基于面阵式激光雷达的弹目交会参数解算仿真研究*

2023-12-11 12:10胡国欣邵翔宇

舰船电子工程 2023年9期

胡国欣周唯邵翔宇

（中国人民解放军91550部队大连 116023）

1 引言

弹目交会参数测量主要完成弹道倾角、弹道偏角、弹体姿态、弹靶相对位置等参数的测量［1］，其测量结果可以为导弹末制导精度评定、引战配合效能评估和杀伤效果判定等工作提供重要的数据支持，具有十分重要的军事意义。传统的弹目交会参数测量方法主要有雷达体制测量方法和基于常速、高速相机的光学观测方法两类［2～3］。但这两类方法在作用距离和场景适用方面还存在一定局限性，雷达体制测量方法在复杂电磁环境下易受干扰，测量精度大幅降低或无法解算，难以满足使用要求；光学观测方法易受外界能见度影响，无法满足全天候使用要求，同时，光学观测方法需要构建良好的几何观测图形，对观测地点选择、设备布站要求较高，多平台适应性较差，难以满足全场景使用要求。

面阵式激光雷达作为一种新型的高精度三维遥感测量技术，与上述两种测量技术相比，具有高分辨率、高帧频、结构紧凑、轻巧便携等优点［4］，使其可以灵活的应用于各种复杂环境和多种测量平台上，更适用于弹目交会参数的实时测量和解算。目前，面阵式激光雷达在车辆和无人机自动导航驾驶、目标跟踪定位、人脸和肢体识别等领域已经有了较为成熟的应用，但在弹目交汇参数测量方面的研究还比较少。

本文利用优化得到的目标运动模型，结合实验室成像式面阵激光雷达的采集频率和视场角和场地因素等参数，编写成像式面阵激光雷达的扫描运动目标过程的仿真程序，设置采集频率、视场角、探测距离等参数。利用仿真程序，得到N帧点云采集数据，采用凸包算法、灰度图和深度像融合等算法对图像进行增强和滤波处理，以使导弹弹体和轨迹更加清晰可辨，为后续的目标交会参数解算过程提供较为准确的技术支持。

2 可见光图像与激光点云信息融合

2.1 激光雷达与可见光相机联合标定方法

单一传感器不可避免地存在局限性，为了提高系统的稳健性，采取激光雷达与可见光相机联合标定的方法可实现测量信息融合，将激光雷达坐标系与可见光坐标系转换到同一坐标下，实现两传感器测量信息的空间同步。现有的联合标定方法主要有三类：采用棋盘格的标定方法、采用特定标志物的标定方法、采用普通物体的标定方法［5］。棋盘格的标定方法主要通过激光雷达和相机同时拍摄一张平面棋盘格靶标，根据激光雷达和相机之间的相对位置关系作为几何约束，从而确定激光雷达和相机之间的外参数。

本文采用棋盘格的联合标定方法。假设激光雷达坐标系下的点云坐标为（XL，YL，ZL），在像素坐标系下的坐标为（u，v）。则激光雷达与可见光相机联合标定原理可表示为

式中：K表示相机内参，R表示激光雷达坐标系到相机坐标系的旋转矩阵，T 表示平移矢量。通过选取大于6 对的二维图像与激光点云的匹配点对就可以对上式进行求解。

2.2 激光与可见光融合方法

基于视觉的飞行目标位姿测量方法由于无法获取目标深度信息导致无法精准判断目标姿态。而基于激光雷达扫描的目标位姿测量技术虽可以捕捉到目标深度信息，但在复杂的环境下受空间背景的影响捕获点云数较大，不利于长时间连续工作，且在目标本身运动速度较快时，激光雷达扫描点云比较容易产生畸变，从而影响目标测量精度。因此，本文采用激光雷达与可见光相机融合测量的方法，通过融合点云和可见光图像信息进行目标相对位姿测量。

在求解出相机内参和相机到激光雷达的外参后，将点云空间坐标投影到可见光图像坐标上，激光雷达到相机的转换矩阵由旋转矩阵RL-C(3×3)与平移矩阵TL-C(3×3)组成，相机的内参矩阵表示为Q(3×3)。为了实现激光点云空间坐标与图像坐标的相互转换，要求各转换矩阵为可逆矩阵。因此，将各转换矩阵均扩展成4×4 的矩阵，若点云空间坐标表示为P(XL'YL'ZL)，投影到图像像素坐标系的二维投影点云表示为Y(u'v)，则激光点云空间坐标到图像坐标的投影为

将点云数据和其对应像素进行叠加即可确定点云数据在像素坐标系中的位置。

3 面阵式激光雷达工作原理

3.1 雷达成像机理

面阵式激光雷达成像系统采用泛光或点阵方式照射到地面，然后通过面阵接收器接收地面不同地物反射回去的激光脉冲信号来确定地面目标的三维坐标信息［4］。其无需扫描装置，能并行测量代表一个面的多点距离信息，可快速地生成一幅三维图像。

由于导弹真实运动速度较快，对采集图像的硬件要求比较高，且真实雷达扫描过程存在危险性且价格昂贵，本文采用仿真程序来实现面阵式激光雷达对导弹飞行目标运动的扫描过程，为后续的配准和弹目交会参数解算等环节提供较为准确的技术支持。本文采用的模拟面阵式激光雷达探测器指标如表1。

表1 激光面阵雷达探测器指标

3.2 双切片法可见点云提取机制

由于面阵激光雷达视场角及分辨率导致扫描结果精度低、重建速度慢等问题，本文采用双切片法对可见点云进行提取，从而提高飞行目标可视点云的提取效率和精度，提取方法如图1所示。在雷达坐标系下，假设Z 轴负方向为雷达视线方向，首先沿X轴正方向对目标点云进行切片，如图1（a）所示，得到YOZ 平面上的点云数据，如图1（b）所示；然后将YOZ平面上的点云数据按照Y值大小排序，则Y值相同的情况下，Z值最大的点则为可视点，如图1（c）所示。但仅按照此种方式进行判别提取时，会造成大量的误判点的出现，因此在上述基础上，将Y 坐标值在一定阈值范围内分为一个判断点组，则该组内Z 值最大的点即为可视点，如图1（c）所示。

图1 可见点判别方法示意图

通过分析扫描驻留观测方式、可见点提取机制、成像分辨率以及成像噪声的添加等对目标进行成像建模［17］，具体流程如图2所示。

图2 雷达扫描成像机理仿真流程图

4 目标运动轨迹仿真

4.1 目标数学模型

考虑到目标运动影响因素，在分析目标的数学模型之前对模型进行如下假设［15］：

1）空气密度和重力加速度不随高度而变化；

2）目标所受水平风速恒定；

3）降落伞在下落张开后其有效受力面积不变；

4）降落伞打开的时间忽略不计；

5）将降落伞和目标看中一个整体且相对静止。

由于目标运动中受到外界多种因素影响，本文只考虑以上几种因素建立目标运动模型，后续模型还需考虑除上述更多影响因素。其中竖直方向的位移方程为

h 为降落伞下降的距离；k 为阻力系数；s 为降落伞的受阻面积；m为目标质量；g为自由落体加速度；t为降落伞下降过程中所用的时间。

水平方向的位移方程为

4.2 目标运动模型

根据需求用creo软件绘制出目标的三维形状，并导出点云txt 文件，为后续程序仿真提供原始模型。目标尺寸如图3所示，运动模型如图4所示。

图3 目标尺寸示意图

图4 目标运动模型示意图

5 图像增强与滤波

5.1 稀疏点云增强

由于雷达分辨率原因，目标反射回来的点数较少。可进行点云显著性增强处理［9］，图像显著性检测是计算机视觉领域中一个十分重要的研究方向［14］。图像的显著性描述了在一幅图像中各部分的重要程度，目标点云轮廓信息在交互测量任务中有着极其重要的地位。

针对点数覆盖少的问题，利用凸包理论，将扫描得到的目标稀疏点云的封闭轮廓进行包围提取，然后利用限制条件在该封闭轮廓内部进行点云填充。

凸包算法实例见图5，下面为凸包算法的工作流程［14］：

图5 凸包算法实例

1）在扫描得到的点云集合中选取y 坐标最大的疑点作为基点，如果存在多个点的y 坐标都为最大，则选择x 坐标最大的一点，坐标相同的点应排除；

2）然后计算其余角点与基点的连线与x 轴之间的夹角，并由小到大进行排序，查找夹角最小的角点；

3）将该角点与基点进行连线，得到凸包的一条边，并将该点更新为新的基点，使用上述方式继续进行查找；

4）重复上述步骤直至遍历完所有的角点，若最后一个基点与初始基点一致则查找结束，凸包构造完成，否则继续执行步骤2）。

具体流程图如图6所示。

图6 凸包算法流程图

5.2 灰度像与深度像融合

研究目标的提取与跟踪，考虑到目标的运动特性、几何特性和材料特性。当激光雷达距离监测面100m 时，其所能监测的高度为56.98m。而飞机抛洒目标时距离地面80m。该工况下落在目标上的点云覆盖点数较少，且目标运动速度过快会出现运动模糊和拖尾现象。只根据雷达点云数据很难还原目标运动状态。根据该成像特点，可以建立灰度图的像素坐标与点云数据像素坐标之间的点对点映射关系，结合粒子群优化等新型算法的边缘分割方法，将灰度图中目标分割后的坐标信息映射到三维点云数据中，得到其三维点云数据，将目标点云从点云背景数据中分离。将三维点云数据降维处理为二维图像处理，显著降低了计算复杂度，避免了点云数据误差对分割精度造成的影响。

此外，由于目标的几何结构和特性相对固定，使用第2 节中所提算法使彩色图像与面阵激光雷达深度信息像素级融合，利用目标的几何特性和图像信息还原目标的运动状态。具体的流程图如图7所示。