1.一种基于结构化短时稀疏表示的时频表征增强方法，其特征在于，所述方法包括：基于雷达回波数据模型与所要求解的时频表征之间的关系，建立雷达回波数据的时频表征稀疏观测模型；利用 范数、卷积加权和形态学滤波，对所述时频表征稀疏观测模型中目标的稀疏和结构连续特性进行约束，得到时频表征的结构化稀疏优化模型；获取微动目标的实时雷达回波数据；将所述实时雷达回波数据输入至所述结构化稀疏优化模型后，采用交替方向乘子法对结构化稀疏优化模型进行迭代求解，得到稀疏和结构特征联合增强的微动目标二维时频表征。
2.根据权利要求1所述的基于结构化短时稀疏表示的时频表征增强方法，其特征在于，所述时频表征稀疏观测模型表示为： ；在上式中， 表示重构的时频表征向量， 表示缺损回波观测向量即雷达回波数据模型， 表示降采样矩阵，由元素0和1构成，其中回波元素采样位置为1，缺失位置为0， 表示逆短时傅里叶变换矩阵，其中 表示滑窗矩阵， ， 为对角矩阵， 表示分块逆傅里叶变换矩阵， 表示观测噪声向量。
3.根据权利要求2所述的基于结构化短时稀疏表示的时频表征增强方法，其特征在于，所述时频表征的结构化稀疏优化模型表示为： ；在上式中， 和 分别表示 范数和 范数， 表示数据误差项，用于衡量重构得到的时频表征与原始时频表征的相似程度， 表示结构加权向量，该向量通过结构加权矩阵 沿着频率维堆叠得到，即 ， ， 表示修正的结构化稀疏先验正则项。
4.根据权利要求3所述的基于结构化短时稀疏表示的时频表征增强方法，其特征在于，所述结构加权矩阵通过卷积加权运算和形态学滤波构建得到，表示为： ；在上式中， 表示大小为 全1矩阵， 表示矩阵元素点除， 表示任意极小值， 表示通过卷积运算得到的目标结构掩膜， 表示采用形态学算子对 进行修正。
5.根据权利要求1-4任一项所述的基于结构化短时稀疏表示的时频表征增强方法，其特征在于，在采用交替方向乘子法对结构化稀疏优化模型进行求解时：引入分裂变量对所述结构化稀疏优化模型进行转换后，构建对应的增广拉格朗日函数；对所述增广拉格朗日函数中的拉格朗日乘子利用惩罚项系数进行尺度变换，引入对偶变量对所述增广拉格朗日函数进行转换；根据转化后的增广拉格朗日函数，将所述结构化稀疏优化模型分解为多个子问题进行求解。
6.根据权利要求5所述的基于结构化短时稀疏表示的时频表征增强方法，其特征在于，在对多个子问题进行迭代求解之前，利用观测矩阵的特殊结构，将矩阵向量乘法转化为矩阵元素点乘，并采用矩阵形式迭代更新变量。
7.根据权利要求6所述的基于结构化短时稀疏表示的时频表征增强方法，其特征在于，在对多个子问题进行交替迭代求解时的每一次迭代计算过程：根据上一次迭代计算得到的分裂变量以及对偶变量，对包含数据误差项和增广拉格朗日项的岭回归问题进行求解，以更新全局变量；根据上一次迭代计算得到的对偶变量以及当前次迭代计算更新后的全局变量，基于结构化稀疏正则项和增广拉格朗日项推导复数软阈值算子，以更新分裂变量；最后联合当前次迭代计算更新后的全局变量和分裂变量最小化，以更新对偶变量。
8.根据权利要求7所述的基于结构化短时稀疏表示的时频表征增强方法，其特征在于，在对多个子问题进行交替迭代求解时，还通过设置迭代次数或误差精度，得到最终的目标时频增强表征；其中，当迭代回合数达到预设次数或相邻迭代误差达到预设值时，则该回合迭代得到的重构时频表征为实现结构化短时稀疏时频增强表征。
9.一种基于结构化短时稀疏表示的时频表征增强装置，其特征在于，所述装置包括：时频表征稀疏观测模型构建模块，用于基于雷达回波数据模型与所要求解的时频表征之间的关系，建立雷达回波数据的时频表征稀疏观测模型；模型优化模块，用于利用 范数、卷积加权和形态学滤波，对所述时频表征稀疏观测模型中目标的稀疏和结构连续特性进行约束，得到时频表征的结构化稀疏优化模型；实时数据获取模块，用于获取微动目标的实时雷达回波数据；时频增强模块，用于将所述实时雷达回波数据输入至所述结构化稀疏优化模型后，采用交替方向乘子法对结构化稀疏优化模型进行迭代求解，得到稀疏和结构特征联合增强的微动目标二维时频表征。
