书稿《无线传感器网络的领域应用与设计技术》第3章基于传感器网络的战场机动目标分类识别.docx
《书稿《无线传感器网络的领域应用与设计技术》第3章基于传感器网络的战场机动目标分类识别.docx》由会员分享,可在线阅读,更多相关《书稿《无线传感器网络的领域应用与设计技术》第3章基于传感器网络的战场机动目标分类识别.docx(28页珍藏版)》请在冰豆网上搜索。
书稿《无线传感器网络的领域应用与设计技术》第3章基于传感器网络的战场机动目标分类识别
第3章
基于传感器网络的战场机动目标分类识别
3.1机动目标的分类识别技术
3.1.1基本概念
基于微型传感器网络的战场机动目标分类识别,在地面侦察和情报获取中具有重要的作用。
通常一个完整的战斗任务大致包含侦察目标、攻击目标和毁伤目标的三个步骤。
目标侦察包括搜索、定位以及目标的探测、识别和确认,是攻击手段发挥摧毁效能的前提。
它的使命可简单归结为目标探测系统上体现目标的所在位置的确定,以及在位置确定后它们的进一步辨别。
所谓目标获得是指包含目标所在位置的定位和目标辨别的所希望的等级,即从探测、识别到确认。
通常人们讲的目标是指一个待探测、定位、识别和确认的物体。
背景是反衬目标的任意的辐射分布。
目标特征是把目标从背景中区别出来的空间、光谱和强度的形貌。
用来描述目标的三个常用且易于混淆的术语是探测、识别和确认。
与此有关的概念定义介绍如下[1,2]。
目标截获(TargetAcquisition,TA):
指将位置不确定的目标定位,并按所期望的水平辨别它的整个过程。
目标获取包括搜寻过程(在这一过程结尾确定出目标位置)和辨别过程(在这一过程结尾目标被捕获)。
搜寻:
指利用器件显示或肉眼视觉搜索含有潜在目标的景物以定位捕获目标的过程。
定位:
定位是指通过搜寻过程确定出目标的位置。
辨别:
指物体(目标)在被观测者所察觉的细节基础上确定看得清的程度。
辨别的等级可分为探测、识别、确认。
探测:
可分为纯探测(PureDetection,PD)和辨别探测(DiscriminationDetection,DD)两种。
前者是在局部均匀的背景下察觉一个物体,如感觉到在晴朗天空中有一架直升机或非杂乱背景中一辆坦克。
在完成辨别探测时,需要认出某些外形或形状,以便将军事目标从背景杂乱物体中区别出来。
识别:
指辨别出目标属于哪一类别(如坦克、车辆、人)。
确认:
指能认出目标,并能足够清晰地确定其类型(如T52坦克、吉普车)。
目标截获距离受到目标与其背景的对比度和目标物理特性的制约。
首先,目标是通过比较其自身特征和背景的差异而被发现的,这就是它的对比度。
对比度越强则目标越易被发现。
因此,具有强对比度的目标被发现的距离要大于在环境中隐蔽良好的目标的发现距离。
目标的物理特性是影响目标探测距离的主要因素,包括目标辐射能量或反射能量的大小。
一般来说,目标辐射或反射的能量越大,被发现的距离就越远。
背景随着应用而变化,背景可以是山峰、海洋、森林、丛林、平原、沙漠、云彩、天空或白雪。
目标获得的过程通常从概念上可分为两个部分:
搜寻(动态问题)和探测、识别与确认(静态问题)。
“动态”意味着人们常把搜寻归入与时间有关的任务中,此时目标位置是未知的,而定出目标所在位置通常是至关重要。
“静态”意味着在目标的位置已经知道之后,完成这项任务的时间并不重要,通常认为与时间无关,一般假定观察者在这个阶段有足够的时间去执行。
目标获得的过程如图3.1所示。
图3.1目标获得过程
(a)搜寻;(b)探测;(c)识别;(d)确认
如果一辆车辆可以被识别,甚至被确认出来,主要依据它的特征、位置和速度,当然很可能传感器的分辨力不足以实施经典的形状识别。
例如,在空旷区域内存在运动目标,很可能是一辆车,而不是一架飞机或一条船。
目标上下前后的一些线索也会提供附加的信息。
在视场中道路上似乎有一个小的斑点,其合理的推断是一辆车;同样的小斑点如果出现在田野中,就有可能是别的什么东西。
目标确认是目标辨别的最高等级,处于这一复杂过程中的最后阶段。
在目标辨别中,首先的任务是搜索视场以找寻目标。
搜寻可以是随机的或是系统的,它随观察者的训练和本人的背景而变化。
其次是发现目标,这一途径包含了景物杂波和搜索,主要考虑如何把淹没在噪声中的目标信号提取出来。
3.1.2基于微型传感器的目标识别通用框架
传感器网络对除了对进入监控区域的目标进行实时、有效的跟踪定位外,还要对被跟踪到的目标进行识别,以便能够识别或区分敌、友机动目标,减少对友军机动目标的误伤,提高对敌军的打击精度。
目标分类识别的标准是人为的从系统外给定的,通过设计或有监督的学习过程使系统能够完成特定的识别任务。
目前最广泛应用的相似性度量是在空间中定义某种距离度量。
在各种空间中,只要定义一种距离度量,就可以利用这种欧几里德距离度量的非增函数作为相似性的度量标准。
目标侦测主要研究目标信号的采集手段以及信号的预处理等问题。
在得到有各种探测技术侦测到的某种信号之后,就要对信号进行识别,从而判断属于哪一类目标。
这就涉及到目标信号的特征提取和目标识别问题,图3.2所示为基于微型传感器的目标探测识别流程图。
图3.2基于微型传感器的目标探测识别流程
从本质上说,目标识别属于模式识别的范畴。
人类在日常生活、社会活动、科学研究以及学习、工作等过程中无时无处不在进行着目标识别。
目标识别就是人类实现对各种事物或现象的分析、描述和判断的过程。
机动目标的识别通常主要是对待识别目标进行具体分类,依据机动目标的特性(如机动车底盘结构、发动机类型、车体长宽高外形、金属含量、车体重量等)进行分析和类型划分的过程。
为了能让机器自动执行和完成识别任务,根据现有的技术和装置必须首先将关于分类识别对象的有用信息输入计算机。
因此,应对分类识别对象进行科学的抽象,建立相应数学模型来描述和代替识别对象。
通常我们将这种对象的描述称为模式。
无论是自然界中物理、化学或生物等领域的对象,还是社会学的语言、文字,都可以进行科学抽象。
也就是说,我们可对它们进行测量,得到表征它们特征的一组数据,并且为了使用方便将它们表示成矢量形式,称之为特征矢量。
另外,也可将对象的特征属性作为基元,用符号表示,从而将它们的结构特征描述成一个符号串、图或某个数学表达式。
通俗地讲,模式就是事物的代表,是事物的数学模型之一,它的表示形式是矢量、符号串、图或数学关系。
模式和集合的概念是分不开的,只要认识这个集合中的有限数量的事物或现象,就可以识别属于这个集合的任意多的事物或现象。
所谓模式识别是指根据研究对象的特征或属性,利用以计算机为中心的机器系统运用一定的分析算法认定它的类型,系统应使分类识别的结果尽可能地符合真实情况[3]。
模式识别是20世纪60年代初迅速发展起来的一门科学,是一门综合性、交叉性学科。
在理论上它涉及代数学、矩阵论、概率论、图论、模糊数学、最优化理论等众多学科知识,在应用上又与其他许多领域的工程技术密切相关,其内涵可以概括为信息处理、分析和决策等[4]。
对模式识别的理论和方法的研究推动了人工智能的发展,增大了计算机应用的可能性。
目前,模式识别已成功应用于工业、农业、国防、科研、公安、生物医学、气象、天文学等领域,在国防军事上也具有重要的应用[5]。
一个较为完整的模式识别系统及识别过程的原理如图3.3所示[6]。
虚线上部是识别过程,虚线下部是学习、训练过程。
当采用的分类识别方法以及应用目的不同时,具体的分类识别系统和过程将有所不同。
图3.3模式识别系统原理框图
以下是识别系统的主要环节:
(1)数据采集和预处理
为了使计算机能够对各种现象进行分类识别,要用计算机可以运算的符号来表示所研究的对象。
通常输入对象的信息有下列三种类型,即
二维图像。
例如文字、指纹、地图、照片等对象;
一维波形。
例如声音和地震动信号、脑电图、心电图等;
物理参量和逻辑量。
例如病人体温、各种化验数据或对症状有无的描述。
通过测量、采样和量化,可以用矩阵或矢量表示二维图像或一维波形,这就是数据获取过程。
数据预处理能去除噪声、强化有用的信息,并对测量仪器或其他因素所造成的退化现象进行复原。
在战场数据采集系统中,数据采样任务流程如图3.4所示。
地面传感器节点的大部分时间处于采样阶段,就是用于侦察探测和感知出机动目标,把目标的特征有关的数据信息发送给接收控制节点,然后接收控制节点完成目标定位和分类识别等计算。
(2)特征提取和选择
由于图像或波形所获取的数据量相当大,如一幅文字图像可以有几千个数据,坦克声响信号波形也可能有几千个数据,卫星遥感图像的数据量更大。
为了有效实现分类识别,应对原始数据进行变换,得到最能反映分类本质的特征,这就是特征提取和选择的过程。
我们将由原始数据组成的空间叫做测量空间,把进行分类识别的空间叫做特征空间。
这两个“空间”的概念是比较重要的,因为目标分类识别过程主要是基于这两种空间数据进行操作和计算的。
在维数较高的测量空间表示的模式,通过变换可以映射到维数较低的特征空间表示的模式。
(3)学习和训练
为了让机器具有分类识别功能,首先应对它训练,将人类的识别知识和方法以及关于分类识别对象的知识输入到机器,产生分类识别的规则和分析程序。
这个过程相当于机器学习。
通常这一过程要反复多次,不断修正错误、改进不足,工作内容包括修正特征提取方法、特征选择方案、判决规则方法和参数,最后使系统正确识别率达到设计要求。
目前学习和训练过程通常采用人机交互方式。
(4)分类识别
分类识别是在特征空间用某种方法将被识别对象归为某一类别。
基本做法是在样本训练集的基础上确定某个判决规则,使按这个判决规则对被识别对象进行分类所造成的错误识别率最小或引起的损失最小。
图3.4传感器采样任务流程
3.2基于磁阻传感器的地面机动目标分类算法
3.2.1基于磁阻传感器的目标特征识别原理
磁性扰动可以用来对不同类型的磁性目标进行分类,如对装甲坦克、轮式装甲车、军用吉普车等加以区分。
当被测磁性目标经过磁传感器时,传感器探测出目标不同部位的各种偶极矩,磁场变化量可以揭示目标的具体磁性特征。
对于地球磁场,不同的目标经过时产生的影响会有不同,所以基于地磁传感器的数据采集系统的输入波形会随着目标类型的不同而不同。
通过计算机对数据采集系统的输出波形进行模式识别,不仅可以判断出磁性目标的存在,而且可以识别出目标的类型。
下面介绍基于磁信号的目标识别思路:
AMR磁阻传感器的输出电压通过放大器放大后,经过滤波器滤除干扰信号,然后再通过A/D转换器进行A/D转换,通过串行接口把数据传输给计算机。
然后用它来采集各种车型对地磁的扰动,存入数据库作为标准模式。
检测时计算机接收到的待识别数据经过预处理,与保存在系统中的所有标准模式所对应的数据相比较,找出最近似的标准模式,则此标准模式作为计算机识别的结果输出,也就是完成了对车辆的分类,同时也说明有车辆通过,在战场上即意味着有机动目标经过所监测的地段,并输出目标类别,原理过程如图3.5所示。
图3.5基于磁信号的机动目标分类识别过程
3.2.2目标简单分类的依据
不同的专业领域对汽车的分类有不同的标准和要求。
根据1989年1月1日实施的GB/T3730.1-1988《汽车和半挂车的术语及定义-车辆类型》的规定,将越野车辆分为四类,即轻型车辆、中型车辆、重型车辆、超重型车辆,如表3.1所示(其中T为车辆重量,t表示吨)。
这里把这种标准作为战场机动目标分类的依据之一[7,8]。
表3.1越野汽车的分类标准
类型
规格
说明
越
野
汽
车
轻型
T≤5t
中型
5t重型
13t超重型
T>24t
二战以来随着军队机械化、摩托化的快速发展,军用车辆数目急剧增加,并产生了各种各样的特种车。
由于军用车辆种类繁多,对车辆的分类更是多种多样,根据车辆的不同规格、结构、燃料、用途和型号等可以进行不同分类。
地面机动目标主要是指战场环境中出现的军用车辆,与民用机动车辆有所区别。
军用车辆按照行驶方式可分为:
轮式车辆和履带式车辆(其中轮式约占3/4,履带式约占1/4);按作战用途可分为:
战斗车辆、牵引运载车辆、运输车辆和特种车辆四种。
这里对战场上常见的机动目标(以机动车辆为主)进行分析,根据军用车辆底盘的特点及对磁场的扰动特征,将它们分为战斗车辆、轮式运载运输车辆和轻型特种车辆三大类。
它们都具有被磁性传感器探测的共同特征,属于战场上典型的磁性机动目标。
对战场机动目标进行简单分类,主要是阐述分类识别的原理和过程。
如果读者需要对自己的具体应用问题中的目标进行分类,可以在细粒度上对目标种类进行更细的区分。
通常来说,目标种类区分得越细,则分类识别的正确率会下降。
对这些磁性机动目标的分类依据具体阐述如下:
(1)战斗车辆
战斗车辆主要由履带式战斗车辆组成,其底盘以坦克底盘为主,一般装有大威力火炮,具有良好的越野机动性和装甲防护能力。
这种车辆包括装甲坦克、装甲侦察车、战斗侦察车、装甲运兵车、装甲指挥车、两栖突击车、战术导弹车和反坦克导弹车等,例如美国陆军和海军陆战队配备的M1系列装甲坦克M60系列主战坦克。
战斗车辆在行驶过程中产生的声音通过空气传播,实际是一种噪声信号,由其结构、发动机类型、行驶速度、地形、地质结构等因素决定。
战斗车辆的噪声主频在13Hz左右,在大约1km的距离之外,可使用声音传感器对其进行噪声信号测量。
通过对测量结果进行频域分析、时域估算,最终确定战斗车辆的方位及距离。
战斗车辆在行驶过程中,还会对地面形成地震波。
如果把战斗车辆作为激励源,采用地震动传感器在一定距离内进行侦测,对获得的信号分析后可知,信号主频率在100Hz以下。
采用高灵敏度的电磁式地震动传感器,能很好地侦测这种车型的接近距离。
通过信号时域、频域的分析,能分辨出目标的类型及行驶速度等特征。
(2)轮式运载运输车辆
轮式运载车是与战斗车辆的履带式行驶方式相区别的一种含金属的机动目标类型,它主要由重型轮式车辆组成,其底盘加装防护甲板,具有强劲的马力和更适合野外作业,具有高度的机动性和一定的防护能力,主要用于战场上输送步兵,也可以用于车载武器进行战斗。
这种车辆的特性和特征与坦克基本类似,战斗全重约为
,陆上最大时速可达
。
轮式车辆的特点是主频通常偏低,一般在
左右,而发动机的噪声无论是通过空气传播还是地震动传播,幅值均偏小,定位距离偏短。
(3)轻型特种车辆
轻型特种车辆也是以轮式行驶方式为主,大多是由越野车或普通汽车经过改装,以完成各种军事任务的一种车辆类型目标。
它利用内燃机提供动力,主要包括野战救护车、野战炊事车等。
这种车辆特性与民用越野车和吉普车相似。
3.2.3目标分类算法模型
对目标类型进行区分,是模式识别领域的一种最基本的应用。
分类识别在特征空间将被识别对象归为某一类别,基本做法是在样本训练集的基础上确定某个判决规则,使按这个判决规则对被识别对象进行分类所造成的错误识别率最小或引起的损失最小。
规则式分类算法比神经网络、遗传算法等智能优化方法具有较小的计算量,便于计算机程序的快速执行,实时输出结果,为军事行动及时提供情报。
以磁阻传感器采集目标的磁性信号进行特征分类为例,这里提供的目标分类算法模型包括如下三个模块。
(1)数据预处理
当目标通过磁传感器的敏感轴时,地球磁场产生扰动,传感器输出电压发生变化。
电压值通过放大器放大后,经过滤波器滤除干扰信号,再由A/D转换器进行A/D转换。
利用串行接口把数据传输给计算机,存入数据库作为采集的目标特征信号。
数据预处理是由于车速不同造成采集到的数据个数不同。
实际上机动目标不可能按照统一速度行驶,当行驶速度不同时,同一目标的采样数据也会不同,如图3.6示例(左图为高速、右图为低速)[9]。
在预处理阶段对采样数据进行相应的统一时间刻度变换,进行标准化处理。
图3.6两种行驶速度的抽样点图
由图3.6可知,低速行驶的输出波形和高速行驶的相比,时间轴向x值增加,抽样点数增加,幅度略有降低。
假设n为标准特征向量维数,k为抽样特征向量维数,x轴变换时定义横坐标转换系数
:
(3.1)
如果采用区间片段均分法对x轴进行转换,即无论目标通行速度和采样时间的长短,统一将采集时间段均分为固定的20-40个(即标准特征向量的维数n)片段的区间,从中依次抽取相应的数据,标准化x轴的时间标度。
具体应用可根据不同的精度要求来选择,区间内点数越多,则转换后的输出波形与原始输出波形间的匹配精确度越高,当然计算量也线性增加。
磁阻传感器对高速行驶目标的感应强度,大于对低速行驶目标的感应强度。
高速行驶目标的抽样点图被纵向拉伸,同样不利于进行识别判断。
y轴转换是通过加入幅度衰减量
,调整为同一标准,定义幅度衰减量
:
(3.2)
i=1,2,…,n;j=1,2,…,k.
将标准特征向量抽样时刻
分别进行坐标转换为
,则
(3.3)
若x轴向上的
正好为原始抽样时刻,即转换后的采样点时刻正好与原始采样点时刻重合,则它所对应的抽样值
为第i点的值不变。
若
不是抽样时刻,而在抽样时刻
之间,则可利用线性插值法,将
化简为
时刻,因而将各种采样过程通过转换,标准化为统一形式。
当目标行驶速度比标准采样库的行驶速度高时,识别方法与上述方法类似,只是在点与点之间插入若干点后再进行比较识别。
例如图3.7为目标产生的一组磁场扰动实际数据,因为目标速度大于标准速度,即采集时间点小于预定维数40,在预处理阶段进行标准化处理,转换为图3.8所示的标准模式数据。
从两图的对比可以看出,输出电压信号的幅值也有所变化,即从2.3mv左右标准化后调整为0.1mv左右范围。
图3.7目标产生的实际磁场扰动信号原始数据
图3.8预处理后的磁场信号标准模式数据
(2)样本训练
样本训练是为了提取目标类型的特征,是实现类型识别的基础。
由于磁阻传感器输出波形的峰值、宽度和车速有关,因而不能将峰值和宽度作为目标的特征模式,只能将输出的各点作为分类特征。
确定划分类别的标准特征向量的一般做法,是采用一组已知的样本对象来训练分类器。
把训练后的训练集存入数据库中,为以后的测试和应用提供标准特征向量和分类依据。
训练集是由每个类别中已被正确识别的一部分对象组成的。
对这些对象进行度量,求出它们的样本方差,在后续识别中引入此方差,可以提高识别准确率。
图3.9三类目标的地磁扰动标准模式波形数据
图3.9是通过部分采集数据进行样本训练后,产生的三类目标信号波形标准模式图。
从中看出三种目标类型的数据存在显著差异,如果针对一组新的采样数据来说,通过比较可以找出最近似的标准模式,则此标准模式对应的目标类型就可以作为模式识别的分类结果输出。
(3)分类器设计
针对新的目标信号,分类器计算出它的特征与每类典型目标特征之间的相似程度,用来确定该目标属于哪一类。
通常将分类器设计为最小规则,即特征比较的差值取最小化。
这种分类方法计算量小,分类器的函数设计如下:
(3.4)
其中
为待测目标的特征向量,n为预处理后的抽样点数,
为标准特征向量为,
为训练分类器的标准方差,它的作用是调整误差。
假设k为对同一类型车辆的训练次数,E(X)为一组训练统计样本的数学期望值,E(X)的求取方法如下:
(3.5)
为了便于计算机的程序实现,建议对计算
的方法设计如下:
(3.6)
3.2.4原型系统研制与试验结果
系统研制的传感器节点采用磁阻传感器HMC1022,微处理器为MSP430F149,通信芯片采用CC2420。
HMC1022是16-pinSOIC封装的双轴磁阻传感器。
磁场范围是+/-6高斯,分辨率为85微高斯,灵敏度为1mV/V/高斯,可保证行驶速度为400km/h的车辆在每56mm的行程上被采样一次,能满足机动目标探测需求。
微型化的磁阻传感器芯片与磁通门传感器相比,由于体积小,从而减小了线路板的组装成本,增加了可靠性和坚固程度[10]。
试验中探测发现目标的规则如下:
如果连续10个采样值超过预先设定的阈值,则判定有目标通过;如果连续10个采样点处于阈值以下,则认为目标离去。
为了验证和评估分类算法的性能,可以实施多次外场测试试验。
图3.10是三种目标信号的数据采集波形变化情况示例,每条曲线都有一个偏离基准值的最大点,这是引擎产生的峰值信号,次峰值点主要是后轴及保险杠等产生的。
这表明只要采样速率足够快、分辨率足够高,检测目标的细节特征信息是可行的。
(a)轻型特种车辆
(b)轮式运载运输车辆
(c)战斗车辆
图3.10三类目标的原始采样信号波形示例
(横坐标轴为采样时刻,纵坐标轴为信号输出电压/mv)
图3.11一组预处理后的目标信号与标准样本的比较示例
图3.11是一组待识别目标信号数据进行预处理后,与三类标准特征样本的比较示例。
从直观上看,这个目标的信号更接近轻型特种车辆的特征模式,计算结果也表明它与轻型特种车辆类型最匹配。
表3.2是另外一套试验测试结果的例子。
通过计算与目标标准样本的距离偏差,如果与某类目标的距离最小,则确定出待识别目标所属的类型,最后根据真实情况进行分类正确性的判断。
由于对履带式战斗车辆类型目标的采样数据相对不足,样本训练误差相对较大,在一定程度上影响了整体分类正确率,这从表中内容也可以反映出来。
根据实际使用效果来看,这种分类模型及其应用系统具有简单、实用的特点,设计思路清楚明了,另外计算量也很小。
表3.2部分试验测试结果的例子
编号
与目标标准样本的距离偏差
计算
结果
实际类别
正确性
1类
2类
3类
1
9.20271
7.2898
8.95931
2类
2类
√
2
0.0
0.000876
0.32638
1类
1类
√
3
1.21083
0.03018
2.0425
2类
3类
×
4
0.32274
0.02062
1.17468
2类
2类
√
5
0.0
0.01428
0.54024
1类
1类
√
6
0.11217
0.03994
1.84236
2类
2类
√
7
1.58604
0.01151
1.10694
2类
3类
×
8
1.66631
0.72063
2.06952
2类
2类
√
9
0.0
0.01537
0.1978
1类
1类
√
10
1.03344
0.7779
3.8549
2类
2类
√
11
3.84289
1.42107
5.34806
2类
3类
×
12
5.85473
3.06732
6.35658
2类
2类
√
注:
1类—轻型特种车辆,2类—轮式运载运输车辆,3类—战斗车辆
3.3基于混合传感器探测信号的机动目标分类
3.3.1基本设计原理
(1)传感器选型
地面战场上可以用于机动目标分类识别的微型传感器的类型有很多种,随着MEMS技术的发展,实现有效和可靠的探测功能是传感器选型的最基本、最关键的技术指标,另外微型化和低成本也是其次需要考虑的问题[11]。
作为终端系统的探头,这里采用双轴磁阻传感器(Honeywell1052)和双轴微震动加速度传感器(ADXL202J)采集数据。
它们集成在一个终端节点上,放置位置保证与道路方向或其垂直方向相一致。
考虑到数据传输量比较大,采样频率设置为20Hz,即每秒采集两种传感器信号数据为20次。
当目标经过磁阻传感器时,传感器探测出目标不同部位的各种偶极矩,尤其是车辆目标,磁场变化量可以揭示车辆的具体磁性特征,利用磁性扰动信号来区分不同类型的车辆。
微震动加速度传感器可以通过对地面震动情况的探测,分辨出经过目标是人员、轮式车辆还是履带式车辆,再结合磁性信号的分析,从而识别出目标的具体类型[12]。
采用点—点方式收集样本数据,包括磁性和地面震动加速度信号数据,对不同的目标类型进行样本训练,标定相应的输出电压,设计目标分类识别的算法程序,实