雷達紅外復(fù)合目標(biāo)識別技術(shù)研究

摘 要:雷達與紅外傳感器所獲取的信息能實現(xiàn)互補，可以改善對目標(biāo)識別跟蹤的效果。提出了雷達與紅外成像雙模目標(biāo)識別的方法，利用兩種獨立傳感器的信息互補性來構(gòu)造聯(lián)合特征向量，通過有序加權(quán)平均算子信息融合系統(tǒng)進行目標(biāo)識別。仿真實驗表明，采用這種方法能提高融合結(jié)果的穩(wěn)定性、可靠性。

關(guān)鍵詞:多傳感器; 信息融合; 目標(biāo)識別; 特征向量

中圖分類號:TN95-34文獻標(biāo)識碼:A

文章編號:1004-373X(2010)17-0007-03

Integrated Target Recognition with Radar and IR

AI Wei

(China Airborne Missile Academy， Luoyang 471009， China)

Abstract: Data from a radar and infrared imaging sensor have been widely used for implementation of complementary information and improvement of target tracking and recognition. The integrated target recognition based on radar and infrared imaging uses complementarity between the information of two independent sensors to construct an eigenvector， performs target recognition with ordered weighted averaging operator information fusion system. The simulation tests show that this new way can improve the stability and reliability of fusion.

Keywords: multi-sensor; information fusion; target recognition; eigenvector

0 引 言

目標(biāo)識別是模式識別的一個重要研究領(lǐng)域。國內(nèi)外以往采用單傳感器系統(tǒng)用于目標(biāo)識別和跟蹤[1]。由于單傳感器系統(tǒng)通常只提供識別跟蹤對象的部分信息，并且很大程度依賴于不同處理策略來提取信息，因而在目標(biāo)的截獲、識別、跟蹤方面存在一定的局限性。為了得到穩(wěn)健的目標(biāo)識別結(jié)果，有效的途徑之一是使用多源信息進行目標(biāo)識別[2-3]。本文提出一種雙模復(fù)合目標(biāo)識別方案，即用目標(biāo)雷達回波和紅外圖像的聯(lián)合特征進行復(fù)合目標(biāo)識別，以提高復(fù)合導(dǎo)引頭的目標(biāo)識別和抗干擾能力。復(fù)合目標(biāo)識別算法是整個方案的關(guān)鍵技術(shù)，本文采用有序加權(quán)平均算子進行復(fù)合目標(biāo)識別。

1 有序加權(quán)平均算子

有序加權(quán)平均算子(Ordered Weighted Averagin Operator，OWA)[3]是一種介于最大與最小算子之間的加權(quán)平均算子，可以用來有效地融合多組模糊和不確定的信息。

定義1 假設(shè)F:Rn→R，有一個與F相關(guān)聯(lián)的n維加權(quán)向量ω=(ω1，ω2，…，ωn)，ω1∈[0，1]，1≤i≤n，且∑ni=1ωi=ω1+ω2+…+ωn=1，使得F(a1，a2，…，an)=∑ni=1ωibi。其中，bi是數(shù)組(a1，a2，…，an)中第i個最大的元素，則稱F為n維的OWA算子，即有序加權(quán)平均算子。

定義2 設(shè)w為任一OWA算子的有序加權(quán)向量，則其“或”度量表示為:

orness(w)=1n-1∑ni=1(n-i)wi

(1)

其“與”度量表示為:

andness(w)=1-orness(w)

(2)

“或”度量和“與”度量表示了有序加權(quán)向量w“或”和“與”的程度。從以上定理不難看出，OWA加權(quán)向量前端部分?jǐn)?shù)值越大，越接近“或”算子，后端部分?jǐn)?shù)值越大，越接近“與”算子。

對于已知樣本觀測值和不知其集結(jié)值的情況，OWA算子權(quán)向量的確定方法目前主要有以下3種[4]:模糊量化法、最大熵規(guī)劃模型法、最小可變性規(guī)劃模型法。由于OWA算子的權(quán)向量不易解出，且計算量大，因而本文采用了一種基于最大熵規(guī)劃模型的近似解[5]，這種解法的計算量較小，可以滿足實時運算的要求。

2 雷達紅外復(fù)合目標(biāo)識別算法

單傳感器提取的信息往往是待識別目標(biāo)的不完全描述，而利用多傳感器的信息互補，可以消除多傳感器信息之間可能存在的冗余和矛盾，降低不確定性，并產(chǎn)生新的有意義信息。雷達目標(biāo)識別[1]一般是從目標(biāo)的雷達回波中提取目標(biāo)的有關(guān)信息標(biāo)志和穩(wěn)定特征再判明其屬性。它根據(jù)目標(biāo)的后向電磁散射來鑒別目標(biāo)，回波信號的幅值、相位、頻率和極化信息等均可被利用。識別過程一般可分為目標(biāo)數(shù)據(jù)的獲取、特征提取和分類判決。紅外成像傳感器獲取紅外圖像后，首先要把目標(biāo)從復(fù)雜的景物中分離出來，再提取紅外圖像特征，并與訓(xùn)練樣本的特征量進行匹配[6-7]，得到匹配百分比。紅外目標(biāo)識別過程一般可分為圖像預(yù)處理、圖像特征提取和分類判決。

利用雷達和紅外傳感器進行符合目標(biāo)識別的目的是充分利用兩者提供的互補信息，以獲得準(zhǔn)確的目標(biāo)識別結(jié)果，提高系統(tǒng)的抗干擾能力。雷達前端給出目標(biāo)的一維距離像，用FFT并取模提取平移不變特征，進行PCA特征壓縮;紅外前端給出紅外圖像，進行圖像預(yù)處理和特征提取。通過構(gòu)成雷達和紅外聯(lián)合特征向量組，目標(biāo)得到了較全面的刻畫，從而為面目標(biāo)的可靠識別提供了依據(jù)，本文采用OWA加權(quán)算子[8]進行復(fù)合目標(biāo)識別，方法如圖1所示。

圖1 復(fù)合目標(biāo)識別

在進行雷達和紅外復(fù)合目標(biāo)識別時，由于融合的是不同類的信息源，要考慮到兩類傳感器之間的相對重要性對融合結(jié)果的影響，可以采用基于OWA算子的加權(quán)信息融合方法，這需要對各識別信任度(屬性值)和重要性程度(屬性權(quán))進行合成轉(zhuǎn)換，具體的合成算法如下:

設(shè):

Gmax(pi，sij)=T(pi，sij)

Gmin(pi，sij)=T(pi，sij)

Gave=mdpi，sij

d=∑mi=1pi

(3)

則:

G=[high(c)Gmax+medium(c)Gave+low(c)Gmin]/

[high(c)+medium(c)+low(c)]

(4)

3 復(fù)合目標(biāo)識別在導(dǎo)引頭抗干擾上的應(yīng)用

采用雷達/紅外復(fù)合目標(biāo)識別的一個重要作用是提高抗干擾能力。在面臨各種光電干擾條件下，可以借助多模導(dǎo)引頭獲得的豐富信息來識別真假目標(biāo)，達到抗光電干擾的目的。比如拖曳式有源雷達誘餌[9]，如果誘餌的干擾功率足夠大，使雷達收到的誘餌功率大于雷達收到的目標(biāo)回波功率，那么導(dǎo)彈就會自動跟蹤誘餌而放棄飛機，或者跟蹤誘餌和飛機的“能量中心”，實現(xiàn)真正的角度欺騙。飛機與誘餌之間通過一根纜繩相連，因而誘餌具有與飛機相同的速度、航跡，目前雷達導(dǎo)引頭想要對抗拖曳式有源誘餌還比較困難。但如果導(dǎo)彈采用紅外探測技術(shù)，則可以大大降低拖曳式有源誘餌對導(dǎo)彈的欺騙作用。系統(tǒng)進行干擾判定，如果判定為拖曳式誘餌干擾，則依靠紅外傳感器從序列圖像中提取目標(biāo)特征來識別目標(biāo)，與目標(biāo)模板進行匹配，選擇置信度最高的目標(biāo)進行跟蹤，同時引導(dǎo)雷達傳感器使天線指向正確的目標(biāo)方向。當(dāng)紅外傳感器受到天氣、背景云層的影響不能正常跟蹤目標(biāo)，在復(fù)合目標(biāo)識別跟蹤過程中對紅外傳感器賦以較低的權(quán)值，以保證整個系統(tǒng)能夠正常地進行目標(biāo)的識別跟蹤。采用復(fù)合目標(biāo)識別方案可以使系統(tǒng)不會因單傳感器的失效而失效。

4 仿真實驗

在仿真試驗過程中，A，B兩類艦船目標(biāo)的觀測角都為45°。A目標(biāo)徑向距離為142.7 m，高度為10 m;B目標(biāo)徑向距離為167.5 m，高度為12 m。在信噪比為10 dB時各取兩類目標(biāo)128幅雷達一維距離像，見圖2，其距離分辨率為7.5 m。同樣各取兩類目標(biāo)128幅紅外圖像，見圖3。由于本文采用的是紅外仿真圖像，因而在仿真實驗中，對紅外圖像加了方差為0.6高斯白噪聲作為觀測噪聲(信噪比為12 dB)。

圖2 兩類目標(biāo)的雷達回波

對于一個待識別的目標(biāo)，雷達通過PCA特征壓縮后提取的特征向量設(shè)為(ξ1，ξ2);設(shè)紅外傳感器提取的特征向量為(ξ3，ξ4，ξ5，ξ6，ξ7，ξ8，ξ9)，它表示提取紅外圖像的奇異值特征后，進行降維壓縮的結(jié)果。把這兩組相互獨立的向量綜合成一組聯(lián)合特征向量:

(αξ1，αξ2，βξ3，βξ4，βξ5，βξ6，βξ7，βξ8，βξ9)

式中:α和β為各傳感器的權(quán)重系數(shù)。目標(biāo)特征向量的9個分量共同作用構(gòu)成目標(biāo)的空間特征向量。

圖3 兩類目標(biāo)的紅外圖像

實驗1:實驗條件是在雷達和紅外都能對目標(biāo)進行正常識別。實驗結(jié)果見表1，由實驗結(jié)果可以看出，由于基于雷達和紅外聯(lián)合特征的目標(biāo)識別方法是用了多個傳感器構(gòu)成的一組聯(lián)合特征向量來描述被探測的待識別目標(biāo)，獲得了對目標(biāo)較為完整的描述，因此識別效果比單傳感器的要好。

表1 實驗1目標(biāo)識別結(jié)果

A類目標(biāo) /%B類目標(biāo) /%

雷達特征識別率70.865.6

紅外特征識別率87.179.1

復(fù)合特征識別率91.789.4

實驗2:實驗條件是雷達傳感器受到干擾，對A類目標(biāo)識別率下降，對B類目標(biāo)不能正常識別。實驗結(jié)果見表2，僅僅依靠單元信息進行目標(biāo)識別，由于受到外界的干擾，識別準(zhǔn)確率低，而且可靠性差。采用復(fù)合目標(biāo)識別算法可以有效地利用各類信息之間的互補性，降低個別信息源受干擾帶來的不利影響，從而提高系統(tǒng)的識別率、可靠性和穩(wěn)健性，提高系統(tǒng)的抗干擾性能。

表2 實驗2目標(biāo)識別結(jié)果

A類目標(biāo) /%B類目標(biāo) /%

雷達特征識別率59.435.4

紅外特征識別率71.865.6

復(fù)合特征識別率86.778.3

5 結(jié) 語

在信息戰(zhàn)中，電子對抗的雙方此消彼長，不斷推動著識別技術(shù)的發(fā)展。目標(biāo)識別是電子對抗的必然產(chǎn)物。由于環(huán)境的復(fù)雜性，目標(biāo)特征的模糊性及不可量測性，給目標(biāo)識別跟蹤帶來了許多困難。多傳感器系統(tǒng)運用數(shù)據(jù)融合技術(shù)來克服單傳感器的缺陷，不同傳感器根據(jù)識別跟蹤對象的不同特征提供更精確的數(shù)據(jù)，并且在外界條件影響某一類型傳感器時，對整個系統(tǒng)相對無干擾。另外，通過使用不同傳感器的冗余信息，可提高目標(biāo)識別跟蹤系統(tǒng)的可靠性，因此研究多傳感器復(fù)合目標(biāo)識別方法有十分重要的意義。

參考文獻

[1]郭尊華，李少洪.高分辨率雷達距離像用于目標(biāo)識別的研究[J].系統(tǒng)工程與電子技術(shù)，2006，28(2):228-230.

[2]張平定，孫偉.模糊理論與D-S理論在指控系統(tǒng)目標(biāo)識別融合中的應(yīng)用[J].火力與指揮控制，2009，34(5):98-100.

[3]萬樹平.多傳感器目標(biāo)識別的改進灰關(guān)聯(lián)度法[J].計算機工程與應(yīng)用，2009，45(24):25-27.

[4]YAGER R R. On ordered weighted averaging aggregation operators in multi-criteria decision making[J]. IEEE Trans-actions on Systems， Man and Cybernetics， 1988， 18(1): 183-190.

[5]吳江.確定OWA算子權(quán)向量的二目標(biāo)規(guī)劃模型[J].武漢理工大學(xué)學(xué)報，2006，28(6):80-83.

[6]LANCE M K， WILLIAM Dale Blair， YAAKOV Bar-Shalom. Simulations studies of multisensor track association and fusion methods[J]. IEEE Aerospace Conf. Paper， 2006， 46: 1-16.

[7]GUAN Xin， HE You， YI Xiao. A novel gray model for radar emitter recognition[J]. IEEE， 2004， 48(12): 2116-2119.

[8]BYEONG Seok Ahn. On the properties of OWA operator weights functions with constant level of orness[J]. IEEE Trans.on Fuzzy Systems， 2006，14(4): 511-515.

[9]柳毅，高曉光，盧廣山.基于OWA聚合算子的多傳感器目標(biāo)識別[J].傳感技術(shù)學(xué)報，2006，19(2):530-533.

[10]CHANG K C， YEH M F. Grey relational analysis based approach for data clustering[J]. IEE Proc. Vis.Image Signal Process.， 2005， 152(2):165-172.