衛(wèi)媛媛，賀 偉

（西安郵電大學(xué)，西安 710065）

0 引言

掃描探測(cè)體制激光成像引信利用激光束探測(cè)目標(biāo)，具有對(duì)目標(biāo)的主動(dòng)全向探測(cè)能力、探測(cè)視場(chǎng)方向尖銳、不易受電子干擾等特點(diǎn)。然而由于工作波段的原因，激光成像引信也受云霧，特別是空氣懸浮粒子的后向散射影響較大。在復(fù)雜戰(zhàn)場(chǎng)背景、導(dǎo)彈與目標(biāo)高速交會(huì)的情況下，對(duì)云霧目標(biāo)進(jìn)行精確和快速的辨別比較困難［1］，這也一直是激光成像引信發(fā)展和應(yīng)用的“瓶頸”問題之一。國(guó)內(nèi)外對(duì)此也提出了一些識(shí)別方法，文獻(xiàn)［2］提出了利用曲線段特征、字塊特征等方法進(jìn)行目標(biāo)局部圖像識(shí)別。文獻(xiàn)［3］提出了用矩不變特征進(jìn)行飛機(jī)目標(biāo)識(shí)別。文獻(xiàn)［4］提出了一種基于形態(tài)點(diǎn)特征的方法進(jìn)行目標(biāo)識(shí)別。由于彈目交會(huì)時(shí)獲得的是局部圖像，信息比較少，交會(huì)姿態(tài)復(fù)雜，這些識(shí)別方法的適應(yīng)性不強(qiáng)，辨別速度不夠快，所以提出了一種根據(jù)目標(biāo)角點(diǎn)和角點(diǎn)區(qū)域的矩形度來辨別云霧與目標(biāo)的方法。

1 激光成像引信和常用目標(biāo)特性識(shí)別方法

1.1 激光成像引信

激光成像引信主要由光學(xué)掃描機(jī)構(gòu)、激光發(fā)射接收、目標(biāo)辨別處理等單元組成。圖1為激光成像引信示意圖。激光成像引信可以獲取目標(biāo)的方位、局部幾何形狀、距離等信息。如何對(duì)目標(biāo)圖像進(jìn)行處理，有效提取目標(biāo)特征以實(shí)現(xiàn)快速辨別云霧和目標(biāo)是激光引信的關(guān)鍵研究方向之一。

圖1 激光成像引信探測(cè)裝置的原理圖

1.2 激光掃描建模

激光掃描過程并不是全覆蓋，而是一種點(diǎn)覆蓋，像素點(diǎn)之間存在著一定間隔［7］。為了能夠在高速?gòu)椖拷粫?huì)時(shí)有效探測(cè)目標(biāo)，為后續(xù)云霧目標(biāo)辨別提供更準(zhǔn)確的數(shù)字二值圖像，下面對(duì)影響回波數(shù)據(jù)的因素進(jìn)行建模分析，激光掃描探測(cè)區(qū)域示意圖如圖2。

圖2 激光成像引信軸向掃描探測(cè)區(qū)域示意圖

假設(shè)激光引信脫靶量a為5m，作用距離b為8m。在激光掃描點(diǎn)成像過程中，激光光束隨著掃描電機(jī)棱鏡的旋轉(zhuǎn)，照射出一串的信號(hào)回波。隨著棱鏡掃描和導(dǎo)彈與目標(biāo)的相對(duì)運(yùn)動(dòng)，目標(biāo)各個(gè)部位進(jìn)入探測(cè)區(qū)域從而完成對(duì)目標(biāo)的探測(cè)。圖3為目標(biāo)探測(cè)到的掃描點(diǎn)的示意圖。假設(shè)在飛機(jī)與導(dǎo)彈迎面飛行的極端情況下，相對(duì)高速?gòu)椖拷粫?huì)速度約為1000m/s或者更高，在彈軸方向上渡越距離為d=0.8m。

圖3 掃描點(diǎn)分布

對(duì)于激光成像引信來說，探測(cè)距離不會(huì)太大，一般在十幾米內(nèi)。要滿足實(shí)際高速?gòu)椖拷粫?huì)要求，激光成像引信至少應(yīng)在交會(huì)時(shí)適時(shí)判斷識(shí)別出目標(biāo)。根據(jù)計(jì)算識(shí)別算法的實(shí)際處理時(shí)間應(yīng)在8ms以內(nèi)，為滿足引戰(zhàn)配合的需要，因此要求算法簡(jiǎn)單且快速。

1.3 常用目標(biāo)識(shí)別特性

由于激光成像引信工作于特殊環(huán)境，探測(cè)到的目標(biāo)圖像極其復(fù)雜，且多是不完整的局部圖像［6］（見圖4），所以只能通過諸多局部特征的提取來識(shí)別目標(biāo)與云霧。常用的局部目標(biāo)特征有不變矩、邊緣特征、線矩等。

圖4 各種交會(huì)條件下的飛機(jī)目標(biāo)二值圖像

1）不變矩

不變矩反映了物體灰度相對(duì)于質(zhì)心的統(tǒng)計(jì)分布情況，具有平移、旋轉(zhuǎn)和比例不變性，是表征不變量方面比較成熟的方法［3］。在二維不變矩中，常用的有階數(shù)小于3的7個(gè)不變矩。但是由于這種方法是基于全局圖像的，所以運(yùn)算量比較大，而且它只能計(jì)算連續(xù)的輪廓，不能清晰的顯示飛機(jī)目標(biāo)的局部輪廓。

2）邊緣特征

邊緣是圖像局部特征變化比較顯著的部分，采用邊緣檢測(cè)獲得的邊緣點(diǎn)以及邊緣線可以反映出目標(biāo)的輪廓信息［2］。但是由于實(shí)際應(yīng)用的運(yùn)行速度需在8ms內(nèi)，所以無法通過提取圖像邊緣特征快速的進(jìn)行云霧目標(biāo)辨別。

2 基于角點(diǎn)和矩形度的目標(biāo)辨別

利用角點(diǎn)和矩形度進(jìn)行目標(biāo)辨別，包括角點(diǎn)特征的提取和角點(diǎn)區(qū)域矩形度的計(jì)算。

2.1 角點(diǎn)特征算法

角點(diǎn)是圖像中灰度變化劇烈的點(diǎn)，包含位置、夾角、邊界形狀等豐富的信息而且相對(duì)要處理的數(shù)據(jù)量比較小。Harris算法應(yīng)用比較廣泛。

Harris角點(diǎn)檢測(cè)是基于像素灰度變化的，角點(diǎn)附近往往是像素灰度值變化非常大的，梯度也非常大。若對(duì)二值圖像數(shù)據(jù)上的點(diǎn)分別求取x、y方向上的灰度變化值，就可判斷是否為角點(diǎn)。其中灰度變化度量的解析式設(shè)為:

式中:Ex，y為灰度變化量;ωx，y為一個(gè)高斯滑動(dòng)窗口函數(shù)，用高斯函數(shù)代替二值窗口函數(shù)，對(duì)離中心點(diǎn)越近的像素賦予越大的權(quán)重，以減少噪聲影響;I為圖像的像素灰度值。尋找?guī)в薪屈c(diǎn)的窗口，需要搜索像素灰度變化較大的窗口，于是期望最大化Ex，y，將其化為二次型并進(jìn)行對(duì)角化處理得到下式:

式（3）提取了兩個(gè)特征值λ1、λ2，可以用來描述兩個(gè)主要方向上信號(hào)的變化。將兩個(gè)特征值混合計(jì)算得出單一的強(qiáng)度值R，這個(gè)值也就是Harris的角點(diǎn)響應(yīng)函數(shù)R如下式:

R決定了這個(gè)窗口中是否包含了角點(diǎn)，當(dāng)目標(biāo)點(diǎn)的R大于給定的閾值，則該點(diǎn)為角點(diǎn)。Harris算法計(jì)算了每一個(gè)像素點(diǎn)上的R值，從而求出二值圖像數(shù)據(jù)上的所有角點(diǎn)。

2.2 角點(diǎn)區(qū)域的矩形度

當(dāng)目標(biāo)的邊界已知時(shí)，數(shù)學(xué)上可以用最小外界矩形來描述基本形狀。先確定目標(biāo)的主軸，再求出物體在主軸上的長(zhǎng)度和與之垂直方向上的寬度，這樣就得到目標(biāo)的水平和垂直跨度，這也就是目標(biāo)的最小外接矩形如圖5所示。

圖5 最小外界矩形

矩形度反映目標(biāo)對(duì)其最小外接矩形的充滿程度，也就是目標(biāo)的面積與其最小外接矩形面積的比值用式（5）來描述:

其中:A0為目標(biāo)的面積;AMER為最小外接矩形的面積。根據(jù)矩形度這個(gè)形狀特征可以排除一些孤立的噪聲干擾。

2.3 特征提取及識(shí)別流程

激光引信探測(cè)系統(tǒng)的工作原理和應(yīng)用場(chǎng)合決定了其獲取的飛機(jī)圖像信息的分辨率不會(huì)很高［9］。但是在飛機(jī)邊緣的交界處、被遮擋的邊緣等部分一般都是穩(wěn)定的、像素變化比較大的點(diǎn)。而角點(diǎn)正是兩個(gè)邊緣變化方向上變化比較大的點(diǎn)，利用這一點(diǎn)相似性可以檢測(cè)出飛機(jī)目標(biāo)。在各種高速?gòu)椖拷粫?huì)情況下，用Autodesk 3Ds Max軟件對(duì)三維F-15戰(zhàn)機(jī)進(jìn)行模擬，用得到的二維圖像矩陣進(jìn)行方法的驗(yàn)證。經(jīng)過上面的Harris角點(diǎn)特征分析得出:

1）一般情況下探測(cè)器接收到的云霧、小物體等干擾圖像的矩陣信息多為隨機(jī)、少數(shù)、孤立的噪聲點(diǎn)，所以能提取到的角點(diǎn)數(shù)量是非常少的，幾乎沒有角點(diǎn)可提取。

2）飛機(jī)目標(biāo)在迎頭交會(huì)時(shí)最先掃描到的是前機(jī)身，然后是中機(jī)身和機(jī)翼，最后是發(fā)動(dòng)機(jī)和尾翼。前機(jī)身部位主要是一條機(jī)頭主軸和一些小突起，能夠提取到一定角點(diǎn)。尾追交會(huì)由于激光光束先掃過尾翼、發(fā)動(dòng)機(jī)區(qū)域，然后是機(jī)翼和中機(jī)身、前機(jī)身。尾翼較早出現(xiàn)，其影響區(qū)的灰度值與其它部位的灰度值差異較大，所以尾追交會(huì)時(shí)也會(huì)出現(xiàn)明顯的角點(diǎn)特征。

為進(jìn)一步排除干擾，需用角點(diǎn)區(qū)域矩形度進(jìn)一步確定有角點(diǎn)特征的區(qū)域就是飛機(jī)目標(biāo)。分析得到云霧干擾具有不確定性，外界矩陣大，矩形度小;飛機(jī)目標(biāo)的角點(diǎn)較集中，其最小外界矩形相對(duì)較小，矩形度相對(duì)云霧大很多。根據(jù)以上的分析得出用角點(diǎn)特征和角點(diǎn)區(qū)域矩形度進(jìn)行云霧目標(biāo)辨別的流程見圖6。

圖6 云霧目標(biāo)辨別流程圖

其中，角點(diǎn)閾值T1、矩形度閾值T2是通過大量的實(shí)際測(cè)量數(shù)據(jù)得到。本項(xiàng)目是通過對(duì)比100個(gè)不同飛行姿態(tài)的飛機(jī)局部圖像與模擬云霧圖像的角點(diǎn)數(shù)量及矩形度最后得出閾值。處理的圖像數(shù)量越多，得到的閾值越精確。

3 實(shí)驗(yàn)及仿真

通過Autodesk 3Ds Max軟件對(duì)云霧、F-15戰(zhàn)機(jī)各種飛行姿態(tài)進(jìn)行模擬，用得到的大量局部飛機(jī)圖像數(shù)據(jù)進(jìn)行了圖像處理。

3.1 不同掃描行對(duì)提取角點(diǎn)的影響

在相同的戰(zhàn)機(jī)飛行姿態(tài)下，對(duì)不同的掃描行數(shù)圖像數(shù)據(jù)提取角點(diǎn)見表1。假設(shè)圖像中一個(gè)像素點(diǎn)為一個(gè)掃描點(diǎn)，每列都是40個(gè)像素，行像素則從10到30行遞增代表掃描行數(shù)的增加。當(dāng)掃描行數(shù)大于20行時(shí)可以識(shí)別出較為穩(wěn)定的角點(diǎn)數(shù)量;當(dāng)行數(shù)小于20行時(shí)，由于數(shù)據(jù)太少所以無法判斷。所以后續(xù)仿真實(shí)驗(yàn)采用20行掃描數(shù)據(jù)來驗(yàn)證云霧目標(biāo)辨別方法。

表1 不同掃描行的角點(diǎn)個(gè)數(shù)統(tǒng)計(jì)

硬件實(shí)現(xiàn)可以用高速DSP芯片。DSP執(zhí)行一條指令的時(shí)間小于1ns。文中提出的角點(diǎn)算法是基于整幅圖像數(shù)據(jù)來求灰度變化量，指令最多約20000條。假設(shè)每條指令10ns，在DSP上運(yùn)行完算法需要0.2ms，可以達(dá)到高速?gòu)椖拷粫?huì)時(shí)云霧目標(biāo)辨別的實(shí)際處理時(shí)間，與傳統(tǒng)的識(shí)別方法相比速度要快。

3.2 模擬云霧與飛機(jī)目標(biāo)的角點(diǎn)數(shù)差異

對(duì)相同掃描行數(shù)的數(shù)據(jù)圖像提取角點(diǎn)，并計(jì)算角點(diǎn)數(shù)量，數(shù)據(jù)見表2?？梢钥闯鲈旗F的角點(diǎn)數(shù)量為0，與飛機(jī)的角點(diǎn)數(shù)量差異很大，大量計(jì)算得出一個(gè)閾值T1，當(dāng)角點(diǎn)數(shù)量大于閾值則為飛機(jī)，小于閾值則為云霧。本實(shí)驗(yàn)取T1為1。

表2 飛行與云霧的角點(diǎn)數(shù)量差異

3.3 模擬云霧與飛機(jī)目標(biāo)的矩形度差異

在角點(diǎn)提取的基礎(chǔ)上，計(jì)算出角點(diǎn)分布區(qū)域的最小外接矩的矩形度，仿真數(shù)據(jù)見表3。可以得出飛機(jī)和云霧的矩形度是有很大差異的，大量計(jì)算得出一個(gè)閾值T2，當(dāng)矩形度大于閾值則為飛機(jī)，小于閾值則為云霧。本實(shí)驗(yàn)取T2為7%。

3.4 不同姿態(tài)對(duì)提取角點(diǎn)的影響

對(duì)大量F-15戰(zhàn)機(jī)各種飛行姿態(tài)進(jìn)行模擬得到的測(cè)量數(shù)據(jù)分析。仿真結(jié)果顯示角點(diǎn)多數(shù)分布在機(jī)頭、機(jī)翼、機(jī)尾處、見表4。

表3 飛行與云霧矩形度差異

表4 不同飛行姿態(tài)角點(diǎn)個(gè)數(shù)統(tǒng)計(jì)

通過對(duì)100個(gè)不同飛行姿態(tài)和不同角度的飛機(jī)局部圖像的處理，結(jié)果表明93% 的目標(biāo)物可以用提取出來的角點(diǎn)特征進(jìn)行區(qū)分識(shí)別。

4 結(jié)論

文中提出了一種基于角點(diǎn)特征和角點(diǎn)區(qū)域矩形度的目標(biāo)與云霧區(qū)分方法。該方法對(duì)仿真出來的目標(biāo)矩陣圖像提取角點(diǎn)，然后根據(jù)角點(diǎn)位置計(jì)算出角點(diǎn)區(qū)域的矩形度大小，最后用這兩個(gè)值來辨別云霧目標(biāo)。利用Autodesk 3Ds Max軟件對(duì)F-15戰(zhàn)機(jī)的各種飛行姿態(tài)進(jìn)行模擬，用得到的圖像數(shù)據(jù)進(jìn)行方法驗(yàn)證。仿真結(jié)果表明，該方法比傳統(tǒng)的目標(biāo)特性識(shí)別方法具有明顯的速度優(yōu)勢(shì)，可以實(shí)現(xiàn)快速區(qū)分云霧與目標(biāo)，表明該特征具有一定的抗云霧干擾能力，很適合復(fù)雜戰(zhàn)場(chǎng)環(huán)境需要。不足之處在于只是從戰(zhàn)機(jī)模型的圖像數(shù)據(jù)進(jìn)行研究，在實(shí)際的應(yīng)用中還有待于進(jìn)一步的改進(jìn)。

［1］徐永超，賀偉.基于變換探測(cè)功率的云霧后向散射識(shí)別［J］.探測(cè)與控制學(xué)報(bào)，2013，35（1）:25－28.

［2］王炎，鄭鏈，王克勇.用于成像引信圖像識(shí)別的局部特征提取技術(shù)［J］.紅外技術(shù)，2001，23（5），20－23.

［3］李迎春，陳賀新，楊建波，等.基于矩不變的飛機(jī)識(shí)別算法［J］.吉林大學(xué)學(xué)報(bào):信息科學(xué)版，2002，20（3）:15－19.

［4］王剛，賀偉，董衛(wèi)斌，等.一種基于形態(tài)點(diǎn)特征的目標(biāo)識(shí)別方法［J］.探測(cè)與控制學(xué)版，2010，32（6）:18－22.

［5］Zunhua Guo，Shaohong Li，Weixin Xie.Automatic target recognition of aircrafts using translation invariant features and neural networks［C］//ICSP2008Signal Proceedings，9th Intermational Conferenceon，2008.

［6］SONG Chengtian，WANG Keyong，ZHENG Lian.An image processing system research on target and rendezvous status identification of missile and plane［C］//2008Congress on Image and Signal Processing，2008.

［7］魏斌，鄭鏈，王克勇，等.用于近距目標(biāo)探測(cè)的激光成像引信技術(shù)［J］.激光雜志，2005，26（6）:10－12.

［8］王克勇，宋承天，王炎，等.基于知識(shí)的飛機(jī)目標(biāo)灰度圖像部位識(shí)別方法研究［J］.制導(dǎo)與引信，2003，24（1）:49－52.

［9］鄧甲昊.成像引信聯(lián)合變換相關(guān)目標(biāo)識(shí)別關(guān)鍵技術(shù)［J］.探測(cè)與控制學(xué)報(bào)，2012，34（1）:1－5.