雷达成像与融合相关技术

# 1、雷达成像技术
- 成像类型
    - 一维：距离成像
    - 二维：一维方位、一维距离或者二维方位
    - 三维成像：二维方位加距离
- 成像频段
    - 太赫兹频段 其横跨电子学到光学的电磁波频段，因而其成像方法也涵括了雷达和光学成像的内容
        - 高频段基于光学方法，需要大口径的成像元件，阻碍了便携性
        - 低频端基于微波方式、以SAR为主
    - 光学频段
    - 微波频段
- 成像区域
    - 根据雷达和目标之间的距离区分
        - 远场 辐射源与辐射电场测量处的距离很远，可以考虑平面波前
            - $ r>4D^2/lamda$
        - 近场
            - 此时辐射源与辐射电场测量处的距离很远，要考虑球面波前
            - 目标中心点与边缘处的回波相位差大于pi/8
            - 目标中心点与边缘处的回波经脉压后不在同一距离门
            - 近场成像处理中，距离公式不能够进行近似处理
    - 电磁散射理论区分
        - 瑞利区（目标尺寸远远小于雷达波长）
        - 谐振区（目标尺寸于雷达波长处于一个数量级）
        - 光学区（目标尺寸远远大于雷达波长）
    - 根据辐射测量点与天线之间的距离（天线辐射的电磁场可分为三个区域）
        - 感应近场区
            -  离天线最近 不向外辐射能量
                -  射频识别（RFID）
                -  近场通信（NFC）
        - 辐射近场区（菲涅尔区）
            - 该区间属于典型辐射区，电磁场较强
                - 近场目标的远场RCS测量
                - 自动目标识别
                - 近场SAR成像
        - 远场区（夫琅禾费区）
            - 电磁场强较弱，属于弱场
            - 大多数通信设备
            - SAR
- 成像体制
    - 合成孔径雷达（SAR）
    - 逆合成孔径雷达（ISAR）
    - 圆周合成孔径雷达（CSAR）
    - 干涉合成孔径雷达（InSAR）
    - 层析合成孔径雷达（TomoSAR）
    - 毫米波全息成像
    - 编码孔径成像（CAI）
    - 阵列成像（实孔径）
        - 平面扫    
        - 柱面扫
- 雷达体制
    - 单发单收（SISO）
    - 单发多收（SIMO）
    - 多发多收（MIMO）
- 成像算法
    - 黄金标准
        - 后向投影算法（BP）
            - 基本方法：将回波数据在时域相干叠加，算法简单明了，成像质量高，适用范围广，但是计算复杂度高，时间慢。
    - 经典SAR算法（适用于许多实孔径阵列成像平面扫方式）
        - 距离-多普勒算法（RD）
            - 算法简单，忽略距离徙动的影响，认为二维信号可解耦合，直接采取二维匹配滤波的方式计算
            - 改进方法：围绕校正距离徙动的影响展开
        - 线频调变标算法（CS）
            - 通过小的频移，完成R的矫正，但是是针对LFM信号可用
            - 改进方法：非线性CS变换等
        - 频率变标算法（FS）
            - 延续CS算法的思路，但是将适用范围放宽，不用对原始的宽带线性调频信号操作。
        - 距离迁徙算法（RMA）
            -  一种波数域算法，理论上是SAR成像的最优实现，个人感觉是BP思想的频域实现，引入FT，将卷积改成相乘，大大减少了计算量。但是不足之处在于1是窄带成像时需要手动设置参考平面，宽带成像时需要进行插值。
            -  改进方法：围绕解决插值带来的计算时间长的问题以及图像参考平面的选择问题
                -  RSMA：通过动态调整距离徙动校正因子中的补偿距离
                -  窄带图像自聚焦RMA：提出一个清晰度函数，并遍历不同的参考平面取值使得清晰度最大
                -  层析成像算法：将目标区域分为多个具有一定厚度的层面，逐层获取二维图像，最终通过拼接不同层面二维图像的方法构成目标的三维图像
        -  极坐标格式算法（PFA）
            -  针对聚束SAR模式的一种在数据极坐标表示下的RMA算法
    - CSAR以及柱面扫
        - 柱面回波转换成平面回波，沿用经典SAR算法
    - ISAR
        - 成像之前要先进行包络对齐
        - 受目标运动状态影响较大，一般采取波数域方法进行成像
    - 增强成像
        - 稀疏先验
            - 跳出线性变换的思维，利用雷达信号的稀疏特性进行成像
            - 处理思路
                - 压缩感知
                - 稀疏贝叶斯学习
        - 深度学习
            - 主要是针对稀疏先验方式成像时间长，鲁棒性差等问题所提出的
- 成像是一个能量守恒的问题
单纯的想成出目标的三维像，可以通过一个三维的阵列发射单频信号完成，当信号变成宽带时，三维阵列可以缩减为二维阵列，当阵列可以扫描时，二维阵列变成一维阵列，当知道回波先验信息时，一维均匀阵列可以变为一维稀疏阵列

![title](https://leanote.com/api/file/getImage?fileId=6315a5b1ab644108379f64ea)

- 参考
https://blog.csdn.net/qq_39622966/article/details/107927925
https://www.elecfans.com/d/931595.html

# 2、数据融合技术
- 相机标定
    - [相机标定究竟在标定什么？](https://zhuanlan.zhihu.com/p/30813733)
    - 【机器视觉】[张氏法相机标定](https://zhuanlan.zhihu.com/p/24651968)

- 联合标定
    - [激光雷达和相机联合标定](https://zhuanlan.zhihu.com/p/404762012)
    - [激光雷达和相机的联合标定](https://zhuanlan.zhihu.com/p/348122380)

- 坐标系转换
  - [世界坐标系，相机坐标系，图像坐标系，像素坐标系的转换](https://zhuanlan.zhihu.com/p/282497081/)
  - [雷达摄像头融合](https://blog.csdn.net/weixin_42631693/article/details/90042530)
  - 几个坐标系之间的直观展示：
  ![title](https://leanote.com/api/file/getImage?fileId=632c127aab64410837a0f1f7)
  
- 数据级融合
    - 1、融合综述
        - [点云与图像融合综述](https://zhuanlan.zhihu.com/p/422283158) 
        - [Deep Learning for Image and Point Cloud Fusion in Autonomous Driving: A Review](https://arxiv.org/pdf/2004.05224v1.pdf)
    - 2、激光雷达和摄像头的数据融合
        - [链接](https://blog.csdn.net/qq_42722197/article/details/118561820?spm=1001.2101.3001.6650.2&utm_medium=distribute.pc_relevant.none-task-blog-2~default~CTRLIST~Rate-2-118561820-blog-80709959.pc_relevant_aa&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2~default~CTRLIST~Rate-2-118561820-blog-80709959.pc_relevant_aa&utm_relevant_index=3)

# 3、 常见传感器
- 自动驾驶常见传感器
![title](https://leanote.com/api/file/getImage?fileId=6315b779ab644108379f66be)

- 雷达
    - [雷达原理](https://zhuanlan.zhihu.com/p/149757466?utm_source=qq)

- 光学点云雷达(激光雷达lidar)
 - 激光雷达远距离灰尘扬尘烟雾[粉尘检测](https://zhuanlan.zhihu.com/p/423102900) 
 - [一文了解激光雷达lidar](https://zhuanlan.zhihu.com/p/449269751)

# 4、点云数据
- [KITTI激光雷达点云解析与图像反投影](https://www.cnblogs.com/azureology/p/14004131.html)
- PCL点云库
    - pcl库[教程](https://robot.czxy.com/docs/pcl/)
    - [Windows下配置安装PCL开发环境](https://blog.csdn.net/qq_45006390/article/details/118928500)
    - 在[clion中使用PCL](https://blog.csdn.net/linmingan/article/details/80165554?spm=1001.2101.3001.6661.1&utm_medium=distribute.pc_relevant_t0.none-task-blog-2~default~CTRLIST~Rate-1-80165554-blog-105291163.pc_relevant_multi_platform_whitelistv5&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2~default~CTRLIST~Rate-1-80165554-blog-105291163.pc_relevant_multi_platform_whitelistv5&utm_relevant_index=1)

- 点云可视化
    - 可使用python库mayavi，其依赖项包括VTK等，导致安装可能失败，可采用豆瓣代理[参考](https://blog.51cto.com/u_15088375/3248194)：
```
pip install vtk-i http://pypi.douban.com/simple/  --trusted-host pypi.douban.com --user
pip install mayavi -i http://pypi.douban.com/simple/  --trusted-host pypi.douban.com --user
pip install pyqt5 -i http://pypi.douban.com/simple/  --trusted-host pypi.douban.com --user
```

# 5、其他
- [SLAM入门指导](https://zhuanlan.zhihu.com/p/150021313)
- [向量的反对称矩阵](https://blog.csdn.net/keineahnung2345/article/details/112846413)
- 对于一个反对称矩阵A，我们能找到一个向量a与之对应，我们用a^来表示，即用一个向量加一个尖尖的方式来表示该向量对应的反对称矩阵A。
- [李群和李代数的来历](https://zhuanlan.zhihu.com/p/358455662) （引入基准，值得研究）
    - [李群与李代数公式推导](https://zhuanlan.zhihu.com/p/557532018)（部分推导更详细）
    - [第四讲：李群和李代数](https://zhuanlan.zhihu.com/p/33156814)
    - [李代数求导与扰动模型](https://blog.csdn.net/qq_42518956/article/details/107457773)（扰动模型推导的错误修正）

lee-romantic 's Blog

导航

最近发表

友情链接