本发明属于建筑物墙体成像领域，尤其涉及一种利用耦合模式字典学习的建筑物墙体成像方法和装置。
背景技术：
建筑物布局成像雷达通过发射电磁波透入建筑物，进而实现对建筑物墙体的位置、朝向等分布信息进行检测与成像，其在灾难援救、城区巷战、防暴反恐、敌情侦察等领域具有重要的应用价值。传统的穿墙雷达成像算法主要以后向投影成像方法为主，虽然该方法简单高效，但其成像质量需要密集的空间采样和时间采样以及庞大的存储数据空间才能得到保证。
一般情况下，探测建筑物结构布局采用的合成孔径阵列或实阵列是平行于前墙的，这样平行于前墙的所有墙体的成像必然成为感兴趣区域的主体。与感兴趣区域的距离向的维数相比，平行于阵列的墙体的数量相对较少，墙体在感兴趣区域中具有稀疏性的，所以墙体的成像实际上是一个稀疏信号的重建问题。尽管这种稀疏成像方法能够有效地减少成像所需的数据量并节省信号带宽，然而其恢复算法对回波信号的信噪比有较高的要求，同时，还要考虑到墙体呈直线连续的结构性分布，那么感兴趣的目标墙体回波实际上也就是一个具有块稀疏的结构性信号，因而稀疏向量元素彼此之间存在一种关联性。
此外，稀疏成像过程中要求必须构造出准确且匹配的字典矩阵，而构造这样的字典矩阵要求精确的聚焦时延和已知墙体参数。虽然现有技术给出了很多典型的聚焦时延的计算方法，但由这些方法得到的时延也不能完全等同真实电磁波的传播时延，另外，建筑物布局成像往往并不能准确已知墙体参数，显然，单纯从墙体参数估计或者时延精确补偿的角度构造出来的字典矩阵并不能与成像场景完全匹配，直接利用这种字典成像就容易出现墙体目标失焦，且偏移真实位置。
技术实现要素：
本发明的目的在于提供一种利用耦合模式字典学习的建筑物墙体成像方法、装置和计算机可读存储介质，旨在解决复杂情形建筑物布局成像中，因未知的数量、位置、墙体参数和测量噪声导致字典与成像场景失配而出现墙体像散焦、位置偏移的问题。
第一方面，本发明提供了一种利用耦合模式字典学习的建筑物墙体成像方法，所述方法包括：
接收天线脉冲体制雷达系统采集的目标建筑物墙体的回波信号；
通过随机测量矩阵对目标建筑物墙体的回波信号进行压缩采样获得观测值向量；
依据自由空间传播特性设计成像字典，并基于观测值向量和成像字典构建压缩感知模型；
根据压缩感知模型，通过耦合模式贝叶斯字典学习算法将墙后图像的稀疏信号矢量重构，从而得到建筑物墙体成像。
第二方面，本发明提供了一种利用耦合模式字典学习的建筑物墙体成像装置，所述装置包括：
接收模块，用于接收天线脉冲体制雷达系统采集的目标建筑物墙体的回波信号；
压缩采样模块，用于通过随机测量矩阵对目标建筑物墙体的回波信号进行压缩采样获得观测值向量；
构建模块，用于依据自由空间传播特性设计成像字典，并基于观测值向量和成像字典构建压缩感知模型；
重构模块，用于根据压缩感知模型，通过耦合模式贝叶斯字典学习算法将墙后图像的稀疏信号矢量重构，从而得到建筑物墙体成像。
第三方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述的利用耦合模式字典学习的建筑物墙体成像方法的步骤。
在本发明中，由于通过耦合模式贝叶斯字典学习算法将墙后图像的稀疏信号矢量重构，无需要求预先设定噪声方差和稀疏度等先验信息，而且把耦合模式的结构稀疏性融入其中，相比于现有方法整体提升了SOI(Scene of interest，感兴趣场景)中墙体扩展目标反射系数的重建性能，可以较好解决未知的数量、位置、墙体参数和测量噪声导致字典与成像场景失配而出现墙体像散焦、位置偏移等问题，同时可以有效减少成像所需数据量。
附图说明
图1是本发明实施例一提供的利用耦合模式字典学习的建筑物墙体成像方法的流程图。
图2是本发明实施例一提供的利用耦合模式字典学习的建筑物墙体成像方法的仿真模型示意图。
图3是本发明实施例一提供的利用耦合模式字典学习的建筑物墙体成像方法中，电磁波穿墙的传播模型示意图。
图4是本发明实施例一提供的利用耦合模式字典学习的建筑物墙体成像方法的仿真场景成像结果示意图。
图5是本发明实施例二提供的利用耦合模式字典学习的建筑物墙体成像装置的功能模块框图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例一：
请参阅图1，本发明实施例一提供的利用耦合模式字典学习的建筑物墙体成像方法包括以下步骤：需注意的是，若有实质上相同的结果，本发明的利用耦合模式字典学习的建筑物墙体成像方法并不以图1所示的流程顺序为限。
S101、接收天线脉冲体制雷达系统采集的目标建筑物墙体的回波信号。
在本发明实施例一中，所述目标建筑物墙体的回波信号是通过以下方式采集的：
天线脉冲体制雷达系统采用收发共置的天线以合成孔径方式扫描目标建筑物墙体的成像区域，如图2所示，天线采用发射信号表示为s(t)的窄脉冲信号，s(t)＝exp(-2π2f2(t-f)2)，其中f表示发射信号的中心频率；
收发共置的天线分别在L个测量孔径接收目标建筑物墙体的回波信号，L是测量孔径的数量，第l个测量孔径接收的回波信号表示为rl(t)＝sl(t)+el(t)，l∈1,2,…L，其中sl(t)和el(t)分别表示目标墙体反射分量和噪声分量，其中目标墙体反射分量其中，τl；(i,j)为信号从第l个测量孔径到像素(i,j)的双程传播时延，ζ[l；(i,j)]为指示函数，若像素(i,j)在第l个测量孔径的正前方，则ζ[l；(i,j)]取值为1，其它情况ζ[l；(i,j)]取值为0。
S102、通过随机测量矩阵对目标建筑物墙体的回波信号进行压缩采样获得观测值向量。
在本发明实施例一中，S102具体可以包括以下步骤：
分别对L个测量孔径接收到的目标建筑物墙体的回波信号rl(t)进行K点的采样，得到采样后的回波信号rl＝[rl(0),rl(1),…,rl(K-1)]T；
通过构造高斯随机测量矩阵Φl对每个采样后的回波信号rl做压缩采样，得到每个测量孔径的矢量yl，yl＝Φlrl，其中，yl是kL×1的列向量，k表示随机矩阵从原始采样点K中抽取k个采样点，Φl是k×K的采样矩阵；
根据每个测量孔径的矢量计算总的观测值向量其维度是M×1，M＝kL，其中表示为：yl＝Φlrl。
S103、依据自由空间传播特性设计成像字典，并基于观测值向量和成像字典构建压缩感知模型。
在本发明实施例一中，S103具体可以包括以下步骤：
S1031、将目标建筑物墙体的成像区域在距离向和方位向上划分为Nx×Ny个像素，距离向和方位向分别有Ny和Nx个网格单元，任意一个网格单元的坐标是(i,j)，i∈1,2,…Nx，j∈1,2,…Ny，基于回波信号的相关域信息以及各网格单元的像素与各测量孔径间的聚焦时延构建L个成像字典Ψl；
S1032、基于总的观测值向量、L个成像字典和L个测量矩阵构建压缩感知模型。
其中，S1031具体可以为：
将目标建筑物墙体的成像区域离散化为N＝Nx×Ny个网格点后，网格距离单元的大小代表雷达分辨率，这样所有图像像素信息归入一个一维列向量，即稀疏信号矢量σ，且一维列向量的维度大小是N×1；
rl视为每个像素产生的回波信息叠加，利用每个像素点的特征设计成像字典Ψl，rl＝Ψlσ，Ψl是第l个测量孔径处雷达系统的成像字典，其维度是K×N，第l个测量孔径的成像字典的第k行向量表示为：其中，τl；(i,j)为信号从第l个测量孔径到像素(i,j)的双程传播时延，该值可根据图3所示的电磁波穿墙的传播模型计算，具体计算如下：
墙壁的介电常数和厚度分别为d和εr，墙后任意一点P的坐标为P(xp,yp)，B点是电磁波的折射点，其坐标为B(x2,y2)，天线的坐标是A(xa,ya)，θ1和分别为电磁波穿墙时的折射角与入射角，由图3可知，发射天线到点P之间的电长度为其中的rAB与rBP表示发射点到折射点以及折射点到像点P的直线距离，且
当像点与天线距离远大于墙体厚度时，近似认为线段PQ和PA相互平行，那么此时的rBP表示为rBP＝rAP-Δr，其中Δr表示这两段线段的长度差，lAP表示A点和P点之间直线距离，其值为综合上述各式，lAP表示为
此时的τl；(i,j)计算为τl；(i,j)＝lAP/c，在实际的建筑物布局成像应用中，成像墙体与天线之间的距离远大于墙体厚度，所以θ1近似表示为θ1≈arctan(|xp-xa|/|yp-ya|)。
S1032具体可以为：
用L个高斯随机测量矩阵Φl构成总测量矩阵Φ，用L个成像字典Ψl构成总字典Ψ＝[Ψ1 Ψ2 … ΨL]T，总的观测值向量压缩感知模型中的y、Φ、Ψ和σ的关系表示为：y＝ΦΨσ＝Dσ，其中，Ψ与Φ相乘表示从字典Ψ中随机抽取行和列构成新的字典矩阵D，通过字典学习的方式求解稀疏信号矢量σ。
S104、根据压缩感知模型，通过耦合模式贝叶斯字典学习算法将墙后图像的稀疏信号矢量σ重构，从而得到建筑物墙体成像。
在本发明实施例一中，S104具体可以包括以下步骤：
稀疏信号表示模型为：y＝Dσ+w，其中，y为总的观测值向量，D表示从字典Ψ中随机抽取行和列构成新的字典矩阵，σ为成像稀疏信号矢量，w为成像过程中的加性噪声，加性噪声服从p(w|γ)～N(0,γ-1I)高斯分布。
为了利用目标建筑物墙体的回波信号的结构性特点，需要将其引入元素间的相关性中，具体来说操作是使σ的元素σn的先验分布不仅取决于自身的超参数，还要考虑它前后相邻的σn+1、σn-1元素的超参数的影响，所以σ的概率分布表示为：式中，λ为相邻元素之间的耦合系数，满足0≤λ≤1，αn表示非负稀疏控制的超参数(其中的α0＝αN+1＝0)，并用参数a和b已知的Gamma分布作为超参数a先验分布，即
为描述成像过程的字典自适应匹配场景，同时在迭代过程中限制字典中的元素过大，令字典D中每个原子服从彼此独立的高斯分布，即式中，β表示已知的字典原子的方差。
根据平均场理论，可对参数的后验概率分布求解转换成对单个参数近似分布的求解，也就是将潜变量集{D,σ,α,γw}的后验概率密度函数p(D,σ,α,γw|y)分解为一系列相互独立的近似后验分布函数的乘积形式，表示成
首先对qσ(σ)进行求解，其对数的概率密度函数表示成此处<·>表示数学期望，此后式中的表示符号均如此，由于潜变量的后验概率分布可表示成以下形式：忽略与σ无关的变量后化简可得
式中，<Λ>＝diag(<α1>+ρ1(<α0>+<α2>),…,<αN>+ρN(<αN-1>+<αN+1>))，其中，<αn>表示由qα(α)得到的期望值，<γw>、<D>和<DTD>分别表示由和qd(D)得到的期望值。从上式可知qσ(σ)服从一个均值为μ＝<γw>Σ<D>Ty、方差为Σ＝(<γw><DTD>+<Λ>)-1的高斯分布，即qσ(σ)＝N(σ|μ,Σ)。可以看出，待求的<σ>＝μ，它与<D>、<DTD>、<αn>，n＝1,2,…,N和<γw>有关，因此计算<σ>必须事先求解这些参数。
接下来，求解qd(D)的后验分布，忽略中与D无关的量，化简可得
式中，A＝(<γw><σσT>+β-1I)-1，C＝<γw>y<σ>T，dm和cm分别代表矩阵D和矩阵C的第m行。此外，A中的<σσT>＝<σ><σ>T+Σ。字典矩阵D每一行都是相互独立的，并且其每行都服从均值为cmA，协方差矩阵为C的高斯分布，即由此可得，<D>＝CA，<DTD>＝<D>T<D>+M<A>。
然后，类似地求解qα(α)的分布，可以得到对数形式的lnqα(α)的近似后验分布：
进一步地，可得
式中，αn服从参数和的Gamma概率分布，而αn-1和αn+1均服从参数为0.5ρn+1，的Gamma分布。考虑到α中的元素之间具有耦合关系，因此在更新每一个<αn>时，还需要更新<αn-1>和<αn+1>。其中，这里的其中的μ(n)表示μ的第n个元素，Σ(n,n)表示Σ的第n个对角元素。
最后，同理可得的近似后验分布满足：其中且中的进一步化简为由于服从Gamma分布，由此可得γw的更新值为
计算出矢量后，按照对应每个网格以Nx为周期进行Ny次赋值，得到建筑物墙体的成像结果。
本发明实施例一提供的利用耦合模式字典学习的建筑物墙体成像方法的举例如下：
由均匀介质材料构成长宽尺寸为3m×2m的四面墙体，其中包含一个1.5m×1m的小房间，其墙厚、相对介电常数以及电导率分别是0.2m、6.4和0.01S/m。采用收发共置的天线在距离墙体1.5m处沿平行于前墙合成孔径探测，每隔0.1m设置一个回波信号接收点，共有24个收发共置的天线单元合成线性阵列，均匀分布在横轴0.8-3.1m、纵轴0.1m处。仿真中，发射的窄高斯脉冲信号的中心时刻和脉冲宽度均为1ns，GPRMAX的网格单元、时间步长和采样时间窗分别是0.01m、23ps和30ns。
随机选择每个接收天线200个采样点方法构建测量矩阵Φ，按照自由空间传播模型建立初始的Ψ0，进而得到初始字典D，为了不过多带入先验信息参数a、b、c、d都设为10-6，这样的参数设置使预先的Gamma分布趋向于均匀分布，同时将β值设为较大值108以使每个原子都服从无信息先验分布，另外γw的初值设为10-3。
仿真结果如图4所示。图4中黑色框线表示墙体真实轮廓，灰色线状表示成像的墙体轮廓，由图4可见，在信号重建过程中充分利用墙体反射系数的相关性，并在迭代的同时不断以字典学习的方式来逐渐逼近场景真实的字典，所以成像墙体前后表面都比较连贯，墙体轮廓边缘显示明显，而且墙体位置比较准确，杂波得到了较好的抑制。
实施例二：
请参阅图5，本发明实施例二提供的利用耦合模式字典学习的建筑物墙体成像装置包括：
接收模块11，用于接收天线脉冲体制雷达系统采集的目标建筑物墙体的回波信号；
压缩采样模块12，用于通过随机测量矩阵对目标建筑物墙体的回波信号进行压缩采样获得观测值向量；
构建模块13，用于依据自由空间传播特性设计成像字典，并基于观测值向量和成像字典构建压缩感知模型；
重构模块14，用于根据压缩感知模型，通过耦合模式贝叶斯字典学习算法将墙后图像的稀疏信号矢量重构，从而得到建筑物墙体成像。
本发明实施例二提供的利用耦合模式字典学习的建筑物墙体成像装置及本发明实施例一提供的利用耦合模式字典学习的建筑物墙体成像方法属于同一构思，其具体实现过程详见说明书全文，此处不再赘述。
实施例三：
本发明实施例三提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如本发明实施例一提供的利用耦合模式字典学习的建筑物墙体成像方法的步骤。
在本发明中，由于通过耦合模式贝叶斯字典学习算法将墙后图像的稀疏信号矢量重构，无需要求预先设定噪声方差和稀疏度等先验信息，而且把耦合模式的结构稀疏性融入其中，相比于现有方法整体提升了SOI中墙体扩展目标反射系数的重建性能，可以较好解决未知的数量、位置、墙体参数和测量噪声导致字典与成像场景失配而出现墙体像散焦、位置偏移等问题，同时可以有效减少成像所需数据量。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。