基于模糊識別的線陣掃描激光引信目標識別算法

雷 蕾，劉 星，郭淑玲

(1.西安工業(yè)大學(xué)，陜西 西安 710021；2.西北工業(yè)集團有限公司，陜西 西安 710043)

0 引言

激光成像引信具有方向性強、分辨率高、抗電磁環(huán)境干擾能力強等優(yōu)點，可迅速獲取目標的三維輪廓信息，獲得穩(wěn)定的目標形狀特征信息。線陣推掃式激光引信采用線陣APD光電探測器作為接收器件，在掃描過程中，可獲取目標逐行像素的距離和強度信息，具有結(jié)構(gòu)簡單、成像速率高等優(yōu)點，對低速和高速運動目標均可進行快速成像[1]。在應(yīng)用于掠飛彈藥平臺時，這種成像方式具有較大的探測視場，成像效率明顯高于單元探測器的二維旋轉(zhuǎn)掃描方式，且成本較低，符合引信產(chǎn)品的設(shè)計要求。同時由于線陣探測器陣元數(shù)目多，通過不同的布局結(jié)構(gòu)設(shè)計能獲得較高分辨率的圖像，使引信具備目標易損部位的識別功能，提高了彈藥的毀傷能力。激光成像引信是目前近場探測技術(shù)研究的重要方向。

激光三維成像作為一種新型的非合作目標三維圖像獲取技術(shù),高效的回波信號處理和目標三維重構(gòu)方法是提高其探測識別能力的前提[2]。目前對激光成像引信目標識別算法的研究主要分為基于圖像特征的識別算法和基于模型匹配的識別算法兩類。其中，模型匹配識別算法建立目標的CAD模型，通過目標與CAD模型進行匹配實現(xiàn)目標識別[3]。文獻[4]通過獲取目標幾何形狀特性，應(yīng)用自旋圖找到目標點與模型點之間的對應(yīng)關(guān)系，再利用迭代最近點法實現(xiàn)目標與模型的匹配完成目標識別?；趫D像特征的識別算法通過對目標圖像進行特征提取，采用實測或仿真圖像訓(xùn)練分類器實現(xiàn)目標識別。Koksal[5]提出一種基于統(tǒng)計模型的目標識別方法，應(yīng)用邊緣跟蹤提取目標距離像的輪廓邊緣作為特征，然后建立特征的統(tǒng)計模型，通過與目標模型庫作匹配實現(xiàn)軍用車輛目標的識別。這兩類識別算法均能獲得較好的分類識別效果，但算法相對復(fù)雜，運算實時性難以滿足彈載使用要求。本文針對上述問題，提出了基于模糊識別的線陣掃描激光引信目標識別算法。該算法通過對線陣掃描激光引信所得單次截面輪廓的關(guān)聯(lián)度計算，應(yīng)用模糊識別算法實現(xiàn)目標判別，算法實時性好，提高了目標匹配識別速率。

1 灰色關(guān)聯(lián)分析

線陣掃描激光引信探測所得距離像可反映目標的截面形狀信息，而灰色關(guān)聯(lián)分析基本思想是根據(jù)序列曲線幾何形狀來判斷不同序列之間的聯(lián)系是否緊密[6]。對線陣掃描目標識別建模后，通過灰色關(guān)聯(lián)分析對目標與待識別目標相對應(yīng)截面的輪廓折線序列從幾何形狀、相對于始點的變化速率進行分析計算，最后通過灰色綜合關(guān)聯(lián)度得到兩序列之間的相似程度。在序列趨勢變化過程中，若兩個序列因素變化的趨勢具有一致性，即同步變化程度較高，即說明二者關(guān)聯(lián)程度較高；反之，則較低。

1.1 灰色絕對關(guān)聯(lián)度

設(shè)系統(tǒng)行為序列X1與X2的長度相同且皆為1時距序列X1=[x1(1),x1(2),x1(3),…,x1(n)]；X2=[x2(1),x2(2),x2(3),…,x2(n)]的始點零化像分別為：

則，

(1)

(2)

(3)

(4)

稱為X1與X2的灰色絕對關(guān)聯(lián)度，簡稱絕對關(guān)聯(lián)度[7]。

絕對關(guān)聯(lián)度用于測度序列X1與X2在幾何形狀上的相似程度。X1與X2在幾何形狀上越相似，ε12越大，否則越小[8]。

1.2 灰色相對關(guān)聯(lián)度

則，

(5)

(6)

(7)

(8)

灰色相對關(guān)聯(lián)度是序列X1與X2相對于始點的變化速率之間聯(lián)系的表征，X1與X2的變化速率越接近，γ12越大，否則越小[8]。

1.3 灰色綜合關(guān)聯(lián)度

設(shè)序列X1與X2長度相同且初值不等于零，ε12和γ12分別為X1與X2的灰色絕對關(guān)聯(lián)度和灰色相對關(guān)聯(lián)度，θ∈[0,1]，則稱

ρ12=θε12+(1-θ)γ12

(9)

為X1與X2的灰色綜合關(guān)聯(lián)度，簡稱為綜合關(guān)聯(lián)度[9]。

灰色綜合關(guān)聯(lián)度既體現(xiàn)了折線X1與X2的相似程度，又反映出X1與X2相對于始點的變化速率的接近程度，是較為全面地表征序列之間聯(lián)系是否緊密的一個數(shù)量指標。一般地，可取θ=0.5，如果對絕對量之間的關(guān)系較為關(guān)心，θ可適當取大一些；如果對變化速率比較側(cè)重，θ可取小一些。

2 線陣掃描目標識別方法

在線陣掃描激光引信對目標特征輪廓進行掃描的過程中，得到目標的輪廓信息矩陣。本文將標準目標輪廓信息矩陣模型與待識別目標所得到的掃描信息矩陣進行對比。采用灰色關(guān)聯(lián)分析將信息矩陣中的列信息和行信息進行關(guān)聯(lián)度分析，轉(zhuǎn)化為隸屬度。通過對M行信息和N列信息的隸屬度計算，進而采用模糊綜合評價最終得到目標的模糊識別結(jié)果。

2.1 線陣掃描目標識別模型

線陣掃描激光成像引信探測模式是通過線陣器件本身結(jié)構(gòu)實現(xiàn)一維掃描，由引信載體的飛行實現(xiàn)另一維掃描而進行成像的[10]，如圖1所示。激光引信采用N元激光發(fā)射模塊及線陣探測器，目標的反射回波信號經(jīng)線陣探測器接收后，得到目標上對應(yīng)N點的距離值[11]。隨著載體的飛行得到目標輪廓各點的距離值，對得到的距離數(shù)據(jù)進行處理，經(jīng)變換后可獲得目標的真實輪廓數(shù)據(jù)，目標識別流程見圖2。

圖1 線陣掃描目標識別探測過程Fig.1 Detection process of linear array scanning target recognition

圖2 目標識別流程框圖Fig.2 Flow chart of target recognition

設(shè)目標的長寬高分別為L×W×H，激光引信的脈沖頻率為f，線陣探測器的單元個數(shù)為N，線陣掃描激光引信平臺在距離目標R高處對目標進行掃描，彈載平臺的飛行方向與車輛目標保持水平。N元線陣探測器照射目標的N個點得到目標N個點的距離信息，將這探測一次的距離信息序列用向量形式表示為

X=(x1,x2,x3,…,xn)T

隨著彈體的飛行，整體車輛目標探測會被線陣探測器掃描m次，掃描后得到m個距離信息序列，表示成序列矩陣為：

若激光引信對車輛目標橫向掃描進行目標探測，則矩陣Xi的行信息為目標橫截面折線序列，矩陣Xi的列信息為目標縱截面折線序列。同理，若激光引信對車輛目標縱向掃描進行目標探測，則矩陣Xi的行信息為目標縱截面折線序列，矩陣Xi的列信息為目標橫截面折線序列。

由于戰(zhàn)場環(huán)境中彈目交會角度和姿態(tài)多變，線陣掃描得到的目標三維輪廓信息矩陣需要通過坐標轉(zhuǎn)換的方法將其轉(zhuǎn)化為目標的標準輪廓信息矩陣再進行識別，本文討論的矩陣為已經(jīng)進行轉(zhuǎn)化的目標標準三維輪廓信息矩陣。研究中將線陣掃描激光引信一次探測所得目標距離信息用向量形式表示，建立一個m行n列的距離信息矩陣，該矩陣涵蓋車輛目標三維特征輪廓距離信息，通過對比目標與待識別目標相同截面的折線序列判斷目標與待識別目標之間的相似程度，隨后將通過設(shè)定的算法完成目標的識別。

2.2 線陣掃描目標識別機理

用線陣掃描激光引信對目標的標準模型進行橫向(縱向)掃描，得到目標頂部高程信息規(guī)則庫矩陣Xi，在對待識別目標進行掃描時，以同樣的掃描方式得到待識別目標區(qū)域的頂部高程信息矩陣Xj。將矩陣Xi與Xj的列信息和行信息通過灰色關(guān)聯(lián)分析得到兩矩陣一一對應(yīng)的單序列之間的綜合關(guān)聯(lián)度ρij。直到兩個矩陣的所有列序列和行序列全部對比分析結(jié)束，得到(n+m)個綜合關(guān)聯(lián)度，并對其進行等級劃分，其中a等級為ρij∈[0.95,1]，b等級為ρij∈[0.8,0.95)，c等級為ρij∈[0.7,0.8)，d等級為ρij∈[0.6,0.7)，e等級為ρij∈[0.5,0.6)。目標識別結(jié)束。

2.3 線陣掃描目標識別算法

1)建立因素集

因素集是指以影響評價對象的各因素為元素組成的集合。現(xiàn)有因素集為U=(u1,u2,…,un,un+1,…,un+m)，評價因素集含有5個一級因素，記為U=(U1,U2,U3,U4,U5),其中U1，U2，U3，U4，U5分別表示“等級a、等級b、等級c、等級d、等級e”；同時有n+m個二級因素，將二級因素記為U1=(u1,u2,u3,…,uq1)，U2=(u1,u2,u3,…,uq2)，U3=(u1,u2,u3,…,uq3)，U4=(u1,u2,u3,…,uq4)，U5=(u1,u2,u3,…,uq5)。

2)建立評價集

評價集是指以評價主體為元素組成的集合。設(shè)有5個評價主體，構(gòu)成評價集V=(v1,v2,v3,v4,v5)，其中v1，v1,v2,v3,v4,v5分別表示“是目標，幾乎是目標，像目標，不太像目標，不是目標”。

3)分配權(quán)重

二級因素中各因素的權(quán)重均相等，即

4)單因素評判

建立一個從U到V的模糊映射

ui

其中，0≤rij≤1，i=1,2,3,…,n+m,j=1,2,3,4,5。

(10)

(11)

(12)

(13)

(14)

其中，i=1,2,3，…，n+m。

則單因素評判矩陣為:

(φ=1,2,3,4,5;λ=q1,q2,q3,q4,q5)

作一級綜合評判，考慮到二級因素均起作用，對所有因素依權(quán)重大小均衡兼顧，用加權(quán)平均模型模型

M=(·,+)

(15)

計算得

對于第一級因素集U=(u1,u2,u3,u4,u5)，權(quán)重為W=(w1,w2,w3,w4,w5)，令總單因素評判矩陣為：

作二級綜合評判，得

根據(jù)最大隸屬原則判斷出目標的識別隸屬度，設(shè)定當隸屬度大于等于0.95時判斷待識別目標即為所要識別的目標。

3 實驗及仿真分析

實驗過程中，對3種車輛目標進行具體輪廓測量，基于Matlab將激光引信所得數(shù)據(jù)進行仿真，得到目標空間三維幾何特征的輪廓圖像。線陣掃描激光引信對目標以及各待識別目標均以橫向掃描的方式探測掃描，在垂直距離目標及待識別目標20 m處進行探測?，F(xiàn)假設(shè)彈體平臺飛行速度為200 m/s，線陣探測器為32元探測器，探測頻率為10 kHz。

為驗證算法的有效性，實驗時建立了三組模型目標與待識別目標進行對比分析。圖3中的第一個仿真模型圖為輸入標準對比目標的特征數(shù)據(jù)，記為目標1，第二個仿真模型圖為待識別目標，記為目標2，圖7中第二個仿真模型為待識別目標，記為目標3。則進行算法驗證的三組對比模型分別為：目標1與目標2，目標1與目標3及目標1與其自身進行對比識別。

3.1 目標1和目標2

如圖3所示為目標1與目標2通過Matlab將激光引信所得數(shù)據(jù)進行仿真得到的三維幾何特征輪廓圖像。

圖3 目標1和目標2的空間三維幾何特征輪廓圖像Fig.3 Spatial 3D geometric feature contour images of target 1 and target 2

對目標1和目標2的數(shù)據(jù)矩陣Xi與Xj所對應(yīng)的行和列進行灰色關(guān)聯(lián)分析。基于灰色關(guān)聯(lián)分析方法，通過灰色綜合關(guān)聯(lián)度ρij的大小對進行對比分析的兩序列折線聯(lián)系的緊密程度進行衡量。如圖4所示，為目標1與目標2在橫向掃描方式下的一處截面序列折線圖，當兩序列完全重合時，ρij的值達到0.996 7，接近于1。

圖4 目標1與目標2橫向截面序列折線圖Fig.4 Objective 1 and target 2 cross section sequence line diagram

在對所有目標1與目標2的序列折線圖分析后可知，目標1與目標2的基本三維幾何輪廓圖像相同，不同之處在于目標1車輛頂部有菱形平臺?，F(xiàn)對車輛目標頂部截面折線圖分析有，圖5為菱形平臺的部分變化趨勢。

圖5 菱形平臺部分變化趨勢圖Fig.5 Trend diagram of partial variation of diamond platform

對具有變化趨勢的兩序列所得ρij進行分析如圖6所示，通過灰色關(guān)聯(lián)分析將菱形平臺可以完全識別并得到正確的關(guān)聯(lián)度。

圖6 菱形平臺序列ρij變化趨勢圖Fig.6 The change trend of the diamond graph platform sequence ρ_ij

根據(jù)最大隸屬原則可知目標1與目標2的隸屬度為0.932 0，隸屬度并未達到0.95，所以目標2與目標1并不是同一目標。

3.2 目標1和目標3

如圖7所示為目標1與目標3的三維幾何特征輪廓圖像。

圖7 目標1和目標3的空間三維幾何特征輪廓圖像Fig.7 Spatial 3D geometric feature contour images of target 1 and target 3

對所有目標1與目標3的序列折線圖分析，即對目標1和目標3的數(shù)據(jù)矩陣Xi與Xj所對應(yīng)的行和列進行灰色關(guān)聯(lián)分析。圖8為車頂部兩個縱向截面序列折線圖；圖9是車前部分兩個橫向截面序列折線圖；圖10是在目標1菱形平臺處目標1與目標3的橫向截面序列折線圖。灰色關(guān)聯(lián)分析可以對各序列折線得到正確的關(guān)聯(lián)度。

圖8 目標1與目標3的車頂部縱向截面序列折線圖Fig.8 Sequence line diagram of the longitudinal section of the vehicle top 1 and target 3

圖9 目標1與目標3的車前部分橫向截面序列折線圖Fig.9 Sequence line diagram of the transverse section of the front part of the target 1 and target 3

圖10 目標1與目標3菱形平臺處的橫向截面序列折線圖Fig.10 Crosswise cross section sequence diagram of target 1 and target 3 rhombus platform

通過灰色關(guān)聯(lián)分析圖表顯示及對應(yīng)的關(guān)聯(lián)度知，目標1和目標3有著完全不同的輪廓特征，總體趨勢不相同。在得到138個灰色綜合關(guān)聯(lián)度ρij后，將其進行等級劃分，通過模糊綜合評價對兩目標整體上進行隸屬度的判斷。

灰色綜合關(guān)聯(lián)度ρij按照等級劃分值被劃分為5個等級，等級a有85個二級因素，二級因素權(quán)重均相同為1/85；等級b有30個二級因素，各因素權(quán)重為1/30；等級c與等級d均有9個二級因素，權(quán)重為1/9；等級e有5個二級因素，二級因素權(quán)重為1/5，即各級因素權(quán)重分配如表1所示。

表1 各級因素權(quán)重值

經(jīng)模糊映射得到的二級因素的五個評判矩陣R1、R2、R3、R4、R5，則最終評判矩陣為：

即：

則

(0.018 5 0.083 0 0.200 3 0.558 1 0.153 2)

根據(jù)最大隸屬原則得，目標1與目標3的最終隸屬度為0.558 1，隸屬度大小距0.95相差較遠，可確定判斷目標1與目標3不是同一目標。

3.3 目標1自身識別

基于目標1與其自身進行算法的驗證，對數(shù)據(jù)矩陣Xi所對應(yīng)的行和列進行自身灰色關(guān)聯(lián)分析。通過灰色關(guān)聯(lián)分析方法得到138對完全重合的兩序列對比折線圖，每對序列的ρij的值接近于1或等于1。將這138個灰色綜合關(guān)聯(lián)度ρij進行模糊綜合評價，得到目標1與其自身的識別隸屬度為1，即進行判定的目標是規(guī)則庫中的目標，完成目標識別過程。

4 結(jié)論

本文根據(jù)線陣掃描激光引信的成像特點，提出了基于模糊識別的線陣掃描激光引信目標識別算法。該算法通過對線陣掃描目標識別模型進行數(shù)學(xué)建模，采用灰色關(guān)聯(lián)分析計算目標與待識別目標單個輪廓關(guān)聯(lián)度，進而應(yīng)用模糊綜合評價完成真實目標與待識別目標的判別。仿真結(jié)果表明該算法具有較好的目標識別及目標類型判別能力，特別適用于對目標識別算法實時性要求較高的彈目交會環(huán)境。本文提出的判定方法易采用微處理器實現(xiàn)，并可以通過調(diào)整掃描頻率以適用不同的目標識別精度要求，也可根據(jù)戰(zhàn)場需要預(yù)先設(shè)定目標類型，對目標的易損部位信息進行裝定，實現(xiàn)對炸點的精確控制。