基于直線擬合比較斜率的機動起始點檢測算法

宋 巖，劉利民，韓壯志

(解放軍軍械工程學院，河北 石家莊 050003)

基于直線擬合比較斜率的機動起始點檢測算法

宋 巖，劉利民，韓壯志

(解放軍軍械工程學院，河北 石家莊 050003)

針對目前空中目標機動模式識別主要依賴特征點檢測來尋找機動段，但在較大噪聲背景下效果并不理想這一問題，提出了直線擬合比較斜率的機動起始點檢測算法。該方法對航跡數據進行直線擬合來平滑局部波動數據，能夠有效過濾噪聲，從而減少機動段提取誤差。 實驗對比表明，直線擬合比較斜率法比累加弦長法具有更強的抗噪性和更好的檢測精度，在多次實驗中能夠更準確地找到機動起始點，為機動段識別打下了良好基礎，具有非常好的應用價值。

直線擬合；斜率比較；機動起始點檢測

0 引言

隨著高新技術的不斷發展，空襲武器的各項性能不斷提高，襲擊發生的越來越突然。傳統的威脅判斷，只是根據目標的高度、速度、航路捷徑等因素進行威脅判斷，這些因素只能判斷目標的威脅程度，而不能預測目標的企圖。目標的機動模式很大程度上決定著目標的威脅程度。例如在戰爭中，飛行目標突然進行俯沖機動，非常有可能馬上要對地面目標進行襲擊，這時候就需要提高警戒級別[1-2]。在最近發生的土耳其擊落俄羅斯戰機事件中，土耳其戰機在土敘邊境低空盤旋了一個小時，在俄羅斯戰機靠近時發射導彈將其擊落。如果進行機動模式識別，在未來戰場環境下可以識別目標的機動模式，根據機動模式的威脅程度，提前采取措施。因此在未來戰場環境下，機動模式識別在威脅判斷中將會越來越重要[3]。

目前機動模式識別算法很少，而且很多機動模式識別算法都是在完成機動段提取的前提下設計的[4-5]，對具體提取算法的研究并不充分。機動段的提取在現實中存在很多困難，準確度和靈活性上還需要提高。特征提取和表達是模式識別的關鍵。根據不同的識別任務，需要提取不同的機動模式特征進行表達[6-7]，這些特征的選取與組合通常是憑經驗設定，而且這些特征表達往往只針對某一類或者某幾類機動模式，通用性較差，在識別時容易受到一些因素影響，識別率不穩定，因此需要一種魯棒性較強的機動模式特征提取方式[8-9]。機動段提取一般依賴特征點檢測，但在較大噪聲背景下這一方法效果并不理想。本文針對此問題，提出了基于直線擬合比較斜率的機動起始點檢測算法。

1 傳統機動起始點檢測算法

機動段提取方法只需要大概判斷出起始點位置，并不需要精確地找出，因此不必采用復雜度大、計算量大的檢測算法。目前一般采用累加弦長法[10]。

(1)

圖1 累加弦長法Fig.1 Tired string method

(2)

k點處累加弦長可用H(k)更好地表示

(3)

H(k)變化劇烈的點為曲線拐點，也就是航跡機動點。累加弦長法是通過航跡數據的曲率值來發現航路中顯著變化的點，該方法中的采樣點個數以及曲率的閾值都需要反復試驗才能得到，與此同時在噪聲較大的情況下，超過閾值的候選點往往會很多，對最終的判斷造成很大的干擾。

2 直線擬合比較斜率機動起始點檢測算法

累加弦長法通過比較每一個點的曲率值來進行比較，最終選取局部極小值，這樣還需要先指定取局部極小值的范圍，并且整個方法偏重于局部的變換，抗噪性能比較差。針對這一問題，利用最小二乘法對航路數據進行直線擬合來平滑局部波動數據，通過間隔比較擬合直線對應的斜率大小來直接找出特征點，省去了累加弦長法中需要指定局部范圍的步驟。由于最終找出的特征點是兩條擬合直線起始和結尾的中點，故稱為直線擬合比較斜率法。

直線擬合比較斜率法原理如下：假設P1,…,Ps,…,Pk,…,Pk+s-1是目標航路在一個二維平面上k+s-1個采樣點，如圖2所示，利用最小二乘法對P1到Pk，k個點進行直線擬合，得到直線L1，計算直線對應斜率的角度θ1。保持擬合點個數k不變，通過不斷移動初始點得到不同角度θ2,θ3，…，θs，…，取間隔為s的擬合直線角度做差，即將點Ps到Pk+s-1和點P1到Pk分別擬合成的Ls,L1直線的斜率角度取差值，當角度差Δθ達到一定閾值時，可以判斷Ls起始點Ps與L1的末端點Pk的中點為拐點Pm。

圖2 直線擬合比較斜率法Fig.2 Comparison of straight line comparison slope method

這個方法通過選取合適的擬合點個數k，能充分展示一小段時間范圍內目標的大致運動方向。由于噪聲存在，k過小會導致擬合航向角劇烈變化，產生很大干擾，忽略整體運動趨勢，k過大會忽略運動過程中的一些細節變化，并且會造成對特征點判斷的遲滯。因此間隔s的選取，過小則角度差普遍較大，不利于判別，s過大，則易造成角度差普遍較小也不利于判別，并且會造成拐點判斷前置，所以選擇合適k,s比較關鍵。經過試驗后選擇：

k=0.5f

(4)

s=k/2 (5)

其中，f為航跡數據采樣頻率。

3 實驗對比

圖3(a)、(b)中的黑色點分別為在相同噪聲條件下，利用累加弦長法和直線擬合比較斜率法尋找到的超過各算法判斷閾值的點，實際檢測過程中將尋找的第一個點即判斷為拐點，之后便停止檢測。

圖3 兩種方法檢測到的拐點Fig.3 Two ways to detect the inflection point

目標航跡數據設置不同的噪聲大小以及轉彎角速率，經過100次對比實驗，比較尋找到的結果，將兩種方法得到拐點位置的優劣次數進行統計，可得到圖4，A指直線擬合比較斜率法，B指累加弦長法。

圖4 兩種方法拐點檢測算法實驗效果對比圖Fig.4 Comparison of two methods of inflection point detection algorithm experimental results

因此，直線擬合比較斜率法比累加弦長法具有更好的抗噪性以及更好的檢測精度，從而為機動段提取打下良好基礎。

4 結論

本文提出了基于直線擬合比較斜率的機動起始點檢測算法。該方法對航跡數據進行直線擬合來平滑局部波動數據，能夠有效過濾噪聲，從而減少機動段提取誤差。 實驗對比表明，本文提出的直線擬合比較斜率法比累加弦長法具有更強的抗噪性和更好的檢測精度，在多次實驗中能夠更準確地找到機動起始點，能為機動段識別打下良好基礎，具有非常好的應用價值。

[1]熊承義, 李玉海.統計模式識別及具發展現狀練述[J].科技進步與對策, 2003, 9(1): 173-175.

[2] 林劍, 雷英杰.基于直覺模糊神經網絡的機動事件檢測算法[J].計算機工程與設計,2009, 30(6): 1458-1460.

[3] 田虎森, 謝壽生.基于粗糙集理論的飛行軌跡識別[J].火力與指揮控制, 2015, 40(5): 29-33.

[4] 劉恒, 梅衛.基于位置變化率的蛇形機動彈道識別[J].探測與控制學報, 2013, 35(3): 37-40.

[5] 韓萍, 于俊偉.基于運動學分析的反艦導彈彈道識別[J].電光與控制, 2011, 18(9):31-34.

[6] 任志強, 范國星.飛機盤旋、轉彎機動研究[J].飛行力學, 2010, 28(2): 24-37.

[7] 張軍, 陳付彬, 付強.基于hmm的機動目標識別[J].國防科技大學學報, 2003, 25(2): 51-54.

[8] 冷畫屏.空中目標戰術機動類型的實時識別[J].火力與指揮控制, 2011, 36(1): 64-66.

[9] 張亮亮, 周峰, 徐彤.新的“s蛇形”機動目標模型及跟蹤方法研究[J].電光與控制, 2012,19(9): 13-22.

[10]韓萍, 于俊偉.基于運動學分析的反艦導彈彈道識別[J].電光與控制, 2011, 18(9):31-34.

Maneuver Onset Detection Method Based on Linear Fitting Slope Comparison

SONG Yan, LIU Limin, HAN Zhuangzhi

(Ordnance Engineering College of PLA, Shijiazhuang 050003, China)

Aiming at air targets maneuvering pattern recognition depending on feature point detection to find the motor segment, which is not ideal in the heavy background noise. A slope of a linear fitting comparison maneuver onset detection algorithms was put forward. The method was of fitting a straight line route data to smooth out fluctuations in the local data, thereby reducing the mobility segment extraction errors. Comparative experiments showed that the proposed linear fitting comparison slope law had greater noise immunity than cumulative chord length method, and had better detection accuracy.

linear fitting; slopecomparison; maneuvering onset detection

2016-10-18

宋巖(1993— )， 男，安徽亳州人，碩士研究生，研究方向：信息與信號處理。E-mail:junxiesy@126.com。

TJ35

A

1008-1194(2017)02-0059-03