一种基于AHP和目标检测识别性能的SAR干扰效果评估方法

陈天翊,张红敏,卢方合

(1. 中国人民解放军战略支援部队信息工程大学,河南 郑州 450001;2. 中国人民解放军31650部队,云南 曲靖 655103)

在雷达对抗中,干扰效果是一项对抗博弈双方都十分关注的指标。通过评估干扰效果,干扰方可以掌握干扰是否有效,进而可调整干扰策略，提升干扰效果;被干扰方则可以掌握自身在干扰条件下的工作状态,进而可调整反干扰手段，减小受干扰影响。随着合成孔径雷达(SAR, Synthetic Aperture Radar)对抗技术的发展进步,如何实时、系统、科学、定量地评估SAR干扰效果,已成为国内外该领域研究热点,具有越来越重要的理论与应用价值。

本文总结了现有SAR干扰效果评估方法,分析了各类方法的优缺点,进一步面向非合作SAR干扰效果评估战术应用,提出一种基于层次分析法(AHP, Analytic Hierarchy Process)和目标检测识别性能的评估方法,并通过仿真实验进行了验证。

1 现有SAR干扰效果评估方法分析

基于SAR图像的干扰效果评估方法,从评估主体上可分为主观评估、客观评估和综合评估三类:

1.1 主观评估

主观评估是指运用人工判读SAR图像的方法对干扰效果进行评估,是当前最常用的手段之一。为了得到更准确的评估结果,通常须选取尽可能多的评估人员参与判读,并各自确定评估权重，综合得到评估结果。主观评估结果直观，紧贴需求且易于实现,但其评估质量依赖于评估员的业务水平,难以保证客观、公正和统一;评估流程非自动化,速度慢，效率低,时间和人力成本较高。

1.2 客观评估

客观评估是指从信号或图像参数中提取量化、客观的评估指标,以此对干扰效果进行计算和评估。经典的方法有:1) 评估点目标成像质量,常用评价指标包括空间分辨率、峰值旁瓣比、积分旁瓣比、检测率和虚警率等。2) 评估图像质量恶化程度,从干扰前后同一场景的两幅SAR图像提取灰度统计信息作为干扰效果评估的指标,如欧氏空间距离、均方误差、等效视数、结构相似度等。3) 模拟人眼观感和视觉系统的评估,利用图像小波分解、人眼视觉加权处理、图像区域纹理匹配程度、分层视觉纹理特征等方法对结构相似度等指标进行修正。4) 评估图像包含信息量的变化,针对图像信息与图像熵的变化进行评估。客观评估通过评估系统自动进行,没有人为因素参与,可达到比较客观、公正、快速检测的目的,然而从研究现状来看,客观评估的方法大多有适用的局限性,研究大多还停留在理论层次,离实际应用还有一定的差距。

1.3 综合评估

主观评估与客观评估各自存在优劣,单一采用某种方法难以适用于复杂情况,因此有学者提出综合评估的手段。最经典的就是模糊综合评价算法,即采用客观评估的思想选定评估因素集,采用主观评估的思想确定权重集,选取模糊综合算法，最终得到评估结果。此外,也有学者将神经网络技术运用到干扰效果评估领域,用人工智能来代替人力实现“主观”评估。

1.4 现有研究存在的短板不足

一是较难适用于非合作评估。现有的研究大多需要对干扰前后同一场景的两幅SAR图像进行对比研究,一般只适用于对合作目标的评估场景,如装备研制试验、部队训练演习等。而在作战等非合作场景下,若目标SAR已经获得了未受干扰的原始图像,干扰和评估则已失去意义。因此开展非合作条件下的评估宜以侦察情报和先验信息为主要依据。

二是与战术背景结合程度不高。从现有的公开资料来看,客观评估与综合评估往往侧重于研究图像指标参数,对战术背景或干扰意图等因素考虑得较少,不利于形成对作战运用的具体指导。

2 基于AHP和目标检测识别性能的SAR干扰效果评估方法

2.1 算法概述

在非合作场景下,评估方有可能在探测方SAR完成目标区域探测后不久的时间内,从数传通信信道截获受干扰的SAR信号或图像;此时目标SAR可能仍处于干扰威力范围内,若能迅速利用截获图像进行“半在线”“近实时”的干扰效果评估,仍然具有很高的战术应用价值。

在探测方的SAR成像范围内,可能存在多种重要目标(如武器装备、阵地工事、重要建筑、交通设施、地形地物等),其类型、数量、分布等情报信息是探测方试图获知的主要内容,也是干扰方试图通过干扰手段掩盖或欺骗的主要对象。区域分布隐含着目标情报价值,也是干扰的战术应用背景,因此可为各区域赋予评估权重,融入评估过程。

对于对抗双方而言,目标检测识别性能是最能直观体现从图像获取情报信息能力的指标:对一幅SAR图像的检测识别性能较差时,说明探测方难以从中获取准确的情报信息,干扰方的意图得以实现,此时干扰效果较好;反之，则干扰效果较差。因此，干扰效果评估问题可转化为目标检测识别性能评估问题。

本文提出如图1所示的基于AHP和目标检测识别性能的SAR干扰效果评估方法,其基本思想如下。

图1 算法流程图

开始评估前,首先根据实际目标类别及分布等信息,将可能被探测的范围划分为若干个区域;而后在充分收集专家经验的基础上,根据各区域价值利用层次分析法确定各自评估权重,并根据当前采取的干扰样式确定各评估指标的权重。

获取到受干扰的SAR图像后,首先对其进行目标检测、鉴别与识别;而后将各区域内的检测、鉴别与识别结果与已知的目标信息进行对照,以准确率为基础提取为评估指标,分别计算各区域的评估结果;最后根据区域评估权重加权得到最终评估结果。

2.2 基于AHP的区域权重与评估指标计算

AHP是20世纪70年代初由美国运筹学家T. L. Saaty最早提出的一种层次化、结构化决策方法。其基本思想是将复杂问题划分为若干层次、分解为若干因素,通过两两比较因素间重要性，逐层确定相对重要性排序,可以在决策中实现定性分析与定量分析的结合,具有系统、简单、灵活等优点。

利用AHP进行权重计算的步骤如下:

1)构建AHP模型。将确定评估权重作为评价目标;选取若干目标价值(如军事价值、经济价值等)作为评价准则,准则下还可包含若干子准则(如军事价值可以包含指挥、火力、防御、机动等);将划分后的各区域作为评价方案。评价模型如图2所示。

图2 AHP确定区域权重模型

2)确定比例标度。采用1-9之间的整数及其倒数作为比例标度,标度含义如表1所示。

表1 1-9重要性标度含义

3)构造判断矩阵。设准则对应的下一层元素为,,…,,则需要针对准则判断任意两个元素相对于的重要程度,并按照1-9比例标度对重要性程度进行赋值为,由此可以构成一个判断矩阵:

(1)

4)进行一致性检验。首先计算一致性指标(Consistency Index):

(2)

其中为的最大特征根。

而后，根据判断矩阵的阶数,由表2查得平均随机一致性指标(Random Index):

表2 1000次Monte Carlo算法得到的1-15阶

最后，计算一致性比例(Consistency Ratio):

(3)

当<01时,认为判断矩阵的一致性是可以接受的,否则需要对判断矩阵进行修正。

5)计算单一准则下的相对权重。求解判断矩阵对于准则的相对权重=(,,…,),方法有和法、根法、对数最小二乘法、最小二乘法、特征根法等。这里采用特征根法:

=

(4)

其中，为的最大特征根,是对应的特征向量,将进行归一化处理后就可以作为权重向量。

6)计算合成权重。由上述方法，可以计算得到以上级因素为准则、下级各因素的权重向量。重复此过程直至方案层,得到所有层级间的相对权重向量。而后从下至上对相对权重逐层作加权计算,最终可以得到底层各方案对总目标的合成排序向量;进行归一化处理后,得到的就是各方案对应的总权重值。

2.3 基于目标检测、鉴别、识别性能的评估指标设计

对SAR而言,目标检测是指在SAR图像上找到感兴趣的目标,将其从背景中选择出来;鉴别则是对检测到的目标进行分类,区分出目标的大致属性(如武器装备、建筑物、植被等);识别则需要从鉴别结果进一步得到目标种类、型号等信息。

为便于处理,本文将重要目标(如武器装备等)和非重要目标(如植被、空地等)作为2个鉴别分类,重要目标的型号作为若干个识别分类。评估目标SAR的检测识别性能,经典的算法主要依据检测概率、虚警概率、识别概率、误识概率等指标。在上述理论的基础上,本文结合SAR干扰效果评估问题背景,提出下列4个评估指标:

1)检测性能衰减度:

(5)

其中，为当前评估区域内的确检目标数,即正确检测到的重要目标数;为当前评估区域内实有目标数,即实际存在的目标总数。

2)鉴别性能衰减度:

(6)

其中，为当前评估区域内的确鉴目标数,即正确鉴别到的重要目标数。

3)识别性能衰减度:

(7)

其中，为当前评估区域内的确识目标数,即正确识别型号的重要目标数。

4)虚警评估指标:

(8)

其中，为当前评估区域内的虚警目标数,即错误鉴别为重要的非重要目标数;为当前评估区域内的得鉴目标数,即鉴别为重要目标的所有目标数。

易知,、、、均为0-1之间的数值,且数值越大，表示当前图像的检测、鉴别、识别性能越弱,对应的干扰效果就越好。与经典的检测概率、虚警概率、识别概率、误识概率等指标相比,上述4个评估指标更能充分反映检测、鉴别、识别3个层次的性能,且根据问题实际定义了“分母为0”的情形,更适用于SAR干扰效果评估问题。

2.4 算法主要流程

对截获的干扰后SAR图像进行检测、鉴别、识别,并计算得到各区域内、、、这4个评估指标后,即可采取加权的方式计算评估结果。

2)计算区域评估结果。将各区域内的、、、按前步确定的权重加权求和,即可得到当前区域内的评估结果:

(9)

(10)

3 实验与分析

本文采用仿真实验的方式验证了算法的可行性。实验素材为利用MSTAR官方数据集中的场景与目标合成的模拟阵地(如图3a)所示),包含了20个不同类别的武器装备。

图3 仿真实验场景设计

3.1 同场景不同干扰评估实验

采用恒虚警率(CFAR, Constant False-Alarm Rate)自动目标检测方法和卷积神经网络(CNN, Convolutional Neural Networks)图像识别算法进行目标检测、鉴别和识别,如图4所示。

图4 不同干信比条件下目标检测识别结果

而后,按本文提出的算法计算评估结果,如表3所示。评估结果表明,干信比越高，干扰效果越好,符合主观评估的结论。本文算法利用了更具体的4个分层指标,且在不同干扰样式下,分配不同权重,能够充分考虑干扰战术意图,得到的定量评估结果更有实战价值。

表3 不同干信比条件下干扰效果评估结果

3.2 同场景同干扰区域评估实验

在同等干信比条件下,选择不同的压制干扰范围(干信比为0 dB),如图5所示,也可得到不同的评估结果,如表4所示。

表4 不同压制范围下的干扰效果评估结果

评估结果表明,干扰压制区域如图5a)所示时,干扰效果最好,符合主观评估的结论。较已有方法,本文算法对同场景同干扰不同区域的评估结果并非定值,区分了不同区域受干扰对整体影响的差异,较好顾及了待掩护场景战术背景。

图5 不同压制范围下的检测识别结果

4 结束语

通过计算区域评估权重,可以很好地将评估结果与实际战术背景深度结合;通过对检测、鉴别和识别性能分层设计评估指标,可以很好地与干扰样式、干扰意图深度结合;该评估方法计算简单快捷,利用现实场景而非干扰前影像即可开展评估,可以较好地适用于“准在线”“近实时”的“非合作”战术情形;此外,该方法可以适用于不同的检测识别算法,具有很好的兼容性和灵活性。