張勇 李甜田 周軍華 徐娜

(中國電子科技集團公司第二十七研究所 河南省鄭州市 450015)

1 概述

光電搜跟技術主要是利用紅外、微光、可見光、激光等光學探測設備，實現對車輛、行人、船舶、飛行器等地面、水面及空中目標的自動搜索、捕獲、識別，同時通過計算脫靶量控制伺服機電控制系統運動，實現對目標的實時跟蹤。

作為光電搜跟系統中需要解決的核心問題之一，基于光電信息的目標檢測和智能識別一直是該領域的重要研究方向。早期的目標檢測算法大多是基于滑動窗口的手工特征構建的，Viola-Jones 檢測器，НOG 行人檢測器，可變形部件模型等。但是，由于傳統檢測方法在識別問題上存在的對復雜環境識別精度低，模型構建通用性不強等特點，這些方法并不能得到廣泛的應用。2012年卷積神經網絡在ImageNet 分類任務中取得了巨大成功，2013年Girshick 等[1]人率先提出了區域卷積網絡目標檢測識別框架（Regionswith CNN features，R-CNN），自此人工智能技術在光電探測、搜索、識別和航跡關聯方面的應用研究開始快速發展。

2 光電搜跟技術體制

2.1 傳統工作模式

傳統搜跟系統搜索部分通常由雷達作為目標探測捕獲的信息源，通過雷達對光電跟蹤設備引導指示進行精細化跟蹤，傳統的雷達-光電搜跟系統通常由這兩部分構成。雷達作為“眼睛”，可以寬視場大范圍實現對目標的廣角探測預警，光電系統是在光頻對目標進行精確跟蹤，便于觀察確認目標。指揮部決策者通常可以依據該系統，實現對目標探測-跟蹤-決策一體化快速管控。

在傳統搜跟體制下實際中雖然取得了廣泛的應用，但也存在著雷達主動探測體制容易被電子對抗設備發現和打擊、雜波干擾，成本造價高等弱點。近些年來光電探測器成像探測能力（寬天候、全天時）、探測作用距離、高效人工智能圖像信號處理技術的快速發展，使得光電搜跟技術逐漸成熟并成為工程應用的熱點。

2.2 光電搜跟技術工作模式

光電搜跟技術是集光、機、電、控制與信號處理于一體的多技術手段集成體制，通過光學探測目標、經圖像處理檢測與識別得到目標脫靶量，控制伺服運動機構實時運動，實現對目標的有效捕獲與跟蹤[2]。同時，由于綜合信息處理能力的提升，在對疑似目標探測搜索過程中，可有效記錄多種類、多數量疑似目標特征的圖像特征及運動特征，結合真實目標的先驗知識，可實現精準化目標檢測識別及偽目標剔除、實現對真實目標的有效跟蹤。

該體制下的目標探測判別決策功能可完全依賴于被動探測及自身信息處理，真正實現“搜索—跟蹤—決策”一體化工作模式，實現人在環外，依靠人工智能等技術進步實現系統功能的高度智能化、自動化、精準化。光電搜跟工作流程圖如圖1 所示。

3 人工智能在搜跟技術中的應用

3.1 人工智能在圖像識別領域的發展與應用

圖1：光電搜跟工作流程圖

人工智能技術在光電搜跟一體化體制中的應用主要包括人工神經網絡、深度學習、大數據處理等多種相關技術。從2012年開始，隨著技術的快速發展人工智能在圖像識別方面得到了廣泛應用。相關領域的研究人員解決了圖像識別技術的發展和應用問題，人工智能在光電搜索識別跟蹤領域迎來了廣闊的發展空間。

無論是在軍事還是民用領域，如車輛檢測、行人檢測、人臉識別、威脅目標識別預警、威脅目標特征識別等，一系列基于光電探測的數據識別分析，使人工智能在相關領域得到了快速發展和應用。

3.2 人工智能在搜跟技術中的應用研究

3.2.1 智能圖像識別技術在光電搜跟技術中的應用研究

在運用圖像處理技術處理圖像時，人工智能其實與人的處理方法是相似的。傳統光電搜跟系統通過雷達引導和人為修正實現目標的捕獲跟蹤。而實現人工智能目標捕獲使得該項技術的運用形式也是與計算機處理過程類似。搜跟技術系統信息處理過程如下：

（1）通過圖像探測獲取場景信息，然后將獲取的信息轉化成數字電路信息進行傳輸，再調用相關的程序和工具對信息進行處理。

（2）對圖像的存儲實現之后就可以調用相關預處理技術對圖片進行簡單的處理，將圖片的重要信息做銳化處理，使圖片信息更加突出。

（3）使用相關的人工智能技術可以提取場景圖片的相關目標信息，其中包括目標圖像特征，相對大小，目標相對位置，以及幀間目標的相關運動特征等等，針對預設或預選的關鍵信息和需求對圖片進行進一步的處理。

（4）依據識別提取到的目標相對位置信息和類型特征信息，人工智能決策處理系統可以自動存儲一系列捕獲的目標數據信息，并且通過自動選取或人工干預選取實現目標脫靶量控制伺服機電系統的速度閉環。

作為識別決策核心的人工智能圖像處理技術，在搜跟系統處理過程中與人在環路的處理過程方法是非常相似的。人工智能中的圖像處理技術也需要先存在圖片才能對圖片進行后續工作，類似于人工發現目標識別。不同的是人工智能中的圖像處理技術相比于傳統圖像處理方法更加智能化，對于技術實現來說人工智能中的圖像處理技術更加方便，操作更加可靠和更加簡單。

圖2：多目標跟蹤航跡處理流程圖

同時，隨著相關領域應用不斷進步，人工智能中的圖像處理技術會進一步發展成通用性更強的一項處理技術，提升圖像處理計算的復雜性，并且能夠實現同樣的多功能性，提升技術用性易。因此，基于人工智能中的圖像處理技術將會是繼傳統圖像處理技術之后的更好的識別技術，是實現搜跟系統一體化實現的基礎技術保障。

3.2.2 人工智能結合圖像識別技術在搜跟系統中的優勢分析

人工智能中的圖像識別技術中的應有，使光電搜跟一體化技術體制具備了智能化、自主化的優勢，該特征使其在軍事領域中具有極高的應用價值。

在人工智能的圖像識別技術中，最突出就是處理視頻信息時的智能化，智能化的處理也體現出了與傳統圖像處理技術的區別。人工智能的處理形式就是體現在處理圖像時能夠實現目標智能識別和選擇，這就為搜跟技術系統提供了信息原動力，同時，智能化不僅僅實現了簡單的目標識別，還能實現敵我行為分析和輔助決策等功能，賦予相關裝備應用系統的高度自主化，具備相當程度的自動化響應能力。

智能圖像技術的應用一定程度上決定了光電搜跟系統的實用化，使其能以更小的成本和良好的實用性與原有系統形成互補和兼容，更自主、高效的完成裝備建設使命。

4 搜索跟蹤中目標軌跡處理的數據決策

4.1 基于人工智能的多目標軌跡關聯

4.1.1 多目標跟蹤算法的發展

多目標跟蹤（MTT）這一概念最早是由N.Wax 于上世紀50年代中期提出的，最初的目的是用于從雷達測量數據中得到飛機的飛行軌跡[3]。到了1960年，R.E.Kalman 提出了著名的Kalman 濾波，為目標跟蹤的航跡維持提供了簡單、高效的算法[4]，在此技術基礎上經幾十年的不斷改進，多目標跟蹤問題中的數據關聯和濾波預測得到不斷完善。

在多目標跟蹤中，數據關聯的大計算量一直都是系統處理的主要負荷。目前比較成熟的算法如最近鄰域法[5]，選擇距離跟蹤門中心最近的候選目標對目標航跡進行更新，適合于高信噪比環境下的數據關聯。1972年，Y.Bar-shafom 和A.J.Jafer 等提出了概率數據關聯（PDA）濾波算法[6]，對所有在跟蹤門內的測量數據進行概率意義上的加權平均作為濾波輸出，優化航跡，并獲得更多的后驗信息。該方法的關鍵是計算量測j 屬于目標t 的后驗概率 ，濾波的輸出為：

其中，m（k）為k 時刻跟蹤門內目標i 的候選量測數目。

此后在PDA 方法的基礎上，針對多目標跟蹤門相交的情況引入了有效矩陣的概念，推出了聯合概率數據關聯（JPDA）[7]，此后在多目標跟蹤處理方面又出現了最優聯合數據關聯算法、快速聯合概率關聯算法[8]、次優聯合概率數據關聯算法[9]和綜合概率數據關聯算法[10]，多假設跟蹤算法(MНT)[11]等。

“青”與“白”是日本古代的基本色，在經歷了平安到桃山的濃麗色彩風格后，由于禪宗的影響，日本人的色彩意識從絢爛歸于平淡，轉而追求自然色，并更進一步邁向佛教境界的“無色”。芭蕉回避濃艷的色彩無疑在色彩審美上繼承了日本傳統，也表現了個人在藝術風格上的追求。

在點目標跟蹤技術方面，隨著現代數學如小波分析、神經網絡等的發展，Нong.L 和chengНongwei 等分別利用小波變換的多尺度特性將一定時間長度的測量數據分解成分辨率不同的低頻分量和高頻分量，而目標的機動信息特點可以在兩個分量中得到不同的體現，則目標在時域和空域的機動性信息可以通過這些分量之間的“與”邏輯操作求解出來[12-13]。同時，通過合理的設計濾波器可利用這些分量對測量信號進行重構，以達到從測量數據中提取感興趣的信息的目的。

隨著計算機技術的發展，通過航跡間的融合,甚至是傳感器間的數據融合來降低多目標跟蹤虛警率的研究也得到了快速發展。尤其是s.spain,D.senguPta 和R.M.Kuczewski 等人將人工智能和人工神經網絡技術應用于多目標跟蹤，取得了可喜的成果[14]。

4.1.2 光電搜索中的多目標跟蹤

光電搜跟技術的主要目的是通過全方位大范圍的搜索，找出視場內潛在的威脅目標并進行跟蹤。紅外搜索的過程就是首先設定搜索俯仰角的上下限，后從下到上進行360 度周視掃描，在搜索的過程中對進入視場的紅外圖像進行目標檢測，并將目標檢測結果送入終端處理計算機。在實際過程中由于設備的轉速與幀率很高，在短時間內會產生大量的目標，就需要運用目標航跡關聯技術。利用航跡關聯技術實現多目標跟蹤主要有兩大過程，一是從眾多的目標數據中根據目標的特征和距離信息進行度量，找出真實并且正確的目標運動軌跡。二是提前關聯數據,通過關聯的數據對此時刻的目標狀態進行濾波估計并預測下一時刻目標的位置,即預測與濾波。

由圖2 可以看出，多目標跟蹤是一個邊掃描邊跟蹤的隨時間遞歸的系統[15]。

首先將檢測得到的小目標與已存在航跡中跟蹤門內數據進行關聯。如果確定與某一航跡匹配,則進入繼續跟蹤環節，如果判定為新目標,則建立新航跡，如果確定某一航跡對應的目標消失或飛出視界,則進入跟蹤終結環節,如果連續幾次匹配中失配或關聯性較差,就刪除該航跡。最后在已有的維持狀態的航跡中，根據其中目標的速度、方向等,預測下一時刻目標的位置狀態,并確定跟蹤門的大小,等待下一批目標數據進行新一輪的循環遞推。

4.2 跟蹤過程中基于人工智能的跟蹤策略決策

4.2.1 航跡的初始化

航跡關聯需要在紅外搜索的過程中進行，也就是邊搜索邊關聯。當紅外搜索系統將檢測出來的目標信息送入航跡關聯模塊時，就開始啟動航跡關聯。航跡的初始化分為兩種情況，一是當航跡個數為零時，對當前圖像送進來的每個目標建立初始航跡。二是當此次送過來的目標沒有與已知存在的航跡關聯上時，就為該目標創建新的航跡。每完成一次航跡的初始化，系統就會建立一條以單個目標為起始點的航跡。

4.2.2 航跡的更新與維持

航跡在建立之后，在后續有目標送進來時，就需要根據新的目標對航跡進行更新，航跡更新為航跡關聯算法的核心。航跡更新時，首先對當前幀圖像檢測出來的新目標，分別將每個目標與每條航跡進行關聯。關聯時，首先要看新目標是否落在航跡的跟蹤門內，如果落在跟蹤門內，就利用相應的距離特征進行決策，判斷新目標與航跡是否滿足相應的閾值，若滿足，選擇與該條航跡距離最小的目標，說明其與該航跡關聯，并用新目標更新該航跡中的最新點。

4.2.3 航跡跟蹤門限

航跡更新時，需要用到跟蹤門。跟蹤門是當前航跡中最新點周圍的一個子區域，用來確定下一幀進行數據關聯的區域范圍，這樣只需要對落在跟蹤門內的目標進行關聯就可以，計算量有效的減少。跟蹤門限的大小取決于兩方面：一是確保目標在跟蹤門的概率大，二是確保算法概率高效；不能為了提高目標落在跟蹤門的概率而忽略的算法本身的效率，這樣會影響跟蹤的實時性。

4.2.4 航跡更新判定準則

當有目標點進入航跡跟蹤門內時，就要對目標點和航跡中的點進行匹配，判斷他們是否關聯，并選取最佳匹配點對。影響匹配的參數包括目標的圖像幾何特性、目標的運動特性、中心位置坐標等，相可用形狀相關度、位置相關度來度量。

令Bi為航跡與i 目標的形狀相關度，由航跡與目標的幾何尺寸計算，計算公式為：

其中，S0(i)、C0(i)、W0(i)、Н0(i)分別為當前目標的面積、周長、寬度和高度，St、Ct、Wt、Нt分別為航跡中點的面積、周長、寬度和高度。計算結果為兩者之間的特征距離。

令Ri為航跡與i 目標的位置相關度，由航跡與目標的位置計算，計算公式為：

其中，Xco(i)、Yco(i)為當前目標的水平中心和垂直中心，Xct、Yct為航跡中點的水平中心和垂直中心。最終的判斷準則要結合特征距離和位置距離一起來看，所以令距離w=αB+R，其中α 為二者所占的權重比值。

4.2.5 航跡的預測

維持狀態下的航跡中至少存在兩個點，這時候需要對航跡進行預測，預測下一個目標所在的位置，還可以根據預測目標的情況來確定跟蹤門。

小目標的運動速度和方向的變化近似高斯分布,即目標在短時間一般作勻速直線運動。根據這一原則,同時考慮算法的簡潔和系統的實時性，通過采用標準卡爾曼濾波建立小目標運動模型和量測模型。預測時，根據目標的方位俯仰位置和速度等運動信息，預測新目標的位置、速度和相應的目標特征。

5 展望與總結

光電搜跟技術技術作為新一代武器裝備建設的重要項目，能夠實現搜索告警與跟蹤定位等功能，具有隱蔽性強、費效比高、適裝性好等優點。未來需重點在提升低空復雜背景弱小目標檢測、地面目標識別、運動平臺穩定控制、航跡關聯與預測處理等方面進行研究，并結合偏振成像、計算成像、相干探測等新型光電探測手段，積極探索一體化、智能化、輕量化、信息化系統集成新途徑，形成與現有偵察預警、火控引導等雷達設備的有效互補，提升我軍在新質對抗體系下的生存作戰能力。