蔣 超，崔玉偉，王 輝

(航空工業(yè)西安飛行自動(dòng)控制研究所，陜西 西安 710065)

與傳統(tǒng)的戰(zhàn)爭(zhēng)相比，現(xiàn)代化的戰(zhàn)爭(zhēng)節(jié)奏進(jìn)程明顯加快，戰(zhàn)場(chǎng)形勢(shì)和態(tài)勢(shì)瞬息萬(wàn)變，機(jī)會(huì)稍縱即逝。如何有效利用現(xiàn)代的信息化技術(shù)水平和當(dāng)前相關(guān)偵察設(shè)備性能提升的特征優(yōu)勢(shì)，對(duì)整個(gè)戰(zhàn)場(chǎng)區(qū)域信息進(jìn)行快速準(zhǔn)確且完整的獲取，進(jìn)而分析出戰(zhàn)場(chǎng)區(qū)域的整體作戰(zhàn)態(tài)勢(shì)，最終為指揮決策者提供強(qiáng)有力的信息支撐，是整個(gè)戰(zhàn)爭(zhēng)取得最終勝利的關(guān)鍵保障和重要支撐。

在戰(zhàn)場(chǎng)偵察領(lǐng)域中，視頻圖像與文字、電報(bào)信息相比，更為直觀、實(shí)用，是目前有效的偵察手段之一。因此基于視頻圖像的戰(zhàn)場(chǎng)態(tài)勢(shì)感知技術(shù)能夠?yàn)橹笓]決策者提供相對(duì)豐富和比較形象的戰(zhàn)場(chǎng)整體情況的數(shù)據(jù)。與此同時(shí)，對(duì)偵察設(shè)備而言，由于目前無(wú)人機(jī)具備靈活、容易控制、成本低，沒有人員傷亡的突出特點(diǎn)和優(yōu)勢(shì)，因此無(wú)人機(jī)目前是現(xiàn)代戰(zhàn)場(chǎng)環(huán)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(tài)勢(shì)感知相關(guān)論述的基礎(chǔ)上，結(jié)合目前現(xiàn)有的技術(shù)，針對(duì)基于圖像的無(wú)人機(jī)態(tài)勢(shì)感知相關(guān)技術(shù)進(jìn)行討論，為后續(xù)無(wú)人機(jī)相關(guān)態(tài)勢(shì)感知技術(shù)的實(shí)現(xiàn)提供相應(yīng)的參考。

1 戰(zhàn)場(chǎng)態(tài)勢(shì)感知基本概念

戰(zhàn)場(chǎng)態(tài)勢(shì)本質(zhì)上是一種對(duì)戰(zhàn)場(chǎng)狀態(tài)和戰(zhàn)場(chǎng)發(fā)展趨勢(shì)的描述。研究學(xué)者梁浩哲[1]在其論文中定義戰(zhàn)場(chǎng)態(tài)勢(shì)為在一定的戰(zhàn)場(chǎng)空間內(nèi)，各個(gè)類別的軍事單位(包括常規(guī)的作戰(zhàn)單元、后勤補(bǔ)給單元以及自然環(huán)境中各個(gè)要素)的狀態(tài)情況，具體包含“態(tài)”和“勢(shì)”兩層典型含義。其中“態(tài)”這一層面，主要強(qiáng)調(diào)當(dāng)前戰(zhàn)場(chǎng)的狀態(tài)，是對(duì)被觀察目標(biāo)當(dāng)前位置、運(yùn)動(dòng)參數(shù)、具體身份、所屬類型等參數(shù)特性的描述；而“勢(shì)”這一層面，主要強(qiáng)調(diào)的是事物發(fā)展的相關(guān)趨勢(shì)，是對(duì)被觀測(cè)目標(biāo)所隱含的作戰(zhàn)意圖、被觀測(cè)目標(biāo)作戰(zhàn)能力、與周邊環(huán)境結(jié)合后的相互關(guān)系以及對(duì)我方目標(biāo)所構(gòu)成的威脅等的描述。西北工業(yè)大學(xué)的肖圣龍等[2]從戰(zhàn)略層面和戰(zhàn)術(shù)層面上分別對(duì)態(tài)勢(shì)感知進(jìn)行了有針對(duì)性的區(qū)分，將態(tài)勢(shì)感知定義為作戰(zhàn)雙方的作戰(zhàn)要素的狀態(tài)、形勢(shì)與發(fā)展趨勢(shì)，在戰(zhàn)略層面上，具體包括敵對(duì)雙方總體力量的對(duì)比、戰(zhàn)略部署與戰(zhàn)略行動(dòng)的狀態(tài)、形勢(shì)和趨勢(shì)，同時(shí)包括敵對(duì)雙方社會(huì)人文環(huán)境等；在戰(zhàn)術(shù)層面上，具體是指敵對(duì)雙方具體的兵力對(duì)比、兵力部署、作戰(zhàn)計(jì)劃、火力分配、作戰(zhàn)意圖和具體的作戰(zhàn)實(shí)體(如作戰(zhàn)平臺(tái)，武器級(jí)具體武器目標(biāo)的狀態(tài)、形勢(shì)和發(fā)展趨勢(shì))。

戰(zhàn)場(chǎng)態(tài)勢(shì)感知顧名思義就是一個(gè)通過感知獲取戰(zhàn)場(chǎng)態(tài)勢(shì)的過程，高楊等[3]定義戰(zhàn)場(chǎng)感知為所有參戰(zhàn)部隊(duì)和支援保障部隊(duì)對(duì)戰(zhàn)場(chǎng)空間內(nèi)敵、我、友各個(gè)方面的兵力部署、武器裝備和戰(zhàn)場(chǎng)環(huán)境等信息的實(shí)時(shí)掌握的過程。態(tài)勢(shì)感知理論最早由Endsley等提出，后于1995年改進(jìn)為一個(gè)通用態(tài)勢(shì)感知三層模型，三層分別為覺察、理解和預(yù)測(cè)，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(tǒng)首先針對(duì)任務(wù)特點(diǎn)進(jìn)行信息反饋，我方的決策系統(tǒng)收到反饋信號(hào)后進(jìn)行三級(jí)態(tài)勢(shì)感知，先是態(tài)勢(shì)覺察，其次是對(duì)態(tài)勢(shì)的理解，最后在態(tài)勢(shì)理解的基礎(chǔ)上進(jìn)行態(tài)勢(shì)預(yù)測(cè)，這為后續(xù)的決策和行動(dòng)實(shí)施環(huán)節(jié)做了充分的信息準(zhǔn)備和環(huán)境態(tài)勢(shì)調(diào)研。與此同時(shí)，我方對(duì)戰(zhàn)場(chǎng)態(tài)勢(shì)信息進(jìn)行相應(yīng)的分析和存儲(chǔ)，形成我方的數(shù)據(jù)庫(kù)和知識(shí)庫(kù)，從而不斷提高我方的態(tài)勢(shì)感知的能力。

Henriques等[4]進(jìn)一步總結(jié)Endsley提出的態(tài)勢(shì)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(xiàn)代研究要求，改進(jìn)的模型如圖2所示。

圖2 改進(jìn)的態(tài)勢(shì)感知模型

在圖2中，在收到系統(tǒng)反饋信息的處理方面，不再是傳統(tǒng)的流程化的單一處理模式，而是在態(tài)勢(shì)感知、態(tài)勢(shì)理解、態(tài)勢(shì)預(yù)測(cè)方面每一步都有反饋和交互，與前期建立知識(shí)庫(kù)不同，這時(shí)知識(shí)庫(kù)已經(jīng)基本完備，形成了知識(shí)規(guī)則，同時(shí)引入人工智能專家經(jīng)驗(yàn)進(jìn)行整個(gè)流程的監(jiān)控與識(shí)別，在完成了整個(gè)戰(zhàn)場(chǎng)的態(tài)勢(shì)感知后，進(jìn)入決策層，在決策完成后進(jìn)行相應(yīng)的行動(dòng)實(shí)施，同時(shí)實(shí)施完成后進(jìn)行戰(zhàn)場(chǎng)信息反饋，整個(gè)過程是一個(gè)閉環(huán)的過程。

國(guó)內(nèi)外研究學(xué)者對(duì)戰(zhàn)場(chǎng)態(tài)勢(shì)感知的理解雖有所差異，但大多都是基于信息層面和應(yīng)用層面的差異。而態(tài)勢(shì)感知技術(shù)實(shí)現(xiàn)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(yù)測(cè)3個(gè)階段。3個(gè)階段層層遞進(jìn)，態(tài)勢(shì)覺察是態(tài)勢(shì)理解的基礎(chǔ)，而兩者又共為態(tài)勢(shì)預(yù)測(cè)的基礎(chǔ)。下面針對(duì)態(tài)勢(shì)感知技術(shù)的3個(gè)階段，對(duì)基于圖像的無(wú)人機(jī)態(tài)勢(shì)感知技術(shù)展開介紹。

2 戰(zhàn)場(chǎng)態(tài)勢(shì)覺察

戰(zhàn)場(chǎng)態(tài)勢(shì)覺察就是利用偵察設(shè)施裝備，對(duì)戰(zhàn)場(chǎng)信息進(jìn)行提取，主要包括圖像的優(yōu)化處理技術(shù)、目標(biāo)跟蹤檢測(cè)識(shí)別技術(shù)、目標(biāo)定位技術(shù)等。

2.1 圖像的優(yōu)化處理技術(shù)

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(jié)成一個(gè)最優(yōu)化問題,優(yōu)化理論成為解決圖像技術(shù)問題的有力工具。目前優(yōu)化理論應(yīng)用范圍涉及了圖像的重構(gòu)、恢復(fù)、增強(qiáng)、邊緣檢測(cè)、配準(zhǔn)、分割和編碼等方面。

圖像優(yōu)化技術(shù)[5]也是戰(zhàn)場(chǎng)態(tài)勢(shì)覺察的基礎(chǔ)，是提升態(tài)勢(shì)感知系統(tǒng)魯棒性、準(zhǔn)確性的關(guān)鍵步驟。筆者理解的圖像優(yōu)化技術(shù)主要包括圖像的去噪處理技術(shù)、圖像的增強(qiáng)處理技術(shù)、圖像的復(fù)原處理技術(shù)、圖像的融合處理技術(shù)、圖像的超分辨率重建技術(shù)等，也包括圖像拼接、三維重建等地理測(cè)繪基礎(chǔ)圖像處理技術(shù)。

近年來(lái)計(jì)算機(jī)技術(shù)迅猛發(fā)展，與數(shù)學(xué)的結(jié)合也日益緊密，極大地促進(jìn)了數(shù)字圖像處理技術(shù)的發(fā)展。由于圖像處理的任務(wù)存在差異,相應(yīng)的處理程序和模型也有差異,并且沒有統(tǒng)一的評(píng)價(jià)標(biāo)準(zhǔn)對(duì)圖像優(yōu)化進(jìn)行評(píng)價(jià)，需要設(shè)定優(yōu)化的目標(biāo)，為此有必要利用現(xiàn)有較為成熟的多目標(biāo)優(yōu)化技術(shù)理論來(lái)對(duì)圖像進(jìn)行處理。Liu等[6]首先指出了當(dāng)前圖像處理優(yōu)化技術(shù)的研究中所存在的問題；接著建立了圖像的多目標(biāo)處理優(yōu)化的系統(tǒng)模型及相應(yīng)的流程；最后完成了數(shù)學(xué)模型建立、優(yōu)化目標(biāo)建立等全流程仿真設(shè)計(jì)實(shí)現(xiàn)。

圖像融合也是圖像優(yōu)化的一個(gè)重要的技術(shù)分支體系，圖像融合技術(shù)是指將用于同一場(chǎng)景的多個(gè)描述圖像優(yōu)化合成為一幅新的圖像。通過對(duì)圖像進(jìn)行融合能夠獲取更多更高層次的相關(guān)信息，同時(shí)能夠?qū)崿F(xiàn)相對(duì)完整和準(zhǔn)確的場(chǎng)景描述。目前來(lái)看，在機(jī)器視覺、目標(biāo)識(shí)別、醫(yī)療診斷和遙感遙測(cè)等多個(gè)相關(guān)技術(shù)領(lǐng)域，圖像融合都有廣泛的應(yīng)用。

圖像優(yōu)化技術(shù)經(jīng)過多年的發(fā)展，已經(jīng)頗為成熟，如何利用成熟的圖像優(yōu)化技術(shù)加以改進(jìn)，使之能夠在戰(zhàn)場(chǎng)無(wú)人機(jī)偵察圖像上表現(xiàn)更優(yōu)，突破算法復(fù)雜度帶來(lái)的實(shí)時(shí)性下降的問題仍是研究工作的重點(diǎn)。

2.2 目標(biāo)跟蹤檢測(cè)識(shí)別技術(shù)

2.2.1 目標(biāo)跟蹤技術(shù)

隨著信息技術(shù)、傳感器技術(shù)和圖像處理技術(shù)的發(fā)展,目標(biāo)跟蹤[7]已成為了一個(gè)熱門的研究方向。

目前，目標(biāo)跟蹤技術(shù)的研究主要集中在兩個(gè)方向，即以CSK、KCF算法[6]為代表的基于相關(guān)濾波的目標(biāo)跟蹤技術(shù)和以SiamFC算法[8]為代表的基于深度學(xué)習(xí)的目標(biāo)跟蹤技術(shù)?；谙嚓P(guān)濾波的目標(biāo)跟蹤技術(shù)速度快，依賴硬件資源少，是當(dāng)下工程應(yīng)用的研究熱點(diǎn)。而基于深度學(xué)習(xí)的目標(biāo)跟蹤技術(shù)雖然跟蹤準(zhǔn)確性高、魯棒性強(qiáng)，但是處理速度很難達(dá)到實(shí)時(shí)，戰(zhàn)場(chǎng)應(yīng)用局限性較大。由于拍攝條件限制，無(wú)人機(jī)偵察圖像目標(biāo)跟蹤應(yīng)用的主要難點(diǎn)為目標(biāo)特征不明顯、畫面不清晰、背景抖動(dòng)明顯、實(shí)時(shí)性要求高等。

通常來(lái)說目標(biāo)的跟蹤主要分為特征提取和目標(biāo)跟蹤算法這兩個(gè)部分。

主要目標(biāo)特征的提取主要有以下3種。

① 以目標(biāo)區(qū)域的顏色為主要支撐點(diǎn)，利用目標(biāo)的顏色旋轉(zhuǎn)不變性，即在顏色空間中分布大致相同的特性，通過目標(biāo)區(qū)域的顏色直方圖來(lái)描述目標(biāo)的主要特征，實(shí)現(xiàn)對(duì)目標(biāo)典型特征的提取。

② 以目標(biāo)區(qū)域的輪廓為主要支撐點(diǎn)，利用速度較快的算法，針對(duì)目標(biāo)小部分遮擋的情況進(jìn)行目標(biāo)典型特征的提取與識(shí)別。

③ 以目標(biāo)區(qū)域的紋理特征為主要支撐點(diǎn)，以目標(biāo)紋理特征進(jìn)行改善，對(duì)目標(biāo)區(qū)域的典型特征進(jìn)行提取，進(jìn)而改善目標(biāo)的輪廓特征跟蹤效果。

目標(biāo)的典型跟蹤算法[9]通常有以下4種。

① 目標(biāo)均值漂移算法，即MeanShift算法。該目標(biāo)跟蹤方法具有迭代次數(shù)少的優(yōu)勢(shì)，它僅需較少的迭代次數(shù)就能夠快速找到與目標(biāo)最相似的位置。它的主要缺點(diǎn)是不能解決和處理目標(biāo)的遮擋問題，也無(wú)法適應(yīng)和處理運(yùn)動(dòng)目標(biāo)的形狀和大小變化。因此有人對(duì)它進(jìn)行了改進(jìn)，提出了CamShift算法，該方法基本能夠適應(yīng)運(yùn)動(dòng)目標(biāo)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(biāo)顏色接近的情況下，容易出現(xiàn)目標(biāo)區(qū)域變大的情況，最終有可能導(dǎo)致目標(biāo)跟蹤丟失。

② 基于Kalman濾波的目標(biāo)跟蹤方法。該目標(biāo)跟蹤方法主要基于高斯模型理論，認(rèn)為物體的運(yùn)動(dòng)模型符合高斯模型理論，利用高斯模型理論來(lái)對(duì)目標(biāo)的運(yùn)動(dòng)狀態(tài)進(jìn)行預(yù)測(cè)，同時(shí)與觀察模型進(jìn)行對(duì)比分析，根據(jù)其與觀測(cè)模型的誤差來(lái)更新目標(biāo)的運(yùn)動(dòng)狀態(tài)信息，但是該目標(biāo)跟蹤方法的精度有待進(jìn)一步提高。

③ 基于粒子濾波的目標(biāo)跟蹤方法。該目標(biāo)跟蹤方法主要利用粒子群算法進(jìn)行分析，通過當(dāng)前的目標(biāo)跟蹤結(jié)果來(lái)對(duì)采樣粒子的分布情況進(jìn)行分析綜合，然后根據(jù)粒子分布情況對(duì)當(dāng)前目標(biāo)粒子進(jìn)行擴(kuò)散，再通過粒子的擴(kuò)散結(jié)果分析來(lái)重新觀察目標(biāo)的運(yùn)動(dòng)狀態(tài)，最后通過歸一化的思路和方法來(lái)更新目標(biāo)的運(yùn)動(dòng)狀態(tài)。該算法的特點(diǎn)是對(duì)目標(biāo)的跟蹤速度快，同時(shí)有效解決了目標(biāo)的部分遮擋問題，因此該目標(biāo)跟蹤方法在實(shí)際工程應(yīng)用過程中使用率越來(lái)越高。

④ 基于對(duì)運(yùn)動(dòng)目標(biāo)建模的方法。該目標(biāo)跟蹤方法的缺點(diǎn)是需要提前明確所跟蹤的目標(biāo)對(duì)象。然后通過對(duì)所要跟蹤的目標(biāo)狀態(tài)進(jìn)行有針對(duì)性的建模，再利用該模型對(duì)目標(biāo)進(jìn)行跟蹤。該方法必須提前進(jìn)行跟蹤對(duì)象確認(rèn)，然后才能跟蹤指定的目標(biāo)。

綜上所述，當(dāng)前基于粒子濾波的運(yùn)動(dòng)目標(biāo)跟蹤是目前應(yīng)用最廣泛的一種目標(biāo)跟蹤方法[10]。粒子濾波跟蹤方式主要分為以下4個(gè)步驟，其中后3個(gè)過程依次循環(huán)實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤。

① 運(yùn)動(dòng)目標(biāo)特征提取。該階段確認(rèn)待跟蹤的目標(biāo)狀態(tài)，利用目標(biāo)的典型特征來(lái)構(gòu)建跟蹤目標(biāo)區(qū)域的顏色空間對(duì)應(yīng)的直方圖，并以該直方圖作為描述被跟蹤運(yùn)動(dòng)目標(biāo)的特征。

② 目標(biāo)典型特征搜索。在第一個(gè)操作步驟后，接著在被跟蹤搜索目標(biāo)的周圍布撒粒子搜索目標(biāo)對(duì)象，布撒粒子的方法通常有均勻布撒和針對(duì)性布撒，通常是將兩種布撒方式相結(jié)合，靠近目標(biāo)的地方多撒些，離目標(biāo)較遠(yuǎn)的地方少放些。每個(gè)被布撒的粒子針對(duì)目標(biāo)特征計(jì)算出它當(dāng)前所處位置的顏色特征，隨后對(duì)每個(gè)粒子與被跟蹤目標(biāo)計(jì)算出的相似度進(jìn)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(biāo)典型特征決策。將布撒的每個(gè)粒子與目標(biāo)的相似程度做加權(quán)平均處理。

④ 目標(biāo)典型特征粒子重采樣。根據(jù)第③步的權(quán)重相似度的大小來(lái)對(duì)粒子的個(gè)數(shù)進(jìn)行重新分配，在目標(biāo)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(duì)性。主要思路和目標(biāo)是粒子的隨機(jī)采樣和粒子的重要性重采樣。

雖然目前目標(biāo)跟蹤技術(shù)應(yīng)用已頗為廣泛，但跨場(chǎng)景、長(zhǎng)期遮擋下的目標(biāo)跟蹤技術(shù)仍有待突破。

2.2.2 目標(biāo)檢測(cè)識(shí)別技術(shù)

目標(biāo)檢測(cè)識(shí)別技術(shù)[11]是一種對(duì)形狀復(fù)雜的目標(biāo)進(jìn)行檢測(cè)識(shí)別的技術(shù)。目標(biāo)檢測(cè)識(shí)別技術(shù)的主要思想是利用前一幀建立的目標(biāo)模型找到當(dāng)前幀的目標(biāo)區(qū)域。傳統(tǒng)的目標(biāo)檢測(cè)算法由于精度、速度和算法魯棒性均較基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法遜色很多，目前國(guó)內(nèi)外主流的目標(biāo)檢測(cè)算法均是基于深度學(xué)習(xí)進(jìn)行的，如具有代表性的YOLO算法、SSD算法等。目標(biāo)區(qū)域的顏色直方圖、邊緣或輪廓均可以作為研究的識(shí)別檢測(cè)模型。利用目標(biāo)輪廓的方式主要有目標(biāo)的形狀匹配、目標(biāo)的輪廓跟蹤。

① 目標(biāo)的形狀匹配技術(shù)。該技術(shù)通過在當(dāng)前幀中主動(dòng)搜索目標(biāo)的輪廓，同時(shí)在連續(xù)幀中來(lái)尋找被觀測(cè)目標(biāo)的關(guān)聯(lián)輪廓，通過利用被觀測(cè)目標(biāo)的外觀特征，來(lái)建立當(dāng)前幀和連續(xù)幀之間相應(yīng)的輪廓關(guān)聯(lián)。具體來(lái)說，首先對(duì)目標(biāo)的背景進(jìn)行減除；隨后對(duì)目標(biāo)的輪廓進(jìn)行提取，同時(shí)對(duì)目標(biāo)和每個(gè)目標(biāo)輪廓的具體距離進(jìn)行相應(yīng)的匹配。通常來(lái)說目標(biāo)的展現(xiàn)形式有多種，如密度函數(shù)、直方圖、體積函數(shù)等。

② 目標(biāo)的輪廓跟蹤技術(shù)。該技術(shù)通過對(duì)上一幀的目標(biāo)輪廓位置來(lái)對(duì)當(dāng)前目標(biāo)的輪廓進(jìn)行相應(yīng)的預(yù)測(cè)。具體來(lái)說，首先對(duì)狀態(tài)空間模型進(jìn)行相關(guān)的目標(biāo)跟蹤，并對(duì)輪廓的關(guān)鍵形狀和目標(biāo)的運(yùn)動(dòng)參數(shù)進(jìn)行定義，之后通過梯度下降法或貪婪算法進(jìn)行目標(biāo)輪廓的優(yōu)化及跟蹤。

雖然目標(biāo)檢測(cè)技術(shù)發(fā)展迅速，在數(shù)據(jù)集上測(cè)試效果也很出色，但檢測(cè)模型的訓(xùn)練需要大量的樣本作為支撐，檢測(cè)視角多為監(jiān)控、水平視角，現(xiàn)代戰(zhàn)場(chǎng)應(yīng)用時(shí)檢測(cè)場(chǎng)景及目標(biāo)同現(xiàn)有數(shù)據(jù)集大為不同，環(huán)境更為復(fù)雜，訓(xùn)練樣本量嚴(yán)重不足，同時(shí)無(wú)人機(jī)高空飛行的狀態(tài)也導(dǎo)致了檢測(cè)目標(biāo)所占的像素尺寸不會(huì)太大，這也是未來(lái)戰(zhàn)場(chǎng)環(huán)境下目標(biāo)檢測(cè)識(shí)別技術(shù)的主要研究方向。

2.3 目標(biāo)定位技術(shù)

目標(biāo)定位技術(shù)[12]是一種根據(jù)無(wú)人機(jī)偵察視頻圖像建立圖像與地面目標(biāo)的對(duì)應(yīng)關(guān)系，以此推算目標(biāo)實(shí)際地理位置、運(yùn)行速度的技術(shù)。目前應(yīng)用的無(wú)人機(jī)目標(biāo)定位方法主要有基于圖像匹配模式和基于遙測(cè)數(shù)據(jù)模式。其中，基于圖像匹配模式的目標(biāo)定位計(jì)算時(shí)間長(zhǎng)，定位精度受限于地圖精度，而基于無(wú)人機(jī)遙測(cè)數(shù)據(jù)的實(shí)時(shí)定位受系統(tǒng)誤差影響較大?；诳臻g交會(huì)的目標(biāo)定位是單純依靠無(wú)人機(jī)遙測(cè)數(shù)據(jù)定位的拓展，通過交會(huì)模型的建立進(jìn)行平差定位，從而提升目標(biāo)定位精度。

由于戰(zhàn)場(chǎng)環(huán)境電磁環(huán)境通常來(lái)說十分復(fù)雜，衛(wèi)導(dǎo)和其他測(cè)量設(shè)備可能受到電磁干擾，導(dǎo)致結(jié)果不準(zhǔn)確。因此，如何解決圖像的匹配模式中實(shí)時(shí)性及計(jì)算復(fù)雜度問題，依然是未來(lái)的主要研究方向。

3 戰(zhàn)場(chǎng)態(tài)勢(shì)理解

戰(zhàn)場(chǎng)態(tài)勢(shì)理解[13]即根據(jù)態(tài)勢(shì)覺察結(jié)果進(jìn)一步理解并聯(lián)合目標(biāo)信息，評(píng)估目標(biāo)威脅，結(jié)合地理信息系統(tǒng)，構(gòu)建戰(zhàn)場(chǎng)整體態(tài)勢(shì)圖。

3.1 目標(biāo)編群

無(wú)人機(jī)態(tài)勢(shì)覺察獲取的目標(biāo)信息是離散的，不利于指揮官分析整體戰(zhàn)場(chǎng)態(tài)勢(shì)。目標(biāo)編群通過分析各個(gè)作戰(zhàn)單元的關(guān)系，對(duì)作戰(zhàn)單元進(jìn)行歸類整合編組，減少信息冗余，有利于指揮官對(duì)戰(zhàn)場(chǎng)態(tài)勢(shì)進(jìn)行判讀，提取更深層次的戰(zhàn)場(chǎng)態(tài)勢(shì)。目標(biāo)編群的本質(zhì)是聚類，目前已有很多學(xué)者開展相關(guān)研究，如趙幫緒等[14]提出一種陣群目標(biāo)數(shù)據(jù)關(guān)聯(lián)算法；李龍順等[15]提出迭代自組織數(shù)據(jù)聚類方法；張緒亮等[16]則通過改進(jìn)K-means算法實(shí)現(xiàn)戰(zhàn)場(chǎng)作戰(zhàn)單元的編群據(jù)類。整體而言，目標(biāo)編群技術(shù)已得到廣泛的研究，但實(shí)際應(yīng)用時(shí)，由于受到目標(biāo)感知結(jié)果的限制，仍存在準(zhǔn)確性、魯棒性不足的問題，強(qiáng)適應(yīng)性、高效性的目標(biāo)編群技術(shù)仍是戰(zhàn)場(chǎng)態(tài)勢(shì)理解技術(shù)的研究重點(diǎn)。

3.2 多源數(shù)據(jù)融合技術(shù)

此處的多源數(shù)據(jù)融合技術(shù)與圖像優(yōu)化技術(shù)中的圖像融合技術(shù)有所不同，多源數(shù)據(jù)融合技術(shù)更廣義，融合的多源數(shù)據(jù)也并非僅僅是圖像數(shù)據(jù)。此處的多源數(shù)據(jù)包含戰(zhàn)場(chǎng)中所有多源異構(gòu)傳感器采集的數(shù)據(jù)。而多源數(shù)據(jù)融合技術(shù)則是利用相關(guān)手段，關(guān)聯(lián)挖掘戰(zhàn)場(chǎng)數(shù)據(jù)信息，提取更加豐富的偵察信息。

多源異構(gòu)數(shù)據(jù)融合過程主要包括目標(biāo)知識(shí)抽取、關(guān)系關(guān)聯(lián)、關(guān)系推理等。目前，多源異構(gòu)數(shù)據(jù)融合技術(shù)尚處于發(fā)展階段，并沒有完全自主化且準(zhǔn)確率高的多源異構(gòu)數(shù)據(jù)融合技術(shù)能夠支撐戰(zhàn)場(chǎng)環(huán)境下多源數(shù)據(jù)精準(zhǔn)融合，主要難點(diǎn)表現(xiàn)在數(shù)據(jù)獲取、量化和模型的建立等方面。

3.3 威脅評(píng)估技術(shù)

目標(biāo)威脅評(píng)估技術(shù)是戰(zhàn)場(chǎng)決策級(jí)的推理行為，目標(biāo)威脅程度受類別屬性、運(yùn)動(dòng)狀態(tài)、現(xiàn)場(chǎng)環(huán)境等諸多因素影響。目前現(xiàn)有的研究多基于目標(biāo)本身屬性進(jìn)行排序評(píng)估目標(biāo)威脅程度，如張靚[12]引用組合評(píng)價(jià)的思想，通過對(duì)目標(biāo)大小、速度、航向角、距離等進(jìn)行量化評(píng)估，確定威脅程度；王毅[17]則應(yīng)用目標(biāo)方位、俯仰、大小、亮度、速度等指標(biāo)利用基于模糊判斷準(zhǔn)則評(píng)估目標(biāo)威脅程度。未來(lái)研究中，應(yīng)結(jié)合戰(zhàn)場(chǎng)態(tài)勢(shì)預(yù)測(cè)結(jié)果和整體態(tài)勢(shì)信息，以目標(biāo)自身屬性為基礎(chǔ)，綜合目標(biāo)的行為意圖來(lái)評(píng)估相關(guān)目標(biāo)的威脅程度。

4 戰(zhàn)場(chǎng)態(tài)勢(shì)的預(yù)測(cè)

戰(zhàn)場(chǎng)態(tài)勢(shì)預(yù)測(cè)是指利用態(tài)勢(shì)的覺察技術(shù)和態(tài)勢(shì)理解的相應(yīng)結(jié)果來(lái)預(yù)測(cè)目標(biāo)未來(lái)作戰(zhàn)狀態(tài)。戰(zhàn)略層次的戰(zhàn)場(chǎng)態(tài)勢(shì)識(shí)別和預(yù)測(cè)是作戰(zhàn)系統(tǒng)級(jí)別的，在此不進(jìn)行討論，戰(zhàn)術(shù)級(jí)別的目標(biāo)意圖識(shí)別預(yù)測(cè)是本文討論的重點(diǎn)。

戰(zhàn)術(shù)級(jí)目標(biāo)意圖識(shí)別是根據(jù)態(tài)勢(shì)覺察、態(tài)勢(shì)理解的結(jié)果，快速準(zhǔn)確地識(shí)別戰(zhàn)場(chǎng)作戰(zhàn)目標(biāo)的作戰(zhàn)意圖，為指揮官針對(duì)敵方作戰(zhàn)意圖制定應(yīng)對(duì)策略提供保障，也為智能決策提供信息支撐。有不少研究學(xué)者對(duì)目標(biāo)意圖識(shí)別展開研究，戰(zhàn)場(chǎng)目標(biāo)意圖目前并沒有一個(gè)公認(rèn)的解釋，研究人員往往根據(jù)自身理解將戰(zhàn)場(chǎng)意圖劃分為偵察、監(jiān)視、佯動(dòng)、攻擊、突防、誘敵、撤退等多種模式，常用的目標(biāo)意圖識(shí)別方法包括貝葉斯網(wǎng)絡(luò)、模糊集合理論、專家系統(tǒng)、深度學(xué)習(xí)等。深度學(xué)習(xí)以其良好的學(xué)習(xí)能力和泛化能力成為研究的熱點(diǎn)。常用的深度學(xué)習(xí)預(yù)測(cè)網(wǎng)絡(luò)有深度置信網(wǎng)絡(luò)、堆棧自編碼器、循環(huán)神經(jīng)網(wǎng)絡(luò)等。長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)是目前應(yīng)用最廣泛的循環(huán)神經(jīng)網(wǎng)絡(luò)改進(jìn)算法之一,通過模擬人腦機(jī)制進(jìn)行有效目標(biāo)意圖識(shí)別預(yù)測(cè)，歐微等[18]構(gòu)建了LSTM模型對(duì)戰(zhàn)場(chǎng)目標(biāo)意圖進(jìn)行識(shí)別預(yù)測(cè)。

雖然目前戰(zhàn)場(chǎng)目標(biāo)意圖識(shí)別預(yù)測(cè)研究已經(jīng)較為深入，但由于目標(biāo)意圖識(shí)別預(yù)測(cè)的影響因素眾多，仍有部分問題亟待解決，具體如下。

① 目標(biāo)意圖的量化劃分。如何依據(jù)不同使用條件，清晰準(zhǔn)確地對(duì)目標(biāo)意圖進(jìn)行劃分，根據(jù)劃分種類動(dòng)態(tài)更新識(shí)別結(jié)果。

② 數(shù)據(jù)獲取及利用。如何充分利用所有偵察信息，采集戰(zhàn)場(chǎng)環(huán)境、目標(biāo)屬性等多維數(shù)據(jù)，作為模型輸入進(jìn)行識(shí)別預(yù)測(cè)。

③ 識(shí)別模型的在線更新。應(yīng)根據(jù)戰(zhàn)場(chǎng)情況實(shí)時(shí)更新模型，提升系統(tǒng)魯棒性以適應(yīng)更加復(fù)雜的戰(zhàn)場(chǎng)環(huán)境。

5 結(jié)束語(yǔ)

戰(zhàn)場(chǎng)態(tài)勢(shì)的復(fù)雜性使得研究學(xué)者們對(duì)戰(zhàn)場(chǎng)態(tài)勢(shì)感知的理解略有不同，但由于戰(zhàn)場(chǎng)態(tài)勢(shì)感知的目的性，戰(zhàn)場(chǎng)態(tài)勢(shì)感知可以歸納為戰(zhàn)場(chǎng)態(tài)勢(shì)覺察、戰(zhàn)場(chǎng)態(tài)勢(shì)理解、戰(zhàn)場(chǎng)態(tài)勢(shì)預(yù)測(cè)3個(gè)階段。本文結(jié)合基于圖像的無(wú)人機(jī)態(tài)勢(shì)感知應(yīng)用，分別針對(duì)態(tài)勢(shì)感知3個(gè)階段的關(guān)鍵技術(shù)進(jìn)行討論，并對(duì)實(shí)現(xiàn)難點(diǎn)及發(fā)展方向進(jìn)行探討，可為基于圖像的無(wú)人機(jī)態(tài)勢(shì)感知系統(tǒng)研究提供參考，也為其他偵察系統(tǒng)態(tài)勢(shì)感知提供借鑒。