В.А. Ненашев1, А.Р. Бестугин2, И.А. Киршина3, Е.А. Антохин4

1–4 Санкт-Петербургский государственный университет аэрокосмического приборостроения (Санкт-Петербург, Россия)

1 nenashev.va@yandex.ru, 2 fresguap@mail.ru, 3 ikirshina@mail.ru, 4 fresguap@mail.ru

Постановка проблемы. При обзоре земной поверхности все чаще применяются пространственно-распределенные радиолокационные системы, обеспечивающие оперативный поиск и автоматическое распознавание физических наземных объектов в режиме реального времени. При этом каждая малогабаритная радиолокационная станция пространственно-распределенной системы должна обеспечить высокое разрешение формируемого радиолокационного кадра для передних зон обзора малогабаритных бортовых РЛС, сопоставимое с разрешением оптических кадров, регистрируемых в оптических локационных
видеосистемах технического зрения. Одновременно такие системы технического зрения должны быть способны функционировать в сложных погодных и сезонных условиях ограниченной видимости.

Цель. Разработать методику формирования потока радиолокационных кадров с высокой частотой их следования для оперативного отображения радиолокационной обстановки в передних зонах обзора бортовых РЛС, объединенных в группу и функционирующих в режимах реального времени.

Результаты. Получена методика, позволяющая отображать на экране оператора поток радиолокационных кадров высокого разрешения и с высокой частотой их следования, к которому могут применяться новые и модифицированные алгоритмы классификации территорий и распознавания физических наземных объектов.

Практическая значимость. Новая методика позволяет обеспечивать оперативный и высокоточный мониторинг земной поверхности, и предназначена для экстренного поиска физических наземных объектов, в частности, людей, попавших в зону чрезвычайных ситуаций в результате природных и техногенных катастроф.

Ненашев В.А., Бестугин А.Р., Киршина И.А., Антохин Е.А. Формирование потока радиолокационных кадров в пространственно-распределенной системе малогабаритных бортовых РЛС // Успехи современной радиоэлектроники. 2024. T. 78. № 3. С. 59–69. DOI: https://doi.org/10.18127/j20700784-202403-07

1. Kim H.G., Park J.-S., Lee D.-H. Potential of Unmanned Aerial Sampling for Montoring Insect Populations in Rice Fields // Florida Entomol. 2018. V. 101. P. 330–334.
2. Toro G.F., Tsourdos A. UAV sensors for environmental monitoring // Belgrade: MDPI. 2018.
3. Ненашев В.А., Сенцов А.А. Пространственно-распределенные системы радиолокационного и оптического мониторинга: монография. СПб: редакционно-издательский центр ГУАП. 2022.
4. Ненашев В.А. Сенцов А.А., Куюмчев Г.В. Моделирование процесса формирования радиолокационного изображения высокого разрешения в бортовых РЛС // Вопросы радиоэлектроники. 2013. Т. 2. № 3. С. 48–56.
5. Nenashev V.A., Shepeta A.P., Kryachko A.F. Fusion radar and optical information in multiposition on-board location systems // 2020 Wave Electronics and its Application in Information and Telecommunication Systems, WECONF 2020. Saint-Petersburg. P. 9131451.
6. Nenashev V.A., Khanykov I.G. Formation of fused images of the land surface from radar and optical images in spatially distributed on-board operational monitoring systems // Journal of Imaging. 2021. V. 7. № 12. DOI 10.3390/jimaging7120251.
7. Ненашев В.А., Ханыков И.Г. Формирование комплексного изображения земной поверхности на основе кластеризации пикселей локационных снимков в многопозиционной бортовой системе // Информатика и автоматизация. 2021. Т. 20. № 2. С. 302–340.
8. Yang T., Zhang X., Xu. Q., Zhang S., Wang T. An Embedded-GPU-Based Scheme for Real-Time Imaging Processing of Unmanned Aerial Vehicle Borne Video Synthetic Aperture Radar // Remote Sens. 2024, 16, 191. https://doi.org/10.3390/rs16010191.
9. Chen J., An D., Wang W., Chen L., Feng D., Zhou Z. A Novel Generation Method of High Quality Video Image for High Resolution Airborne ViSAR // Remote Sens. 2021, 13, 3706. https://doi.org/10.3390/rs13183706.
10. Ненашев В.А., Афанасьева В.И., Ненашев С.А. Особенности формирования потока радиолокационных кадров с частотой близкой к видеочастоте. Современные технологии в задачах управления, автоматики и обработки информации // Тезисы докладов XXXII Междунар. науч.-технич. конф. 2023. 14-20 сентября 2023 г. С. 131–132.
11. He Z., Li Z., Chen X., Yu A., Yi T., Dong Z. Detecting Moving Target on Ground Based on Its Shadow by Using VideoSAR //
    Remote Sens. 2021, 13, 3291. https://doi.org/10.3390/rs13163291.
12. Kim S., Yu J., Jeon S.-Y., Dewantari A., Ka M.-H. Signal Processing for a Multiple-Input, Multiple-Output (MIMO) Video Synthetic Aperture Radar (SAR) with Beat Frequency Division Frequency-Modulated Continuous Wave (FMCW) // Remote Sens. 2017, 9, 491. https://doi.org/10.3390/rs9050491.
13. Zhang Y., Zhu D., Mao X., Yu X., Zhang J., Li Y. Multirotors Video Synthetic Aperture Radar: System Development and Signal Processing // IEEE Aerospace and Electronic Systems Magazine. V. 35. № 12. P. 32–43. 1 Dec. 2020. Doi: 10.1109/MAES.2020.3000318.
14. He Z., Chen X., Yi T., He F., Dong Z., Zhang Y. Moving Target Shadow Analysis and Detection for ViSAR Imagery // Remote Sens. 2021, 13, 3012. https://doi.org/10.3390/rs13153012.
15. Ding J., Wen L., Zhong C., Loffeld O. Video SAR Moving Target Indication Using Deep Neural Network // IEEE Trans. Geosci. Remote Sens. 2020, 58, 7194–7204.
16. Wen L., Ding J., Loffeld O. Video SAR Moving Target Detection Using Dual Faster R-CNN // IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2021, 14, 2984–2994.
17. Yang X., Shi J., Zhou Y., Wang C., Hu Y., Zhang X., Wei S. Ground Moving Target Tracking and Refocusing Using Shadow in Video-SAR // Remote Sens. 2020, 12, 3083.
18. Guo P., Wu F., Tang S., Jiang C., Liu C. Implementation Method of Automotive Video SAR (ViSAR) Based on Sub-Aperture Spectrum Fusion // Remote Sens. 2023, 15, 476.
19. Kim C.K., Azim M.T., Singh A.K., Park S.O. Doppler Shifting Technique for Generating Multi-Frames of Video SAR via Sub-Aperture Signal Processing // IEEE Trans. Signal Process. 2020, 68, 3990–4001.
20. Yang C., Chen Z., Deng Y., Wang W., Wang P., Zhao F. Generation of Multiple Frames for High Resolution Video SAR Based on Time Frequency Sub-Aperture Technique // Remote Sens. 2023, 15, 264.
21. Cheng Y., Ding J., Sun Z. Processing of airborne video SAR data using the modified back projection algorithm // IEEE Trans. Geosci. Remote Sens. 2022, 60, 5238013.
22. Jiang J., Li Y., Yuan Y., Zhu Y. Generalized Persistent Polar Format Algorithm for Fast Imaging of Airborne Video SAR // Remote Sens. 2023, 15, 2807. https://doi.org/10.3390/rs15112807.
23. Ненашев В.А., Ненашев С.А. Классификация и распознавание наземных объектов в потоке радиолокационных кадров на основе нейросетевого подхода в передней зоне обзора бортовых РЛС многопозиционной системы // Труды Междунар. конф. по компьютерной графике и зрению "Графикон". 2023. № 33. С. 572–580. DOI 10.20948/graphicon-2023-572–580.
24. Васильев К.К., Гуторов А.С., Маслов А.А. и др. Корабельные многопозиционные РЛС. Методы обработки информации. Монография / Под ред. Э.Д. Павлыгина. М.: Радиотехника. 2019.
25. Патент № 2703996 C2 РФ, МПК G01S 13/90. Способ локации целей в передних зонах обзора бортовых радиолокационных станций двухпозиционной радиолокационной системы / Коржавин Г.А., Ненашев В.А., Шепета А.П., Подоплекин Ю.Ф., Давидчук А.Г. Заявл. 26.03.2019. Опубл. 23.10.2019.
26. Ненашев В.А., Ненашев С.А. Классификация и распознавание наземных объектов в потоке радиолокационных кадров на основе нейросетевого подхода // Автоматизация в промышленности. 2024. № 1. С. 29–33. DOI 10.25728/avtprom.2024.01.07.
27. Патент № 2760873 C1 РФ, МПК G01S 13/52, G01S 13/42. Устройство для определения параметров движения наземных объектов в двухпозиционной системе бортовых малогабаритных РЛС / Ненашев В.А., Григорьев Е.К., Шепета А.П., Подоплекин Ю.Ф. Заявл. 09.03.2021. Опубл. 01.12.2021.