紅外成像導引頭抗干擾效能評估體系構建及仿真研究

查 月，曹玉音

(1.中國人民解放軍92941部隊44分隊，遼寧 葫蘆島 125001；2.宜昌測試技術研究所，湖北 宜昌 443003)

0 引言

20世紀以來，紅外成像技術有了很大的發展，并迅速在精確制導武器上得到了廣泛應用[1-2]。紅外成像制導武器是利用探測目標和背景間微小的溫差或輻射頻率差引起的熱輻射分布情況來實現對目標的跟蹤，能夠實現在復雜戰場中對目標的全向攻擊[3]。然而，如何準確評估紅外成像導引頭在干擾條件下的工作效能，為紅外成像導引頭抗干擾效能的提高及其驗收鑒定提供重要的依據，是一項亟待完成的工作[4-6]。

國內外目前評估系統作戰效能的主觀評估方法主要有專家調查法、層次分析法、菲爾德法；客觀評估法主要有因子分析法、回歸分析法、主成分分析法；綜合評估法主要有神經網絡評估法、灰色評估法、模糊綜合評估法[7-14]。目前，對紅外成像導引頭進行抗干擾效能評估多是利用層次分析法和模糊綜合評估法，得到綜合抗干擾概率指標。李凡等利用多層模糊分析法對紅外制導的抗干擾效能進行了評估，構建了抗干擾效能評估指標體系，提高了評估結果的可信度和準確性[8]；錢歡等使用多層次灰色評估模型評估了電子對抗裝備不同工作狀態下的作戰效能[15]；葛辰杰等利用線性支持向量機對紅外導引頭的抗干擾效能進行評估，適用于小數據樣本情況[16]。

由于作戰場景下的紅外干擾因素復雜多樣性，對于紅外成像制導系統抗干擾效能的評估方法也尚未規范統一[17-18]。本文提出了基于目標識別、圖像特征、跟蹤精度的多維度反艦導彈抗紅外干擾效能評估體系，并通過仿真實驗，驗證了兩種紅外成像識別跟蹤算法抗干擾表現與體系評估指標的一致性。

1 紅外成像導引頭工作原理

1.1 紅外成像原理

紅外導引頭的工作窗口波段通常是指3～5 μm的中波紅外和8～12 μm的長波紅外，紅外感知系統的工作原理是通過特殊的材料如熔融石英輔以冷光柵和冷屏來捕獲紅外波長內的熱能量。根據已知的材料，可以得到某紅外成像探測器的黑體溫度與相應灰度值之間的關系，根據目標溫度，可以采用黑體的輻射公式計算出黑體的光譜輻射M如下：

(1)

式中，c1為第一輻射常數，c2為第二輻射常數。

紅外成像探測器的工作波長為[λ1，λ2]，可以根據其工作波長得到黑體的光譜輻射W為：

(2)

輻射照度L的計算公式為：

(3)

即單位面積上的輻射能量。從此處可以得到黑體的輻射照度L和紅外成像探測器紅外灰度圖灰度值的對應關系。最終可以通過普朗克定律和蘭伯特定律計算得出遠距離目標的探測輻射亮度如下：

(4)

式中，h為普朗克常數，c為光速，k為波爾茲曼常數，T為溫度。

1.2 紅外成像制導系統基本組成

紅外成像制導系統主要由三部分構成，即紅外成像系統、圖像處理系統及隨動系統。目標的紅外輻射信號首先進入到光學系統，通過掃描機構在紅外探測器的光敏面上聚焦，經過光電轉換將光信號轉換為電信號，再對電信號進行濾波和放大處理，得到目標的位置誤差信息；或由成像系統解析圖像，經過非均勻校正和預處理后得到原始的目標紅外圖像，再傳輸至隨動系統聯動光學系統，引導導引頭向目標方位運動，形成角跟蹤回路，實現導引系統對目標的連續跟蹤。同時生成自動駕駛儀所需的導引信號，指揮控制導彈飛向目標[11]。紅外成像制導系統組成如圖1所示。

圖1 紅外成像制導系統構成

1.3 紅外成像導引頭工作方式

紅外成像導引頭在在識別跟蹤過程中具有三種工作狀態，分別為檢測狀態、跟蹤狀態以及判斷狀態。

1)檢測狀態：在檢測狀態下，紅外成像導引頭對目標生成的紅外圖像進行識別檢測，尋找所要追蹤的目標紅外信號。如果導引頭發現符合目標特性的紅外信號，會通過識別算法確定目標信息并鎖定其位置，在確定該信號有效后保存目標信息與位置并轉入跟蹤狀態，否則保持檢測狀態。

2)跟蹤狀態：在跟蹤狀態下，紅外成像導引頭鎖定目標并調整自身方向使得導彈朝向目標所在方位偏移，從而實現改變飛行軌跡與飛行目的地，同時導引頭也將記錄目標物體的紅外成像特征，用于出現抗干擾判斷。根據自身采取的跟蹤算法對目標置信度進行評估，出現置信度過低或者丟失目標信息的情況，則說明出現干擾，導引頭即轉入判斷狀態。

3)判斷狀態：紅外成像導引頭判斷狀態主要出現于多個真假目標物體同時出現造成跟蹤算法受到干擾無法正常工作，或者目標信息丟失導致跟蹤算法無法繼續跟蹤目標的情況。此時跟蹤算法難以確定跟蹤目標，需要通過紅外成像導引頭抗干擾算法重新選擇要追蹤的目標物體或者返回檢測狀態。

2 紅外成像導引頭抗干擾效能指標

紅外成像導引頭抗干擾效能評估是在復雜戰場環境下對紅外成像制導系統的捕獲、識別跟蹤目標的水平進行評估的準則和方法。它對于在復雜海戰場環境試驗中如何構設紅藍雙方光電對抗的博弈態勢有著重要指導作用。

評估紅外成像導引頭效能首先構建合適的評估指標，其次建立數學模型并設置典型場景，通過仿真實驗對系統進行抗干擾效果評估，最后根據實驗結果對抗干擾效能進行分析評價。通過對紅外成像制導工作原理的分析，可以從目標識別、圖像特征、跟蹤精度三個維度構建評估指標體系[19-20]。

2.1 目標識別指標

紅外成像導引頭處于搜索檢測工作狀態時，對其視場內的目標進行識別，通過目標紅外輻射特征判斷其類型，并給出置信度指標。目標抗干擾識別能力是指紅外成像導引頭運用相應的目標識別算法，在打擊目標的過程中，從其所采集到的每一幀圖像中識別出正確目標的能力[4]。目標識別概率是反映導引頭由探測轉入截獲過程的核心參數，易受自然環境、人為干擾影響，主要表現為規定時間內導引頭識別概率下降將導致跟蹤目標錯誤。

平均目標識別概率Pt是指在干擾環境下對檢測目標的置信度，定義為：

(5)

式中，pi為單次目標識別的置信度；n為導引頭檢測識別總次數。

2.2 圖像特征指標

紅外成像導引頭的核心功能是目標探測、識別和跟蹤，而其探測、識別和跟蹤的效能依賴于目標圖像特征的強弱[22]。當導引頭受到干擾時，會導致目標在海天背景下的紅外成像質量下降，目標與背景的對比度降低。因此可以根據目標紅外成像特征的對比度變化來評估導引頭的抗干擾能力[20]。目標成像對比度是指目標成像平均灰度值與背景平均灰度值之比，計算公式如下：

(6)

式中，σ1為目標成像平均灰度值，σ2為背景平均灰度值。

2.3 跟蹤精度指標

紅外成像導引頭在截獲目標后轉入對目標的自動跟蹤狀態，并連續測量目標的運動方位，控制導彈指向目標。在目標跟蹤階段，目標實施光電干擾措施或進行緊急機動都會對紅外成像制導系統的跟蹤精度造成影響，具體體現在對目標水平或俯仰方位上的跟蹤角度誤差。紅外導引頭方位/俯仰跟蹤角度誤差定義如下：

(7)

(8)

式中，θ1為目標與導彈連線方位角，θ2為導引頭光軸指向方位角，α1為目標與導彈連線俯仰角，α2為導引頭光軸指向俯仰角，n為跟蹤次數。

紅外成像制導系統在跟蹤角誤差逐漸累積，或目標置信度嚴重下降的情況下，導引頭可能會丟失目標，打斷連續跟蹤狀態而轉入判斷狀態。因此，平均連續跟蹤時間比是評價導引頭持續抗干擾和穩定跟蹤能力的重要指標之一。平均連續跟蹤時間比定義為：

(9)

式中，Ti為導引頭單次連續跟蹤時間，n為目標丟失次數，n為跟蹤次數，T0為導引頭開機時刻，Ts為導引頭銷毀時刻。

3 光電對抗仿真平臺

本文使用的光電對抗仿真平臺基于場景想定數據創建作戰任務，在整個任務仿真過程中，根據紅外環境信息以及目標、目標的紅外輻射特征進行建模與紅外可視成像仿真，實時進行目標識別和跟蹤，并且模擬測試紅外成像導引頭對抗面源紅外干擾信號的情況下打擊目標的能力。光電對抗仿真系統通常由場景想定模塊、紅外環境模塊、平臺運動模塊、紅外成像導引頭模塊和干擾彈模塊組成，其中紅外成像導引頭模塊為核心組件，主要具有紅外成像、目標識別和目標跟蹤功能。

3.1 紅外成像及圖像處理

紅外成像導引頭模塊通過光柵化渲染的方式，獲取場景中的所有物體位置以及物體對應的模型文件數據，讀入其中的網格體數據，然后通過坐標變換到對應三維空間中，通過將紅外成像導引頭看作虛擬相機進行渲染成像，最終成像結果由物體的溫度信息以及位置信息，結合紅外輻射成像計算結果進行賦值。

整個仿真場景主要由天空和背景、多個潛在目標物體以及可能的干擾目標組成。紅外可視渲染視圖與三維渲染視圖的視角一致，因此圖像中各個物體位置信息以及輪廓等特征均保持一致，區別在于圖像顏色。紅外可視渲染場景中不考慮光照信息、物體紋理信息等關于顏色信息的資源與數據，而是通過場景中的物體與環境的溫度信息，通過真實輻射亮度的計算公式，代入場景當前溫度信息，渲染得出貼合真實物理規則的紅外灰度圖像。最終紅外成像模塊所得到的信息即為紅外場景渲染圖，紅外圖像無RGB信息，以灰度圖的形式保存。

由于仿真生成的紅外圖像信息與真實紅外成像采到的數據之間的差異，以及使用原始的紅外圖像直接傳入識別、追蹤算法中效果無法達到最佳，因此在信號處理仿真模塊中添加高斯噪聲、白噪聲以及濾波處理操作，將處理后的紅外圖像數據提供給目標識別跟蹤模塊，可以獲得更好的目標識別、跟蹤效果。

3.2 目標識別

紅外成像導引頭識別目標的過程是先找出目標和背景的差異，提取目標特征，將目標特征進行比較，選則最匹配結果特征，再進行決策分類處理。從兼顧效果與效率上進行選擇，在目標識別算法上主要采用YOLO和SSD算法。

1)YOLO算法：YOLO算法(you only look once)是一個one stage的實時目標檢測算法，采用單個神經網絡直接預測類別概率和物體邊界，融合了目標類別和目標區域預測，能夠實現端到端的物體檢測。YOLO相對于基于Region Proposal如R-CNN的算法準確度較低一些，但它的檢測速度更快。YOLO算法訓練過程的流程如圖2所示。

圖2 YOLO算法訓練流程

YOLO算法首先使用卷積神經網絡提取圖像特征，其次預測候選區域的類別和位置。設定每個預測框為一個樣本，標注真實框的相對類別和位置并得到標簽值，通過網絡模型預測其類別和位置并比較網絡預測值和標簽值，建立損失函數。在圖像上依據一定規則產生一系列的候選區域，再根據圖像上物體的真實框和候選區域間的位置關系標注候選區域。標注與真實框接近的候選區域為正樣本，并設定真實框的位置為正樣本的位置目標。標注偏離真實框較大的候選區域為負樣本，負樣本不用預測類別或位置。

2)SSD算法：SSD(single shot multibox detector)與YOLO一樣，也是一個one stage的實時目標檢測算法，譯為“單激發多框探測器”，思路是在圖像多層特征圖上密集均勻地抽樣，可以采用不同尺度和長寬比的抽樣方式，通過CNN提取特征后直接分類和回歸。

SSD沿用了YOLOv1的基本思路，糅合了Faster R-CNN的anchor-box，又開創性地提出了多分辨率預測，整個過程只需要一步，所以其優勢是速度快，精度高于YOLO，速度勝于faster R-CNN。實時SSD300模型的運行速度，比最初版本的實時YOLO更快，同時產生了顯著優越的檢測精度。其訓練流程如圖3所示，最后通過極值抑制得到置信度最高的目標。訓練還涉及到選擇一些默認框檢測尺度，負難例挖掘，數據增強策略。

圖3 SSD算法訓練流程

SSD預測過程和訓練過程相比較為簡單，首先將待預測的圖片輸入網絡，將初始框根據輸出的目標類別和偏移量進行對應調整，得到預測框，并確定預測框的類別，然后過濾掉屬于背景的預測框和閾值較低的預測框。對于留下的預測框執行NMS算法，將重疊度較大的預測框再次過濾掉，留下的預測框為最終的檢測結果。預測過程如圖4所示。使用中先輸入圖像信息，將得到置信度最高的目標作為識別目標，若置信度不足則認為識別失敗。

圖4 SSD算法預測流程

3.3 目標跟蹤

目標跟蹤算法主要運用到了Byte Track以及基于Mean Shift的帶有模板匹配思路的目標追蹤算法。其中Mean Shift算法僅支持單目標追蹤，但具有較強的抗干擾能力；Byte Track算法魯棒性強，能完成多目標追蹤。

1)Byte Track算法：Byte Track是基于 tracking-by-detection范式的跟蹤方法，是一種簡單高效的數據關聯方法Byte。它是利用跟蹤軌跡和檢測框之間的相似性，保留住高分檢測結果，并除去低分檢測結果中的背景，識別出需要的目標，Byte Track能夠降低目標漏檢并提高目標軌跡的連貫性。由于Byte Track沒有采用外表特征進行匹配，所以跟蹤的效果非常依賴檢測的效果，若檢測器的效果很好，跟蹤也會取得不錯的效果，若檢測的效果不好，就會嚴重影響跟蹤的效果。為降低該算法缺陷，采用的檢測算法都是基于神經網絡準確率更高的算法，在跟蹤出現置信度不足時會進入判斷狀態，重新使用準確度更高的檢測算法重新確定跟蹤目標信息。

2)Mean Shift算法：Mean Shift算法是一種基于密度的非參數聚類算法，思路是假設不同簇類的數據集合不同的概率密度分布，尋找樣本數據點密度增大最快方向，樣本密度高的局部區域對應于該分布局部極值，樣本點會在局部密度極值處收斂，收斂到相同局部極值的點即是同一簇類的成員。

狀態初始化階段，算法的主要工作是對導引頭探測到的圖像進行初步處理，以提高下一步中導引頭追蹤目標的成功率。在這一階段，除去一般的像素展開操作外，算法還會使用包括二值化、眾數濾波等一系列的傳統圖像處理手段。在初始化步驟中完成紅外圖像的初步處理之后，導引頭便根據預設參數更新自身的跟蹤制導行為。通過均值漂移操作和四向延拓之后，導引頭將標記出目標的追蹤框圖，進而調整導彈的運動方向等行動參數。

4 抗干擾效能評估仿真實驗

4.1 仿真實驗場景構設

通過光電對抗平臺仿真軟件構設兩種實驗場景，一種為無干擾場景，一種為紅外誘騙干擾場景。在兩種場景下分別對紅外成像導引頭的“SSD+Mean Shift”(以下稱算法1)及“YOLO+Byte Track”(以下稱算法2)識別跟蹤算法進行數字仿真驗證，獲取效能評估指標樣本數據。仿真設置紅外成像制導導彈速度為0.7 Ma，距離目標5 km，目標直航速度為20 kn，并通過執行紅外面源誘騙干擾戰術對紅外成像導引頭實施干擾，干擾設置參數如表1所示。

表1 仿真參數設置

仿真實驗過程中實時記錄仿真時間、目標識別概率、目標成像灰度值、目標跟蹤方位/俯仰角誤差數據，仿真結果如圖5～8所示。

圖5 目標識別概率仿真曲線

圖6 平均目標成像對比度仿真曲線

圖7 目標跟蹤方位角誤差仿真曲線

圖8 目標跟蹤俯仰角誤差仿真曲線

4.2 仿真結果分析

4.2.1 目標識別概率分析

從目標識別概率仿真曲線可以看出，兩種算法在無干擾場景下都能夠對目標進行準確識別，平均識別概率可以保持在80%以上。面對干擾對抗場景，算法1對紅外誘餌的識別反應有一定延遲，并且在仿真時間15 s左右被干擾物引偏，致使目標脫離導引頭視場范圍，仿真后段持續跟蹤干擾物，識別概率維持在57%；算法2在仿真時間第5 s時對紅外誘餌完成抗干擾識別，第8 s后繼續轉向跟蹤目標，識別概率穩定在70%以上。通過以上分析可知，算法2的抗干擾識別能力強于算法1。

4.2.2 平均目標成像對比度

在紅外成像灰度圖中，紅外誘餌和目標相對于海天背景具有較高的灰度值，并且誘餌灰度值大于目標。從平均目標成像對比度仿真曲線可以看出，在無干擾場景下，導引頭穩定跟蹤目標，隨著彈目距離的減小，目標成像在識別跟蹤框中的圖像占比提高，因此平均成像對比度穩定增大。面對干擾對抗場景，算法1導引頭被引偏后跟蹤誘餌，由于誘餌紅外輻射強度更大，短時間能具有較高的成像對比度，隨著距離的接近和誘餌的消散，海天背景凸顯，成像對比度急劇下降；算法2在干擾對抗期間，識別跟蹤框內被面源誘餌占據，成像對比度增大，擺脫干擾后成像對比度曲線與無干擾場景幾乎吻合。

4.2.3 目標跟蹤方位角誤差

導引頭跟蹤目標的過程中，圖像處理系統實時計算彈目方位和俯仰誤差，并輸入導彈隨動系統，導彈根據自身的制導方法輸出機動指令，常見的有比例引導和前置角引導等方法。仿真曲線中體現了在無干擾場景下，面對目標，導彈跟蹤目標的方位角誤差按照導引律穩定變化。面對干擾對抗場景，算法1導引頭被引偏后跟蹤誘餌，由于誘餌紅外在水平方位幾乎沒有移動速度，因此算法1的跟蹤方位角誤差在0°附近振蕩；算法2在干擾對抗期間，跟蹤方位急劇擺動，干擾對抗成功后穩定跟蹤目標，此時方位角誤差按照導引律穩定變化。通過以上分析可知，跟蹤方位角誤差并不是越小越好，而是要符合相應的制導規律。

4.2.4 目標跟蹤俯仰角誤差

從目標跟蹤俯仰角誤差曲線中可以看出，導引頭穩定跟蹤目標時幾乎沒有俯仰角誤差，那是因為目標在高度俯仰方向沒有運動趨勢，而被誘餌誘騙后的算法1導引頭，受誘餌自由落體運動的影響，在俯仰指向上出現較大的誤差擺動。通過以上分析可知，跟蹤俯仰角誤差越小，越能體現導引頭識別跟蹤算法的優越性。

仿真數據表明，算法2的平均目標識別概率大于算法1，因此算法2的目標識別能力更強；由于跟蹤誘餌時目標成像對比度會先增大后減小，產生較大變化，因此成像對比度需要根據實時數據進行分析，其平均值難以表明導引頭的抗干擾效能；兩種算法的平均跟蹤角度誤差結果也如分析結論一致，容易被引偏并跟蹤水平方位幾乎靜止的誘餌的算法1具有更小的平均跟蹤方位角誤差，而跟蹤俯仰高度穩定的目標的算法2具有更小的平均跟蹤俯仰角誤差，說明算法2的目標跟蹤能力更強；綜上所述，算法2具有更好的抗干擾效能。

5 結束語

本文從目標識別、圖像特征和跟蹤精度三個維度構建評估了效能評估指標體系。通過構設典型場景，對兩種紅外成像識別跟蹤算法進行了紅外誘騙干擾對抗仿真實驗，通過對抗仿真結果與效能評估指標的數據表現，對比分析可知算法2具有更好的抗干擾效能，驗證了效能評估體系的有效性。