没有合适的资源?快使用搜索试试~ 我知道了~
基于时空推理网络的空中红外目标抗干扰识别算法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 185 浏览量
2023-02-23
16:47:49
上传
评论
收藏 358KB DOCX 举报
温馨提示
试读
16页
基于时空推理网络的空中红外目标抗干扰识别算法.docx
资源推荐
资源详情
资源评论
0. 引 言
红外空空导弹是近距空战格斗中最为有效的杀伤武器之一
[1]
,为对抗其强大的杀伤
性,各种新型干扰手段成为研究的重中之重,同时也使得空战环境日益复杂。随着点源、
面源等诱饵弹的使用,载机通过投放诱饵弹干扰红外成像导引头的目标鉴别能力。在实际
空战对抗中,目标在机动过程中连续投放大量人工诱饵弹,目标与诱饵弹干扰特征信息相
近,导致视场中出现多个疑似目标,在这个过程中,目标和干扰都在发生剧烈变化,导致
红外成像导引头自动目标识别面临相当大的困境
[2-3]
。因此,如何提高抗复杂场景中红外诱
饵干扰的能力是当前红外空空导弹面临的核心问题,具备抗人工诱饵弹干扰能力对于红外
制导系统具有重要意义。
传统的红外目标识别算法大多是通过特征提取模板匹配进行设计验证。典型的特征包
括形状、局部纹理、边缘特征等
[4-6]
。早期,人们选用单一特征表述目标,随着背景条件变
得复杂以及红外诱饵弹的干扰,单一特征已不能满足目标识别性能。因此,人们将多个特
征进行融合处理,实现对目标的互补描述,提高识别精度。但是,随着战场环境的复杂多
变以及诱饵弹干扰的投放,特征实时变化加快,融合权重不能满足特征快速的实时变化,
用简单的权重融合也不能表征特征之间复杂的变化关系和连续帧之间的特征随时间的变化
规律,造成目标识别率低。
针对上述问题,文中提出基于动态贝叶斯网络的时空关联推理网络。时空关联推理网
络引入对特征变量时空约束的先验知识,通过特征变量间的约束及特征变量在时序上的演
化对目标识别进行概率推理建模。该方法充分考虑了不同时刻相同特征间的约束关系,构
建的时空关联推理网络结构更符合人类视觉目标识别推理情况,并且提高了目标识别的稳
定性。
1. 相关工作
传统的模板匹配目标识别算法是通过预先设定目标模板,然后使用目标模板在待检测
图像中滑动寻找最佳的匹配位置,将相似度大于设定阈值的图像认定为目标
[4-6]
。E.
Elboher
[7]
等提出了一种基于不对称相关性(ASC)的高效且鲁棒的模板匹配方法,该算法
在线性时间内执行预测步骤,然后针对几个有希望的候选窗口计算 DFT,既能够处理部分
遮挡和空间变化的光线变化,又具有较强的鲁棒性。H Yang
[8]
等提出了一种新的自适应径
向环码直方图(ARRCH)图像描述子,该描述子使用径向梯度码作为旋转不变特征。该方
法利用由粗到细的策略来处理大规模变化,具有更强的抗大尺度和旋转差的能力。模板匹
配虽然操作简单易于实现,但是对于模板的要求比较严苛,简单的模板不能适应复杂的空
战环境。基于支持向量机
[9-12]
的目标识别算法是一种基于统计学习理论和以结构风险最小为
分类原则的分类器,其核心思想是找到一个超平面使得各训练向量到该超平面的距离最
大,由此实现分类。王周春
[13]
等提出一种基于支持向量机的长波红外目标图像分类识别算
法,利用特征提取算法提取目标的边缘与纹理特征作为支持向量机的输入,并采用了方向
梯度直方图加灰度共生矩阵加支持向量机的组合算法模型。但是 SVM 在处理海量数据时
的运行速度较差,而且对噪声和孤立样本非常敏感。深度学习
[14-16]
是近几年一个比较热门
的研究课题,其本质是模拟人脑的层次结构,通过大量数据训练,对外部信息由低级到高
级逐层学习,最终实现对目标的识别。许来祥
[17]
等提出了一种基于改进的 Drpout 层的卷积
神经网络方法。首先,结合红外目标特性,调整了卷积层和池化层的数量,改进了卷积神
经网络 ZFNet 模型;其次,通过可视化分析了 Dropout 层和丢弃率的变化,确定了 Dropout
丢弃率的选择原则。深度学习虽然在目标识别应用方面已经取得重大突破,但该方法在理
论方面缺少完备的理论支撑,一部分结果难以解释,且需要大量数据训练,计算量大,对
硬件的性能要求较高,难以满足工程应用的实时性要求。
推理网络在信息处理、目标识别、任务决策以及路径规划等处理不确定性问题上具有
很大的优势,是一种适合于对人类思维过程进行建模的工具,是目前概率推理领域中最有
效的理论模型之一
[18-20]
。该网络以图形化的方式直观地表达各变量之间的依赖关系及其联
合概率分布,并利用条件独立性假设,减少了概率推理计算量,提高了推理决策效率。但
是,传统的静态贝叶斯网络易忽略前后时刻信息的关联性和互补性,没有充分考虑到不同
时刻间变量的时序关系,导致推理结果出错。
针对空空导弹红外目标抗干扰识别的核心问题,文中提出一种基于时空关联推理网络
分类器的抗干扰目标识别算法。在空中战场干扰对抗环境中,目标和干扰的红外图像都会
随着时间发生变化,静态贝叶斯网络没有考虑时间因素对特征变量的影响,无法处理特征
变量随时间变化所产生的变化结果,导致分类效果下降。针对帧间特征变量在时序上动态
变化的问题,引入基于动态贝叶斯网络的时空关联推理网络,对动态时变随机过程进行表
达和推理。时空关联推理网络是每两个连续时间片的静态贝叶斯网络在时间轴上的展开。
其特征变量集合可以随时间不断演化,得到跨越多个时间片的联合概率分布,使分类器性
能增强。
2. 文中方法
传统抗干扰识别方法基于人工特征融合匹配,其特征融合参数依赖数据与设计人员经
验,未充分利用特征之间的约束先验知识。静态贝叶斯网络抗干扰识别方法的设计思想是
利用数据寻找特征空间约束的先验知识,形成特征推理识别模型,初步研究表明,该模型
相比传统特征融合方法识别性能有大幅提升
[20]
。但是,静态贝叶斯网络不能表达序列图像
中的特征变量的动态变化以及特征变量之间的关系,仍然具有局限性。因此,为引入特征
时空约束先验知识,文中基于动态贝叶斯网络理论方法,提出一种结合空间与时序特征关
联的推理识别网络模型,简称为时空关联推理网络,其可以表达既符合具备多组特征之间
约束关系、又符合具备每个特征动态变化约束关系时此目标属于真实目标的概率。
首先,定义特征 X1t,X2t,X3t,⋯,XitXt1,Xt2,Xt3,⋯,Xti 表示为第 tt 个时间片上的第 ii 个特
征节点,如长宽比、周长、能量、面积、圆形度、灰度均值、熵等特征。
其次,如图 1 (a)所示,定义时空关联推理网络(B1,B→B1,B→),表示特征变量在时
空约束先验条件下的特征关联。其中 B1B1 是初始网络,表示同一时刻不同特征间的依存
关系,如图 1 (b)所示,定义了初始时刻的概率分布。B→B→是转移网络,仅表示不同时刻
下相同特征间的关联,如图 1 (c)所示,定义了两个相邻时间片各变量之间的条件分布。两
个相邻时间片间满足一阶马尔科夫假设,片内特征变量除了在 t 时刻被其他特征影响之
外,还会受到相同特征在 t−1 时刻的影响,即:
图 1 时空关联推理网络模型表示图
Fig. 1 Representation diagram of space-time correlation inference network
下载: 全尺寸图片 幻灯片
P(Xt|Xt−1) = ∏i=1MP(Xit|Pa(Xit))P(Xt|Xt−1) = ∏i=1MP(Xti|Pa(Xti))
式中: Pa(Xit)Pa(Xti) 为特征 XitXti 的父节点;B→B→ 中第二个时间片中的每个节点
都有一个条件概率分布 P(Xit|Pa(Xit))P(Xti|Pa(Xti)),t>0 。特征节点 XitXti 的父节点
Pa(Xit)Pa(Xti)可以和 XitXti 在同一个时间片内,也可以在前一个时间片内。位于同一个时
间片内可以理解为特征变量之间相互影响,而跨越时间片的可以理解为特征变量随时间的
变化规律。
最后,根据下述公式计算当前所预测目标与所有分类的匹配程度,匹配值最高的即为
预测目标所属类别:
C∗(X1:t)=argmaxcP(X1:m1:t|C)P(C)C∗(X1:t)=argmaxcP(X1:t1:m|C)P(C)
式中:P(X1:m1:T|C)P(X1:T1:m|C)表示测试数据与类别 CC 匹配的程度;P(C)P(C)为类
别 CC 的先验概率。
3. 时空关联推理网络的抗干扰识别算法
文中基于时空关联推理网络的抗干扰识别算法框架如图 2 所示。首先,构造训练样本
数据集和测试集;其次,对训练样本的目标和干扰连通区域进行特征提取,构成的特征矢
量记为:Ai={X1,X2,X3,⋯,X17}Ai={X1,X2,X3,⋯,X17};然后,将得到初始网络在两个连续的
时间片上展开,针对当前时刻的特征变量引入上一时刻的该特征作为其父节点,计算相邻
时间片各变量之间条件分布,由此得到转移网络,建立完整的时空关联推理网络结构;最
后,将特征矢量输入时空关联推理网络分类器,得到对应连通区域的识别结果。
图 2 基于时空关联推理网络的抗干扰识别算法框架
Fig. 2 Framework diagram of anti-interference recognition algorithm based on space-time
correlation inference network
下载: 全尺寸图片 幻灯片
3.1 数据集构造与标注
为进行样本空间构建,首先进行战场态势想定,弹道中目标高度固定为 6 km,目标
速度固定为 0.8 Ma,导弹发射距离设定为 7 km,干扰弹投射距离将 2000~7000 m 以 500 m
剩余15页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3691
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功