1.本发明属于红外成像数据反演技术领域，具体涉及一种目标红外本征特性全链路综合反演方法。
背景技术：2.目标外场测试时一般处于高动态且测量距离较远的状态下，受运动模糊和光学弥散影响，采样获得的有效数据少、数据模糊，尤其在点目标和小目标情况下，弥散现象严重。由于目标的能量被分散，红外成像既无法反映目标真实大小，且边缘与背景辐射接近，又难以提取具体位置，而传统的亮温反演模型是通过红外设备输出的灰度反演目标亮度，进而根据辐射理论使用目标本身的发射率计算温度，这就要求灰度像素能真实反映目标各部位的辐射特性，即灰度像素既要体现目标的几何特性，又要体现目标的辐射特性，两者满足几何投影的对应关系时才能开展正确的反演，当红外成像无法反映目标真实投影关系时，就会导致目标提取后灰度像素无法正确对应目标部位，当发生弥散和运动模糊时，反演值也会与真实值有较大差异。
3.目标本征红外特征是武器装备外场红外特征测试所需要获得的最终测量值，只有获得准确的目标本征红外特征才能给出模型校核的准确值，然而在测试过程中所采样的值包含有目标本征辐射，环境辐射造成的反射、大气路径程辐射以及光学弥散并且受大气吸收影响，耦合特性及其复杂，同时采样过程中目标工况变化带来姿态变化、尾喷辐射变化导致测量值在不同条件下的测量值也不一致，因此目标红外特征反演需要考虑全链路对目标辐射的影响，按照传输过程进行解耦，才能获得精确的目标红外特征值。
4.然而现在的目标特征反演仅关注大气吸收与路径辐射，没有从全链路采样机理出发针对性的开展反演，尤其是针对目标对环境辐射的反射，光学弥散等特性缺乏细致的研究，对于其反射模型和弥散模型建模准确度低，反演误差大，对于非合作目标的反演也缺乏相应的研究，并且非合作目标测试的是外军装备，是虚拟系统建模仿真试验所急缺的模型，其准确性直接影响仿真试验的可信度。
5.因此只有提高目标红外特征测试设备、外场测试时的红外物理参数标定、环境因素实时测量精度以及目标数据高精度提取与反演技术，才能全面提升目标红外特征数据获取能力，从而解决当前武器装备红外特征数据精度低，模型校核，仿真验证应用困难的问题，提高主要作战对象典型目标与复杂实战环境模型准确度，增强红外场景虚拟仿真试验可信度验证水平，为武器系统虚拟试验环境构建，一体化综合试验验证技术提供技术支撑。
技术实现要素：6.针对上述存在的问题，本发明提供一种目标红外本征特性全链路综合反演方法，从全链路辐射耦合成像特性出发，构建目标成像链路辐射耦合模型，基于耦合模型和相关红外brdf参数、环境辐射、大气透过率以及设备噪声和成像效应实现目标本征红外特性的综合反演。
7.本发明的核心思路为：
8.从全链路红外辐射传输特性出发，逐层解耦，形成解析方程，给出目标本征的红外特征。本发明的方法基于理论模型进行估计修正，给出场景各因素准确的红外特征作为反演特性，而不是孤立的辐射特征值，从而从系统层面给出测试值、目标红外特征、环境辐射之间的关系，为高准确度建模提供完备的校核测试值，满足目标、场景红外建模仿真的需要。
9.实现本发明目的的技术解决方案为：
10.一种目标红外本征特性全链路综合反演方法，其特征在于，包括以下步骤：
11.步骤1：通过光学系统成像，得到目标红外测量图像；
12.步骤2：利用改进的光学弥散下的目标红外成像数据提取方法，得到目标辐射区域；
13.步骤3：在辐射区域内对待测目标进行工况估计；
14.步骤4：将步骤2得到的目标辐射区域以及步骤3得到的工况数据输入到目标全链路红外成像模型中，进行目标红外特征综合反演，最终得到目标红外测量图像特征。
15.进一步地，步骤2所述的目标红外成像数据提取方法的具体操作步骤为：
16.步骤21：计算目标红外测量图像的周围背景区域的亮度平均值，并将该平均值作为阈值；
17.步骤22：判断目标红外测量图像的亮度是否大于阈值，若大于，则获得弥散斑像素区域作为目标辐射区域。
18.进一步地，步骤3的具体操作步骤为：
19.步骤31：对合作目标的估计
20.通过飞参实时采集飞机的工况，得到目标的俯仰角、滚转角、姿态值、位置、速度；
21.步骤32：对非合作目标的估计
22.建立三维姿态信息识别框架，基于该识别框架对对非合作目标进行估计，得到目标的俯仰角、滚转角、姿态值、位置、速度。
23.进一步地，步骤32的具体操作步骤为：
24.步骤321：将不同姿态条件下的目标红外测量图像经过图像分割转化为二值目标图像；
25.步骤322：在得到的二值化目标图像中，提取目标轮廓，利用姿态图像数据库作为基准样本，基于图像形状分析方法与角度距离曲线幅值相位推理方法得到方位角φ；
26.步骤323：在二值化目标图像中，提取rts特征不变量；
27.步骤324：对得到的rts特征不变量进行归一化处理；
28.步骤325：由不同姿态条件下得到的特征不变量构建训练数据集，训练神经网络；
29.步骤326：将待测的目标红外测量图像输入训练好的神经网络，得到俯仰角θ和滚转角γ；
30.步骤327：利用神经网络得到待测的目标红外测量图像当前帧的姿态概率值，并将概率值进行排序，取前四个作为可能的姿态值；
31.步骤328：基于改进的hausdorff距离测度的轮廓匹配方法检验其中任意两个姿态值，并进行滤波检验得到当前帧的姿态估计值；
32.步骤329：基于姿态估计值构建序列图像位置信息滤波模型，利用该模型对当前帧的位置、速度进行估计，最终得到位置和速度信息。
33.进一步地，步骤329的具体操作步骤为：
34.步骤3291：将位置信号记为x(t)，则满足：
[0035][0036]
其中，α、β表示一段时间内的起点和终点，w(t)为白色正态过程，且w(t)的均值和协方差为：
[0037][0038]
步骤3292：令x(t)的均值满足：
[0039][0040]
同时，令x(t)的方差满足：
[0041][0042]
则，可得速度均值为：
[0043][0044]
进一步地，步骤4的具体操作步骤包括：
[0045]
步骤41：将得到俯仰角、滚转角、姿态值、位置、速度输入到目标全链路红外成像模型，该成像模型为目标
→
背景
→
干扰
→
大气
→
探测系统的传输链路模型；
[0046]
步骤42：基于该目标全链路红外成像模型，建立全链路成像方程组并对该方程组进行求解；
[0047]
步骤43：得到每幅采样数据的对应目标部位的红外辐射亮度值。
[0048]
优选地，步骤326所述的神经网络为bp神经网络、grnn网络分类器、v-svm回归机中的任意一个。
[0049]
优选地，步骤323得到的特征不变量包括hu矩、fourier描述子、 dct描述子。
[0050]
本方法与现有技术相比，具有以下有益效果：
[0051]
本发明针对典型目标红外特征测试设备、外场测试时的红外物理参数标定、环境因素实时测量以及目标数据高精度提取与反演技术，形成规范的武器装备的外场红外特征测试方法，用以全面提升目标红外特征数据获取能力，解决当前武器装备红外特征数据精度低，模型校核，仿真验证应用困难的问题，提高主要作战对象典型目标与复杂实战环境模型准确度，增强红外场景虚拟仿真试验可信度验证水平，为武器系统虚拟试验环境构建，一体化综合试验验证技术提供技术支撑。
[0052]
本发明基于该耦合模型并结合相关红外brdf参数、环境辐射、大气透过率以及设备噪声和成像效应实现目标本征红外特性的综合反演，能够有效提升测试数据的准确度，为传统的亮温反演模型校核和仿真验证提供准确的目标、环境红外辐射数据和耦合关系数据，提升整个虚拟仿真试验的可信度。
附图说明
[0053]
图1为非合作空中目标的姿态估计流程图；
[0054]
图2为姿态图像数据库的示意图；
[0055]
图3为空中目标的红外成像链路模型示意图。
具体实施方式
[0056]
为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。
[0057]
一、光学弥散下的目标红外成像数据提取
[0058]
实际外场测试时，由于空中目标较相对光学系统较远时，其经过光学系统所成的像一般为点目标，即其在探测器像元上的面积在几个像素面积左右，这时由于光学系统的衍射作用，其能量是弥散的，针对这种情况，应用传统的辐射特性提取方法会影响辐射特性测量的精度，因此本发明基于能量、几何投影关系以及多波段辐射特性相互关系提出一种新的光学弥散下的目标红外成像数据提取方法。
[0059]
首先根据能量守恒定律可知通过通光孔径的辐射通量与形成弥散斑的辐射通量是相同的，而弥散斑是围绕目标在探测器上的投影形成的，并且由于弥散斑大小与目标能量相关，能量越大所形成的弥散斑越大，因此本发明考虑不同波段弥散斑的大小，长波由于蒙皮辐射能量大，因此在侧向和迎头长波的弥散斑应最强，而在尾后尾喷口中短波能量强，故而选择最大区域(目标红外成像图像中的弥散斑像素区域)的并集作为目标辐射区域，即选取最大区域周围背景区域的亮度平均值为阈值，大于阈值则为弥散斑像素区域，从而获得像素弥散斑区域，即为目标区域。
[0060]
二、非合作目标的工况估计
[0061]
目标工况与目标红外特征息息相关，是目标红外建模仿真的重要参数，对于传统的靶场测试，可以通过飞参实时采集飞机的工况，但对于国外的飞机等非合作目标，其飞行数据无法公开获得，要想获得相关参数如姿态、位置必须通过测试数据反向推演获得，故而提出了三维姿态信息识别框架，用于识别非合作目标的姿态、位置。
[0062]
目标姿态识别属于计算机视觉和模式识别的范畴，由红外成像探测器获取图像推断飞机目标姿态是一个单目视觉问题，具有较大的难度。由计算机视觉可知，若已知3d结构的目标，可以经仿射变换或射影变换方便的获得其不同姿态角下的投影图像。但是仿射或射影变换投影得到的图像与弹目距离和视角具有很强的非线性关系，从不同距离与视角得到的图像是不同的，许多几何性质不具有不变性，例如平行的两条直线在图像上的投影一般不平行，线段的长度也与弹目距离与方位有关，从而存在样本数据冲突问题。这就导致了由2d图像求解其三维姿态非常困难。而对于红外图像而言，灰度反映的是飞机各部分的辐射能量，不反映结构部件的深度信息，能够利用上的仅有形状特征和特殊区域如发动机喷口等的辐射特性，识别的解常具有多解的性质。
[0063]
为此本发明基于机器学习方法设计了三维姿态信息识别框架，解决样本数据冲突问题、多解性问题。经过分析姿态图像特征量的分布特点，将角度识别这一多类识别问题转化为非线性函数逼近问题。利用平移、旋转、缩放不变量来构建特征向量，利用三种网络构建姿态估计器进行验证研究。具体识别框架结构如图1所示，包括以下步骤：
[0064]
(1)通过光学系统测量得到不同姿态条件下的红外成像，基于所述红外成像获得的实时红外图像经过图像分割转化为二值目标图像，此时忽略尾焰影响，专注于利用区域和边缘的目标特征检测和姿态估计。
[0065]
(2)在二值化目标图像中，提取目标轮廓，利用如图2所示的姿态图像数据库作为基准样本，基于现有技术中已公开的图像形状分析方法与角度距离曲线幅值相位推理方法得到机轴在成像平面内投影与成像平面x轴夹角，即方位角φ。
[0066]
(3)在二值化目标图像中，提取rts特征不变量，包括hu矩、 fourier描述子、dct描述子。
[0067]
(4)数据的归一化(标准化)。在网络的训练和测试前，将不变量进行归一化处理，防止净输入绝对值过大引起的神经元输出饱和现象。
[0068]
(5)由不同姿态条件下得到的特征不变量构建训练数据集，训练bp神经网络或者grnn网络分类器或者v-svm回归机。
[0069]
(6)将测试图像得到的归一化特征向量输入分类器/回归机，利用网络逼近能力拟合得出飞机空间姿态与成像平面的夹角，即俯仰角θ和滚转角γ。
[0070]
(7)估计得到的姿态，通过分类器得到概率值，将概率值进行排序，取前四个为对应的四个姿态值，利用基于已公开的改进的hausdorff距离测度的轮廓匹配方法检验可能的两个姿态值，利用序列图像姿态变化的相关性进行滤波检验得到当前帧的姿态估计值。
[0071]
在姿态估计值的基础上构建序列图像位置信息滤波模型，信息滤波的解决方法是基于位置、速度变化连续性事实。即通过序列图像位置、速度的连续性，利用前面几帧序列而对当前帧位置速度进行估计，该序列图像位置信息滤波模型的构建步骤包括：
[0072]
步骤1：假设姿态信号随时间的变化是一个连续正态——马尔可夫过程，若记位置信号为x(t)，则满足：
[0073][0074]
其中w(t)为白色正态过程，其均值和协方差为：
[0075][0076]
步骤2：令x(t)的均值满足：
[0077][0078]
若令x(t)的方差
[0079][0080]
则式(1)-(2)则为建立的序列图像位置信息滤波模型，利用该序列图像位置信息滤波模型可建立姿态与位置参数的状态方程组，利用kalman滤波模型估计位置和速度信息。
[0081]
发动机工况在红外目标特性中表现最为明显的是中波和短波特征，结合距离和姿态估计分析中短波成像数据的变化实现发动机工况的估计。
[0082]
三、基于目标全链路红外成像模型的目标红外特征综合反演方法
[0083]
空中目标的红外特征测试过程中，光电系统信号传递和转换过程是受全链路影响因素耦合作用的复杂动态过程，其链路模型为“目标
→
背景
→
干扰
→
大气
→
探测系统”的传输链路模型，如图3所示。
[0084]
通常情况下，目标的本征辐射在红外成像过程中包含环境与各单元模块之间的诸多非线性和线性物理效应耦合，因此在测试过程中需要通过目标物理参数和背景环境辐射参数的测量获得相应的量，然后从真实反映系统真实测试过程的角度出发，基于光线追迹原理，利用红外全链路成像模型与测试值相结合，构建全链路成像方程组，求解每幅采样数据的对应目标部位的红外辐射亮度值。
[0085]
考虑到测试误差的存在本方程组可能为矛盾方程组，通过最小二乘法解矛盾方程组就可获取近似的辐射亮度值。
[0086]
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。尽管参照前述实施例对本发明专利进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
技术特征：1.一种目标红外本征特性全链路综合反演方法，其特征在于，包括以下步骤：步骤1：通过光学系统成像，得到目标红外测量图像；步骤2：利用改进的光学弥散下的目标红外成像数据提取方法，得到目标辐射区域；步骤3：在辐射区域内对待测目标进行工况估计；步骤4：将步骤2得到的目标辐射区域以及步骤3得到的工况数据输入到目标全链路红外成像模型中，进行目标红外特征综合反演，最终得到目标红外测量图像特征。2.根据权利要求1所述的一种目标红外本征特性全链路综合反演方法，其特征在于，步骤2所述的目标红外成像数据提取方法的具体操作步骤为：步骤21：计算目标红外测量图像的周围背景区域的亮度平均值，并将该平均值作为阈值；步骤22：判断目标红外测量图像的亮度是否大于阈值，若大于，则获得弥散斑像素区域作为目标辐射区域。3.根据权利要求1所述的一种目标红外本征特性全链路综合反演方法，其特征在于，步骤3的具体操作步骤为：步骤31：对合作目标的估计通过飞参实时采集飞机的工况，得到目标的俯仰角、滚转角、姿态值、位置、速度；步骤32：对非合作目标的估计建立三维姿态信息识别框架，基于该识别框架对对非合作目标进行估计，得到目标的俯仰角、滚转角、姿态值、位置、速度。4.根据权利要求3所述的一种目标红外本征特性全链路综合反演方法，其特征在于，步骤32的具体操作步骤为：步骤321：将不同姿态条件下的目标红外测量图像经过图像分割转化为二值目标图像；步骤322：在得到的二值化目标图像中，提取目标轮廓，利用姿态图像数据库作为基准样本，基于图像形状分析方法与角度距离曲线幅值相位推理方法得到方位角φ；步骤323：在二值化目标图像中，提取rts特征不变量；步骤324：对得到的rts特征不变量进行归一化处理；步骤325：由不同姿态条件下得到的特征不变量构建训练数据集，训练神经网络；步骤326：将待测的目标红外测量图像输入训练好的神经网络，得到俯仰角θ和滚转角γ；步骤327：利用神经网络得到待测的目标红外测量图像当前帧的姿态概率值，并将概率值进行排序，取前四个作为可能的姿态值；步骤328：基于改进的hausdorff距离测度的轮廓匹配方法检验其中任意两个姿态值，并进行滤波检验得到当前帧的姿态估计值；步骤329：基于姿态估计值构建序列图像位置信息滤波模型，利用该模型对当前帧的位置、速度进行估计，最终得到位置和速度信息。5.根据权利要求4所述的一种目标红外本征特性全链路综合反演方法，其特征在于，步骤329的具体操作步骤为：步骤3291：将位置信号记为x(t)，则满足：
其中，α、β表示一段时间内的起点和终点，w(t)为白色正态过程，且w(t)的均值和协方差为：m
w(t)
＝e(w(t))步骤3292：令x(t)的均值满足：同时，令x(t)的方差满足：则，可得速度均值为：6.根据权利要求4所述的一种目标红外本征特性全链路综合反演方法，其特征在于，步骤4的具体操作步骤包括：步骤41：将得到俯仰角、滚转角、姿态值、位置、速度输入到目标全链路红外成像模型，该成像模型为目标
→
背景
→
干扰
→
大气
→
探测系统的传输链路模型；步骤42：基于该目标全链路红外成像模型，建立全链路成像方程组并对该方程组进行求解；步骤43：得到每幅采样数据的对应目标部位的红外辐射亮度值。7.根据权利要求4所述的一种目标红外本征特性全链路综合反演方法，其特征在于，步骤326所述的神经网络为bp神经网络、grnn网络分类器、v-svm回归机中的任意一个。8.根据权利要求4所述的一种目标红外本征特性全链路综合反演方法，其特征在于，步骤323得到的特征不变量包括hu矩、fourier描述子、dct描述子。
技术总结本发明公开了一种目标红外本征特性全链路综合反演方法，从全链路辐射耦合成像特性出发，构建目标成像链路辐射耦合模型，基于耦合模型和相关红外BRDF参数、环境辐射、大气透过率以及设备噪声和成像效应实现目标本征红外特性的综合反演，提升测试数据的准确度，为模型校核和仿真验证提供准确的目标、环境红外辐射数据和耦合关系数据，提升整个虚拟仿真试验的可信度。的可信度。的可信度。
技术研发人员：张凯 杨尧 荆淇
受保护的技术使用者：西北工业大学
技术研发日：2022.07.16
技术公布日：2022/11/1
