自动目标识别与机动目标建模及跟踪方法研究

杨晓伟，赵海军

(西安艾索信息技术有限公司，陕西 西安 710065)

自动目标识别与机动目标建模及跟踪方法研究

杨晓伟，赵海军

(西安艾索信息技术有限公司，陕西 西安 710065)

在复杂环境下对目标进行有效地识别和跟踪是比较困难，仅依靠一种或几种识别手段难以达到目的。文中针对当前目标自动识别、机动目标建模和机动目标跟踪技术所采用的算法进行了总结，并分析了各种算法的优缺点，指出了每种算法适用的场合。分析结果为实际应用中的算法选择提供了理论依据。

自动目标识别；机动目标建模；机动目标跟踪

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 自动目标识别

自动目标识别(Automatic Target Recognition，ATR)技术是精确制导和精确跟踪的基础。由于目标所处场景的复杂性，以及目标本身可能发生的姿态变换、缺损、模糊和遮挡，使得ATR技术是一个复杂的过程。总之，一个ATR系统应该具有在复杂背景以及各种天气情况下检测、分类、识别目标的能力[1-2]，这样才能有针对性地对目标进行持续的跟踪。目前ATR技术方法主要有以下5种：

(1)经典的统计模式识别方法。该方法主要是利用目标特性的统计分布，依靠目标识别系统的大量训练和基于模式空间距离度量的特征匹配分类技术，可在较窄的场景定义域内获得较有效的识别。该方法是早期使用的方法，仅在很窄的场景定义域内，且在目标图像和周围背景变化不大的情况下才比较有效，难以解决姿态变化、目标污损变模糊、目标部分被遮蔽等问题；

(2)基于知识的自动目标识别方法。20世纪70年代末，人工智能专家系统开始应用到ATR的研究，形成了基于知识的ATR，即知识基(Knowledge Based，KB)系统。基于知识的ATR算法在一定程度上克服了经典统计模式识别法的局限性和缺陷，该方法目前存在的主要问题是可供利用的知识源的辩识和知识的验证很困难，同时难以在适应新场景中有效地组织知识；

(3)基于模型的自动目标识别方法。模型基(Model Based，MB)的方法首先是将复杂的目标识别的样本空间模型化，这些模型提供了一种描述样本空间各种重要变化特性的简便途径。典型的MB系统抽取一定的目标特性，并利用这些特性和一些辅助知识来标记目标的模型参数，从而选择一些初始假设，实现目标特性的预测。一个MB系统的最终目标是匹配实际的特性和预测后面的特性，若标记准确，匹配过程则会成功和有效。MB方法目前尚限于实验室研究阶段；

(4)基于多传感器信息融合的自动目标识别方法。单一传感器的导引头在有光、电干扰的复杂环境中，目标搜索和知识识别的能力、抗干扰能力及其工作可靠性都将降低。20世纪80年代兴起的基于多传感器信息融合Muiti-sensor Information Fusion Based，MIFB)的ATR方法克服了单一传感器系统的缺陷，每个传感器将数据馈入各自的信号处理机，先分别进行目标检测，得出有无目标的判决以及目标的位置信息或运动轨迹，然后将这些信息送入数据融合单元，对目标位置或运动轨迹进行关联后再做进一步的判决[3]。

从输入信息的形式来看，信息融合可在决策层、特征层或像素层等各个层次进行。像素层融合是最低层次的属性融合，即将各个图像传感器数据直接融合，而后对融合的数据进行特征提取。这一层次的信息融合能够提供其他层次的融合所不具备的细节信息，采用的融合方法有逻辑滤波器、数学形态学、模拟退火、小波变换等。特征层融合是中间层次的融合，它是先对各个传感器的观测进行特征提取，产生特征矢量，再将这些特征矢量融合，并作出基于联合特征矢量的属性说明。该层次的融合是像素层融合和决策层融合的折中形式，兼有二者的优缺点，具有较大的灵活性，常用的方法有扩展Kaiman滤波、约束高斯—马尔可夫估计、分片统计等。决策层融合是最高层次的融合，这种方法是在传感器的观测基础上产生特征矢量，对这些特征矢量进行模式识别处理并作出相应的关于目标的属性说明，再将各图像传感器的属性说明数据进行关联和合成，得到该目标的一个联合的属性说明。常用方法有Bayes推理、D-S证据推理、模糊逻辑以及近年来涌现的人工神经网络和支撑向量机等；

(5)基于人工神经网络和专家系统的自动目标识别方法。专家系统是以逻辑推理为基础，模拟人类思维的人工智能方法。人工神经网络(ANN)是以神经元连接结构为基础，通过模拟人脑结构来模拟人类形象思维的一种非逻辑、非语言的人工智能方法。ANN自底向上的训练和归纳判断特性与专家系统的积累知识的自顶向下的利用特性，可以实现很好的互相补充结合，提供更强的处理信息能力。二者混合使用的结构形式有并接结构、串接结构和嵌入结构3种。并接结构系统可并列使用专家系统和神经网络；在串接结构中，各模块独立工作，实现各自特定的功能串联连接；嵌入结构是在专家系统内嵌入小型神经网络或者在ANN内嵌入小型专家系统以改善系统性能。ANN技术可以提供ATR算法固有的直觉学习能力，在目标分类处理中有许多算法都可由ANN有效地实现。

神经网络应用到模式识别中能解决许多传统的识别方法所不能克服的困难，刘怡光等综合了神经网络、模糊逻辑、模式识别的相关算法对车型进行识别[4]；陈振羽等利用图像特征点和神经网络对有遮挡的目标进行识别，也获得了较高的识别准确率[5]。神经网络实现工程应用的瓶颈是实时性欠佳。

2 机动目标建模

机动目标跟踪的一个主要目的是估计机动目标的状态轨迹。在跟踪中，通常把目标看作没有形状的点目标。由于大多的跟踪算法都是以模型为基础的，在跟踪中，通常假设目标的运动及测量能用一已知的数学模型精确描述。

在机动目标模型中，通常假设控制输入为一个未知的加速度。由于控制输入是未知的，一个自然的方法是假设控制输入为一个随机过程。根据控制输入的假设不同，模型可分为3类：(1)白噪声模型：控制输入假设为一个白噪声过程，这包括等速(CV)，等加速(CA)和多项式模型；(2)马尔可夫过程模型：控制输入假设为一个马尔可夫过程。这包括众所周知的辛格模型及其各种推广模型和其它一些模型；(3)半马尔可夫模型跳变过程模型：控制输入假设为一个半马尔可夫模型跳变过程。

具体模型有：(1)白噪声加速度模型，机动目标最简单的模型，当机动很小或非常随机时用到它，同时该模型也用于噪声水平调整算法中；(2)维纳过程加速模型，第二个最简单的模型，它假设加速度是一个维纳过程，或者更一般和精确地讲，加速度是一个独立增量过程；(3)辛格加速模型——零均值一阶马尔可夫模型，它是第一个将未知目标加速度描述为一个时间相关随机过程的模型，并成为进一步建立有效目标机动模型的基础。(4)二阶马尔可夫加速模型，适合目标作长时间强烈振荡机动；(5)对于协同转弯的马尔可夫加速模型，此模型是一个对于协同转弯的修正辛格模型，其非静态是协同转弯限制的结果。对于协同转弯，此模型要比辛格模型更为精确，但此模型的精确状态空间形式复杂；(6)非对称分布式垂直加速模型，目标加速度能分解为两个方向：法线方向和切线方向，每个方向都能用一个时间相关随机过程来建模，非垂直方向能用辛格模型很好地建模。然而，对于法线方向则不然，其方向由目标方位角确定，而大小可以由一个具有非对称分布的有色随机过程来建模；(7)半马尔可夫跳变过程模型，辛格模型将目标加速度近似为一个连续时间零均值马尔可夫过程。实际上，许多目标机动都涉及到一个非零均值的加速度，而且该加速度的分段常值的时间间隔和相应的非零均值的常值水平都是未知的。对于这样一个分段常值随机过程，最简单的模型是所谓的半马尔可夫跳变过程。该模型和马尔可夫跳变过程的区别只在于前者停留在一个模型的时间是随机的，而后者只在一些确定的时间瞬时跳变；(8)一阶马尔可夫加加速模型[6]，和辛格加速模型相比,该模型有描述灵活目标更为精确潜在能力。使用此模型的跟踪器比使用辛格模型有更高的维数并且响应性更强,但可能导致跟踪中噪声更多。

3 机动目标跟踪

目标跟踪技术可广泛应用于导航、交通以及军事相关领域。它是通过一个或多个传感器，利用计算机来完成信号处理，从而感知它所监控的环境。传感器获取对环境中目标的有噪观测值，并汇报给信号处理机。这些观测值可能来源于感兴趣的目标，环境背景或系统内部热噪声等。目标跟踪技术要将收集这些来自于感兴趣区域的观测数据并分建立航迹，使得每个航迹的观测来自于同一个物体或目标。这种划分过程属于数据关联技术的范畴。利用各航迹中的所有观测值中蕴涵的信息，估计出每个目标的状态特征就是目标跟踪滤波技术。在目标跟踪滤波中，跟踪滤波器的应用一般先要对目标运动规律进行合理的数学建模，其目标状态才能被准确的估计。然而，被关注目标由于某些原因，改变自身原有的运动规律，造成了目标运动规律和滤波器已经建立的模型不匹配，即所谓目标的机动。机动目标跟踪技术就是当目标发生机动时，仍然能保证跟踪滤波器能跟上目标运动方式的变化，输出正确的目标运动轨迹。当前，各种机动目标跟踪研究都是围绕目标机动的不确定性展开，基于决策的单模方法[7]与多模方法[8]是迄今为止两类主要的机动目标跟踪方法，它们的主要区别就在于行为决策与状态估计的关系。典型的机动目标状态估计算法有变维滤波(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 变维滤波器

这种方法由Bar-Shalon和Birmiwal提出，该算法不依赖于目标机动的先验假设，把机动看成是目标动态特性的内部变化，而不是状态噪声方差的加入。检测手段采用平均新息法，调整方式采用“开关”型转换，非机动时，滤波器工作在CV模型，一旦检测到机动，滤波器便转到CA模型上，再由非机动检测器检测机动消除进而转到原来的CV模型上。优点是CV模型的带宽确保了跟踪的精度和抗干扰的能力；CA模型将加速度作为一个要被估计的状态，扩充到状态变量中，较大的滤波器带宽，确保目标机动情况下跟踪的维持能力。两个模型之间的切换需要专门的机动检测器进行控制，这种目标运动模型自适应切换的思想，提高了算法应对模型失配情况的能力。然而它的缺点也很显著：首先是机动检测器的硬判决特性，判决不可避免带来的模型误切换以及漏切换问题,使算法的自适应性能变差。

3.2 Singer模型算法

这类方法假定目标运动模型结构固定，认为目标的机动是由机动噪声注入运动模型之中而引起的一种扰动，根据目标机动强度的变化，对假定的机动噪声统计特性进行自适应调节，从而确保跟踪性能。Singer模型将目标加速度作为具有指数自相关的零均值随机过程建模。这种方法的优点是原理和实现很简单，将机动的成因仅仅归结到动态噪声。缺点这种建模的方法很难符合目标发生机动的物理本质和真实情况。对较大机动的目标，其加剧的模型失配问题将引起的跟踪性能的急剧下降甚至跟踪丢失。

3.3 交互式多模型算法

1984～1989年，Blom和Bar-Shalom在广义伪贝叶斯算法基础上，提出的一种具有Markov转移概率的交互式多模型(Interacting Mutiple Model,IMM)算法。这种算法在多模型算法的基础上考虑多个模型的交互作用，以此得出目标的状态估计。交互式多模型算法包含了多个滤波器、一个模型概率估计器、一个交互式作用器和一个估计混合器[13]。这种结构的优点是建模细致；利用模型转移的马尔可夫性假设，实现了目标跟踪器的自适应可变结构；有明显的并行框架，有利于并行实现。缺点是算法的模型先验概率、模型转移概率以及模型集的组成均无法先验确知；不合理的假设，导致算法得到的目标状态估计始终只能是混和次优解，不正确的模型降低了目标跟踪的稳态性能。

4 结束语

在复杂环境下对目标进行有效的识别和稳定的跟踪是相对困难的，仅依靠一种或少数几种识别手段很难达到目的。本文对当前的目标自动识别技术、机动目标建模技术和机动目标跟踪技术所采用的算法进行了总结，并分析了各种算法的优缺点，指出了每种算法应用的场合。在具体应用中，可以根据实际的场景需要选取一种或几种算法，通过调整参数获取最优的结果。

[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,卢焕章.多传感器目标识别系统中的数据融合方法与系统结构的研究[J].国防科技参考,1998,19(1):11-16.

[4] 刘怡光,游志胜.一种用于图像目标识别的神经网络及其车型识别应用[J].计算机工程,2003,29(3):30-32.

[5] 陈振羽,李德华.利用多种特征和 Hopfield 神经网络的有遮挡的目标识别[J].中国图象图形学报:A辑,2000,5(12):1034-1038.

[6] 许江湖,张永胜.机动目标建模技术概述[J].现代雷达,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] 蔡庆宇,薛毅,张伯彦.相控阵雷达数据处理及仿真技术[M].北京:国防工业出版社,1997.

[12] 唐政,郝明,周鹏,等.基于自适应卡尔曼滤波的机动目标跟踪算法[J].电子科技,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] 刘鹏远,吴博.基于消隐记忆SCKF的交互式多模型算法[J].探测与控制学报,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

杨晓伟(1983-)，男，硕士。研究方向：信号与信息处理。赵海军(1982-)，男，硕士。研究方向：信号与信息处理。

10.16180/j.cnki.issn1007-7820.2017.10.034