图像目标检测技术在坦克火控系统中的应用

戴文君，常天庆，张 雷，杨国振，郭理彬

（陆军装甲兵学院，北京 100072）

0 引言

随着现代科技在军事领域的不断应用，武器装备以及战争形态朝着无人化方向发展，而坦克火控系统的智能化是实现坦克装甲车辆装备无人化的关键所在。目标检测技术是坦克火控系统智能化的关键技术之一。目前，可用于坦克火控系统目标检测的技术方案有毫米波雷达目标检测、激光雷达目标检测，以及采用电视与热成像传感器的图像目标检测。本文以图像目标检测技术为研究对象，探讨其在坦克火控系统中的发展与应用。

图像目标检测技术是计算机视觉领域中的一个重要研究内容，是指从图像中自动检测既定类型的目标，并判断目标的类型、位置以及置信度［1］。目前，该技术已在无人驾驶、精确制导、战场侦察等领域得到了广泛的应用。由于受地形、遮挡、光照等复杂的地面环境因素影响，导致获取的地面战场图像背景复杂，给图像目标检测带来了极大的挑战，而现有的图像目标检测技术针对这一问题还没有很好的处理办法，因此，当前各军事强国尚未在坦克火控系统中应用图像目标检测技术，但相关技术一直处于研究之中。

通过阐述面向坦克火控系统图像目标检测的工作原理、技术优势以及发展现状，提出当前发展中遇到的主要问题及可能解决的办法，有利于更加深入研究坦克火控系统图像目标检测技术，以及对新一代坦克火控系统的设计形式进行预先规划，为坦克火控系统的升级改造奠定技术与理论基础，从而促进坦克火控系统的智能化发展。

1 图像目标检测技术的工作原理及技术优势

1.1 工作原理

图像目标检测技术的基础是能够快速获取高质量的数字图像。目前，在可见光、红外、微光等领域的光电成像技术取得了快速的发展，使得快速获取高质量数字图像的成本越来越低，也间接地促进了图像目标检测技术的发展。在坦克火控系统中应用图像目标检测技术，通常与观瞄分系统共享光路，从而获得远距离战场环境图像信息。在获取战场环境信息后，通过图像目标检测方法对战场中的目标进行自动检测。图1 为图像目标检测的基本原理与工作流程。

图1 图像目标检测的基本原理与工作流程

图像目标检测主要可以分为离线训练和在线检测阶段两个阶段。在离线训练阶段，首先根据待检测目标的类型构建图像样本数据库，并将数据库中的样本图像进行标注，以区分正样本与负样本；然后通过图像特征提取方法提取样本图像的特征；在提取目标特征之后，建立目标检测模型，并根据提取的目标特征对模型进行训练。在训练过程中，模型参数不断调整，模型收敛到一定程度后，停止训练，得到收敛后的模型。在线检测时，首先通过滑动窗口、选择性搜索、显著性检测等［2-3］待检测区域提取方法提取图像中的待检测区域；然后通过特征提取方法得到待检测区域的特征；最后将特征送至目标检测模型，得到目标的类型以及在图像中的位置。

1.2 技术优势

与传统的雷达检测相比，图像目标检测属于被动式探测，在隐蔽性、抗电子干扰能力、功耗以及硬件平台体积等方面具有较大优势，而且图像更符合人眼视觉观察习惯。与传统的坦克火控系统相比，具备图像目标自动检测功能的坦克火控系统具有以下几点技术优势：

1）可以进一步提高坦克火控系统的战场感知能力。现代化战争中，以战场信息的获取和处理为主要内容的战场感知的地位与作用更加突出，已成为贯穿坦克装甲车辆作战过程中的一种基本行动，同时也是进行各类战斗行动的前提与基础［4］。通过图像目标检测技术自动处理战场图像，搜索战场中感兴趣的目标，可以提高战场目标搜索效率，从而进一步提高坦克火控系统的战场感知能力。

2）可以有效地提高系统的战斗射速。坦克火控系统可以根据图像目标自动检测模块获取的目标类型与位置信息，自动选择弹种并装填弹药以及自动控制瞄准线指向目标。当精确瞄准目标后，系统可以自动测距并精确跟踪目标，获取目标的距离以及目标相对于坦克的角速度等解算射击诸元所需的参数。相对于传统的坦克火控系统，具有自动检测功能的坦克火控系统能够自主完成装弹、测距、跟踪等多项任务，从而能够有效地降低系统的射击反应时间，提高系统的战斗射速。

3）可以降低坦克乘员的工作负荷，提高持续作战能力。图像目标检测技术可以提高搜索效率，并将检测结果发送至火控计算机，由火控计算机自动操控火炮实现对敌方目标的自主打击。在这个火力打击过程中，乘员只需要对火控系统的自主打击行为进行监控，在火控系统出现异常时，可以及时取消自主打击行为。与现有坦克火力打击工作模式相比，这种工作模式能够有效降低坦克乘员的操作难度与操作任务量，提高其持续作战能力。

2 面向坦克火控系统的目标检测技术发展现状

当前，各国装备的坦克火控系统都不具备图像目标自动检测功能，但大部分的坦克火控系统都配置了相应的图像数据接口，相关的图像目标检测算法以及试验样机也在积极的研发之中。

2.1 图像目标检测算法

按照特征提取方法的不同，图像目标检测算法可以分为传统的基于手工特征的图像目标检测算法和基于深度学习的目标检测算法。

2.1.1 基于手工的特征图像目标检测算法

基于手工特征图像目标检测算法主要通过手工设计的特征模型提取图像特征，然后通过分类器等实现对目标的自动检测。常用的手工特征有颜色特征，如RGB［5］、Color Names［6］等；梯度特征，如梯度直方图特征（Histogram of Oriented Gradient，HOG）［7］、尺度不变特征（Scale Invariant Feature Transform，SIFT）［8］等；形状特征，如Shape Context［9］、角矩阵［10］等。其中梯度特征研究与应用最为广泛。

SIFT 特征提取方法具有较强的尺度与旋转不变特性，对光照、遮挡、视角变化、噪声等也具有较好的鲁棒性，是基于手工的特征图像目标检测算法最常用的特征提取方法。此外，研究人员通过将SIFT 与其他方法相结合，发展出了PCA-SIFT（Principal Component Analysis SIFT）［11］、SURF（Speed-Up Robust Features）［12］等众多改进算法。文献［13］针对坦克、步战车、自行火炮等军事变形目标的检测问题，提出了一种基于SIFT 的目标检测算法，该算法利用SIFT 提取目标特征并与海量图像库中样本进行匹配，实现了对变形伪装军事目标的自动检测。文献［14］针对车辆检测问题提出一种改进的SIFT算法，实现了对车辆目标的自动检测，并在构建的车辆目标数据集中取得了较好的检测效果。

HOG 特征提取算法通过计算和统计局部区域的梯度方向直方图来提取特征，对图像几何的和光学的形变都具有较好的不变性，常用于行人检测，其改进算法有FHOG［15］、v-HOG（HOG with variable size）［16］等。文献［17］针对行人检测问题，提出了一种基于HOG 特征和组合SVM 分类器的行人检测算法，在构建的行人数据集中取得了较好的检测效果。文献［18］提出了一种结合方向可控滤波器的改进HOG 算法，实现了对高速运动车辆目标的自动检测。

由于单个手工特征对目标的特征表达能力有限，因此，通常使用多特征融合的方式实现对目标进行特征表达。文献［19］提出了一种基于轮廓和ASIFT 特征的目标检测算法，对车辆目标具有较好的检测效果。文献［20］将IHOG 特征与LBP 特征相组合，并利用视觉选择性注意机制，实现了对行人目标的快速检测。

2.2.2 基于深度学习的图像目标检测算法

基于深度学习的目标检测算法当前已成为图像目标检测领域的主流方法，其主要特点是通过构建大规模的图像数据集，然后通过机器自动学习训练获取网络参数，从而更高效地表达样本特征并精确检测目标，具有较强的自学习能力。在PASCAL VOC［21］以及MS COCO［22］等图像目标检测比赛中，基于深度学习的目标检测算法的检测效果，明显优于传统的基于手工特征的目标检测方法。常用的深度学习模型有自动编码机、卷积神经网络等，其中卷积神经网络是当前图像目标检测领域中使用最广泛的网络模型。

目前，基于深度学习的图像目标检测算法主要可以分为两类：基于建议区域的目标检测方法和基于回归的目标检测方法［23-24］。基于建议区域的目标检测方法的思路是首先在卷积特征图上提取建议区域，然后对建议区域进行精检测，代表方法有R-CNN［25］、Faster-RCNN［26］以及FPN［27］。基于回归的图像目标检测方法主要从回归的角度对图像进行目标检测，与基于建议区域的图像目标检测方法相比，这类方法舍弃了粗检测+精检测的检测流程，经过单次检测就直接得到最终的检测结果，大幅度地提高了图像目标检测的速度，但检测精度略逊，特别是针对小目标，检测效果较差，代表方法有YOLO［28］、SSD［29］。

文献［30］针对坦克装甲目标检测，提出了一种基于分层多尺度卷积特征提取的图像目标检测方法，该方法对坦克装甲车辆目标具有较好的检测能力，但存在检测速度较慢的问题。文献［31］提出了一种基于Faster R-CNN 的改进方法，能够有效地检测出地面战场环境中的坦克装甲目标。文献［32］提出了一种改进Fast-RCNN［33］的双目视觉车辆目标检测方法，能够在复杂环境中实现对车辆目标的自动检测，并取得了较好的检测效果。

2.2 试验样机

美国陆军通信电子司令部的夜视与电子传感器管理局研制了一种目标捕获先进技术演示器，该演示系统采用了先进的目标识别算法处理插件，可减少目标检测与识别的时间，并在可见度较低的条件下仍然具有较好的检测效果，极大地提高了目标探测与识别的自动化程度。雷声系统公司为美军M1A2 坦克开发了MATS-FC 火控系统样机，该系统利用了图像处理技术，具备目标自动搜索、识别以及跟踪的能力，并能将目标信息实时显示在坦克乘员显控终端上。

德国“豹”2A4 改进型主战坦克火控系统安装了图像获取装置、触摸式液晶显示器，在炮长显示器中可以观察到周围战场的全景画面以及其他必要的情报信息。此外，系统还配置了相应的图像数据接口，以便在未来对坦克火控系统进行升级改造时为其配备智能化的目标自动检测模块，实现对战场目标的自动检测。

目前我军装备的新型坦克火控系统中大都配置了图像数据接口，用于未来坦克火控系统的升级改造。同时，众多科研院所也开展了相关试验样机的研究。陆军装甲兵学院的常天庆等［34］研制了一套基于循扫凝视成像的地面战场目标检测与跟踪系统，该系统能够快速、清晰地获取大范围、远距离战场图像，并通过自动检测与跟踪模块处理获取的图像，实现了在野外环境下对地面战场目标的自动检测与平稳跟踪。在陆军研究院承办的“跨越险阻2018”比赛中，针对复杂地面战场目标侦察与搜索任务，多家参赛单位的试验样机取得了一定的成就，但对于远距离、复杂地面环境中的目标，检测效果不佳，实战化能力有待提升。

3 发展中的难题及解决办法

相比于传统的图像目标检测方法，基于深度学习的图像目标检测方法具有较好的检测效果，已成为当前图像目标检测的主流方法。但基于深度学习的图像目标检测方法，距离真正应用于坦克火控系统还有部分亟待解决的问题。

3.1 数据不足引发的问题

大规模的图像数据库是研究坦克火控系统图像目标检测技术的基础。坦克火控系统战场目标数据库与普通的数据库有较大的区别，当前主流的目标检测数据库，如PASCAL VOC、MS COCO 以及ImageNet 等，主要包含交通工具、动物、家具、电子产品等生活中常见的目标，部分数据集中含有装甲车辆、人员以及无人机等目标，但数量较少、种类不全且背景简单。坦克火控系统目标数据库中的目标种类应该主要是坦克火力打击的目标，如装甲车辆、武装人员、碉堡以及低空飞行器等能够对坦克装甲车辆或人员产生威胁的目标。同时，还应该考虑光线、气候、遮挡、伪装、目标大小、目标姿态、背景、清晰度等各种因素。图像数量少或其他因素考虑不足，利用该数据库训练得到的检测模型泛化能力不够，在实际应用时容易出现漏检、误检的情况，实战效果较差。目前，孙皓泽等［30］通过实地拍摄以及互联网下载等方式，参照PASCAL VOC 数据库的格式，构建了一个包含2 000 张图像的坦克装甲目标数据库，其训练集与测试集中的图片中分别包含3 159 和1 344 个坦克装甲目标。王全东等在该数据库的基础上构建Tank VOC4000 数据库，将坦克装甲目标扩展到了4 000 张图像，坦克装甲目标数量增加了近一倍。最近，该数据库中的图像数量达到了14 000 张，目标数量超过了25 000 个。这些数据库能够有效地反映出地面战场中坦克装甲目标的图像成像特点，但对于坦克火控系统战场图像目标库而言，这些数据库中的目标种类过少，没有地面战场环境中的作战人员、低空飞行器等目标。

3.2 建模不当引发的问题

模型是图像目标检测技术的核心，利用相同的图像数据库训练不同的模型，得到的检测结果有较大差距。随着深度学习、人工智能技术的不断发展，相比于传统的图像目标检测模型，基于深度学习的目标检测模型取得了突破性的进展，已成为当前主流的研究方向。但由于地面战场环境极其复杂，以及较远的观测打击距离，在建模过程中，需要考虑目标类型、目标尺寸以及目标信息不完整等因素；同时，信息化战场态势瞬息万变，需要在保证图像目标检测精度的条件下，尽可能地提高图像目标检测的速度。此外，当前大部分图像目标检测方法主要针对静态图像，而在实际作战过程中，主要是视频图像，但目前针对视频图像的目标检测技术研究不足。当前的各种基于深度学习的图像目标检测模型还存在许多不足，难以满足实际需求，这也是目前图像目标检测技术没有在坦克火控系统应用的最主要原因。

3.3 图像处理平台不适引发的问题

基于深度学习的图像目标检测模型通常具有较多的模型参数以及较大的计算量，但坦克战斗舱内空间狭小，电气部件众多，因此，对图像处理平台的体积、功耗以及计算能力具有较高的要求，由于深度神经网络具有多个隐藏层，其内在的并行性要求硬件平台必须具备大规模并行体系结构，以及优秀的计算加速能力。目前，大部分图像目标检测模型通过GPU 集群进行加速，但GPU 体积与功耗较大。FPGA 是一种通用的可编程逻辑设备，具有并行计算速度快、功耗低、架构灵活，以及良好的计算加速能力，可实现普通逻辑功能中的数据与控制路径，但要求开发者能够使用硬件描述语言对其进行编程。随着深度学习在商业领域的不断应用，众多厂家推出了多款支持深度学习的嵌入式AI 平台，如基于GPU 的Jetson Tx 系列、基于VPU 的Myriad X 系列、基于ARM+FPGA 的Zynq-7000 系列，以及基于GPU+FPGA 的复合加速平台，这些嵌入式AI平台各具特色，并在实际的商业应用中具有较好的效果。研究合适的图像处理平台，可以更安全高效地将图像目标检测技术应用于坦克火控系统，加速推进坦克火控系统目标检测系统的开发与实际应用，提高系统可靠性，降低研发费用并便于坦克乘员的操作与使用。

3.4 解决方案

由于上述问题限制了图像目标检测技术在坦克火控系统中的应用，针对上述问题，提出以下几点解决方案。

1）建立大规模的战场图像目标数据集。由于数据集中目标种类繁多、图像数量多，并涉及到微光、可见光以及红外等不同波段的图像，建立如此大规模的数据集，对于任何一家科研单位而言都是一个庞大的工作量，难度较大。因此，可以由一家科研单位牵头，设置相应的数据集标准，并联合多家单位参与，包括科研单位以及军队的使用单位，共同建立战场图像目标数据集。

2）继续加强深度学习理论研究。近年来深度学习发展较为迅速，基于深度学习的图像目标检测方法取得了突破性的进展，但由于发展时间较短，部分理论尚未完全成熟，针对目标信息不完整、形变以及多尺寸等问题，目前还没有特别好的解决方案，因此，还需要继续加强相关理论研究。

3）设置相应的比赛推动图像目标检测技术发展。一方面，根据建立的数据集，开展相应的图像目标检测算法竞赛。通过图像目标检测算法竞赛，使众多科研院校参与进来，推动相关理论以及模型的研究。另一方面，开展复杂地面战场环境下的战场侦察与搜索竞赛，同时对图像目标检测算法以及处理平台的性能进行测试，发现问题，查找漏洞，推动图像目标检测技术的加速发展以及在坦克火控系统中的应用。

4 结论

一个理想的坦克火控系统图像目标检测系统，应该是既能高效地实现对战场目标的自动检测，同时又能与坦克火控系统的其他功能模块相匹配，提高坦克火控系统的智能化与信息化程度，并减轻坦克乘员的工作负荷。在当前陆军装备强调通用化系列发展的大趋势下，坦克作为牵引未来陆战装备体系与技术体系发展的关键装备，坦克火控系统图像目标检测技术的突破与发展，对其他装甲装备或其他地面作战武器平台的发展都具有较强的牵引作用。由于目前图像目标检测技术发展尚未成熟，图像目标检测技术尚未应用于坦克火控系统。通过继续加强深度学习理论研究、构建大规模战场图像目标数据集，以及开展各类图像目标检测技术的竞赛，可以加速推动图像目标检测技术在坦克火控系统中的实际应用。