無人機(jī)具有機(jī)動(dòng)性高、生存能力強(qiáng)、無人員傷亡風(fēng)險(xiǎn)等優(yōu)勢(shì)，成為現(xiàn)代偵察體系中不可或缺的重要力量。特別是在執(zhí)行多目標(biāo)偵察任務(wù)時(shí)，無人機(jī)攜帶多種傳感器，對(duì)復(fù)雜環(huán)境下多目標(biāo)進(jìn)行偵察與監(jiān)視，及時(shí)為決策者提供實(shí)時(shí)、準(zhǔn)確的感知信息。

多目標(biāo)探測(cè)與識(shí)別技術(shù)

多目標(biāo)探測(cè)與識(shí)別技術(shù)是多目標(biāo)偵察的核心技術(shù)，也是計(jì)算機(jī)視覺領(lǐng)域的一個(gè)重要研究方向。它充分利用多源數(shù)據(jù)的互補(bǔ)性，實(shí)現(xiàn)了目標(biāo)精準(zhǔn)、實(shí)時(shí)探測(cè)與識(shí)別，提高了目標(biāo)偵察效率。無人機(jī)搭載光電設(shè)備、紅外熱成像儀、預(yù)警探測(cè)雷達(dá)、合成孔徑雷達(dá)（SAR）等多種傳感器，獲取圖像、影像、雷達(dá)點(diǎn)航跡、自動(dòng)識(shí)別系統(tǒng)（AIS）點(diǎn)航跡等多源信息。其中，光電設(shè)備采集目標(biāo)的顏色、紋理、外形等信息；紅外熱成像儀探測(cè)目標(biāo)熱輻射，即使在夜間或惡劣天氣條件下，也能實(shí)現(xiàn)有效偵察。

多目標(biāo)探測(cè)與識(shí)別過程

多目標(biāo)探測(cè)與識(shí)別過程包括數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、特征提取、目標(biāo)檢測(cè)、目標(biāo)識(shí)別、數(shù)據(jù)結(jié)果融合六個(gè)關(guān)鍵步驟。其中，數(shù)據(jù)采集是指多種傳感器采集目標(biāo)信息；數(shù)據(jù)預(yù)處理去除噪聲，提高數(shù)據(jù)質(zhì)量；特征提取則是系統(tǒng)從經(jīng)過預(yù)處理的數(shù)據(jù)中提取有用的信息；基于系統(tǒng)提取的目標(biāo)特征，目標(biāo)探測(cè)與識(shí)別實(shí)現(xiàn)目標(biāo)屬性判斷和定位；數(shù)據(jù)結(jié)果融合是指系統(tǒng)整合多源傳感器數(shù)據(jù)，提高探測(cè)與識(shí)別的準(zhǔn)確性和魯棒性。

數(shù)據(jù)采集

數(shù)據(jù)采集是無人機(jī)實(shí)現(xiàn)多目標(biāo)探測(cè)與識(shí)別的前提條件，具體包含數(shù)據(jù)同步、數(shù)據(jù)校準(zhǔn)、數(shù)據(jù)關(guān)聯(lián)三個(gè)步驟。數(shù)據(jù)同步和數(shù)據(jù)校準(zhǔn)是確保不同傳感器采集的數(shù)據(jù)在空間、時(shí)間維度上保持一致的關(guān)鍵步驟；數(shù)據(jù)關(guān)聯(lián)將來自不同傳感器的數(shù)據(jù)進(jìn)行匹配和對(duì)應(yīng)，以找出特定時(shí)間、特定空間內(nèi)同屬于某個(gè)目標(biāo)的數(shù)據(jù)，形成完整的數(shù)據(jù)集。

數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理是無人機(jī)多目標(biāo)探測(cè)與識(shí)別過程中的一個(gè)重要環(huán)節(jié)，可以去除雷達(dá)點(diǎn)航跡等結(jié)構(gòu)化數(shù)據(jù)中的噪聲、異常值、缺失值等不利因素，提高圖像、影像和結(jié)構(gòu)化數(shù)據(jù)的質(zhì)量。它直接影響后續(xù)數(shù)據(jù)分析、模型訓(xùn)練及結(jié)果預(yù)測(cè)的準(zhǔn)確性和效率。

在執(zhí)行偵察任務(wù)時(shí)，如果無人機(jī)受到多云、雨、霧、雪等天氣干擾，光電設(shè)備、紅外熱成像儀、SAR等傳感器采集的圖像和影像等數(shù)據(jù)往往出現(xiàn)對(duì)比度、清晰度下降等問題，導(dǎo)致目標(biāo)與背景之間的對(duì)比不明顯。暗通道先驗(yàn)去霧算法、MLNet去霧法、基于塊的圖像修復(fù)方法、基于變換域的修復(fù)方法和Retinex圖像增強(qiáng)方法等處理手段可以解決上述問題。

受測(cè)量設(shè)備誤差、電磁對(duì)抗干擾、通信中斷等因素影響，雷達(dá)點(diǎn)航跡、AIS點(diǎn)航跡等數(shù)據(jù)存在缺失、異常、噪聲、重復(fù)等問題。處理這些問題的常用手段包含數(shù)據(jù)濾波、點(diǎn)航跡合并、點(diǎn)航跡篩選等方法。

特征提取

特征提取在無人機(jī)目標(biāo)偵察任務(wù)中扮演著至關(guān)重要的角色。它將圖像、影像、點(diǎn)航跡等信息中有用的數(shù)據(jù)轉(zhuǎn)化為人類或計(jì)算機(jī)可以理解的信息，為后續(xù)目標(biāo)檢測(cè)與識(shí)別提供基礎(chǔ)數(shù)據(jù)支持，同時(shí)將高維信息壓縮為低維特征向量，減少計(jì)算量，提高處理效率。

常用的目標(biāo)特征提取方法多種多樣，可以概況為以下幾種。

1.基于視覺特征的提取方法

該方法通?；谀繕?biāo)顏色、紋理、形狀等視覺特征來提取目標(biāo)特征，包括顏色直方圖、灰度共生矩陣、自回歸紋理模型、小波變換法、邊界特征法、傅里葉形狀描述符等典型方法。

2.基于深度學(xué)習(xí)的特征提取方法

該方法旨在建立合理的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，然后采用自動(dòng)學(xué)習(xí)方式，從圖像、影像和點(diǎn)航跡等數(shù)據(jù)中提取特征，無需人工設(shè)計(jì)特征提取器，具有較強(qiáng)的魯棒性和判別能力。它包含卷積神經(jīng)網(wǎng)絡(luò)、自編碼器、深度信念網(wǎng)絡(luò)、Transformer網(wǎng)絡(luò)等典型方法。

目標(biāo)檢測(cè)

目標(biāo)檢測(cè)通常采用兩階段目標(biāo)檢測(cè)方法和單階段目標(biāo)檢測(cè)方法。兩階段目標(biāo)檢測(cè)方法具有檢測(cè)精度高的優(yōu)勢(shì)，但其檢測(cè)速度相對(duì)較慢；而單階段目標(biāo)檢測(cè)方法則采用YOLO、SSD、RetinaNet等算法檢測(cè)目標(biāo)，因檢測(cè)速度快、檢測(cè)精度實(shí)用而受到廣泛關(guān)注，在無人機(jī)目標(biāo)實(shí)時(shí)偵察任務(wù)中表現(xiàn)出色。單階段目標(biāo)檢測(cè)方法不需要先找出候選區(qū)域，而是直接生成目標(biāo)類別概率和位置坐標(biāo)值。

目標(biāo)識(shí)別

目標(biāo)識(shí)別是計(jì)算機(jī)對(duì)無人機(jī)獲取的可見光數(shù)據(jù)、紅外數(shù)據(jù)、AIS點(diǎn)航跡、雷達(dá)點(diǎn)航跡等信息中的目標(biāo)特定屬性、類型進(jìn)行自動(dòng)判別和分類的過程。計(jì)算機(jī)自動(dòng)從不同數(shù)據(jù)源中提取顏色、紋理、形狀、行為規(guī)律等目標(biāo)特征信息，并與預(yù)定義模板或數(shù)據(jù)庫中的樣本進(jìn)行比對(duì)，實(shí)現(xiàn)目標(biāo)準(zhǔn)確識(shí)別。常用的目標(biāo)識(shí)別方法可分為如下三種。

1.Blob分析法

該方法是計(jì)算機(jī)對(duì)合成孔徑雷達(dá)、可見光數(shù)據(jù)、紅外數(shù)據(jù)等信息中的相似顏色、紋理、形狀等特征所組成的連通區(qū)域進(jìn)行分析，適用于背景單一、識(shí)別精度要求不高的場(chǎng)景。

2.模板匹配法

這是一種模式識(shí)別基本方法。模板匹配法是計(jì)算機(jī)在大量數(shù)據(jù)中搜尋與已知模板相匹配的區(qū)域或者規(guī)律來識(shí)別目標(biāo)。該方法簡(jiǎn)單直觀，但對(duì)圖像、影像或模板的變化較為敏感。

3.深度學(xué)習(xí)法

隨著深度學(xué)習(xí)技術(shù)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)（CNN）等模型在目標(biāo)識(shí)別中得到廣泛應(yīng)用。深度學(xué)習(xí)模型能夠自動(dòng)從大量數(shù)據(jù)中學(xué)習(xí)目標(biāo)的特征表現(xiàn)，無需人工設(shè)計(jì)特征提取器，大大提高了識(shí)別精度和效率。R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD等算法都是基于深度學(xué)習(xí)的目標(biāo)識(shí)別方法。

數(shù)據(jù)結(jié)果融合

數(shù)據(jù)結(jié)果融合是一種整合多源數(shù)據(jù)、檢測(cè)與識(shí)別結(jié)果的技術(shù)，能夠提高偵察系統(tǒng)的整體性能。它可分為數(shù)據(jù)級(jí)融合、特征級(jí)融合和決策級(jí)融合三個(gè)等級(jí)。

數(shù)據(jù)級(jí)融合是系統(tǒng)直接匯總無人機(jī)傳感器采集的點(diǎn)航跡、圖像、影像等原始數(shù)據(jù)，然后統(tǒng)計(jì)和分析這些數(shù)據(jù)。優(yōu)點(diǎn)是，它能夠充分利用豐富的原始信息，處理精度高，但處理成本高，實(shí)時(shí)性差。K-T變換、主成分變換和小波變換等典型方法均屬于數(shù)據(jù)級(jí)融合方法。

特征級(jí)融合是系統(tǒng)首先提取多源傳感器原始信息中的特征信息，然后對(duì)特征信息進(jìn)行綜合分析和處理。優(yōu)點(diǎn)在于，它實(shí)現(xiàn)了海量信息壓縮，有利于信息實(shí)時(shí)處理，并能最大限度地提供決策分析所需的特征信息。直接連接、加權(quán)融合、主成分分析、典型關(guān)聯(lián)分析、注意力機(jī)制等典型方法均為特征級(jí)融合方法。

決策級(jí)融合是系統(tǒng)對(duì)各種傳感器采集的同一目標(biāo)信息進(jìn)行獨(dú)立處理后，形成初步?jīng)Q策結(jié)果，然后對(duì)這些初步結(jié)果進(jìn)行融合處理，從而得到供決策者使用的數(shù)據(jù)。貝葉斯準(zhǔn)則法、DempsterShafer證據(jù)理論法、Maximum A Posteriori法、多模型融合法等典型方法均是基于辨識(shí)的決策級(jí)融合方法。

多目標(biāo)跟蹤技術(shù)

多目標(biāo)跟蹤技術(shù)是一種可持續(xù)跟蹤復(fù)雜環(huán)境下多個(gè)目標(biāo)的重要技術(shù)，廣泛應(yīng)用于無人機(jī)目標(biāo)偵察、海上目標(biāo)態(tài)勢(shì)感知等多個(gè)領(lǐng)域。由多目標(biāo)探測(cè)與識(shí)別過程所涉及的實(shí)現(xiàn)步驟可以看出，多目標(biāo)探測(cè)與識(shí)別技術(shù)是多目標(biāo)跟蹤技術(shù)的基礎(chǔ)。無人機(jī)只有在準(zhǔn)確找到目標(biāo)后，才能開始跟蹤目標(biāo)。

多目標(biāo)跟蹤過程

數(shù)據(jù)關(guān)聯(lián)

數(shù)據(jù)關(guān)聯(lián)主要包括特征提取和目標(biāo)關(guān)聯(lián)。特征提取是系統(tǒng)從傳感器所檢測(cè)的目標(biāo)數(shù)據(jù)中提取目標(biāo)位置、速度、加速度、外觀等特征信息。后續(xù)的目標(biāo)關(guān)聯(lián)和狀態(tài)估計(jì)將使用這些特征信息。而目標(biāo)關(guān)聯(lián)是各種目標(biāo)關(guān)聯(lián)算法確定不同傳感器在不同時(shí)間所探測(cè)的目標(biāo)是否屬于同一個(gè)目標(biāo)。常用的關(guān)聯(lián)算法包括最近鄰法、全局最近鄰法、聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)法、多假設(shè)跟蹤法等。

狀態(tài)估計(jì)與更新

目標(biāo)狀態(tài)估計(jì)與更新是多目標(biāo)跟蹤過程的核心步驟，也是目標(biāo)跟蹤系統(tǒng)實(shí)現(xiàn)連續(xù)、準(zhǔn)確跟蹤的核心環(huán)節(jié)。根據(jù)數(shù)據(jù)關(guān)聯(lián)結(jié)果和無人機(jī)多源傳感器檢測(cè)的數(shù)據(jù)，狀態(tài)估計(jì)算法結(jié)合目標(biāo)運(yùn)動(dòng)模型和測(cè)量模型對(duì)目標(biāo)位置、速度和加速度等狀態(tài)變量進(jìn)行準(zhǔn)確估計(jì)。當(dāng)收到新的傳感器數(shù)據(jù)時(shí)，該算法使用這些新數(shù)據(jù)更新跟蹤序列中的目標(biāo)狀態(tài)，還可能重新關(guān)聯(lián)目標(biāo)。卡爾曼濾波、粒子濾波等算法均為狀態(tài)估計(jì)算法。

軌跡管理與維護(hù)

軌跡管理與維護(hù)主要包括軌跡初始化、軌跡更新、軌跡終止，能確保無人機(jī)目標(biāo)跟蹤系統(tǒng)的準(zhǔn)確性。因此，它的作用至關(guān)重要。軌跡初始化是目標(biāo)跟蹤的第一步，為后續(xù)目標(biāo)狀態(tài)估計(jì)和更新提供基礎(chǔ)支持。當(dāng)算法首次檢測(cè)到目標(biāo)時(shí)，會(huì)根據(jù)目標(biāo)位置、速度等初始狀態(tài)變量，以及目標(biāo)類別、外形尺寸等屬性信息，形成一條初始化目標(biāo)軌跡。隨著目標(biāo)在連續(xù)圖像、影像序列中的移動(dòng)，算法根據(jù)目標(biāo)位置、速度、加速度等狀態(tài)變量，以及可能的其他屬性信息，不斷更新目標(biāo)軌跡。當(dāng)目標(biāo)離開跟蹤區(qū)域或傳感器長(zhǎng)時(shí)間未探測(cè)到目標(biāo)時(shí)，算法根據(jù)目標(biāo)消失的時(shí)間閾值、軌跡長(zhǎng)度等參數(shù)來決定目標(biāo)軌跡是否需要終止。一旦算法確定目標(biāo)軌跡需要終止，會(huì)從跟蹤軌跡列表中刪除即將終止的軌跡，并釋放相關(guān)資源。在整個(gè)跟蹤過程中，算法會(huì)維護(hù)和更新目標(biāo)軌跡信息，當(dāng)多個(gè)軌跡被判定為同一目標(biāo)的軌跡時(shí)，算法需要不斷處理軌跡合并；當(dāng)單條軌跡被誤判為多個(gè)目標(biāo)的軌跡時(shí)，算法需要進(jìn)行軌跡分離處理，以確保跟蹤系統(tǒng)的穩(wěn)定性和準(zhǔn)確性。

技術(shù)挑戰(zhàn)

多源傳感器集成技術(shù)面臨的挑戰(zhàn)

為執(zhí)行偵察任務(wù)，無人機(jī)需要集成光電設(shè)備、紅外熱成像儀、合成孔徑雷達(dá)、激光雷達(dá)等種類繁多、性能各異的傳感器。而每種傳感器都有其獨(dú)特的性能和適用范圍。無人機(jī)如何有效集成不同傳感器，以獲取更全面、更準(zhǔn)確的目標(biāo)信息是一個(gè)技術(shù)挑戰(zhàn)。

數(shù)據(jù)融合與處理技術(shù)面臨的挑戰(zhàn)

數(shù)據(jù)融合與處理技術(shù)難度大。多源數(shù)據(jù)融合與處理需要高效、準(zhǔn)確的算法支持。由于不同傳感器的數(shù)據(jù)格式、精度和噪聲水平不同，數(shù)據(jù)如何實(shí)現(xiàn)無縫融合和高效處理，以確保信息的實(shí)時(shí)性和準(zhǔn)確性也是一個(gè)重要挑戰(zhàn)。另外，多源傳感器數(shù)據(jù)同步和校準(zhǔn)也是一個(gè)難題，需要高精度算法和設(shè)備支持。

目標(biāo)檢測(cè)、識(shí)別與跟蹤算法面臨的挑戰(zhàn)

多云、霧霾、雨、雪、光照變化等復(fù)雜環(huán)境將對(duì)目標(biāo)檢測(cè)、識(shí)別精度，跟蹤效果產(chǎn)生嚴(yán)重影響。算法如何提高復(fù)雜環(huán)境下的魯棒性和適應(yīng)性是一個(gè)亟待解決的問題。同時(shí)，當(dāng)多個(gè)目標(biāo)相互遮擋、交叉，速度發(fā)生變化時(shí)，算法需要具備強(qiáng)大的數(shù)據(jù)處理和決策能力。無人機(jī)如何選用合適的算法，以實(shí)現(xiàn)高效、準(zhǔn)確的多目標(biāo)跟蹤，也是一個(gè)技術(shù)挑戰(zhàn)。

技術(shù)展望

隨著傳感器、深度學(xué)習(xí)、數(shù)據(jù)融合與處理等技術(shù)的創(chuàng)新發(fā)展，無人機(jī)多目標(biāo)偵察的準(zhǔn)確性、魯棒性和實(shí)時(shí)性將不斷提高，軍事目標(biāo)偵察任務(wù)將獲得更加高效、可靠的技術(shù)支持。未來，我們期待更多的創(chuàng)新性研究與應(yīng)用成果不斷涌現(xiàn)，推動(dòng)無人機(jī)多目標(biāo)偵察技術(shù)進(jìn)一步發(fā)展。