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(shù)研究所，湖北 宜昌 443003)

0 引言

20世紀(jì)以來，紅外成像技術(shù)有了很大的發(fā)展，并迅速在精確制導(dǎo)武器上得到了廣泛應(yīng)用[1-2]。紅外成像制導(dǎo)武器是利用探測目標(biāo)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(xiàn)對目標(biāo)的跟蹤，能夠?qū)崿F(xiàn)在復(fù)雜戰(zhàn)場中對目標(biāo)的全向攻擊[3]。然而，如何準(zhǔn)確評估紅外成像導(dǎo)引頭在干擾條件下的工作效能，為紅外成像導(dǎo)引頭抗干擾效能的提高及其驗收鑒定提供重要的依據(jù)，是一項亟待完成的工作[4-6]。

國內(nèi)外目前評估系統(tǒng)作戰(zhàn)效能的主觀評估方法主要有專家調(diào)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(jīng)網(wǎng)絡(luò)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(dǎo)引頭進(jìn)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(biāo)。李凡等利用多層模糊分析法對紅外制導(dǎo)的抗干擾效能進(jìn)行了評估，構(gòu)建了抗干擾效能評估指標(biāo)體系，提高了評估結(jié)果的可信度和準(zhǔn)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(tài)下的作戰(zhàn)效能[15]；葛辰杰等利用線性支持向量機(jī)對紅外導(dǎo)引頭的抗干擾效能進(jìn)行評估，適用于小數(shù)據(jù)樣本情況[16]。

由于作戰(zhàn)場景下的紅外干擾因素復(fù)雜多樣性，對于紅外成像制導(dǎo)系統(tǒng)抗干擾效能的評估方法也尚未規(guī)范統(tǒng)一[17-18]。本文提出了基于目標(biāo)識別、圖像特征、跟蹤精度的多維度反艦導(dǎo)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(xiàn)與體系評估指標(biāo)的一致性。

1 紅外成像導(dǎo)引頭工作原理

1.1 紅外成像原理

紅外導(dǎo)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(tǒng)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(nèi)的熱能量。根據(jù)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(yīng)灰度值之間的關(guān)系，根據(jù)目標(biāo)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(shù)，c2為第二輻射常數(shù)。

紅外成像探測器的工作波長為[λ1，λ2]，可以根據(jù)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(yīng)關(guān)系。最終可以通過普朗克定律和蘭伯特定律計算得出遠(yuǎn)距離目標(biāo)的探測輻射亮度如下：

(4)

式中，h為普朗克常數(shù)，c為光速，k為波爾茲曼常數(shù)，T為溫度。

1.2 紅外成像制導(dǎo)系統(tǒng)基本組成

紅外成像制導(dǎo)系統(tǒng)主要由三部分構(gòu)成，即紅外成像系統(tǒng)、圖像處理系統(tǒng)及隨動系統(tǒng)。目標(biāo)的紅外輻射信號首先進(jìn)入到光學(xué)系統(tǒng)，通過掃描機(jī)構(gòu)在紅外探測器的光敏面上聚焦，經(jīng)過光電轉(zhuǎn)換將光信號轉(zhuǎn)換為電信號，再對電信號進(jìn)行濾波和放大處理，得到目標(biāo)的位置誤差信息；或由成像系統(tǒng)解析圖像，經(jīng)過非均勻校正和預(yù)處理后得到原始的目標(biāo)紅外圖像，再傳輸至隨動系統(tǒng)聯(lián)動光學(xué)系統(tǒng)，引導(dǎo)導(dǎo)引頭向目標(biāo)方位運(yùn)動，形成角跟蹤回路，實現(xiàn)導(dǎo)引系統(tǒng)對目標(biāo)的連續(xù)跟蹤。同時生成自動駕駛儀所需的導(dǎo)引信號，指揮控制導(dǎo)彈飛向目標(biāo)[11]。紅外成像制導(dǎo)系統(tǒng)組成如圖1所示。

圖1 紅外成像制導(dǎo)系統(tǒng)構(gòu)成

1.3 紅外成像導(dǎo)引頭工作方式

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

1)檢測狀態(tài)：在檢測狀態(tài)下，紅外成像導(dǎo)引頭對目標(biāo)生成的紅外圖像進(jìn)行識別檢測，尋找所要追蹤的目標(biāo)紅外信號。如果導(dǎo)引頭發(fā)現(xiàn)符合目標(biāo)特性的紅外信號，會通過識別算法確定目標(biāo)信息并鎖定其位置，在確定該信號有效后保存目標(biāo)信息與位置并轉(zhuǎn)入跟蹤狀態(tài)，否則保持檢測狀態(tài)。

2)跟蹤狀態(tài)：在跟蹤狀態(tài)下，紅外成像導(dǎo)引頭鎖定目標(biāo)并調(diào)整自身方向使得導(dǎo)彈朝向目標(biāo)所在方位偏移，從而實現(xiàn)改變飛行軌跡與飛行目的地，同時導(dǎo)引頭也將記錄目標(biāo)物體的紅外成像特征，用于出現(xiàn)抗干擾判斷。根據(jù)自身采取的跟蹤算法對目標(biāo)置信度進(jìn)行評估，出現(xiàn)置信度過低或者丟失目標(biāo)信息的情況，則說明出現(xiàn)干擾，導(dǎo)引頭即轉(zhuǎn)入判斷狀態(tài)。

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

2 紅外成像導(dǎo)引頭抗干擾效能指標(biāo)

紅外成像導(dǎo)引頭抗干擾效能評估是在復(fù)雜戰(zhàn)場環(huán)境下對紅外成像制導(dǎo)系統(tǒng)的捕獲、識別跟蹤目標(biāo)的水平進(jìn)行評估的準(zhǔn)則和方法。它對于在復(fù)雜海戰(zhàn)場環(huán)境試驗中如何構(gòu)設(shè)紅藍(lán)雙方光電對抗的博弈態(tài)勢有著重要指導(dǎo)作用。

評估紅外成像導(dǎo)引頭效能首先構(gòu)建合適的評估指標(biāo)，其次建立數(shù)學(xué)模型并設(shè)置典型場景，通過仿真實驗對系統(tǒng)進(jìn)行抗干擾效果評估，最后根據(jù)實驗結(jié)果對抗干擾效能進(jìn)行分析評價。通過對紅外成像制導(dǎo)工作原理的分析，可以從目標(biāo)識別、圖像特征、跟蹤精度三個維度構(gòu)建評估指標(biāo)體系[19-20]。

2.1 目標(biāo)識別指標(biāo)

紅外成像導(dǎo)引頭處于搜索檢測工作狀態(tài)時，對其視場內(nèi)的目標(biāo)進(jìn)行識別，通過目標(biāo)紅外輻射特征判斷其類型，并給出置信度指標(biāo)。目標(biāo)抗干擾識別能力是指紅外成像導(dǎo)引頭運(yùn)用相應(yīng)的目標(biāo)識別算法，在打擊目標(biāo)的過程中，從其所采集到的每一幀圖像中識別出正確目標(biāo)的能力[4]。目標(biāo)識別概率是反映導(dǎo)引頭由探測轉(zhuǎn)入截獲過程的核心參數(shù)，易受自然環(huán)境、人為干擾影響，主要表現(xiàn)為規(guī)定時間內(nèi)導(dǎo)引頭識別概率下降將導(dǎo)致跟蹤目標(biāo)錯誤。

平均目標(biāo)識別概率Pt是指在干擾環(huán)境下對檢測目標(biāo)的置信度，定義為：

(5)

式中，pi為單次目標(biāo)識別的置信度；n為導(dǎo)引頭檢測識別總次數(shù)。

2.2 圖像特征指標(biāo)

紅外成像導(dǎo)引頭的核心功能是目標(biāo)探測、識別和跟蹤，而其探測、識別和跟蹤的效能依賴于目標(biāo)圖像特征的強(qiáng)弱[22]。當(dāng)導(dǎo)引頭受到干擾時，會導(dǎo)致目標(biāo)在海天背景下的紅外成像質(zhì)量下降，目標(biāo)與背景的對比度降低。因此可以根據(jù)目標(biāo)紅外成像特征的對比度變化來評估導(dǎo)引頭的抗干擾能力[20]。目標(biāo)成像對比度是指目標(biāo)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(biāo)成像平均灰度值，σ2為背景平均灰度值。

2.3 跟蹤精度指標(biāo)

紅外成像導(dǎo)引頭在截獲目標(biāo)后轉(zhuǎn)入對目標(biāo)的自動跟蹤狀態(tài)，并連續(xù)測量目標(biāo)的運(yùn)動方位，控制導(dǎo)彈指向目標(biāo)。在目標(biāo)跟蹤階段，目標(biāo)實施光電干擾措施或進(jìn)行緊急機(jī)動都會對紅外成像制導(dǎo)系統(tǒng)的跟蹤精度造成影響，具體體現(xiàn)在對目標(biāo)水平或俯仰方位上的跟蹤角度誤差。紅外導(dǎo)引頭方位/俯仰跟蹤角度誤差定義如下：

(7)

(8)

式中，θ1為目標(biāo)與導(dǎo)彈連線方位角，θ2為導(dǎo)引頭光軸指向方位角，α1為目標(biāo)與導(dǎo)彈連線俯仰角，α2為導(dǎo)引頭光軸指向俯仰角，n為跟蹤次數(shù)。

紅外成像制導(dǎo)系統(tǒng)在跟蹤角誤差逐漸累積，或目標(biāo)置信度嚴(yán)重下降的情況下，導(dǎo)引頭可能會丟失目標(biāo)，打斷連續(xù)跟蹤狀態(tài)而轉(zhuǎn)入判斷狀態(tài)。因此，平均連續(xù)跟蹤時間比是評價導(dǎo)引頭持續(xù)抗干擾和穩(wěn)定跟蹤能力的重要指標(biāo)之一。平均連續(xù)跟蹤時間比定義為：

(9)

式中，Ti為導(dǎo)引頭單次連續(xù)跟蹤時間，n為目標(biāo)丟失次數(shù)，n為跟蹤次數(shù)，T0為導(dǎo)引頭開機(jī)時刻，Ts為導(dǎo)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(shù)據(jù)創(chuàng)建作戰(zhàn)任務(wù)，在整個任務(wù)仿真過程中，根據(jù)紅外環(huán)境信息以及目標(biāo)、目標(biāo)的紅外輻射特征進(jìn)行建模與紅外可視成像仿真，實時進(jìn)行目標(biāo)識別和跟蹤，并且模擬測試紅外成像導(dǎo)引頭對抗面源紅外干擾信號的情況下打擊目標(biāo)的能力。光電對抗仿真系統(tǒng)通常由場景想定模塊、紅外環(huán)境模塊、平臺運(yùn)動模塊、紅外成像導(dǎo)引頭模塊和干擾彈模塊組成，其中紅外成像導(dǎo)引頭模塊為核心組件，主要具有紅外成像、目標(biāo)識別和目標(biāo)跟蹤功能。

3.1 紅外成像及圖像處理

紅外成像導(dǎo)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(yīng)的模型文件數(shù)據(jù)，讀入其中的網(wǎng)格體數(shù)據(jù)，然后通過坐標(biāo)變換到對應(yīng)三維空間中，通過將紅外成像導(dǎo)引頭看作虛擬相機(jī)進(jìn)行渲染成像，最終成像結(jié)果由物體的溫度信息以及位置信息，結(jié)合紅外輻射成像計算結(jié)果進(jìn)行賦值。

整個仿真場景主要由天空和背景、多個潛在目標(biāo)物體以及可能的干擾目標(biāo)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(qū)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(guān)于顏色信息的資源與數(shù)據(jù)，而是通過場景中的物體與環(huán)境的溫度信息，通過真實輻射亮度的計算公式，代入場景當(dāng)前溫度信息，渲染得出貼合真實物理規(guī)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(shù)據(jù)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(dá)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(shù)據(jù)提供給目標(biāo)識別跟蹤模塊，可以獲得更好的目標(biāo)識別、跟蹤效果。

3.2 目標(biāo)識別

紅外成像導(dǎo)引頭識別目標(biāo)的過程是先找出目標(biāo)和背景的差異，提取目標(biāo)特征，將目標(biāo)特征進(jìn)行比較，選則最匹配結(jié)果特征，再進(jìn)行決策分類處理。從兼顧效果與效率上進(jìn)行選擇，在目標(biāo)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(biāo)檢測算法，采用單個神經(jīng)網(wǎng)絡(luò)直接預(yù)測類別概率和物體邊界，融合了目標(biāo)類別和目標(biāo)區(qū)域預(yù)測，能夠?qū)崿F(xiàn)端到端的物體檢測。YOLO相對于基于Region Proposal如R-CNN的算法準(zhǔn)確度較低一些，但它的檢測速度更快。YOLO算法訓(xùn)練過程的流程如圖2所示。

圖2 YOLO算法訓(xùn)練流程

YOLO算法首先使用卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征，其次預(yù)測候選區(qū)域的類別和位置。設(shè)定每個預(yù)測框為一個樣本，標(biāo)注真實框的相對類別和位置并得到標(biāo)簽值，通過網(wǎng)絡(luò)模型預(yù)測其類別和位置并比較網(wǎng)絡(luò)預(yù)測值和標(biāo)簽值，建立損失函數(shù)。在圖像上依據(jù)一定規(guī)則產(chǎn)生一系列的候選區(qū)域，再根據(jù)圖像上物體的真實框和候選區(qū)域間的位置關(guān)系標(biāo)注候選區(qū)域。標(biāo)注與真實框接近的候選區(qū)域為正樣本，并設(shè)定真實框的位置為正樣本的位置目標(biāo)。標(biāo)注偏離真實框較大的候選區(qū)域為負(fù)樣本，負(fù)樣本不用預(yù)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(biāo)檢測算法，譯為“單激發(fā)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(chuàng)性地提出了多分辨率預(yù)測，整個過程只需要一步，所以其優(yōu)勢是速度快，精度高于YOLO，速度勝于faster R-CNN。實時SSD300模型的運(yùn)行速度，比最初版本的實時YOLO更快，同時產(chǎn)生了顯著優(yōu)越的檢測精度。其訓(xùn)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(biāo)。訓(xùn)練還涉及到選擇一些默認(rèn)框檢測尺度，負(fù)難例挖掘，數(shù)據(jù)增強(qiáng)策略。

圖3 SSD算法訓(xùn)練流程

SSD預(yù)測過程和訓(xùn)練過程相比較為簡單，首先將待預(yù)測的圖片輸入網(wǎng)絡(luò)，將初始框根據(jù)輸出的目標(biāo)類別和偏移量進(jìn)行對應(yīng)調(diào)整，得到預(yù)測框，并確定預(yù)測框的類別，然后過濾掉屬于背景的預(yù)測框和閾值較低的預(yù)測框。對于留下的預(yù)測框執(zhí)行NMS算法，將重疊度較大的預(yù)測框再次過濾掉，留下的預(yù)測框為最終的檢測結(jié)果。預(yù)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(biāo)作為識別目標(biāo)，若置信度不足則認(rèn)為識別失敗。

圖4 SSD算法預(yù)測流程

3.3 目標(biāo)跟蹤

目標(biāo)跟蹤算法主要運(yùn)用到了Byte Track以及基于Mean Shift的帶有模板匹配思路的目標(biāo)追蹤算法。其中Mean Shift算法僅支持單目標(biāo)追蹤，但具有較強(qiáng)的抗干擾能力；Byte Track算法魯棒性強(qiáng)，能完成多目標(biāo)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(shù)據(jù)關(guān)聯(lián)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(jié)果，并除去低分檢測結(jié)果中的背景，識別出需要的目標(biāo)，Byte Track能夠降低目標(biāo)漏檢并提高目標(biāo)軌跡的連貫性。由于Byte Track沒有采用外表特征進(jìn)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(yán)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(jīng)網(wǎng)絡(luò)準(zhǔn)確率更高的算法，在跟蹤出現(xiàn)置信度不足時會進(jìn)入判斷狀態(tài)，重新使用準(zhǔn)確度更高的檢測算法重新確定跟蹤目標(biāo)信息。

2)Mean Shift算法：Mean Shift算法是一種基于密度的非參數(shù)聚類算法，思路是假設(shè)不同簇類的數(shù)據(jù)集合不同的概率密度分布，尋找樣本數(shù)據(jù)點(diǎn)密度增大最快方向，樣本密度高的局部區(qū)域?qū)?yīng)于該分布局部極值，樣本點(diǎn)會在局部密度極值處收斂，收斂到相同局部極值的點(diǎn)即是同一簇類的成員。

狀態(tài)初始化階段，算法的主要工作是對導(dǎo)引頭探測到的圖像進(jìn)行初步處理，以提高下一步中導(dǎo)引頭追蹤目標(biāo)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(shù)濾波等一系列的傳統(tǒng)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(dǎo)引頭便根據(jù)預(yù)設(shè)參數(shù)更新自身的跟蹤制導(dǎo)行為。通過均值漂移操作和四向延拓之后，導(dǎo)引頭將標(biāo)記出目標(biāo)的追蹤框圖，進(jìn)而調(diào)整導(dǎo)彈的運(yùn)動方向等行動參數(shù)。

4 抗干擾效能評估仿真實驗

4.1 仿真實驗場景構(gòu)設(shè)

通過光電對抗平臺仿真軟件構(gòu)設(shè)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(dǎo)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(jìn)行數(shù)字仿真驗證，獲取效能評估指標(biāo)樣本數(shù)據(jù)。仿真設(shè)置紅外成像制導(dǎo)導(dǎo)彈速度為0.7 Ma，距離目標(biāo)5 km，目標(biāo)直航速度為20 kn，并通過執(zhí)行紅外面源誘騙干擾戰(zhàn)術(shù)對紅外成像導(dǎo)引頭實施干擾，干擾設(shè)置參數(shù)如表1所示。

表1 仿真參數(shù)設(shè)置

仿真實驗過程中實時記錄仿真時間、目標(biāo)識別概率、目標(biāo)成像灰度值、目標(biāo)跟蹤方位/俯仰角誤差數(shù)據(jù)，仿真結(jié)果如圖5～8所示。

圖5 目標(biāo)識別概率仿真曲線

圖6 平均目標(biāo)成像對比度仿真曲線

圖7 目標(biāo)跟蹤方位角誤差仿真曲線

圖8 目標(biāo)跟蹤俯仰角誤差仿真曲線

4.2 仿真結(jié)果分析

4.2.1 目標(biāo)識別概率分析

從目標(biāo)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?qū)δ繕?biāo)進(jìn)行準(zhǔn)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(yīng)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(biāo)脫離導(dǎo)引頭視場范圍，仿真后段持續(xù)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(xù)轉(zhuǎn)向跟蹤目標(biāo)，識別概率穩(wěn)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(qiáng)于算法1。

4.2.2 平均目標(biāo)成像對比度

在紅外成像灰度圖中，紅外誘餌和目標(biāo)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(biāo)。從平均目標(biāo)成像對比度仿真曲線可以看出，在無干擾場景下，導(dǎo)引頭穩(wěn)定跟蹤目標(biāo)，隨著彈目距離的減小，目標(biāo)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(wěn)定增大。面對干擾對抗場景，算法1導(dǎo)引頭被引偏后跟蹤誘餌，由于誘餌紅外輻射強(qiáng)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(nèi)被面源誘餌占據(jù)，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(biāo)跟蹤方位角誤差

導(dǎo)引頭跟蹤目標(biāo)的過程中，圖像處理系統(tǒng)實時計算彈目方位和俯仰誤差，并輸入導(dǎo)彈隨動系統(tǒng)，導(dǎo)彈根據(jù)自身的制導(dǎo)方法輸出機(jī)動指令，常見的有比例引導(dǎo)和前置角引導(dǎo)等方法。仿真曲線中體現(xiàn)了在無干擾場景下，面對目標(biāo)，導(dǎo)彈跟蹤目標(biāo)的方位角誤差按照導(dǎo)引律穩(wěn)定變化。面對干擾對抗場景，算法1導(dǎo)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(wěn)定跟蹤目標(biāo)，此時方位角誤差按照導(dǎo)引律穩(wěn)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(yīng)的制導(dǎo)規(guī)律。

4.2.4 目標(biāo)跟蹤俯仰角誤差

從目標(biāo)跟蹤俯仰角誤差曲線中可以看出，導(dǎo)引頭穩(wěn)定跟蹤目標(biāo)時幾乎沒有俯仰角誤差，那是因為目標(biāo)在高度俯仰方向沒有運(yùn)動趨勢，而被誘餌誘騙后的算法1導(dǎo)引頭，受誘餌自由落體運(yùn)動的影響，在俯仰指向上出現(xiàn)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(xiàn)導(dǎo)引頭識別跟蹤算法的優(yōu)越性。

仿真數(shù)據(jù)表明，算法2的平均目標(biāo)識別概率大于算法1，因此算法2的目標(biāo)識別能力更強(qiáng)；由于跟蹤誘餌時目標(biāo)成像對比度會先增大后減小，產(chǎn)生較大變化，因此成像對比度需要根據(jù)實時數(shù)據(jù)進(jìn)行分析，其平均值難以表明導(dǎo)引頭的抗干擾效能；兩種算法的平均跟蹤角度誤差結(jié)果也如分析結(jié)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(wěn)定的目標(biāo)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(biāo)跟蹤能力更強(qiáng)；綜上所述，算法2具有更好的抗干擾效能。

5 結(jié)束語

本文從目標(biāo)識別、圖像特征和跟蹤精度三個維度構(gòu)建評估了效能評估指標(biāo)體系。通過構(gòu)設(shè)典型場景，對兩種紅外成像識別跟蹤算法進(jìn)行了紅外誘騙干擾對抗仿真實驗，通過對抗仿真結(jié)果與效能評估指標(biāo)的數(shù)據(jù)表現(xiàn)，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。