jié)果為真假目標(biāo)混雜或只有假目標(biāo)。如圖2所示,本文通過圖像處理技術(shù)提取ISAR圖像特征和目標(biāo)一維像、二維像特征參數(shù),基于目標(biāo)圖像特征實(shí)現(xiàn)對干擾效果的量化評估。

圖2 干擾效果量化評估

2.1 壓制性干擾效果評估

通過提取干擾前后圖像均值、方差、動態(tài)范圍和等效視數(shù)4種表征圖像質(zhì)量的特征,計(jì)算4種特征變化率的乘積作為圖像變化率,圖像變化率可表示為

(1)

其中:αB為干擾后的圖像質(zhì)量指標(biāo);αA為干擾前的圖像質(zhì)量指標(biāo)。

計(jì)算干擾前后圖像熵的差值,可以衡量干擾前后圖像信息丟失。圖像熵差可表示為

HΔ=|H(B)-H(A)|

(2)

其中:H(B)為干擾后的圖像熵;H(A)為干擾前的圖像熵。

交叉熵反映干擾前后圖像的統(tǒng)計(jì)相似性。假設(shè)干擾前后兩幅圖像的像素灰度概率分布pAi和pBi,則交叉熵為

(3)

圖像相似度表征圖像間某種特征度的相似程度,計(jì)算干擾前后圖像的對比度相似度Qc(A,B)和相關(guān)度相似度Qs(A,B)的乘積作為圖像相似度:

Q(A,B)=Qc(A,B)×Qs(A,B)

(4)

其中:

干擾效果評估:變化率偏離1越遠(yuǎn),干擾效果越好;圖像熵差越大,信息丟失越多,干擾效果越好;交叉熵越大,統(tǒng)計(jì)相似性越差,干擾效果越好;相似度越小,干擾前后兩幅圖像相似度越小,干擾效果越好。

2.2 欺騙性干擾效果評估

目標(biāo)一維像特征參數(shù)包括徑向長度及其起伏極差和起伏周期。對目標(biāo)一維像,由滑窗分割法可得到徑向長度,對一幅ISAR圖像脈沖積累期間的徑向長度序列計(jì)算其起伏極差,并進(jìn)行頻譜分析,由進(jìn)動頻率即可得到起伏周期。目標(biāo)二維像特征參數(shù)包括目標(biāo)二維像總長度、體態(tài)比、面積及其方差、極差,對目標(biāo)二維像同樣采用滑窗分割法,可得到徑向長度和橫向長度,從而計(jì)算出目標(biāo)總長度、體態(tài)比、面積參數(shù),對一段觀測時間內(nèi)圖像的目標(biāo)總長度、體態(tài)比及面積序列即可計(jì)算起伏極差(max-min)。由于受控制力矩作用影響,真實(shí)目標(biāo)在飛行過程中具有姿態(tài)穩(wěn)定特性,由一維像、二維像提取的特征量在觀測時間內(nèi)起伏較小,而干擾機(jī)產(chǎn)生的欺騙干擾特征量起伏較大。

干擾效果評估:假定真實(shí)目標(biāo)的長度在Lmin～Lmax之間,成像區(qū)間的雷達(dá)視線角在p～q范圍,若一維像提取的徑向長度滿足Lmin/(cosp)≤{L(n)|n=1,...,N}≤Lmax/(cosq),欺騙干擾有效;在二維ISAR成像平面內(nèi),假定真實(shí)目標(biāo)的總長度、體態(tài)比及面積范圍分別為[LISAR,min,LISAR,max],[RISAR,min,RISAR,max]及[AISAR,min,AISAR,max],若滿足LISAR,min≤LISAR(n)≤LISAR,max、RISAR,min≤RISAR(n)≤RISAR,max、AISAR,min≤AISAR(n)≤AISAR,max,欺騙干擾有效;對于起伏特征,分別設(shè)置起伏門限值,若起伏特征參數(shù)小于其對應(yīng)門限值,欺騙性干擾有效。

3 結(jié)果及分析

為驗(yàn)證本文方法,采集某X波段ISAR成像去斜中頻實(shí)測數(shù)據(jù),在CPU+GPU架構(gòu)的工作站上進(jìn)行處理,對目標(biāo)回波實(shí)時成像,并分析計(jì)算干擾效果特征參數(shù)。工作站配置CPU為Intel Xeon 2.6 GHz的16核處理器,1塊NVIDIA Tesla K40C計(jì)算顯卡。系統(tǒng)參數(shù)、RD算法各步驟單脈沖處理速度的測試結(jié)果分別如表1、2所示。從表2可以看出,使用CPU處理對單脈沖完成距離壓縮和運(yùn)動補(bǔ)償?shù)目倳r間為1.805 ms,

表1 系統(tǒng)參數(shù)

表2 處理速度對比

使用GPU處理單脈沖的總時間為0.616 ms,而脈沖重復(fù)間隔為1.25 ms,兩者相比,GPU滿足單脈沖實(shí)時處理要求。方位壓縮處理與距離壓縮一致,所用時間也在10 μs量級,故使用GPU能夠?qū)崿F(xiàn)ISAR的實(shí)時成像。

在CPU平臺和GPU平臺下ISAR成像結(jié)果如圖3所示?？梢钥闯?CPU和GPU處理的成像結(jié)果一致,能夠用GPU進(jìn)行處理。

(a)CPU (b)GPU

對一段時間內(nèi)5幅成像結(jié)果進(jìn)行特征參數(shù)提取,得到目標(biāo)圖像特征及其起伏結(jié)果,如表3～表5所示。

表3 圖像特征提取結(jié)果

表4 目標(biāo)特征提取結(jié)果

表5 目標(biāo)特征起伏結(jié)果

根據(jù)干擾前后圖像特征變化可評估壓制性干擾效果,根據(jù)目標(biāo)特征及其起伏結(jié)果與真實(shí)目標(biāo)的對比可評估欺騙性干擾效果,評估結(jié)果客觀、定量,而且直觀易懂。

4 結(jié)束語

本文利用GPU的并行處理能力,將成像處理過程并行化,提出了一種基于GPU的ISAR干擾效果評估算法,對實(shí)際數(shù)據(jù)實(shí)時成像,并對干擾效果進(jìn)行了測試評估。結(jié)果表明其處理速度可以滿足實(shí)時處理的要求,與一般評估方法相比,具有實(shí)時、客觀、定量的特點(diǎn),可多角度評估被試裝備的干擾效果,對于實(shí)際應(yīng)用中ISAR干擾效果評估有著重要意義。