坦克火控系統(tǒng)目標(biāo)檢測、跟蹤技術(shù)發(fā)展現(xiàn)狀與展望

王全東， 常天慶， 孫浩澤， 楊國振， 戴文君

(陸軍裝甲兵學(xué)院兵器與控制系， 北京 100072)

圖像處理技術(shù)在軍事領(lǐng)域的典型應(yīng)用是視頻目標(biāo)檢測與跟蹤系統(tǒng)，與傳統(tǒng)的雷達(dá)檢測與跟蹤系統(tǒng)相比，它屬于典型的無源跟蹤裝置，在分辨率、隱蔽性和跟蹤精度等方面具備獨(dú)特優(yōu)勢[1-3]，而且具有結(jié)構(gòu)簡單、功耗較小、抗電子干擾和符合人眼視覺觀察習(xí)慣的特點(diǎn)，因此在偵察、監(jiān)視、電視制導(dǎo)和光電跟蹤等武器系統(tǒng)中得到了大量運(yùn)用。

由于受地形、植被、建筑和遮擋等復(fù)雜地表環(huán)境因素影響，處理地面戰(zhàn)場目標(biāo)檢測與跟蹤問題所面臨的背景復(fù)雜程度要遠(yuǎn)遠(yuǎn)高于空中目標(biāo)，因此坦克、裝甲車輛等陸戰(zhàn)平臺采用雷達(dá)技術(shù)實(shí)現(xiàn)對地面目標(biāo)檢測與跟蹤的技術(shù)難度更大。隨著可見光、紅外、微光夜視等多種成像檢測設(shè)備以及相關(guān)數(shù)字化技術(shù)在裝甲車輛上的廣泛應(yīng)用，具備視頻圖像目標(biāo)自動檢測與自動跟蹤功能的火控系統(tǒng)已成為各軍事大國陸戰(zhàn)裝備關(guān)注的重點(diǎn)，發(fā)展基于視頻圖像的目標(biāo)自動檢測與跟蹤技術(shù)已成為提高現(xiàn)有裝甲車輛火控系統(tǒng)性能的重要方向[4-5]。

當(dāng)前，坦克火控系統(tǒng)的目標(biāo)自動跟蹤技術(shù)已達(dá)到實(shí)用化水平，中、俄等國的新型三代主戰(zhàn)坦克已安裝了具備目標(biāo)自動跟蹤功能的火控系統(tǒng)。但由于戰(zhàn)場環(huán)境的復(fù)雜性，坦克火控系統(tǒng)的目標(biāo)自動檢測技術(shù)仍處于研發(fā)和試驗(yàn)階段，距離實(shí)戰(zhàn)應(yīng)用還有差距，現(xiàn)有坦克火控系統(tǒng)的目標(biāo)選取尚需乘員人工進(jìn)行搜索和選擇，系統(tǒng)的自動化、智能化水平和對戰(zhàn)場圖像信息的綜合處理能力有待進(jìn)一步提高[5-6]。特別是隨著現(xiàn)代偽裝和隱身技術(shù)在軍事裝備中的廣泛運(yùn)用，未來信息化戰(zhàn)爭中僅由坦克乘員人為地搜索、發(fā)現(xiàn)和識別處于復(fù)雜背景環(huán)境中的敵方目標(biāo)變得日益困難，而乘員又要在較短時(shí)間內(nèi)處理大量的戰(zhàn)場信息，對整車的反應(yīng)速度提出了更高要求。因此，需要研發(fā)一種具備目標(biāo)自動檢測與跟蹤功能的火控系統(tǒng)，實(shí)現(xiàn)對目標(biāo)從搜索、檢測、跟蹤到火力打擊的一體化，從而使我方坦克能從日益復(fù)雜的戰(zhàn)場環(huán)境中更迅速、更準(zhǔn)確地發(fā)現(xiàn)、識別和跟蹤各類目標(biāo)，更快地對各類戰(zhàn)場目標(biāo)做出反應(yīng)。

筆者分別從檢測和跟蹤2方面對現(xiàn)有坦克火控系統(tǒng)目標(biāo)自動檢測和自動跟蹤技術(shù)的發(fā)展現(xiàn)狀進(jìn)行梳理和總結(jié)，并對其未來發(fā)展趨勢進(jìn)行展望，旨在為在未來坦克火控系統(tǒng)目標(biāo)檢測與跟蹤技術(shù)的研究提供相關(guān)參考。

1 目標(biāo)檢測、跟蹤技術(shù)在坦克火控系統(tǒng)中的應(yīng)用現(xiàn)狀與技術(shù)優(yōu)勢

雖然各國坦克火控系統(tǒng)目標(biāo)自動檢測和跟蹤的功能水平不一、技術(shù)特點(diǎn)不同，但實(shí)現(xiàn)對目標(biāo)的自動檢測與跟蹤已成為坦克火控系統(tǒng)未來發(fā)展的重要方向。國內(nèi)外典型三代主戰(zhàn)坦克火控系統(tǒng)目標(biāo)檢測、跟蹤技術(shù)的總體應(yīng)用情況如表1所示[7-13]。

1.1 目標(biāo)跟蹤技術(shù)

坦克火控系統(tǒng)自誕生至今其功能逐步完善，自動化和信息化水平逐步提高，目前已經(jīng)發(fā)展了擾動式、非擾動式和穩(wěn)像式(獵殲式)三代[4]。目前部分三代主戰(zhàn)坦克裝備的穩(wěn)像式火控系統(tǒng)已具備目標(biāo)跟蹤功能，能夠在坦克乘員發(fā)現(xiàn)和鎖定目標(biāo)后對其進(jìn)行自動跟蹤。

以美、德為首的西方國家，由于其三代坦克的研發(fā)時(shí)間較早，在火控系統(tǒng)研制初期并未考慮采用目標(biāo)跟蹤技術(shù)，同時(shí)出于當(dāng)時(shí)目標(biāo)跟蹤技術(shù)在復(fù)雜戰(zhàn)場環(huán)境下的精度、穩(wěn)定性尚有缺陷和改裝成本較高的考慮，其目前裝備的三代坦克火控系統(tǒng)在標(biāo)準(zhǔn)配置下并不具備目標(biāo)自動跟蹤功能。但相關(guān)的研究工作一直在進(jìn)行：美國的M1A2 SEP坦克在加裝雷聲系統(tǒng)公司為其研制的目標(biāo)跟蹤模塊后，可以實(shí)現(xiàn)全天候的目標(biāo)搜索、自動跟蹤與鎖定功能[7]；德國改進(jìn)和出口型“豹”2A6坦克裝備在部分采用FLP-10/EMES-18型火控系統(tǒng)后具備目標(biāo)跟蹤功能[8]；法國陸軍也明確提出要在“勒克萊爾”2015型坦克中加裝新型火控系統(tǒng)和目標(biāo)自動跟蹤系統(tǒng)[9]。

以俄[10-11]、日[12]、以[13]等為代表的對新型坦克研發(fā)較為積極的國家，已率先在其三代坦克火控系統(tǒng)中應(yīng)用了目標(biāo)跟蹤技術(shù)，使其火控系統(tǒng)能夠在坦克乘員捕捉到目標(biāo)后，自動控制瞄準(zhǔn)具對目標(biāo)進(jìn)行跟蹤，從而顯著提高了坦克在行進(jìn)間跟蹤和打擊運(yùn)動目標(biāo)的能力和精度。在目標(biāo)自動跟蹤工況下，當(dāng)炮長操縱炮塔使目標(biāo)落入瞄準(zhǔn)鏡的鎖定框時(shí)，車長或炮長只需按下鎖定開關(guān)即可完成對目標(biāo)的跟蹤。當(dāng)目標(biāo)受到遮擋而暫時(shí)消失時(shí)，系統(tǒng)仍會繼續(xù)保持跟蹤功能，待目標(biāo)重新進(jìn)入視場后，炮長就可迅速地對目標(biāo)進(jìn)行自動跟蹤和火力打擊。

由于計(jì)算機(jī)技術(shù)水平的限制，國內(nèi)對圖像跟蹤技術(shù)的研究起步較晚。20世紀(jì)90年代以后，我國計(jì)算機(jī)技術(shù)水平有了巨大發(fā)展，國內(nèi)各高校和科研院所在目標(biāo)檢測、跟蹤等視頻圖像處理技術(shù)上進(jìn)行了大量的研究工作。2000年前后，我國在某型主戰(zhàn)坦克上首次實(shí)現(xiàn)了視頻圖像目標(biāo)的自動跟蹤[4]，該型坦克采用了穩(wěn)像式火控系統(tǒng)，可以在行進(jìn)間對運(yùn)動目標(biāo)進(jìn)行打擊，炮手觀測到目標(biāo)并按下自動跟蹤按鈕后，系統(tǒng)可自動完成目標(biāo)跟蹤至火炮發(fā)射的全過程，與國外先進(jìn)坦克火控系統(tǒng)的目標(biāo)跟蹤技術(shù)基本處于同一水平。

1.2 目標(biāo)檢測技術(shù)

面對復(fù)雜多變的地面戰(zhàn)場環(huán)境，相比于目標(biāo)跟蹤技術(shù)，在坦克火控系統(tǒng)中實(shí)現(xiàn)目標(biāo)自動檢測的技術(shù)難度更大，目前各國均未在現(xiàn)有坦克火控系統(tǒng)中實(shí)際采用目標(biāo)自動檢測技術(shù)，這也是坦克火控系統(tǒng)實(shí)現(xiàn)對目標(biāo)檢測與跟蹤一體化所面臨的主要技術(shù)瓶頸，但相關(guān)研究工作一直在進(jìn)行之中。

美、俄等國對坦克火控系統(tǒng)目標(biāo)自動檢測技術(shù)的研究進(jìn)程處在世界前列。其中，美國的相關(guān)研究進(jìn)展最快，雖然尚未實(shí)際裝備，但已基本完成了樣機(jī)的設(shè)計(jì)和試驗(yàn)，具體技術(shù)和性能指標(biāo)尚未公布。有資料[14]表明：雷聲系統(tǒng)公司正在為美國軍方M1A2系列坦克開發(fā)一種具備模塊化目標(biāo)搜索功能的新型火控系統(tǒng)MATS-FC，其具備自動發(fā)現(xiàn)、識別和跟蹤目標(biāo)的能力，并能將目標(biāo)信息分類后同時(shí)顯示在乘員綜合顯示器上，可同時(shí)與多個(gè)目標(biāo)進(jìn)行遠(yuǎn)距離交戰(zhàn)，目前已基本完成了樣機(jī)的設(shè)計(jì)和測試工作。

與國外現(xiàn)役三代坦克一樣，我國新式三代主戰(zhàn)坦克的目標(biāo)選取也需要由坦克乘員人工進(jìn)行搜索和選擇，面對未來信息化戰(zhàn)爭的需求，系統(tǒng)的自動化、智能化水平有待進(jìn)一步提高。雖然部分科研單位和院校早已開展了對視頻目標(biāo)自動檢測與跟蹤技術(shù)的研究，但多基于民用領(lǐng)域車輛和行人等一般目標(biāo)的研究，視頻圖像的背景較為簡單。針對復(fù)雜地面戰(zhàn)場環(huán)境下的目標(biāo)自動檢測與跟蹤技術(shù)的研究較少，檢測、識別的準(zhǔn)確率尚不能滿足實(shí)戰(zhàn)需求，目前也尚未有成型的系統(tǒng)，與美、俄等世界先進(jìn)水平仍有一定差距，亟需大力開展相關(guān)研究工作。

1.3 目標(biāo)自動檢測與跟蹤火控系統(tǒng)的技術(shù)優(yōu)勢

與傳統(tǒng)坦克火控系統(tǒng)相比,具備目標(biāo)自動檢測與跟蹤功能的坦克火控系統(tǒng)的技術(shù)優(yōu)勢在于：

1) 可以進(jìn)一步提高現(xiàn)有坦克火控系統(tǒng)的智能化水平和對戰(zhàn)場信息的綜合處理能力，降低炮長的操作難度，并可有效降低戰(zhàn)時(shí)乘員工作量和任務(wù)負(fù)擔(dān)，提高乘員持續(xù)作戰(zhàn)的能力；

2) 可以提高現(xiàn)有坦克火控系統(tǒng)對目標(biāo)跟蹤的精度和可靠性，減小傳統(tǒng)人工跟蹤造成的跟蹤誤差，進(jìn)而提高坦克火力打擊的精度和行進(jìn)間射擊的首發(fā)命中率；

3) 可以有效縮短乘員搜索和發(fā)現(xiàn)敵方目標(biāo)的時(shí)間，提高坦克對戰(zhàn)場目標(biāo)的綜合處理能力和反應(yīng)速度，對于無人裝甲車輛還可以提高其自主能力和智能化水平。

2 現(xiàn)有坦克火控系統(tǒng)目標(biāo)自動跟蹤技術(shù)的原理與不足

2.1 現(xiàn)有坦克火控系統(tǒng)目標(biāo)自動跟蹤技術(shù)

某型坦克目標(biāo)自動跟蹤火控系統(tǒng)的控制結(jié)構(gòu)如圖1所示[14-15]，主要由圖像傳感器、目標(biāo)自動跟蹤器、火控計(jì)算機(jī)和穩(wěn)定器等部分構(gòu)成。

在自動跟蹤工況下，系統(tǒng)的工作流程如下：

1) 搜索目標(biāo)，生成樣本圖像。炮長單獨(dú)或根據(jù)車長指示操作操縱臺搜索目標(biāo)，當(dāng)從瞄準(zhǔn)鏡或視頻監(jiān)視器上發(fā)現(xiàn)目標(biāo)后，通過控制操縱臺將目標(biāo)控制到電子窗口內(nèi)，按下鎖定按鈕后，系統(tǒng)立即對電子窗內(nèi)圖像的灰度分布進(jìn)行分析，并根據(jù)目標(biāo)與背景的灰度差異識別出目標(biāo)，生成一個(gè)緊密包圍目標(biāo)的最小矩形框(跟蹤框)，框內(nèi)圖像即為目標(biāo)樣本圖像。

2) 滑動掃描，搜尋“最相關(guān)”子圖像。采用滑動窗口(或運(yùn)動估計(jì)、光流法、局部搜索等)方法將瞄準(zhǔn)鏡圖像分為多個(gè)與樣本圖像同樣大小的子圖像，并與樣本圖像進(jìn)行相關(guān)度計(jì)算。通過水平、垂直滑動掃描，搜尋當(dāng)前屏幕中與樣本圖像最相關(guān)的子圖像，即為目標(biāo)在當(dāng)前視場圖像中的位置，跟蹤框中心即為跟蹤線位置。

3) 伺服控制，火力打擊。跟蹤線持續(xù)跟隨目標(biāo)在視場內(nèi)的運(yùn)動，系統(tǒng)以使瞄準(zhǔn)線與跟蹤線在水平、垂直方向的位置差Δx、Δy最小為原則，控制瞄準(zhǔn)線逐步逼近跟蹤線，實(shí)現(xiàn)了瞄準(zhǔn)線對目標(biāo)的自動跟蹤。目標(biāo)運(yùn)動時(shí)，瞄準(zhǔn)線與跟蹤線之間的偏差反映了自動跟蹤系統(tǒng)的跟蹤精度。當(dāng)水平和垂直2個(gè)方向上跟蹤偏差都小于某值時(shí)，系統(tǒng)輸出跟蹤允許射擊信號，按下?lián)舭l(fā)按鈕并經(jīng)激光測距后，系統(tǒng)即可完成對跟蹤目標(biāo)的火力打擊。

上述跟蹤方法在理論上稱為“相關(guān)跟蹤”[15]，為保證跟蹤算法的實(shí)時(shí)性，圖像傳感器一般選用黑白或紅外相機(jī)。圖2為目標(biāo)樣板圖像與瞄準(zhǔn)鏡子圖像，假設(shè)瞄準(zhǔn)鏡圖像大小為M×N像素，用F(x,y)表示瞄準(zhǔn)鏡圖像點(diǎn)(x,y)處的灰度值。假設(shè)在t0時(shí)刻，炮長采用大小為K×L的跟蹤框鎖定目標(biāo)，產(chǎn)生一個(gè)K×L像素大小的目標(biāo)樣板圖像Q，用Q(i,j)表示目標(biāo)樣本圖像點(diǎn)(i,j)處的灰度值。

用Suv表示左上角坐標(biāo)為(u,v)、像素為K×L的一個(gè)瞄準(zhǔn)鏡圖像的子圖像，Suv(i,j)表示該子圖像點(diǎn)(i,j)處的灰度值，則

Suv(i,j)=F(u+i,v+j)。

(1)

圖像匹配算法就是從當(dāng)前瞄準(zhǔn)鏡圖像中，找到與目標(biāo)樣板最相似的子圖像位置作為跟蹤結(jié)果。需要對瞄準(zhǔn)鏡子圖像和目標(biāo)樣板圖像的相似度進(jìn)行衡量，因此引入相似性測度的概念：

(2)

Ruv越小，說明該子圖像與樣板圖像越相似。為了減小Ruv對圖像灰度值變化的敏感程度，通常對Ruv進(jìn)行歸一化處理，即

(3)

以此作為瞄準(zhǔn)鏡子圖像和目標(biāo)樣板圖像相似度的評價(jià)指標(biāo)[16]。根據(jù)歸一化的方法不同，還存在均值、方差、拉普拉斯濾波、二值濾波等歸一化相關(guān)算法。

由式(3)可知：每次相關(guān)匹配操作均需要對樣板圖像和子圖像的K×L個(gè)像素灰度值進(jìn)行乘積求和開方運(yùn)算，計(jì)算量較大，影響算法實(shí)時(shí)性。對于此問題，序貫相似性檢測算法(Sequential Similarity Detection Algorithm, SSDA)[17-18]是一種常用的改進(jìn)算法，其對于失配位置不需要計(jì)算所有點(diǎn)對應(yīng)的相關(guān)性，可以迅速得到該位置不是匹配點(diǎn)的結(jié)論。圖3為SSDA算法示意圖，設(shè)定一個(gè)閾值T0，對每一搜索位置(u，v),按照一定的對比順序比較該子圖像和目標(biāo)樣板圖像的差值，并累計(jì)其誤差Er，當(dāng)Er>T0時(shí)停止計(jì)算。SSDA算法的匹配精度隨閾值T0的增加而增加，但計(jì)算速度隨之降低，因此可以采用單調(diào)增加閾值Tn(或閾值自適應(yīng)算法)代替固定閾值T0，達(dá)到計(jì)算速度和匹配精度的最優(yōu)[19]。

2.2 缺陷與不足

坦克火炮屬于直瞄型武器，炮長從發(fā)現(xiàn)目標(biāo)到火力打擊的過程可在數(shù)秒內(nèi)完成，在目標(biāo)姿態(tài)和環(huán)境變化不太大的情況下，“相關(guān)跟蹤”算法的跟蹤效果較好。但現(xiàn)有坦克火控系統(tǒng)目標(biāo)自動跟蹤技術(shù)在實(shí)際應(yīng)用中也存在如下問題：

1) 目標(biāo)選取仍需炮長人工選擇，不能實(shí)現(xiàn)目標(biāo)的自動檢測與識別;

2) “相關(guān)跟蹤”算法嚴(yán)重依賴目標(biāo)樣板圖像，對目標(biāo)灰度變化敏感，難以適應(yīng)目標(biāo)姿態(tài)和光照的劇烈變化，尤其是目標(biāo)的快速旋轉(zhuǎn)和遮擋。

為了彌補(bǔ)采用 “相關(guān)跟蹤”算法的火控系統(tǒng)面對環(huán)境或目標(biāo)變化時(shí)的不穩(wěn)定性，現(xiàn)有火控系統(tǒng)在跟蹤失敗時(shí)，允許炮長隨時(shí)退出自動跟蹤工況，切換為手動跟蹤工況，但并未從根本上解決上述問題。

3 目標(biāo)檢測、跟蹤算法的研究現(xiàn)狀

3.1 目標(biāo)檢測算法

目標(biāo)檢測的任務(wù)是在輸入圖像中發(fā)現(xiàn)感興趣目標(biāo)并輸出其外接矩形框[20]。按照處理對象的不同，目標(biāo)檢測算法可以分為基于背景建模的方法和基于前景建模的方法2類[21]，其中：基于背景建模的方法通過將當(dāng)前幀與背景模型對比作差，分離出前景目標(biāo)；基于前景建模的方法通過采用顏色、梯度、紋理等圖像特征建立目標(biāo)的表觀模型，并設(shè)計(jì)合理的分類器對前景目標(biāo)進(jìn)行分類與檢測?；诒尘敖５姆椒ㄖ饕糜诠潭▓鼍盎驁鼍白兓邢薜膱龊希\(yùn)動狀態(tài)下坦克火控系統(tǒng)瞄準(zhǔn)鏡視場變化劇烈，因此基于前景建模的方法更適合坦克火控系統(tǒng)對目標(biāo)的檢測。

基于前景建模目標(biāo)檢測方法的工作流程如圖4所示，分為離線訓(xùn)練和在線檢測2個(gè)階段。1)離線訓(xùn)練過程為：將訓(xùn)練圖像庫中已標(biāo)注好的圖像按照某種樣本分類規(guī)則產(chǎn)生一定數(shù)量的正、負(fù)樣本，并通過特征提取模塊得到正、負(fù)樣本對應(yīng)的特征表示，用于對分類器進(jìn)行訓(xùn)練。2)在線檢測過程為：首先通過建議區(qū)域提取模塊產(chǎn)生多個(gè)可能包含有目標(biāo)的候選區(qū)域，然后通過特征提取模塊得到與候選區(qū)域相應(yīng)的特征表示，并將其送入離線訓(xùn)練階段訓(xùn)練好的分類器，對候選區(qū)域進(jìn)行分類和識別，得到包含目標(biāo)的候選區(qū)域，并通過邊界回歸算法對候選區(qū)域在整幅圖像中的位置進(jìn)行回歸和修正，得到最終的目標(biāo)檢測結(jié)果。

其中,特征提取模塊屬于算法的核心部分，其輸出的特征表示對目標(biāo)特征的表達(dá)能力,直接影響分類器精度和算法整體性能?；谇熬敖５哪繕?biāo)檢測方法按照特征提取方式的不同，可以分為基于人工模型的目標(biāo)檢測算法和基于自學(xué)習(xí)模型的目標(biāo)檢測算法2種。

3.1.1 基于人工模型的目標(biāo)檢測算法

基于人工模型的目標(biāo)檢測算法是通過人工設(shè)計(jì)的特征模型來“顯式”地提取圖像特征。人工模型采用的特征主要包括梯度特征(Scale Invariant Feature Transform(SIFT)[22]、Histogram of Oriented Gradient(HOG)[23]等)、模式特征(Gabor[24]、Local Binary Pattern-LBP[25]、Haar-like[26]等)、形狀特征(角矩陣[27]、k近鄰分割[28]、Shape context[29]等)和顏色特征(顏色SIFT 特征[30]、Color names[31]等)4種。其中，梯度特征的研究和應(yīng)用最為廣泛且實(shí)際效果較好，因此本文重點(diǎn)介紹梯度特征算法。梯度特征將圖像視為二維離散函數(shù)，通過統(tǒng)計(jì)圖像空間上各點(diǎn)像素值或灰度值的梯度大小、方向及其空間分布情況來描述目標(biāo)。常用的梯度特征包括尺度不變特征(SIFT)[22]和梯度直方圖特征(HOG)[23]等。

SIFT算法最早由LOWE[22]提出，并在2004年對算法進(jìn)行了完善。該算法首先通過高斯模糊的方式，在多個(gè)尺度空間尋找圖像中對于尺度和旋轉(zhuǎn)不變的、呈稀疏分布的興趣點(diǎn)；其次通過計(jì)算興趣點(diǎn)的梯度和方向生成局部圖像描述子；最后利用局部圖像描述子，從圖像中提取對尺度、旋轉(zhuǎn)和亮度變化無關(guān)的特征向量，作為圖像特征用于分類。SIFT算法具有優(yōu)秀的尺度和旋轉(zhuǎn)不變特性，對光線、噪聲的影響也具有較強(qiáng)的魯棒性，是基于人工模型檢測算法最為常用的特征提取方法，并相繼發(fā)展出了PCA-SIFT(Principal Component Analysis SIFT)[32]、GLOH(Gradient Location-Orientation Histograms)[33]和SURF(Speed-Up Robust Features)[34]等改進(jìn)算法。

HOG[23]特征提取算法通過計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來構(gòu)成特征。具體而言，首先,采用Gamma校正的方法對輸入圖像進(jìn)行顏色(灰度)空間的歸一化；其次,計(jì)算圖像每個(gè)像素的梯度信息，將圖像劃分成許多小的細(xì)胞單元(cells，如6×6)，并統(tǒng)計(jì)每個(gè)細(xì)胞單元的梯度方向直方圖；再次,將多個(gè)cells組合為一個(gè)block(如3×3)，并對block內(nèi)cells的梯度直方圖進(jìn)行歸一化，目的在于對圖像特征進(jìn)行壓縮，降低噪聲和光照變化對圖像特征的影響；最后,統(tǒng)計(jì)多個(gè)block的直方圖特征,作為圖像特征用于分類。HOG特征通過與SVM，分類器相結(jié)合，在行人檢測應(yīng)用中取得了較好的檢測效果,其改進(jìn)算法主要有v-HOG(HOG with variable size)[35]和Co-HOG(Co-occurrence HOG)[36]等。

采用多種特征組合的可變形部件模型 (Deformable Part-based Model, DPM)[37-38]算法，由一個(gè)根模型和若干可形變部件組成，能夠彌補(bǔ)利用單一特征進(jìn)行目標(biāo)表示的不足，是人工模型常用的檢測框架，被大量應(yīng)用于人臉及行人等目標(biāo)檢測任務(wù)，并取得了較好的檢測效果。

3.1.2 基于自學(xué)習(xí)模型的目標(biāo)檢測算法

基于自學(xué)習(xí)的特征表達(dá)主要是采用無監(jiān)督學(xué)習(xí)的方法, 使機(jī)器自動學(xué)習(xí)能夠更高效表達(dá)樣本抽象特征的網(wǎng)絡(luò)參數(shù)，參數(shù)完全是由機(jī)器根據(jù)損失函數(shù)自主學(xué)習(xí)到的。2006年，HINTON等[39-40]首次提出了深度學(xué)習(xí)的概念和方法，指出包含多隱層的神經(jīng)網(wǎng)絡(luò)具有極佳的特征學(xué)習(xí)和提取能力，與傳統(tǒng)人工依靠經(jīng)驗(yàn)設(shè)計(jì)的特征提取方法相比，其通過逐層提取方式學(xué)習(xí)到的抽象特征對數(shù)據(jù)本質(zhì)的刻畫能力更強(qiáng)，更適用于對數(shù)據(jù)的分類和識別；并且首次提出以“逐層初始化”的方式克服深度神經(jīng)網(wǎng)絡(luò)在參數(shù)訓(xùn)練上容易陷入局部最優(yōu)的問題，解決了困擾多層人工神經(jīng)網(wǎng)絡(luò)多年的參數(shù)訓(xùn)練難題，掀動了深度學(xué)習(xí)的熱潮，已成為目前最為有效的自學(xué)習(xí)模型方法。

目前，深度學(xué)習(xí)算法在PASCAL VOC、ImageNet等國際目標(biāo)檢測、識別競賽中的效果明顯優(yōu)于DPM等采用人工模型的傳統(tǒng)算法，深度學(xué)習(xí)模型已逐漸代替?zhèn)鹘y(tǒng)檢測算法成為圖像檢測領(lǐng)域的主流算法。常用的深度學(xué)習(xí)模型包括自動編碼器、受限波爾茲曼機(jī)、深度信念網(wǎng)絡(luò)(Deep Belief Nets, DBNs)和卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Nets, CNNs)[21]等，其中CNNs及其改進(jìn)型網(wǎng)絡(luò)是目前深度學(xué)習(xí)領(lǐng)域采用的主流網(wǎng)絡(luò)模型。

GIRSHICK等[41]提出的R-CNN(Regions with CNN)目標(biāo)檢測算法最早將CNN理論引入目標(biāo)檢測領(lǐng)域，其后的一系列改進(jìn)算法是目前該領(lǐng)域的最高水平。以對坦克目標(biāo)的檢測為例，R-CNN目標(biāo)檢測算法框架的實(shí)現(xiàn)流程如圖5所示。首先，采用選擇性搜索(Selective Search，SS)的方法，在圖像中提取1～2 000可能包含有目標(biāo)的矩形建議區(qū)域，并通過縮放(wrap)操作將得到的矩形建議區(qū)域統(tǒng)一縮放到相同大小(227×227)后，用深度卷積神經(jīng)網(wǎng)絡(luò)提取其特征向量；然后，用訓(xùn)練好的分類器(Softmax、支持向量機(jī)(Support Vector Machine，SVM)等)，對各候選區(qū)域進(jìn)行分類；最后，采用非極大值抑制的方法，在一個(gè)或多個(gè)臨近的判定為相同目標(biāo)的建議區(qū)域中，使用邊界回歸算法精細(xì)修正建議框位置，得到最終的目標(biāo)檢測結(jié)果。

R-CNN目標(biāo)檢測算法的缺點(diǎn)在于：一是需要采用卷積神經(jīng)網(wǎng)絡(luò)提取近2 000個(gè)目標(biāo)建議區(qū)域的特征向量，計(jì)算量巨大，無法滿足實(shí)時(shí)性要求；二是由于全鏈接層需要固定大小的輸入，為固定輸入卷積神經(jīng)網(wǎng)絡(luò)前的建議區(qū)域而對所有目標(biāo)建議區(qū)域強(qiáng)制進(jìn)行的縮放(Crop)操作，會導(dǎo)致部分建議區(qū)域圖像比例的失真和圖像信息的流失，影響分類結(jié)果和最終的檢測精度。

針對R-CNN目標(biāo)檢測算法的缺點(diǎn)，HE等[42]和GIRSHICK[43]分別采用金字塔池化和ROI Polling(Region Of Interest Polling)的方法對其進(jìn)行了改進(jìn)。改進(jìn)算法只需對整幅待檢測圖像進(jìn)行1次卷積神經(jīng)網(wǎng)絡(luò)計(jì)算后，直接在整幅圖像的特征圖上找到與建議區(qū)域相應(yīng)的特征區(qū)域，并從不同大小的特征區(qū)域提取出相同大小的特征向量用于分類，不再限制輸入神經(jīng)網(wǎng)絡(luò)的建議區(qū)域的大小。與R-CNN目標(biāo)檢測算法相比，改進(jìn)算法既顯著降低了卷積運(yùn)算的計(jì)算量，又有效避免了縮放操作帶來的圖像失真和信息流失，使得算法的檢測速度和平均檢測精度(mean Average Precision, mAP)得到明顯提升。

通過對Fast R-CNN圖像檢測過程中各處理流程時(shí)間損耗的分析發(fā)現(xiàn)：建議區(qū)域的提取占據(jù)了整個(gè)檢測流程的大部分時(shí)間，成為制約該算法速度提升的主要瓶頸。為解決建議區(qū)域提取的速度問題，REN[44]等提出了一種Faster R-CNN算法，該算法通過采用與檢測網(wǎng)絡(luò)共享全圖卷積特征的區(qū)域建議網(wǎng)絡(luò)(Region Proposal Network, RPN)的方式，產(chǎn)生高質(zhì)量建議區(qū)域，使得建議區(qū)域的提取時(shí)間顯著縮短，大幅提高了算法的檢測速度。Faster R-CNN算法即使在模型復(fù)雜度較高的VGG網(wǎng)絡(luò)中，在GPU的加速下其檢測速率仍可以達(dá)到5幀/s，而網(wǎng)絡(luò)層數(shù)較低的ZF網(wǎng)絡(luò)則可以達(dá)到17幀/s。R-CNN及其改進(jìn)算法在VGG網(wǎng)絡(luò)模型下的mAP及訓(xùn)練、檢測速度(GPU模式)對比[41-44]如表2所示。

R-CNN、SPP-net(SpatialPyramidPoolingnetworks)、Fast R-CNN以及Faster R-CNN算法對目標(biāo)的檢測可以分為候選區(qū)域提取、分類與回歸2步，屬于2步檢測。雖然Faster R-CNN算法的RPN網(wǎng)絡(luò)與SS、Multi-Box等傳統(tǒng)建議區(qū)域提取方法相比已經(jīng)可以快速產(chǎn)生建議區(qū)域，但仍需要耗費(fèi)一定時(shí)間。YOLO(You Only Look Once)[45]、SSD(Single Shot MultiBox Detector)[46]等后續(xù)改進(jìn)算法省略了建議區(qū)域提取過程，通過將輸入圖像劃分為S×S的格子，直接對網(wǎng)格的卷積特征進(jìn)行分類和回歸(也被稱為單步檢測)，檢測速度得到明顯提升，但檢測精度與2步檢測方式相比有所下降。

表2 R-CNN及其改進(jìn)算法的mAP及速度對比

3.2 目標(biāo)跟蹤算法

視頻目標(biāo)跟蹤的主要任務(wù)是通過圖像處理的方法在連續(xù)的視頻圖像序列中獲取感興趣目標(biāo)的運(yùn)動軌跡，跟蹤算法主要由3部分構(gòu)成，即外觀模型、運(yùn)動模型和搜索策略[21]。目標(biāo)跟蹤問題的主要挑戰(zhàn)在于跟蹤過程中目標(biāo)外觀和環(huán)境的動態(tài)變化，因此如何建立一個(gè)高效、魯棒的外觀模型是實(shí)現(xiàn)目標(biāo)準(zhǔn)確、實(shí)時(shí)跟蹤的關(guān)鍵。根據(jù)外觀模型建模方法的不同，可將目標(biāo)跟蹤方法分為基于產(chǎn)生式外觀模型和基于判別式外觀模型2種。

3.2.1 基于產(chǎn)生式外觀模型的跟蹤方法

基于產(chǎn)生式外觀模型的跟蹤方法一般工作流程如圖6所示。在第一幀中實(shí)現(xiàn)目標(biāo)的選取后，通過產(chǎn)生式模型的方法構(gòu)建一個(gè)外觀模型來描述目標(biāo)的外觀特征，并在跟蹤過程中通過在后續(xù)每一幀圖像中搜索與已建模模板最相似的區(qū)域來實(shí)現(xiàn)對目標(biāo)的跟蹤(“相關(guān)跟蹤”即為此類算法)。為了適應(yīng)目標(biāo)外觀可能發(fā)生的變化，目標(biāo)模型可以通過增量式學(xué)習(xí)的方式，以最新的準(zhǔn)確跟蹤結(jié)果作為新的目標(biāo)模板來進(jìn)行在線更新。

均值漂移算法最早由FUKUNAGA等[47]提出，其本質(zhì)上是一個(gè)逐步迭代尋優(yōu)的過程，即首先計(jì)算跟蹤點(diǎn)的漂移均值，然后將當(dāng)前跟蹤點(diǎn)移動到該點(diǎn)偏移均值點(diǎn)處，并以此作為新的起始點(diǎn)，不斷移動，直至滿足一定的誤差約束條件后結(jié)束。COMANICIU等[48]對該理論進(jìn)行了擴(kuò)展，在其中引入了核函數(shù)和權(quán)重系數(shù)的概念，采用巴氏系數(shù)作為衡量候選目標(biāo)與參考模板之間相似度的指標(biāo)，成功地將均值漂移理論應(yīng)用到目標(biāo)跟蹤領(lǐng)域。在此基礎(chǔ)上，BRADSKI等[49]提出了基于顏色直方圖特征的均值漂移目標(biāo)跟蹤算法，使得均值漂移作為一種簡單快速的算法被廣泛應(yīng)用到視覺目標(biāo)跟蹤中來，并相繼出現(xiàn)了期望值最大、顯著性特征融合等多種改進(jìn)算法來提高其精度。

子空間學(xué)習(xí)算法關(guān)注于如何使用子空間分析方法來構(gòu)建這些子空間以及與之相關(guān)的基模板，通過多個(gè)低維的子空間來自適應(yīng)目標(biāo)外觀的變化，該方法已經(jīng)被證實(shí)可以有效處理目標(biāo)面內(nèi)旋轉(zhuǎn)、尺度變化、姿態(tài)變化和光照變化等挑戰(zhàn)性問題。LI[50]提出了一種張量式學(xué)習(xí)的視覺跟蹤算法，利用線性子空間對目標(biāo)外觀進(jìn)行建模，并通過主成分分析理論對樣本進(jìn)行在線更新。為了消除復(fù)雜背景信息對目標(biāo)跟蹤的影響，周小娟等[51]直接將二維圖像作為矩陣表示，構(gòu)造了一個(gè)基于二維主成分分析的表觀模型用于目標(biāo)跟蹤，該方法不僅考慮了前景信息，還通過建模背景信息避免了復(fù)雜背景的干擾；WU等[52]從選擇將目標(biāo)和背景可有效區(qū)分的子空間的角度，提出一種基于最優(yōu)子空間選擇的跟蹤算法，實(shí)現(xiàn)了對目標(biāo)進(jìn)行子空間自適應(yīng)選擇的魯棒跟蹤。

ISARD等[53]首次把粒子濾波理論應(yīng)用到目標(biāo)跟蹤領(lǐng)域，稱之為Condensation算法。從重要性函數(shù)選取的角度，有研究者提出了輔助粒子濾波[54]、擴(kuò)展卡爾曼粒子濾波[55]等改進(jìn)算法。針對具有較強(qiáng)機(jī)動性能的目標(biāo)，DOU等[56]提出具有馬爾科夫轉(zhuǎn)化概率的交互多模型粒子濾波算法，通過多個(gè)動態(tài)模型的相互作用對目標(biāo)的運(yùn)動狀態(tài)進(jìn)行建模；COLLINS等[57]應(yīng)用多顏色特征融合的方式來獲得多個(gè)似然圖，并以似然圖的方差比作為衡量各個(gè)特征對背景和目標(biāo)區(qū)分能力的評價(jià)指標(biāo)，然后選取區(qū)分能力最優(yōu)的似然圖進(jìn)行跟蹤，取得了良好的跟蹤效果。

3.2.2 基于判別式外觀模型的跟蹤方法

基于判別式外觀模型的目標(biāo)跟蹤方法將目標(biāo)跟蹤視為二分類問題來處理，其通過訓(xùn)練不同類別之間的分類器，對目標(biāo)和背景圖像進(jìn)行區(qū)分，也被稱為基于檢測的跟蹤方法。該方法的核心在于設(shè)計(jì)和訓(xùn)練穩(wěn)定高效的分類器，用以區(qū)分目標(biāo)和背景信息，分類器性能對目標(biāo)跟蹤性能有重要影響。相比于產(chǎn)生式外觀模型，判別式外觀模型旨在最大化目標(biāo)與非目標(biāo)區(qū)域的差異，同時(shí)也關(guān)注于發(fā)掘高信息量的特征，用于視覺目標(biāo)跟蹤，對目標(biāo)和背景具有更強(qiáng)的區(qū)分能力。

基于判別式外觀模型跟蹤方法的工作流程如圖7所示，其中分類器可以分為在線訓(xùn)練和離線訓(xùn)練2種方式。在線訓(xùn)練時(shí)，在第一幀選取目標(biāo)后，通過在第一幀圖像中提取正負(fù)樣本對分類器進(jìn)行在線訓(xùn)練，并可以根據(jù)跟蹤結(jié)果獲取最新的訓(xùn)練樣本，對分類器進(jìn)行更新;離線訓(xùn)練時(shí)，采用先驗(yàn)知識或者目標(biāo)圖像庫訓(xùn)練分類器(與目標(biāo)檢測算法中分類器的訓(xùn)練方式類似)，跟蹤過程中不對分類器進(jìn)行更新。

GRABNER等[58]采用區(qū)域特征來構(gòu)造分類器，并把每一幀的跟蹤結(jié)果作為正樣本，在跟蹤結(jié)果的周圍收集負(fù)樣本，利用在線Boosting算法更新分類器，提出一種在線特征選擇的目標(biāo)跟蹤算法。該方法可有效解決目標(biāo)跟蹤中遇到的光照變化、非剛體形變等問題，但由于在線Boosting分類器可能被噪聲或潛在的錯(cuò)誤定位的樣本更新，導(dǎo)致該方法存在目標(biāo)漂移問題。為此，研究者們嘗試將目標(biāo)跟蹤建模為半監(jiān)督或多示例學(xué)習(xí)問題。GRABNER等[59]發(fā)展了一種在線半監(jiān)督boosting跟蹤方法，該方法結(jié)合了離線訓(xùn)練和在線訓(xùn)練2種分類器各自的優(yōu)勢，利用未標(biāo)記樣本在線更新分類器，能夠在一定程度上限制跟蹤漂移的發(fā)生。

判別式跟蹤算法如果被選中的正樣本(即跟蹤結(jié)果)不是最優(yōu)，對樣本的標(biāo)記就會存在誤差，這種誤差的累積將導(dǎo)致分類器的判別能力逐步降低，最終造成跟蹤的失敗。多示例學(xué)習(xí)(Multiple Instance Learning, MIL)[60]方法能夠較好地解決跟蹤過程中樣本標(biāo)記的歧義性問題。該方法在整個(gè)跟蹤過程只需記錄第一幀的目標(biāo)位置，在被跟蹤目標(biāo)區(qū)域的附近選取多個(gè)樣本封裝成一個(gè)正包，在目標(biāo)區(qū)域的周圍選取多個(gè)樣本封裝成一個(gè)負(fù)包，每個(gè)正包至少存在一個(gè)正示例，而負(fù)包中所有樣本均為負(fù)示例。通過在包的層面上進(jìn)行學(xué)習(xí)，特征選擇機(jī)制訓(xùn)練出一個(gè)強(qiáng)分類器來對下一幀圖像構(gòu)建樣本標(biāo)簽置信圖，并根據(jù)置信度值來確定跟蹤結(jié)果。

KALAL等[61]提出了一種跟蹤-學(xué)習(xí)-檢測(Tracking-Learning-Detection, TLD)算法，它與傳統(tǒng)視覺跟蹤算法的顯著區(qū)別在于將跟蹤方法和檢測方法相結(jié)合，跟蹤模塊采用產(chǎn)生式外觀模型的方法，檢測模塊采用判別式外觀模型的方法，將跟蹤模塊和檢測模塊對目標(biāo)位置估計(jì)的綜合結(jié)果作為最終的跟蹤結(jié)果。同時(shí)，該方法通過一種在線PN(Positive Negative)學(xué)習(xí)機(jī)制，對跟蹤模塊的目標(biāo)特征點(diǎn)和檢測模塊的目標(biāo)模型進(jìn)行持續(xù)更新，以解決目標(biāo)在跟蹤過程中發(fā)生的形變、遮擋等問題，從而使得整體的目標(biāo)跟蹤更加穩(wěn)定、準(zhǔn)確性更高，實(shí)現(xiàn)了目標(biāo)的持續(xù)穩(wěn)定跟蹤。

DLT算法[62]首次把深度學(xué)習(xí)理論應(yīng)用于解決目標(biāo)跟蹤問題。由于用于目標(biāo)跟蹤的訓(xùn)練數(shù)據(jù)通常十分有限，該算法首先使用輔助的非跟蹤訓(xùn)練數(shù)據(jù)對深度學(xué)習(xí)模型進(jìn)行預(yù)訓(xùn)練，獲取對跟蹤對象的通用特征表示。其次，在跟蹤的過程中，在當(dāng)前幀及之前數(shù)幀中提取數(shù)量有限的(與輔助訓(xùn)練數(shù)據(jù)相比)正負(fù)樣本，對預(yù)訓(xùn)練模型進(jìn)行微調(diào), 使模型對當(dāng)前跟蹤目標(biāo)有更強(qiáng)的分類性能，取得了較好的跟蹤效果。SO-DLT[63]、TCNN(Tiled Convolutional Neural Networks)[64]、ECO(Efficient Convolution Operators)[65]等算法在模型結(jié)構(gòu)、更新策略、訓(xùn)練方式等方面進(jìn)行了改進(jìn)，使跟蹤速度和精度得到明顯提升。近年來深度學(xué)習(xí)理論在目標(biāo)檢測領(lǐng)域取得了巨大成功，采用判別式跟蹤的方法將深度學(xué)習(xí)理論應(yīng)用于目標(biāo)跟蹤，是目標(biāo)跟蹤算法目前正在快速發(fā)展的一個(gè)重要方向。

4 坦克火控系統(tǒng)目標(biāo)檢測、跟蹤技術(shù)發(fā)展展望

4.1 目標(biāo)檢測與跟蹤的一體化

未來信息化戰(zhàn)爭中，坦克乘員往往要在較短時(shí)間內(nèi)處理大量的戰(zhàn)場信息，對整車反應(yīng)速度提出了更高要求，坦克裝甲車輛必須具備對目標(biāo)自動檢測和跟蹤的能力。而現(xiàn)有穩(wěn)像式坦克火控系統(tǒng)尚不具備自主檢測、識別戰(zhàn)場目標(biāo)的能力，目標(biāo)選取仍需炮長人工選擇，已逐漸不能滿足未來戰(zhàn)爭的實(shí)際作戰(zhàn)需求，發(fā)展一種具備目標(biāo)自動檢測與跟蹤功能的火控系統(tǒng)，實(shí)現(xiàn)對目標(biāo)搜索、檢測、跟蹤和火力打擊的一體化是未來坦克火控系統(tǒng)的重要發(fā)展方向。

筆者對未來坦克火控系統(tǒng)目標(biāo)檢測與跟蹤一體化流程的設(shè)計(jì)如圖8所示。在目標(biāo)搜索階段，車長和目標(biāo)自動檢測器可分別通過車長鏡和圖像傳感器實(shí)現(xiàn)對戰(zhàn)場目標(biāo)的快速搜索。對于檢測器發(fā)現(xiàn)的可疑目標(biāo)，可以通過計(jì)算機(jī)發(fā)給車長終端顯示器進(jìn)行人工確認(rèn)，對于檢測器或車長發(fā)現(xiàn)的確認(rèn)目標(biāo)，可以選擇自動或手動2種模式對目標(biāo)進(jìn)行持續(xù)跟蹤和火力打擊。與現(xiàn)有火控系統(tǒng)相比，通過目標(biāo)檢測與跟蹤的一體化，可以有效縮短乘員搜索和發(fā)現(xiàn)敵方目標(biāo)的時(shí)間，提高坦克對戰(zhàn)場目標(biāo)的綜合處理能力和反應(yīng)速度。

4.2 目標(biāo)自動檢測算法

區(qū)別于一般場景下的目標(biāo)檢測，戰(zhàn)場環(huán)境復(fù)雜多變，光照變化、目標(biāo)旋轉(zhuǎn)、姿態(tài)變化、煙霧遮擋等引發(fā)的目標(biāo)外觀模型的變化，對復(fù)雜戰(zhàn)場環(huán)境下的目標(biāo)檢測任務(wù)造成了嚴(yán)峻挑戰(zhàn)。由于傳統(tǒng)人工模型只包含圖像原始的像素特征和紋理梯度等信息，并不具備高層語義上的抽象能力，對目標(biāo)的刻畫仍不夠本質(zhì)，使得這種方法在處理復(fù)雜場景下目標(biāo)檢測任務(wù)時(shí)的效果并不理想。近些年，深度學(xué)習(xí)算法在目標(biāo)檢測與識別領(lǐng)域取得了突破性進(jìn)展，檢測、識別的精度和效果遠(yuǎn)超傳統(tǒng)算法，已成為圖像檢測與識別領(lǐng)域的主流算法。孫皓澤等[66]采用深度學(xué)習(xí)算法對復(fù)雜戰(zhàn)場環(huán)境下的坦克裝甲車輛檢測進(jìn)行了部分研究，結(jié)果表明：深度學(xué)習(xí)算法通過多層的卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和提取坦克的深層次結(jié)構(gòu)模型，能夠檢測出各種姿態(tài)下的坦克目標(biāo)，對目標(biāo)的煙霧或局部遮擋，目標(biāo)姿態(tài)、顏色、大小，以及環(huán)境、背景的變化具有較高的容忍度。深度學(xué)習(xí)模型算法為未來坦克火控系統(tǒng)實(shí)現(xiàn)對復(fù)雜戰(zhàn)場環(huán)境下的目標(biāo)自動檢測提供了一種很有應(yīng)用前景的技術(shù)方案。

目前Faster R-CNN等主流深度學(xué)習(xí)算法尚無法實(shí)現(xiàn)對連續(xù)視頻的實(shí)時(shí)檢測，但深度學(xué)習(xí)算法發(fā)展速度很快，從R-CNN[41]模型到Faster R-CNN[44]僅用了不到2年時(shí)間，檢測速率已經(jīng)提高了近百倍。最新的YOLO[45]、SSD[46]等深度學(xué)習(xí)模型采用單步檢測的方式，直接利用CNN的全局特征預(yù)測每個(gè)目標(biāo)的可能位置，已經(jīng)可以實(shí)現(xiàn)視頻目標(biāo)的實(shí)時(shí)檢測，但檢測精度稍有降低(仍明顯高于傳統(tǒng)算法)，是一種可以工程化應(yīng)用的目標(biāo)檢測方案。

同時(shí)，現(xiàn)有深度學(xué)習(xí)算法基本未考慮計(jì)算機(jī)資源的限制，其對計(jì)算機(jī)軟硬件的需求遠(yuǎn)超目前火控計(jì)算機(jī)的資源配置，要實(shí)現(xiàn)此類技術(shù)在坦克火控系統(tǒng)中的工程應(yīng)用，需要繼續(xù)對模型進(jìn)行適當(dāng)簡化和優(yōu)化，降低系統(tǒng)軟硬件要求和設(shè)備成本。此外，目前尚未有標(biāo)準(zhǔn)的大規(guī)模戰(zhàn)場目標(biāo)圖像庫，導(dǎo)致模型訓(xùn)練樣本數(shù)量偏少。如何利用小樣本數(shù)據(jù)實(shí)現(xiàn)高效網(wǎng)絡(luò)的訓(xùn)練也是一個(gè)值得深入研究的問題。

4.3 目標(biāo)自動跟蹤算法

現(xiàn)有坦克火控系統(tǒng)目標(biāo)跟蹤算法采用的“相關(guān)跟蹤”等產(chǎn)生式外觀模型的方法，優(yōu)點(diǎn)在于模型簡單、算法速度較快。在目標(biāo)姿態(tài)和環(huán)境變化不太大的情況下，“相關(guān)跟蹤”算法的跟蹤效果較好。但此類算法模型的建立嚴(yán)重依賴在線檢測過程中獲得的數(shù)量有限的目標(biāo)樣本，面對復(fù)雜戰(zhàn)場環(huán)境仍有缺陷，難以適應(yīng)目標(biāo)姿態(tài)、光照和背景的劇烈變化。為提高跟蹤算法魯棒性，可以采用TLD算法的框架，在跟蹤器跟蹤失敗時(shí)采用檢測器重新檢測出目標(biāo)，對跟蹤器模板進(jìn)行在線更新和初始化，并將檢測器和跟蹤器的綜合結(jié)果作為最終的跟蹤結(jié)果，使得算法在處理目標(biāo)姿態(tài)變化和遮擋等情況下的跟蹤效果更穩(wěn)定，是提高跟蹤精度和穩(wěn)定性的不錯(cuò)選擇。

多隱層的卷積神經(jīng)網(wǎng)絡(luò)在目標(biāo)檢測領(lǐng)域被證明具有極佳的特征學(xué)習(xí)和提取能力，采用判別式跟蹤的方法將深度學(xué)習(xí)理論應(yīng)用于目標(biāo)跟蹤，是目標(biāo)跟蹤算法目前正在快速發(fā)展的一個(gè)重要方向。深度學(xué)習(xí)算法應(yīng)用于目標(biāo)跟蹤面臨的主要困難在于算法通常無法滿足實(shí)時(shí)性需求。為提高算法速度，可以通過充分利用連續(xù)視頻的幀間信息，采用馬爾科夫、粒子濾波等方法構(gòu)建目標(biāo)運(yùn)動模型，對目標(biāo)下一幀可能出現(xiàn)的位置進(jìn)行合理預(yù)測，只在目標(biāo)潛在區(qū)域而非整個(gè)視場對目標(biāo)進(jìn)行跟蹤，以此減小分類器的運(yùn)算量，提高算法實(shí)時(shí)性。