飛行器紅外圖像識別與跟蹤算法研究

王華榮,劉 霞

(廣東科技學院,廣東 東莞 523083)

1 引 言

紅外空空導彈自問世以來,在發展上已經經歷了四代[1],而不同代導彈的主要性能差異均體現在導彈導引頭的識別制導上。目前,最先進的第四代紅外成像制導導彈其導引頭由多元陣列探測器組成,可以在導引頭焦平面內對目標的紅外特征進行成像,抗干擾能力大幅提升。

由于紅外成像制導導彈的出現,紅外圖像識別跟蹤技術迅速發展,國內外的學者對紅外圖像的檢測、識別、跟蹤等技術進行了大量研究[2-3]。劉陽對成像彈的目標識別和跟蹤算法進行了研究[4],通過對比不同幀圖像的特征,將圖像中的目標提取并進行跟蹤。馬惠敏提出了一種用于紅外成像制導導彈快速識別目標飛行器的系統[5],可以實現對高速運動的目標進行實時識別。李成對紅外成像制導導彈的末端圖像識別與跟蹤進行了研究[6],選取了高亮區比例、灰度標準偏差、長寬比、緊湊度和復雜度等5個特征量作為目標識別的依據。付曉紅對紅外成像制導導彈的抗干擾方法和干擾方法進行了研究[7],將導彈的圖像識別與跟蹤過程分為四個階段,分別研究每個階段的干擾方法。

本文對紅外成像制導導彈的圖像識別與跟蹤過程進行研究,建立了飛行器圖像識別和跟蹤算法,并進行了仿真分析。

2 飛行器紅外圖像識別算法

導引頭的紅外陣列探測器接收目標/背景紅外輻射,并通過圖像處理器對接收到的紅外信息進行處理,其處理紅外圖像的主要流程包括:①圖像預處理；②特征提取與選擇；③目標識別。導引頭的圖像處理過程如圖1所示。

圖1 紅外成像導引頭的基本組成Fig.1 The basic composition of IR imaging seeker

2.1 目標紅外圖像預處理

紅外成像導引頭獲取的目標飛行器紅外圖像,不可避免地摻雜了背景噪聲和環境雜波,圖像的信噪比和對比度都不理想。為抑制背景噪聲和雜波,提高圖像的信噪比和對比度,必須首先對紅外圖像進行預處理。紅外圖像的預處理主要分為圖像增強、圖像分割以及邊緣檢測與提取。

(1)圖像增強

圖像增強技術主要分為變換域增強和空域增強,考慮到實時性和易實現性,本文采用空域增強的中值濾波方法,對獲得的飛行器紅外圖像進行增強處理(文中所有的紅外場景圖像均來自于課題組自開發的紅外軟件)[8],如圖2(b)所示。圖2(a)為飛行器釋放干擾彈的原始紅外圖像,由圖2(a)和(b)對比結果可知,圖像增強技術將飛行器目標的圖像特征凸顯了出來,而將環境背景的噪聲以及干擾彈的部分圖像屏蔽掉。從而大大增加了目標圖像被識別的概率。

圖2 飛行器紅外圖像預處理過程Fig.2 IR image of air vehicle preprocessing

(2)圖像分割

通過將獲得的飛行器紅外圖像分割成若干包含潛在目標的區域,實現目標圖像與環境背景的分離[9]。

飛行器在飛行過程中由于蒙皮的氣動加熱作用,使得其蒙皮溫度一般都大于周圍環境背景溫度。因此,目標圖像處于灰度變化較大的區域,且目標一般在紅外輻射高亮區。

設導引頭獲取的紅外圖像總像素數N=m×n,灰度級為Lg={0,1,…,L-1},灰度值為i的像素點個數ni,則圖像的灰度分布直方圖的概率分布為:

(1)

設對應圖像中的背景為C0,對應圖像中的目標飛行器為C1,則二者對應的灰度范圍為C0={0,1,…,s},C1={s+1,t+2,…,L-1}。

則C0類和C1類出現的概率為:

(2)

(3)

C0類和C1類的灰度均值為:

(4)

(5)

式中,μ為圖像整體灰度均值,其值為μ=ω0μ0+ω1μ1。

μ的標準方差為:

(6)

(7)

由圖2(c)處理結果可知,背景噪聲完全被屏蔽掉,圖中僅剩下目標飛行器和紅外干擾彈圖像。

對圖2(c)中的圖像進行Canny算子邊緣檢測并提取出邊緣,結果如圖2(d)所示。

(3)邊緣檢測與提取

目標圖像的邊緣包含了豐富的特征信息,通過邊緣檢測與提取可以為后續圖像處理提供目標的準確邊緣特征信息[11]。文中選擇Canny邊緣檢測算子進行圖像邊緣檢測[12],其邊緣檢測流程步驟如圖3所示。

圖3 Canny邊緣檢測的計算流程Fig.3 Calculation process of edge detection

2.2 目標圖像特征提取與選擇

通過目標圖像特征提取可以得到圖像中目標的獨立可區別特征,但所選的特征必須具有一定的穩定性,且互不相關,所含數據冗余最小,同時具有比例、旋轉和位移的不變性等特征。常用的紅外圖像特征可大致分為:圖像灰度特征、紋理特征、圖像邊緣特征、圖像輪廓特征等[13]。

灰度特征是圖像中最直觀的特征之一,但由于導引頭接收到的紅外圖像易受光照和場景等變化的影響,且需要實時高校檢索,因此灰度特征被利用較少。紋理特征能夠反映出圖像亮度的空間變化情況,但對于空中高速運動飛行器目標,由于觀測距離較遠,目標和背景的紋理特征十分模糊,因此紋理特征較少應用于成像彈的識別中。而圖像邊緣特征作為圖像的基本底層特征之一,具有不受外界光照變化影響、能夠適應局部遮擋的優點,但一般用于目標成像良好、輪廓清晰、對比度強的情況。紅外成像制導導彈導引頭接收到的圖像往往比較模糊,且圖像面積較小,邊緣特征提取的難度增大。

圖像輪廓特征廣泛的應用于圖像處理和識別中,相比其他圖像特征,輪廓特征具有受背景環境干擾較小、實時性高、對圖像的分辨度要求低等眾多優點,廣泛應用于紅外成像彈的目標特征提取中。因此文中應用目標的輪廓特征對圖像進行提取。由于圖像的輪廓特征量較多,首先需要對特征量進行選取,本文選用成像彈最常用的三個特征量進行仿真。

(1)長寬比F1:紅外圖像中目標區域的最小外接矩形的長寬比值,體現了目標區域的形狀特征。表示為:

(8)

式中,a是目標最小外接矩形的長度；b是目標最小外接矩形的寬度。

(2)緊湊度F2:定義目標圖像的總像素個數與其最小外接矩形的總像素個數的比值,反映目標的充滿程度。表示為:

(9)

式中,Nr為最小外接矩形內的總像素個數;Nin為目標圖像像素個數。

(3)周長F3:提取得到的目標圖像其邊緣像素個數,反映了目標的邊緣長度大小。

以上特征量均經過試驗檢驗,能夠作為成像彈導引頭目標識別和處理的依據。圖3為導引頭獲得的飛行器釋放干擾下的紅外圖像,依據2.1節中的圖像預處理算法對圖3(a)、(b)進行預處理,得到的特征量如表1所示。

表1 不同目標圖像提取的特征量Tab.1 The comparison of characteristicquantities for different images

2.3 目標圖像識別

當導引頭的視場中出現多個目標圖像時,需要對視場中的紅外圖像進行識別,以區分真假目標。目標圖像識別是計算導引頭視場內每一個圖像與當前跟蹤目標相似程度的過程,整個識別過程可以用一個包含目標特征的函數表示,用于確定跟蹤目標。

依據2.2節得到的特征量,推導出區別度函數如下所示:

(10)

(11)

設圖4為飛行器目標模板,應用文中計算的特征量對圖4中的目標進行計算,其計算結果如表2所示。

圖4 飛行器目標模板圖Fig.4 The target templates for air vehicle

表2 特征量計算結果對比Tab.2 The comparison of characteristicquantity computed results

表3 目標圖像相似度計算結果Tab.3 The similarity computed results of target image

由表3中的計算結果可知,圖3(a)中兩個潛在目標區域Ⅰ和Ⅱ與目標模板進行對比,特征量相似度分別為95 %和65.9 %,則識別目標Ⅰ為真目標。圖3(b)中兩個潛在目標區域Ⅰ和Ⅱ與目標模板進行對比,特征量相似度分別為82.35 %和73.79 %,判斷后識別目標Ⅰ為真目標。

3 跟蹤算法

紅外成像制導導彈一般都具有多種制導跟蹤能力,導彈飛行過程中,根據不同階段的作戰態勢、目標類型,選擇不同的目標跟蹤模式。當導彈與目標間距較遠時,目標圖像在視場中所成像素較少,無法對其進行目標特征提取,一般采用點目標跟蹤模式；當目標逐步具有了相對清晰的圖像特征時,則可以對目標圖像的圖像特征進行識別提取,并對識別后的圖像進行跟蹤。通常采用的跟蹤模式為邊緣跟蹤、形心跟蹤以及相關跟蹤等幾種模式。

3.1 邊緣跟蹤

邊緣跟蹤通常選取目標圖像上的邊緣點,通過設置波門套住此跟蹤點,并實現對目標的跟蹤。邊緣跟蹤以兩個邊緣的中心作為目標位置,其跟蹤點坐標為:

(12)

式中,xl(t)、yl(t)為第t個周期目標圖像在焦平面的左下側坐標;xr(t)、yr(t)為第t個周期目標圖像在焦平面的右上側坐標;x0(t)、y0(t)為跟蹤點坐標。

3.2 形心跟蹤

形心跟蹤是指紅外成像制導導彈以目標圖像的形心作為實際跟蹤點[4]。當目標飛行器飛行姿態發生變化時,形心的位置變動較小,因此采用形心跟蹤時跟蹤比較平穩,且抗雜波干擾能力較強,算法簡單,是彈目距離比較近時常用的一種跟蹤模式。

假設圖像函數為f(x,y),圖像大小為m×n像素,目標邊緣共有k個像素點(xi,yi),則目標飛行器形心為:

(13)

當彈目距離較近時,目標成像相對較大,采用形心跟蹤。當目標處于均勻的背景中且目標圖像信噪比良好時,也可以選取質心作為跟蹤點,采用質心跟蹤。目標的質心計算式為:

(14)

3.3 波門設置

無論哪種跟蹤算法都需要設置波門,波門的設置可以大幅提高導彈的抗干擾能力,提高對目標的跟蹤效率。通過設置波門,使得導引頭只對波門內的目標圖像進行識別處理,對于波門外的輻射予以忽略,從而減少外部干擾、提高跟蹤精度。

但當導引頭丟失目標后,導引頭會由鎖定狀態轉換到搜索狀態,釋放波門以較大的靜態視場角掃描視場搜索目標。波門中心坐標與跟蹤點坐標重合,波門半徑可以由下式得到:

r=[xr(t)-xl(t)+yr(t)-yl(t)+|xr(t)-xl(t)-yr(t)+yl(t)|]/4

(15)

本文在進行紅外成像制導導彈目標跟蹤仿真時,當目標具有相對清晰的圖像特征時采用形心跟蹤模式。根據建立的相似度函數,對目標圖像的特征值進行計算,計算識別得到的真目標形心坐標,設置波門,并對其進行跟蹤,如圖5所示。

圖5 形心跟蹤以及波門設置Fig.5 Centroid tracking and wave gate setting

4 仿真結果與分析

4.1 飛行器平飛仿真結果

設飛行器保持水平直線飛行,其正后方2 km處有一枚紅外成像制導導彈對其進行跟蹤。分別仿真飛行器不釋放干擾和釋放面源型紅外干擾彈時,導引頭的圖像識別和跟蹤過程,如圖6和圖7所示。

圖6 無干擾時導引頭圖像識別過程Fig.6 The image recognition processes for seeker without decoy

圖7 連續釋放干擾彈時導引頭圖像識別過程Fig.7 The image recognition processes for seekerwhen decoys are launched continuously

由圖6的仿真結果可知,目標不釋放干擾,此時在導引頭視場內只存在飛行器圖像這一個目標,因此導引頭通過圖像識別后將其鎖定,并設置波門進行跟蹤。圖7的仿真中,盡管飛行器連續的釋放了多枚干擾彈,但是由于其保持水平飛行,導引頭焦平面內接收到的紅外圖像中飛行器圖像與干擾彈重合在一起。導引頭經過圖像識別處理后,干擾彈四周不連續的圖像被剔除,將干擾彈和飛行器相重合的中心圖像作為真目標,并設置波門對其跟蹤。

4.2 飛行器做桶滾機動仿真結果

紅外成像彈雖然具有極強的抗干擾能力,但是飛行器通過選擇合理的機動配合紅外干擾彈仍然能夠將其成功干擾。

設目標飛行器做防御型桶滾機動,同時連續釋放干擾彈,成像彈在飛行器尾后2 km處。仿真導引頭的圖像識別和跟蹤過程如圖8和圖9所示。

由圖8可知,彈目距離2 km時,目標飛行器的紅外特征已經非常明顯,此時導引頭已經記憶了目標機的紅外圖像信息并將其牢牢鎖定。在干擾彈釋放0.1 s內,干擾彈紅外圖像與飛行器的紅外圖像沒有分離,因此導引頭將飛行器和干擾彈相重合的圖像認為是真目標,并記憶其圖像特征。圖9的仿真結果可知,0.3 s時刻,干擾彈與飛行器的圖像逐漸分離,導引頭提取目標圖像的特征,通過公式(10)計算各圖像的相似度,計算結果得出干擾彈核心區域的紅外圖像與模板目標的相似度最高,因此導引頭將干擾彈鎖定,并設置波門對其進行跟蹤,飛行器成功擺脫跟蹤。

圖8 干擾彈釋放0.1 s時刻導引頭圖像識別處理過程Fig.8 The image recognition and treating processesfor seeker at 0.1 s when decoy is launched

圖9 干擾彈釋放0.3 s時刻導引頭圖像識別處理過程Fig.9 The image recognition and treating processesfor seeker at 0.3 s when decoy is launched

由圖7～圖9的仿真結果可知飛行器不做機動時不能將導彈成功干擾,而采取桶滾機動并釋放干擾時,可以將導彈成功干擾,這一結論與導彈的真實性能保持一致[14-16]。

5 結 論

本文對紅外成像制導導彈的圖像識別以及圖像跟蹤算法進行了建模研究。重點分析了導彈的圖像識別跟蹤機理,對導彈的圖像識別和跟蹤各流程分別建立相應的算法模型,模型的建立滿足導彈的實時性和可信性要求。并應用提出的算法,對導引頭接收到的紅外圖像進行了相應的圖像處理與跟蹤仿真；最后,分別仿真了飛行器平飛以及采取桶滾機動并釋放干擾彈時,導引頭的圖像識別跟蹤過程,真實的還原了導彈的圖像識別跟蹤過程,所得到的結論與導彈實際一致。