雷達紅外復合目標識別技術研究

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

關鍵詞:多傳感器; 信息融合; 目標識別; 特征向量

中圖分類號:TN95-34文獻標識碼: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

目標識別是模式識別的一個重要研究領域。國內外以往采用單傳感器系統用于目標識別和跟蹤[1]。由于單傳感器系統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，因而在目標的截獲、識別、跟蹤方面存在一定的局限性。為了得到穩健的目標識別結果，有效的途徑之一是使用多源信息進行目標識別[2-3]。本文提出一種雙模復合目標識別方案，即用目標雷達回波和紅外圖像的聯合特征進行復合目標識別，以提高復合導引頭的目標識別和抗干擾能力。復合目標識別算法是整個方案的關鍵技術，本文采用有序加權平均算子進行復合目標識別。

1 有序加權平均算子

有序加權平均算子(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F:Rn→R，有一個與F相關聯的n維加權向量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，即有序加權平均算子。

定義2 設w為任一OWA算子的有序加權向量，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向量w“或”和“與”的程度。從以上定理不難看出，OWA加權向量前端部分數值越大，越接近“或”算子，后端部分數值越大，越接近“與”算子。

對于已知樣本觀測值和不知其集結值的情況，OWA算子權向量的確定方法目前主要有以下3種[4]:模糊量化法、最大熵規劃模型法、最小可變性規劃模型法。由于OWA算子的權向量不易解出，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 雷達紅外復合目標識別算法

單傳感器提取的信息往往是待識別目標的不完全描述，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，并產生新的有意義信息。雷達目標識別[1]一般是從目標的雷達回波中提取目標的有關信息標志和穩定特征再判明其屬性。它根據目標的后向電磁散射來鑒別目標，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數據的獲取、特征提取和分類判決。紅外成像傳感器獲取紅外圖像后，首先要把目標從復雜的景物中分離出來，再提取紅外圖像特征，并與訓練樣本的特征量進行匹配[6-7]，得到匹配百分比。紅外目標識別過程一般可分為圖像預處理、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識別的目的是充分利用兩者提供的互補信息，以獲得準確的目標識別結果，提高系統的抗干擾能力。雷達前端給出目標的一維距離像，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，進行圖像預處理和特征提取。通過構成雷達和紅外聯合特征向量組，目標得到了較全面的刻畫，從而為面目標的可靠識別提供了依據，本文采用OWA加權算子[8]進行復合目標識別，方法如圖1所示。

圖1 復合目標識別

在進行雷達和紅外復合目標識別時，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果的影響，可以采用基于OWA算子的加權信息融合方法，這需要對各識別信任度(屬性值)和重要性程度(屬性權)進行合成轉換，具體的合成算法如下:

設:

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 復合目標識別在導引頭抗干擾上的應用

采用雷達/紅外復合目標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，可以借助多模導引頭獲得的豐富信息來識別真假目標，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回波功率，那么導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，目前雷達導引頭想要對抗拖曳式有源誘餌還比較困難。但如果導彈采用紅外探測技術，則可以大大降低拖曳式有源誘餌對導彈的欺騙作用。系統進行干擾判定，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特征來識別目標，與目標模板進行匹配，選擇置信度最高的目標進行跟蹤，同時引導雷達傳感器使天線指向正確的目標方向。當紅外傳感器受到天氣、背景云層的影響不能正常跟蹤目標，在復合目標識別跟蹤過程中對紅外傳感器賦以較低的權值，以保證整個系統能夠正常地進行目標的識別跟蹤。采用復合目標識別方案可以使系統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兩類艦船目標的觀測角都為45°。A目標徑向距離為142.7 m，高度為10 m;B目標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 兩類目標的雷達回波

對于一個待識別的目標，雷達通過PCA特征壓縮后提取的特征向量設為(ξ1，ξ2);設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，進行降維壓縮的結果。把這兩組相互獨立的向量綜合成一組聯合特征向量:

(αξ1，αξ2，βξ3，βξ4，βξ5，βξ6，βξ7，βξ8，βξ9)

式中:α和β為各傳感器的權重系數。目標特征向量的9個分量共同作用構成目標的空間特征向量。

圖3 兩類目標的紅外圖像

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

表1 實驗1目標識別結果

A類目標 /%B類目標 /%

雷達特征識別率70.865.6

紅外特征識別率87.179.1

復合特征識別率91.789.4

實驗2:實驗條件是雷達傳感器受到干擾，對A類目標識別率下降，對B類目標不能正常識別。實驗結果見表2，僅僅依靠單元信息進行目標識別，由于受到外界的干擾，識別準確率低，而且可靠性差。采用復合目標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，從而提高系統的識別率、可靠性和穩健性，提高系統的抗干擾性能。

表2 實驗2目標識別結果

A類目標 /%B類目標 /%

雷達特征識別率59.435.4

紅外特征識別率71.865.6

復合特征識別率86.778.3

5 結 語

在信息戰中，電子對抗的雙方此消彼長，不斷推動著識別技術的發展。目標識別是電子對抗的必然產物。由于環境的復雜性，目標特征的模糊性及不可量測性，給目標識別跟蹤帶來了許多困難。多傳感器系統運用數據融合技術來克服單傳感器的缺陷，不同傳感器根據識別跟蹤對象的不同特征提供更精確的數據，并且在外界條件影響某一類型傳感器時，對整個系統相對無干擾。另外，通過使用不同傳感器的冗余信息，可提高目標識別跟蹤系統的可靠性，因此研究多傳感器復合目標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識別的研究[J].系統工程與電子技術，2006，28(2):228-230.

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

[3]萬樹平.多傳感器目標識別的改進灰關聯度法[J].計算機工程與應用，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算子權向量的二目標規劃模型[J].武漢理工大學學報，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識別[J].傳感技術學報，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.