高旋掠飞弹载激光雷达对地面装甲目标的分割与识别

蒋罕寒,郭 锐,武军安,赵 旭

(1.南京理工大学 智能弹药技术国防重点学科实验室,江苏 南京 210094；2.北京信息科技大学 高动态导航技术北京市重点实验室,北京 100101)

1 引 言

传统末敏弹在发挥良好作战效能的同时,仍存在部分缺陷。一是作用过程复杂,增加了各部分的设计制造难度；二是在稳态扫描阶段存在落速较慢、滞空时间长、受风影响大等缺点[1]。针对这些缺点,已有许多主动防御末敏弹的研究[2],这大大降低了末敏弹在战场上的威慑力。针对这一问题,高旋掠飞弹药[3]成为最新的研究方向之一。

有别于一般末敏弹的工作原理,高旋掠飞弹药具有打击速度快、扫描范围广等作战特点[4]。为了适应高旋掠飞弹药高速、高转速的飞行特点,要求弹载的激光雷达扫描频率足够高、响应时间足够快,因此选用具有高精度、高分辨率及高抗光电干扰能力[5]的高重频的单元激光雷达作为敏感装置。单元激光雷达可以获取目标的一维距离像,从而结合目标的特征对目标进行提取与识别。

目前基于单元激光雷达的目标分割与识别主有以下研究成果。庄秀华[6]等人基于不同类型障碍物的表面特征提出了一种最近邻聚类算法,利用相邻两点的距离对障碍物进行聚类；刘伟[7]等人提出了改进的凝聚层次聚类算法对地面目标进行聚类分割,再基于SVM方法对车辆目标进行识别；梁雄[8]等人提出了基于ABD算法检测分割点后再次分割聚类判定的方法,提高了对地面目标的分割准度。孔栋[9]等人利用局部均值变点统计进行标记提取,最后基于最大期望聚类识别车道标线。

高旋掠飞弹药特定的扫描特点导致一维点云数据稀疏、密度低,因此以上各种算法都能较好地解决各自领域中的问题,却不适用于搭载单元激光雷达的高旋掠飞弹药。本文结合其稳态扫描特点,提出一种对地面装甲目标提取方法。

2 提取方法处理流程与思路

斜置在弹头部的单元激光雷达工作时跟随弹丸同时做旋转和水平飞行运动。如图1所示,高旋掠飞弹药稳态扫描阶段扫描线终点的轨迹线为螺旋线。其螺距取决于弹丸的飞行速度、转速、飞行高度以及单元激光雷达的采样频率。为了探测时不遗失目标,弹丸设计时应保证螺距宽度尽量小于装甲目标的长度。

当高旋掠飞弹药进入稳态扫描阶段时,其转速、飞行速度及高度基本保持不变。单元激光雷达每一个采样时间内可以获取一条扫描线数据ρ。ρ为雷达接收单元测得的距离值。基于公式(1)将一维距离像转化为如图2所示的以弹体质心为原点的xy坐标系中的二维点云数据。

图1 高旋掠飞弹药扫描示意图

(1)

其中，θ为弹体与敏感器轴线间的夹角；τ为敏感器轴线在垂直于弹体轴线方向的投影与铅锤线的夹角；H为飞行高度。

图2 实测点云数据

探测时,螺旋线可能会多次扫过装甲目标。为保证起爆的时效性,在螺旋线第一次扫过目标后,此时应有效识别目标。螺旋线扫描一周时还会扫描地面、房屋及树木等其他非目标信息。如何快速准确的分离并识别目标是本算法的最终目的,因此文中提出的分割与识别方法流程如下:

(1)基于梯度分割。将经过去燥、滤波及坐标转化后的点云数据初步分割,获取初始聚类数与聚类中心。

(2)优化分割。装甲目标存在不连续界面,仅依据梯度分割会分割装甲目标。采用改进的kmeans算法调整上述分割结果。

(3)识别装甲目标。根据装甲目标的真实特征与分割出的聚类目标的特征进行匹配分析,进而识别出装甲目标。

为验证算法的有效性,搭建实验室半仿真平台,模拟高旋掠飞弹药稳态扫描探测过程。采用缩比实验的方法,按100∶1的比例在保证速度/转速比保持不变(保证扫描螺距不变)的前提下缩小速度、转速与飞行高度；按1∶30的比例缩小装甲目标与障碍物,布置实验场景。具体实施方式如图3所示。

图3 实验装置图

3 具体流程

3.1 基于梯度的自动生长预分割处理

一维距离像经去噪、坐标转化后,其结果表征的是反射点离地距离及距离弹体轴线的水平距离。对应的高度及水平位置数据为:

(2)

其中，xi，yi分别为上述二维弹体坐标系中X，Y轴数据。

在三维空间中,装甲目标往往与障碍物的高度不同,即装甲目标边缘和与其邻近的目标边缘存在较大高度变化。图4是由式(3)根据图2数据计算出的梯度值图。

Gi={H[i+1]-H[i],i=1～n}

(3)

其中，G是当前采集点与其邻点的高度梯度值。

图4 梯度值图

可以看出,相邻两点位于同一物体时梯度较小,位于不同物体时梯度较大,进而采用种子自动生长的方式,以梯度作为判断依据,将数据划分成不同的簇。

具体策略是先将第一个点作为种子,计算与其相邻点的梯度值并与预先设定的的梯度阈值Gmax进行比较,将梯度值小于梯度阈值的点与当前种子归于同一簇；将首次出现的不属于该簇的点作为新种子,继续生长,直至将点云分割成不同的簇。图5是上述算法分割后的结果。

图5 预分割效果图

3.2 改进kmeans算法优化分割

然而仅通过梯度进行聚类分割存在一定的缺陷。受扫描方位的影响,扫过装甲目标的扫描线会被切断,即采集于装甲目标上的点不连续。中断的位置梯度值较高进而影响分割结果。图6是基于梯度分割后的结果,显然装甲目标上的点被分成两簇。

图6 分割示例图

特定的弹载工况下激光雷达扫描半径较大且激光雷达的采样频率因现有工艺及结构尺寸受到限制,弹丸旋转一周采集到的点云数据较为稀疏。进而选用改进的kmeans算法对聚类结果进行迭代优化。kmeans算法是以误差平方和最小准则作为聚类标准。先选定k个初始聚类中心c1,c2,…,ck。将点云中的每一点按照最小距离原则分配给各聚类中心。若:

||ρ-ci||<||ρ-cj||

(4)

其中，i,j=1,2,…,k,i≠j。则ρ∈f(i),f(i)表示以第个i聚类中心为中心的聚类集。

分配完成后,按式(5)重新计算聚类中心:

(5)

其中，Ni为第i个聚类集f(i)中点的个数。按新的聚类中心计算误差平方和J:

(6)

多次迭代,当误差平方和不变时,跳出迭代,计算完毕,此时输出的是满足误差最小标准的k个聚类。kmeans算法最显著的缺点是初始聚类数k必须事先给定,一旦选择的k值不合理,得到的聚类结果就会存在较大误差。改进方式为:

(1)以梯度分割时记录的种子数量作为初始聚类数

k={num(seeds)}

(7)

(2)以梯度分割得到的聚类集数据中点作为初始聚类数

ci={(ρfirst+ρend)/2,ρ∈f(i)}

(8)

其中,i=1～k；ρfirst，ρend是聚类集f(i)中第一个(即种子)及最后一个被聚类的点。

(3)设置簇间最小距离度量d

d(ci,cj)={minp⊂cip′⊂cj||p-p′||}

(9)

其中,i，j=1～k,i≠j；ci,cj是两个簇；||p-p′||是两个点p和p′间的距离。

当输出满足误差最小的k个聚类后,计算簇间最小距离度量并与预设的簇间距离阈值dmax比较,若满足:

d(ci,cj)

(10)

则将ci；cj归于一类,并将聚类数k减一。重新计算聚类中心,继续迭代,直至簇间最小距离均小于簇间距离阈值,退出迭代。此时分类即是最合理的分类。

图7为改进的kmeans算法优化分割后的效果图,可以看出装甲目标上的点被聚为一簇。经过大量数据分析,优化分割后,分割准确率从61.34 %提高到了83.57 %,性能提升明显。

图7 优化分割后的效果图

3.3 特征匹配识别装甲目标

通过上述分割算法分离出的目标还需要进一步识别。上述一维点云数据包含以下特征:

(1)聚类点云个数；

(2)反射点距地高度信息；

(3)反射点水平位置信息；

为有效识别装甲目标,先计算聚类目标点集平均高度与最大宽度,再统计该聚类目标中处于预设定高度区间的点数。接着与装甲目标真实特征进行比对。为了量化分析,这里引入特征匹配相似度p。

p=(sh+sw+sn)/3

(11)

其中,sh，sw与sn分别为分割出目标的高度、宽度与点数与其真实值的相似比。

(12)

其中,havg，wavg与navg是真实平均高度、宽度与点数,实验时值为10 cm,10 cm,10。hk、wk与nk是聚类k计算出的高度、宽度与点数。

(13)

其中，xkmax，xkmin是聚类点集中水平距离的极大与极小值。f(k)是上述分割聚类点集高度值；nk是该集合点集个数。hmin，hmax是依据装甲目标预设的高度区间,实验取值为8 cm,12 cm。

若相似度p>75 %,则认为提取出的目标为装甲目标。为了验证本文算法在不同条件下的适用性,实验按梯度设置了不同高度、视场角条件下计算相似度p。具体参数与结果如表1、表2所示。由表中数据可以得出此算法能有效识别提取地面装甲目标。

表1 不同高度下分割出的目标高度、宽度与点数及相似度

表2 不同视场角下分割出的目标高度、宽度与点数及相似度

4 结 论

通过理论分析研究现状,实验室采集实测数据并应用本方法对数据进行处理,验证了本方法能有效的分割并提取地面装甲目标,50°斜置角下相似度可达到87 %以上,从而为高旋掠飞弹药的总体设计奠定基础。由于本文数据均是模拟平台下获取,还需要进一步获取外场实弹数据进行验证。此外,为提高高旋掠飞弹药探测识别能力,接下来应考虑多种探测方式进行复合制导。