一种基于多飞行器协同探测的目标感知方法

技术领域

本发明涉及基于协同探测的目标感知技术领域，具体涉及目标检测、目标匹配感知的技术领域。

背景技术

随着红外制导技术和目标识别算法的发展，红外导引头抗干扰能力不断增强，可以应对更加复杂干扰环境下的对抗。在攻击过程中，飞行器可能进行大过载机动，并投放大量的人工诱饵弹，高温高光谱辐射的诱饵弹在导引头探测系统中会对目标造成全面遮蔽、大面积豁连、干扰目标分离后特性相近、视场内出现多个疑似目标点等问题，随机性强、对抗复杂、态势多变、规律性难以把握，然而制导精度、抗干扰能力是武器系统设计的重中之重。因此在复杂的战场环境下，如何有效地对目标进行准确感知是一项重要的研究内容。

红外诱饵技术也在不断发展和创新，各种新型的红外诱饵弹相继诞生，按投放后所形成干扰源空间特性的不同分为点源、面源、多点源、点源面源复合等；按投放后所形成干扰源光谱分布特性的不同分为光谱平衡型和非光谱平衡型；按投放后所形成干扰源运动特征的不同分为伴飞式和非伴飞式。为了抑制诱饵的干扰作用，飞行器采用了数字化和多样化的抗干扰措施，主要包括上升速率触发、轨迹感知、光谱辨别等，其中抗干扰方法比较常用的是基于轨迹感知，根据对载机和诱饵干扰的运动特性分析，更易于在复杂环境下实现目标和诱饵干扰的判别。CN111652150A提出一种红外抗干扰跟踪方法，通过将目标的轨迹信息与状态信息融合形成多变量向量，输入轨迹预测模型，进行目标的轨迹信息以及状态信息预测，找到候选目标及对应的轨迹集来进行对抗目标遮挡干扰。该方法仅给出了遮挡干扰方法，未针对多干扰现象进行研究，而且较高的目标信息预测能力。CN111461160A提出一种抗云雾、烟雾干扰红外成像导引头目标跟踪方法，利用迁移学习方式，调整SSD网络预训练模型的参数，实现对云雾、烟雾干扰状态的检测，并采用时空规划的在线学习跟踪算法STOT，实现红外成像导引头抗干扰跟踪。该方法需要训练大量云雾、烟雾干扰数据，网络训练较难且计算较大。CN109448022B提出一种用于导引系统的红外抗遮挡跟踪方法，通过计算图像每个子块方差和均值的差值，二值超过阈值时判定为遮挡区域，对于高温热源干扰则比较检测团块面积大小来判定。该方法同样是针对红外遮挡的抗干扰技术，在图像背景较复杂时抗干扰效果不太理想。

发明内容

本发明的目的在于根据目标和干扰的运动特性对目标和干扰进行区分，并通过辅助探测获取目标分布信息，剔除背景干扰。同时利用它源提供的目标位置信息和空间坐标系到图像坐标系的投影关系，计算目标在图像的投影坐标，并通过构建的贝叶斯网络模型和多项式轨迹拟合方法实现真实目标的准确感知。

为了达到上述目的，本发明提出了一种基于多飞行器协同探测的目标感知方法，包括以下步骤：

步骤一：基于使用先验知识(轨迹、加速度、速度等)直接建立贝叶斯网络的结构；

步骤二：目标和干扰的检测识别，采用连通区域检测方法对图像进行遍历计算连通区域，并分析连通区域面积，剔除面积较大区域，计算连通区域质心，并记录保存质心坐标；

步骤三：目标和干扰的跟踪，基于连续时间序列数据分析检测目标和干扰在图像中的运动特征，计算目标相邻时间序列运动位移量ε，根据目标或者或干扰在相邻帧运动位移量较小，如果运动位移量大于ε，则判定非跟踪目标，否则判定为跟踪目标，并添加相同ID标签；

步骤四：利用它源辅助信息提供的目标位置信息和空间坐标系到图像坐标系的投影关系，计算目标投影到图像中的像素坐标；

步骤五：根据目标和干扰在图像中的连续时间序列坐标，利用最小二乘法对目标运动轨迹进行多项式拟合，并获得目标的运动轨迹、加速度、速度等信息；

步骤六：根据目标在视场中心做机动运动，而干扰是做类抛物线运动，同时具有类自由落体运动特性的先验知识，将目标的运动状态输入到构建的贝叶斯网络中，利用贝叶斯网络进行推理得到最终的目标感知判定结果。

上述一种基于多飞行器协同探测的目标感知方法，其中，所述步骤一中，设计目标和干扰噪声的运动先验知识，根据目标运动特性和先验知识的关联性构建贝叶斯推理网络；

上述一种基于多飞行器协同探测的目标感知方法，其中，所述步骤二中，经过预处理后的图像，目标和干扰在图像呈现点状分布在图像中，为检测图像中的目标和干扰，采用连通区域检测方法对图像进行遍历计算连通区域，并分析连通区域面积剔除面积较大区域；

上述一种基于多飞行器协同探测的目标感知方法，其中，所述步骤三中，基于连续时间序列数据分析检测目标和干扰在图像中的运动特征，计算目标相邻时间序列运动位移量，根据对运动位移量的分析，实现对目标和干扰的稳定跟踪；

上述一种基于多飞行器协同探测的目标感知方法，其中，所述步骤四中，利用它源辅助信息提供的目标位置信息和空间坐标系到图像坐标系的投影关系，根据目标姿态角、视线角以及飞行器姿态角计算目标投影到图像中的像素坐标；

上述一种基于多飞行器协同探测的目标感知方法，其中，所述步骤五中，根据目标和干扰在图像中的连续时间序列坐标，利用最小二乘法对目标运动轨迹进行多项式拟合，并获得目标的运动轨迹、加速度、速度等信息；

上述一种基于多飞行器协同探测的目标感知方法，其中，所述步骤六中，利用目标和干扰噪声在图像中的运动特性，即目标在视场中心做机动运动，而干扰是做类抛物线运动，同时具有类自由落体运动特性的先验知识，根据这一特性，将步骤五中获得的目标运动状态输入到构建的贝叶斯网络中，推理得到最终的目标感知结果。

与现有技术相比，本发明的技术有益效果是：

1)本发明设计了表征目标运动特性的先验知识，并基于目标运动与先验知识的关联性构建了贝叶斯推理网络；

2)本发明采用它源辅助信息提供的目标位置，基于空间坐标系到图像坐标系的投影关系，计算目标在图像中的投影，并与检测到的目标和干扰进行运动轨迹匹配，判定它源信息归属性。

3)本发明通过针对目标和干扰的运动特性进行分析，并基于连续时间序列目标和干扰噪声运动数据和多项式系数拟合方，基于贝叶斯网络推理实现了目标和干扰噪声的高效率目标感知。

附图说明

本发明的一种基于多飞行器协同探测的目标感知方法由以下的实施例及附图给出

图1为本发明的一种基于多飞行器协同探测的目标感知方法流程图；

图2为一种基于多飞行器协同探测的目标感知方法贝叶斯网络结构图；

图3为一种基于多飞行器协同探测的目标感知方法图像目标检测和跟踪结果；

图4为一种基于多飞行器协同探测的目标感知方法的目标感知结果。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明公开了一种基于多飞行器协同探测的目标感知方法，下面结合附图与具体实施方式对本发明作进一步详细描述：

步骤一：基于使用先验知识(轨迹、加速度、速度等)直接建立贝叶斯网络的结构；

步骤二：目标和干扰的检测识别，采用连通区域检测方法对图像进行遍历计算连通区域，并分析连通区域面积，剔除面积较大区域，计算连通区域质心，并记录保存质心坐标；

步骤三：目标和干扰的跟踪，基于连续时间序列数据分析检测目标和干扰在图像中的运动特征，计算目标相邻时间序列运动位移量ε，根据目标或者或干扰在相邻帧运动位移量较小，如果运动位移量大于ε，则判定非跟踪目标，否则判定为跟踪目标，并添加相同ID标签；

步骤四：利用它源辅助信息提供的目标位置信息和空间坐标系到图像坐标系的投影关系，计算目标投影到图像中的像素坐标；

步骤五：根据目标和干扰在图像中的连续时间序列坐标，利用最小二乘法对目标运动轨迹进行多项式拟合，并获得目标的运动轨迹、加速度、速度等信息；

步骤六：根据目标在视场中心做机动运动，而干扰是做类抛物线运动，同时具有类自由落体运动特性的先验知识，将目标的运动状态输入到构建的贝叶斯网络中，利用贝叶斯网络进行推理得到最终的目标感知判定结果。

如步骤一所述，设计目标和干扰噪声的运动先验知识(运动轨迹、速度、加速度等)，根据目标运动特性和先验知识的关联性构建贝叶斯推理网络，如图2所示构建的贝叶斯网络。

如步骤二所示，经过分析获取的采集和预处理后图像，目标和干扰在图像呈现点状分布在图像中，为检测图像中的目标和干扰噪声，采用连通区域检测方法对图像进行遍历计算连通区域，并分析连通区域面积剔除面积较大区域，剔除面积较大区域。计算连通区域质心，并记录保存质心坐标。

如步骤三所述，基于连续时间序列数据分析检测目标和干扰在图像中的运动特征，计算目标相邻时间序列运动位移量ε，如果|x

如步骤四所述，根据它源辅助信息提供的目标位置信息，计算目标相对探测平台的视线角。然后利用目标位置坐标系到图像坐标系的投影关系，计算目标投影到图像中的像素坐标。假设图像分辨率w×h，焦距为f，像元为，像元大小为du，则检测到的目标或者干扰视线角为：

其中，

则由惯性坐标系转换到机体坐标系下的公式为：

其中，

θ

根据机体坐标系下机体和目标视线角、相机偏向机体的转动角，目标在图像中的投影位置可表示为：

是相机偏向机体的转动俯仰角和方位角，/>

同时，根据它源辅助信息由空间坐标系投影到图像坐标系的连续数据，进行多项式系数拟合，将拟合获得的多项式系数和图像中检测到的目标或者干扰进行多项式系数匹配，判定它源提供的目标信息归属性，其用公式可表示为：

其中

如步骤五所述，根据目标和干扰在图像中的连续时间序列坐标，利用最小二乘法对多项式系数进行拟合，获得三次多项式系数。首先构造范德蒙德(Vandermonde)矩阵并生成线性方程组：

可拟合多项式表示为：

p(x)＝p

则，基于三次多项式拟合可获得多项式可表示为：

p(x)＝p

利用最小二乘法对上式求解，得到多项式系数的值。然后根据目标和干扰在图像中的连续运动数据(步长为50)，计算多项式系数p

如步骤六所述，利用目标和干扰噪声在图像中的运动特性，即目标在视场中心做机动运动，而干扰是做类抛物线运动，同时具有类自由落体运动特性的先验知识，根据这一特性，将步骤五中获得的目标运动状态输入到构建的贝叶斯网络中，推理得到最终的目标感知判定结果。图4为目标感知最终结果。