雷达红外复合目标识别技术研究

摘 要:雷达与红外传感器所获取的信息能实现互补,可以改善对目标识别跟踪的效果。提出了雷达与红外成像双模目标识别的方法,利用两种独立传感器的信息互补性来构造联合特征向量,通过有序加权平均算子信息融合系统进行目标识别。仿真实验表明,采用这种方法能提高融合结果的稳定性、可靠性。

关键词:多传感器; 信息融合; 目标识别; 特征向量

中图分类号:TN95-34文献标识码:A

文章编号:1004-373X(2010)17-0007-03

Integrated Target Recognition with Radar and IR

AI Wei

(China Airborne Missile Academy, Luoyang 471009, China)

Abstract: Data from a radar and infrared imaging sensor have been widely used for implementation of complementary information and improvement of target tracking and recognition. The integrated target recognition based on radar and infrared imaging uses complementarity between the information of two independent sensors to construct an eigenvector, performs target recognition with ordered weighted averaging operator information fusion system. The simulation tests show that this new way can improve the stability and reliability of fusion.

Keywords: multi-sensor; information fusion; target recognition; eigenvector

0 引 言

目标识别是模式识别的一个重要研究领域。国内外以往采用单传感器系统用于目标识别和跟踪[1]。由于单传感器系统通常只提供识别跟踪对象的部分信息,并且很大程度依赖于不同处理策略来提取信息,因而在目标的截获、识别、跟踪方面存在一定的局限性。为了得到稳健的目标识别结果,有效的途径之一是使用多源信息进行目标识别[2-3]。本文提出一种双模复合目标识别方案,即用目标雷达回波和红外图像的联合特征进行复合目标识别,以提高复合导引头的目标识别和抗干扰能力。复合目标识别算法是整个方案的关键技术,本文采用有序加权平均算子进行复合目标识别。

1 有序加权平均算子

有序加权平均算子(Ordered Weighted Averagin Operator,OWA)[3]是一种介于最大与最小算子之间的加权平均算子,可以用来有效地融合多组模糊和不确定的信息。

定义1 假设F:Rn→R,有一个与F相关联的n维加权向量ω=(ω1,ω2,…,ωn),ω1∈[0,1],1≤i≤n,且∑ni=1ωi=ω1+ω2+…+ωn=1,使得F(a1,a2,…,an)=∑ni=1ωibi。其中,bi是数组(a1,a2,…,an)中第i个最大的元素,则称F为n维的OWA算子,即有序加权平均算子。

定义2 设w为任一OWA算子的有序加权向量,则其“或”度量表示为:

orness(w)=1n-1∑ni=1(n-i)wi

(1)

其“与”度量表示为:

andness(w)=1-orness(w)

(2)

“或”度量和“与”度量表示了有序加权向量w“或”和“与”的程度。从以上定理不难看出,OWA加权向量前端部分数值越大,越接近“或”算子,后端部分数值越大,越接近“与”算子。

对于已知样本观测值和不知其集结值的情况,OWA算子权向量的确定方法目前主要有以下3种[4]:模糊量化法、最大熵规划模型法、最小可变性规划模型法。由于OWA算子的权向量不易解出,且计算量大,因而本文采用了一种基于最大熵规划模型的近似解[5],这种解法的计算量较小,可以满足实时运算的要求。

2 雷达红外复合目标识别算法

单传感器提取的信息往往是待识别目标的不完全描述,而利用多传感器的信息互补,可以消除多传感器信息之间可能存在的冗余和矛盾,降低不确定性,并产生新的有意义信息。雷达目标识别[1]一般是从目标的雷达回波中提取目标的有关信息标志和稳定特征再判明其属性。它根据目标的后向电磁散射来鉴别目标,回波信号的幅值、相位、频率和极化信息等均可被利用。识别过程一般可分为目标数据的获取、特征提取和分类判决。红外成像传感器获取红外图像后,首先要把目标从复杂的景物中分离出来,再提取红外图像特征,并与训练样本的特征量进行匹配[6-7],得到匹配百分比。红外目标识别过程一般可分为图像预处理、图像特征提取和分类判决。

利用雷达和红外传感器进行符合目标识别的目的是充分利用两者提供的互补信息,以获得准确的目标识别结果,提高系统的抗干扰能力。雷达前端给出目标的一维距离像,用FFT并取模提取平移不变特征,进行PCA特征压缩;红外前端给出红外图像,进行图像预处理和特征提取。通过构成雷达和红外联合特征向量组,目标得到了较全面的刻画,从而为面目标的可靠识别提供了依据,本文采用OWA加权算子[8]进行复合目标识别,方法如图1所示。

图1 复合目标识别

在进行雷达和红外复合目标识别时,由于融合的是不同类的信息源,要考虑到两类传感器之间的相对重要性对融合结果的影响,可以采用基于OWA算子的加权信息融合方法,这需要对各识别信任度(属性值)和重要性程度(属性权)进行合成转换,具体的合成算法如下:

设:

Gmax(pi,sij)=T(pi,sij)

Gmin(pi,sij)=T(pi,sij)

Gave=mdpi,sij

d=∑mi=1pi

(3)

则:

G=[high(c)Gmax+medium(c)Gave+low(c)Gmin]/

[high(c)+medium(c)+low(c)]

(4)

3 复合目标识别在导引头抗干扰上的应用

采用雷达/红外复合目标识别的一个重要作用是提高抗干扰能力。在面临各种光电干扰条件下,可以借助多模导引头获得的丰富信息来识别真假目标,达到抗光电干扰的目的。比如拖曳式有源雷达诱饵[9],如果诱饵的干扰功率足够大,使雷达收到的诱饵功率大于雷达收到的目标回波功率,那么导弹就会自动跟踪诱饵而放弃飞机,或者跟踪诱饵和飞机的“能量中心”,实现真正的角度欺骗。飞机与诱饵之间通过一根缆绳相连,因而诱饵具有与飞机相同的速度、航迹,目前雷达导引头想要对抗拖曳式有源诱饵还比较困难。但如果导弹采用红外探测技术,则可以大大降低拖曳式有源诱饵对导弹的欺骗作用。系统进行干扰判定,如果判定为拖曳式诱饵干扰,则依靠红外传感器从序列图像中提取目标特征来识别目标,与目标模板进行匹配,选择置信度最高的目标进行跟踪,同时引导雷达传感器使天线指向正确的目标方向。当红外传感器受到天气、背景云层的影响不能正常跟踪目标,在复合目标识别跟踪过程中对红外传感器赋以较低的权值,以保证整个系统能够正常地进行目标的识别跟踪。采用复合目标识别方案可以使系统不会因单传感器的失效而失效。

4 仿真实验

在仿真试验过程中,A,B两类舰船目标的观测角都为45°。A目标径向距离为142.7 m,高度为10 m;B目标径向距离为167.5 m,高度为12 m。在信噪比为10 dB时各取两类目标128幅雷达一维距离像,见图2,其距离分辨率为7.5 m。同样各取两类目标128幅红外图像,见图3。由于本文采用的是红外仿真图像,因而在仿真实验中,对红外图像加了方差为0.6高斯白噪声作为观测噪声(信噪比为12 dB)。

图2 两类目标的雷达回波

对于一个待识别的目标,雷达通过PCA特征压缩后提取的特征向量设为(ξ1,ξ2);设红外传感器提取的特征向量为(ξ3,ξ4,ξ5,ξ6,ξ7,ξ8,ξ9),它表示提取红外图像的奇异值特征后,进行降维压缩的结果。把这两组相互独立的向量综合成一组联合特征向量:

(αξ1,αξ2,βξ3,βξ4,βξ5,βξ6,βξ7,βξ8,βξ9)

式中:α和β为各传感器的权重系数。目标特征向量的9个分量共同作用构成目标的空间特征向量。

图3 两类目标的红外图像

实验1:实验条件是在雷达和红外都能对目标进行正常识别。实验结果见表1,由实验结果可以看出,由于基于雷达和红外联合特征的目标识别方法是用了多个传感器构成的一组联合特征向量来描述被探测的待识别目标,获得了对目标较为完整的描述,因此识别效果比单传感器的要好。

表1 实验1目标识别结果

A类目标 /%B类目标 /%

雷达特征识别率70.865.6

红外特征识别率87.179.1

复合特征识别率91.789.4

实验2:实验条件是雷达传感器受到干扰,对A类目标识别率下降,对B类目标不能正常识别。实验结果见表2,仅仅依靠单元信息进行目标识别,由于受到外界的干扰,识别准确率低,而且可靠性差。采用复合目标识别算法可以有效地利用各类信息之间的互补性,降低个别信息源受干扰带来的不利影响,从而提高系统的识别率、可靠性和稳健性,提高系统的抗干扰性能。

表2 实验2目标识别结果

A类目标 /%B类目标 /%

雷达特征识别率59.435.4

红外特征识别率71.865.6

复合特征识别率86.778.3

5 结 语

在信息战中,电子对抗的双方此消彼长,不断推动着识别技术的发展。目标识别是电子对抗的必然产物。由于环境的复杂性,目标特征的模糊性及不可量测性,给目标识别跟踪带来了许多困难。多传感器系统运用数据融合技术来克服单传感器的缺陷,不同传感器根据识别跟踪对象的不同特征提供更精确的数据,并且在外界条件影响某一类型传感器时,对整个系统相对无干扰。另外,通过使用不同传感器的冗余信息,可提高目标识别跟踪系统的可靠性,因此研究多传感器复合目标识别方法有十分重要的意义。

参考文献

[1]郭尊华,李少洪.高分辨率雷达距离像用于目标识别的研究[J].系统工程与电子技术,2006,28(2):228-230.

[2]张平定,孙伟.模糊理论与D-S理论在指控系统目标识别融合中的应用[J].火力与指挥控制,2009,34(5):98-100.

[3]万树平.多传感器目标识别的改进灰关联度法[J].计算机工程与应用,2009,45(24):25-27.

[4]YAGER R R. On ordered weighted averaging aggregation operators in multi-criteria decision making[J]. IEEE Trans-actions on Systems, Man and Cybernetics, 1988, 18(1): 183-190.

[5]吴江.确定OWA算子权向量的二目标规划模型[J].武汉理工大学学报,2006,28(6):80-83.

[6]LANCE M K, WILLIAM Dale Blair, YAAKOV Bar-Shalom. Simulations studies of multisensor track association and fusion methods[J]. IEEE Aerospace Conf. Paper, 2006, 46: 1-16.

[7]GUAN Xin, HE You, YI Xiao. A novel gray model for radar emitter recognition[J]. IEEE, 2004, 48(12): 2116-2119.

[8]BYEONG Seok Ahn. On the properties of OWA operator weights functions with constant level of orness[J]. IEEE Trans.on Fuzzy Systems, 2006,14(4): 511-515.

[9]柳毅,高晓光,卢广山.基于OWA聚合算子的多传感器目标识别[J].传感技术学报,2006,19(2):530-533.

[10]CHANG K C, YEH M F. Grey relational analysis based approach for data clustering[J]. IEE Proc. Vis.Image Signal Process., 2005, 152(2):165-172.