基于红外多特征的弹道中段目标识别研究

戴桦宇 周玉明 黄山 尹小兵

按照融合系统中数据抽象的层次,图像融合可以划分为3 个级别融合,分别是: 特征级融合、决策级融合、像素级融合.特征级融合既消除了由于主客观因素带来的多特征之间相关性的冗余信息,又最大限度保留了参与融合的多特征的有效鉴别信息,在目标识别过程中较为常见[1-2].特征融合是指充分利用目标自身不同的特征进行互补,将来自某一目标的多源特征加以智能化合成,进而获取目标更加详细准确的描述,增加识别过程中目标的信息量.决策级融合方法主要是基于认知模型的方法,需要大型数据库和专家决策系统进行分析、推理、识别和判决.决策级融合指在每个传感器已完成目标提取与分类之后,融合系统根据一定的准则以及每个决策的可信度作出决策融合处理.此种融合实时性好,并且具有一定的容错能力.像素融合指在严格的配准条件下,对多源图像直接进行信息的综合分析.像素级图像融合是最低层次的图像融合,能够保持尽可能多的现场数据,提供其他融合层次所不能提供的细节信息.但需处理的信息量最大,对设备的要求较高.

基于红外特征目标识别问题的主要困难是如何获得待识别目标全面的、区分能力强的特征.从目前的情况来看,绝大多数基于特征的目标识别只能利用目标的单一特征进行研究,而在综合利用各类特征进行目标识别的还不多见.一个目标自身的特征是很丰富的,一个特征仅仅是目标部分属性的反映,若用一个特征描述整体目标,那么区分信息比较匮乏,如果目标在运动过程中特性不稳定,往往识别效果不够理想,所以,需要把目标的各个特征综合起来进行目标识别,从而提高其识别率[3-6].

基于此,本文正是把特征融合技术与红外识别相结合,利用目标自身的多种特征综合研判目标属性,挖掘相关特征信息、增强特征信息的有效性、排除干扰识别的虚假特征、建立融合特征,从而达到目标识别的目的,提高识别率及识别效率.

1 基于长波辐射强度的特征识别

1.1 识别流程设计

传感器系统具有较长的观测弧段,因此实际的识别方案是在观测初期,进行快速、具有一定置信度的目标初识别,将易于分类的目标进行识别,而后为了整个探测跟踪周期上的对真目标识别概率较高,对后继的识别分类器进行相应的调整,满足对不易分类目标的识别,所以采用分段训练的方法[7-8].图1为群目标识别示意图.

图1 群目标识别示意图

1.2 识别场景设置

为了更有针对性地分析不同目标之间的辐射特性差异,文中想定了包含真目标、诱饵等空间目标的典型威胁场景,假设某导弹从(77.12°E,28.36°N)向(116.32°E,39.86°N)方向发射,从而获得某天基红外传感器探测反演的目标长波辐射强度.90 s 轨道目标进入中段,即被探测到,并实现跟踪.在90 ～155 s 期间,助推器脱落,并抛洒干扰诱饵,体现在像平面上即为由一个目标分裂出多个目标,但受到分辨率影响,往往存在目标相互遮挡的情况,从而表现为目标簇,其目标能量存在叠加.156 s 目标分裂完毕,不再是目标簇,像素上不发生目标的能量叠加,其中目标1 为真实目标、目标2 为助推器、目标3 ～6 为球型诱饵、目标7 ～10 为锥形诱饵.

原始各目标长波辐射强度存在一定的噪声,需对其时间序列滤波.本文对长波辐射强度进行n期移动平均,定义为:

当n= 3 时,即3 期移动平均,平滑滤波后长波辐射强度如图2所示.

在阴影轨迹的情况下,对轨道目标识别可利用如下先验知识[9-12]:

1) 真实目标的辐射强度较高,真实目标辐射强度初期最高,而在诱饵抛洒后,真实目标辐射小于助推器及干扰诱饵；

2) 真实目标辐射强度总体处于下降趋势,相比较最初探测时的辐射强度下降幅度很快,后期下降缓慢；

3) 真实目标由于微动,辐射强度虽然存在一定的起伏,但是不易被探测出.其他助推器和锥形诱饵周期和变化幅度变化较大,而球型诱饵辐射特征较为平稳；

4) 锥形诱饵由于翻滚,尤其是大锥诱饵的方差往往大于真实目标的方差.

图2 传感器长波辐射强度平滑值

1.3 识别方法与结果分析

选用辐射强度特征当中局部极值出现概率、变化累积量、方差概率(方差阈值小于0.1)等单一识别特征,作为弱分类器,组合成Adaboost 强分类器.由于无法判断是否单一目标,所以不能采用排他性识别,设置分类函数大于0.9 为真实目标.

在对Adaboost 分类器的训练过程中,一方面要保证在目标跟踪的初段就具有较为快速、准确的识别能力,另外一方面又需要整个探测跟踪周期的识别概率较高.根据场景描述,在初识别时,利用90 ～156 s 时间内一段数据作为训练样本,以局部极值出现概率、变化累积量、方差概率作为主要识别特征,对分类器进行训练,作为初识别分类器.

从90 ～156 s 开始就进行训练,训练所获得的局部极值出现概率、变化累积量、方差概率的权值分别为0.75,0.25 和0.

从90 s 后对其他数据进行识别,分类器的分布函数和分类目标为1 的概率(平均识别概率) 如图3、图4所示.90 ～156 s 之间识别概率在70%～90%.从图3中可以看出,目标1、2、3 分类成为目标1 的概率较高,其他目标(目标4、5、6、7、8、9、10)分类成目标1 的概率很低,可标记为非目标1 进行排除,也就是说在90 ～156 s 之间目标2、目标3 容易被错误地分类为目标1,造成识别错误.

若从156 s 开始识别,特征量权重仍采用前面90 s 训练的权值,分类器识别结果与识别概率如图5、图6所示.

由图6可见,经过一段时间后,识别场景发生了变化,目标特性同样发生了变化,继续采用之前分类器对后续数据进行训练是不正确的.因此待目标特征平稳之后,识别分类器必须进行一定的调整,对其采用新的分类器进行训练,这也就是我们选择分层识别的原因.

图3 分类器分布函数(90 ～156 s)

图4 平均识别概率数(90 ～156 s)

图5 分类器分布函数数(156 ～600 s)

图6 平均识别概率(156 ～600 s)

选择156 ～600 s 一定数量的样本开始进行训练,训练所获得的局部极值出现概率、变化累积量、方差概率的权值分别为0.25,0 和0.75.

利用该分类器对156 ～600 s 其余的数据样本进行识别,得到的识别分类器分布函数与平均识别概率如图7、图8所示.

图7 分类器分布函数(方差概率0.75)

图8 平均识别概率(方差概率0.75)

从图7可以看出,目标1、目标3、目标9 被识别为目标1 概率较高,容易造成错误识别,但是联系到上文90 ～156 s 的识别结果,可以将目标9 从疑似目标中排除.另外,从当前识别结果来看,采用变化累计量、局部极值出现概率、改进型方差出现概率3种识别特征对目标1 与目标3 进行识别的效果并不理想,但对除目标3 以外的其余目标比较适用.因此,分类目标1 与目标3 需要新的特征.

将图7与图3对比之后发现识别结果有了很大改善.可见,合理选取目标识别时间区间对应的识别分类器,对于目标识别结果优化非常重要.目前还没有一种普适的识别方法满足全过程高准确度的目标识别.

2 基于双波段的温度特征识别

在利用辐射强度进行识别结果的基础之上,引入双色测温的温度特征对难以识别分类的目标继续进行识别.

2.1 识别场景设置

想定了包含真目标、诱饵等空间目标的典型威胁场景,其数据与辐射强度的仿真场景相同,在这里不做过多赘述.

原始各目标双色测温特征存在一定的噪声,需对其时间序列滤波.在使用中长波的情况下,对原始测温值进行3 期移动平均的结果如图9所示.

图9 双色测温滤波后结果

从图9中可以获得如下先验知识[13-15]:

1)真实目标初始温度显著高于助推器和诱饵等,之后低于助推器,但高于诱饵.

2) 真实目标初期温度呈现明显下降趋势,下降速率高于助推器和大部分诱饵,仅有目标3 也呈明显下降趋势.

3)真实目标中后期,下降速率减小,但是初始温度差值高于助推器和诱饵.

2.2 识别方法与结果分析

仍然从90 ～156 s 开始对一定的数据进行训练,所获得的测温精度、变化累积量、下降概率的权值分别为0.75,0 和0.25.然后对90 ～156 s 开始的其他数据进行识别,分类函数阈值设为0.9,分类器的分布函数和平均识别概率,如图10、图11所示.

图10 分类器分布函数(阈值大于0.9)

图11 平均识别概率(阈值大于0.9)

由图10可以看出,在90 ～156 s 之间目标1、2、3、4 和目标7 都有可能被分类成为目标1,但是联系到辐射强度的分类识别结果,可以将目标2、4、7 从疑似目标中剔除,留下目标1、3 继续对其进行识别.

若从156 s 开始进行识别,仍采用前面权值(测温精度、变化累积量、下降概率的权值分别为0.75,0 和0.25),分类器识别结果与识别概率如图12、图13所示.

图12 分类器分布函数

图13 平均识别概率

由图13可知,经过一段时间目标特性也发生了相应变化,如果继续采用之前分类器对后续数据进行训练是不正确的.因此,同样需要对其采用新的分类器进行训练.

从156 s 开始选取一定的数据进行训练,训练所获得的测温精度、变化累积量、下降概率的权值分别为0.3,0.1 和0.6.利用156 ～600 s 其他数据进行识别,分类器识别结果与平均识别概率如14、图15所示,分类阈值设为大于0.9.

由图14可以看出,虽然在156 ～600 s 之间目标4、8、9 也有零星的疑似目标特征出现,但是结合之前的识别结果,可将这些目标排除,而目标1 和目标3 已经能够很好地进行区分.

如果分类阈值改为0.85,增加了对真目标的识别能力,但也增加了虚警.

可见,在复杂场景下的目标识别过程中,没有一个单独的辐射特征及其变换或者单一的温度特征及其变换能够对所有目标进行正确的目标识别,必须合理选取目标自身的红外特征进行分层次、多维度融合识别,才能取得较好的识别效果.除此之外,合理地选取目标识别分类阈值和时间区间对目标识别同样重要,这样能够得到较好的目标识别性能,同时获得较低的虚警概率.

图14 分类器分布函数(阈值大于0.9)

图15 平均识别概率(阈值大于0.9)

图16 分类器分布函数(阈值大于0.85)

图17 平均识别概率(阈值大于0.85)

3 结论

随着目标识别在空间目标监视与跟踪、特别是弹道导弹防御中的作用日益突出,基于红外特性的目标识别问题越来越受到重视.本文在已有的研究成果基础上,设定典型弹道目标飞行场景并进行了仿真试验,识别过程中可以发现在场景复杂的情况下,需要先对目标进行粗识别,待目标特征平稳之后再调整分类器权值进行精细识别.单一红外特征及其变换很难对所有目标进行正确识别,必须将辐射特征与温度特征等多维特征进行融合,以进一步提高识别准确性,取得了较为理想的识别效果.