復(fù)雜戰(zhàn)場(chǎng)對(duì)抗環(huán)境下空中目標(biāo)抗干擾識(shí)別算法

趙軍民，魏嘉藝，吳思捷，李新國(guó)，呂梅柏

(1.西北工業(yè)大學(xué) 航天學(xué)院，陜西 西安 710072；2.中國(guó)兵器工業(yè)第203研究所，陜西 西安 710065)

0 引言

為適應(yīng)新軍事變革對(duì)攻堅(jiān)破甲導(dǎo)彈提出的多功能、多任務(wù)的作戰(zhàn)需求，實(shí)現(xiàn)攻堅(jiān)破甲導(dǎo)彈空地目標(biāo)立體打擊能力是一個(gè)重要的研究方向。在攻堅(jiān)破甲導(dǎo)彈多種制導(dǎo)體制中，紅外成像制導(dǎo)具有制導(dǎo)精度高、抗干擾能力強(qiáng)、可晝夜作戰(zhàn)的優(yōu)點(diǎn)，其不僅可分辨出目標(biāo)的類(lèi)型，而且能夠識(shí)別出目標(biāo)的薄弱部位，對(duì)其實(shí)施精準(zhǔn)打擊。紅外成像制導(dǎo)己成為攻堅(jiān)破甲導(dǎo)彈主要制導(dǎo)方式，是攻堅(jiān)破甲導(dǎo)彈走向智能化的重要技術(shù)基礎(chǔ)。

攻堅(jiān)破甲導(dǎo)彈主要打擊地面裝甲類(lèi)、工事類(lèi)目標(biāo)，具備打擊低空直升機(jī)、無(wú)人機(jī)等目標(biāo)的能力。面對(duì)精確制導(dǎo)彈藥的威脅，各種對(duì)抗技術(shù)也在突飛猛進(jìn)的發(fā)展，紅外誘餌已經(jīng)成為一種常規(guī)的干擾手段[1-3]。在攻堅(jiān)破甲導(dǎo)彈與直升機(jī)博弈對(duì)抗過(guò)程中，直升機(jī)與低空云層形成了一定程度的融合，視覺(jué)顯著性下降，同時(shí)通過(guò)拋射干擾彈誘導(dǎo)紅外導(dǎo)引頭鎖定熱輻射更強(qiáng)的誘餌。從干擾起燃到充分燃燒，最后燃燒殆盡的不同階段，紅外干擾彈于成像導(dǎo)引頭的視場(chǎng)中呈現(xiàn)的特征在不斷變化，造成了與目標(biāo)的混淆。對(duì)空中目標(biāo)而言，全空域的運(yùn)動(dòng)環(huán)境形成了復(fù)雜多變的對(duì)抗態(tài)勢(shì)，導(dǎo)引頭中的目標(biāo)特性在不同成像視角下呈現(xiàn)多樣性，如圖1所示，進(jìn)一步增加了目標(biāo)識(shí)別的難度。因此如何在復(fù)雜戰(zhàn)場(chǎng)對(duì)抗環(huán)境下，賦能攻堅(jiān)破甲導(dǎo)彈精準(zhǔn)目標(biāo)識(shí)別，是一項(xiàng)關(guān)鍵技術(shù)。

攻堅(jiān)破甲導(dǎo)彈現(xiàn)有目標(biāo)識(shí)別主要采用相關(guān)匹配方法或者特征匹配方法[4-6]，典型的SLAM-ER導(dǎo)彈的目標(biāo)識(shí)別處理模塊采用模板匹配算法[7]，將采集的目標(biāo)區(qū)域圖像與內(nèi)部存儲(chǔ)的目標(biāo)基準(zhǔn)圖進(jìn)行匹配，該方法實(shí)現(xiàn)簡(jiǎn)單、匹配定位精度高，但對(duì)人工基準(zhǔn)圖像的要求較高，缺乏靈活性[8]，易產(chǎn)生誤配現(xiàn)象。同時(shí)相關(guān)匹配算法[9]依賴(lài)于模板更新的精確度，目標(biāo)特性變化較大時(shí)易產(chǎn)生積累誤差。對(duì)于目標(biāo)運(yùn)動(dòng)過(guò)程中帶來(lái)的尺度和旋轉(zhuǎn)等問(wèn)題，文獻(xiàn)[10]提出了基于對(duì)數(shù)極坐標(biāo)變換的相關(guān)匹配算法，引入主梯度方向，提高了匹配效率。但基于對(duì)數(shù)極坐標(biāo)的方法存在著中心區(qū)域超采樣，而邊緣區(qū)域欠采樣的缺點(diǎn)，易產(chǎn)生混疊現(xiàn)象，影響了匹配精度[11]?；谔卣髌ヅ涞乃惴╗12-13]對(duì)背景和噪聲較為敏感，易受復(fù)雜戰(zhàn)場(chǎng)環(huán)境多樣化干擾影響，在直升機(jī)目標(biāo)形狀特性、輻射特性、運(yùn)動(dòng)特性隨目標(biāo)機(jī)動(dòng)及干擾遮蔽發(fā)生較大變化的情況下，算法難以自適應(yīng)各種攻擊態(tài)勢(shì)。

受啟發(fā)于目標(biāo)檢測(cè)中通過(guò)分階段逐級(jí)處理提升算法性能[14]的思想，考慮到實(shí)際工程應(yīng)用中算法的可移植性，將傳統(tǒng)算法與多階段檢測(cè)器的思想進(jìn)行結(jié)合，針對(duì)攻堅(jiān)破甲導(dǎo)彈空地一體化的作戰(zhàn)需求，在分析其數(shù)據(jù)特性的基礎(chǔ)上，本文提出了復(fù)雜對(duì)抗環(huán)境下融合強(qiáng)判別性特征的空中目標(biāo)抗干擾識(shí)別算法，引入逐級(jí)篩選和逐步細(xì)化的識(shí)別機(jī)制，通過(guò)多階段定位對(duì)目標(biāo)進(jìn)行識(shí)別。算法分為圖像分析、特征學(xué)習(xí)和分類(lèi)識(shí)別3個(gè)階段。圖像分析階段，觀察到目標(biāo)和背景區(qū)域像素聚合的差異性，通過(guò)模糊聚類(lèi)對(duì)各區(qū)域進(jìn)行初步分析定位；特征學(xué)習(xí)階段，從多個(gè)維度對(duì)區(qū)域?qū)傩赃M(jìn)一步分析描述，將特征間的相互聯(lián)系在模型的框架中進(jìn)行表述，引入重要性度量評(píng)估，選取高權(quán)重的特征作為分類(lèi)模型的輸入；分類(lèi)識(shí)別階段，基于不同對(duì)抗態(tài)勢(shì)下的戰(zhàn)場(chǎng)環(huán)境數(shù)據(jù)輸入和目標(biāo)的特征描述，學(xué)習(xí)強(qiáng)判別性的分類(lèi)模型，進(jìn)而鎖定目標(biāo)，整體算法框架如圖2所示。圖2中，黑線箭頭部分為訓(xùn)練階段，藍(lán)線箭頭部分為在線運(yùn)行階段。下面將分別按照?qǐng)D像分析，特征學(xué)習(xí)和分類(lèi)識(shí)3個(gè)部分對(duì)抗干擾識(shí)別算法進(jìn)行闡述。

1 圖像分析

圖像分析階段主要通過(guò)分析戰(zhàn)場(chǎng)輸入數(shù)據(jù)的分布特性，對(duì)相似灰度分布的像素進(jìn)行歸納。通過(guò)聚類(lèi)算法可以將圖像中的不同區(qū)域進(jìn)行聚合[15]，生成候選區(qū)域，以此為基礎(chǔ)，將候選區(qū)域輸入至抗干擾目標(biāo)識(shí)別算法，進(jìn)行特征提取和分類(lèi)識(shí)別。聚類(lèi)算法中，基于模糊C-均值的算法在紅外圖像中提取感興趣區(qū)域已有廣泛應(yīng)用[16-17]，不同于“硬”分類(lèi)中數(shù)據(jù)完全隸屬于某一類(lèi)，模糊C-均值引入了隸屬度函數(shù)，考慮了聚類(lèi)過(guò)程數(shù)據(jù)歸屬的不確定性問(wèn)題，更貼合實(shí)際中的工程應(yīng)用。

對(duì)于圖像中的像素集合X，設(shè)將像素集劃分成C類(lèi)，類(lèi)中心相應(yīng)定義為ci，共計(jì)C個(gè)，定義隸屬度為μij，表示數(shù)據(jù)集中的樣本xj隸屬于ci的程度，樣本數(shù)量共計(jì)n個(gè)，其目標(biāo)函數(shù)及其約束條件如下：

(1)

(2)

式中：m為隸屬度因子，隸屬度總和約束為1；ci和μij隨著聚類(lèi)迭代的過(guò)程按下式進(jìn)行更新：

(3)

(4)

算法迭代初始，設(shè)定聚類(lèi)數(shù)目為3類(lèi)，隨機(jī)選取初始聚類(lèi)中心，迭代過(guò)程中不斷更新隸屬度μij和聚類(lèi)中心ci，將像素分配至相應(yīng)的類(lèi)別，當(dāng)目標(biāo)函數(shù)在變化中趨于穩(wěn)定后輸出聚類(lèi)結(jié)果，生成候選區(qū)域，如圖3所示。聚類(lèi)形成的區(qū)域按照不同的類(lèi)別屬性賦予其區(qū)域?qū)傩灾担纬珊蜻x區(qū)域。將目標(biāo)的搜索區(qū)“粗”定位于候選區(qū)。將候選區(qū)域輸入至后續(xù)的特征學(xué)習(xí)模塊，進(jìn)行區(qū)域?qū)傩缘倪M(jìn)一步分析，作為目標(biāo)識(shí)別的基礎(chǔ)。

2 特征學(xué)習(xí)

2.1 特征庫(kù)建立

經(jīng)過(guò)目標(biāo)候選區(qū)域提取算法，導(dǎo)引頭圖像中的像素會(huì)聚集為幾個(gè)不同的區(qū)域，通過(guò)進(jìn)一步建立特征庫(kù)對(duì)區(qū)域進(jìn)行刻畫(huà)。區(qū)域的特征庫(kù)描述考慮了多個(gè)維度，分別從紋理、形狀和梯度分布等方面對(duì)區(qū)域?qū)傩赃M(jìn)行刻畫(huà)。其中紋理特征包括平均灰度、能量、信息熵，形狀特征包括長(zhǎng)寬比、周長(zhǎng)、圓形度、面積、傅里葉描述子[18]，梯度分布特征采用梯度直方圖(HOG)[19]描述子。下面分別對(duì)紋理特征、形狀特征和梯度分布特征進(jìn)行介紹。

2.1.1 紋理特征

紋理特征主要表述如下：

(1)平均灰度：原始圖像中目標(biāo)區(qū)域像素平均灰度與背景灰度的差值。計(jì)算公式為

Ga=fa(x,y)-Gb

(5)

式中：x、y分別為圖像平面橫、縱坐標(biāo)；fa(x,y)為目標(biāo)區(qū)域平均灰度；Gb為背景灰度。

(2)能量：原始圖像目標(biāo)區(qū)域內(nèi)像素點(diǎn)相對(duì)灰度累加和，其中的相對(duì)灰度就是該像素點(diǎn)的灰度值與圖像背景灰度值Gb的差值。計(jì)算公式為

E=∑(fT(x,y)-Gb)

(6)

式中：fb(x,y)是指目標(biāo)區(qū)域像素點(diǎn)灰度。

(3)熵：描述圖像中目標(biāo)區(qū)域的紋理隨機(jī)性。其最大值對(duì)應(yīng)共生矩陣中所有值相同的情況；當(dāng)共生矩陣中的值大小分布較為不均勻時(shí)，該特征值會(huì)變小。計(jì)算公式為

(7)

式中：p(i,j)為灰度共生矩陣。

2.1.2 形狀特征

形狀特征主要表述如下：

1)長(zhǎng)寬比：目標(biāo)最小外接矩形的水平長(zhǎng)度與垂直長(zhǎng)度之比。計(jì)算公式為

(8)

式中：Lb和Wb分別表示目標(biāo)最小外接矩形的水平長(zhǎng)度與垂直長(zhǎng)度。

2)周長(zhǎng)：目標(biāo)邊界長(zhǎng)度，對(duì)應(yīng)物理因素為輪廓信息，計(jì)算公式為

P=∑f(x,y)

(9)

式中：f(x,y)為二值圖像中的邊界像素，對(duì)邊界像素進(jìn)行累加計(jì)數(shù)獲取周長(zhǎng)。

3)面積：描述圖像中的目標(biāo)連通區(qū)域的大小。在二值圖像中即為目標(biāo)區(qū)域像素點(diǎn)的個(gè)數(shù)。計(jì)算公式為

Area=∑f(x,y)

(10)

式中：f(x,y)為像素灰度。

4)圓形度：描述物體形狀與圓的相似程度，計(jì)算公式為面積Area與4π的乘積與周長(zhǎng)P平方之比。計(jì)算公式為

(11)

5)傅里葉描述子：描述特體全局形狀特征，設(shè)邊界像素坐標(biāo)(xi,yi),i={1,…,K}，K為邊界像素總數(shù)。提取傅里葉展開(kāi)式前10項(xiàng)變換系數(shù)，將它們進(jìn)行歸一化處理，設(shè)定歸一化的傅里葉描述子為Fk：

(12)

(13)

式中：Ak和Bk為對(duì)應(yīng)的傅里葉展開(kāi)變換系數(shù)，按(14)式和(15)式進(jìn)行計(jì)算，

(14)

(15)

2.1.3 梯度分布表述

梯度特征是圖像描述中的重要表征，HOG特征通過(guò)對(duì)物體四周像素的梯度或邊緣方向的分布進(jìn)行統(tǒng)計(jì)分析，反映圖像中的梯度方向信息，能夠?qū)ξ矬w外形進(jìn)行較好的描述，在目標(biāo)檢測(cè)和跟蹤領(lǐng)域有極為廣泛的應(yīng)用[20]。進(jìn)行HOG特征提取時(shí)，先將整幅圖像切割成大小相同的像素構(gòu)成的連通區(qū)域稱(chēng)為單元，在每一個(gè)單元內(nèi)對(duì)每個(gè)像素的梯度按照方向統(tǒng)計(jì)直方圖，這些直方圖的組合可形成特征描述子。將單元組合成較大的區(qū)域，稱(chēng)為塊，對(duì)塊內(nèi)單元的直方圖信息進(jìn)行歸一化處理。因?yàn)槭窃趫D像的單元方格上進(jìn)行信息的統(tǒng)計(jì)，所以HOG特征對(duì)圖像的幾何和光學(xué)轉(zhuǎn)化有著良好的不變性[21]。

HOG特征的提取過(guò)程實(shí)際就是梯度直方圖特征的統(tǒng)計(jì)過(guò)程，目的是構(gòu)建可供后續(xù)分類(lèi)器使用的圖像特征向量，其主要流程如圖4所示。HOG特征提取過(guò)程中，每16×16個(gè)像素組成一個(gè)單元，每2×2個(gè)單元組成一個(gè)塊，每個(gè)單元內(nèi)有9維特征，每個(gè)塊內(nèi)有36維特征。以16個(gè)像素為步長(zhǎng)，分別向右和向下進(jìn)行滑動(dòng)，每移動(dòng)一次均產(chǎn)生一個(gè)36維的特征向量，最終生成的HOG特征是將檢測(cè)窗口中所有塊的HOG特征組合在一起，使之變成一個(gè)直方圖特征向量，用來(lái)與其余特征融合，以供分類(lèi)使用。

將分析所得的圖像特征能量、面積、周長(zhǎng)、平均灰度、圓形度、長(zhǎng)寬比、熵、橢圓傅里葉描述子與梯度分布特征作為特征庫(kù)的基礎(chǔ)，將紅外圖像中候選區(qū)域的信息轉(zhuǎn)化為特征級(jí)的抽象表述。計(jì)算樣本庫(kù)中目標(biāo)與干擾對(duì)應(yīng)的特征值，統(tǒng)計(jì)其特征值分布，繪制不同特征的直方圖分布，如圖5所示。

從圖5中可以看到目標(biāo)和干擾的特征直方圖分布呈現(xiàn)出明顯的差異性。將上述紋理特征、形狀特征及HOG特征進(jìn)行級(jí)聯(lián)，構(gòu)成特征庫(kù)模型，將融合生成的特征描述符作為下一階段輸入。以包含目標(biāo)和云層的場(chǎng)景為例，由輸入圖像生成多個(gè)侯選區(qū)域，在圖像中具體表現(xiàn)為形成了不同的連通區(qū)域，如圖6所示，再將各連通區(qū)域輸入至特征提取模塊，各區(qū)域均存儲(chǔ)了自身的特征值信息，用于后續(xù)的分類(lèi)識(shí)別。算法運(yùn)行過(guò)程中，需遍歷所有侯選區(qū)域，計(jì)算對(duì)應(yīng)特征值。

2.2 特征選擇

(16)

式中：Z為歸一化因子；s為樣本特征值；μk和σk分別為類(lèi)別k的均值和方差。根據(jù)特征分?jǐn)?shù)形成先驗(yàn)分布ρ，

ρ=diag(ΦY)

(17)

Y為樣本標(biāo)簽值，形成新的特征分布，設(shè)為F={f1,f2,…,fn}。若樣本數(shù)為n、類(lèi)別為2，則每維特征可形成n×2維分?jǐn)?shù)，再選擇與樣本實(shí)際對(duì)應(yīng)類(lèi)別的分?jǐn)?shù)，最終每維特征保留n×1維分?jǐn)?shù)。由于該分?jǐn)?shù)是基于特征均值和方差映射而得，包含了樣本特征的信息，故可看成先驗(yàn)分布。然后引入隱變量Z={z1,z2}分別代表相關(guān)和不相關(guān)，通過(guò)相關(guān)性度量對(duì)特征分布進(jìn)行刻畫(huà)，構(gòu)造特征值t分布：

P(t|f)=P(t|z1)P(z1|f)+P(t|z2)P(z2|f)

(18)

將各維特征分?jǐn)?shù)映射至6個(gè)區(qū)間，分別用[1，6]6個(gè)特征數(shù)值表示，其中6代表特征分?jǐn)?shù)最高的區(qū)間，計(jì)算各個(gè)區(qū)間的特征分?jǐn)?shù)數(shù)量。其中第4區(qū)間～第6區(qū)間的特征分?jǐn)?shù)占比s作為P(z1|f)初值，第1區(qū)間～第3區(qū)間的特征分?jǐn)?shù)占比作為P(z2|f)初值。

對(duì)于全部的特征空間可得，

(19)

通過(guò)最大化下述似然函數(shù)進(jìn)行求解，

(20)

式中：Q(f,t)為特征值t在特征f出現(xiàn)的次數(shù)，可由各個(gè)區(qū)間的特征分?jǐn)?shù)數(shù)量表示。下面采用期望最大化(EM)算法進(jìn)行迭代求解，分為E步驟和M步驟，其中E步驟根據(jù)當(dāng)前參數(shù)值計(jì)算隱變量分布，如(21)式所示：

P(z|f,t)=

(21)

M步驟將似然函數(shù)最大化獲取新的參數(shù)值，如(22)式～(24)式所示：

(22)

(23)

(24)

式中：f′、t′分別表示f和t取值的集合。

將E步驟和M步驟迭代優(yōu)化直至收斂，最終圖模型中鄰接矩陣{A:ai,j=φ(xi,xj),1≤i,j≤m}按(25)式進(jìn)行計(jì)算，

φ(xi,xj)=P(Z=z1|fi)P(Z=z1|fj)

(25)

可求得各特征分量的度量分?jǐn)?shù)為

(26)

式中：l表示特征向量在圖模型中的連接路徑；rl為連接路徑的權(quán)重系數(shù)；e為指示向量。通過(guò)度量分?jǐn)?shù)對(duì)特征向量的各維度的重要性進(jìn)行度量，進(jìn)而選擇出有較強(qiáng)判別性的特征維度，后續(xù)給出實(shí)驗(yàn)分析。

3 分類(lèi)識(shí)別

機(jī)器學(xué)習(xí)對(duì)目標(biāo)樣本進(jìn)行訓(xùn)練的方法，可以有效提升算法的適應(yīng)性和魯棒性[25]?？紤]到支持向量機(jī)(SVM)的分類(lèi)算法在樣本較少的情況下仍然能夠得到較好的分類(lèi)識(shí)別效果[26]，能夠充分利用目標(biāo)特征，“剔除”冗余樣本，表現(xiàn)出良好的學(xué)習(xí)能力[27]，通過(guò)與樣本特征模型的結(jié)合，其泛化性能得到進(jìn)一步的提升[28-29]。故分類(lèi)模型的學(xué)習(xí)采用了SVM的訓(xùn)練方式，并在傳統(tǒng)SVM的二分類(lèi)模型的基礎(chǔ)上將其改進(jìn)為多分類(lèi)模型，進(jìn)一步提升其判別能力。將上一階段學(xué)習(xí)到的特征模型輸入至SVM進(jìn)行分類(lèi)模型的訓(xùn)練，進(jìn)而對(duì)目標(biāo)類(lèi)型進(jìn)行識(shí)別。本文的研究對(duì)象中，紅外成像導(dǎo)引頭視場(chǎng)呈現(xiàn)的圖像信息主要包括目標(biāo)、干擾和云層背景三種類(lèi)別，而原始SVM是用來(lái)解決二分類(lèi)問(wèn)題的學(xué)習(xí)算法，故本文針對(duì)多分類(lèi)問(wèn)題在原始SVM基礎(chǔ)上對(duì)其進(jìn)行擴(kuò)展和改進(jìn)，以增加后續(xù)跟蹤算法的魯棒性。

實(shí)現(xiàn)三分類(lèi)的基本思想仍是在實(shí)現(xiàn)二分類(lèi)的基礎(chǔ)上，對(duì)于正負(fù)樣本的設(shè)置進(jìn)行重構(gòu)。有兩種思路，第1種是“一對(duì)多”，第2種是“循環(huán)一對(duì)一”。方法1依次用一個(gè)兩類(lèi)SVM分類(lèi)器將每一類(lèi)與其他所有類(lèi)別區(qū)分開(kāi)來(lái)，得到k個(gè)分類(lèi)函數(shù)。分類(lèi)時(shí)將未知樣本分類(lèi)為具有最大分類(lèi)函數(shù)值的那類(lèi)。方法2是在每?jī)深?lèi)間訓(xùn)練一個(gè)分類(lèi)器，若多目標(biāo)分類(lèi)共有k個(gè)類(lèi)別，則分類(lèi)器的數(shù)量應(yīng)為k×(k-1)/2。

本文需要求解三分類(lèi)問(wèn)題，共需3個(gè)分類(lèi)器，與方法1比較，分類(lèi)器的數(shù)目相同，但能夠避免方法1可能會(huì)產(chǎn)生的分類(lèi)重疊或不可分類(lèi)現(xiàn)象。對(duì)于本文研究數(shù)據(jù)集的對(duì)象，分別設(shè)置樣本標(biāo)簽為目標(biāo)、干擾及背景，在任意兩個(gè)樣本之間設(shè)計(jì)一個(gè)SVM，當(dāng)對(duì)一個(gè)未知的樣本進(jìn)行分類(lèi)時(shí)，最后得票最多的類(lèi)別即為該未知樣本的類(lèi)別。

假設(shè)對(duì)抗目標(biāo)庫(kù)中訓(xùn)練數(shù)據(jù)樣本點(diǎn)為{(x1,y1),(x2,y2),…,(xn,yn)}，其中xi∈Rp，yi∈{1,2,…,k}。則可以給出分類(lèi)超平面函數(shù)集：

(27)

式中：wk分類(lèi)超平面的法向量；bk為位移量。尋找使得類(lèi)間隔d最大的分類(lèi)平面：

(28)

s.t.yi(wTxi+b)≥1

(29)

采用拉格朗日乘子法得到其對(duì)偶問(wèn)題：

(30)

令L(w,b,α)對(duì)w和b的偏導(dǎo)數(shù)等于0，可得

(31)

(32)

原目標(biāo)函數(shù)進(jìn)一步可轉(zhuǎn)化為

(33)

求解得到

(34)

(35)

最后，分類(lèi)器決策函數(shù)為

f(x)=sign(w*·x+b*)

(36)

4 實(shí)驗(yàn)分析

本文采用基于實(shí)驗(yàn)室仿真平臺(tái)的對(duì)抗樣本庫(kù)中的8位仿真灰度圖像序列，均為640×512單通道，仿真樣本集包括初始發(fā)射條件、目標(biāo)機(jī)動(dòng)、干擾投射策略3個(gè)維度對(duì)抗條件的參數(shù)，將參數(shù)進(jìn)行量化。為更貼近實(shí)戰(zhàn)情況，將仿真圖像序列與實(shí)拍低空云層圖像進(jìn)行合成，更好地模擬實(shí)戰(zhàn)場(chǎng)景。為驗(yàn)證抗干擾識(shí)別算法的可行性與有效性，選取干擾投射距離為2 000 m以及3 000 m的彈道，紅外干擾投射數(shù)目分別設(shè)為24發(fā)及32發(fā)，投彈組數(shù)分別設(shè)為6組及8組，組間隔均為0.1 s，目標(biāo)進(jìn)行無(wú)機(jī)動(dòng)、左轉(zhuǎn)、右轉(zhuǎn)3種機(jī)動(dòng)方式。通過(guò)模擬典型戰(zhàn)場(chǎng)環(huán)境，生成大量不同對(duì)抗態(tài)勢(shì)下的目標(biāo)特性庫(kù)訓(xùn)練集，包含0°～360°范圍內(nèi)共8種進(jìn)入角，樣本圖共計(jì)12 034幅，戰(zhàn)場(chǎng)態(tài)勢(shì)想定如表1所示。

表1 算法測(cè)試彈道初始態(tài)勢(shì)

將本文選取的特征選擇算法與Fisher算法和局部聚類(lèi)選擇特征(LLCFS)算法進(jìn)行比較，從高維特征選取兩維特征進(jìn)行識(shí)別率比較。其中Fisher算法和LLCFS算法性能差距較小，本文采用的特征選擇算法在Fisher算法的基礎(chǔ)上進(jìn)一步構(gòu)造了相關(guān)性矩陣，特征間的權(quán)重衡量進(jìn)一步得到優(yōu)化，識(shí)別率有了較大提升，如表2所示。

表2 不同特征選擇算法比較分析

不同特征的度量分?jǐn)?shù)和分類(lèi)識(shí)別率的對(duì)比實(shí)驗(yàn)，如圖7所示。其中長(zhǎng)寬比、周長(zhǎng)、能量、平均灰度、面積、圓形度和熵均為一維特征值，傅里葉描述子為10維特征值，HOG特征展開(kāi)后為2 480維特征值。不同特征的度量分?jǐn)?shù)如圖7所示，其中傅里葉描述子和HOG特征為多維特征，由于HOG特征維數(shù)較多，為便于展示，這里僅選取度量分?jǐn)?shù)大于0.5的維度進(jìn)行繪圖，取其平均度量分?jǐn)?shù)進(jìn)行連線。為進(jìn)一步對(duì)圖7進(jìn)行分析，對(duì)圖7進(jìn)行二維投影，如圖8所示，在一維特征中，熵的度量分?jǐn)?shù)較低。多維特征中傅里葉描述子的平均度量分?jǐn)?shù)較高。HOG特征中，同時(shí)分布了大量高度量分?jǐn)?shù)的特征維度和低度量分?jǐn)?shù)的特征維度，其平均度量分?jǐn)?shù)較低。圖9為不同特征的分類(lèi)識(shí)別率。由圖9可見(jiàn)：一維特征中平均灰度和圓形度有較高的識(shí)別率，多維特征中傅里葉描述子有較高的識(shí)別率；平均灰度、圓形度和傅里葉描述子分別對(duì)物體從紋理和形狀兩個(gè)方面進(jìn)行了描述，HOG特征對(duì)物體的梯度分布進(jìn)行了描述。在實(shí)際工程應(yīng)用中，可考慮通過(guò)平均灰度、圓形度、傅里葉描述子和HOG特征的組合，對(duì)物體多個(gè)維度進(jìn)行刻畫(huà)，提升識(shí)別率。

特征學(xué)習(xí)階段的實(shí)驗(yàn)分析，紋理、形狀和梯度分布特征融合后共可獲取2 497維特征，在2.2節(jié)中通過(guò)特征選擇算法可對(duì)特征的不同維度的重要性進(jìn)行度量，并根據(jù)重要性進(jìn)行特征維數(shù)重排，原始特征度量及重排后特征分布如圖10和圖11所示。

特征維度重排后，采用重排后的特征進(jìn)行分類(lèi)實(shí)驗(yàn)。選取前2維特征，并投影至二維平面進(jìn)行可視化分析，分類(lèi)結(jié)果如圖12所示，從中可見(jiàn)當(dāng)僅采用二維特征向量時(shí)，分類(lèi)器未能學(xué)習(xí)到較好的分類(lèi)平面，存在大量的誤分類(lèi)樣本。

當(dāng)逐漸增加特征維度時(shí)，識(shí)別率逐步上升，如圖13所示。從圖13中也可以看到，進(jìn)行特征選擇后，通過(guò)選擇高權(quán)重的特征可以有效提升識(shí)別率，當(dāng)特征維數(shù)增加至100維時(shí)識(shí)別率上升變緩，故在下述實(shí)驗(yàn)中選擇重排后的前100維特征進(jìn)行分類(lèi)實(shí)驗(yàn)。

進(jìn)一步對(duì)支持向量機(jī)采用的核函數(shù)進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表3所示，其中的訓(xùn)練誤差率為對(duì)訓(xùn)練樣本進(jìn)行交叉驗(yàn)證處理后測(cè)試樣本的誤差分類(lèi)率。

表3 3種核函數(shù)分類(lèi)實(shí)驗(yàn)結(jié)果分析

根據(jù)表3的實(shí)驗(yàn)結(jié)果，當(dāng)選擇高斯徑向基核函數(shù)時(shí)，SVM對(duì)標(biāo)簽的分類(lèi)誤差率最低，因此選擇基于高斯徑向基核函數(shù)的SVM作為空中目標(biāo)的抗干擾分類(lèi)器。對(duì)不同對(duì)抗態(tài)勢(shì)下的紅外空中目標(biāo)樣本集進(jìn)行測(cè)試，算法識(shí)別正確率定義如下：

(37)

式中：Nr表示正確識(shí)別目標(biāo)類(lèi)別的數(shù)量；Nt表示總測(cè)試圖像數(shù)目。干擾投射距離為2 000 m及3 000 m的彈道測(cè)試結(jié)果如表4所示。

表4 算法識(shí)別正確率測(cè)試結(jié)果

對(duì)于不同進(jìn)入角下的識(shí)別正確率進(jìn)行統(tǒng)計(jì)，繪制成折線圖如圖14所示。

測(cè)試的彈道圖像數(shù)據(jù)集通過(guò)距離和進(jìn)入角變化模擬對(duì)抗過(guò)程中可能出現(xiàn)的各種戰(zhàn)況，分析表4可知，在干擾投射距離為2 000 m時(shí)，平均識(shí)別正確率為85.06%，在干擾投射距離為3 000 m時(shí)，平均識(shí)別正確率為72.32%。近距時(shí)目標(biāo)在視場(chǎng)中所占像素比較高，有較為明顯的紋理及形狀等特征，當(dāng)前階段識(shí)別準(zhǔn)確率較高。當(dāng)距離拉開(kāi)時(shí)，目標(biāo)在視場(chǎng)中的成像面積減小，特征可分辨性減弱，對(duì)應(yīng)的識(shí)別準(zhǔn)確率也隨之下降。同時(shí)隨著進(jìn)入角變化，目標(biāo)在視場(chǎng)中呈現(xiàn)的特征也隨之發(fā)生變化，圖15分別選取不同圖像序列下正確識(shí)別的結(jié)果(第806幀)和錯(cuò)誤識(shí)別的結(jié)果(第433幀)進(jìn)行對(duì)比。圖15的第806幀識(shí)別結(jié)果中，目標(biāo)與背景及干擾具備一定的辯識(shí)度，識(shí)別算法排除了干擾選項(xiàng)，鎖定了目標(biāo)。但在另外一個(gè)序列中的第433幀，目標(biāo)融入云層背景中，并且當(dāng)前成像視角下，誘餌的拖尾在視場(chǎng)中對(duì)目標(biāo)造成了較強(qiáng)的混淆，識(shí)別算法未能正確鎖定目標(biāo)。后續(xù)算法擬考慮豐富特征庫(kù)[31]，進(jìn)一步加強(qiáng)特征判別性，同時(shí)引入特征在線更新的機(jī)制，根據(jù)場(chǎng)景自適應(yīng)對(duì)特征進(jìn)行選擇更新。

綜合上述實(shí)驗(yàn)結(jié)果可知，在大量彈道圖像數(shù)據(jù)集測(cè)試中，本文方法的平均識(shí)別正確率為78.63%。實(shí)驗(yàn)中通過(guò)不同因素的分類(lèi)測(cè)試分析了不同階段的難點(diǎn)和優(yōu)缺點(diǎn)，為實(shí)際工程應(yīng)用了打下基礎(chǔ)。

5 結(jié)論

本文針對(duì)紅外成像攻堅(jiān)破甲導(dǎo)彈在復(fù)雜戰(zhàn)場(chǎng)對(duì)抗環(huán)境中存在的低空云層背景和紅外誘餌干擾情況，在分析戰(zhàn)場(chǎng)對(duì)抗數(shù)據(jù)的基礎(chǔ)上提出了融合強(qiáng)判別性特征的抗干擾識(shí)別算法。首先通過(guò)聚類(lèi)分析對(duì)相似灰度分布的像素進(jìn)行聚合，形成目標(biāo)、云層背景和誘餌區(qū)域的初步分離，實(shí)現(xiàn)區(qū)域“粗粒度”初步定位。進(jìn)一步對(duì)目標(biāo)和干擾的特征描述進(jìn)行分析，通過(guò)紋理和形狀特征的多維度刻畫(huà)，學(xué)習(xí)強(qiáng)判別性的特征對(duì)目標(biāo)和干擾進(jìn)行分類(lèi)識(shí)別。通過(guò)多階段的逐級(jí)處理，識(shí)別復(fù)雜戰(zhàn)場(chǎng)對(duì)抗環(huán)境下的空中紅外目標(biāo)，最后將算法在不同對(duì)抗態(tài)勢(shì)下的彈道圖像數(shù)據(jù)集進(jìn)行驗(yàn)證。通過(guò)模擬典型戰(zhàn)場(chǎng)環(huán)境，對(duì)算法進(jìn)行測(cè)評(píng)，平均識(shí)別正確率達(dá)到78.63%，可有效完成目標(biāo)與干擾之間的區(qū)分。同時(shí)也針對(duì)失敗案例進(jìn)行了回溯，分析算法存在的問(wèn)題和改進(jìn)方向，為實(shí)際工程應(yīng)用中的算法研制提供支撐。