基于紅外多特征的彈道中段目標(biāo)識(shí)別研究

戴樺宇 周玉明 黃山 尹小兵

按照融合系統(tǒng)中數(shù)據(jù)抽象的層次,圖像融合可以劃分為3 個(gè)級(jí)別融合,分別是: 特征級(jí)融合、決策級(jí)融合、像素級(jí)融合.特征級(jí)融合既消除了由于主客觀因素帶來的多特征之間相關(guān)性的冗余信息,又最大限度保留了參與融合的多特征的有效鑒別信息,在目標(biāo)識(shí)別過程中較為常見[1-2].特征融合是指充分利用目標(biāo)自身不同的特征進(jìn)行互補(bǔ),將來自某一目標(biāo)的多源特征加以智能化合成,進(jìn)而獲取目標(biāo)更加詳細(xì)準(zhǔn)確的描述,增加識(shí)別過程中目標(biāo)的信息量.決策級(jí)融合方法主要是基于認(rèn)知模型的方法,需要大型數(shù)據(jù)庫(kù)和專家決策系統(tǒng)進(jìn)行分析、推理、識(shí)別和判決.決策級(jí)融合指在每個(gè)傳感器已完成目標(biāo)提取與分類之后,融合系統(tǒng)根據(jù)一定的準(zhǔn)則以及每個(gè)決策的可信度作出決策融合處理.此種融合實(shí)時(shí)性好,并且具有一定的容錯(cuò)能力.像素融合指在嚴(yán)格的配準(zhǔn)條件下,對(duì)多源圖像直接進(jìn)行信息的綜合分析.像素級(jí)圖像融合是最低層次的圖像融合,能夠保持盡可能多的現(xiàn)場(chǎng)數(shù)據(jù),提供其他融合層次所不能提供的細(xì)節(jié)信息.但需處理的信息量最大,對(duì)設(shè)備的要求較高.

基于紅外特征目標(biāo)識(shí)別問題的主要困難是如何獲得待識(shí)別目標(biāo)全面的、區(qū)分能力強(qiáng)的特征.從目前的情況來看,絕大多數(shù)基于特征的目標(biāo)識(shí)別只能利用目標(biāo)的單一特征進(jìn)行研究,而在綜合利用各類特征進(jìn)行目標(biāo)識(shí)別的還不多見.一個(gè)目標(biāo)自身的特征是很豐富的,一個(gè)特征僅僅是目標(biāo)部分屬性的反映,若用一個(gè)特征描述整體目標(biāo),那么區(qū)分信息比較匱乏,如果目標(biāo)在運(yùn)動(dòng)過程中特性不穩(wěn)定,往往識(shí)別效果不夠理想,所以,需要把目標(biāo)的各個(gè)特征綜合起來進(jìn)行目標(biāo)識(shí)別,從而提高其識(shí)別率[3-6].

基于此,本文正是把特征融合技術(shù)與紅外識(shí)別相結(jié)合,利用目標(biāo)自身的多種特征綜合研判目標(biāo)屬性,挖掘相關(guān)特征信息、增強(qiáng)特征信息的有效性、排除干擾識(shí)別的虛假特征、建立融合特征,從而達(dá)到目標(biāo)識(shí)別的目的,提高識(shí)別率及識(shí)別效率.

1 基于長(zhǎng)波輻射強(qiáng)度的特征識(shí)別

1.1 識(shí)別流程設(shè)計(jì)

傳感器系統(tǒng)具有較長(zhǎng)的觀測(cè)弧段,因此實(shí)際的識(shí)別方案是在觀測(cè)初期,進(jìn)行快速、具有一定置信度的目標(biāo)初識(shí)別,將易于分類的目標(biāo)進(jìn)行識(shí)別,而后為了整個(gè)探測(cè)跟蹤周期上的對(duì)真目標(biāo)識(shí)別概率較高,對(duì)后繼的識(shí)別分類器進(jìn)行相應(yīng)的調(diào)整,滿足對(duì)不易分類目標(biāo)的識(shí)別,所以采用分段訓(xùn)練的方法[7-8].圖1為群目標(biāo)識(shí)別示意圖.

圖1 群目標(biāo)識(shí)別示意圖

1.2 識(shí)別場(chǎng)景設(shè)置

為了更有針對(duì)性地分析不同目標(biāo)之間的輻射特性差異,文中想定了包含真目標(biāo)、誘餌等空間目標(biāo)的典型威脅場(chǎng)景,假設(shè)某導(dǎo)彈從(77.12°E,28.36°N)向(116.32°E,39.86°N)方向發(fā)射,從而獲得某天基紅外傳感器探測(cè)反演的目標(biāo)長(zhǎng)波輻射強(qiáng)度.90 s 軌道目標(biāo)進(jìn)入中段,即被探測(cè)到,并實(shí)現(xiàn)跟蹤.在90 ～155 s 期間,助推器脫落,并拋灑干擾誘餌,體現(xiàn)在像平面上即為由一個(gè)目標(biāo)分裂出多個(gè)目標(biāo),但受到分辨率影響,往往存在目標(biāo)相互遮擋的情況,從而表現(xiàn)為目標(biāo)簇,其目標(biāo)能量存在疊加.156 s 目標(biāo)分裂完畢,不再是目標(biāo)簇,像素上不發(fā)生目標(biāo)的能量疊加,其中目標(biāo)1 為真實(shí)目標(biāo)、目標(biāo)2 為助推器、目標(biāo)3 ～6 為球型誘餌、目標(biāo)7 ～10 為錐形誘餌.

原始各目標(biāo)長(zhǎng)波輻射強(qiáng)度存在一定的噪聲,需對(duì)其時(shí)間序列濾波.本文對(duì)長(zhǎng)波輻射強(qiáng)度進(jìn)行n期移動(dòng)平均,定義為:

當(dāng)n= 3 時(shí),即3 期移動(dòng)平均,平滑濾波后長(zhǎng)波輻射強(qiáng)度如圖2所示.

在陰影軌跡的情況下,對(duì)軌道目標(biāo)識(shí)別可利用如下先驗(yàn)知識(shí)[9-12]:

1) 真實(shí)目標(biāo)的輻射強(qiáng)度較高,真實(shí)目標(biāo)輻射強(qiáng)度初期最高,而在誘餌拋灑后,真實(shí)目標(biāo)輻射小于助推器及干擾誘餌；

2) 真實(shí)目標(biāo)輻射強(qiáng)度總體處于下降趨勢(shì),相比較最初探測(cè)時(shí)的輻射強(qiáng)度下降幅度很快,后期下降緩慢；

3) 真實(shí)目標(biāo)由于微動(dòng),輻射強(qiáng)度雖然存在一定的起伏,但是不易被探測(cè)出.其他助推器和錐形誘餌周期和變化幅度變化較大,而球型誘餌輻射特征較為平穩(wěn)；

4) 錐形誘餌由于翻滾,尤其是大錐誘餌的方差往往大于真實(shí)目標(biāo)的方差.

圖2 傳感器長(zhǎng)波輻射強(qiáng)度平滑值

1.3 識(shí)別方法與結(jié)果分析

選用輻射強(qiáng)度特征當(dāng)中局部極值出現(xiàn)概率、變化累積量、方差概率(方差閾值小于0.1)等單一識(shí)別特征,作為弱分類器,組合成Adaboost 強(qiáng)分類器.由于無法判斷是否單一目標(biāo),所以不能采用排他性識(shí)別,設(shè)置分類函數(shù)大于0.9 為真實(shí)目標(biāo).

在對(duì)Adaboost 分類器的訓(xùn)練過程中,一方面要保證在目標(biāo)跟蹤的初段就具有較為快速、準(zhǔn)確的識(shí)別能力,另外一方面又需要整個(gè)探測(cè)跟蹤周期的識(shí)別概率較高.根據(jù)場(chǎng)景描述,在初識(shí)別時(shí),利用90 ～156 s 時(shí)間內(nèi)一段數(shù)據(jù)作為訓(xùn)練樣本,以局部極值出現(xiàn)概率、變化累積量、方差概率作為主要識(shí)別特征,對(duì)分類器進(jìn)行訓(xùn)練,作為初識(shí)別分類器.

從90 ～156 s 開始就進(jìn)行訓(xùn)練,訓(xùn)練所獲得的局部極值出現(xiàn)概率、變化累積量、方差概率的權(quán)值分別為0.75,0.25 和0.

從90 s 后對(duì)其他數(shù)據(jù)進(jìn)行識(shí)別,分類器的分布函數(shù)和分類目標(biāo)為1 的概率(平均識(shí)別概率) 如圖3、圖4所示.90 ～156 s 之間識(shí)別概率在70%～90%.從圖3中可以看出,目標(biāo)1、2、3 分類成為目標(biāo)1 的概率較高,其他目標(biāo)(目標(biāo)4、5、6、7、8、9、10)分類成目標(biāo)1 的概率很低,可標(biāo)記為非目標(biāo)1 進(jìn)行排除,也就是說在90 ～156 s 之間目標(biāo)2、目標(biāo)3 容易被錯(cuò)誤地分類為目標(biāo)1,造成識(shí)別錯(cuò)誤.

若從156 s 開始識(shí)別,特征量權(quán)重仍采用前面90 s 訓(xùn)練的權(quán)值,分類器識(shí)別結(jié)果與識(shí)別概率如圖5、圖6所示.

由圖6可見,經(jīng)過一段時(shí)間后,識(shí)別場(chǎng)景發(fā)生了變化,目標(biāo)特性同樣發(fā)生了變化,繼續(xù)采用之前分類器對(duì)后續(xù)數(shù)據(jù)進(jìn)行訓(xùn)練是不正確的.因此待目標(biāo)特征平穩(wěn)之后,識(shí)別分類器必須進(jìn)行一定的調(diào)整,對(duì)其采用新的分類器進(jìn)行訓(xùn)練,這也就是我們選擇分層識(shí)別的原因.

圖3 分類器分布函數(shù)(90 ～156 s)

圖4 平均識(shí)別概率數(shù)(90 ～156 s)

圖5 分類器分布函數(shù)數(shù)(156 ～600 s)

圖6 平均識(shí)別概率(156 ～600 s)

選擇156 ～600 s 一定數(shù)量的樣本開始進(jìn)行訓(xùn)練,訓(xùn)練所獲得的局部極值出現(xiàn)概率、變化累積量、方差概率的權(quán)值分別為0.25,0 和0.75.

利用該分類器對(duì)156 ～600 s 其余的數(shù)據(jù)樣本進(jìn)行識(shí)別,得到的識(shí)別分類器分布函數(shù)與平均識(shí)別概率如圖7、圖8所示.

圖7 分類器分布函數(shù)(方差概率0.75)

圖8 平均識(shí)別概率(方差概率0.75)

從圖7可以看出,目標(biāo)1、目標(biāo)3、目標(biāo)9 被識(shí)別為目標(biāo)1 概率較高,容易造成錯(cuò)誤識(shí)別,但是聯(lián)系到上文90 ～156 s 的識(shí)別結(jié)果,可以將目標(biāo)9 從疑似目標(biāo)中排除.另外,從當(dāng)前識(shí)別結(jié)果來看,采用變化累計(jì)量、局部極值出現(xiàn)概率、改進(jìn)型方差出現(xiàn)概率3種識(shí)別特征對(duì)目標(biāo)1 與目標(biāo)3 進(jìn)行識(shí)別的效果并不理想,但對(duì)除目標(biāo)3 以外的其余目標(biāo)比較適用.因此,分類目標(biāo)1 與目標(biāo)3 需要新的特征.

將圖7與圖3對(duì)比之后發(fā)現(xiàn)識(shí)別結(jié)果有了很大改善.可見,合理選取目標(biāo)識(shí)別時(shí)間區(qū)間對(duì)應(yīng)的識(shí)別分類器,對(duì)于目標(biāo)識(shí)別結(jié)果優(yōu)化非常重要.目前還沒有一種普適的識(shí)別方法滿足全過程高準(zhǔn)確度的目標(biāo)識(shí)別.

2 基于雙波段的溫度特征識(shí)別

在利用輻射強(qiáng)度進(jìn)行識(shí)別結(jié)果的基礎(chǔ)之上,引入雙色測(cè)溫的溫度特征對(duì)難以識(shí)別分類的目標(biāo)繼續(xù)進(jìn)行識(shí)別.

2.1 識(shí)別場(chǎng)景設(shè)置

想定了包含真目標(biāo)、誘餌等空間目標(biāo)的典型威脅場(chǎng)景,其數(shù)據(jù)與輻射強(qiáng)度的仿真場(chǎng)景相同,在這里不做過多贅述.

原始各目標(biāo)雙色測(cè)溫特征存在一定的噪聲,需對(duì)其時(shí)間序列濾波.在使用中長(zhǎng)波的情況下,對(duì)原始測(cè)溫值進(jìn)行3 期移動(dòng)平均的結(jié)果如圖9所示.

圖9 雙色測(cè)溫濾波后結(jié)果

從圖9中可以獲得如下先驗(yàn)知識(shí)[13-15]:

1)真實(shí)目標(biāo)初始溫度顯著高于助推器和誘餌等,之后低于助推器,但高于誘餌.

2) 真實(shí)目標(biāo)初期溫度呈現(xiàn)明顯下降趨勢(shì),下降速率高于助推器和大部分誘餌,僅有目標(biāo)3 也呈明顯下降趨勢(shì).

3)真實(shí)目標(biāo)中后期,下降速率減小,但是初始溫度差值高于助推器和誘餌.

2.2 識(shí)別方法與結(jié)果分析

仍然從90 ～156 s 開始對(duì)一定的數(shù)據(jù)進(jìn)行訓(xùn)練,所獲得的測(cè)溫精度、變化累積量、下降概率的權(quán)值分別為0.75,0 和0.25.然后對(duì)90 ～156 s 開始的其他數(shù)據(jù)進(jìn)行識(shí)別,分類函數(shù)閾值設(shè)為0.9,分類器的分布函數(shù)和平均識(shí)別概率,如圖10、圖11所示.

圖10 分類器分布函數(shù)(閾值大于0.9)

圖11 平均識(shí)別概率(閾值大于0.9)

由圖10可以看出,在90 ～156 s 之間目標(biāo)1、2、3、4 和目標(biāo)7 都有可能被分類成為目標(biāo)1,但是聯(lián)系到輻射強(qiáng)度的分類識(shí)別結(jié)果,可以將目標(biāo)2、4、7 從疑似目標(biāo)中剔除,留下目標(biāo)1、3 繼續(xù)對(duì)其進(jìn)行識(shí)別.

若從156 s 開始進(jìn)行識(shí)別,仍采用前面權(quán)值(測(cè)溫精度、變化累積量、下降概率的權(quán)值分別為0.75,0 和0.25),分類器識(shí)別結(jié)果與識(shí)別概率如圖12、圖13所示.

圖12 分類器分布函數(shù)

圖13 平均識(shí)別概率

由圖13可知,經(jīng)過一段時(shí)間目標(biāo)特性也發(fā)生了相應(yīng)變化,如果繼續(xù)采用之前分類器對(duì)后續(xù)數(shù)據(jù)進(jìn)行訓(xùn)練是不正確的.因此,同樣需要對(duì)其采用新的分類器進(jìn)行訓(xùn)練.

從156 s 開始選取一定的數(shù)據(jù)進(jìn)行訓(xùn)練,訓(xùn)練所獲得的測(cè)溫精度、變化累積量、下降概率的權(quán)值分別為0.3,0.1 和0.6.利用156 ～600 s 其他數(shù)據(jù)進(jìn)行識(shí)別,分類器識(shí)別結(jié)果與平均識(shí)別概率如14、圖15所示,分類閾值設(shè)為大于0.9.

由圖14可以看出,雖然在156 ～600 s 之間目標(biāo)4、8、9 也有零星的疑似目標(biāo)特征出現(xiàn),但是結(jié)合之前的識(shí)別結(jié)果,可將這些目標(biāo)排除,而目標(biāo)1 和目標(biāo)3 已經(jīng)能夠很好地進(jìn)行區(qū)分.

如果分類閾值改為0.85,增加了對(duì)真目標(biāo)的識(shí)別能力,但也增加了虛警.

可見,在復(fù)雜場(chǎng)景下的目標(biāo)識(shí)別過程中,沒有一個(gè)單獨(dú)的輻射特征及其變換或者單一的溫度特征及其變換能夠?qū)λ心繕?biāo)進(jìn)行正確的目標(biāo)識(shí)別,必須合理選取目標(biāo)自身的紅外特征進(jìn)行分層次、多維度融合識(shí)別,才能取得較好的識(shí)別效果.除此之外,合理地選取目標(biāo)識(shí)別分類閾值和時(shí)間區(qū)間對(duì)目標(biāo)識(shí)別同樣重要,這樣能夠得到較好的目標(biāo)識(shí)別性能,同時(shí)獲得較低的虛警概率.

圖14 分類器分布函數(shù)(閾值大于0.9)

圖15 平均識(shí)別概率(閾值大于0.9)

圖16 分類器分布函數(shù)(閾值大于0.85)

圖17 平均識(shí)別概率(閾值大于0.85)

3 結(jié)論

隨著目標(biāo)識(shí)別在空間目標(biāo)監(jiān)視與跟蹤、特別是彈道導(dǎo)彈防御中的作用日益突出,基于紅外特性的目標(biāo)識(shí)別問題越來越受到重視.本文在已有的研究成果基礎(chǔ)上,設(shè)定典型彈道目標(biāo)飛行場(chǎng)景并進(jìn)行了仿真試驗(yàn),識(shí)別過程中可以發(fā)現(xiàn)在場(chǎng)景復(fù)雜的情況下,需要先對(duì)目標(biāo)進(jìn)行粗識(shí)別,待目標(biāo)特征平穩(wěn)之后再調(diào)整分類器權(quán)值進(jìn)行精細(xì)識(shí)別.單一紅外特征及其變換很難對(duì)所有目標(biāo)進(jìn)行正確識(shí)別,必須將輻射特征與溫度特征等多維特征進(jìn)行融合,以進(jìn)一步提高識(shí)別準(zhǔn)確性,取得了較為理想的識(shí)別效果.