微型合成孔径雷达(MiniSAR)的出现彻底改变了这一局面。作为一种主动式微波成像传感器，MiniSAR具有全天时全天候工作、穿透云雾雨雪、高分辨率、体积小重量轻、部署灵活等核心优势，可搭载于无人机、直升机、无人艇等平台，在事故发生后30分钟内抵达现场，实现对搜救区域的分米级实时成像。目前，MiniSAR已成为各国海上搜救体系中不可或缺的核心装备，但遇险目标自动识别准确率低仍是制约其效能发挥的最大瓶颈。
1. MiniSAR的工作原理与技术参数
MiniSAR通过发射线性调频(LFM)脉冲信号，接收目标的后向散射回波，利用合成孔径原理突破实孔径雷达的方位分辨率限制，获得高分辨率二维雷达图像。与传统大型SAR相比，适用于海上搜救的MiniSAR系统通常具有以下典型参数：
（1）工作频段：X波段(8-12GHz)，兼顾探测距离和分辨率
（2）极化方式：全极化(HH/HV/VH/VV)，提供丰富的散射信息
（3）入射角：15°-45°，覆盖海上搜救常用观测角度
（4）空间分辨率：0.3m-1m，可清晰分辨落水人员和小型救生设备
（5）作用距离：1-8km，满足近岸和近海搜救需求
（6）重量：≤5kg，功耗：≤80W，可搭载于多旋翼无人机
2. 海上目标与海杂波的频谱特性差异
SAR回波信号的频谱由载频分量、多普勒分量和散射中心分量组成。海上遇险目标与海杂波的频谱特性存在本质差异，这是频谱识别的物理基础：
（1）海杂波：由海面小尺度布拉格散射产生，频谱呈现宽谱特性，多普勒中心频率随风速和海流变化，谱形近似高斯分布，具有明显的非平稳性和非高斯性
（2）静止遇险目标：如救生筏、漂浮集装箱，频谱呈现窄谱特性，多普勒中心频率接近零，谱峰尖锐，能量集中在窄带范围内
（3）运动遇险目标：如救生艇、游泳的落水人员，频谱具有明显的多普勒偏移，偏移量与目标运动速度成正比，谱形随运动状态变化
（4）不同材料目标：金属目标(如油桶)的后向散射强，频谱能量高；非金属目标(如塑料救生筏)的散射弱，频谱能量低，且极化特性差异显著
二、频谱特征库的总体设计
1. 建设目标与设计原则
MiniSAR遇险信号频谱特征库的建设目标是：构建一个全面覆盖、标准统一、动态更新、易于共享的国家级海上搜救频谱特征数据库，为我国海上搜救系统的智能化升级提供核心数据支撑。
特征库建设严格遵循以下原则：
（1）全面性：覆盖所有常见海上遇险目标类型、0-12级蒲福海况、全入射角范围和全极化方式
（2）准确性：确保原始数据采集真实可靠，特征提取算法科学严谨，数据标注准确无误
（3）标准化：采用统一的数据格式、特征定义、标注规范和元数据标准，实现跨平台数据共享
（4）可扩展性：支持新目标类型、新海况条件和新雷达系统参数的无缝添加
（5）安全性：建立完善的数据安全和权限管理体系，防止敏感数据泄露
2. 特征库的分层架构
特征库采用三层架构设计，自下而上分别为数据层、特征层和应用层，同时配套数据管理和安全管理两个辅助模块：
（1）数据层：存储原始MiniSAR回波数据、SAR图像数据和辅助元数据，是特征库的基础。数据按照目标类型、海况等级和雷达参数进行分类存储
（2）特征层：存储从原始数据中提取的各类频谱特征，是特征库的核心。包括基本频域特征、多普勒特征、时频域特征和极化频谱特征四大类
（3）应用层：提供标准化的API接口，支持数据检索、特征提取、算法训练、算法测试和性能评估等功能
（4）数据管理模块：负责数据的导入、导出、备份、恢复、更新和质量监控
（5）安全管理模块：实现用户身份认证、分级权限管理、数据加密和操作日志审计
3. 特征库的分类体系
特征库采用四级分类体系，确保数据组织清晰、检索高效：
（1）第一级：目标类型分类，包括救生艇、救生筏、落水人员、集装箱、油桶、沉船残骸、漂浮杂物等7大类23小类
（2）第二级：海况条件分类，采用蒲福风级标准，分为0-12级，重点覆盖0-8级常见海况
（3）第三级：雷达参数分类，包括工作频段、极化方式、入射角、分辨率、作用距离等
（4）第四级：特征类型分类，分为基本频域特征、多普勒特征、时频域特征和极化频谱特征
三、频谱数据的采集与预处理
1. 数据采集方案设计
数据采集是特征库建设的基础，直接决定了特征库的质量和实用性。我们采用"外场实测+数值模拟+生成式数据增强"相结合的采集方案。
（1）外场实测平台与设备
搭建基于大型固定翼无人机和多旋翼无人机的双平台数据采集系统：
1）大型固定翼无人机：搭载X波段全极化MiniSAR，用于大范围、远距离的目标探测和数据采集
2）多旋翼无人机：搭载高分辨率MiniSAR，用于近距离、多角度的目标精细成像
3）辅助设备：包括高精度GPS/IMU组合导航系统、气象站、海流计、高清光学相机等，实时记录采集过程中的环境参数和平台状态
（2）试验场与目标设置
在我国黄海海域建立专门的海上搜救试验场，面积约50平方公里，能够模拟不同海况条件下的各种遇险场景。试验场设置的典型遇险目标包括：
1）刚性救生艇(6人、12人、25人)、充气救生艇
2）抛投式救生筏(6人、10人、15人)、气胀式救生筏
3）穿着不同类型救生衣的假人(模拟落水人员)
4）20英尺和40英尺标准集装箱、200L油桶、木板、塑料桶等
5）小型沉船残骸
数据采集时，对每个目标在不同海况(0-8级)、不同入射角(15°-45°，间隔5°)、不同极化方式下进行至少10次重复采集，确保数据的统计显著性。
（3）数值模拟与数据增强
针对9级以上极端海况下外场实测难度大、风险高的问题，采用电磁数值模拟方法生成极端海况下的遇险信号数据。利用高级电磁计算软件(如FEKO、CST)，建立目标和海面的精确电磁模型，模拟不同风速、浪高、入射角下的SAR回波信号。
同时，采用生成式对抗网络(GAN)对现有数据进行增强，生成不同噪声水平、不同遮挡程度的遇险信号数据，进一步丰富特征库的数据多样性。
2. 数据预处理流程
原始
MiniSAR回波数据中包含大量的噪声、干扰和系统误差，必须经过严格的预处理才能用于特征提取。预处理流程包括以下步骤：
（1）系统误差校正：校正雷达系统的幅度误差、相位误差和频率误差
（2）运动补偿：利用GPS/IMU数据，对无人机平台的位置误差和姿态误差进行精确补偿
（3）成像处理：采用距离多普勒算法或后向投影算法，生成高分辨率SAR图像
（4）去噪处理：采用小波阈值去噪和非局部均值去噪相结合的方法，去除系统噪声和随机噪声
（5）海杂波抑制：采用自适应CFAR检测和子空间分解方法，抑制强海杂波，提高目标信噪比
（6）数据归一化：对不同雷达系统参数下采集的数据进行幅度归一化和频率归一化，消除系统差异的影响
四、遇险信号频谱特征提取与选择
1. 多维度频谱特征提取
从预处理后的回波数据中提取四个维度的频谱特征，全面刻画遇险信号的特性：
（1）基本频域特征
基本频域特征反映了信号的整体频谱分布特性，计算简单、鲁棒性强，是最基础的识别特征：
1）统计特征：频谱均值、方差、偏度、峰度、中位数
2）谱峰特征：谱峰位置、谱峰幅度、谱峰半高宽、谱峰数目
3）能量特征：总能量、不同频段的能量分布、能量熵
4）形状特征：频谱的斜率、曲率、凹凸性
（2）多普勒频谱特征
多普勒频谱特征反映了目标的运动状态，是区分运动目标和静止目标的关键：
1）多普勒中心频率、多普勒带宽
2）多普勒频谱的峰值、均值、方差
3）多普勒展宽系数、多普勒斜率
4）运动目标的速度谱分布
（3）时频域特征
时频域特征能够同时反映信号在时域和频域的变化特性，特别适合分析非平稳的海上遇险信号：
1）采用短时傅里叶变换(STFT)提取时频图的能量分布特征
2）采用小波变换(WT)提取不同尺度的小波系数特征
3）采用希尔伯特-黄变换(HHT)提取瞬时频率、瞬时幅度和边际谱特征
（4）极化频谱特征
极化频谱特征反映了目标在不同极化方式下的散射特性差异，能够有效区分不同材料和结构的目标：
1）极化散射矩阵的特征值和特征向量
2）极化度、极化熵、平均散射角
3）共极化比(HH/VV)、交叉极化比(HV/HH)
4）不同极化方式下频谱的差异特征
2. 基于多准则融合的特征选择
提取的原始特征集维度高达200余维，存在严重的冗余和相关性，会导致识别算法过拟合和计算效率低下。我们提出一种基于"过滤-包裹-嵌入"多准则融合的特征选择方法：
（1）过滤阶段：采用方差阈值法去除方差小于0.01的低方差特征，采用互信息法筛选出与目标类别互信息大于0.5的高相关性特征
（2）包裹阶段：采用粒子群优化算法，以支持向量机(SVM)的识别准确率为目标函数，对剩余特征进行寻优
（3）嵌入阶段：采用L1正则化逻辑回归，进一步压缩特征维度，去除冗余特征
通过该方法，最终筛选出35个最具区分能力的核心特征，在保证识别准确率的前提下，将计算复杂度降低了80%以上。
五、特征库的构建与管理
1. 数据库系统设计
采用"关系型数据库+对象存储"的混合架构构建特征库：
（1）MySQL关系型数据库：存储结构化数据，包括目标信息表、采集信息表、特征信息表、用户信息表和操作日志表
（2）MinIO对象存储：存储非结构化数据，包括原始回波数据、SAR图像数据、时频图数据等，支持海量数据的高效存储和访问
数据库设计遵循第三范式，确保数据的一致性和完整性。同时，建立完善的索引机制，支持按目标类型、海况等级、雷达参数等多条件组合查询，查询响应时间小于1秒。
2. 标准化数据标注
数据标注是特征库建设的关键环节，直接影响识别算法的训练效果。我们建立了严格的标注规范和质量控制体系：
（1）标注内容：包括目标的类别、边界框、姿态、运动状态、遮挡程度等
（2）标注流程：采用"自动预标注+人工审核+专家终审"的三级标注流程
（3）质量控制：随机抽取10%的标注数据进行交叉验证，标注准确率要求达到99%以上
（4）标注工具：开发专门的SAR图像标注工具，支持多边形标注、折线标注和点标注，提高标注效率
3. 特征库的运维与更新
建立完善的特征库运维与更新机制，确保特征库的长期稳定运行和持续优化：
（1）数据更新：每季度更新一次数据，添加新的目标类型和海况数据
（2）版本管理：对特征库进行版本管理，记录每次更新的内容和时间，支持版本回滚
（3）数据备份：采用"本地备份+异地备份+云备份"的三重备份策略，确保数据安全
（4）质量监控：建立数据质量评估指标体系，定期对特征库中的数据进行质量评估，及时发现和纠正错误数据
六、特征库的应用验证与性能分析
1. 在遇险目标识别中的应用
将建立的频谱特征库应用于基于深度学习的遇险目标识别系统。以卷积神经网络(CNN)为例，将提取的35维频谱特征作为输入，训练一个3层CNN模型用于目标分类。实验结果表明：
（1）在0-6级海况下，对救生艇、救生筏和落水人员的平均识别准确率达到96.2%
（2）在7-8级海况下，平均识别准确率仍保持在89.5%以上
（3）单幅图像的识别时间小于100ms，满足实时搜救需求
（4）与使用传统特征库的系统相比，识别准确率提升了12.7%，误检率降低了15.3%
2. 特征库的性能评估
从全面性、准确性、实时性和泛化能力四个方面对特征库进行全面评估：
（1）全面性：覆盖了95%以上的常见海上遇险目标和海况条件
（2）准确性：数据标注准确率达到99.2%，特征提取准确率达到98.7%
（3）实时性：数据检索响应时间小于1秒，特征提取时间小于50ms
（4）泛化能力：在未见过的目标和海况下，识别准确率下降不超过10%
MiniSAR技术的快速发展为海上搜救带来了革命性的变化，而频谱特征库建设是实现MiniSAR遇险目标自动识别的核心基础。本文系统阐述了海上搜救系统中MiniSAR遇险信号识别的频谱特征库建设的总体设计、数据采集与预处理、特征提取与选择、数据库构建与管理等关键技术环节，并通过实验验证了特征库的性能。
MiniSAR聚焦于微型合成孔径雷达（SAR）制造研发，为用户提供定制化机载SAR、轻型MiniSAR、无人机载MiniSAR、SAR数据采集服务、SAR飞行服务等。如您有相关业务需求，欢迎联系！
150-110-63408