摘 要：

彈道中段目標(biāo)為一個(gè)目標(biāo)群，包括彈頭、誘餌、碎片等，并且由于距離傳感器較遠(yuǎn)，紅外成像為點(diǎn)目標(biāo)，可用信息較少，因此單一的紅外傳感器往往難以滿足識(shí)別要求，需要融合多個(gè)傳感器進(jìn)行識(shí)別。針對(duì)紅外多傳感器的融合識(shí)別問題，本文提出了基于增量支持向量機(jī)和D-S （increment support vector machine-Dempster-Shafer， ISVM-DS）證據(jù)理論的融合識(shí)別方法。首先，訓(xùn)練多個(gè)波段傳感器紅外特征的支持向量數(shù)據(jù)描述（support vector data description， SVDD）模型，生成殼向量并訓(xùn)練其ISVM模型;接著，采用ISVM模型的后驗(yàn)概率生成基本概率賦值（basic probability assignment， BPA）;最后，利用D-S證據(jù)理論對(duì)多個(gè)證據(jù)的BPA進(jìn)行融合，輸出分類結(jié)果。實(shí)驗(yàn)結(jié)果表明，該方法能有效提高目標(biāo)識(shí)別的準(zhǔn)確性。

關(guān)鍵詞：

彈道目標(biāo)識(shí)別; 多傳感器融合; Dempster-Shafer證據(jù)理論; 支持向量機(jī)

中圖分類號(hào)：

TP 391.41

文獻(xiàn)標(biāo)志碼： A""" DOI：10.12305/j.issn.1001-506X.2024.05.10

Infrared multi-sensor fusion recognition method based on ISVM-DS

WU Yida1， WANG Caiyun1，*， WANG Jianing2， LI Xiaofei2

（1. College of Astronautics， Nanjing University of Aeronautics and Astronautics， Nanjing 210016， China;

2. Beijing Institute of Electronic System Engineering， Beijing 100854， China）

Abstract：

In the middle part of the ballistic trajectory， the target is a group of targets， including warheads， decoys， and fragments. Moreover， due to the long distance from the sensor， the infrared imaging of the target is a point target with less available information. Therefore， a single infrared sensor is often difficult to meet the recognition requirements， which means that multiple sensors need to be fused to complete the recognition task. In response to the fusion recognition problem of infrared multiple sensors， a fusion recognition method based on increment support vector machine-Dempster-Shafer （ISVM-DS） evidence theory is proposed. Firstly， the support vector data description （SVDD） model of infrared features of multiple band sensors is trained， and the shell vector is generated and the ISVM model is trained. Then the posterior probability of the ISVM model is used to generate basic probability assignment （BPA）. Finally， the D-S evidence theory is used to fuse the BPA of multiple evidences and output classification results. Experimental results show that the proposed method can effectively improve the accuracy of target recognition.

Keywords：

ballistic target recognition; multi-sensor fusion; Dempster-Shafer （D-S） evidence theory; support vector machine （SVM）

0 引 言

彈道導(dǎo)彈具有射程遠(yuǎn)、威力大、精度高等特點(diǎn)，是現(xiàn)代軍事中最常見的武器之一。彈道導(dǎo)彈包括助推段、中段、再入段3個(gè)飛行階段，在彈道中段，目標(biāo)為一個(gè)目標(biāo)群，包括真彈頭、輕誘餌、重誘餌、碎片等，如何從中準(zhǔn)確識(shí)別出真彈頭是實(shí)現(xiàn)彈道導(dǎo)彈防御攔截的關(guān)鍵。

紅外傳感器具有探測(cè)范圍廣、抗干擾能力強(qiáng)等優(yōu)點(diǎn)，被廣泛用于彈道導(dǎo)彈目標(biāo)識(shí)別。彈道目標(biāo)的紅外輻射特性與傳感器特性、目標(biāo)幾何姿態(tài)、目標(biāo)表面材料有關(guān)［1］，對(duì)不同的紅外傳感器來說，由于探測(cè)波段、探測(cè)視線角等的不同，每個(gè)傳感器所能提取的特征存在差異，將多個(gè)傳感器獲取的特征融合能夠更好地描述目標(biāo)，實(shí)現(xiàn)更準(zhǔn)確的目標(biāo)識(shí)別。

針對(duì)復(fù)雜場(chǎng)景下的目標(biāo)多傳感融合識(shí)別問題，許多學(xué)者進(jìn)行了大量研究。但多是紅外圖像與其他傳感器進(jìn)行融合，包括紅外和可見光融合［2-4］、紅外和雷達(dá)融合［5-7］等，僅利用點(diǎn)目標(biāo)的輻射強(qiáng)度序列進(jìn)行融合識(shí)別的較少。Yang［8］等基于不同波段的熱能分布差異，融合雙波段探測(cè)器對(duì)目標(biāo)和誘餌進(jìn)行識(shí)別。張國(guó)亮［9］等提出一種基于粒子群優(yōu)化概率神經(jīng)網(wǎng)絡(luò)（probabilistic neural network， PNN）的識(shí)別方法，融合了多光譜信息并提取出了多個(gè)動(dòng)態(tài)特征。鄒子強(qiáng)［10］利用D-S證據(jù)理論對(duì)激光/紅外復(fù)合探測(cè)信息進(jìn)行融合，對(duì)裝甲目標(biāo)進(jìn)行了識(shí)別，取得了較好的識(shí)別效果。戴樺宇［11］等采用Adaboost算法通過紅外輻射強(qiáng)度特征與溫度特征分別對(duì)目標(biāo)進(jìn)行粗識(shí)別，在粗識(shí)別結(jié)果的基礎(chǔ)上，調(diào)整分類器權(quán)值對(duì)目標(biāo)進(jìn)行精細(xì)識(shí)別。Wu［12］等提出了一種基于形態(tài)特征、紅外輻射和運(yùn)動(dòng)特征的新型多模態(tài)特征融合網(wǎng)絡(luò)（multimodal feature fusion network， MFFN），彌補(bǔ)了小目標(biāo)單模態(tài)特征描述的不足，提高了識(shí)別精度。

本文將增量學(xué)習(xí)與多傳感融合識(shí)別模型進(jìn)行結(jié)合，提出一種基于增量支持向量機(jī)（increment support vector machine， ISVM）和D-S（Dempster-Shafer）證據(jù)理論的融合識(shí)別算法，利用支持向量數(shù)據(jù)描述（support vector data description， SVDD）方法構(gòu)造ISVM，結(jié)合分類器置信度構(gòu)造基本概率賦值（basic probability assignment， BPA），最后利用D-S證據(jù)理論實(shí)現(xiàn)融合識(shí)別，在提高識(shí)別準(zhǔn)確性的基礎(chǔ)上，提升了模型的學(xué)習(xí)效率。

1 基于SVDD的ISVM方法

1.1 支持向量機(jī)

支持向量機(jī)（support vector machine， SVM）［13］的思想在于找到不同樣本間的一個(gè)最優(yōu)超平面f（x）=wx+b，通過y=sgnf（x）來判斷樣本的所屬類別。當(dāng)樣本線性可分時(shí)，直接尋找最優(yōu)超平面，即線性SVM;當(dāng)樣本線性不可分時(shí)，采用核函數(shù)將其映射到高維空間中使其線性可分，即非線性SVM。SVM的決策函數(shù)輸出形式為

3 實(shí)驗(yàn)結(jié)果與分析

3.1 識(shí)別場(chǎng)景設(shè)置

建立了5種目標(biāo)的幾何和軌道模型并計(jì)算其紅外輻射強(qiáng)度序列作為識(shí)別特征，5種目標(biāo)的幾何模型如圖3所示。

彈道目標(biāo)的運(yùn)動(dòng)包括平動(dòng)和微動(dòng)，其中，彈頭和其他目標(biāo)的微動(dòng)形式不同。由于彈頭存在姿態(tài)穩(wěn)定控制，因此其微動(dòng)形式為進(jìn)動(dòng)，而誘餌和碎片等目標(biāo)表現(xiàn)為翻滾。兩種微動(dòng)形式分別如圖4所示。

本文的5類目標(biāo)中，除真彈頭為進(jìn)動(dòng)（進(jìn)動(dòng)頻率3.5 Hz，進(jìn)動(dòng)角8°，自旋頻率5 Hz），其余目標(biāo)皆為翻滾（翻滾頻率5 Hz）。

目標(biāo)的表面材料均為鋁箔（吸收率：0.192;發(fā)射率：0.036）。在彈道終點(diǎn)附近隨機(jī)生成不同的坐標(biāo)，作為紅外傳感器的部署位置，生成結(jié)果如圖5所示。

設(shè)置每個(gè)傳感器的探測(cè)波段不同，包括5～7 μm、8～12 μm、12～14 μm。設(shè)信噪比為10 dB，最終通過計(jì)算得到各個(gè)目標(biāo)的紅外輻射強(qiáng)度［19-21］，傳感器1獲取的彈頭和誘餌輻射強(qiáng)度如圖6所示。

計(jì)算得到各個(gè)目標(biāo)在不同傳感器下的輻射強(qiáng)度如圖7所示。

隨機(jī)生成150組目標(biāo)的微動(dòng)參數(shù)和傳感器位置，計(jì)算5類目標(biāo)的輻射強(qiáng)度序列，其中，150個(gè)傳感器劃分為 3組，每組對(duì)應(yīng)一種探測(cè)波段。最終將其中的70%作為訓(xùn)練集，剩余30%作為測(cè)試集。

3.2 識(shí)別方法與結(jié)果分析

實(shí)驗(yàn) 1

單/多波段傳感器識(shí)別

用單個(gè)波段傳感器進(jìn)行目標(biāo)識(shí)別，將每個(gè)傳感器訓(xùn)練模型分別在自身及另外兩個(gè)波段傳感器的測(cè)試數(shù)據(jù)上進(jìn)行識(shí)別，最終識(shí)別結(jié)果如表1所示。

由上表可知，單波段傳感器下目標(biāo)識(shí)別結(jié)果最高為0.920 0，最低為0.902 2，平均識(shí)別率為0.909 6，基本能夠?qū)崿F(xiàn)目標(biāo)識(shí)別，效果好于其他算法，證明了本文算法的有效性。

分別融合不同波段傳感器的數(shù)據(jù)進(jìn)行識(shí)別，測(cè)試集數(shù)據(jù)設(shè)置一致，采用KNN-DS（K-nearest neighbors-DS）、SVM-DS和本文算法對(duì)比測(cè)試識(shí)別結(jié)果如表2所示。

可以看出，融合多個(gè)波段傳感器的識(shí)別結(jié)果均高于單波段傳感器的識(shí)別，融合識(shí)別的平均識(shí)別率為0.956 7，效果好于傳統(tǒng)的KNN-DS和SVM-DS，證明了融合算法的有效性。

實(shí)驗(yàn) 2

算法魯棒性檢驗(yàn)

改變數(shù)據(jù)的信噪比，測(cè)試融合算法在不同噪聲環(huán)境下的性能，算法設(shè)置為融合5～7 μm、8～12 μm、12～14 μm共3個(gè)波段的數(shù)據(jù)，信噪比（signal to noise ratio， SNR）范圍為-20～20 dB，在不同SNR下的識(shí)別結(jié)果如圖8所示。

可以看出，當(dāng)SNRgt;4 dB時(shí)，分類準(zhǔn)確率超過了0.90，當(dāng)SNRgt;10 dB時(shí)，分類準(zhǔn)確率超過了0.97，證明了算法的魯棒性。

4 結(jié) 語

針對(duì)彈道目標(biāo)紅外多傳感器融合識(shí)別問題，本文提出了一種基于ISVM-DS的融合識(shí)別方法，通過仿真生成了典型場(chǎng)景的數(shù)據(jù)，并進(jìn)行了實(shí)驗(yàn)驗(yàn)證，實(shí)驗(yàn)結(jié)果表明該算法的識(shí)別效果較好，且具備良好的魯棒性。

該算法的優(yōu)勢(shì)在于能夠在線增量更新模型，一定意義上能夠解決小樣本問題。其局限性在于所處理的多傳感器數(shù)據(jù)必須是嚴(yán)格配準(zhǔn)的，針對(duì)傳感器數(shù)據(jù)缺失等難以解決問題，未來可針對(duì)性進(jìn)行改進(jìn)。

參考文獻(xiàn)

［1］ 李享， 李勁東， 孫鶴枝， 等. 空間目標(biāo)溫度與紅外特性影響因素研究［J］. 激光與紅外， 2019， 49（12）： 1436-1441.

LI X， LI J D， SUN H Z， et al. Influencing factors of temperature and infrared characteristics of space target［J］. Laser amp; Infrared， 2019， 49（12）： 1436-1441.

［2］ 李全軍， 張貴倉(cāng)， 韓根亮， 等. 基于雙分解的雙通道PCNN紅外與可見光圖像融合［J］. 激光與紅外， 2023， 53（5）： 784-791.

LI Q J， ZHANG G C， HAN G L， et al. Dual channel PCNN infrared and visible image fusion based on dual decomposition［J］. Laser amp; Infrared， 2023， 53（5）： 784-791.

［3］ WANG S Y， YANG Y B， LIU Z G， et al. Target recognition with fusion of visible and infrared images based on mutual learning［J］. Soft Computing， 2023， 27： 7879-7894.

［4］ YING J C， TONG C， SHENG Z H， et al. Region-aware RGB and near-infrared image fusion［J］. Pattern Recognition， 2023， 142： 109717.

［5］ HE Z Y， ZHUGE X D， WANG J X， et al. Half space object classification via incident angle based fusion of radar and infrared sensors［J］. Journal of Systems Engineering and Electronics， 2022， 33（5）： 1025-1031.

［6］ KONG S， GAN L， WANG R， et al. Target tracking algorithm of radar and infrared sensor based on multi-source information fusion［C］∥Proc.of the International Conference on Artificial Intelligence， Information Processing and Cloud Computing， 2022： 389-392.

［7］ ZHANG Y， YUAN H X， TAN Q M， et al. Research on spatial target recognition method based on multi-source sensor fusion［C］∥Proc.of the 6th Asia-Pacific Conference on Synthetic Aperture Radar， 2019.

［8］ YANG S Q， WANG B J， YI X， et al. Infrared decoys recognition method based on dual-band information fusion［J］. Infrared Physics amp; Technology， 2014， 67： 542-546.

［9］ 張國(guó)亮， 楊春玲， 王暕來. 基于優(yōu)化概率神經(jīng)網(wǎng)絡(luò)和紅外多光譜融合的大氣層外空間彈道目標(biāo)識(shí)別［J］. 電子與信息學(xué)報(bào)， 2014， 36（4）： 896-902.

ZHANG G L， YANG C L， WANG J L. Discrimination of exo-atmospheric targets based on optimization of probabilistic neural network and IR multispectral fusion［J］. Journal of Electronics amp; Information Technology， 2014， 36（4）： 896-902.

［10］ 鄒子強(qiáng). 多波段復(fù)合探測(cè)信息融合方法研究［D］. 西安： 西安工業(yè)大學(xué)， 2019.

ZOU Z Q. Research on information fusion method of multispectral compounding detection［D］. Xi’an： Xi’an Technological University， 2019.

［11］ 戴樺宇， 周玉明， 黃山， 等. 基于紅外多特征的彈道中段目標(biāo)識(shí)別研究［J］. 指揮與控制學(xué)報(bào)， 2019， 5（4）： 302-307.

DAI H Y， ZHOU Y M， HUANG S， et al. Target recognition of ballistic middle segment based on infrared multiple features［J］. Journal of Command and Control， 2019， 5（4）： 302-307.

［12］ WU D， CAO L， ZHOU P， et al. Infrared small-target detection based on radiation characteristics with a multimodal feature fusion network［J］. Remote Sensing， 2022， 14： 3570.

［13］ 王彩云， 黃盼盼， 李曉飛， 等. 基于AEPSO-SVM算法的雷達(dá)HRRP目標(biāo)識(shí)別［J］. 系統(tǒng)工程與電子技術(shù)， 2019， 41（9）： 1984-1989.

WANG C Y， HUANG P P， LI X F， et al. Radar HRRP target recognition based on AEPSO-SVM algorithm［J］. Systems Engineering and Electronics， 2019， 41（9）： 1984-1989.

［14］ SUN Z W， GUO Z W， WANG X P， et al. Fast extended one-versus-rest multi-label SVM classification algorithm based on approximate extreme points［C］∥Proc.of the 22th International Conference on Database Systems for Advanced Applications， 2017： 265-278.

［15］ LIU Y， BI J W， FAN Z P. A method for multi-class sentiment classification based on an improved one-vs-one （OVO） strategy and the support vector machine （SVM） algorithm［J］. Information Sciences， 2017， 394/395： 38-52.

［16］ 茅嫣蕾， 魏赟， 賈佳. 一種基于KKT條件和殼向量的SVM增量學(xué)習(xí)算法［J］. 電子科技， 2016， 29（2）： 38-40， 44.

MAO Y L， WEI Y， JIA J. A new incremental SVM learning algorithm based on KKT conditions and hull vectors［J］. Electronic Science and Technology， 2016， 29（2）： 38-40， 44.

［17］ WANG Z G， ZHAO Z S， WENG S F， et al. Solving one-class problem with outlier examples by SVM［J］. Neurocomputing， 2014， 149（A）： 100-105.

［18］ 周志杰， 唐帥文， 胡昌華， 等. 證據(jù)推理理論及其應(yīng)用［J］. 自動(dòng)化學(xué)報(bào)， 2021， 47（5）： 970-984.

ZHOU Z J， TANG S W， HU C H， et al. Evidential reasoning theory and its applications［J］. Acta Automatica Sinica， 2021， 47（5）： 970-984.

［19］ ZHAO B D， XIAO S Z， LU H Z， et al. Modeling and simulation of infrared signature of remote aerial targets［C］∥Proc.of the 10th International Congress on Image and Signal Processing， BioMedical Engineering and Informatics， 2017.

［20］ ZHANG H， RAO P， XIA H， et al. Modeling and analysis of infrared radiation dynamic characteristics for space micromotion target recognition［J］. Infrared Physics amp; Technology， 2021， 116： 103795.

［21］ 李享， 李勁東， 王玉瑩， 等. 中段飛行彈道導(dǎo)彈表面溫度與輻射特性計(jì)算［J］. 紅外技術(shù)， 2022， 44（2）： 134-139.

LI X， LI J D， WANG Y Y， et al. Calculation of temperature and radiation characteristics of midcourse ballistic missiles［J］. Infrared Technology， 2022， 44（2）： 134-139.

作者簡(jiǎn)介

吳釔達(dá)（1998—），男，博士研究生，主要研究方向?yàn)槟繕?biāo)檢測(cè)與識(shí)別。

王彩云（1975—），女，副教授，博士，主要研究方向?yàn)槔走_(dá)信號(hào)處理、雷達(dá)目標(biāo)檢測(cè)與識(shí)別。

王佳寧（1988—），女，副研究員，博士，主要研究方向?yàn)槟繕?biāo)識(shí)別總體設(shè)計(jì)。

李曉飛（1984—），女，研究員，博士，主要研究方向?yàn)槟繕?biāo)識(shí)別、彈道導(dǎo)彈識(shí)別。