摘 要：

彈道中段目標為一個目標群，包括彈頭、誘餌、碎片等，并且由于距離傳感器較遠，紅外成像為點目標，可用信息較少，因此單一的紅外傳感器往往難以滿足識別要求，需要融合多個傳感器進行識別。針對紅外多傳感器的融合識別問題，本文提出了基于增量支持向量機和D-S （increment support vector machine-Dempster-Shafer， ISVM-DS）證據理論的融合識別方法。首先，訓練多個波段傳感器紅外特征的支持向量數據描述（support vector data description， SVDD）模型，生成殼向量并訓練其ISVM模型;接著，采用ISVM模型的后驗概率生成基本概率賦值（basic probability assignment， BPA）;最后，利用D-S證據理論對多個證據的BPA進行融合，輸出分類結果。實驗結果表明，該方法能有效提高目標識別的準確性。

關鍵詞：

彈道目標識別; 多傳感器融合; Dempster-Shafer證據理論; 支持向量機

中圖分類號：

TP 391.41

文獻標志碼： A""" DOI：10.12305/j.issn.1001-506X.2024.05.10

Infrared multi-sensor fusion recognition method based on ISVM-DS

WU Yida1， WANG Caiyun1，*， WANG Jianing2， LI Xiaofei2

（1. College of Astronautics， Nanjing University of Aeronautics and Astronautics， Nanjing 210016， China;

2. Beijing Institute of Electronic System Engineering， Beijing 100854， China）

Abstract：

In the middle part of the ballistic trajectory， the target is a group of targets， including warheads， decoys， and fragments. Moreover， due to the long distance from the sensor， the infrared imaging of the target is a point target with less available information. Therefore， a single infrared sensor is often difficult to meet the recognition requirements， which means that multiple sensors need to be fused to complete the recognition task. In response to the fusion recognition problem of infrared multiple sensors， a fusion recognition method based on increment support vector machine-Dempster-Shafer （ISVM-DS） evidence theory is proposed. Firstly， the support vector data description （SVDD） model of infrared features of multiple band sensors is trained， and the shell vector is generated and the ISVM model is trained. Then the posterior probability of the ISVM model is used to generate basic probability assignment （BPA）. Finally， the D-S evidence theory is used to fuse the BPA of multiple evidences and output classification results. Experimental results show that the proposed method can effectively improve the accuracy of target recognition.

Keywords：

ballistic target recognition; multi-sensor fusion; Dempster-Shafer （D-S） evidence theory; support vector machine （SVM）

0 引 言

彈道導彈具有射程遠、威力大、精度高等特點，是現代軍事中最常見的武器之一。彈道導彈包括助推段、中段、再入段3個飛行階段，在彈道中段，目標為一個目標群，包括真彈頭、輕誘餌、重誘餌、碎片等，如何從中準確識別出真彈頭是實現彈道導彈防御攔截的關鍵。

紅外傳感器具有探測范圍廣、抗干擾能力強等優(yōu)點，被廣泛用于彈道導彈目標識別。彈道目標的紅外輻射特性與傳感器特性、目標幾何姿態(tài)、目標表面材料有關［1］，對不同的紅外傳感器來說，由于探測波段、探測視線角等的不同，每個傳感器所能提取的特征存在差異，將多個傳感器獲取的特征融合能夠更好地描述目標，實現更準確的目標識別。

針對復雜場景下的目標多傳感融合識別問題，許多學者進行了大量研究。但多是紅外圖像與其他傳感器進行融合，包括紅外和可見光融合［2-4］、紅外和雷達融合［5-7］等，僅利用點目標的輻射強度序列進行融合識別的較少。Yang［8］等基于不同波段的熱能分布差異，融合雙波段探測器對目標和誘餌進行識別。張國亮［9］等提出一種基于粒子群優(yōu)化概率神經網絡（probabilistic neural network， PNN）的識別方法，融合了多光譜信息并提取出了多個動態(tài)特征。鄒子強［10］利用D-S證據理論對激光/紅外復合探測信息進行融合，對裝甲目標進行了識別，取得了較好的識別效果。戴樺宇［11］等采用Adaboost算法通過紅外輻射強度特征與溫度特征分別對目標進行粗識別，在粗識別結果的基礎上，調整分類器權值對目標進行精細識別。Wu［12］等提出了一種基于形態(tài)特征、紅外輻射和運動特征的新型多模態(tài)特征融合網絡（multimodal feature fusion network， MFFN），彌補了小目標單模態(tài)特征描述的不足，提高了識別精度。

本文將增量學習與多傳感融合識別模型進行結合，提出一種基于增量支持向量機（increment support vector machine， ISVM）和D-S（Dempster-Shafer）證據理論的融合識別算法，利用支持向量數據描述（support vector data description， SVDD）方法構造ISVM，結合分類器置信度構造基本概率賦值（basic probability assignment， BPA），最后利用D-S證據理論實現融合識別，在提高識別準確性的基礎上，提升了模型的學習效率。

1 基于SVDD的ISVM方法

1.1 支持向量機

支持向量機（support vector machine， SVM）［13］的思想在于找到不同樣本間的一個最優(yōu)超平面f（x）=wx+b，通過y=sgnf（x）來判斷樣本的所屬類別。當樣本線性可分時，直接尋找最優(yōu)超平面，即線性SVM;當樣本線性不可分時，采用核函數將其映射到高維空間中使其線性可分，即非線性SVM。SVM的決策函數輸出形式為

3 實驗結果與分析

3.1 識別場景設置

建立了5種目標的幾何和軌道模型并計算其紅外輻射強度序列作為識別特征，5種目標的幾何模型如圖3所示。

彈道目標的運動包括平動和微動，其中，彈頭和其他目標的微動形式不同。由于彈頭存在姿態(tài)穩(wěn)定控制，因此其微動形式為進動，而誘餌和碎片等目標表現為翻滾。兩種微動形式分別如圖4所示。

本文的5類目標中，除真彈頭為進動（進動頻率3.5 Hz，進動角8°，自旋頻率5 Hz），其余目標皆為翻滾（翻滾頻率5 Hz）。

目標的表面材料均為鋁箔（吸收率：0.192;發(fā)射率：0.036）。在彈道終點附近隨機生成不同的坐標，作為紅外傳感器的部署位置，生成結果如圖5所示。

設置每個傳感器的探測波段不同，包括5～7 μm、8～12 μm、12～14 μm。設信噪比為10 dB，最終通過計算得到各個目標的紅外輻射強度［19-21］，傳感器1獲取的彈頭和誘餌輻射強度如圖6所示。

計算得到各個目標在不同傳感器下的輻射強度如圖7所示。

隨機生成150組目標的微動參數和傳感器位置，計算5類目標的輻射強度序列，其中，150個傳感器劃分為 3組，每組對應一種探測波段。最終將其中的70%作為訓練集，剩余30%作為測試集。

3.2 識別方法與結果分析

實驗 1

單/多波段傳感器識別

用單個波段傳感器進行目標識別，將每個傳感器訓練模型分別在自身及另外兩個波段傳感器的測試數據上進行識別，最終識別結果如表1所示。

由上表可知，單波段傳感器下目標識別結果最高為0.920 0，最低為0.902 2，平均識別率為0.909 6，基本能夠實現目標識別，效果好于其他算法，證明了本文算法的有效性。

分別融合不同波段傳感器的數據進行識別，測試集數據設置一致，采用KNN-DS（K-nearest neighbors-DS）、SVM-DS和本文算法對比測試識別結果如表2所示。

可以看出，融合多個波段傳感器的識別結果均高于單波段傳感器的識別，融合識別的平均識別率為0.956 7，效果好于傳統(tǒng)的KNN-DS和SVM-DS，證明了融合算法的有效性。

實驗 2

算法魯棒性檢驗

改變數據的信噪比，測試融合算法在不同噪聲環(huán)境下的性能，算法設置為融合5～7 μm、8～12 μm、12～14 μm共3個波段的數據，信噪比（signal to noise ratio， SNR）范圍為-20～20 dB，在不同SNR下的識別結果如圖8所示。

可以看出，當SNRgt;4 dB時，分類準確率超過了0.90，當SNRgt;10 dB時，分類準確率超過了0.97，證明了算法的魯棒性。

4 結 語

針對彈道目標紅外多傳感器融合識別問題，本文提出了一種基于ISVM-DS的融合識別方法，通過仿真生成了典型場景的數據，并進行了實驗驗證，實驗結果表明該算法的識別效果較好，且具備良好的魯棒性。

該算法的優(yōu)勢在于能夠在線增量更新模型，一定意義上能夠解決小樣本問題。其局限性在于所處理的多傳感器數據必須是嚴格配準的，針對傳感器數據缺失等難以解決問題，未來可針對性進行改進。

參考文獻

［1］ 李享， 李勁東， 孫鶴枝， 等. 空間目標溫度與紅外特性影響因素研究［J］. 激光與紅外， 2019， 49（12）： 1436-1441.

LI X， LI J D， SUN H Z， et al. Influencing factors of temperature and infrared characteristics of space target［J］. Laser amp; Infrared， 2019， 49（12）： 1436-1441.

［2］ 李全軍， 張貴倉， 韓根亮， 等. 基于雙分解的雙通道PCNN紅外與可見光圖像融合［J］. 激光與紅外， 2023， 53（5）： 784-791.

LI Q J， ZHANG G C， HAN G L， et al. Dual channel PCNN infrared and visible image fusion based on dual decomposition［J］. Laser amp; Infrared， 2023， 53（5）： 784-791.

［3］ WANG S Y， YANG Y B， LIU Z G， et al. Target recognition with fusion of visible and infrared images based on mutual learning［J］. Soft Computing， 2023， 27： 7879-7894.

［4］ YING J C， TONG C， SHENG Z H， et al. Region-aware RGB and near-infrared image fusion［J］. Pattern Recognition， 2023， 142： 109717.

［5］ HE Z Y， ZHUGE X D， WANG J X， et al. Half space object classification via incident angle based fusion of radar and infrared sensors［J］. Journal of Systems Engineering and Electronics， 2022， 33（5）： 1025-1031.

［6］ KONG S， GAN L， WANG R， et al. Target tracking algorithm of radar and infrared sensor based on multi-source information fusion［C］∥Proc.of the International Conference on Artificial Intelligence， Information Processing and Cloud Computing， 2022： 389-392.

［7］ ZHANG Y， YUAN H X， TAN Q M， et al. Research on spatial target recognition method based on multi-source sensor fusion［C］∥Proc.of the 6th Asia-Pacific Conference on Synthetic Aperture Radar， 2019.

［8］ YANG S Q， WANG B J， YI X， et al. Infrared decoys recognition method based on dual-band information fusion［J］. Infrared Physics amp; Technology， 2014， 67： 542-546.

［9］ 張國亮， 楊春玲， 王暕來. 基于優(yōu)化概率神經網絡和紅外多光譜融合的大氣層外空間彈道目標識別［J］. 電子與信息學報， 2014， 36（4）： 896-902.

ZHANG G L， YANG C L， WANG J L. Discrimination of exo-atmospheric targets based on optimization of probabilistic neural network and IR multispectral fusion［J］. Journal of Electronics amp; Information Technology， 2014， 36（4）： 896-902.

［10］ 鄒子強. 多波段復合探測信息融合方法研究［D］. 西安： 西安工業(yè)大學， 2019.

ZOU Z Q. Research on information fusion method of multispectral compounding detection［D］. Xi’an： Xi’an Technological University， 2019.

［11］ 戴樺宇， 周玉明， 黃山， 等. 基于紅外多特征的彈道中段目標識別研究［J］. 指揮與控制學報， 2019， 5（4）： 302-307.

DAI H Y， ZHOU Y M， HUANG S， et al. Target recognition of ballistic middle segment based on infrared multiple features［J］. Journal of Command and Control， 2019， 5（4）： 302-307.

［12］ WU D， CAO L， ZHOU P， et al. Infrared small-target detection based on radiation characteristics with a multimodal feature fusion network［J］. Remote Sensing， 2022， 14： 3570.

［13］ 王彩云， 黃盼盼， 李曉飛， 等. 基于AEPSO-SVM算法的雷達HRRP目標識別［J］. 系統(tǒng)工程與電子技術， 2019， 41（9）： 1984-1989.

WANG C Y， HUANG P P， LI X F， et al. Radar HRRP target recognition based on AEPSO-SVM algorithm［J］. Systems Engineering and Electronics， 2019， 41（9）： 1984-1989.

［14］ SUN Z W， GUO Z W， WANG X P， et al. Fast extended one-versus-rest multi-label SVM classification algorithm based on approximate extreme points［C］∥Proc.of the 22th International Conference on Database Systems for Advanced Applications， 2017： 265-278.

［15］ LIU Y， BI J W， FAN Z P. A method for multi-class sentiment classification based on an improved one-vs-one （OVO） strategy and the support vector machine （SVM） algorithm［J］. Information Sciences， 2017， 394/395： 38-52.

［16］ 茅嫣蕾， 魏赟， 賈佳. 一種基于KKT條件和殼向量的SVM增量學習算法［J］. 電子科技， 2016， 29（2）： 38-40， 44.

MAO Y L， WEI Y， JIA J. A new incremental SVM learning algorithm based on KKT conditions and hull vectors［J］. Electronic Science and Technology， 2016， 29（2）： 38-40， 44.

［17］ WANG Z G， ZHAO Z S， WENG S F， et al. Solving one-class problem with outlier examples by SVM［J］. Neurocomputing， 2014， 149（A）： 100-105.

［18］ 周志杰， 唐帥文， 胡昌華， 等. 證據推理理論及其應用［J］. 自動化學報， 2021， 47（5）： 970-984.

ZHOU Z J， TANG S W， HU C H， et al. Evidential reasoning theory and its applications［J］. Acta Automatica Sinica， 2021， 47（5）： 970-984.

［19］ ZHAO B D， XIAO S Z， LU H Z， et al. Modeling and simulation of infrared signature of remote aerial targets［C］∥Proc.of the 10th International Congress on Image and Signal Processing， BioMedical Engineering and Informatics， 2017.

［20］ ZHANG H， RAO P， XIA H， et al. Modeling and analysis of infrared radiation dynamic characteristics for space micromotion target recognition［J］. Infrared Physics amp; Technology， 2021， 116： 103795.

［21］ 李享， 李勁東， 王玉瑩， 等. 中段飛行彈道導彈表面溫度與輻射特性計算［J］. 紅外技術， 2022， 44（2）： 134-139.

LI X， LI J D， WANG Y Y， et al. Calculation of temperature and radiation characteristics of midcourse ballistic missiles［J］. Infrared Technology， 2022， 44（2）： 134-139.

作者簡介

吳釔達（1998—），男，博士研究生，主要研究方向為目標檢測與識別。

王彩云（1975—），女，副教授，博士，主要研究方向為雷達信號處理、雷達目標檢測與識別。

王佳寧（1988—），女，副研究員，博士，主要研究方向為目標識別總體設計。

李曉飛（1984—），女，研究員，博士，主要研究方向為目標識別、彈道導彈識別。