李晨瑄，李湉雨，李梓正，曾維貴，胥輝旗

(海軍航空大學(xué)岸防兵學(xué)院，煙臺(tái) 264001)

艦船要害部位的精確打擊能力是精確制導(dǎo)的關(guān)鍵技術(shù)之一。全方位的態(tài)勢(shì)感知能力、高精度的目標(biāo)檢測(cè)能力，能夠有效提升末制導(dǎo)段反艦導(dǎo)彈毀傷效能，具有重大研究意義。

艦船姿態(tài)、命中點(diǎn)位置嚴(yán)重影響反艦導(dǎo)彈對(duì)敵艦毀傷概率。反艦導(dǎo)彈不斷接近艦船目標(biāo)的過(guò)程中，艦船輪廓細(xì)節(jié)逐漸放大，基于角點(diǎn)檢測(cè)[1]、特征匹配的目標(biāo)檢測(cè)方法易出現(xiàn)跟蹤目標(biāo)漂移，無(wú)法適應(yīng)劇烈變化的艦船目標(biāo)檢測(cè)任務(wù)；不同的攻擊進(jìn)入角下，導(dǎo)引頭探測(cè)所得艦船投影一致性差，基于局部特征提取的檢測(cè)算法精度有待提升。由于卷積神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的特征提取能力，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)一經(jīng)提出，在輻射源識(shí)別、艦船目標(biāo)檢測(cè)[2]等領(lǐng)域得到廣泛應(yīng)用。文獻(xiàn)[3]提出的艦船檢測(cè)網(wǎng)絡(luò)使用密集注意力特征聚合獲取高分辨率特征圖，通過(guò)密集連接與迭代融合提高網(wǎng)絡(luò)泛化性能；文獻(xiàn)[4]利用感興趣區(qū)域改進(jìn)YOLO（you only look once）網(wǎng)絡(luò)，提取艦船候選特征，改善了高分辨率衛(wèi)星圖中的艦船識(shí)別精度。針對(duì)小尺度密集艦船檢測(cè)精度低等問(wèn)題，文獻(xiàn)[5]結(jié)合YOLOv3-tiny網(wǎng)絡(luò)與特征映射模塊，增強(qiáng)了預(yù)測(cè)層獲取重要特征的能力，取得了較高的檢測(cè)精度；文獻(xiàn)[6]提出了基于多層卷積特征融合的艦船檢測(cè)網(wǎng)絡(luò)，融合深層與淺層特征圖，提升了多尺度船舶的檢測(cè)效果。文獻(xiàn)[1-6]中算法在不同任務(wù)場(chǎng)景下，均能較好實(shí)現(xiàn)艦船目標(biāo)檢測(cè)任務(wù)，但仍存在一定不足：①仍將艦船作為整體目標(biāo)識(shí)別船型，無(wú)法準(zhǔn)確檢測(cè)艦船要害部位，細(xì)粒度特征利用不充分；②無(wú)法結(jié)合要害部位特征預(yù)測(cè)要害打擊點(diǎn)軌跡，利用時(shí)空特征推斷打擊點(diǎn)運(yùn)動(dòng)趨勢(shì)有利于提升毀傷概率；③算法僅輸出二維圖像檢測(cè)結(jié)果，無(wú)法結(jié)合艦船三維結(jié)構(gòu)改善導(dǎo)引誤差解算精度。

基于關(guān)鍵點(diǎn)檢測(cè)的人體姿態(tài)估計(jì)算法[7]通過(guò)給定圖像，確定人體行為與動(dòng)作。人體姿態(tài)估計(jì)算法DeepPose[8]引入卷積神經(jīng)網(wǎng)絡(luò)處理姿態(tài)估計(jì)問(wèn)題，無(wú)需設(shè)計(jì)特征提取器，是深度學(xué)習(xí)用于人體姿態(tài)估計(jì)的里程碑；Tompson 等[9]結(jié)合圖像模型預(yù)測(cè)關(guān)鍵點(diǎn)熱力圖，提升了關(guān)節(jié)定位魯棒性；卷積姿態(tài)機(jī)[10]對(duì)網(wǎng)絡(luò)特征層輸出進(jìn)行中繼監(jiān)督，改善了網(wǎng)絡(luò)加深導(dǎo)致的梯度消失問(wèn)題。將人體姿態(tài)關(guān)鍵點(diǎn)檢測(cè)算法創(chuàng)新性運(yùn)用到艦船要害部位檢測(cè)任務(wù)中，利于提升反艦導(dǎo)彈對(duì)艦船要害打擊點(diǎn)的檢測(cè)準(zhǔn)確度。空間目標(biāo)的位姿測(cè)量技術(shù)[11]是航空航天、自動(dòng)化領(lǐng)域研究的重要課題。光纖陀螺儀價(jià)格昂貴，精度漂移誤差大，利用計(jì)算機(jī)視覺(jué)解決位姿估計(jì)問(wèn)題，測(cè)量精度高，成本低廉?？臻g三維結(jié)構(gòu)比二維平面具備更精確的打擊點(diǎn)導(dǎo)引信息。反艦導(dǎo)彈突防過(guò)程中，利用艦船要害時(shí)序運(yùn)動(dòng)信息實(shí)現(xiàn)打擊點(diǎn)的軌跡擬合與預(yù)測(cè)，有利于彈載控制系統(tǒng)及時(shí)調(diào)整飛行姿態(tài)，進(jìn)一步提升毀傷概率。

準(zhǔn)確估計(jì)導(dǎo)引頭三維位姿，有助于導(dǎo)引誤差的準(zhǔn)確解算。綜合分析精確制導(dǎo)反艦導(dǎo)彈作戰(zhàn)需求，本文提出一種基于深度學(xué)習(xí)的艦船要害關(guān)鍵點(diǎn)檢測(cè)、打擊點(diǎn)軌跡預(yù)測(cè)與導(dǎo)引頭位姿估計(jì)（ship key pointslong shor t termmemory,SHKP-LSTM）算法。所提算法不依賴目標(biāo)檢測(cè)框，利用熱力圖直接回歸關(guān)鍵點(diǎn)特征，引入了SoftPool 池化獲取細(xì)粒度特征圖，改善多尺度多角度艦船要害部位的檢測(cè)精度；結(jié)合艦船三維結(jié)構(gòu)信息與PnP(perspective-n-point)算法，估計(jì)導(dǎo)引頭（相機(jī)）的三維位姿，利于當(dāng)前命中點(diǎn)與任務(wù)打擊點(diǎn)導(dǎo)引誤差的精確解算；結(jié)合時(shí)空信息準(zhǔn)確預(yù)測(cè)要害打擊點(diǎn)的運(yùn)動(dòng)軌跡，能夠進(jìn)一步提升控制系統(tǒng)解算效率與反艦導(dǎo)彈的毀傷概率。實(shí)驗(yàn)結(jié)果表明，所提算法對(duì)艦船要害部位檢測(cè)精度高，位姿估計(jì)較準(zhǔn)確，要害打擊點(diǎn)軌跡擬合與預(yù)測(cè)效果較好，利于反艦導(dǎo)彈對(duì)艦船要害精確打擊任務(wù)的實(shí)現(xiàn)。

1 所提算法實(shí)現(xiàn)與優(yōu)化

將艦船要害部位定義為關(guān)鍵點(diǎn)，直接檢測(cè)關(guān)鍵點(diǎn)特征，不依賴整體艦船檢測(cè)框，提升檢測(cè)精度與實(shí)時(shí)性的同時(shí)，降低了算法超參數(shù)；根據(jù)關(guān)鍵點(diǎn)檢測(cè)結(jié)果可推算艦船整體預(yù)測(cè)框，結(jié)合艦船三維結(jié)構(gòu)解算導(dǎo)引頭位姿，利用檢測(cè)所得艦船要害關(guān)鍵點(diǎn)的時(shí)空序列特征，合理預(yù)測(cè)要害打擊點(diǎn)運(yùn)動(dòng)軌跡，利于導(dǎo)彈飛行姿態(tài)的及時(shí)調(diào)整。精確解算當(dāng)前命中點(diǎn)與任務(wù)打擊點(diǎn)的導(dǎo)引誤差，能夠顯著提升末制導(dǎo)段反艦導(dǎo)彈對(duì)敵艦毀傷概率。

所提算法流程如圖1 所示。將導(dǎo)引頭捕獲的艦船視頻數(shù)據(jù)輸入SHKP-LSTM 算法，檢測(cè)得到關(guān)鍵點(diǎn)像素坐標(biāo)及關(guān)鍵點(diǎn)可見(jiàn)性；反艦導(dǎo)彈接近艦船過(guò)程中，艦船要害關(guān)鍵點(diǎn)檢測(cè)信息具有時(shí)序性，長(zhǎng)短期記憶網(wǎng)絡(luò)[12]（long short-termmemory,LSTM）能較好地處理時(shí)序數(shù)據(jù)，可利用檢測(cè)結(jié)果實(shí)現(xiàn)要害打擊點(diǎn)的軌跡預(yù)測(cè)，預(yù)測(cè)精度較高；結(jié)合艦船坐標(biāo)系下要害部位三維坐標(biāo)，將檢測(cè)的關(guān)鍵點(diǎn)像素坐標(biāo)與三維坐標(biāo)建立投影映射，通過(guò)PnP 算法解算艦船坐標(biāo)系下導(dǎo)引頭三維位姿；最后，輸出艦船要害關(guān)鍵點(diǎn)檢測(cè)信息、預(yù)測(cè)軌跡及導(dǎo)引頭三維位姿。將解算結(jié)果輸入彈載計(jì)算機(jī)綜控系統(tǒng)，有利于反艦導(dǎo)彈對(duì)艦船要害部位打擊精度的提升。

圖1 所提算法流程Fig.1 Proposed algorithm flow chart

1.1 所提算法框架

不依賴預(yù)選框（Anchor-Free）的檢測(cè)網(wǎng)絡(luò)無(wú)需處理冗余錨框與非極大值抑制等，直接利用網(wǎng)絡(luò)生成的熱力圖回歸關(guān)鍵點(diǎn)特征。將基于Anchor-Free網(wǎng)絡(luò)的人體姿態(tài)估計(jì)算法用于艦船要害部位的關(guān)鍵點(diǎn)檢測(cè)，直接分析特征參數(shù)定位與回歸要害部位，檢測(cè)精度與實(shí)時(shí)性較好。輕型反艦導(dǎo)彈突防過(guò)程中，視場(chǎng)內(nèi)艦船要害部位具備多尺度成像特性，且不同角度的要害部位成像差異大。綜合權(quán)衡檢測(cè)精度與速度，本文提出一種融合深層語(yǔ)義信息與淺層定位信息的Anchor-Free 艦船要害關(guān)鍵點(diǎn)檢測(cè)、軌跡預(yù)測(cè)與導(dǎo)引頭位姿估計(jì)SHKP-LSTM 算法。所提算法結(jié)構(gòu)如圖2 所示。

SHKP-LSTM 算法利用卷積神經(jīng)網(wǎng)絡(luò)提取特征，將生成的關(guān)鍵點(diǎn)熱力圖輸入檢測(cè)結(jié)構(gòu)，檢測(cè)結(jié)構(gòu)回歸得到艦船要害關(guān)鍵點(diǎn)類別與位置；輸入圖像為I∈RW×H×3， 關(guān)鍵點(diǎn)信息為 ? ∈RW×H×N，經(jīng)特征提取網(wǎng)絡(luò)生成目標(biāo)中心點(diǎn)熱力圖，關(guān)鍵點(diǎn)熱力圖，其中，R為 尺寸縮放比例，N為檢測(cè)關(guān)鍵點(diǎn)個(gè)數(shù)，c為檢測(cè)目標(biāo)數(shù)，W、H分別為圖像的寬和高。如圖2 所示，所提算法將卷積處理后的特征熱力圖輸入檢測(cè)結(jié)構(gòu)，關(guān)鍵點(diǎn)預(yù)測(cè)分支用于檢測(cè)熱力圖目標(biāo)中心與關(guān)鍵點(diǎn)中心，尺度預(yù)測(cè)分支用于檢測(cè)艦船目標(biāo)的寬與高，預(yù)測(cè)框基于目標(biāo)中心點(diǎn)生成，關(guān)鍵點(diǎn)偏移量預(yù)測(cè)分支用于回歸關(guān)鍵點(diǎn)中心的偏移量。

圖2 SHKP-LSTM算法結(jié)構(gòu)Fig.2 Structure of SHKP-LSTM algorithm

通過(guò)成像分析與實(shí)驗(yàn)測(cè)試，選取CenterNet-DLA[13]作為主要特征提取網(wǎng)絡(luò)。CenterNet-DLA 網(wǎng)絡(luò)能夠較好的融合深層語(yǔ)義信息與淺層定位信息，對(duì)投影一致性較差的艦船要害檢測(cè)魯棒性較好。針對(duì)圖像特征劇烈變化導(dǎo)致檢測(cè)精度較低的問(wèn)題，利用SoftPool 改進(jìn)最大值池化，獲取具備更多特征信息的細(xì)粒度特征圖，可提升艦船要害關(guān)鍵點(diǎn)檢測(cè)精度。卷積神經(jīng)網(wǎng)絡(luò)挖掘要害關(guān)鍵點(diǎn)空間依賴關(guān)系，LSTM 分析動(dòng)態(tài)軌跡數(shù)據(jù)的時(shí)序依賴關(guān)系。軌跡預(yù)測(cè)模塊使用LSTM 處理檢測(cè)所得具有時(shí)序特征的要害關(guān)鍵點(diǎn)信息，挖掘其時(shí)間與空間運(yùn)動(dòng)趨勢(shì)實(shí)現(xiàn)軌跡預(yù)測(cè)。結(jié)合PnP 算法建立要害點(diǎn)二維檢測(cè)結(jié)果與三維坐標(biāo)的映射，解算導(dǎo)引頭的三維位姿，獲取更精確的導(dǎo)引信息，利于彈上綜控系統(tǒng)及時(shí)調(diào)整導(dǎo)彈飛行姿態(tài)，從而進(jìn)一步提升精確制導(dǎo)導(dǎo)彈的毀傷概率。

1.2 SoftPool 池化

池化操作可用于降低特征維度，緩解網(wǎng)絡(luò)過(guò)擬合風(fēng)險(xiǎn)，使池化內(nèi)核中有用信息得以保留。原CenterNet-DLA 網(wǎng)絡(luò)利用最大值池化實(shí)現(xiàn)下采樣，最大值池化保留池化內(nèi)核中的局部最大值，部分艦船要害特征相似度較高，最大值池化易損失重要區(qū)分信息導(dǎo)致誤檢，檢測(cè)劇烈變化的艦船圖像同樣需要高質(zhì)量的細(xì)節(jié)特征。SoftPool[14]較好的結(jié)合softmax 加權(quán)與指數(shù)函數(shù)特點(diǎn)，使池化內(nèi)核中的重要屬性分配到更大權(quán)重。在局部激活區(qū)域中，SoftPool 為每個(gè)激活因子ai分配了相應(yīng)的權(quán)重wi，如式（1）所示，非線性變換對(duì)池化內(nèi)核中的所有激活因子實(shí)現(xiàn)了加權(quán)求和，由激活因子ai與 相應(yīng)權(quán)重wi共同實(shí)現(xiàn)。

式中：i為SoftPool 處理的第i個(gè)激活區(qū)域；j為激活區(qū)域相關(guān)領(lǐng)域內(nèi)的第j個(gè)像素特征；exp 為底數(shù)為e 的指數(shù)。

SoftPool 池化原理如圖3。在正向與反向傳播期間，池化內(nèi)核的激活梯度均得到更新。綜合利用了池化內(nèi)核中所有激活因子，僅增加了極少的內(nèi)存，最大程度降低了特征損失，獲取到高質(zhì)量的細(xì)粒度特征圖，能夠提升艦船要害關(guān)鍵點(diǎn)檢測(cè)精度。

圖3 SoftPool原理Fig.3 Principle of SoftPool

1.3 損失函數(shù)與梯度累加

依據(jù)SHKP-LSTM 算法原理與艦船要害部位檢測(cè)任務(wù)需求，定義損失函數(shù)。

關(guān)鍵點(diǎn)預(yù)測(cè)損失。關(guān)鍵點(diǎn)對(duì)應(yīng)的中心點(diǎn)唯一，目標(biāo)背景易產(chǎn)生較多負(fù)檢測(cè)點(diǎn)，改進(jìn)的Focal Loss損失函數(shù)可改善樣本不均衡問(wèn)題，關(guān)鍵點(diǎn)預(yù)測(cè)損失函數(shù)為

式中： α和β 為損失函數(shù)懲罰系數(shù)；N為關(guān)鍵點(diǎn)個(gè)數(shù)；Yxyc為 真實(shí)標(biāo)簽值；為預(yù)測(cè)標(biāo)簽值。下標(biāo)xyc表示第xy個(gè) 像素點(diǎn)，其歸屬為第c類目標(biāo)。

關(guān)鍵點(diǎn)偏移量預(yù)測(cè)損失。分析熱力圖中各關(guān)鍵點(diǎn)特征，將檢測(cè)特征圖與關(guān)鍵點(diǎn)真實(shí)坐標(biāo)建立映射，利用偏移量預(yù)測(cè)損失提升定位精度，關(guān)鍵點(diǎn)偏移量預(yù)測(cè)損失為

式中：l為第l個(gè) 關(guān)鍵點(diǎn)；為R倍下采樣關(guān)鍵點(diǎn)坐標(biāo)真值；為關(guān)鍵點(diǎn)預(yù)測(cè)坐標(biāo)；為關(guān)鍵點(diǎn)真實(shí)坐標(biāo)偏移量；為關(guān)鍵點(diǎn)預(yù)測(cè)坐標(biāo)偏移量。

艦船尺度預(yù)測(cè)損失。艦船包圍框由關(guān)鍵點(diǎn)坐標(biāo)生成。為提升算法訓(xùn)練效果，利用關(guān)鍵點(diǎn)預(yù)測(cè)損失與艦船尺度預(yù)測(cè)損失同時(shí)訓(xùn)練。艦船尺度預(yù)測(cè)損失為

各個(gè)預(yù)測(cè)損失函數(shù)分別與相應(yīng)權(quán)重相乘，得到總體損失函數(shù)為

式中：Lloc為關(guān)鍵點(diǎn)中心預(yù)測(cè)損失函數(shù)；Loff(keyp+bcent)為關(guān)鍵點(diǎn)中心預(yù)測(cè)損失與關(guān)鍵點(diǎn)偏移量預(yù)測(cè)損失，均由要害關(guān)鍵點(diǎn)定位與艦船中心檢測(cè)準(zhǔn)確度計(jì)算。

檢測(cè)數(shù)據(jù)對(duì)預(yù)測(cè)分支懲罰系數(shù)影響較小，設(shè)置關(guān)鍵點(diǎn)預(yù)測(cè)分支邏輯回歸懲罰系數(shù) α=2、β=4，關(guān)鍵點(diǎn)與目標(biāo)中心點(diǎn)偏移損失權(quán)重 λoff=0.1，檢測(cè)尺度損失權(quán)重 λsize=0.1。

細(xì)粒度特征圖可有效提升艦船要害關(guān)鍵點(diǎn)檢測(cè)精度，GPU 顯存及批訓(xùn)練量（batchsize）同樣影響訓(xùn)練效果，較大的batchsize 有助于算法收斂。計(jì)算多個(gè)損失函數(shù)要求計(jì)算機(jī)同時(shí)存儲(chǔ)多個(gè)計(jì)算圖，易導(dǎo)致訓(xùn)練過(guò)程硬件內(nèi)存不足。梯度累加可使計(jì)算機(jī)在保留較少計(jì)算圖的同時(shí)，實(shí)現(xiàn)多任務(wù)共同訓(xùn)練，有效擴(kuò)充內(nèi)存，促進(jìn)算法收斂。

1.4 基于LSTM 的打擊點(diǎn)預(yù)測(cè)

先進(jìn)制導(dǎo)環(huán)境感知系統(tǒng)要求能夠預(yù)測(cè)打擊目標(biāo)運(yùn)動(dòng)軌跡，可為反艦導(dǎo)彈等精確制導(dǎo)進(jìn)行路徑規(guī)劃與決策控制提供數(shù)據(jù)支撐。傳統(tǒng)軌跡預(yù)測(cè)算法多基于運(yùn)動(dòng)模型，無(wú)法適應(yīng)劇烈變化的戰(zhàn)場(chǎng)態(tài)勢(shì)，難以滿足自主突防彈載感知的實(shí)際需求。LSTM對(duì)時(shí)序軌跡數(shù)據(jù)分析挖掘能力較強(qiáng)，在軌跡預(yù)測(cè)[15]與自動(dòng)駕駛等領(lǐng)域應(yīng)用廣泛。

LSTM 是具有反饋連接的循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neuralnetwork，RNN），其特殊的網(wǎng)絡(luò)結(jié)構(gòu)極大改善了傳統(tǒng)RNN 的梯度消失和梯度爆炸等問(wèn)題。LSTM結(jié)構(gòu)如圖4 所示。

圖4 LSTM元胞結(jié)構(gòu)Fig.4 Structure of LSTM cell

LSTM 元胞門(mén)限與變量間的轉(zhuǎn)換關(guān)系如下：

式中：xt為t時(shí) 刻元胞的輸入；ht和mt分 別為t時(shí)刻元胞輸出和元胞狀態(tài)； σ為sigmoid 激活函數(shù)； tanh為tanh激活函數(shù)；ft為 遺忘門(mén)；it為輸入門(mén)；ot為 輸出門(mén)；G為各門(mén)限的權(quán)重矩陣；Yt為門(mén)限輸出；b為偏置量。

根據(jù)權(quán)重矩陣與偏置項(xiàng)，遺忘門(mén)ft決 定了t時(shí)刻mt中 所包含t?1時(shí) 刻元胞狀態(tài)mt?1的比例，同理，LSTM 通過(guò)輸入門(mén)it控制xt對(duì)mt的影響程度，狀態(tài)更新由mt?1與 當(dāng)前狀態(tài)共同確定；輸出門(mén)ot控 制t時(shí)刻元胞狀態(tài)mt， 確定輸出ht包含的狀態(tài)比例，門(mén)限與反饋結(jié)構(gòu)使得LSTM 能夠保存較長(zhǎng)時(shí)序信息。LSTM結(jié)合關(guān)鍵點(diǎn)檢測(cè)網(wǎng)絡(luò)，可充分利用檢測(cè)所得時(shí)序信息，實(shí)現(xiàn)要害打擊點(diǎn)軌跡預(yù)測(cè)，極大擴(kuò)展了傳統(tǒng)艦船目標(biāo)檢測(cè)算法的功能。

1.5 基于PnP 的導(dǎo)引頭位姿估計(jì)

單目視覺(jué)位姿測(cè)量算法原理簡(jiǎn)單、系統(tǒng)成本低、實(shí)時(shí)性好，廣泛用于計(jì)算機(jī)視覺(jué)中的空間定位任務(wù)。末制導(dǎo)段，艦船圖像尺度、角度變化較大，滅點(diǎn)理論、逆透視變換等方法直接用于導(dǎo)引頭位姿估計(jì)，測(cè)量誤差較大。當(dāng)位姿多角度變化時(shí)，PnP 算法具有較好的計(jì)算精度與解算速度，在已知相機(jī)內(nèi)參的情況下，可利用多對(duì)三維與二維點(diǎn)的投影映射關(guān)系，求解導(dǎo)引頭（相機(jī)）在相應(yīng)坐標(biāo)系下的位姿。

相機(jī)標(biāo)定得到內(nèi)參矩陣K，控制點(diǎn)像素坐標(biāo)為{ξr} (r=1,2,···)，則

式中：(ur vr1)T為控制點(diǎn)像素坐標(biāo)；為控制點(diǎn)在艦船坐標(biāo)系下的齊次坐標(biāo)；ze為尺度因子，即相機(jī)坐標(biāo)系中控制點(diǎn)的z軸坐標(biāo)值。

依據(jù)式（10）計(jì)算導(dǎo)引頭（相機(jī)）繞x軸、y軸、z軸的旋轉(zhuǎn)角 θx、 θy、 θz：

PnP 算法至少需要4 對(duì)控制點(diǎn)及像素點(diǎn)。當(dāng)關(guān)鍵點(diǎn)檢測(cè)網(wǎng)絡(luò)輸出可見(jiàn)關(guān)鍵點(diǎn)個(gè)數(shù)為n(n≥4)時(shí)，為提升準(zhǔn)確度，依據(jù)排列組合在n個(gè)艦船要害關(guān)鍵點(diǎn)中，依次選取4 個(gè)點(diǎn)計(jì)算三維位姿，計(jì)算次取平均值作為位姿估計(jì)結(jié)果。

2 實(shí)驗(yàn)設(shè)置

2.1 實(shí)驗(yàn)數(shù)據(jù)與實(shí)驗(yàn)環(huán)境

2.1.1 艦船要害關(guān)鍵點(diǎn)檢測(cè)數(shù)據(jù)

末制導(dǎo)段，輕型反艦導(dǎo)彈多以低空掠海姿態(tài)飛行。執(zhí)行對(duì)敵艦精確打擊任務(wù)時(shí)，導(dǎo)引頭視角以側(cè)舷為主。文獻(xiàn)[16]結(jié)合遷移學(xué)習(xí)[17]理論，論證了民船等相似艦船圖像可作為正樣本擴(kuò)充數(shù)據(jù)集，輔助軍艦等小樣本數(shù)據(jù)的檢測(cè)任務(wù)實(shí)現(xiàn)。由于實(shí)際戰(zhàn)場(chǎng)環(huán)境采拍局限性較大，實(shí)驗(yàn)室利用高仿真度艦船模型實(shí)現(xiàn)海戰(zhàn)場(chǎng)戰(zhàn)法推演，根據(jù)反艦導(dǎo)彈突防作戰(zhàn)與精確打擊任務(wù)需求，打擊雷達(dá)可阻礙艦船對(duì)來(lái)襲目標(biāo)的探測(cè)能力，打擊艦船火力設(shè)施可大幅削弱艦船戰(zhàn)斗力，打擊水線可有效擊沉艦船，結(jié)合反艦導(dǎo)彈突防與精確打擊任務(wù)需求，設(shè)定炮臺(tái)、天線、駕駛艙等重要軍事設(shè)施為艦船要害，標(biāo)注艦船要害關(guān)鍵點(diǎn)如圖5 所示。原始數(shù)據(jù)囊括船模與實(shí)測(cè)艦船，視頻數(shù)據(jù)為每秒20 幀，單個(gè)視頻時(shí)長(zhǎng)約2m in。標(biāo)注后的圖像數(shù)據(jù)共6 672 張，按照8∶1∶1 劃分訓(xùn)練集、測(cè)試集、驗(yàn)證集。

圖5 艦船要害關(guān)鍵點(diǎn)Fig.5 Key-points of warship

根據(jù)艦船三維結(jié)構(gòu)，以艦首與艦尾中點(diǎn)連線為y軸，垂直于艦面的艦船天線延長(zhǎng)線為z軸，依據(jù)右手坐標(biāo)系確定x軸，x軸平行艦面并垂直于yOz所在平面，以艦船為中心建立坐標(biāo)系如圖6 所示，并獲取要害關(guān)鍵點(diǎn)在艦船坐標(biāo)系下的三維坐標(biāo)。

圖6 艦船坐標(biāo)系Fig.6 Coordinate system of warship

2.1.2 實(shí)驗(yàn)環(huán)境

合理設(shè)置輸入圖像的降采樣率，在保留較多細(xì)節(jié)特征的同時(shí)引入較少運(yùn)算負(fù)擔(dān)。實(shí)驗(yàn)測(cè)試R=4時(shí)，所提算法兼具較高的檢測(cè)精度與檢測(cè)速度。訓(xùn)練優(yōu)化器為Adam，設(shè)置訓(xùn)練學(xué)習(xí)率逐步衰減，初始學(xué)習(xí)率為 5×10?4，初始迭代輪數(shù)為100，在第30 輪、第45 輪下降為先前的1/10，batchsize 為8。實(shí)驗(yàn)環(huán)境 如 表1 所 示，其 中，IDE (integrated development environment)為集成開(kāi)發(fā)環(huán)境。

表1 實(shí)驗(yàn)環(huán)境Table 1 Experimental environm ent

2.1.3 LSTM 參數(shù) 設(shè) 置

合理設(shè)置LSTM 網(wǎng)絡(luò)參數(shù)能夠以最小的時(shí)間消耗，達(dá)到最優(yōu)的軌跡預(yù)測(cè)精度。如圖7 所示，隱藏層節(jié)點(diǎn)數(shù)增加將導(dǎo)致時(shí)間成本上升，隱藏層節(jié)點(diǎn)數(shù)過(guò)多會(huì)損害網(wǎng)絡(luò)泛化能力，過(guò)少的節(jié)點(diǎn)數(shù)無(wú)法有效學(xué)習(xí)時(shí)序特征，導(dǎo)致預(yù)測(cè)精度較低?；诜磁瀸?dǎo)彈突防作戰(zhàn)實(shí)時(shí)性要求，采用4 層LSTM 實(shí)現(xiàn)軌跡預(yù)測(cè)，經(jīng)實(shí)驗(yàn)測(cè)試，權(quán)衡響應(yīng)時(shí)間與預(yù)測(cè)精度后，設(shè)置LSTM 隱藏層節(jié)點(diǎn)數(shù)為40，初始學(xué)習(xí)率為0.005。

圖7 隱藏層節(jié)點(diǎn)數(shù)測(cè)試Fig.7 Testing on hidden layer node

合適的輸入輸出對(duì)軌跡預(yù)測(cè)實(shí)際應(yīng)用影響顯著。與長(zhǎng)期時(shí)序相比，短期時(shí)序?qū)?shù)據(jù)的時(shí)間依賴關(guān)系捕捉能力更強(qiáng)。如圖8 所示，計(jì)算序列的增加需要的響應(yīng)時(shí)間更多，較短的輸入序列導(dǎo)致特征學(xué)習(xí)不充分，較長(zhǎng)的序列使得累計(jì)漂移誤差較大，均可能導(dǎo)致預(yù)測(cè)誤差的增加。輸入序列長(zhǎng)度為10 時(shí)，軌跡預(yù)測(cè)性能更優(yōu)，設(shè)定訓(xùn)練與預(yù)測(cè)序列比例為7∶3。

圖8 輸入序列長(zhǎng)度測(cè)試Fig.8 Length testing on input sequence

2.2 評(píng)估指標(biāo)

1）艦船要害關(guān)鍵點(diǎn)檢測(cè)評(píng)估指標(biāo)。選取關(guān)鍵點(diǎn)相似度（object keypoint sim ilarity，OKS）評(píng)價(jià)檢測(cè)效果：

式中：g為檢測(cè)類別；u為關(guān)鍵點(diǎn)標(biāo)識(shí)；dgu為關(guān)鍵點(diǎn)真實(shí)值與預(yù)測(cè)值的歐式距離；Sg為預(yù)測(cè)目標(biāo)的尺度因子； μu為 第u個(gè)關(guān)鍵點(diǎn)的歸一化因子，對(duì)數(shù)據(jù)集中所有真實(shí)值計(jì)算標(biāo)準(zhǔn)差得到；vgu為關(guān)鍵點(diǎn)的標(biāo)志位。OKSg取值介于[0,1]之間，預(yù)測(cè)值越接近1，表征預(yù)測(cè)效果越好。

分別計(jì)算OKSg=0.5,0.55,···,0.9,0.95 時(shí)的檢測(cè)準(zhǔn)確度，計(jì)算平均準(zhǔn)確率的均值（mean average precision，mAP）評(píng)價(jià)算法檢測(cè)精度，如式（12）所示，m AP 越大，檢測(cè)精度越高。引入每秒處理的圖像幀數(shù)（frame per second，F(xiàn)PS）評(píng)價(jià)算法檢測(cè)效率，F(xiàn)PS 越大，表征算法檢測(cè)速度越快。

式中： AP@s為 當(dāng)設(shè)定不同的閾值s時(shí)，計(jì)算得出的平均準(zhǔn)確率的值； mean為對(duì)計(jì)算結(jié)果取平均值。

2）軌跡預(yù)測(cè)評(píng)估指標(biāo)。以平均位移誤差（average displacement e r r o r，ADE）與最終位移誤差（f i na l displacementerror，F(xiàn)DE）評(píng)估預(yù)測(cè)軌跡與真實(shí)軌跡的擬合程度。ADE 計(jì)算單個(gè)時(shí)間步的預(yù)測(cè)結(jié)果與真值之間的歐氏距離（L2），如式（13）所示。FDE 由最終時(shí)刻的預(yù)測(cè)結(jié)果與真值之間的距離計(jì)算，如式（14）所示。

式中：M為預(yù)測(cè)軌跡的累計(jì)幀數(shù)；B為單個(gè)時(shí)間步長(zhǎng)； ()為 艦船要害關(guān)鍵點(diǎn)預(yù)測(cè)坐標(biāo)； (xi,yi)為關(guān)鍵點(diǎn)坐標(biāo)真值。

ADE 與FDE 越小，表示利用已知要害時(shí)序特征預(yù)測(cè)得到的關(guān)鍵點(diǎn)運(yùn)動(dòng)軌跡與真值誤差越小，預(yù)測(cè)軌跡越精確。

3）位姿估計(jì)評(píng)估指標(biāo)。艦船要害檢測(cè)視頻數(shù)據(jù)由無(wú)人機(jī)搭載實(shí)驗(yàn)導(dǎo)引頭同型相機(jī)掠海飛行捕獲。將無(wú)人機(jī)記錄的飛行數(shù)據(jù)，與利用投影映射模型解算所得艦船坐標(biāo)系下的三維位姿對(duì)比，計(jì)算位姿估計(jì)結(jié)果與真值的相對(duì)誤差，誤差越小，解算精度越高。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 艦船要害關(guān)鍵點(diǎn)檢測(cè)

為更好評(píng)估SHKP-LSTM 算法對(duì)艦船要害關(guān)鍵點(diǎn)檢測(cè)效果，分別使用殘差網(wǎng)絡(luò)[18]（ResNet）、殘差網(wǎng)絡(luò)與可變形卷積[13]（Res-DCN）、深淺層聚合網(wǎng)絡(luò)[19]（Deep Layer Aggregation，DLA）、深淺層聚合網(wǎng)絡(luò)與可變形卷積[13]（CenterNet-DLA）、沙漏網(wǎng)絡(luò)[20]（Hourglass）作為對(duì)比實(shí)驗(yàn)，測(cè)試結(jié)果如表2 所示，DLA34表示網(wǎng)絡(luò)共34 層。

表2 艦船關(guān)鍵點(diǎn)測(cè)試結(jié)果Table 2 Test results of warship’s key-points

由表2 可知，ResNet、Res-DCN、DLA34、CenterNet-DLA、Hourglass 網(wǎng)絡(luò)關(guān)鍵點(diǎn)檢測(cè)結(jié)果mAP 分別為63.8%、63.4%、81.8%、84.4%及87.4%，所提算法mAP為87.7%，分別提高23.9%、24.3%、5.9%、3.3%、0.3%。Hourglass 網(wǎng)絡(luò)層數(shù)較深，算法復(fù)雜度高，并加入了中級(jí)監(jiān)督模塊，因此檢測(cè)精度高，檢測(cè)速度僅為13 FPS，無(wú)法滿足任務(wù)需求。所提算法利用卷積與反卷積提取特征，有效聚合深層語(yǔ)義信息與淺層定位信息，改善多分辨率特征圖映射過(guò)程中的信息缺失，采用SoftPool 改進(jìn)最大值池化，較好保留了細(xì)粒度特征，對(duì)多尺度艦船要害檢測(cè)具有魯棒性，性能提升明顯。由于所提算法需處理更高質(zhì)量的特征圖，運(yùn)算量的提升導(dǎo)致檢測(cè)速度降為27 FPS，仍高于DLA34 與Hourglass 網(wǎng)絡(luò)，滿足實(shí)時(shí)性要求。

較低的算法復(fù)雜度與模型規(guī)模更利于艦船要害關(guān)鍵點(diǎn)檢測(cè)模型在移動(dòng)端的部署。ResNet 網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，參數(shù)量較低；由于DLA 有效聚合了多分辨率特征信息，深淺層特征聚合導(dǎo)致模型復(fù)雜度增加，可變形卷積引入偏移量，對(duì)不同尺度下的艦船要害部位特征要素描述更清晰，具備更優(yōu)的檢測(cè)特性，故CenterNet-DLA 模型復(fù)雜度更高，模型規(guī)模更大。Hourglass 實(shí)現(xiàn)了多尺度特征圖的級(jí)聯(lián)，各分辨率特征圖間設(shè)置了中繼監(jiān)督模塊，增強(qiáng)了算法的學(xué)習(xí)能力，但模型參數(shù)量與復(fù)雜度過(guò)高，檢測(cè)速度僅為13 FPS，實(shí)時(shí)性無(wú)法滿足。SoftPool 能夠改善深淺層特征聚合過(guò)程中，特征圖下采樣導(dǎo)致的重要信息損失，不同角度、不同尺度下的艦船要害關(guān)鍵點(diǎn)細(xì)粒度特征得到保留，提升檢測(cè)準(zhǔn)確率而不引入過(guò)多的模型參數(shù)，改進(jìn)后的算法復(fù)雜度顯著低于Hourglass 網(wǎng)絡(luò)，檢測(cè)速度可達(dá)27 FPS，保證檢測(cè)速度的同時(shí)具備較高的檢測(cè)精度。

改進(jìn)前后的算法對(duì)艦船要害關(guān)鍵點(diǎn)檢測(cè)結(jié)果如圖9 所示。圖9（a）～圖9（e）第1 行表示原CenterNet-DLA 檢測(cè)結(jié)果，第2 行表示所提算法檢測(cè)結(jié)果，第1 列為檢測(cè)效果圖，第2 列為要害關(guān)鍵點(diǎn)熱力圖，第3 列為艦船中心點(diǎn)熱力圖。圖9（a）～圖9（c）為艦船模型檢測(cè)結(jié)果，圖9（d）和圖9（e）為艦船實(shí)際場(chǎng)景檢測(cè)結(jié)果。

由關(guān)鍵點(diǎn)熱力圖可知，所提算法對(duì)具有相似特征的艦船關(guān)鍵點(diǎn)區(qū)分度更好，生成的關(guān)鍵點(diǎn)熱力圖定位精度更高；由圖9（e）可知，本文算法對(duì)距離較遠(yuǎn)的小尺度要害關(guān)鍵點(diǎn)檢測(cè)性能提升顯著，論證了所提算法對(duì)多尺度艦船要害關(guān)鍵點(diǎn)具有較好的檢測(cè)魯棒性；由艦船目標(biāo)中心點(diǎn)熱力圖可知，拍攝距離越近的艦船熱力圖中心點(diǎn)越大，距離遠(yuǎn)的熱力圖中心點(diǎn)較小，所提算法對(duì)不同尺度、不同姿態(tài)的艦船均可實(shí)現(xiàn)要害關(guān)鍵點(diǎn)精確檢測(cè)與中心點(diǎn)準(zhǔn)確定位。圖9 測(cè)試結(jié)果同時(shí)證明了，融合深層語(yǔ)義信息與淺層定位信息能夠提升關(guān)鍵點(diǎn)定位精度，SoftPool改進(jìn)最大值池化保留的細(xì)粒度特征更多，對(duì)尺度、角度變化劇烈的艦船要害部位檢測(cè)任務(wù)適應(yīng)性更好，檢測(cè)結(jié)果更準(zhǔn)確。

圖9 艦船關(guān)鍵點(diǎn)檢測(cè)結(jié)果Fig.9 Detection results of warship’s key-points

神經(jīng)網(wǎng)絡(luò)中的池化處理能夠顯著降低卷積層輸出的特征參數(shù)實(shí)現(xiàn)降維，改善由于網(wǎng)絡(luò)加深可能導(dǎo)致的過(guò)擬合問(wèn)題，廣泛應(yīng)用于各類卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中。不同池化方式對(duì)所提算法進(jìn)行改進(jìn)的測(cè)試結(jié)果如表3 所示。

由表3 可知，最大值池化僅保留池化內(nèi)核中的局部最大值，運(yùn)算簡(jiǎn)單但對(duì)于具有相似特征的艦船要害部位區(qū)分度不足；隨機(jī)采樣池化計(jì)算池化內(nèi)核中特征的概率值，依據(jù)概率隨機(jī)保留特征參量；空間金字塔池化依據(jù)特征圖尺度調(diào)整計(jì)算參數(shù)，對(duì)不同尺度的特征圖處理方式更靈活，mAP 高于最大值池化與隨機(jī)采樣池化，但定位與檢測(cè)準(zhǔn)確性有待提升；SoftPool 池化能夠在不增加較多模型復(fù)雜度的同時(shí)，較好保留重要特征，正向與反向傳播期間梯度權(quán)重均得到更新，最終池化結(jié)果由激活區(qū)域中的特征共同決定，SoftPool 池化與最大值池化、隨機(jī)采樣池化、空間金字塔池化相比，mAP 分別提升了3.3%、2.3%、1.8%。SoftPool 池化算法檢測(cè)速度為27 FPS，滿足實(shí)時(shí)性要求，檢測(cè)精度較高。由圖2 與圖10 可知，所提算法較好融合了深淺層特征，并利用SoftPool 使細(xì)粒度的特征信息得以保留，多尺度下的要害關(guān)鍵點(diǎn)定位精度顯著提升，良好的收斂效果與較低的損失函數(shù)值證明了所提算法改進(jìn)的有效性。

表3 不同池化方式測(cè)試結(jié)果Table 3 Test results of different poolings

損失函數(shù)變化曲線如圖10 所示，可知，所提算法損失函數(shù)值低于ResNet、Res-DCN、DLA、CenterNet-DLA、Hourglass，特征學(xué)習(xí)能力更強(qiáng)，收斂速度更快，在訓(xùn)練50 輪后，損失函數(shù)值基本穩(wěn)定在1.76 左右。可變形卷積相對(duì)于常規(guī)卷積增加了偏移，訓(xùn)練復(fù)雜度增加，故迭代初期損失與曲線波動(dòng)性較大。

圖10 損失函數(shù)曲線Fig.10 Curve on loss function

3.2 三維位姿解算

基于圖6 艦船坐標(biāo)系下的關(guān)鍵點(diǎn)三維坐標(biāo)，結(jié)合檢測(cè)所得關(guān)鍵點(diǎn)像素坐標(biāo)，采用PnP 算法解算導(dǎo)引頭（相機(jī)）在艦船坐標(biāo)系下的三維坐標(biāo)及旋轉(zhuǎn)角。

導(dǎo)引頭三維位姿解算是以艦船為中心，基于所建立的艦船坐標(biāo)系計(jì)算旋轉(zhuǎn)矩陣與平移矩陣。由實(shí)測(cè)數(shù)據(jù)可知，海戰(zhàn)場(chǎng)環(huán)境下的軍艦持續(xù)受到自身橫搖與縱搖影響，氣流變化同樣導(dǎo)致導(dǎo)引頭視場(chǎng)內(nèi)艦船中心位置不斷變化。對(duì)于圖9（d）與圖9（e）海面上的真實(shí)軍艦而言，為提升導(dǎo)引頭對(duì)艦船要害部位打擊精度，需在相對(duì)艦船距離較遠(yuǎn)時(shí)準(zhǔn)確檢測(cè)要害關(guān)鍵點(diǎn)，而距離較遠(yuǎn)時(shí)，導(dǎo)引頭（相機(jī)）相對(duì)艦船坐標(biāo)系的x、y軸坐標(biāo)值遠(yuǎn)大于z軸坐標(biāo)值。實(shí)際戰(zhàn)場(chǎng)環(huán)境采拍時(shí)，獲取準(zhǔn)確的導(dǎo)引頭相對(duì)艦船坐標(biāo)系的旋轉(zhuǎn)角較為困難，由PnP 算法中旋轉(zhuǎn)矩陣與平移矩陣的轉(zhuǎn)換關(guān)系可知，旋轉(zhuǎn)矩陣與平移矩陣之間的準(zhǔn)確度具有耦合性?？紤]到實(shí)際數(shù)據(jù)與設(shè)備測(cè)試的局限性，實(shí)驗(yàn)利用無(wú)人機(jī)內(nèi)置飛行控件記錄的數(shù)據(jù)與激光測(cè)距儀得到導(dǎo)引頭（相機(jī)）相對(duì)艦船的坐標(biāo)真值，計(jì)算相對(duì)誤差作為導(dǎo)引頭三維位姿估計(jì)的評(píng)價(jià)指標(biāo)。圖9（a）～圖9（c）位姿解算結(jié)果如表4所示，采用最大誤差絕對(duì)值（maximum absolute error，MAE）與均方誤差（mean square error，MSE）評(píng)估準(zhǔn)確度。

表4 位姿估計(jì)測(cè)試結(jié)果Table 4 Test resu lts of pose estimation

由表4 可知，艦船模型位姿估計(jì)結(jié)果MAE 為4.14cm，MSE 可保持在3.5 cm 之內(nèi)。實(shí)測(cè)艦船位姿估計(jì)結(jié)果MAE 為343cm，MSE 可保持在3 0 0 cm之內(nèi)。艦船成像特征信息量同樣影響位姿估計(jì)結(jié)果，船模拍攝距離近，細(xì)節(jié)特征豐富，實(shí)測(cè)艦船距離較遠(yuǎn)，故船模位姿估計(jì)結(jié)果精度高于實(shí)測(cè)艦船的位姿估計(jì)結(jié)果。導(dǎo)引頭位姿估計(jì)準(zhǔn)確度與關(guān)鍵點(diǎn)檢測(cè)結(jié)果密切相關(guān)，關(guān)鍵點(diǎn)檢測(cè)精度越高，位姿解算越準(zhǔn)確。當(dāng)導(dǎo)引頭獲取的艦船圖像中，部分關(guān)鍵點(diǎn)較為密集時(shí)，可能造成位姿估計(jì)結(jié)果準(zhǔn)確度降低。圖9（b）艦船圖像細(xì)節(jié)更多，特征更清晰，因而圖9（b）位姿解算誤差小于圖9（a）和圖9（c）。此外，相機(jī)徑向與切向畸變可能導(dǎo)致關(guān)鍵點(diǎn)檢測(cè)位置偏移；相機(jī)的架設(shè)位姿與關(guān)鍵點(diǎn)空間分布同樣可能導(dǎo)致位姿估計(jì)誤差?？傮w而言導(dǎo)引頭（相機(jī)）位姿估計(jì)較為準(zhǔn)確。

3.3 艦船要害點(diǎn)軌跡預(yù)測(cè)

導(dǎo)引頭接近艦船的過(guò)程中，艦船要害空間尺度與位移同時(shí)發(fā)生變化，不同要害關(guān)鍵點(diǎn)運(yùn)動(dòng)軌跡存在差異，為更好評(píng)估LSTM 軌跡預(yù)測(cè)準(zhǔn)確性，選取卡爾曼濾波（Kalman Filter）算法、差分自回歸移動(dòng)平 均 模 型（autoregressive integrated moving average model，ARIMA）算法作為對(duì)比。輸入為視頻序列中，動(dòng)態(tài)變化的要害關(guān)鍵點(diǎn)像素坐標(biāo)。LSTM 與其他算法在艦船要害關(guān)鍵點(diǎn)檢測(cè)數(shù)據(jù)上的測(cè)試結(jié)果如表5 所示。

表5 第1 行同時(shí)給出了視頻序列關(guān)鍵點(diǎn)檢測(cè)結(jié)果、真實(shí)軌跡的平均位移誤差（average displacement error，ADE）和最終位移誤差（final displacement error，F(xiàn)DE）。對(duì)比實(shí)驗(yàn)設(shè)定Kalman Filter 算法方差為1 ×10?4；ARIMA 算法依據(jù)貝葉斯信息量（Bayesianin formation criterion，BIC）準(zhǔn)則進(jìn)行模型定階，由艦船要害關(guān)鍵點(diǎn)時(shí)序數(shù)據(jù)確定自回歸項(xiàng)數(shù)為6，差分階數(shù)為1，滑動(dòng)平均項(xiàng)數(shù)為5，用最小二乘法確定初值，并結(jié)合極大似然法實(shí)現(xiàn)ARIMA 軌跡預(yù)測(cè)。

如表5 所示，相同實(shí)驗(yàn)環(huán)境測(cè)試，LSTM 軌跡預(yù)測(cè)精度優(yōu)于其他算法。Kalman Filter 算法對(duì)運(yùn)動(dòng)模型與量測(cè)模型依賴性較大，且預(yù)測(cè)效果與試驗(yàn)參數(shù)設(shè)定密切相關(guān)，準(zhǔn)確度較低；ARIMA 預(yù)測(cè)效果優(yōu)于Kalman Filter 算法，需根據(jù)BIC 準(zhǔn)則設(shè)定實(shí)驗(yàn)參數(shù)，艦船要害關(guān)鍵點(diǎn)運(yùn)動(dòng)趨勢(shì)劇烈變化時(shí)適應(yīng)性不足，軌跡預(yù)測(cè)精度有待提升；LSTM 對(duì)時(shí)空特征學(xué)習(xí)能力強(qiáng)，對(duì)初始預(yù)測(cè)的不確定性及傳入測(cè)量的不確定性適應(yīng)性更好，對(duì)劇烈變化的艦船要害關(guān)鍵點(diǎn)具有更優(yōu)的軌跡預(yù)測(cè)準(zhǔn)確度。

表5 軌跡預(yù)測(cè)算法對(duì)比Table 5 Com parison of trajectory prediction algorithm s

文獻(xiàn)[21]指出多維坐標(biāo)獨(dú)立預(yù)測(cè)比多維同時(shí)預(yù)測(cè)的精度更高，為更直觀地分析預(yù)測(cè)準(zhǔn)確度，以視頻幀數(shù)為橫坐標(biāo)，隨機(jī)抽取3 段視頻中，艦船要害關(guān)鍵點(diǎn)單維度的運(yùn)動(dòng)軌跡，將運(yùn)動(dòng)軌跡可視化測(cè)試后的結(jié)果如圖11 所示。

如圖11 所示，導(dǎo)引頭視場(chǎng)內(nèi)的艦船要害關(guān)鍵點(diǎn)坐標(biāo)呈現(xiàn)無(wú)規(guī)律波動(dòng)，小范圍連續(xù)波動(dòng)運(yùn)動(dòng)趨勢(shì)擬合是軌跡預(yù)測(cè)的難點(diǎn)。Kalman Filter 算法測(cè)試曲線與真值變化趨勢(shì)相符，但平滑程度高，無(wú)法準(zhǔn)確擬合要害關(guān)鍵點(diǎn)小范圍連續(xù)波動(dòng)的軌跡，預(yù)測(cè)誤差較大；ARIMA 比Kalman Filter 算法預(yù)測(cè)結(jié)果更接近真實(shí)值，但曲線波動(dòng)性較大，且具有一定的滯后性，當(dāng)艦船要害關(guān)鍵點(diǎn)位置劇烈變化時(shí)，ARIMA 預(yù)測(cè)結(jié)果與真值偏差較大，預(yù)測(cè)準(zhǔn)確度有待提升。LSTM能夠較好擬合劇烈變化的要害關(guān)鍵點(diǎn)運(yùn)動(dòng)軌跡，對(duì)呈現(xiàn)無(wú)規(guī)律性的時(shí)序軌跡預(yù)測(cè)魯棒性較好，特征學(xué)習(xí)能力強(qiáng)，預(yù)測(cè)結(jié)果與真值誤差更小。

圖11 軌跡預(yù)測(cè)結(jié)果Fig.11 Results on trajectory prediction

隨機(jī)抽取視頻序列中，幀數(shù)為100～200 與幀數(shù)為400～480 時(shí)的要害關(guān)鍵點(diǎn)運(yùn)動(dòng)軌跡，如圖12 所示。由表5 與圖12 可知，與其他算法相比，LSTM預(yù)測(cè)值與真實(shí)值之間的差異更小。LSTM 軌跡預(yù)測(cè)曲線能較好的反映艦船要害關(guān)鍵點(diǎn)運(yùn)動(dòng)趨勢(shì)，出現(xiàn)小范圍連續(xù)劇烈波動(dòng)時(shí)，仍能夠依據(jù)檢測(cè)數(shù)據(jù)準(zhǔn)確預(yù)測(cè)軌跡，與標(biāo)注真值之間的誤差更小，精度提升明顯。LSTM 擬合的曲線中，影響預(yù)測(cè)精度的軌跡突變點(diǎn)更少，更加貼近實(shí)際軌跡。

圖12 軌跡預(yù)測(cè)細(xì)節(jié)分析Fig.12 Detailed analysis of trajectory prediction

4 結(jié) 論

反艦導(dǎo)彈對(duì)艦船要害部位的精確打擊能力是精確制導(dǎo)的關(guān)鍵技術(shù)之一。針對(duì)現(xiàn)有算法無(wú)法準(zhǔn)確檢測(cè)艦船要害部位，導(dǎo)引誤差解算精度不足等問(wèn)題，本文提出的SHKP-LSTM 算法，構(gòu)建了艦船要害部位檢測(cè)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，可實(shí)現(xiàn)動(dòng)態(tài)變化下的多尺度艦船要害部位檢測(cè)與軌跡預(yù)測(cè)，算法魯棒性強(qiáng)，解算精度高，精確制導(dǎo)的研究思路得到擴(kuò)展。

1）針對(duì)檢測(cè)特征利用不充分的問(wèn)題，融合深淺層特征可提高檢測(cè)精度，SoftPool 可改善最大值池化導(dǎo)致的重要信息損失，獲取的細(xì)粒度特征圖提升了相似特征關(guān)鍵點(diǎn)的區(qū)分度，mAP 提升了3.3%。

2）LSTM 算法對(duì)時(shí)序特征學(xué)習(xí)能力較強(qiáng)，軌跡預(yù)測(cè)準(zhǔn)確度與實(shí)時(shí)性較好。利用時(shí)空維度特征準(zhǔn)確預(yù)測(cè)艦船要害打擊點(diǎn)運(yùn)動(dòng)軌跡，有助于提升精確制導(dǎo)反艦導(dǎo)彈的毀傷概率。

3）PnP 算法利用艦船三維結(jié)構(gòu)特性與關(guān)鍵點(diǎn)檢測(cè)結(jié)果解算導(dǎo)引頭三維位姿。相對(duì)于二維像素坐標(biāo)而言，利用三維信息解算所得當(dāng)前命中點(diǎn)與任務(wù)打擊點(diǎn)導(dǎo)引誤差更精確。

如何針對(duì)遮擋或視野缺點(diǎn)中的艦船要害部位進(jìn)行精確檢測(cè)與軌跡預(yù)測(cè)是后續(xù)工作研究重點(diǎn)。