基于圖像的無人機戰場態勢感知技術綜述

蔣 超，崔玉偉，王 輝

(航空工業西安飛行自動控制研究所，陜西 西安 710065)

與傳統的戰爭相比，現代化的戰爭節奏進程明顯加快，戰場形勢和態勢瞬息萬變，機會稍縱即逝。如何有效利用現代的信息化技術水平和當前相關偵察設備性能提升的特征優勢，對整個戰場區域信息進行快速準確且完整的獲取，進而分析出戰場區域的整體作戰態勢，最終為指揮決策者提供強有力的信息支撐，是整個戰爭取得最終勝利的關鍵保障和重要支撐。

在戰場偵察領域中，視頻圖像與文字、電報信息相比，更為直觀、實用，是目前有效的偵察手段之一。因此基于視頻圖像的戰場態勢感知技術能夠為指揮決策者提供相對豐富和比較形象的戰場整體情況的數據。與此同時，對偵察設備而言，由于目前無人機具備靈活、容易控制、成本低，沒有人員傷亡的突出特點和優勢，因此無人機目前是現代戰場環境下獲取偵察信息十分有效的偵察裝備之一。因此，本文在參考視頻圖像態勢感知相關論述的基礎上，結合目前現有的技術，針對基于圖像的無人機態勢感知相關技術進行討論，為后續無人機相關態勢感知技術的實現提供相應的參考。

1 戰場態勢感知基本概念

戰場態勢本質上是一種對戰場狀態和戰場發展趨勢的描述。研究學者梁浩哲[1]在其論文中定義戰場態勢為在一定的戰場空間內，各個類別的軍事單位(包括常規的作戰單元、后勤補給單元以及自然環境中各個要素)的狀態情況，具體包含“態”和“勢”兩層典型含義。其中“態”這一層面，主要強調當前戰場的狀態，是對被觀察目標當前位置、運動參數、具體身份、所屬類型等參數特性的描述；而“勢”這一層面，主要強調的是事物發展的相關趨勢，是對被觀測目標所隱含的作戰意圖、被觀測目標作戰能力、與周邊環境結合后的相互關系以及對我方目標所構成的威脅等的描述。西北工業大學的肖圣龍等[2]從戰略層面和戰術層面上分別對態勢感知進行了有針對性的區分，將態勢感知定義為作戰雙方的作戰要素的狀態、形勢與發展趨勢，在戰略層面上，具體包括敵對雙方總體力量的對比、戰略部署與戰略行動的狀態、形勢和趨勢，同時包括敵對雙方社會人文環境等；在戰術層面上，具體是指敵對雙方具體的兵力對比、兵力部署、作戰計劃、火力分配、作戰意圖和具體的作戰實體(如作戰平臺，武器級具體武器目標的狀態、形勢和發展趨勢)。

戰場態勢感知顧名思義就是一個通過感知獲取戰場態勢的過程，高楊等[3]定義戰場感知為所有參戰部隊和支援保障部隊對戰場空間內敵、我、友各個方面的兵力部署、武器裝備和戰場環境等信息的實時掌握的過程。態勢感知理論最早由Endsley等提出，后于1995年改進為一個通用態勢感知三層模型，三層分別為覺察、理解和預測，如圖1所示[4]。

圖1 Endsley 1995年提出的三層感知模型

在圖1中，我方系統首先針對任務特點進行信息反饋，我方的決策系統收到反饋信號后進行三級態勢感知，先是態勢覺察，其次是對態勢的理解，最后在態勢理解的基礎上進行態勢預測，這為后續的決策和行動實施環節做了充分的信息準備和環境態勢調研。與此同時，我方對戰場態勢信息進行相應的分析和存儲，形成我方的數據庫和知識庫，從而不斷提高我方的態勢感知的能力。

Henriques等[4]進一步總結Endsley提出的態勢感知模型，將Endsley模型中的心智模型修改為人工智能模型，使之更加符合現代研究要求，改進的模型如圖2所示。

圖2 改進的態勢感知模型

在圖2中，在收到系統反饋信息的處理方面，不再是傳統的流程化的單一處理模式，而是在態勢感知、態勢理解、態勢預測方面每一步都有反饋和交互，與前期建立知識庫不同，這時知識庫已經基本完備，形成了知識規則，同時引入人工智能專家經驗進行整個流程的監控與識別，在完成了整個戰場的態勢感知后，進入決策層，在決策完成后進行相應的行動實施，同時實施完成后進行戰場信息反饋，整個過程是一個閉環的過程。

國內外研究學者對戰場態勢感知的理解雖有所差異，但大多都是基于信息層面和應用層面的差異。而態勢感知技術實現的基本過程與Endsley等提出的模型類似，均可歸納為覺察、理解和預測3個階段。3個階段層層遞進，態勢覺察是態勢理解的基礎，而兩者又共為態勢預測的基礎。下面針對態勢感知技術的3個階段，對基于圖像的無人機態勢感知技術展開介紹。

2 戰場態勢覺察

戰場態勢覺察就是利用偵察設施裝備，對戰場信息進行提取，主要包括圖像的優化處理技術、目標跟蹤檢測識別技術、目標定位技術等。

2.1 圖像的優化處理技術

通常，圖像的高效處理和圖像的高效分析問題最終都可以歸結成一個最優化問題,優化理論成為解決圖像技術問題的有力工具。目前優化理論應用范圍涉及了圖像的重構、恢復、增強、邊緣檢測、配準、分割和編碼等方面。

圖像優化技術[5]也是戰場態勢覺察的基礎，是提升態勢感知系統魯棒性、準確性的關鍵步驟。筆者理解的圖像優化技術主要包括圖像的去噪處理技術、圖像的增強處理技術、圖像的復原處理技術、圖像的融合處理技術、圖像的超分辨率重建技術等，也包括圖像拼接、三維重建等地理測繪基礎圖像處理技術。

近年來計算機技術迅猛發展，與數學的結合也日益緊密，極大地促進了數字圖像處理技術的發展。由于圖像處理的任務存在差異,相應的處理程序和模型也有差異,并且沒有統一的評價標準對圖像優化進行評價，需要設定優化的目標，為此有必要利用現有較為成熟的多目標優化技術理論來對圖像進行處理。Liu等[6]首先指出了當前圖像處理優化技術的研究中所存在的問題；接著建立了圖像的多目標處理優化的系統模型及相應的流程；最后完成了數學模型建立、優化目標建立等全流程仿真設計實現。

圖像融合也是圖像優化的一個重要的技術分支體系，圖像融合技術是指將用于同一場景的多個描述圖像優化合成為一幅新的圖像。通過對圖像進行融合能夠獲取更多更高層次的相關信息，同時能夠實現相對完整和準確的場景描述。目前來看，在機器視覺、目標識別、醫療診斷和遙感遙測等多個相關技術領域，圖像融合都有廣泛的應用。

圖像優化技術經過多年的發展，已經頗為成熟，如何利用成熟的圖像優化技術加以改進，使之能夠在戰場無人機偵察圖像上表現更優，突破算法復雜度帶來的實時性下降的問題仍是研究工作的重點。

2.2 目標跟蹤檢測識別技術

2.2.1 目標跟蹤技術

隨著信息技術、傳感器技術和圖像處理技術的發展,目標跟蹤[7]已成為了一個熱門的研究方向。

目前，目標跟蹤技術的研究主要集中在兩個方向，即以CSK、KCF算法[6]為代表的基于相關濾波的目標跟蹤技術和以SiamFC算法[8]為代表的基于深度學習的目標跟蹤技術。基于相關濾波的目標跟蹤技術速度快，依賴硬件資源少，是當下工程應用的研究熱點。而基于深度學習的目標跟蹤技術雖然跟蹤準確性高、魯棒性強，但是處理速度很難達到實時，戰場應用局限性較大。由于拍攝條件限制，無人機偵察圖像目標跟蹤應用的主要難點為目標特征不明顯、畫面不清晰、背景抖動明顯、實時性要求高等。

通常來說目標的跟蹤主要分為特征提取和目標跟蹤算法這兩個部分。

主要目標特征的提取主要有以下3種。

① 以目標區域的顏色為主要支撐點，利用目標的顏色旋轉不變性，即在顏色空間中分布大致相同的特性，通過目標區域的顏色直方圖來描述目標的主要特征，實現對目標典型特征的提取。

② 以目標區域的輪廓為主要支撐點，利用速度較快的算法，針對目標小部分遮擋的情況進行目標典型特征的提取與識別。

③ 以目標區域的紋理特征為主要支撐點，以目標紋理特征進行改善，對目標區域的典型特征進行提取，進而改善目標的輪廓特征跟蹤效果。

目標的典型跟蹤算法[9]通常有以下4種。

① 目標均值漂移算法，即MeanShift算法。該目標跟蹤方法具有迭代次數少的優勢，它僅需較少的迭代次數就能夠快速找到與目標最相似的位置。它的主要缺點是不能解決和處理目標的遮擋問題，也無法適應和處理運動目標的形狀和大小變化。因此有人對它進行了改進，提出了CamShift算法，該方法基本能夠適應運動目標的大小和形狀變化，具有較好的跟蹤效果，但是在背景色和目標顏色接近的情況下，容易出現目標區域變大的情況，最終有可能導致目標跟蹤丟失。

② 基于Kalman濾波的目標跟蹤方法。該目標跟蹤方法主要基于高斯模型理論，認為物體的運動模型符合高斯模型理論，利用高斯模型理論來對目標的運動狀態進行預測，同時與觀察模型進行對比分析，根據其與觀測模型的誤差來更新目標的運動狀態信息，但是該目標跟蹤方法的精度有待進一步提高。

③ 基于粒子濾波的目標跟蹤方法。該目標跟蹤方法主要利用粒子群算法進行分析，通過當前的目標跟蹤結果來對采樣粒子的分布情況進行分析綜合，然后根據粒子分布情況對當前目標粒子進行擴散，再通過粒子的擴散結果分析來重新觀察目標的運動狀態，最后通過歸一化的思路和方法來更新目標的運動狀態。該算法的特點是對目標的跟蹤速度快，同時有效解決了目標的部分遮擋問題，因此該目標跟蹤方法在實際工程應用過程中使用率越來越高。

④ 基于對運動目標建模的方法。該目標跟蹤方法的缺點是需要提前明確所跟蹤的目標對象。然后通過對所要跟蹤的目標狀態進行有針對性的建模，再利用該模型對目標進行跟蹤。該方法必須提前進行跟蹤對象確認，然后才能跟蹤指定的目標。

綜上所述，當前基于粒子濾波的運動目標跟蹤是目前應用最廣泛的一種目標跟蹤方法[10]。粒子濾波跟蹤方式主要分為以下4個步驟，其中后3個過程依次循環實現對運動目標的跟蹤。

① 運動目標特征提取。該階段確認待跟蹤的目標狀態，利用目標的典型特征來構建跟蹤目標區域的顏色空間對應的直方圖，并以該直方圖作為描述被跟蹤運動目標的特征。

② 目標典型特征搜索。在第一個操作步驟后，接著在被跟蹤搜索目標的周圍布撒粒子搜索目標對象，布撒粒子的方法通常有均勻布撒和針對性布撒，通常是將兩種布撒方式相結合，靠近目標的地方多撒些，離目標較遠的地方少放些。每個被布撒的粒子針對目標特征計算出它當前所處位置的顏色特征，隨后對每個粒子與被跟蹤目標計算出的相似度進行歸一化處理和分析，使得所有被布撒的粒子的相似度之和為1。

③ 目標典型特征決策。將布撒的每個粒子與目標的相似程度做加權平均處理。

④ 目標典型特征粒子重采樣。根據第③步的權重相似度的大小來對粒子的個數進行重新分配，在目標相似度高的地方布撒更多的粒子，在相似度低的地方布撒少一些粒子，以更具針對性。主要思路和目標是粒子的隨機采樣和粒子的重要性重采樣。

雖然目前目標跟蹤技術應用已頗為廣泛，但跨場景、長期遮擋下的目標跟蹤技術仍有待突破。

2.2.2 目標檢測識別技術

目標檢測識別技術[11]是一種對形狀復雜的目標進行檢測識別的技術。目標檢測識別技術的主要思想是利用前一幀建立的目標模型找到當前幀的目標區域。傳統的目標檢測算法由于精度、速度和算法魯棒性均較基于深度學習的目標檢測算法遜色很多，目前國內外主流的目標檢測算法均是基于深度學習進行的，如具有代表性的YOLO算法、SSD算法等。目標區域的顏色直方圖、邊緣或輪廓均可以作為研究的識別檢測模型。利用目標輪廓的方式主要有目標的形狀匹配、目標的輪廓跟蹤。

① 目標的形狀匹配技術。該技術通過在當前幀中主動搜索目標的輪廓，同時在連續幀中來尋找被觀測目標的關聯輪廓，通過利用被觀測目標的外觀特征，來建立當前幀和連續幀之間相應的輪廓關聯。具體來說，首先對目標的背景進行減除；隨后對目標的輪廓進行提取，同時對目標和每個目標輪廓的具體距離進行相應的匹配。通常來說目標的展現形式有多種，如密度函數、直方圖、體積函數等。

② 目標的輪廓跟蹤技術。該技術通過對上一幀的目標輪廓位置來對當前目標的輪廓進行相應的預測。具體來說，首先對狀態空間模型進行相關的目標跟蹤，并對輪廓的關鍵形狀和目標的運動參數進行定義，之后通過梯度下降法或貪婪算法進行目標輪廓的優化及跟蹤。

雖然目標檢測技術發展迅速，在數據集上測試效果也很出色，但檢測模型的訓練需要大量的樣本作為支撐，檢測視角多為監控、水平視角，現代戰場應用時檢測場景及目標同現有數據集大為不同，環境更為復雜，訓練樣本量嚴重不足，同時無人機高空飛行的狀態也導致了檢測目標所占的像素尺寸不會太大，這也是未來戰場環境下目標檢測識別技術的主要研究方向。

2.3 目標定位技術

目標定位技術[12]是一種根據無人機偵察視頻圖像建立圖像與地面目標的對應關系，以此推算目標實際地理位置、運行速度的技術。目前應用的無人機目標定位方法主要有基于圖像匹配模式和基于遙測數據模式。其中，基于圖像匹配模式的目標定位計算時間長，定位精度受限于地圖精度，而基于無人機遙測數據的實時定位受系統誤差影響較大。基于空間交會的目標定位是單純依靠無人機遙測數據定位的拓展，通過交會模型的建立進行平差定位，從而提升目標定位精度。

由于戰場環境電磁環境通常來說十分復雜，衛導和其他測量設備可能受到電磁干擾，導致結果不準確。因此，如何解決圖像的匹配模式中實時性及計算復雜度問題，依然是未來的主要研究方向。

3 戰場態勢理解

戰場態勢理解[13]即根據態勢覺察結果進一步理解并聯合目標信息，評估目標威脅，結合地理信息系統，構建戰場整體態勢圖。

3.1 目標編群

無人機態勢覺察獲取的目標信息是離散的，不利于指揮官分析整體戰場態勢。目標編群通過分析各個作戰單元的關系，對作戰單元進行歸類整合編組，減少信息冗余，有利于指揮官對戰場態勢進行判讀，提取更深層次的戰場態勢。目標編群的本質是聚類，目前已有很多學者開展相關研究，如趙幫緒等[14]提出一種陣群目標數據關聯算法；李龍順等[15]提出迭代自組織數據聚類方法；張緒亮等[16]則通過改進K-means算法實現戰場作戰單元的編群據類。整體而言，目標編群技術已得到廣泛的研究，但實際應用時，由于受到目標感知結果的限制，仍存在準確性、魯棒性不足的問題，強適應性、高效性的目標編群技術仍是戰場態勢理解技術的研究重點。

3.2 多源數據融合技術

此處的多源數據融合技術與圖像優化技術中的圖像融合技術有所不同，多源數據融合技術更廣義，融合的多源數據也并非僅僅是圖像數據。此處的多源數據包含戰場中所有多源異構傳感器采集的數據。而多源數據融合技術則是利用相關手段，關聯挖掘戰場數據信息，提取更加豐富的偵察信息。

多源異構數據融合過程主要包括目標知識抽取、關系關聯、關系推理等。目前，多源異構數據融合技術尚處于發展階段，并沒有完全自主化且準確率高的多源異構數據融合技術能夠支撐戰場環境下多源數據精準融合，主要難點表現在數據獲取、量化和模型的建立等方面。

3.3 威脅評估技術

目標威脅評估技術是戰場決策級的推理行為，目標威脅程度受類別屬性、運動狀態、現場環境等諸多因素影響。目前現有的研究多基于目標本身屬性進行排序評估目標威脅程度，如張靚[12]引用組合評價的思想，通過對目標大小、速度、航向角、距離等進行量化評估，確定威脅程度；王毅[17]則應用目標方位、俯仰、大小、亮度、速度等指標利用基于模糊判斷準則評估目標威脅程度。未來研究中，應結合戰場態勢預測結果和整體態勢信息，以目標自身屬性為基礎，綜合目標的行為意圖來評估相關目標的威脅程度。

4 戰場態勢的預測

戰場態勢預測是指利用態勢的覺察技術和態勢理解的相應結果來預測目標未來作戰狀態。戰略層次的戰場態勢識別和預測是作戰系統級別的，在此不進行討論，戰術級別的目標意圖識別預測是本文討論的重點。

戰術級目標意圖識別是根據態勢覺察、態勢理解的結果，快速準確地識別戰場作戰目標的作戰意圖，為指揮官針對敵方作戰意圖制定應對策略提供保障，也為智能決策提供信息支撐。有不少研究學者對目標意圖識別展開研究，戰場目標意圖目前并沒有一個公認的解釋，研究人員往往根據自身理解將戰場意圖劃分為偵察、監視、佯動、攻擊、突防、誘敵、撤退等多種模式，常用的目標意圖識別方法包括貝葉斯網絡、模糊集合理論、專家系統、深度學習等。深度學習以其良好的學習能力和泛化能力成為研究的熱點。常用的深度學習預測網絡有深度置信網絡、堆棧自編碼器、循環神經網絡等。長短期記憶網絡(Long Short-Term Memory,LSTM)是目前應用最廣泛的循環神經網絡改進算法之一,通過模擬人腦機制進行有效目標意圖識別預測，歐微等[18]構建了LSTM模型對戰場目標意圖進行識別預測。

雖然目前戰場目標意圖識別預測研究已經較為深入，但由于目標意圖識別預測的影響因素眾多，仍有部分問題亟待解決，具體如下。

① 目標意圖的量化劃分。如何依據不同使用條件，清晰準確地對目標意圖進行劃分，根據劃分種類動態更新識別結果。

② 數據獲取及利用。如何充分利用所有偵察信息，采集戰場環境、目標屬性等多維數據，作為模型輸入進行識別預測。

③ 識別模型的在線更新。應根據戰場情況實時更新模型，提升系統魯棒性以適應更加復雜的戰場環境。

5 結束語

戰場態勢的復雜性使得研究學者們對戰場態勢感知的理解略有不同，但由于戰場態勢感知的目的性，戰場態勢感知可以歸納為戰場態勢覺察、戰場態勢理解、戰場態勢預測3個階段。本文結合基于圖像的無人機態勢感知應用，分別針對態勢感知3個階段的關鍵技術進行討論，并對實現難點及發展方向進行探討，可為基于圖像的無人機態勢感知系統研究提供參考，也為其他偵察系統態勢感知提供借鑒。