激光/紅外復合掃描引信目標識別算法

郭甲崇,劉 星,袁 俊,呂 浩

(1.西安工業大學,陜西 西安 710021；2.昆明物理研究所,云南 昆明 650000)

1 引 言

激光引信具有高分辨率、方向性好、抗電磁環境干擾能力強等特點[1]。線陣激光/紅外復合引信可同時掃描目標的頂部三維輪廓特征和頂部紅外輻射特征,通過對激光信息和紅外信息的綜合分析即可實現目標判別。目前對復合探測的目標識別方法有基于簡化邏輯模式識別的單點激光紅外復合識別算法、基于小波變換的面陣激光紅外復合識別算法、基于PCA的線陣激光紅外復合識別算法等[2]；其中方法1判別簡單,但識別可靠性不高；方法2因其具有超大面陣像元,可獲取高分辨率的圖像,但也因此使得計算量大,成本較高,實時性不足；方法3介于1、2之間,具有較好的判別目標的能力,但目前對復合探測體制中目標的關聯信息應用不夠充分。由于目標的關聯信息往往比單通道的探測信息具有更高的可信度,所以基于關聯信息對目標進行識別可靠性更好。針對上述問題,本文提出了基于模糊理論的線陣激光紅外復合目標關聯識別算法,以解決目標關聯信息應用不足、識別算法過于復雜、實時性不好等問題。

2 線陣掃描模型

線陣激光/紅外復合探測引信每探測采樣一次可獲得目標頂部的一列的像素信息,當彈體以一定速度掠飛過目標時,引信通過平推式掃描采樣可獲得完整的目標頂部輪廓高程信息和紅外輻射灰度信息[3-5]。如圖1所示復合引信采用的是主動式激光掃描探測和被動式紅外掃描探測,引信將探測到的信息送到信息處理模塊,提取目標特征并進行識別判斷[6]。

圖1 激光紅外復合推掃示意圖

引信搭載彈體同時掃描出目標的高度信息和紅外輻射強度信息,線陣激光探測器和線陣紅外探測器同時以相同n元線陣形式并行排列,則每掃描一次可同時得到一個高程序列值XA和灰度序列值XB:

XA=(x1,x2,x3,…,xn)T

XB=(x1,x2,x3,…,xn)T

假定掃描完整個目標共采樣m次,得到m個序列,形成m×n階兩個矩陣[7-8]:

(1)

(2)

fA(i,j)與fB(i,j)分別為線陣激光探測器掃描出的目標高程矩陣和線陣紅外探測器掃描出的目標灰度矩陣,它涵蓋了目標的頂部輪廓信息和頂部紅外輻射強度信息[9],并且輪廓信息和紅外圖像信息在空間分布上是相關的。

3 目標識別算法

3.1 識別機理

采用線陣激光/紅外探測器對目標掠飛掃描獲取目標頂部高程輪廓信息和目標頂部紅 外輻射強度信息,通過對兩類信息進行預處理并提取相應的激光圖像特征和紅外圖像特征,將兩類特征進行特征信息關聯,得到目標的關聯特征,分別對三類特征使用模糊識別算法,求出三類特征分別對應的目標識別概率P1∈[0,p1],P2∈[0,p2],P3∈[0,p2]。將三個識別概率區間劃分小Pi∈[0,p1i)、中Pi∈[p1i,p2i)、大Pi∈[p2i,pi],i=1,2,3三個等級,再次使用模糊識別求出目標最終識別概率P。對P≥η的目標為真目標,反之,為假目標。目標識別流程如圖2所示。

3.2 基于模糊推理的目標識別算法

3.2.1 建立元素集

集合Z為元素集,又稱論域,其一般元素用z來表示,z在Z的子集A由隸屬度函數μA(z)表征,它的值域為[0,1]。μA(z)表示z隸屬于A的程度,μA(z)越接近于1,表示z隸屬于A中程度愈大。

圖2 目標識別流程框圖

從目標中提取了i個特征參量,可建立i個元素集Zi(i=1,2,…,n),每個特征參量可劃分三個等級,故每個元素集可設置三個子集。

(3)

輸入隸屬度函數如圖3所示。

圖3 輸入隸屬度函數

3.2.2 建立目標識別的模糊輸出評價集

建立其相應的模糊輸出的隸屬度函數:

(4)

輸出隸屬度函數如圖4所示。

3.2.3 建立模糊規則

(5)

根據模糊規則以及模糊化輸出的結果,采用Mamdani模糊推理法對輸出結果進行推理,并利用中心平均法對模糊推理的結果去模糊化。

最終求得去模糊化的結果即為目標識別的隸屬度(識別率)。

圖4 輸出隸屬度函數

4 目標信息特征提取與識別

實驗中線陣激光探測器和線陣紅外探測器以推掃的形式掃描如圖5待測車輛目標,分別獲取激光、紅外的探測數據并對其目標信息特征提取及識別。

圖5 待測目標的圖像

4.1 激光掃描數據處理及特征提取

實驗目標頂部的不同區域存在高低差異,在數據處理模塊中將獲得的高程數據矩陣歸一化為對應的灰度數據矩陣,然后進行圖像預處理并提取目標的特征信息。

4.1.1 頂部輪廓圖像預處理

激光探測獲取的高程數據歸一化為灰度值圖像后,對圖像進行去噪,由于頂部各輪廓區域的邊界處存在變化劇烈的灰度值,用canny算子對圖像進行處理,將目標各個區域分割[10]。

對待識別目標頂部輪廓處理步驟:

1)通過平滑濾波處理,對圖像進行濾波,如圖6(a)和圖6(b)所示為圖像濾波前后的圖像。

(6)

2)計算濾波后的圖像的梯度幅值M(i,j)和梯度方向θ(i,j)。

(7)

3)得到的梯度幅值圖像內部各區域的邊界比較粗糙,故對圖形進行非極大值抑制,從而細化了邊緣。利用雙閾值算法檢驗并邊緣連接。在區域分割后圖像fA′(i,j)中用0代表邊緣,1代表非邊緣。如圖6(c)是目標區域分割后的圖像。

圖6 濾波后圖像和分割后的圖像

4.1.2 頂部輪廓特征提取

頂部區域分割后,提取各區域的面積和質心特征。

對區域分割后的圖像fA′(i,j),求其每個區域的邊緣像素,設目標頂部輪廓中有g個區域,每個區域的邊緣有x個像素組成,對區域的邊緣像素重新編碼為Bg(ix,jx),x=0,1,…,n,

g=0,1,…,m。

某一區域的質心為:Gg(ig,jg),g=1,2,…,m。

質心(重心)橫縱坐標的求法:

(8)

某一區域面積大小(區域像素個數)為:

(9)

式中,Ag為某一連通域(區域)內的fA′(i,j)=1所有像素點的集合。真實目標中被選中的區域 叫做基準區域,其面積大小A0∈(amin,amax),可由真實基準區域來確定待測目標的基準區域的位置。

如果滿足:amin≤Ag≤amax

則g區域為待測目標的基準區域。提取其質心Ggig,jg作為整個目標的基準點G0(ig0,jg0)。

4.1.3 進一步提取激光圖像特征及目標識別

(10)

(11)

對兩特征參量模糊化,建立相應的輸入輸出隸屬度函數以及規則,應用模糊推理求出目標的識別率P1。

4.2 紅外數據處理以及特征的提取

將紅外輻射較強的圖像區域分割出來并提取該區域的峰值特征信息。

4.2.1 紅外圖像處理及特征提取

1)紅外圖像增強

2)基于Otusu方法進行圖像分割處理

為從所掃描圖像中分割出出目標輻射特較強的區域,采用Otusu方法對圖像進行處理,通過處理得到的最終的閾值為117,此時圖像的可分離度量為0.912,得到了閾值分割分割后圖像gB。

3)紅外圖像特征細化

對圖像gB進行邊界亮對象抑制,對輻射特征進一步細化,獲得如圖7的紅外強輻射圖像,接著刪除圖像中面積較小的紅外輻射區域得到如圖7的圖像gB′。

圖7 對掃描的紅外圖像進行圖像處理的過程

4.2.2 提取紅外輻射的峰值特征

(12)

圖8 紅外輻射最強峰值點和極大值點

4.2.3 進一步提取紅外圖像特征及目標識別

(13)

(14)

4.3 紅外激光多源特征關聯與目標識別

對激光特征與紅外特征的關聯,最終歸結到目標頂部輪廓中的基準面的質心點(基準點)G0(ig0,jg0)和紅外輻射峰值點Tk(ik,jk)的關聯,兩類點映射到目標的三維輪廓中進行空間距離和空間角度的關聯。

(15)

由真實目標得到目標的標準空間距離S0和標準角度θ0,求S0和θ0與對應的待測目標的Sk和θk的誤差,通過誤差來判斷待測目標與標準目標的接近程度(誤差可以用“較小,中等,較大”來評斷),誤差越小則說明與標準目標的接近程度越高。空間距離和角度可以認為是對目標識別中的兩個主要因素,并且共同決定著目標識別的結果。兩種誤差可用ΔSk和Δθk來表示,公式如下:

(16)

式(16)中的ΔSk和Δθk可進行等級劃分,空間距離誤差的等級劃分:a等級ΔSk∈[0,a1)、b等級ΔSk∈[a1,b1)、c等級ΔSk∈[b1,c1]；角度上的誤差等級劃分:a等級Δθk∈[0,a2)、b等級Δθk∈[a2,b2)、c等級Δθk∈[b2,c2]。對兩類參量進行模糊化,建立相應的隸屬度輸入輸出函數,制定相應的規則,求出目標的識別概率P3。

4.4 復合目標識別

三種識別概率P1、P2、P3,分別是激光紅外以單模和雙模工作時得到目標識別概率,用模糊識別原理分別建立三種識別概率的輸入輸出隸屬度函數并建立相應的規則將系統在三種工作情況下的識別概率融合,求出目標最終識別概率P。

5 仿真及實驗

仿真實驗中,激光探測系統中發射脈沖頻率f=3.5 kHz,紅外探測系統為被動式探測,線陣激光和紅外探測器搭載非旋轉的平臺以v=250 m/s的速度飛行,彈體平臺距地面為20 m。線陣的激光/紅外探測系統分別掃描截取一個32×64的待測目標的信息矩陣。

基于matlab 仿真軟件對所得到激光高程值矩陣和紅外灰度值矩陣進行仿真。得到分割后的目標的頂部輪廓圖像和頂部紅外輻射圖像,從中提取出目標頂部輪廓圖像中各區域的質心和面積特征,以及目標頂部發熱區域的面積和區域輻射峰值點特征,對這些特征按照算法處理,最終得出激光系統工作時的識別概率P1,紅外系統工作時的識別概率P2,以及激光/紅外系統同時工作時兩者特征關聯時的識別概率P3。

將三個識別概率P1、P2、P3作為新的模糊集,建立新的輸入輸出隸屬度函數以及規則,運用模糊推理得到目標的最終識別概率P。如圖9是建立的基于規則的模糊邏輯控制器。

圖9 基于規則的模糊邏輯控制器輸入輸出界面

對目標識別的仿真結果如表1是在建立好的基于規則的模糊推理系統中給出10組模糊邏輯輸入(三個分識別概率分別為P1、P2、P3),并得出了相應輸出結果(最終識別概率P)。

在基于規則的模糊控制器中給出模糊輸入為激光/紅外單模工作時的各自識別概率以及兩者特征關聯得到的識別概率時,輸出一個復合識別概率。通過分析表1中數據可得輸出的復合識別概率在一定程度上是大于模糊輸入的三個分識別概率。在一些輸入的識別概率是小于目標能夠被識別的識別概率的閾值,但其最終識別概率大于識別概率的閾值,使系統能夠判別目標。

表1 不同的分識別概率下的輸出最終識別概率

仿真結果說明基于關聯信息的模糊識別算法識別能力更強,具有更強的抗環境干擾能力,優于單模探測器識別方法。

如圖10是用三維曲面的形式表示在模糊輸入為三個分識別概率兩兩組合時,經模糊推理的輸出結果。

(a)輸入為P2與P1

(b)輸入為P1與P3

(c)輸入為P2與P3

圖10(a)、(b)、(c)分別是分識別概率P1與P2,P1與P3,P2與P3的兩兩組合判斷結果,通過比較可以看出,在模糊輸入為P1與P2的組合時,輸出的結果在很大范圍上要小于P1與P3和P2與P3的兩種組合形式的輸出結果。分析出現這種結果的原因,是由于后兩個形式的組合中存在激光/紅外特征關聯的識別概率P3,它是基于線陣激光/紅外探測結果的兩者特征關聯求出的識別概率,說明關聯探測信息的識別可靠性優于單模信息的可靠性。

5 結 語

基于關聯的線陣激光紅外復合模糊識別算法核心是將目標的頂部輪廓特征和紅外輻射的圖形特征進行關聯信息提取。本文采用canny算子和自動閾值等圖像處理算法提取目標信息特征,通過對目標輪廓特征與紅外特征中關聯的特征點進行距離和角度信息上的關聯,然后與真實目標相應的特征信息對比,再基于模糊推理理論完成對目標的判別。該方法適用于對抗環境干擾要求較高的戰場環境。仿真及實驗表明基于關聯的算法具有較強的實用性,易于實現,通過調整真實目標的模型參數,可實現對多種戰場目標的判別。