快速區(qū)分目標與云霧的方法研究*

衛(wèi)媛媛，賀 偉

（西安郵電大學，西安 710065）

0 引言

掃描探測體制激光成像引信利用激光束探測目標，具有對目標的主動全向探測能力、探測視場方向尖銳、不易受電子干擾等特點。然而由于工作波段的原因，激光成像引信也受云霧，特別是空氣懸浮粒子的后向散射影響較大。在復雜戰(zhàn)場背景、導彈與目標高速交會的情況下，對云霧目標進行精確和快速的辨別比較困難［1］，這也一直是激光成像引信發(fā)展和應用的“瓶頸”問題之一。國內(nèi)外對此也提出了一些識別方法，文獻［2］提出了利用曲線段特征、字塊特征等方法進行目標局部圖像識別。文獻［3］提出了用矩不變特征進行飛機目標識別。文獻［4］提出了一種基于形態(tài)點特征的方法進行目標識別。由于彈目交會時獲得的是局部圖像，信息比較少，交會姿態(tài)復雜，這些識別方法的適應性不強，辨別速度不夠快，所以提出了一種根據(jù)目標角點和角點區(qū)域的矩形度來辨別云霧與目標的方法。

1 激光成像引信和常用目標特性識別方法

1.1 激光成像引信

激光成像引信主要由光學掃描機構、激光發(fā)射接收、目標辨別處理等單元組成。圖1為激光成像引信示意圖。激光成像引信可以獲取目標的方位、局部幾何形狀、距離等信息。如何對目標圖像進行處理，有效提取目標特征以實現(xiàn)快速辨別云霧和目標是激光引信的關鍵研究方向之一。

圖1 激光成像引信探測裝置的原理圖

1.2 激光掃描建模

激光掃描過程并不是全覆蓋，而是一種點覆蓋，像素點之間存在著一定間隔［7］。為了能夠在高速彈目交會時有效探測目標，為后續(xù)云霧目標辨別提供更準確的數(shù)字二值圖像，下面對影響回波數(shù)據(jù)的因素進行建模分析，激光掃描探測區(qū)域示意圖如圖2。

圖2 激光成像引信軸向掃描探測區(qū)域示意圖

假設激光引信脫靶量a為5m，作用距離b為8m。在激光掃描點成像過程中，激光光束隨著掃描電機棱鏡的旋轉，照射出一串的信號回波。隨著棱鏡掃描和導彈與目標的相對運動，目標各個部位進入探測區(qū)域從而完成對目標的探測。圖3為目標探測到的掃描點的示意圖。假設在飛機與導彈迎面飛行的極端情況下，相對高速彈目交會速度約為1000m/s或者更高，在彈軸方向上渡越距離為d=0.8m。

圖3 掃描點分布

對于激光成像引信來說，探測距離不會太大，一般在十幾米內(nèi)。要滿足實際高速彈目交會要求，激光成像引信至少應在交會時適時判斷識別出目標。根據(jù)計算識別算法的實際處理時間應在8ms以內(nèi)，為滿足引戰(zhàn)配合的需要，因此要求算法簡單且快速。

1.3 常用目標識別特性

由于激光成像引信工作于特殊環(huán)境，探測到的目標圖像極其復雜，且多是不完整的局部圖像［6］（見圖4），所以只能通過諸多局部特征的提取來識別目標與云霧。常用的局部目標特征有不變矩、邊緣特征、線矩等。

圖4 各種交會條件下的飛機目標二值圖像

1）不變矩

不變矩反映了物體灰度相對于質(zhì)心的統(tǒng)計分布情況，具有平移、旋轉和比例不變性，是表征不變量方面比較成熟的方法［3］。在二維不變矩中，常用的有階數(shù)小于3的7個不變矩。但是由于這種方法是基于全局圖像的，所以運算量比較大，而且它只能計算連續(xù)的輪廓，不能清晰的顯示飛機目標的局部輪廓。

2）邊緣特征

邊緣是圖像局部特征變化比較顯著的部分，采用邊緣檢測獲得的邊緣點以及邊緣線可以反映出目標的輪廓信息［2］。但是由于實際應用的運行速度需在8ms內(nèi)，所以無法通過提取圖像邊緣特征快速的進行云霧目標辨別。

2 基于角點和矩形度的目標辨別

利用角點和矩形度進行目標辨別，包括角點特征的提取和角點區(qū)域矩形度的計算。

2.1 角點特征算法

角點是圖像中灰度變化劇烈的點，包含位置、夾角、邊界形狀等豐富的信息而且相對要處理的數(shù)據(jù)量比較小。Harris算法應用比較廣泛。

Harris角點檢測是基于像素灰度變化的，角點附近往往是像素灰度值變化非常大的，梯度也非常大。若對二值圖像數(shù)據(jù)上的點分別求取x、y方向上的灰度變化值，就可判斷是否為角點。其中灰度變化度量的解析式設為:

式中:Ex，y為灰度變化量;ωx，y為一個高斯滑動窗口函數(shù)，用高斯函數(shù)代替二值窗口函數(shù)，對離中心點越近的像素賦予越大的權重，以減少噪聲影響;I為圖像的像素灰度值。尋找?guī)в薪屈c的窗口，需要搜索像素灰度變化較大的窗口，于是期望最大化Ex，y，將其化為二次型并進行對角化處理得到下式:

式（3）提取了兩個特征值λ1、λ2，可以用來描述兩個主要方向上信號的變化。將兩個特征值混合計算得出單一的強度值R，這個值也就是Harris的角點響應函數(shù)R如下式:

R決定了這個窗口中是否包含了角點，當目標點的R大于給定的閾值，則該點為角點。Harris算法計算了每一個像素點上的R值，從而求出二值圖像數(shù)據(jù)上的所有角點。

2.2 角點區(qū)域的矩形度

當目標的邊界已知時，數(shù)學上可以用最小外界矩形來描述基本形狀。先確定目標的主軸，再求出物體在主軸上的長度和與之垂直方向上的寬度，這樣就得到目標的水平和垂直跨度，這也就是目標的最小外接矩形如圖5所示。

圖5 最小外界矩形

矩形度反映目標對其最小外接矩形的充滿程度，也就是目標的面積與其最小外接矩形面積的比值用式（5）來描述:

其中:A0為目標的面積;AMER為最小外接矩形的面積。根據(jù)矩形度這個形狀特征可以排除一些孤立的噪聲干擾。

2.3 特征提取及識別流程

激光引信探測系統(tǒng)的工作原理和應用場合決定了其獲取的飛機圖像信息的分辨率不會很高［9］。但是在飛機邊緣的交界處、被遮擋的邊緣等部分一般都是穩(wěn)定的、像素變化比較大的點。而角點正是兩個邊緣變化方向上變化比較大的點，利用這一點相似性可以檢測出飛機目標。在各種高速彈目交會情況下，用Autodesk 3Ds Max軟件對三維F-15戰(zhàn)機進行模擬，用得到的二維圖像矩陣進行方法的驗證。經(jīng)過上面的Harris角點特征分析得出:

1）一般情況下探測器接收到的云霧、小物體等干擾圖像的矩陣信息多為隨機、少數(shù)、孤立的噪聲點，所以能提取到的角點數(shù)量是非常少的，幾乎沒有角點可提取。

2）飛機目標在迎頭交會時最先掃描到的是前機身，然后是中機身和機翼，最后是發(fā)動機和尾翼。前機身部位主要是一條機頭主軸和一些小突起，能夠提取到一定角點。尾追交會由于激光光束先掃過尾翼、發(fā)動機區(qū)域，然后是機翼和中機身、前機身。尾翼較早出現(xiàn)，其影響區(qū)的灰度值與其它部位的灰度值差異較大，所以尾追交會時也會出現(xiàn)明顯的角點特征。

為進一步排除干擾，需用角點區(qū)域矩形度進一步確定有角點特征的區(qū)域就是飛機目標。分析得到云霧干擾具有不確定性，外界矩陣大，矩形度小;飛機目標的角點較集中，其最小外界矩形相對較小，矩形度相對云霧大很多。根據(jù)以上的分析得出用角點特征和角點區(qū)域矩形度進行云霧目標辨別的流程見圖6。

圖6 云霧目標辨別流程圖

其中，角點閾值T1、矩形度閾值T2是通過大量的實際測量數(shù)據(jù)得到。本項目是通過對比100個不同飛行姿態(tài)的飛機局部圖像與模擬云霧圖像的角點數(shù)量及矩形度最后得出閾值。處理的圖像數(shù)量越多，得到的閾值越精確。

3 實驗及仿真

通過Autodesk 3Ds Max軟件對云霧、F-15戰(zhàn)機各種飛行姿態(tài)進行模擬，用得到的大量局部飛機圖像數(shù)據(jù)進行了圖像處理。

3.1 不同掃描行對提取角點的影響

在相同的戰(zhàn)機飛行姿態(tài)下，對不同的掃描行數(shù)圖像數(shù)據(jù)提取角點見表1。假設圖像中一個像素點為一個掃描點，每列都是40個像素，行像素則從10到30行遞增代表掃描行數(shù)的增加。當掃描行數(shù)大于20行時可以識別出較為穩(wěn)定的角點數(shù)量;當行數(shù)小于20行時，由于數(shù)據(jù)太少所以無法判斷。所以后續(xù)仿真實驗采用20行掃描數(shù)據(jù)來驗證云霧目標辨別方法。

表1 不同掃描行的角點個數(shù)統(tǒng)計

硬件實現(xiàn)可以用高速DSP芯片。DSP執(zhí)行一條指令的時間小于1ns。文中提出的角點算法是基于整幅圖像數(shù)據(jù)來求灰度變化量，指令最多約20000條。假設每條指令10ns，在DSP上運行完算法需要0.2ms，可以達到高速彈目交會時云霧目標辨別的實際處理時間，與傳統(tǒng)的識別方法相比速度要快。

3.2 模擬云霧與飛機目標的角點數(shù)差異

對相同掃描行數(shù)的數(shù)據(jù)圖像提取角點，并計算角點數(shù)量，數(shù)據(jù)見表2。可以看出云霧的角點數(shù)量為0，與飛機的角點數(shù)量差異很大，大量計算得出一個閾值T1，當角點數(shù)量大于閾值則為飛機，小于閾值則為云霧。本實驗取T1為1。

表2 飛行與云霧的角點數(shù)量差異

3.3 模擬云霧與飛機目標的矩形度差異

在角點提取的基礎上，計算出角點分布區(qū)域的最小外接矩的矩形度，仿真數(shù)據(jù)見表3。可以得出飛機和云霧的矩形度是有很大差異的，大量計算得出一個閾值T2，當矩形度大于閾值則為飛機，小于閾值則為云霧。本實驗取T2為7%。

3.4 不同姿態(tài)對提取角點的影響

對大量F-15戰(zhàn)機各種飛行姿態(tài)進行模擬得到的測量數(shù)據(jù)分析。仿真結果顯示角點多數(shù)分布在機頭、機翼、機尾處、見表4。

表3 飛行與云霧矩形度差異

表4 不同飛行姿態(tài)角點個數(shù)統(tǒng)計

通過對100個不同飛行姿態(tài)和不同角度的飛機局部圖像的處理，結果表明93% 的目標物可以用提取出來的角點特征進行區(qū)分識別。

4 結論

文中提出了一種基于角點特征和角點區(qū)域矩形度的目標與云霧區(qū)分方法。該方法對仿真出來的目標矩陣圖像提取角點，然后根據(jù)角點位置計算出角點區(qū)域的矩形度大小，最后用這兩個值來辨別云霧目標。利用Autodesk 3Ds Max軟件對F-15戰(zhàn)機的各種飛行姿態(tài)進行模擬，用得到的圖像數(shù)據(jù)進行方法驗證。仿真結果表明，該方法比傳統(tǒng)的目標特性識別方法具有明顯的速度優(yōu)勢，可以實現(xiàn)快速區(qū)分云霧與目標，表明該特征具有一定的抗云霧干擾能力，很適合復雜戰(zhàn)場環(huán)境需要。不足之處在于只是從戰(zhàn)機模型的圖像數(shù)據(jù)進行研究，在實際的應用中還有待于進一步的改進。

［1］徐永超，賀偉.基于變換探測功率的云霧后向散射識別［J］.探測與控制學報，2013，35（1）:25－28.

［2］王炎，鄭鏈，王克勇.用于成像引信圖像識別的局部特征提取技術［J］.紅外技術，2001，23（5），20－23.

［3］李迎春，陳賀新，楊建波，等.基于矩不變的飛機識別算法［J］.吉林大學學報:信息科學版，2002，20（3）:15－19.

［4］王剛，賀偉，董衛(wèi)斌，等.一種基于形態(tài)點特征的目標識別方法［J］.探測與控制學版，2010，32（6）:18－22.

［5］Zunhua Guo，Shaohong Li，Weixin Xie.Automatic target recognition of aircrafts using translation invariant features and neural networks［C］//ICSP2008Signal Proceedings，9th Intermational Conferenceon，2008.

［6］SONG Chengtian，WANG Keyong，ZHENG Lian.An image processing system research on target and rendezvous status identification of missile and plane［C］//2008Congress on Image and Signal Processing，2008.

［7］魏斌，鄭鏈，王克勇，等.用于近距目標探測的激光成像引信技術［J］.激光雜志，2005，26（6）:10－12.

［8］王克勇，宋承天，王炎，等.基于知識的飛機目標灰度圖像部位識別方法研究［J］.制導與引信，2003，24（1）:49－52.

［9］鄧甲昊.成像引信聯(lián)合變換相關目標識別關鍵技術［J］.探測與控制學報，2012，34（1）:1－5.