【《集群无人机目标威胁评估及多目标识别探析案例》8700字】

集群无人机目标威胁评估及多目标识别分析案例目录TOC\o"1-3"\h\u24797集群无人机目标威胁评估及多目标识别分析案例 186121.1蜂群无人机蜂群作战模型 1238271.2蜂群无人机目标威胁评估分析 374021.2.1威胁度评估指标体系结构 311951.2.2威胁目标特征指标 478171.3多目标识别判定 6186191.3.1蜂群无人机目标红外图像预处理 7248801.3.2蜂群无人机目标图像增强 859891.3.3蜂群无人机目标分割处理 9266191.3.4蜂群无人机目标特提取 1117381.3基于模糊识别算法的蜂群无人机目标识别 131.1蜂群无人机蜂群作战模型”低慢小“无人机蜂群作战系统是基于无人机集群作战技术，该作战系统具有众多优点，比如应用成本低、具有网络化作战能力。通过释放多个小型化，价格低廉的无人机，控制无人机的队列，可完成多种复杂的任务，其中包括战场侦察与攻击等[68]。蜂群无人机作战具有可操作性，可以在有/无控制下，实现无人机蜂群各部分之间的协同作战，同时在控制人员或系统的操纵下完成对于战场的侦察与诱骗等一系列难度较大的任务。蜂群无人机作战系统将传统的战术与战略相互联系起来，利用多元化的作战方式对现代化的军事战场提供指挥作用，不仅可以和其他武器共同作用来完成对海陆空中目标的攻击，同时可实现对需保护地区的军事对抗。图1.1无人机集群协同作战模式图蜂群无人机作战技术是基于多智能基础，在无人机蜂群系统中，其中系统中的的那个无人机可以被称为智能体[77]，而这些智能体组成的有秩序的阵列被称为多智能体系统。该理论最早是从自然界演变而来，比如蚂蚁群体、鸟类的迁徙、蜜蜂群体有序的分工等，在这些群体也就是系统中，将每个智能体，通过各种控制作用使其按合理的分工有秩序的完成任务。在蜂群无人机作战系统中，主要包括单个的无人机即智能体和无人机群体即多智能体系统[77]，根据多智能体的特征，可明显得到蜂群无人机系统其独有的“个体智能+通信网络=整体运动行为”的特点。“无人机智能”的概念描述的是在组成蜂群无人机系统的每个无人机都具有一定的自我约束与作战的能力，比如运动、感知信息以及一定的通信。在形成有序的蜂群作战的过程中，队列中的每个无人机除具备自我约束与作战的能力外，需时刻注意四周其他无人机的位置与速度等信息，根据周围环境及时调整自己的状态，只有每个在编队内的无人机都进行协同作用时，无人机蜂群编队则可建立，可实现有序的协同作战任务。由以上可以蜂群无人机系统（多智能体）系统具有如下特点：分布式：又称去中心化。整个蜂群系统中的每个无人机均具有一定的自主你能力，没有一个中心控制器控制所有的无人机[77]。这一特点使得蜂群系统具有一定的鲁棒性，不会出现当在执行任务的蜂群无人机集群中的若干架无人机因故障或者被攻击丧失功能从而导致集系统群丧失能力，剩下的无人机在蜂群无人机系统遭到破坏后，可以重新组成编队，继续完成后面的作战任务，可有效提高战场生存能力。无人机自主化：无人机作战系统，可实现各个无人机位置的共享以及相互之间的信息交流，蜂群无人机的这种相互之间协同作战的能力，可有效解决驾驶员疲劳或判断不迅速等认为因素引起的作战误差、解放人力，同时在情况变换突发的情况下又可由人为参与。3)复杂功能分布式化：当要求对某一相应对象实现一系类比较复杂功能时，难以用单个个体去实现这一功能。在蜂群（多智能体）系统中，其可以通过多个个体之间的协同工作来完成一系列复杂的任务。如对蜂群无人作战系统中的无人机通过装备不同设备与武器来完成对敌渗透侦查、火力压制以及目标摧毁等多种作战功能[77]。在多智能体（蜂群无人机）系统理论研究过程中，通常利用图论法来研究蜂群中的各个无人机之间的拓扑结构。从通信的方向角度分析可分为有向拓扑与无向拓扑两种类型；根据通信拓扑的结构来区分包括固定拓扑和时变切换拓扑。当蜂群无人机系统作战中，使用的是时变切换拓扑结构，根据所要执行的任务的不同，各个无人机之间可根据任务的变换使用不同的拓扑结构，当任务完成后再重新断开连接，可有效提高无人机系统的协同作战能力以及对不同作战环境的应对能力。蜂群无人机作战系统的通信拓扑结构如图1.2所示。图1.2集群对象采用的三种控制/通信结构通过对本节中蜂群无人机的形成结构以及系统特点研究分析，了解无人机个体间以及系统间的通信结构以及控制方式，进一步可对蜂群无人机的反制技术提供一定的理论依据。在进行蜂群无人机的反制时，可通过破坏掉蜂群无人机中的一些通信结点以实现对整个通信（控制）系统的破坏。还可对蜂群无人机目标中承担一些特殊任务（如执行火力打击任务）的无人机目标进行有效识别并优先予以打击。以降低来袭蜂群对我方的威胁。1.2蜂群无人机目标威胁评估分析随着蜂群无人机技术的广泛应用，具备“低慢小”的特点的蜂群小目标，低慢小目标是指在低空慢速飞行的小型飞行器或空浮器的相应统称，其具有飞行高度较低、速度较慢、难以被雷达的探测系统侦测等特点，尤其是具有蜂群特征低慢小目标使得低空战场的态势越来越复杂，给现代低空防空带来了极大麻烦。为应对低空蜂群小目标的威胁，同时对来袭的目标作出迅速的应对方法，因此需对蜂群小目标进行威胁评估，从而完善战场指挥过程。对来袭蜂群小目标的威胁态势进行合理评估并制定合理打击方案，这有利于进一步提高无人机反制系统的作战效能。针对蜂群小目标的威胁评估是根据来袭的低空蜂群小目标的已知属性和状态进行评估，通过获取的来袭目标的相应信息，获取的目标的相关信息即为特征参数，也成为了威胁因子，威胁因子主要包括定量因素与定性因素，定量因素由距离、高度、标速度等信息组成；定性因素由目标的类型以及抗干扰的能力等信息组成。通过对其进行评判其威胁程度的高低，为无人机反制系统提供合理有效的目标打击方案，这相应涉及到判定规则、情报信息、防区的地理位置、保卫目标的重要程度等多种因素信息[69]，本节基于蜂群低慢小目标的特点，对来袭目标的的威胁因因子以及威胁态势进行分析。为后续目标威胁度进行量化评估，提供理论依据。1.2.1威胁度评估指标体系结构在无人机反制系统的检测系统中，对所探测的低空蜂群目标的识别跟踪的优先级排序、资源调度以及分配的决策，其往往是依据所探测目标的威胁度制定计划的。低空环境下的“低慢小”小目标类型较多，因此其不同类型的目标的结构性能存在差异，根据这些差异提取各威胁目标的各主要要素，最终由此建立合理的评估指标体系结构，这是对目标威胁度评估的首要依据[65]。在此以无人机反制系统对低空小目标监视任务为背景，以快速发现目标并精准跟踪为目的，对低空环境中的目标所构成的各威胁要素构建而来的指标体系，通过分析彼此间的关系于权重，进而评估出无人机反制系统中的监测系统的探测目标的威胁度[65]。一般按照防空作战要求来说，低空目标威胁度可分为任务意图、攻击威胁以及突防威胁３个主要方面。1）相对来说任务意图是指包括我方指定监视目标、飞行器和所要的保护对象三大类。第一类通常情况下我方指定监视目标是根据上级指定，需重点监视的飞行目标，其威胁度相对来说也是最高；第二类飞行器通常是指“低慢小”目标一类的飞行平台，由于不同的的飞行平台所承担的飞行任务的重要性也不同，因此相对应不同飞行平台对我方的威胁度存在差异性，可根据飞行平台的价值的高低以及所执行的任务的特点将飞行目标分为重要目标（如直升机、动力三角翼、无人机等）、普通目标（如航空模型、风筝、孔明灯等）两大类[65]。对于重要目标其所呈现出的威胁程度最大，而普通目标的威胁相对较小；第三类所说的保护对象是指如指挥所、人群密集区、机场港口和交通要道等重要区域，由于这些对象以及区域的价值比较大，易受到敌方目标的攻击可能性更大，所以对入侵这些区域目标的威胁程度较高。2）攻击威胁则是指空中“低慢小”目标的飞行速度、携带的武装性能、航路捷径和机动特性等性能。相对来说空中飞行的目标其速度越快，其威胁程度度就越高；其飞行平台所携带的武器装备武装性能越好，威胁程度也就越高；在作战理论中，其航路捷径越小，对应目标的威胁度也就越大。3）对于突防威胁来说其主要指的是低空中“低慢小”目标的电子干扰性能、操纵方式和雷达截面积的一些参数。如果飞行平台所装配的为廉价的简易电子干扰设，则其威胁性就比较高；有人操纵的飞行目标所呈祥的威胁度要比无人操纵的飞行器的威胁度高；在军事意义上的雷达反射截面积对应的是飞行平台的隐形性能，所以当雷达反射截面积较小时其隐身性能较好，故其威胁程度也就越高。1.2.2威胁目标特征指标本文基于对空域目标威胁的理解和认识，并结合蜂群无人机目标的一些特征特点，完成对对蜂群目标的威胁特征分析，为后续构建了无人机反制系统对空中目标的反制提供理论研究基础。在对空中威胁特征指标进行提取中，由于目标最原始特征经过相应的融合和变换后获取一些目标的特征信息数据，在此基础上由战术威胁角度上选取了一些可反应战术对抗的目标本质的指标。最终通过对防空作战任务及相应原则进行分析，选取了以下要素作为防空威胁目标的特征指标，如图通过分析研究电子防空的作战任务及原则，选择出以下要素作为电子防空威胁目标的特征指标，如图5-3所示。图5-3威胁目标的特征要素在基于基于蜂群无人机的威胁目标特征要素的分析中选取了目标的运动特征、几何特征、辐射特征以及电磁特征的相应指标指标进行了分析：１）运动特征将战场各低空对抗目标（如蜂群无人机、飞艇、热气球等）的飞行的动态特征统称为运动特征，如无人机目标在一些时刻中的高度、飞行速度和距离及目标的飞行姿态等相应的数据。这一类数据可有探测装置对进行目标搜索、捕获及跟踪来获取。２）形体特征针对于目标的形体特征主要反映的空中目标几何外观特征，这些特征可具体的体现在威胁目标的几何形状、几何尺寸大小、目标表面材质等特性上。在实际应用中一般可主要通过对目标形体特征的获取分析，进而可在大概率上能够获取到威胁目标的装备类型，然后系统就可根据这些信息制定有针对性反制措施，这对低空威胁目标的反制具有十分重要的意义。３）电磁信号特征针对于空中的有源目标向战场空间发送的电磁信号，如蜂群无人机目标在进行协同作战时无人机无论是向地面通信还是集群内部通信，其大多是以电磁信号的方式进行信息传递，因此可将威胁目标产生的电磁信号作为目标威胁评估的一项重要指标。通常对电磁信号的划分是以频率为基准进行分类的，这可具体分为通信信号、雷达信号、以及光电信号等。（４）目标辐射特征针对于威胁目标辐射特性主要分为三大类，分别是可见光辐射、红外辐射以及雷达信号的辐射。对于红外辐射来说其主要体现在目标自生产生的热辐射以及其对环境中热源对其的影响而最终以红外辐射特征体现出来，对于可见光来说其主要体现辐射与散射特性，目标上雷达装置往往会产生信号雷达信号的散射效应。在对威胁目标如蜂群无人机目标的辐射散射的特征参数进行威胁评估时，可以分析无人机目标的辐射散射特征来获取相应参数，在这三特征中类中，无人机电池以及电机往往会产生一定的热量，这最终就由目标的红外辐射特性辨别；而无人机由于其表面材质以及颜色使其目标中的亮信息通过可见光散射辐射特征进行获取；目标的材料和成像信息则可由雷达的散射特征提取到。结合威胁评估的原理以及体系结构，并具体依据“低慢小”蜂群无人机目标集群作战特点，总结和分析威胁目标的特征指标，为后续对威胁目标的威胁度评估提供可靠的理论基础。1.3多目标识别判定目前面对“低慢小”目标的干扰和袭击，其威胁性较大且识别较难的是集群的小目标来袭，当面对集群式的蜂群无人机目标，由于面对的目标数量较大，对识别造成了一定的困难，而且多个目标聚集在一起，对目标的图像处理必然造成一定影响。本文基于红外成像探测系统对低空中由大疆M600Pro无人机组成的无人机集群目标进扫描探测，获取了蜂群无人机的红外图像。如图5-1(a)为非制冷焦平面红外探器有图图像采集系统，图5-1(b)为实验中所用的大疆M600pro无人机目标。然后基于matlab仿真平台，对所获到的空中目标图像进行相应处理，通过对图像预处理、图像分割以及图像特征的提取，并最终提取出整幅图像的灰度直方图的统计特征以及图像中各小目标轮廓的几何特征，再基于特征信息的基础上分别对目标进行检测识别，最后应用基于多特征的模糊理论的目标识别算法进行目标识别，直至正确识别出图像各个无人机目标。最后根据得到的结果进行分析和总结。无人机反制系统中的监测系统对探测目标跟踪优先级排序、调度资源分配等决策的主要依据是目标的威胁度。低慢小目标种类繁多，结构性能存在不同，找出构成威胁的各主要因素，建立合理的评估指标体系结构是对目标威胁度可靠评估的首要依据。现以防空预警监视任务为背景，以最优效能发现目标和准确跟踪目标为目的，对空中目标构成威胁的各要素建立相应的指标体系，分析彼此关系和权重，评估无人机反制系统中的监测系统的探测目标的威胁度。(a)非制冷红外探测器与图像采集系统(b)大疆M600pro无人机(c)对空中无人机图像采集场景图(d)蜂群无人机红外原始图像图5-1蜂群无人机图像采集试验1.3.1蜂群无人机目标红外图像预处理由图5-1(d)红外探测系统获取的蜂群无人机红外图像可知，集群目标的无人机目标的辐射与空中背景的辐射之间的界限，在一些区域上是比较模糊的，而且各个无人机之间在图像中的位置距离比较近，有一些距离探测系统较远的无人机目标，在所成像中大小比较小相应的会在预处理阶段出现图像过处理的现象。而且在进行蜂群无人机小目标检测时对噪声较为敏感，在进行目标检测之前需要先对图像噪声进行抑制。为验证图像的滤波算法对蜂群无人机的处理效果，根据红外成像探测系统探测获取的蜂群无人机的红外图像特点，原图上添加噪声，然后应用均值滤波、中值滤波以及频域的低通滤波等降噪算法对其进行处理，分析其处理的效果。图1.2蜂群无人机红外图像去噪处理通过对蜂群无人机的原始图像加入高斯和椒盐噪声，并分别应用均值滤波和中值滤波的图像处理手段，如图1.2为其图像图像的去噪效果图，由图1.2(b)(c)(d)(e)分析可知均值滤波对高斯噪声处理的效果较好，由在图1.2(f)(g)处理效果中，中滤波对无论是高斯噪声还是椒盐噪声其处理效果都远优于均值滤波的效果。且在处理过程中没有出现对蜂群无人机目标中较小目标的过处理现象。1.3.2蜂群无人机目标图像增强由红外探测系统获取的蜂群无人机目标的红外图像可知，由于“低慢小”无人机较小的特征所以其单个目标在图像中的占有的像素区域较小，而且无人机目标的飞行高度比较接近与地面，所以其易受地面杂波的干扰，如图1.1图像中的下面的部分，该区域的辐射强度接近于无人机目标的辐射强度，这一些干扰可使得目标区域和背景区域的边界比较模糊，故需通过图像增强技术来提高两者的对比度，凸显出真实目标信息。图1.3蜂群无人机图像增强效果对比图如图1.3所示为所采用三种不同的图像锐化增强手段对目标红外图像锐化，通过效果对比可知由高低帽锐化的处理方式获取的图像增强效果最好。1.3.3蜂群无人机目标分割处理在进行图像分割之前首先利用坐标转换时目标图像转换到与与参数库中的图像数据在处于相同的坐标系中，再进行图像边缘分割，通过如图1.19所示采用不同的分割方式的结果对比，可知canny算子的分割效果相对较好。在图像分割处理过程中采用自动阈值分割的方法对红外图像进行相应的分割处理，其过程如图1.21所示，由于最初的分割图像的效果不是很理想，所以采用形态学的处理方法，使得处理效果更好1）基于边缘算子的图像分割图1.3边缘算子对图像的分割效果对比图在图1.3蜂群无人机图像边缘分割的效果中，发现由canny算子的边缘分割的边缘过于细致，因此也产生了过多的孤立边界，这不利于后期对目标怕的识别过程。而应用log算子、Prewitt算子、Roberts算子对目标进行分割可得到相应的边缘，但其便存在很多的断裂处，而且存在无人机内部的一些边界，相对于无人机外形尺寸比较小的特点，这些内部特征显然是无效的边缘特征，同时应用边缘检测分割的方法显然是丢失了目标的一些辐射信息。2）基于自动阈值的图像分割算法在图像分割处理过程中采用自动阈值分割的方法对红外图像进行相应的分割处理，其过程如图1.4所示，如图1.4(b)由于地杂波的影响在最初的分割图像的效果并不是不是很理想，接着应用形态学的处理方法去除了这一背景的干扰，使得处理效果更好。如图4.4(c)所示。图1.4基于自动阈值分割算法的效果图通过对以上基于边缘算子的分割和自动阈值的分割的效果对比分析可知，基于边缘算子的分割算法对图像的细节处理的效果较好，但由于无人机目标所成像比较小目标细节信息难以体现，所以在对无人机目标进行分割应更注重对小目标整体信息的分割，而基于自动阈值分割算法的刚好分割出了蜂群无人机图像中单个无人机的整体信息，所以基于自动阈值分割的分割算法可有效分割蜂群无人机图像。1.3.4蜂群无人机目标特提取基于自动阈值分割算法对获取的红外图像进行特征提取，在这里分别提取基于蜂群无人机图像的统计特征以及基于蜂群无人机图像的几何特征。1）基于蜂群无人机图像的统计特征提取图1.5生成蜂群无人机目标的灰度直方图通过对原始蜂群无人机图像的映射的红外图像为灰度图像，在灰度图像中可通过提取图像的灰度直方图来描述图像的全局变量，由图像的灰度直方图所提取的特征具有旋转、缩放和位移不变性，但其不足之处时是不能够有效地反应图像的空间信息，如图1.5(b)表示的是一幅无人机图像的灰度直方图。本文中为充分反映蜂群无人机目标的红外图像的灰度分布情况，选取在去除图像背景情况下的目标图像也即映射的红外图像为灰度图像，这样更能体现出所测目标的统计特征情况，在灰度直方图统计量特征中本文选取方差、歪斜度、峰态、能量、作为一组特征对目标进行识别判定2）基于蜂群无人机图像的几何特征提取红外成像探测系统对空中蜂群无人机目标进行扫描时，获取了多个小目标集中在一起的图像，如图1.5(a)所示。因此需要对每个无人机目标的特征进行提取。如图首先给每个无人机目标引入了最小矩形特征，以便于对其特征更好的提取。图1.6蜂群无人机目标最小矩形特征基于上述获取的图像特征信息，分别提取图像中无人机目标的最小矩形面积、无人机目标面积、最小外接矩形特征的长（L）和高（H）、最小矩形长高之比、无人机目标面积与最小矩形面积之比。其相应特征参量如表1.1所示表1.1蜂群无人机图像内部无人机特征参量提取特征参量内部目标类型最小矩形面积目标面积最小矩形长高之比目标面积与最小矩形面积之比内部小目标110124160.47820.4110内部小目标223109390.47140.4064内部小目标313755400.45450.3927内部小目标4460019220.46000.4178内部小目标5399915720.46230.3930内部小目标67022890.46150.4116内部小目标720778260.46260.3976由分割的图像可知图像中的无人机目标一共有7个，由于其与探测系统距离以及角度所以其所成图像大小不一致。通过获取的如表1.1的特征参数分析可知，提取无人机目标的最小矩形面积与无人机目标面积难以对其进行分类。但在所提取最小矩形长高之比与无人机目标面积与最小矩形面积之比其在数值上基本一致，可对其进行有效识别。故在几何特征提取时选用最小矩形长高之比与无人机目标面积与最小矩形面积之比这两类特征为目标识别的有效特征去对目标进行识别。1.3基于模糊识别算法的蜂群无人机目标识别当基于单个无人机目标进行红外探测识别过程中，其在进行图像处理以及目标检测过程中显然不具代表性，难以验证算法的可行性性。针对这一问题本节中基于飞行中的蜂群无人机目标进行多目标状态下图像处理以及目标识别。多目标环境下目标图像间存在彼此间的辐射以及外形重叠上干扰。为验证基于红外的目标检测的可行性，本文提出基于目标特征识别概率上的决策融合识别算法法。在基于目标灰度直方图统计特征、几何特征中用最小矩形长高之比、无人机目标面积与最小矩形面积之比特征的各分目标识别结果基础上，分别得到了三个分识别概率、、。并根据这三类识别结果建立输入与输出的隶属度函数以及模糊规则，运用模糊推理得到最终的目标识别概率。如图1.23为对蜂群无人机目标识别所建立的基于规则的模糊逻辑控制器。图1.23基于规则的模糊逻辑控制器输入输出界面对蜂群无人机目标识别的仿真结果如表1.4是在建立好的