楊曉偉，趙海軍

(西安艾索信息技術有限公司，陜西 西安 710065)

自動目標識別與機動目標建模及跟蹤方法研究

楊曉偉，趙海軍

(西安艾索信息技術有限公司，陜西 西安 710065)

在復雜環(huán)境下對目標進行有效地識別和跟蹤是比較困難，僅依靠一種或幾種識別手段難以達到目的。文中針對當前目標自動識別、機動目標建模和機動目標跟蹤技術所采用的算法進行了總結，并分析了各種算法的優(yōu)缺點，指出了每種算法適用的場合。分析結果為實際應用中的算法選擇提供了理論依據(jù)。

自動目標識別；機動目標建模；機動目標跟蹤

AbstractIt is difficult to recognize and track targets effectively in complex environment. It is difficult to achieve the goal only by means of one or more identification methods. In this paper, the algorithms used for automatic target recognition, maneuvering target modeling and maneuvering target tracking are summarized. The advantages and disadvantages of various algorithms are analyzed, and the applicable circumstances of each algorithm are pointed out. The analysis results provide a theoretical basis for the selection of algorithms in practical applications.

Keywordsautomatic target recognition；maneuvering target modeling；maneuvering target tracking

1 自動目標識別

自動目標識別(Automatic Target Recognition，ATR)技術是精確制導和精確跟蹤的基礎。由于目標所處場景的復雜性，以及目標本身可能發(fā)生的姿態(tài)變換、缺損、模糊和遮擋，使得ATR技術是一個復雜的過程?？傊粋€ATR系統(tǒng)應該具有在復雜背景以及各種天氣情況下檢測、分類、識別目標的能力[1-2]，這樣才能有針對性地對目標進行持續(xù)的跟蹤。目前ATR技術方法主要有以下5種：

(1)經(jīng)典的統(tǒng)計模式識別方法。該方法主要是利用目標特性的統(tǒng)計分布，依靠目標識別系統(tǒng)的大量訓練和基于模式空間距離度量的特征匹配分類技術，可在較窄的場景定義域內(nèi)獲得較有效的識別。該方法是早期使用的方法，僅在很窄的場景定義域內(nèi)，且在目標圖像和周圍背景變化不大的情況下才比較有效，難以解決姿態(tài)變化、目標污損變模糊、目標部分被遮蔽等問題；

(2)基于知識的自動目標識別方法。20世紀70年代末，人工智能專家系統(tǒng)開始應用到ATR的研究，形成了基于知識的ATR，即知識基(Knowledge Based，KB)系統(tǒng)?；谥R的ATR算法在一定程度上克服了經(jīng)典統(tǒng)計模式識別法的局限性和缺陷，該方法目前存在的主要問題是可供利用的知識源的辯識和知識的驗證很困難，同時難以在適應新場景中有效地組織知識；

(3)基于模型的自動目標識別方法。模型基(Model Based，MB)的方法首先是將復雜的目標識別的樣本空間模型化，這些模型提供了一種描述樣本空間各種重要變化特性的簡便途徑。典型的MB系統(tǒng)抽取一定的目標特性，并利用這些特性和一些輔助知識來標記目標的模型參數(shù)，從而選擇一些初始假設，實現(xiàn)目標特性的預測。一個MB系統(tǒng)的最終目標是匹配實際的特性和預測后面的特性，若標記準確，匹配過程則會成功和有效。MB方法目前尚限于實驗室研究階段；

(4)基于多傳感器信息融合的自動目標識別方法。單一傳感器的導引頭在有光、電干擾的復雜環(huán)境中，目標搜索和知識識別的能力、抗干擾能力及其工作可靠性都將降低。20世紀80年代興起的基于多傳感器信息融合Muiti-sensor Information Fusion Based，MIFB)的ATR方法克服了單一傳感器系統(tǒng)的缺陷，每個傳感器將數(shù)據(jù)饋入各自的信號處理機，先分別進行目標檢測，得出有無目標的判決以及目標的位置信息或運動軌跡，然后將這些信息送入數(shù)據(jù)融合單元，對目標位置或運動軌跡進行關聯(lián)后再做進一步的判決[3]。

從輸入信息的形式來看，信息融合可在決策層、特征層或像素層等各個層次進行。像素層融合是最低層次的屬性融合，即將各個圖像傳感器數(shù)據(jù)直接融合，而后對融合的數(shù)據(jù)進行特征提取。這一層次的信息融合能夠提供其他層次的融合所不具備的細節(jié)信息，采用的融合方法有邏輯濾波器、數(shù)學形態(tài)學、模擬退火、小波變換等。特征層融合是中間層次的融合，它是先對各個傳感器的觀測進行特征提取，產(chǎn)生特征矢量，再將這些特征矢量融合，并作出基于聯(lián)合特征矢量的屬性說明。該層次的融合是像素層融合和決策層融合的折中形式，兼有二者的優(yōu)缺點，具有較大的靈活性，常用的方法有擴展Kaiman濾波、約束高斯—馬爾可夫估計、分片統(tǒng)計等。決策層融合是最高層次的融合，這種方法是在傳感器的觀測基礎上產(chǎn)生特征矢量，對這些特征矢量進行模式識別處理并作出相應的關于目標的屬性說明，再將各圖像傳感器的屬性說明數(shù)據(jù)進行關聯(lián)和合成，得到該目標的一個聯(lián)合的屬性說明。常用方法有Bayes推理、D-S證據(jù)推理、模糊邏輯以及近年來涌現(xiàn)的人工神經(jīng)網(wǎng)絡和支撐向量機等；

(5)基于人工神經(jīng)網(wǎng)絡和專家系統(tǒng)的自動目標識別方法。專家系統(tǒng)是以邏輯推理為基礎，模擬人類思維的人工智能方法。人工神經(jīng)網(wǎng)絡(ANN)是以神經(jīng)元連接結構為基礎，通過模擬人腦結構來模擬人類形象思維的一種非邏輯、非語言的人工智能方法。ANN自底向上的訓練和歸納判斷特性與專家系統(tǒng)的積累知識的自頂向下的利用特性，可以實現(xiàn)很好的互相補充結合，提供更強的處理信息能力。二者混合使用的結構形式有并接結構、串接結構和嵌入結構3種。并接結構系統(tǒng)可并列使用專家系統(tǒng)和神經(jīng)網(wǎng)絡；在串接結構中，各模塊獨立工作，實現(xiàn)各自特定的功能串聯(lián)連接；嵌入結構是在專家系統(tǒng)內(nèi)嵌入小型神經(jīng)網(wǎng)絡或者在ANN內(nèi)嵌入小型專家系統(tǒng)以改善系統(tǒng)性能。ANN技術可以提供ATR算法固有的直覺學習能力，在目標分類處理中有許多算法都可由ANN有效地實現(xiàn)。

神經(jīng)網(wǎng)絡應用到模式識別中能解決許多傳統(tǒng)的識別方法所不能克服的困難，劉怡光等綜合了神經(jīng)網(wǎng)絡、模糊邏輯、模式識別的相關算法對車型進行識別[4]；陳振羽等利用圖像特征點和神經(jīng)網(wǎng)絡對有遮擋的目標進行識別，也獲得了較高的識別準確率[5]。神經(jīng)網(wǎng)絡實現(xiàn)工程應用的瓶頸是實時性欠佳。

2 機動目標建模

機動目標跟蹤的一個主要目的是估計機動目標的狀態(tài)軌跡。在跟蹤中，通常把目標看作沒有形狀的點目標。由于大多的跟蹤算法都是以模型為基礎的，在跟蹤中，通常假設目標的運動及測量能用一已知的數(shù)學模型精確描述。

在機動目標模型中，通常假設控制輸入為一個未知的加速度。由于控制輸入是未知的，一個自然的方法是假設控制輸入為一個隨機過程。根據(jù)控制輸入的假設不同，模型可分為3類：(1)白噪聲模型：控制輸入假設為一個白噪聲過程，這包括等速(CV)，等加速(CA)和多項式模型；(2)馬爾可夫過程模型：控制輸入假設為一個馬爾可夫過程。這包括眾所周知的辛格模型及其各種推廣模型和其它一些模型；(3)半馬爾可夫模型跳變過程模型：控制輸入假設為一個半馬爾可夫模型跳變過程。

具體模型有：(1)白噪聲加速度模型，機動目標最簡單的模型，當機動很小或非常隨機時用到它，同時該模型也用于噪聲水平調(diào)整算法中；(2)維納過程加速模型，第二個最簡單的模型，它假設加速度是一個維納過程，或者更一般和精確地講，加速度是一個獨立增量過程；(3)辛格加速模型——零均值一階馬爾可夫模型，它是第一個將未知目標加速度描述為一個時間相關隨機過程的模型，并成為進一步建立有效目標機動模型的基礎。(4)二階馬爾可夫加速模型，適合目標作長時間強烈振蕩機動；(5)對于協(xié)同轉彎的馬爾可夫加速模型，此模型是一個對于協(xié)同轉彎的修正辛格模型，其非靜態(tài)是協(xié)同轉彎限制的結果。對于協(xié)同轉彎，此模型要比辛格模型更為精確，但此模型的精確狀態(tài)空間形式復雜；(6)非對稱分布式垂直加速模型，目標加速度能分解為兩個方向：法線方向和切線方向，每個方向都能用一個時間相關隨機過程來建模，非垂直方向能用辛格模型很好地建模。然而，對于法線方向則不然，其方向由目標方位角確定，而大小可以由一個具有非對稱分布的有色隨機過程來建模；(7)半馬爾可夫跳變過程模型，辛格模型將目標加速度近似為一個連續(xù)時間零均值馬爾可夫過程。實際上，許多目標機動都涉及到一個非零均值的加速度，而且該加速度的分段常值的時間間隔和相應的非零均值的常值水平都是未知的。對于這樣一個分段常值隨機過程，最簡單的模型是所謂的半馬爾可夫跳變過程。該模型和馬爾可夫跳變過程的區(qū)別只在于前者停留在一個模型的時間是隨機的，而后者只在一些確定的時間瞬時跳變；(8)一階馬爾可夫加加速模型[6]，和辛格加速模型相比,該模型有描述靈活目標更為精確潛在能力。使用此模型的跟蹤器比使用辛格模型有更高的維數(shù)并且響應性更強,但可能導致跟蹤中噪聲更多。

3 機動目標跟蹤

目標跟蹤技術可廣泛應用于導航、交通以及軍事相關領域。它是通過一個或多個傳感器，利用計算機來完成信號處理，從而感知它所監(jiān)控的環(huán)境。傳感器獲取對環(huán)境中目標的有噪觀測值，并匯報給信號處理機。這些觀測值可能來源于感興趣的目標，環(huán)境背景或系統(tǒng)內(nèi)部熱噪聲等。目標跟蹤技術要將收集這些來自于感興趣區(qū)域的觀測數(shù)據(jù)并分建立航跡，使得每個航跡的觀測來自于同一個物體或目標。這種劃分過程屬于數(shù)據(jù)關聯(lián)技術的范疇。利用各航跡中的所有觀測值中蘊涵的信息，估計出每個目標的狀態(tài)特征就是目標跟蹤濾波技術。在目標跟蹤濾波中，跟蹤濾波器的應用一般先要對目標運動規(guī)律進行合理的數(shù)學建模，其目標狀態(tài)才能被準確的估計。然而，被關注目標由于某些原因，改變自身原有的運動規(guī)律，造成了目標運動規(guī)律和濾波器已經(jīng)建立的模型不匹配，即所謂目標的機動。機動目標跟蹤技術就是當目標發(fā)生機動時，仍然能保證跟蹤濾波器能跟上目標運動方式的變化，輸出正確的目標運動軌跡。當前，各種機動目標跟蹤研究都是圍繞目標機動的不確定性展開，基于決策的單模方法[7]與多模方法[8]是迄今為止兩類主要的機動目標跟蹤方法，它們的主要區(qū)別就在于行為決策與狀態(tài)估計的關系。典型的機動目標狀態(tài)估計算法有變維濾波(VD)算法[9-10]，Singer模型算法[11]以及交互式多模型(IMM)算法[12]等。

3.1 變維濾波器

這種方法由Bar-Shalon和Birmiwal提出，該算法不依賴于目標機動的先驗假設，把機動看成是目標動態(tài)特性的內(nèi)部變化，而不是狀態(tài)噪聲方差的加入。檢測手段采用平均新息法，調(diào)整方式采用“開關”型轉換，非機動時，濾波器工作在CV模型，一旦檢測到機動，濾波器便轉到CA模型上，再由非機動檢測器檢測機動消除進而轉到原來的CV模型上。優(yōu)點是CV模型的帶寬確保了跟蹤的精度和抗干擾的能力；CA模型將加速度作為一個要被估計的狀態(tài)，擴充到狀態(tài)變量中，較大的濾波器帶寬，確保目標機動情況下跟蹤的維持能力。兩個模型之間的切換需要專門的機動檢測器進行控制，這種目標運動模型自適應切換的思想，提高了算法應對模型失配情況的能力。然而它的缺點也很顯著：首先是機動檢測器的硬判決特性，判決不可避免帶來的模型誤切換以及漏切換問題,使算法的自適應性能變差。

3.2 Singer模型算法

這類方法假定目標運動模型結構固定，認為目標的機動是由機動噪聲注入運動模型之中而引起的一種擾動，根據(jù)目標機動強度的變化，對假定的機動噪聲統(tǒng)計特性進行自適應調(diào)節(jié)，從而確保跟蹤性能。Singer模型將目標加速度作為具有指數(shù)自相關的零均值隨機過程建模。這種方法的優(yōu)點是原理和實現(xiàn)很簡單，將機動的成因僅僅歸結到動態(tài)噪聲。缺點這種建模的方法很難符合目標發(fā)生機動的物理本質和真實情況。對較大機動的目標，其加劇的模型失配問題將引起的跟蹤性能的急劇下降甚至跟蹤丟失。

3.3 交互式多模型算法

1984～1989年，Blom和Bar-Shalom在廣義偽貝葉斯算法基礎上，提出的一種具有Markov轉移概率的交互式多模型(Interacting Mutiple Model,IMM)算法。這種算法在多模型算法的基礎上考慮多個模型的交互作用，以此得出目標的狀態(tài)估計。交互式多模型算法包含了多個濾波器、一個模型概率估計器、一個交互式作用器和一個估計混合器[13]。這種結構的優(yōu)點是建模細致；利用模型轉移的馬爾可夫性假設，實現(xiàn)了目標跟蹤器的自適應可變結構；有明顯的并行框架，有利于并行實現(xiàn)。缺點是算法的模型先驗概率、模型轉移概率以及模型集的組成均無法先驗確知；不合理的假設，導致算法得到的目標狀態(tài)估計始終只能是混和次優(yōu)解，不正確的模型降低了目標跟蹤的穩(wěn)態(tài)性能。

4 結束語

在復雜環(huán)境下對目標進行有效的識別和穩(wěn)定的跟蹤是相對困難的，僅依靠一種或少數(shù)幾種識別手段很難達到目的。本文對當前的目標自動識別技術、機動目標建模技術和機動目標跟蹤技術所采用的算法進行了總結，并分析了各種算法的優(yōu)缺點，指出了每種算法應用的場合。在具體應用中，可以根據(jù)實際的場景需要選取一種或幾種算法，通過調(diào)整參數(shù)獲取最優(yōu)的結果。

[1] Yamany S M,Farag A A,Hsu S Y.A fuzzy hyperspectral classifier for automatic target recognition (ATR) systems[J].Pattern Recognition Letters,1999,20(11):1431-1438.

[2] Kerckhove B S A.The architecture of intelligence[J]. Current Directions in Psychological Science, 2013, 2(5):342-348.

[3] 余小游,盧煥章.多傳感器目標識別系統(tǒng)中的數(shù)據(jù)融合方法與系統(tǒng)結構的研究[J].國防科技參考,1998,19(1):11-16.

[4] 劉怡光,游志勝.一種用于圖像目標識別的神經(jīng)網(wǎng)絡及其車型識別應用[J].計算機工程,2003,29(3):30-32.

[5] 陳振羽,李德華.利用多種特征和 Hopfield 神經(jīng)網(wǎng)絡的有遮擋的目標識別[J].中國圖象圖形學報:A輯,2000,5(12):1034-1038.

[6] 許江湖,張永勝.機動目標建模技術概述[J].現(xiàn)代雷達,2002,24(5):10-15.

[7] Li X R,Jilkov V P.A survey of maneuvering target tracking-part VI: Density-based exact nonlinear filtering[C].Moskov:SPIE Defense, Security, and Sensing,International Society for Optics and Photonics,2012.

[8] Li X R,Jilkov V P.Survey of maneuvering target tracking-part V:Multiple-model methods[J]. IEEE Transactions on Aerospace and Electronic Systems,2005,41(4):1255-1321.

[9] 蔡慶宇,薛毅,張伯彥.相控陣雷達數(shù)據(jù)處理及仿真技術[M].北京:國防工業(yè)出版社,1997.

[12] 唐政,郝明,周鵬,等.基于自適應卡爾曼濾波的機動目標跟蹤算法[J].電子科技,2013,26(4):78-81.

[13] Singer R A.Estimating optimal tracking filter performance for manned maneuvering targets[J]. IEEE Transactions on Aerospace and Electronic Systems,2013 (4):473-483.

[14] Bar-Shalom Y,Chang K C,Blom H A P.Tracking a maneuvering target using input estimation versus the interacting multiple model algorithm[J].IEEE Transactions on Aerospace and Electronic Systems,2012,25(2): 296-300.

[15] 劉鵬遠,吳博.基于消隱記憶SCKF的交互式多模型算法[J].探測與控制學報,2016,38(3):52-56.

Research on Automatic Target Recognition and Maneuvering Target Modeling and Tracking

YANG Xiaowei，ZHAO Haijun

(Xi’an iTHOR Information Technology CO.,LTD,Xi’an 710065,China)

TN953

A

1007-7820(2017)10-127-04

2017- 03- 01

楊曉偉(1983-)，男，碩士。研究方向：信號與信息處理。趙海軍(1982-)，男，碩士。研究方向：信號與信息處理。

10.16180/j.cnki.issn1007-7820.2017.10.034