快速區(qū)分目標與云霧的方法研究*

衛(wèi)媛媛，賀 偉

（西安郵電大學(xué)，西安 710065）

0 引言

掃描探測體制激光成像引信利用激光束探測目標，具有對目標的主動全向探測能力、探測視場方向尖銳、不易受電子干擾等特點。然而由于工作波段的原因，激光成像引信也受云霧，特別是空氣懸浮粒子的后向散射影響較大。在復(fù)雜戰(zhàn)場背景、導(dǎo)彈與目標高速交會的情況下，對云霧目標進行精確和快速的辨別比較困難［1］，這也一直是激光成像引信發(fā)展和應(yīng)用的“瓶頸”問題之一。國內(nèi)外對此也提出了一些識別方法，文獻［2］提出了利用曲線段特征、字塊特征等方法進行目標局部圖像識別。文獻［3］提出了用矩不變特征進行飛機目標識別。文獻［4］提出了一種基于形態(tài)點特征的方法進行目標識別。由于彈目交會時獲得的是局部圖像，信息比較少，交會姿態(tài)復(fù)雜，這些識別方法的適應(yīng)性不強，辨別速度不夠快，所以提出了一種根據(jù)目標角點和角點區(qū)域的矩形度來辨別云霧與目標的方法。

1 激光成像引信和常用目標特性識別方法

1.1 激光成像引信

激光成像引信主要由光學(xué)掃描機構(gòu)、激光發(fā)射接收、目標辨別處理等單元組成。圖1為激光成像引信示意圖。激光成像引信可以獲取目標的方位、局部幾何形狀、距離等信息。如何對目標圖像進行處理，有效提取目標特征以實現(xiàn)快速辨別云霧和目標是激光引信的關(guān)鍵研究方向之一。

圖1 激光成像引信探測裝置的原理圖

1.2 激光掃描建模

激光掃描過程并不是全覆蓋，而是一種點覆蓋，像素點之間存在著一定間隔［7］。為了能夠在高速彈目交會時有效探測目標，為后續(xù)云霧目標辨別提供更準確的數(shù)字二值圖像，下面對影響回波數(shù)據(jù)的因素進行建模分析，激光掃描探測區(qū)域示意圖如圖2。

圖2 激光成像引信軸向掃描探測區(qū)域示意圖

假設(shè)激光引信脫靶量a為5m，作用距離b為8m。在激光掃描點成像過程中，激光光束隨著掃描電機棱鏡的旋轉(zhuǎn)，照射出一串的信號回波。隨著棱鏡掃描和導(dǎo)彈與目標的相對運動，目標各個部位進入探測區(qū)域從而完成對目標的探測。圖3為目標探測到的掃描點的示意圖。假設(shè)在飛機與導(dǎo)彈迎面飛行的極端情況下，相對高速彈目交會速度約為1000m/s或者更高，在彈軸方向上渡越距離為d=0.8m。

圖3 掃描點分布

對于激光成像引信來說，探測距離不會太大，一般在十幾米內(nèi)。要滿足實際高速彈目交會要求，激光成像引信至少應(yīng)在交會時適時判斷識別出目標。根據(jù)計算識別算法的實際處理時間應(yīng)在8ms以內(nèi)，為滿足引戰(zhàn)配合的需要，因此要求算法簡單且快速。

1.3 常用目標識別特性

由于激光成像引信工作于特殊環(huán)境，探測到的目標圖像極其復(fù)雜，且多是不完整的局部圖像［6］（見圖4），所以只能通過諸多局部特征的提取來識別目標與云霧。常用的局部目標特征有不變矩、邊緣特征、線矩等。

圖4 各種交會條件下的飛機目標二值圖像

1）不變矩

不變矩反映了物體灰度相對于質(zhì)心的統(tǒng)計分布情況，具有平移、旋轉(zhuǎn)和比例不變性，是表征不變量方面比較成熟的方法［3］。在二維不變矩中，常用的有階數(shù)小于3的7個不變矩。但是由于這種方法是基于全局圖像的，所以運算量比較大，而且它只能計算連續(xù)的輪廓，不能清晰的顯示飛機目標的局部輪廓。

2）邊緣特征

邊緣是圖像局部特征變化比較顯著的部分，采用邊緣檢測獲得的邊緣點以及邊緣線可以反映出目標的輪廓信息［2］。但是由于實際應(yīng)用的運行速度需在8ms內(nèi)，所以無法通過提取圖像邊緣特征快速的進行云霧目標辨別。

2 基于角點和矩形度的目標辨別

利用角點和矩形度進行目標辨別，包括角點特征的提取和角點區(qū)域矩形度的計算。

2.1 角點特征算法

角點是圖像中灰度變化劇烈的點，包含位置、夾角、邊界形狀等豐富的信息而且相對要處理的數(shù)據(jù)量比較小。Harris算法應(yīng)用比較廣泛。

Harris角點檢測是基于像素灰度變化的，角點附近往往是像素灰度值變化非常大的，梯度也非常大。若對二值圖像數(shù)據(jù)上的點分別求取x、y方向上的灰度變化值，就可判斷是否為角點。其中灰度變化度量的解析式設(shè)為:

式中:Ex，y為灰度變化量;ωx，y為一個高斯滑動窗口函數(shù)，用高斯函數(shù)代替二值窗口函數(shù)，對離中心點越近的像素賦予越大的權(quán)重，以減少噪聲影響;I為圖像的像素灰度值。尋找?guī)в薪屈c的窗口，需要搜索像素灰度變化較大的窗口，于是期望最大化Ex，y，將其化為二次型并進行對角化處理得到下式:

式（3）提取了兩個特征值λ1、λ2，可以用來描述兩個主要方向上信號的變化。將兩個特征值混合計算得出單一的強度值R，這個值也就是Harris的角點響應(yīng)函數(shù)R如下式:

R決定了這個窗口中是否包含了角點，當目標點的R大于給定的閾值，則該點為角點。Harris算法計算了每一個像素點上的R值，從而求出二值圖像數(shù)據(jù)上的所有角點。

2.2 角點區(qū)域的矩形度

當目標的邊界已知時，數(shù)學(xué)上可以用最小外界矩形來描述基本形狀。先確定目標的主軸，再求出物體在主軸上的長度和與之垂直方向上的寬度，這樣就得到目標的水平和垂直跨度，這也就是目標的最小外接矩形如圖5所示。

圖5 最小外界矩形

矩形度反映目標對其最小外接矩形的充滿程度，也就是目標的面積與其最小外接矩形面積的比值用式（5）來描述:

其中:A0為目標的面積;AMER為最小外接矩形的面積。根據(jù)矩形度這個形狀特征可以排除一些孤立的噪聲干擾。

2.3 特征提取及識別流程

激光引信探測系統(tǒng)的工作原理和應(yīng)用場合決定了其獲取的飛機圖像信息的分辨率不會很高［9］。但是在飛機邊緣的交界處、被遮擋的邊緣等部分一般都是穩(wěn)定的、像素變化比較大的點。而角點正是兩個邊緣變化方向上變化比較大的點，利用這一點相似性可以檢測出飛機目標。在各種高速彈目交會情況下，用Autodesk 3Ds Max軟件對三維F-15戰(zhàn)機進行模擬，用得到的二維圖像矩陣進行方法的驗證。經(jīng)過上面的Harris角點特征分析得出:

1）一般情況下探測器接收到的云霧、小物體等干擾圖像的矩陣信息多為隨機、少數(shù)、孤立的噪聲點，所以能提取到的角點數(shù)量是非常少的，幾乎沒有角點可提取。

2）飛機目標在迎頭交會時最先掃描到的是前機身，然后是中機身和機翼，最后是發(fā)動機和尾翼。前機身部位主要是一條機頭主軸和一些小突起，能夠提取到一定角點。尾追交會由于激光光束先掃過尾翼、發(fā)動機區(qū)域，然后是機翼和中機身、前機身。尾翼較早出現(xiàn)，其影響區(qū)的灰度值與其它部位的灰度值差異較大，所以尾追交會時也會出現(xiàn)明顯的角點特征。

為進一步排除干擾，需用角點區(qū)域矩形度進一步確定有角點特征的區(qū)域就是飛機目標。分析得到云霧干擾具有不確定性，外界矩陣大，矩形度小;飛機目標的角點較集中，其最小外界矩形相對較小，矩形度相對云霧大很多。根據(jù)以上的分析得出用角點特征和角點區(qū)域矩形度進行云霧目標辨別的流程見圖6。

圖6 云霧目標辨別流程圖

其中，角點閾值T1、矩形度閾值T2是通過大量的實際測量數(shù)據(jù)得到。本項目是通過對比100個不同飛行姿態(tài)的飛機局部圖像與模擬云霧圖像的角點數(shù)量及矩形度最后得出閾值。處理的圖像數(shù)量越多，得到的閾值越精確。

3 實驗及仿真

通過Autodesk 3Ds Max軟件對云霧、F-15戰(zhàn)機各種飛行姿態(tài)進行模擬，用得到的大量局部飛機圖像數(shù)據(jù)進行了圖像處理。

3.1 不同掃描行對提取角點的影響

在相同的戰(zhàn)機飛行姿態(tài)下，對不同的掃描行數(shù)圖像數(shù)據(jù)提取角點見表1。假設(shè)圖像中一個像素點為一個掃描點，每列都是40個像素，行像素則從10到30行遞增代表掃描行數(shù)的增加。當掃描行數(shù)大于20行時可以識別出較為穩(wěn)定的角點數(shù)量;當行數(shù)小于20行時，由于數(shù)據(jù)太少所以無法判斷。所以后續(xù)仿真實驗采用20行掃描數(shù)據(jù)來驗證云霧目標辨別方法。

表1 不同掃描行的角點個數(shù)統(tǒng)計

硬件實現(xiàn)可以用高速DSP芯片。DSP執(zhí)行一條指令的時間小于1ns。文中提出的角點算法是基于整幅圖像數(shù)據(jù)來求灰度變化量，指令最多約20000條。假設(shè)每條指令10ns，在DSP上運行完算法需要0.2ms，可以達到高速彈目交會時云霧目標辨別的實際處理時間，與傳統(tǒng)的識別方法相比速度要快。

3.2 模擬云霧與飛機目標的角點數(shù)差異

對相同掃描行數(shù)的數(shù)據(jù)圖像提取角點，并計算角點數(shù)量，數(shù)據(jù)見表2?？梢钥闯鲈旗F的角點數(shù)量為0，與飛機的角點數(shù)量差異很大，大量計算得出一個閾值T1，當角點數(shù)量大于閾值則為飛機，小于閾值則為云霧。本實驗取T1為1。

表2 飛行與云霧的角點數(shù)量差異

3.3 模擬云霧與飛機目標的矩形度差異

在角點提取的基礎(chǔ)上，計算出角點分布區(qū)域的最小外接矩的矩形度，仿真數(shù)據(jù)見表3?？梢缘贸鲲w機和云霧的矩形度是有很大差異的，大量計算得出一個閾值T2，當矩形度大于閾值則為飛機，小于閾值則為云霧。本實驗取T2為7%。

3.4 不同姿態(tài)對提取角點的影響

對大量F-15戰(zhàn)機各種飛行姿態(tài)進行模擬得到的測量數(shù)據(jù)分析。仿真結(jié)果顯示角點多數(shù)分布在機頭、機翼、機尾處、見表4。

表3 飛行與云霧矩形度差異

表4 不同飛行姿態(tài)角點個數(shù)統(tǒng)計

通過對100個不同飛行姿態(tài)和不同角度的飛機局部圖像的處理，結(jié)果表明93% 的目標物可以用提取出來的角點特征進行區(qū)分識別。

4 結(jié)論

文中提出了一種基于角點特征和角點區(qū)域矩形度的目標與云霧區(qū)分方法。該方法對仿真出來的目標矩陣圖像提取角點，然后根據(jù)角點位置計算出角點區(qū)域的矩形度大小，最后用這兩個值來辨別云霧目標。利用Autodesk 3Ds Max軟件對F-15戰(zhàn)機的各種飛行姿態(tài)進行模擬，用得到的圖像數(shù)據(jù)進行方法驗證。仿真結(jié)果表明，該方法比傳統(tǒng)的目標特性識別方法具有明顯的速度優(yōu)勢，可以實現(xiàn)快速區(qū)分云霧與目標，表明該特征具有一定的抗云霧干擾能力，很適合復(fù)雜戰(zhàn)場環(huán)境需要。不足之處在于只是從戰(zhàn)機模型的圖像數(shù)據(jù)進行研究，在實際的應(yīng)用中還有待于進一步的改進。

［1］徐永超，賀偉.基于變換探測功率的云霧后向散射識別［J］.探測與控制學(xué)報，2013，35（1）:25－28.

［2］王炎，鄭鏈，王克勇.用于成像引信圖像識別的局部特征提取技術(shù)［J］.紅外技術(shù)，2001，23（5），20－23.

［3］李迎春，陳賀新，楊建波，等.基于矩不變的飛機識別算法［J］.吉林大學(xué)學(xué)報:信息科學(xué)版，2002，20（3）:15－19.

［4］王剛，賀偉，董衛(wèi)斌，等.一種基于形態(tài)點特征的目標識別方法［J］.探測與控制學(xué)版，2010，32（6）:18－22.

［5］Zunhua Guo，Shaohong Li，Weixin Xie.Automatic target recognition of aircrafts using translation invariant features and neural networks［C］//ICSP2008Signal Proceedings，9th Intermational Conferenceon，2008.

［6］SONG Chengtian，WANG Keyong，ZHENG Lian.An image processing system research on target and rendezvous status identification of missile and plane［C］//2008Congress on Image and Signal Processing，2008.

［7］魏斌，鄭鏈，王克勇，等.用于近距目標探測的激光成像引信技術(shù)［J］.激光雜志，2005，26（6）:10－12.

［8］王克勇，宋承天，王炎，等.基于知識的飛機目標灰度圖像部位識別方法研究［J］.制導(dǎo)與引信，2003，24（1）:49－52.

［9］鄧甲昊.成像引信聯(lián)合變換相關(guān)目標識別關(guān)鍵技術(shù)［J］.探測與控制學(xué)報，2012，34（1）:1－5.