激光主動探測中的“貓眼”目標識別定位算法

王湛巖, 劉 朋, 趙志剛, 彭孝東

(中國人民解放軍63895部隊,河南 焦作 454000)

0 引言

在信息化作戰中,光電偵察是作戰的重要保證,也是光電對抗的重要組成部分,而激光主動探測是反制光電偵察的重要手段,廣泛應用于反偵察作戰[1-2]。由于光電偵察探測系統實現探測的原理都是利用光學系統將目標信號匯聚到光學系統焦平面處,而位于焦平面處的光電探測器或分劃板會對入射激光進行反射,產生強度高于普通的漫反射2～4個數量級的準直回光[3-4],因此可以主動發射激光掃描,利用光學系統“貓眼”效應實現激光主動探測,其中的關鍵技術之一就是利用回波圖像精準地找出敵方光學探測器(即“貓眼”目標)。然而,“貓眼”目標不同于一般目標,“貓眼”目標在圖像中占比小、亮度高[5],傳統的目標檢測算法很難將其準確識別。本文從激光主動探測回波的物理特性入手,提出了以回波功率為主的三項識別判據,較好地解決了上述問題。

1 激光主動探測基本模型構建

1.1 理想條件下“貓眼”系統的回波特性

激光主動探測光路如圖1所示,光源發出激光束,通過一段大氣傳輸后,入射到遠處的目標鏡頭,經目標鏡頭聚焦后打在焦平面上,后經反射沿原光路返回,被我方探測設備接收。

圖1 激光主動探測光路

依照激光傳輸的基本原理得到回波的功率大小表達如下[6]

(1)

式中:PLa為掃描激光束功率;τc為目標系統透過率;τa為空氣的單層透過率;τs為激光器系統的透過率;Ac=πD2/4,為目標光學系統接收面積,D為目標光學口徑大小;τd為探測器系統透過率;Ad為接收系統孔徑面積;ρ為目標光學系統焦平面反射率;θt為激光光束的發射束散角;L為傳輸距離;θr為回波激光的發射束散角。

1.2 大氣對激光主動探測回波的影響

在0.78～1.55 μm近紅外波段范圍內,只考慮氣溶膠、水蒸汽和二氧化碳對水平大氣透過率的影響。大氣對激光的衰減能力用消光系數μ來表示,消光系數與通過率的關系為

τa=e-μL。

(2)

大氣消光系數μ可由引起衰減的各種因素的衰減系數相加得到,即

μ=a1μ1+a2μ2+a3μ3

(3)

式中:μ1為氣溶膠衰減系數,可由經驗公式得出;水蒸汽的吸收系數只與大氣中水蒸汽含量有關,參考標準大氣下0.78～1.55 μm波段范圍內水蒸汽的吸收系數μ2,可由統計表得出;二氧化碳同水蒸汽一樣,其吸收系數μ3只與大氣中二氧化碳的含量有關,也可由統計表得出[7]。

1.3 離焦量與入射角度對激光主動探測的影響

本節綜合分析離焦與斜入射同時存在的條件下激光回波的變化。下面引入有效接收面積概念,以投射取代反射,通過光線的投影,計算陰影部分面積作為有效接收面積進而分析斜入射條件下離焦量對有效接收面積、回波發散角和回波功率的影響。

斜入射“貓眼”目標光敏面后向離焦條件下的光路[8]如圖2所示。

圖2 斜入射和離焦條件下的光路

基于幾何關系,綜合正負離焦兩種情況,得到離軸時離焦和入射角共同影響下基于面積法的“貓眼”目標回波功率最終算式[8]為

(4)

式中:α為入射角度;δ為離焦量,正離焦時δ>0,負離焦時δ<0;As為目標光學系統的等效投影接收面積。

2 基于光電回波圖像的目標檢測算法

2.1 光電回波圖像處理的基本流程

一般的目標檢測算法,通常包括彩色圖像轉灰度圖像、圖像濾波、二值化閾值分割、形態學處理、輪廓檢測、目標識別等流程。在處理本文中的“貓眼”目標時,由于需要識別的目標較小、亮度較高等特點,傳統的檢測算法不再適用,需要做出一定的調整。

本文在傳統目標檢測算法的基礎之上,又增添了目標識別的三項判據,包括回波功率判據、目標大小判據和目標形狀判據。算法依據戰場的實際情況調整相關參數,具有較強的適應性,實現了在不同場景下對“貓眼”目標的精確識別。圖3為回波圖像處理流程。

圖3 回波圖像處理流程

在圖像處理流程中,分別在二值化閾值分割中加入了回波功率判據、在輪廓檢測中加入了目標大小判據和目標形狀判據,以此實現了對敵方光學探測器點位的精準探測識別。

2.2 回波功率判據

2.2.1 最大類間方差法與第1項閾值

Otsu法也叫最大類間方差法,是一種典型的全局閾值分割方法,依靠圖像的統計直方圖或灰度空間分布來確定分割閾值。該算法的優點在于算法簡單、執行快速、自適應性強,在一定條件下不受圖像對比度和亮度變化的影響,適用于圖像目標與背景灰度值之間分離度大、直方圖分布雙峰特性明顯的情況,如圖4所示。

圖4 一般情況下的圖像灰度直方圖

算法的基本原理為適當選擇灰度分割閾值將圖像分割成兩部分時,可以使得分成的兩類圖像類間方差最大,類內方差最小?；叶燃墯w一化的直方圖可以表示為離散函數,即

(5)

式中:rk為第k級灰度;nk表示圖像中灰度級為rk的像素個數;n為圖像中像素的總數。P(rk)也可以認為是灰度級rk發生的概率估計。選擇閾值rτ,將像素點依據其灰度值分為兩類,這兩類出現的概率分別為

(6)

求這兩類的均值

(7)

依據模式識別理論,這兩類的類間方差為

σ2(rτ)=P0(rτ)(μ0-μ)2+P1(rτ)(μ0-μ)2。

(8)

以類間方差作為衡量不同閾值導出的類別分離性能的測量準則,極大化σ2(rτ)的過程就是自動確定閾值的過程,因此,最佳閾值為[9]

(9)

依此法求出的最佳閾值即為第1項閾值(g1)。在一般情況下,此閾值可以將圖像中的目標與背景較好地分離,但敵方探測器目標在回波圖像中一般占比較小、亮度較高,僅利用最大類間方差法難以將目標與背景完全分離,故需要引入第2項閾值(g2)。

2.2.2 回波功率判據與第2項閾值

在激光主動探測中,回波圖像中的探測器目標一般占圖像整體比例較小,像素點較少,其灰度分布直方圖中的第2峰往往不明顯或是尾部出現一定延長[10],如圖5所示。因此,該目標檢測不同于一般圖像的目標檢測,給圖像分割工作制造了一定的難度。

圖5 “貓眼”目標的灰度直方圖

圖5即為某一光電回波圖像的灰度分布直方圖,可見其第2峰的峰值較低、尾部延長較多。為解決上述問題,本文創新地將實際的作戰環境與圖像識別算法相結合,提出了功率判據與第2項閾值。上文重點分析了各類因素對回波功率的影響,而回波圖像中敵方探測器的像素值大小與回波功率成正比。因此,可以通過實際環境的參數、實際使用裝備的參數與敵探測器相關參數(可估算)計算回波功率的大小,進而得出回波在圖像中的像素值大小,該像素值大小即為第2項閾值。

2.2.3 雙閾值融合分割算法

為了更好地實現目標與背景的有效分離,得到更為適當的最終閾值,兩項閾值加權平均式如下

glast=k1g1+k2g2

(10)

式中:glast為求得的最終閾值,依據此閾值對圖像進行二值化分割處理,大于此值賦255,小于此值賦0;k1=k2=0.5。

2.3 目標大小判據

在經過輪廓識別得到疑似目標后,本文提出了第2項判據對目標進行篩選,即目標大小判據。在激光主動探測的回波圖像中,目標所占的像素一般較小,而目標所占的像素數則與相機視場、探測距離、圖像分辨率等因素有關,利用這些因素則可以估算目標所占的像素數,進而以此為依據對疑似目標進行篩選。

圖6所示為目標幾何關系。

圖6 目標幾何關系

目標所占像素數為

Nc=fxfyAc/L2αβ

(11)

式中:fx,fy為圖像分辨率;α,β為相機視場角。

估算出目標的像素數后,為保證較好地剔除錯誤目標、保留正確目標,需要以估算的像素數為中心點,大小各拓展20%為上下邊界,在此區間內篩選出大小符合要求的目標。

2.4 目標形狀判據

上述面積準則能夠對光斑的大小起到約束作用,但是不能反映出其形態上的特征。為了排除掉滿足面積準則但形態明顯異于圓形的條形光斑,對疑似目標需要進行二次篩選。大多數監視光電設備的鏡頭和入瞳為圓形或類圓形,則其“貓眼”效應的回波形狀也接近于圓形。因此,可以將疑似目標的形狀與標準圓形的相似度作為判定目標光學系統的指標。

圖7所示為圓形與長方形特點對比。

圖7 圓形與長方形特點對比

由圖7可知,在平面幾何圖形中,相同的面積之下,圓具有最小的周長,利用這一特點就可以對目標的形狀進行篩選。對于標準圓形,其周長l的平方與面積s的比值應該為一定值,而其他圖形的這一比值會大于該定值,即

kc=l2/s

(12)

式中,kc越大,表示區域越趨近于條形,反之,kc越小,表示區域越趨近于圓形。以此可對疑似目標進一步篩選。

2.5 算法中各項參數的確定

在上述三項判據中,回波功率判據與目標大小判據的計算均依托于實戰環境,即需要給出激光功率、探測距離、目標鏡頭大小等眾多參數的具體值,本文將這些參數分為3類來討論其賦值方法,參數分類如表1所示。

表1 參數分類

已知參數的賦值,可通過我方裝備的精確性能數據直接賦值。

可測量參數的賦值,包括探測距離和大氣數據兩項。一般的激光主動探測設備都具有測距功能(利用回波時差測量兩地距離),因此可利用激光測距得出探測距離;而大氣數據可以通過相關的大氣測量設備得出準確值。

未知參數的賦值,在敵情信息透明的情況下(知曉敵軍光學偵察裝備的具體參數),可直接依托情報系統進行賦值;在敵情未知的情況下,采用范圍估計的方法確定,即敵方偵察系統鏡頭大小、離焦量等參數均存在常見范圍,利用常見范圍即可計算回波功率等參數的均值。

3 本文算法與傳統算法的對比分析

與傳統算法相比,本文算法的核心特點就是結合作戰實際提出了目標識別的三項判據,即回波功率判據、目標大小判據、目標形狀判據。分別利用傳統算法(三項判據均未使用)、傳統算法加一項或兩項判據、傳統算法加三項判據對圖像中的目標進行識別,結果見圖8。

圖8 識別結果對比

由圖8可見,加入三項判據后,目標的識別更有針對性,識別的準確率得到很大的提升,效果較好。

4 結束語

本文基于激光傳輸的基本原理,從理論上分析光學系統貓眼效應的回波特性,構建了在不同大氣條件、不同裝備條件下的仿真分析模型;又結合圖像處理,對激光主動探測的光電回波圖像進行了分析探究,提出了回波功率、目標大小、目標形狀三項判據,實現了對敵方光學偵察探測目標的識別判讀。

三項判據都是基于實際的作戰環境及裝備條件,再結合激光傳輸的基本原理計算得到,具有較好的適應性,對戰場信息了解越清晰、識別的精確度就會越高,對于解決實戰中目標跟蹤識別實時性與可靠性不高的問題有一定幫助。受限于裝備及外場實驗條件,研究可用的圖像數據并不豐富,下一步研究則需要建立相應的外場實驗環境,在實際應用中進一步檢驗模型的可靠性。