一种基于动态贝叶斯网络的抗干扰红外目标识别方法

1.本发明属于信息处理领域，涉及一种基于动态贝叶斯网络的抗干扰红外目标识别方法。


背景技术：

2.随着近现代空中作战武器装备的发展，空中作战环境变得日益复杂。仅就红外空空导弹而言，目标通过释放点源、面源等与目标特征信息相近的人工诱饵，干扰导弹导引系统，致使导引系统无法做出准确有效的判断。因此，抵抗复杂场景中的人工干扰是当前红外空空导弹面临的核心问题，具备抗干扰能力对于红外制导系统具有重要意义。
3.传统的空中红外目标识别方法大多首先进行特征提取，将提取的特征作为模板，而后通过模板匹配验证。典型的特征包括形状特征，局部纹理特征及边缘特征等等。最初人们通过单一特征表述目标信息，后来人们将多个特征融合处理，该方法能够更加全面综合的分析和处理图像信息。但是，随着环境背景日益复杂以及红外干扰的出现，传统方法难以应对当代的空战环境。
4.仅考虑传统特征融合的方法已不能满足实际空中战场对抗的应用需求，需综合考虑多特征帧间的时序关联。目标投放诱饵的过程，诱饵从目标位置开始逐渐将目标半遮挡或全遮挡，而后脱离。此过程中，特征实时变化加快，无法用简单的特征融合表达特征之间复杂的变化关系。因此，引入多特征帧间时序相关的动态贝叶斯网络作为识别目标的分类系统的一部分。动态贝叶斯网络在静态贝叶斯的基础上引入了时间维度，在每个时间节点上目标的特征都用一组变量表示，利用变量间的关系表述目标特征随时间不断变化的规律，通过这种方式对目标进行建模，极大的提升了目标识别的稳定性。
5.因此，在对传统红外空空导弹抗干扰目标识别的深入研究的基础上，提供一种基于动态贝叶斯网络的抗干扰红外目标识别方法，提升导引头目标识别与抗干扰跟踪能力。


技术实现要素：

6.要解决的技术问题
7.为了避免现有技术的不足之处，本发明提出一种基于动态贝叶斯网络的抗干扰红外目标识别方法，实现红外点源干扰强遮蔽环境下的目标稳定跟踪。
8.技术方案
9.一种基于动态贝叶斯网络的抗干扰红外目标识别方法，其特征在于步骤如下：
10.步骤1：构建目标干扰的贝叶斯特征向量：
[0011][0012]
步骤2：构造静态贝叶斯网络，由一个有向无环图和条件概率表组成的，有向无环图定性的表示了各变量之间的依赖关系，条件概率表则定量的描述了各变量之间的关系强度；网络的每个节点对应一个特征变量，一个时间片包含17个特征节点；根据特征节点以及特征之间的关系、条件概率表，贝叶斯网络得到所有特征节点的联合概率分布；
[0013]
建立红外空空导弹抗干扰仿真数据集，并分别提取正、负样本特征组成特征矢量 ai＝{x1,x2,x3,
…
,x
17
}，形成正、负样本库s
+
＝{a1,a2,a3,
…
,a
p
}和s-＝{a1,a2,a3,
…
,aq}，17个特征构成的静态贝叶斯网络为：
[0014]
根据构造好的静态贝叶斯网络的时序关联构造动态贝叶斯网络：以静态贝叶斯网络作为初始网络，以有向弧确定各种随机变量在时间片之间的连接关系，将初始网络扩展到一个动态贝叶斯网络；
[0015]
采用动态贝叶斯网络训练抗干扰识别的分类器；
[0016]
步骤3：将接收的红外图像输入分类器，分类器对红外图像进行目标识别。
[0017]
所述步骤2的静态贝叶斯网络结构如图3所示。
[0018]
所述步骤2的动态贝叶斯网络结构如图4所示。
[0019]
有益效果
[0020]
本发明提出的一种基于动态贝叶斯网络的抗干扰红外目标识别方法，贝叶斯特征向量的构建与更新。贝叶斯特征向量主要通过目标与干扰的辐射强度，外形轮廓等特征抽象表示组合而成，实现目标与干扰特征化定义，为精准识别奠定基础。特征向量时序关联与匹配。在特征向量构建完成的基础上，以特征为核心，构建静态贝叶斯网络，描述特征间关
联。同时，以静态贝叶斯网络为初始网络，针对不同时刻相同节点特征，构建动态贝叶斯网络框架。贝叶斯网络下推理与识别。在干扰投射过程中，目标与干扰特征连续变化，前后时刻特征差异较小。在当前动态贝叶斯网络构建完成的基础上，通过特征时序变化推理识别目标信息，提升识别精度，完成目标识别方法的架构设计。
[0021]
本发明的优点与有益效果主要体现在：从而目标干扰特征差异出发，通过构建动态贝叶斯网络，解决强遮挡目标的识别问题，满足导引系统的实时性要求，提升红外空空导弹抗干扰能力，有效地提高精确制导和打击能力。
附图说明
[0022]
图1：基于动态贝叶斯网络的抗干扰红外目标识别方法流程图；
[0023]
图2：基于动态贝叶斯网络的抗干扰红外目标识别方法测试图；
[0024]
a：160
°
左转(#52)；
[0025]
b：160
°
左转(#225)；
[0026]
c：160
°
左转(#446)；
[0027]
d：160
°
左转(#545)；
[0028]
e：100
°
跃升(#114)
[0029]
f：100
°
跃升(#377)
[0030]
g：100
°
跃升(#609)
[0031]
h：100
°
跃升(#720)
[0032]
图3：静态贝叶斯网络结构图；
[0033]
图4：动态贝叶斯网络结构图。
具体实施方式
[0034]
现结合实施例、附图对本发明作进一步描述：
[0035]
本发明主要通过动态贝叶斯网络，构建目标与干扰特征向量，利用特征差异实时预测目标在强遮蔽条件下的位置，得到一种基于动态贝叶斯网络的识别方法，解决空战目标精准识别难题。结合附图对本发明的具体实施方法进行进一步的描述：
[0036]
本发明方法的具体步骤如下：
[0037]
步骤一：通过对目标干扰特征的分析，选择可区分目标与干扰特性的变量进行组合，组成特征向量。本方法共选取长宽比，周长，能量，面积，圆形度，灰度均值，熵，傅里叶描述子等十七个特征作为特征向量，表示区分目标与干扰特性，特征具体描述如表1所示。
[0038]
表1本方法使用的特征
[0039][0040][0041]
步骤二：在确定表示目标与干扰的特征后，根据选取的特征构造静态贝叶斯网络。而后根据构造好的静态贝叶斯网络的时序关联构造动态贝叶斯网络。
[0042]
·
构建静态贝叶斯网络
[0043]
贝叶斯网络是由一个有向无环图和条件概率表组成的，有向无环图定性的表示了各变量之间的依赖关系，条件概率表则定量的描述了各变量之间的关系强度。
[0044]
在本文中，网络的每个节点对应一个特征变量，一个时间片包含17个特征节点。根据特征节点以及特征之间的关系、条件概率表，贝叶斯网络可以得到所有特征节点的联合概率分布。
[0045]
建立仿真数据集，并分别提取正、负样本特征组成特征矢量ai＝{x1,x2,x3,
…
,x
17
}，形成正、负样本库s
+
＝{a1,a2,a3,
…
,a
p
}和s-＝{a1,a2,a3,
…
,aq}。本方法17个特征构成
的静态贝叶斯网络如图3所示。
[0046]
·
动态贝叶斯网络结构及参数学习
[0047]
动态贝叶斯网络通常由初始网络和转移网络构成，在本方法采用静态贝叶斯网络作为初始网络，有向弧用于确定各种随机变量在时间片之间是如何相关的，将初始网络扩展到一个动态贝叶斯网络来建模基于抗干扰识别的分类器，动态贝叶斯网络结构如图4所示。
[0048]
在此基础上，需要完成参数学习过程，本方法采用的是最大似然估计法。
[0049]
假设任意特征变量xi(0≤i≤n)有ri种取值情况，其父节点pa(xi)变量有qi种取值情况，则该特征变量的参数向量为θ＝{θ
ijk
|i＝1,...,n；j＝1,...,ri；k＝1,...,qi}，其中表示任意特征变量取值的概率和为1。将满足p(xi|pa(xi)＝k)的参数向量表示为θ
i,k
＝{θ
ijk
|j＝1,...,ri}。则要估计的参数为：
[0050]
θ
ijk
＝p(xi＝j|pa(xi)＝k)(i＝1,...,n；j＝1,...,ri；k＝1,...,qi)
[0051]
根据对数似然估计法，可以得到如下公式，其中n
ijk
代表满足θ
ijk
的样本数量。
[0052][0053]
按照上述参数学习过程，可以分别计算各特征节点x1,x2,x3,
…
,x
17
的条件概率表，以面积节点为例，其条件概率表如表2表3所示。
[0054]
表2面积特征节点的片内条件概率表
[0055]
[0056][0057]
表3面积特征节点的转移概率表
[0058][0059][0060]
注：片内概率表面积的父节点是周长；片间转移概率表面积的父节点是当前时刻的周长以及上一时刻的面积。面积特征节点的转移概率表是三维概率表，表3选取了当前时刻面积的第五个特征区间对应的父节点的转移概率表。
[0061]
步骤三：动态贝叶斯网络构建完成后，由于转移网络中的参数不发生变化，所以根据初始分布和相邻时间片间的条件分布，将网络展开到第t个时间片，实现对目标的识别。
[0062]
由于离散动态贝叶斯网络符合条件独立性假设，因此可得到动态贝叶斯网络初始时刻的概率分布为：
[0063][0064]
其中，记为为表示的父节点集合。
[0065]
相邻两个时间片变量间的条件概率表分布如下式，其中，为第t个时间片上的第i个节点，为的父节点。t＞0表示下一个时间片中的每个节点的条件概率分布。节点的父节点在两个时间片中任意一个内。
[0066][0067]
根据齐次性假设，可以得到跨多个时间片的联合概率分布：
[0068][0069]
其中,t为时间片数，m为单个时间片内的节点数。由此可知，动态贝叶斯网络的贝叶斯公式为：
[0070][0071]
其中，表示测试数据与类别c匹配的程度，p(c)为类别c的先验概率。
[0072]
对于一组特征值依据表2表3得到的每一个属性节点的片内条件概率表以及片间转移概率表，分别计算每个类的先验概率p(ci)可以根据训练样本计算，即p(c＝1)＝0.5334，p(c＝0)＝0.4666。再根据动态贝叶斯结构计算(q是第一个时间片的类别)：
[0073][0074]
同理可计算：
[0075][0076]
通过比较和得到对于样本的动态贝叶斯网络检测结果。若
[0077][0078]
则该样本属于目标，反之则属于干扰。
[0079]
因此，基于动态贝叶斯网络的目标抗干扰识别方法设计流程如图1所示：
[0080]
1)ti帧图像进行预处理和连通区域标记，统计当前帧连通区域数量，并提取连通区域特征，得到特征值集合。
[0081]
2)根据训练得到的时间片内的条件概率表及时间片间的转移概率表，分别计算每个连通区域特征值的每一类的概率。
[0082]
3)比较得到单个连通区域每类的概率大小，其中概率最大的哪一类就是此连通区域所属类别。
[0083]
实例实施效果
[0084]
本发明能够很好地构建基于动态贝叶斯网络的抗干扰红外目标识别方法，可以较高概率的识别出目标与干扰，从而确定目标的位置，提升红外空空导弹抗干扰性能，实现精确打击。
[0085]
本发明基于背景抑制后的图像序列，对本发明进行测试，测试结果如图2所示。