李 環(huán)，羅惠中，劉媛媛

(沈陽(yáng)理工大學(xué) 信息科學(xué)與工程學(xué)院，沈陽(yáng) 110159)

在空戰(zhàn)中，為在敵方戰(zhàn)斗機(jī)釋放干擾彈等進(jìn)行人工干擾的情況下仍能夠?qū)?zhàn)斗機(jī)進(jìn)行精確的識(shí)別和跟蹤，需要采用相關(guān)的技術(shù)。利用卷積神經(jīng)網(wǎng)絡(luò)[1]對(duì)圖像的特征進(jìn)行建模，可使目標(biāo)識(shí)別更加準(zhǔn)確；利用粒子濾波器[2-3]可實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤，粒子濾波器以貝葉斯準(zhǔn)則和重要性采樣為理論基礎(chǔ)，其首先對(duì)粒子進(jìn)行初始化，然后根據(jù)粒子上一時(shí)刻的位置和權(quán)重對(duì)粒子的位置進(jìn)行更新以及重要性采樣。戰(zhàn)斗機(jī)在軍事活動(dòng)中為了能夠更好地躲避追蹤，一般會(huì)采用比較貼近其飛行環(huán)境的顏色，如銀白色、灰色等，由于其顏色比較單一，為實(shí)現(xiàn)跟蹤提供了可能。

針對(duì)飛行過程中戰(zhàn)斗機(jī)識(shí)別和跟蹤的研究已有很多。許來(lái)祥等[4]結(jié)合紅外目標(biāo)特性，調(diào)整ZFNet的卷積層和池化層數(shù)量，加入空間變換網(wǎng)絡(luò)以提高對(duì)數(shù)據(jù)變換的魯棒性，對(duì)Dropout 層的丟棄率變化進(jìn)行可視化分析并確定選取原則，以提高紅外目標(biāo)的識(shí)別率。劉剛等[5]利用模糊C均值聚類算法，將經(jīng)過降噪處理的紅外飛機(jī)圖像分割成背景、飛機(jī)機(jī)身和尾焰三部分，分別計(jì)算飛機(jī)目標(biāo)的Hu矩和歸一化轉(zhuǎn)動(dòng)慣量來(lái)構(gòu)成組合不變矩，同時(shí)結(jié)合分割圖像的面積比特征來(lái)實(shí)現(xiàn)飛機(jī)飛行姿態(tài)的識(shí)別，通過對(duì)飛機(jī)機(jī)頭、機(jī)軸、機(jī)翼或尾翼的提取并依照相應(yīng)的比例關(guān)系，實(shí)現(xiàn)對(duì)飛機(jī)關(guān)鍵攻擊部位如駕駛艙的識(shí)別。劉聰聰?shù)萚6]提出改進(jìn)的基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)Faster R-CNN的空中飛行物識(shí)別算法，使用消色差折射式望遠(yuǎn)鏡ETX80和個(gè)人電腦構(gòu)建空中飛行物識(shí)別系統(tǒng)。吳雪剛[7]為解決運(yùn)動(dòng)中的遮擋問題，在粒子評(píng)價(jià)過程中引入“運(yùn)動(dòng)動(dòng)量因子”來(lái)保持在高速運(yùn)動(dòng)下原來(lái)方向粒子的健壯性，提高了粒子跟蹤的準(zhǔn)確度，為運(yùn)動(dòng)目標(biāo)建立顏色模型，使跟蹤的效果優(yōu)于基本粒子濾波器。趙春梅等[8]提出了基于多域網(wǎng)絡(luò)的改進(jìn)網(wǎng)絡(luò)，即用于飛機(jī)跟蹤的快速深度學(xué)習(xí)的跟蹤網(wǎng)絡(luò)，使用遷移學(xué)習(xí)彌補(bǔ)目標(biāo)跟蹤的小樣本缺陷，基本滿足飛機(jī)實(shí)時(shí)跟蹤。

大多數(shù)目標(biāo)識(shí)別與跟蹤的研究中不考慮人為干擾因素，尤其人為干擾條件下戰(zhàn)斗機(jī)識(shí)別與跟蹤方面的研究相對(duì)較少。本文利用卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)戰(zhàn)斗機(jī)進(jìn)行識(shí)別，利用粒子濾波算法通過顏色特征對(duì)戰(zhàn)斗機(jī)進(jìn)行跟蹤。

1 卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別

將需要識(shí)別的圖像送入卷積神經(jīng)網(wǎng)絡(luò)[9]模型之前，對(duì)圖像庫(kù)中所有包含戰(zhàn)斗機(jī)的圖像標(biāo)簽化分類[10]。然后使用切片函數(shù)將圖像與對(duì)應(yīng)的標(biāo)簽組成一個(gè)元組，將所有元組隨機(jī)打亂順序、復(fù)制多次后，按照4∶1的比例分配給訓(xùn)練集和測(cè)試集，其目的是增加訓(xùn)練的隨機(jī)性，提高訓(xùn)練精度。根據(jù)仿真實(shí)驗(yàn)的需求，構(gòu)建如圖1所示的網(wǎng)絡(luò)模型[11]。

圖1 網(wǎng)絡(luò)結(jié)構(gòu)

由圖1可見，第一層為輸入層。輸入層能夠接收輸入的圖像，并利用幾何變換將輸入圖像大小統(tǒng)一為256×256×3，并將幾何變換后的圖像傳送給第二層。

第二層為卷積層。設(shè)定卷積核的大小為3×3、步長(zhǎng)為1，將其與進(jìn)入到卷積層的圖像所對(duì)應(yīng)的局部亮度值進(jìn)行卷積，然后按照步長(zhǎng)對(duì)卷積核進(jìn)行上下左右平移，最終實(shí)現(xiàn)卷積核與整幅圖像的卷積，卷積后的結(jié)果按照順序排列，構(gòu)成一個(gè)新的矩陣，該矩陣也叫特征圖，被送至下一層。卷積公式為

(1)

式中：ai，j為特征值；i和j分別為每次卷積后得到的特征在新的特征圖中所對(duì)應(yīng)的行坐標(biāo)和列坐標(biāo)；xi，j為輸入圖像對(duì)應(yīng)點(diǎn)的亮度值；wm，n為卷積核的對(duì)應(yīng)值；wb為偏置。

第三層仍為卷積層。經(jīng)過一次卷積后的特征圖仍較大，為減少計(jì)算量，防止過擬合，第三層也設(shè)置為卷積層。

第四層為池化層。池化層也叫降采樣層，其不僅具有平移不變性，保持特征不變，且以犧牲圖像分辨率為代價(jià)省去低層的、不鮮明的特征，凸顯更高層的特征。池化可分為最大值池化和均值池化，二者均需滿足梯度之和不變的原則，該層使用最大值池化的方法。當(dāng)大小為3×3局部感受野與特征圖的對(duì)應(yīng)點(diǎn)進(jìn)行乘積運(yùn)算后，保留9個(gè)數(shù)值中的最大值，去除其他8個(gè)值。

第五層至第七層的原理與第二層到第四層相似，區(qū)別在于第七層采用的是均值池化。用大小為3×3滑動(dòng)窗口與特征圖局部的對(duì)應(yīng)點(diǎn)進(jìn)行乘積運(yùn)算后，得到9個(gè)數(shù)值，取平均值后保存。

此外，在第一層到第七層中均引入一種非線性激活函數(shù)—ReLU函數(shù)，其目的是增加卷積神經(jīng)網(wǎng)絡(luò)模型中的非線性因素，加快計(jì)算速度，避免梯度飽和，并降低過擬合問題的發(fā)生概率。

最后一層是全連接層。全連接層中仍設(shè)置激活函數(shù)。由于該仿真實(shí)驗(yàn)的本質(zhì)是利用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)多分類問題，因此使用softmax做為全連接層的激活函數(shù)。softmax可將分類問題轉(zhuǎn)化為概率問題，最終選取概率值最大的節(jié)點(diǎn)作為輸出，將其確定為預(yù)測(cè)的結(jié)果。

2 目標(biāo)跟蹤

2.1 顏色特征

圖像識(shí)別中顏色是應(yīng)用最為廣泛的特征之一，主要原因是圖像中需要識(shí)別的物體與場(chǎng)景的關(guān)系十分密切，顏色特征魯棒性強(qiáng)，不受飛機(jī)的飛行姿態(tài)、拍攝視角以及尺寸等因素的影響[12]。對(duì)戰(zhàn)斗機(jī)的圖像進(jìn)行跟蹤的過程中，本文利用顏色距離作為顏色特征，即以每?jī)蓚€(gè)相鄰粒子所在位置的歐氏距離來(lái)衡量圖像中顏色的相似性，歐氏距離的計(jì)算公式為

(2)

式中：C1和C2分別表示兩個(gè)粒子；C1，R、C1，G、C1，B分別代表粒子C1的三個(gè)通道；C2，R、C2，G、C2，B分別代表粒子C2的三個(gè)通道。

2.2 粒子濾波器

自Bootstrap濾波器出現(xiàn)，粒子濾波(Particle Filter，PF)[13]迅速成為一種重要的非線性遞歸貝葉斯濾波方法，因其不受系統(tǒng)方程和系統(tǒng)噪聲限制，應(yīng)用廣泛，可擴(kuò)展性強(qiáng)。

2.2.1 粒子濾波器的跟蹤原理

粒子在任意狀態(tài)下的空間模型為

xn+1=f(xn，wn)

(3)

yn=h(xn，vn)

(4)

式中：xn為n時(shí)刻的狀態(tài)；yn為觀測(cè)值；wn為動(dòng)態(tài)噪聲和過程噪聲；vn為觀測(cè)噪音；f為狀態(tài)轉(zhuǎn)移函數(shù)；h為測(cè)量函數(shù)。

為后續(xù)計(jì)算方便，設(shè)

Xn=x0：n={x0，x1，…，xn}

(5)

Yn=y1：n={y1，y2，…，yn}

(6)

從貝葉斯的角度分析，跟蹤問題的本質(zhì)就是從Yn中推導(dǎo)出當(dāng)前時(shí)刻狀態(tài)xn的可信度，即后驗(yàn)概率密度P(xn|Yn)。

假設(shè)系統(tǒng)的狀態(tài)轉(zhuǎn)移服從一階馬爾科夫模型，并且在n-1時(shí)刻的概率密度函數(shù)為P(xn-1|Yn-1)，則預(yù)測(cè)狀態(tài)xn出現(xiàn)的概率為

(7)

式中P(xn|xn-1)由系統(tǒng)決定，其概率分布情況與系統(tǒng)的過程噪聲wn分布一致。

利用預(yù)測(cè)的先驗(yàn)概率密度P(xn|Yn-1)對(duì)后驗(yàn)概率P(xn|Yn)進(jìn)行更新，公式為

(8)

式中：P(yn|xn)為似然函數(shù)，由觀測(cè)方程決定，只和觀測(cè)噪音vn有關(guān)；P(yn|Yn-1)為歸一化常數(shù)。

(9)

對(duì)基于粒子濾波算法的跟蹤系統(tǒng)而言，求出后驗(yàn)概率十分困難，故使用蒙特卡洛采樣法，后驗(yàn)概率可表示為

(10)

(11)

(12)

(13)

2.2.2 基于粒子濾波器的顏色跟蹤

粒子濾波器的跟蹤流程[14-15]包括初始化階段、搜索階段、決策階段和重采樣[16]階段。

在初始化階段，設(shè)定提取戰(zhàn)斗機(jī)的顏色特征，設(shè)定顏色方差為25，且使6000個(gè)粒子均勻分布在第一幀圖像中；在搜索階段，根據(jù)初始化階段6000個(gè)粒子的位置，計(jì)算出每個(gè)粒子的顏色特征；在決策階段，對(duì)每個(gè)粒子的顏色特征進(jìn)行加權(quán)，求出每個(gè)粒子與目標(biāo)顏色之間的相似性；在重采樣階段，依據(jù)決策階段求出的每個(gè)粒子與目標(biāo)顏色之間的相似性，在新一幀圖像中，粒子相似性較高之處多放置粒子，在相似性較低之處少放置或不放置粒子，重新進(jìn)行搜索階段和決策階段。

3 目標(biāo)跟蹤

3.1 戰(zhàn)斗機(jī)識(shí)別算法的仿真實(shí)驗(yàn)結(jié)果

通過仿真實(shí)驗(yàn)得到識(shí)別準(zhǔn)確率、損失率與迭代次數(shù)之間的關(guān)系如圖2和圖3所示。

由圖2和圖3可以看出，隨著迭代次數(shù)的增加，利用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的目標(biāo)識(shí)別準(zhǔn)確率逐漸升高，最終接近于1。損失率隨著迭代次數(shù)的增加逐漸降低，最終接近0。

圖2 訓(xùn)練集和測(cè)試集的識(shí)別準(zhǔn)確率

圖3 訓(xùn)練集和測(cè)試集的損失率

為便于對(duì)比，另外采用方向梯度直方圖(Histogram of Oriented Gradient，HOG)特征的支持向量機(jī)(Support Vector Machine，SVM)識(shí)別算法[17]和最近鄰(K-Nearest Neighbor，KNN)算法的圖像識(shí)別算法[18]進(jìn)行戰(zhàn)斗機(jī)圖像識(shí)別仿真實(shí)驗(yàn)，三種方法的識(shí)別準(zhǔn)確率對(duì)比結(jié)果如表1所示。

表1 三種識(shí)別算法的識(shí)別準(zhǔn)確率對(duì)比表

由表1可見，本文采用的卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別算法的識(shí)別準(zhǔn)確率明顯高于其他兩種算法。

3.2 顏色特征的戰(zhàn)斗機(jī)跟蹤仿真實(shí)驗(yàn)結(jié)果

通過仿真實(shí)驗(yàn)，選取其中第32幀、第305幀、第628幀及第779幀的圖像來(lái)查看跟蹤效果。跟蹤圖像如圖4所示。

由圖4可見，選取的四幀跟蹤圖像中，粒子基本實(shí)現(xiàn)了對(duì)戰(zhàn)斗機(jī)的跟蹤，即使干擾彈對(duì)戰(zhàn)斗機(jī)產(chǎn)生了部分遮擋，跟蹤效果也較好。

圖4 粒子跟蹤圖像

4 結(jié)論

在戰(zhàn)斗機(jī)圖像識(shí)別中，采用基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別算法。仿真實(shí)驗(yàn)結(jié)果表明，基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別算法的準(zhǔn)確率接近于1，識(shí)別效果較好。

根據(jù)顏色特征利用粒子濾波器實(shí)現(xiàn)對(duì)戰(zhàn)斗機(jī)的跟蹤。仿真實(shí)驗(yàn)結(jié)果表明，敵軍戰(zhàn)斗機(jī)在釋放干擾彈的過程中，會(huì)對(duì)戰(zhàn)斗機(jī)產(chǎn)生部分遮擋，但未被遮擋部分的顏色特征依然存在，不會(huì)影響識(shí)別效果。使用粒子濾波器的過程中，設(shè)定的粒子越多，計(jì)算量越大，此為粒子濾波的不足之處，后續(xù)研究中需要采用更好的跟蹤技術(shù)。