基于模糊識(shí)別的線陣掃描激光引信目標(biāo)識(shí)別算法

雷 蕾，劉 星，郭淑玲

(1.西安工業(yè)大學(xué)，陜西 西安 710021；2.西北工業(yè)集團(tuán)有限公司，陜西 西安 710043)

0 引言

激光成像引信具有方向性強(qiáng)、分辨率高、抗電磁環(huán)境干擾能力強(qiáng)等優(yōu)點(diǎn)，可迅速獲取目標(biāo)的三維輪廓信息，獲得穩(wěn)定的目標(biāo)形狀特征信息。線陣推掃式激光引信采用線陣APD光電探測器作為接收器件，在掃描過程中，可獲取目標(biāo)逐行像素的距離和強(qiáng)度信息，具有結(jié)構(gòu)簡單、成像速率高等優(yōu)點(diǎn)，對(duì)低速和高速運(yùn)動(dòng)目標(biāo)均可進(jìn)行快速成像[1]。在應(yīng)用于掠飛彈藥平臺(tái)時(shí)，這種成像方式具有較大的探測視場，成像效率明顯高于單元探測器的二維旋轉(zhuǎn)掃描方式，且成本較低，符合引信產(chǎn)品的設(shè)計(jì)要求。同時(shí)由于線陣探測器陣元數(shù)目多，通過不同的布局結(jié)構(gòu)設(shè)計(jì)能獲得較高分辨率的圖像，使引信具備目標(biāo)易損部位的識(shí)別功能，提高了彈藥的毀傷能力。激光成像引信是目前近場探測技術(shù)研究的重要方向。

激光三維成像作為一種新型的非合作目標(biāo)三維圖像獲取技術(shù),高效的回波信號(hào)處理和目標(biāo)三維重構(gòu)方法是提高其探測識(shí)別能力的前提[2]。目前對(duì)激光成像引信目標(biāo)識(shí)別算法的研究主要分為基于圖像特征的識(shí)別算法和基于模型匹配的識(shí)別算法兩類。其中，模型匹配識(shí)別算法建立目標(biāo)的CAD模型，通過目標(biāo)與CAD模型進(jìn)行匹配實(shí)現(xiàn)目標(biāo)識(shí)別[3]。文獻(xiàn)[4]通過獲取目標(biāo)幾何形狀特性，應(yīng)用自旋圖找到目標(biāo)點(diǎn)與模型點(diǎn)之間的對(duì)應(yīng)關(guān)系，再利用迭代最近點(diǎn)法實(shí)現(xiàn)目標(biāo)與模型的匹配完成目標(biāo)識(shí)別?；趫D像特征的識(shí)別算法通過對(duì)目標(biāo)圖像進(jìn)行特征提取，采用實(shí)測或仿真圖像訓(xùn)練分類器實(shí)現(xiàn)目標(biāo)識(shí)別。Koksal[5]提出一種基于統(tǒng)計(jì)模型的目標(biāo)識(shí)別方法，應(yīng)用邊緣跟蹤提取目標(biāo)距離像的輪廓邊緣作為特征，然后建立特征的統(tǒng)計(jì)模型，通過與目標(biāo)模型庫作匹配實(shí)現(xiàn)軍用車輛目標(biāo)的識(shí)別。這兩類識(shí)別算法均能獲得較好的分類識(shí)別效果，但算法相對(duì)復(fù)雜，運(yùn)算實(shí)時(shí)性難以滿足彈載使用要求。本文針對(duì)上述問題，提出了基于模糊識(shí)別的線陣掃描激光引信目標(biāo)識(shí)別算法。該算法通過對(duì)線陣掃描激光引信所得單次截面輪廓的關(guān)聯(lián)度計(jì)算，應(yīng)用模糊識(shí)別算法實(shí)現(xiàn)目標(biāo)判別，算法實(shí)時(shí)性好，提高了目標(biāo)匹配識(shí)別速率。

1 灰色關(guān)聯(lián)分析

線陣掃描激光引信探測所得距離像可反映目標(biāo)的截面形狀信息，而灰色關(guān)聯(lián)分析基本思想是根據(jù)序列曲線幾何形狀來判斷不同序列之間的聯(lián)系是否緊密[6]。對(duì)線陣掃描目標(biāo)識(shí)別建模后，通過灰色關(guān)聯(lián)分析對(duì)目標(biāo)與待識(shí)別目標(biāo)相對(duì)應(yīng)截面的輪廓折線序列從幾何形狀、相對(duì)于始點(diǎn)的變化速率進(jìn)行分析計(jì)算，最后通過灰色綜合關(guān)聯(lián)度得到兩序列之間的相似程度。在序列趨勢變化過程中，若兩個(gè)序列因素變化的趨勢具有一致性，即同步變化程度較高，即說明二者關(guān)聯(lián)程度較高；反之，則較低。

1.1 灰色絕對(duì)關(guān)聯(lián)度

設(shè)系統(tǒng)行為序列X1與X2的長度相同且皆為1時(shí)距序列X1=[x1(1),x1(2),x1(3),…,x1(n)]；X2=[x2(1),x2(2),x2(3),…,x2(n)]的始點(diǎn)零化像分別為：

則，

(1)

(2)

(3)

(4)

稱為X1與X2的灰色絕對(duì)關(guān)聯(lián)度，簡稱絕對(duì)關(guān)聯(lián)度[7]。

絕對(duì)關(guān)聯(lián)度用于測度序列X1與X2在幾何形狀上的相似程度。X1與X2在幾何形狀上越相似，ε12越大，否則越小[8]。

1.2 灰色相對(duì)關(guān)聯(lián)度

則，

(5)

(6)

(7)

(8)

灰色相對(duì)關(guān)聯(lián)度是序列X1與X2相對(duì)于始點(diǎn)的變化速率之間聯(lián)系的表征，X1與X2的變化速率越接近，γ12越大，否則越小[8]。

1.3 灰色綜合關(guān)聯(lián)度

設(shè)序列X1與X2長度相同且初值不等于零，ε12和γ12分別為X1與X2的灰色絕對(duì)關(guān)聯(lián)度和灰色相對(duì)關(guān)聯(lián)度，θ∈[0,1]，則稱

ρ12=θε12+(1-θ)γ12

(9)

為X1與X2的灰色綜合關(guān)聯(lián)度，簡稱為綜合關(guān)聯(lián)度[9]。

灰色綜合關(guān)聯(lián)度既體現(xiàn)了折線X1與X2的相似程度，又反映出X1與X2相對(duì)于始點(diǎn)的變化速率的接近程度，是較為全面地表征序列之間聯(lián)系是否緊密的一個(gè)數(shù)量指標(biāo)。一般地，可取θ=0.5，如果對(duì)絕對(duì)量之間的關(guān)系較為關(guān)心，θ可適當(dāng)取大一些；如果對(duì)變化速率比較側(cè)重，θ可取小一些。

2 線陣掃描目標(biāo)識(shí)別方法

在線陣掃描激光引信對(duì)目標(biāo)特征輪廓進(jìn)行掃描的過程中，得到目標(biāo)的輪廓信息矩陣。本文將標(biāo)準(zhǔn)目標(biāo)輪廓信息矩陣模型與待識(shí)別目標(biāo)所得到的掃描信息矩陣進(jìn)行對(duì)比。采用灰色關(guān)聯(lián)分析將信息矩陣中的列信息和行信息進(jìn)行關(guān)聯(lián)度分析，轉(zhuǎn)化為隸屬度。通過對(duì)M行信息和N列信息的隸屬度計(jì)算，進(jìn)而采用模糊綜合評(píng)價(jià)最終得到目標(biāo)的模糊識(shí)別結(jié)果。

2.1 線陣掃描目標(biāo)識(shí)別模型

線陣掃描激光成像引信探測模式是通過線陣器件本身結(jié)構(gòu)實(shí)現(xiàn)一維掃描，由引信載體的飛行實(shí)現(xiàn)另一維掃描而進(jìn)行成像的[10]，如圖1所示。激光引信采用N元激光發(fā)射模塊及線陣探測器，目標(biāo)的反射回波信號(hào)經(jīng)線陣探測器接收后，得到目標(biāo)上對(duì)應(yīng)N點(diǎn)的距離值[11]。隨著載體的飛行得到目標(biāo)輪廓各點(diǎn)的距離值，對(duì)得到的距離數(shù)據(jù)進(jìn)行處理，經(jīng)變換后可獲得目標(biāo)的真實(shí)輪廓數(shù)據(jù)，目標(biāo)識(shí)別流程見圖2。

圖1 線陣掃描目標(biāo)識(shí)別探測過程Fig.1 Detection process of linear array scanning target recognition

圖2 目標(biāo)識(shí)別流程框圖Fig.2 Flow chart of target recognition

設(shè)目標(biāo)的長寬高分別為L×W×H，激光引信的脈沖頻率為f，線陣探測器的單元個(gè)數(shù)為N，線陣掃描激光引信平臺(tái)在距離目標(biāo)R高處對(duì)目標(biāo)進(jìn)行掃描，彈載平臺(tái)的飛行方向與車輛目標(biāo)保持水平。N元線陣探測器照射目標(biāo)的N個(gè)點(diǎn)得到目標(biāo)N個(gè)點(diǎn)的距離信息，將這探測一次的距離信息序列用向量形式表示為

X=(x1,x2,x3,…,xn)T

隨著彈體的飛行，整體車輛目標(biāo)探測會(huì)被線陣探測器掃描m次，掃描后得到m個(gè)距離信息序列，表示成序列矩陣為：

若激光引信對(duì)車輛目標(biāo)橫向掃描進(jìn)行目標(biāo)探測，則矩陣Xi的行信息為目標(biāo)橫截面折線序列，矩陣Xi的列信息為目標(biāo)縱截面折線序列。同理，若激光引信對(duì)車輛目標(biāo)縱向掃描進(jìn)行目標(biāo)探測，則矩陣Xi的行信息為目標(biāo)縱截面折線序列，矩陣Xi的列信息為目標(biāo)橫截面折線序列。

由于戰(zhàn)場環(huán)境中彈目交會(huì)角度和姿態(tài)多變，線陣掃描得到的目標(biāo)三維輪廓信息矩陣需要通過坐標(biāo)轉(zhuǎn)換的方法將其轉(zhuǎn)化為目標(biāo)的標(biāo)準(zhǔn)輪廓信息矩陣再進(jìn)行識(shí)別，本文討論的矩陣為已經(jīng)進(jìn)行轉(zhuǎn)化的目標(biāo)標(biāo)準(zhǔn)三維輪廓信息矩陣。研究中將線陣掃描激光引信一次探測所得目標(biāo)距離信息用向量形式表示，建立一個(gè)m行n列的距離信息矩陣，該矩陣涵蓋車輛目標(biāo)三維特征輪廓距離信息，通過對(duì)比目標(biāo)與待識(shí)別目標(biāo)相同截面的折線序列判斷目標(biāo)與待識(shí)別目標(biāo)之間的相似程度，隨后將通過設(shè)定的算法完成目標(biāo)的識(shí)別。

2.2 線陣掃描目標(biāo)識(shí)別機(jī)理

用線陣掃描激光引信對(duì)目標(biāo)的標(biāo)準(zhǔn)模型進(jìn)行橫向(縱向)掃描，得到目標(biāo)頂部高程信息規(guī)則庫矩陣Xi，在對(duì)待識(shí)別目標(biāo)進(jìn)行掃描時(shí)，以同樣的掃描方式得到待識(shí)別目標(biāo)區(qū)域的頂部高程信息矩陣Xj。將矩陣Xi與Xj的列信息和行信息通過灰色關(guān)聯(lián)分析得到兩矩陣一一對(duì)應(yīng)的單序列之間的綜合關(guān)聯(lián)度ρij。直到兩個(gè)矩陣的所有列序列和行序列全部對(duì)比分析結(jié)束，得到(n+m)個(gè)綜合關(guān)聯(lián)度，并對(duì)其進(jìn)行等級(jí)劃分，其中a等級(jí)為ρij∈[0.95,1]，b等級(jí)為ρij∈[0.8,0.95)，c等級(jí)為ρij∈[0.7,0.8)，d等級(jí)為ρij∈[0.6,0.7)，e等級(jí)為ρij∈[0.5,0.6)。目標(biāo)識(shí)別結(jié)束。

2.3 線陣掃描目標(biāo)識(shí)別算法

1)建立因素集

因素集是指以影響評(píng)價(jià)對(duì)象的各因素為元素組成的集合?，F(xiàn)有因素集為U=(u1,u2,…,un,un+1,…,un+m)，評(píng)價(jià)因素集含有5個(gè)一級(jí)因素，記為U=(U1,U2,U3,U4,U5),其中U1，U2，U3，U4，U5分別表示“等級(jí)a、等級(jí)b、等級(jí)c、等級(jí)d、等級(jí)e”；同時(shí)有n+m個(gè)二級(jí)因素，將二級(jí)因素記為U1=(u1,u2,u3,…,uq1)，U2=(u1,u2,u3,…,uq2)，U3=(u1,u2,u3,…,uq3)，U4=(u1,u2,u3,…,uq4)，U5=(u1,u2,u3,…,uq5)。

2)建立評(píng)價(jià)集

評(píng)價(jià)集是指以評(píng)價(jià)主體為元素組成的集合。設(shè)有5個(gè)評(píng)價(jià)主體，構(gòu)成評(píng)價(jià)集V=(v1,v2,v3,v4,v5)，其中v1，v1,v2,v3,v4,v5分別表示“是目標(biāo)，幾乎是目標(biāo)，像目標(biāo)，不太像目標(biāo)，不是目標(biāo)”。

3)分配權(quán)重

二級(jí)因素中各因素的權(quán)重均相等，即

4)單因素評(píng)判

建立一個(gè)從U到V的模糊映射

ui

其中，0≤rij≤1，i=1,2,3,…,n+m,j=1,2,3,4,5。

(10)

(11)

(12)

(13)

(14)

其中，i=1,2,3，…，n+m。

則單因素評(píng)判矩陣為:

(φ=1,2,3,4,5;λ=q1,q2,q3,q4,q5)

作一級(jí)綜合評(píng)判，考慮到二級(jí)因素均起作用，對(duì)所有因素依權(quán)重大小均衡兼顧，用加權(quán)平均模型模型

M=(·,+)

(15)

計(jì)算得

對(duì)于第一級(jí)因素集U=(u1,u2,u3,u4,u5)，權(quán)重為W=(w1,w2,w3,w4,w5)，令總單因素評(píng)判矩陣為：

作二級(jí)綜合評(píng)判，得

根據(jù)最大隸屬原則判斷出目標(biāo)的識(shí)別隸屬度，設(shè)定當(dāng)隸屬度大于等于0.95時(shí)判斷待識(shí)別目標(biāo)即為所要識(shí)別的目標(biāo)。

3 實(shí)驗(yàn)及仿真分析

實(shí)驗(yàn)過程中，對(duì)3種車輛目標(biāo)進(jìn)行具體輪廓測量，基于Matlab將激光引信所得數(shù)據(jù)進(jìn)行仿真，得到目標(biāo)空間三維幾何特征的輪廓圖像。線陣掃描激光引信對(duì)目標(biāo)以及各待識(shí)別目標(biāo)均以橫向掃描的方式探測掃描，在垂直距離目標(biāo)及待識(shí)別目標(biāo)20 m處進(jìn)行探測。現(xiàn)假設(shè)彈體平臺(tái)飛行速度為200 m/s，線陣探測器為32元探測器，探測頻率為10 kHz。

為驗(yàn)證算法的有效性，實(shí)驗(yàn)時(shí)建立了三組模型目標(biāo)與待識(shí)別目標(biāo)進(jìn)行對(duì)比分析。圖3中的第一個(gè)仿真模型圖為輸入標(biāo)準(zhǔn)對(duì)比目標(biāo)的特征數(shù)據(jù)，記為目標(biāo)1，第二個(gè)仿真模型圖為待識(shí)別目標(biāo)，記為目標(biāo)2，圖7中第二個(gè)仿真模型為待識(shí)別目標(biāo)，記為目標(biāo)3。則進(jìn)行算法驗(yàn)證的三組對(duì)比模型分別為：目標(biāo)1與目標(biāo)2，目標(biāo)1與目標(biāo)3及目標(biāo)1與其自身進(jìn)行對(duì)比識(shí)別。

3.1 目標(biāo)1和目標(biāo)2

如圖3所示為目標(biāo)1與目標(biāo)2通過Matlab將激光引信所得數(shù)據(jù)進(jìn)行仿真得到的三維幾何特征輪廓圖像。

圖3 目標(biāo)1和目標(biāo)2的空間三維幾何特征輪廓圖像Fig.3 Spatial 3D geometric feature contour images of target 1 and target 2

對(duì)目標(biāo)1和目標(biāo)2的數(shù)據(jù)矩陣Xi與Xj所對(duì)應(yīng)的行和列進(jìn)行灰色關(guān)聯(lián)分析?；诨疑P(guān)聯(lián)分析方法，通過灰色綜合關(guān)聯(lián)度ρij的大小對(duì)進(jìn)行對(duì)比分析的兩序列折線聯(lián)系的緊密程度進(jìn)行衡量。如圖4所示，為目標(biāo)1與目標(biāo)2在橫向掃描方式下的一處截面序列折線圖，當(dāng)兩序列完全重合時(shí)，ρij的值達(dá)到0.996 7，接近于1。

圖4 目標(biāo)1與目標(biāo)2橫向截面序列折線圖Fig.4 Objective 1 and target 2 cross section sequence line diagram

在對(duì)所有目標(biāo)1與目標(biāo)2的序列折線圖分析后可知，目標(biāo)1與目標(biāo)2的基本三維幾何輪廓圖像相同，不同之處在于目標(biāo)1車輛頂部有菱形平臺(tái)?，F(xiàn)對(duì)車輛目標(biāo)頂部截面折線圖分析有，圖5為菱形平臺(tái)的部分變化趨勢。

圖5 菱形平臺(tái)部分變化趨勢圖Fig.5 Trend diagram of partial variation of diamond platform

對(duì)具有變化趨勢的兩序列所得ρij進(jìn)行分析如圖6所示，通過灰色關(guān)聯(lián)分析將菱形平臺(tái)可以完全識(shí)別并得到正確的關(guān)聯(lián)度。

圖6 菱形平臺(tái)序列ρij變化趨勢圖Fig.6 The change trend of the diamond graph platform sequence ρ_ij

根據(jù)最大隸屬原則可知目標(biāo)1與目標(biāo)2的隸屬度為0.932 0，隸屬度并未達(dá)到0.95，所以目標(biāo)2與目標(biāo)1并不是同一目標(biāo)。

3.2 目標(biāo)1和目標(biāo)3

如圖7所示為目標(biāo)1與目標(biāo)3的三維幾何特征輪廓圖像。

圖7 目標(biāo)1和目標(biāo)3的空間三維幾何特征輪廓圖像Fig.7 Spatial 3D geometric feature contour images of target 1 and target 3

對(duì)所有目標(biāo)1與目標(biāo)3的序列折線圖分析，即對(duì)目標(biāo)1和目標(biāo)3的數(shù)據(jù)矩陣Xi與Xj所對(duì)應(yīng)的行和列進(jìn)行灰色關(guān)聯(lián)分析。圖8為車頂部兩個(gè)縱向截面序列折線圖；圖9是車前部分兩個(gè)橫向截面序列折線圖；圖10是在目標(biāo)1菱形平臺(tái)處目標(biāo)1與目標(biāo)3的橫向截面序列折線圖?；疑P(guān)聯(lián)分析可以對(duì)各序列折線得到正確的關(guān)聯(lián)度。

圖8 目標(biāo)1與目標(biāo)3的車頂部縱向截面序列折線圖Fig.8 Sequence line diagram of the longitudinal section of the vehicle top 1 and target 3

圖9 目標(biāo)1與目標(biāo)3的車前部分橫向截面序列折線圖Fig.9 Sequence line diagram of the transverse section of the front part of the target 1 and target 3

圖10 目標(biāo)1與目標(biāo)3菱形平臺(tái)處的橫向截面序列折線圖Fig.10 Crosswise cross section sequence diagram of target 1 and target 3 rhombus platform

通過灰色關(guān)聯(lián)分析圖表顯示及對(duì)應(yīng)的關(guān)聯(lián)度知，目標(biāo)1和目標(biāo)3有著完全不同的輪廓特征，總體趨勢不相同。在得到138個(gè)灰色綜合關(guān)聯(lián)度ρij后，將其進(jìn)行等級(jí)劃分，通過模糊綜合評(píng)價(jià)對(duì)兩目標(biāo)整體上進(jìn)行隸屬度的判斷。

灰色綜合關(guān)聯(lián)度ρij按照等級(jí)劃分值被劃分為5個(gè)等級(jí)，等級(jí)a有85個(gè)二級(jí)因素，二級(jí)因素權(quán)重均相同為1/85；等級(jí)b有30個(gè)二級(jí)因素，各因素權(quán)重為1/30；等級(jí)c與等級(jí)d均有9個(gè)二級(jí)因素，權(quán)重為1/9；等級(jí)e有5個(gè)二級(jí)因素，二級(jí)因素權(quán)重為1/5，即各級(jí)因素權(quán)重分配如表1所示。

表1 各級(jí)因素權(quán)重值

經(jīng)模糊映射得到的二級(jí)因素的五個(gè)評(píng)判矩陣R1、R2、R3、R4、R5，則最終評(píng)判矩陣為：

即：

則

(0.018 5 0.083 0 0.200 3 0.558 1 0.153 2)

根據(jù)最大隸屬原則得，目標(biāo)1與目標(biāo)3的最終隸屬度為0.558 1，隸屬度大小距0.95相差較遠(yuǎn)，可確定判斷目標(biāo)1與目標(biāo)3不是同一目標(biāo)。

3.3 目標(biāo)1自身識(shí)別

基于目標(biāo)1與其自身進(jìn)行算法的驗(yàn)證，對(duì)數(shù)據(jù)矩陣Xi所對(duì)應(yīng)的行和列進(jìn)行自身灰色關(guān)聯(lián)分析。通過灰色關(guān)聯(lián)分析方法得到138對(duì)完全重合的兩序列對(duì)比折線圖，每對(duì)序列的ρij的值接近于1或等于1。將這138個(gè)灰色綜合關(guān)聯(lián)度ρij進(jìn)行模糊綜合評(píng)價(jià)，得到目標(biāo)1與其自身的識(shí)別隸屬度為1，即進(jìn)行判定的目標(biāo)是規(guī)則庫中的目標(biāo)，完成目標(biāo)識(shí)別過程。

4 結(jié)論

本文根據(jù)線陣掃描激光引信的成像特點(diǎn)，提出了基于模糊識(shí)別的線陣掃描激光引信目標(biāo)識(shí)別算法。該算法通過對(duì)線陣掃描目標(biāo)識(shí)別模型進(jìn)行數(shù)學(xué)建模，采用灰色關(guān)聯(lián)分析計(jì)算目標(biāo)與待識(shí)別目標(biāo)單個(gè)輪廓關(guān)聯(lián)度，進(jìn)而應(yīng)用模糊綜合評(píng)價(jià)完成真實(shí)目標(biāo)與待識(shí)別目標(biāo)的判別。仿真結(jié)果表明該算法具有較好的目標(biāo)識(shí)別及目標(biāo)類型判別能力，特別適用于對(duì)目標(biāo)識(shí)別算法實(shí)時(shí)性要求較高的彈目交會(huì)環(huán)境。本文提出的判定方法易采用微處理器實(shí)現(xiàn)，并可以通過調(diào)整掃描頻率以適用不同的目標(biāo)識(shí)別精度要求，也可根據(jù)戰(zhàn)場需要預(yù)先設(shè)定目標(biāo)類型，對(duì)目標(biāo)的易損部位信息進(jìn)行裝定，實(shí)現(xiàn)對(duì)炸點(diǎn)的精確控制。