摘 要： 对国内外当前比较流行的军事目标识别的成像途径、分类方法梳理总结并对几种成像途径的军事目标识别的优劣势进行分析比较，最后对基于图像处理技术的军事目标识别方法与其他识别手段相结合的发展趋势做一简述。
关键词： 图像处理; 军事目标识别; 综述;
Abstract： The imaging methods and recognition methods of the current popular military target recognition at home and abroad are summarized and analyzed, and the advantages and disadvantages of military target recognition of several imaging approaches are analyzed and compared. Finally, the military target recognition method based on image processing technology and other identification methods are analyzed. A brief introduction to the development trend.
Keyword： image processing; military target recognition; review;
对敌军事目标侦查识别是对敌作战打赢制胜的先行步骤和基础环节，通过对敌可疑目标进行图像处理分析从而判定真伪、类别和实力具有重要研究价值。
1、 国内外基于图像处理技术的军事目标识别研究现状
从信息源的角度来说，当前国际上流行的对军事目标侦查识别的技术手段主要有：基于视觉信息（即图像）的侦测识别、基于声信号的侦测识别、基于机械震动的侦测识别、基于电磁信号的侦测识别、基于知识融合的侦测识别，等等。其中每一概类方法下又衍生出许多细分类别，比如基于图像的侦测识别可以分为基于可见光成像的侦测识别、基于红外光谱成像的侦测识别、基于卫星图像的侦测识别、基于毫米波成像的侦测识别、基于激光雷达成像的侦测识别、基于SAR成像的侦测识别、基于极化成像的侦测识别、基于高分辨距离像的侦测识别、基于多维像的侦测识别等；基于电磁信号的侦测识别还可以分为基于地面雷达回波信号的侦测识别、基于卫星雷达回波信号的侦测识别、基于多普勒特征的侦测识别、基于微动/微多普勒特征的侦测识别、基于双谱特征的侦测识别、基于高谱特征的侦测识别等。欧美国家采用基于雷达、红外遥感和光电成像作为基础手段衍生的技术较多，尤以卫星雷达、地面雷达、合成孔径雷达、极化合成孔径雷达、激光雷达的运用最多。
从对多源信息中获取的主流信息———目标图像技术处理的角度来说，当前国际上的识别方法仍然大致分为基于计算机机器视觉的诸多方法和基于卷积神经网络的深度学习方法。前者又包括基于可见光的成像识别、基于红外光谱成像识别、基于SAR/ISAR成像识别、基于极化成像识别、基于激光雷达成像识别以及复合方法识别，等等。随着计算终端受益于大数据与云计算概念的兴起及发展，基于卷积神经网络的深度学习方法逐渐成为目标识别的潮流技术，特别是针对复杂环境背景下的军事目标识别，有着传统机器视觉识别方法难以匹及的优势。
相比国内，先进国家特别是发达国家在军事目标识别领域的建树颇丰，理论更成熟，落地项目更多。比如美国应用在福特号航母上的宙斯盾系统以及爱国者反导系统，可以实现对敌导弹的精准追踪及航迹预测。比如俄罗斯的米28战斗机可以在空中自动识别飞行目标。比如美英合作推出的“追踪者”战术侦查车、欧洲研发的“芬内克”战术侦查车，均可以在战术范围内远程监测持续移动目标。我国在侦查识别方面起步较晚，技术水平相对滞后，很多理论还停留在书面构想与实验阶段，列装的识别平台也乏善可陈。2016陆军朱日和演习中，红军将蓝军侦查机误做己方侦查机放任通行，将己方返航侦查机误做蓝军侦察机实施打击，就充分暴露了我国在军事目标识别领域的短板。
2 、比较流行的基于几种成像方式的军事目标识别
当前比较流行的有基于可见光成像的识别技术、基于红外成像的识别技术、基于激光雷达成像的识别技术、基于SAR成像的识别技术、基于极化成像的识别技术，等等。
2.1 、基于可见光成像的军事目标识别
对静止及运动军事目标的图像抓取，通常通过卫星与无人机完成。对可见光成像的军事目标图像，学界研究如何运用传统算法与卷积神经网络实现图像的去噪、去雾、去阴天、去局部遮挡，以及目标背景分割、目标特征提取与目标分类鉴别。在民用交通网管理对车流智能监控识别系统中，对在可见光成像的简单场景下民用车辆的动中识别技术已十分成熟，学界认为转嫁军事领域车辆目标识别完全成为可能，但对伪装隐蔽目标识别的精准度要求变高，如何高效准确分割目标背景、辨别真假目标难度加大。专家认为有望攻破此难题的方法是以卷积神经网络为核心的多传感器复合算法，通过多线并行对复杂特征海量提取，综合多元特征比对，反复筛选过滤，达到训练检测目的。
2.2 、基于红外光谱成像的军事目标识别
红外成像技术在军事目标识别中应用较早。尔后在上世纪80年代，又衍生出红外光谱成像。在人工智能蓬勃发展为军事目标识别带来新途径之前，一直是国内外军事领域基于图像处理技术识别军事目标的主流方法。其原理是，任何物体都是热源，构成物体的不同物质会向外辐射不同强度、频度、波长的红外热线，在一定波段内的红外热线可以穿过大气层，远距离传播，到达己方接收端。接收端通过对表征目标不同特征的红外热线建模处理，进而对目标进行鉴别。建模的核心是将目标热源辐射的光谱频带与目标所在空间及几何形态相关联。这就需要建立目标样本红外光谱特征数据集。而光谱图的得到则是先找出目标光谱图与红外探头各像素的干涉图的映射关联，然后对干涉图进行测算并进行傅里叶转换，最终得到光谱图。我国南京理工大学对军用车辆红外辐射特征研究有所探索[1]，但还有瓶颈。印度、日本、以色列展开过相关研究[1,16]，但最能代表国际先进水平的是美俄双方在外场试验上的理论建模。红外光谱成像目标识别技术的缺点、难点在于，成像易受距离、视角、光照、大气辐射、传播途中物体遮挡等限制和干扰，成像效果不稳定，噪声多，对比度不高，目标背景分界不清晰。所以在对军事目标识别时无法做到普适性，但对特定条件下的目标识别效果较好，比如目标被大面积甚至全部遮挡、目标伪装色与背景色接近、目标轮廓不清晰、侦查气象为阴天或黑夜，以及其他不利于可见光成像的目标识别情形。
图1 红外成像示例图
2.3 、基于激光雷达成像的军事目标识别
激光最大的特点是能量聚焦，因而传播距离远、穿透能力强。伴随激光发射技术的不断提高，依靠激光成像成为可能。激光成像雷达在各军事强国早已普遍应用。其原理是，通过发射激光作用于军事目标之上，尔后反射回来的激光经过中继传输最终到达我方接收端进行解析。通过光谱解析可以知道目标表面不同位置区域的物理结构、材质组成，从而反映目标本质特征，然后重构出目标形象，得到目标的四维成像，再进一步进行分类识别。激光雷达成像的突出优点是还可以获取目标的强度像和距离像，以便于对目标的威胁性、部署布局进行综合预判。因而，基于激光雷达成像技术进行军事目标识别也成为较为火热的研究方向之一[3,4,5,17]。
图2 激光雷达成像示例图
图3 激光雷达成像重构目标形象示例图
2.4、 基于SAR成像的军事目标识别
从成像传感器的收发波段角度来看，可见光、红外射线、激光、SAR（合成孔径雷达）成像波分别处于不同波段。SAR成像波基本处在微波波段，波长厘米级或毫米级。可见光成像往往可以包含多波段的灰度信息，而SAR成像只能记录下一个波段的回波信息，且通过二进制复数的形式存储下来。再通过对每个像素的二进制数据进行转换，可得到相应的相位和振幅信息。振幅信息反映出目标对雷达波的后向散射强度，进而反映出目标的物质属性、粗糙程度等等，这与可见光成像获取的部分信息相近。但由于SAR成像的波段单一，抗噪能力差，成像的分辨率就相比可见光低很多，而且成像灰白，颜色单一，不如可见光成像色彩亮丽醒目、清晰易辨。但SAR传感器相位信息的获取则由于其跟GPS相位测距原理相同，这种相位信息是可见光成像无法捕捉的，因而SAR成像对比度更高，物体之间分界更清晰，目标更立体。SAR技术最早起源于美国，由美国国防部高级研究计划局DARPA提出，出自MSTAR计划，目的是寻求对运动与静止的军事车辆目标的捕捉及识别方法[2,6,7,8,9,18,19]。尔后，相关学者又进一步研究了改进方法。比如Bhnau[21,22]等人还就军车的SAR图像提出以电磁散射特征作为分类识别的一个抓手。Ravichandran B[23]等人在MSTAR实测数据的基础上，对SAR图像谱特征、空间特征与全局特征等多类特征都进行了解析，从而能够实现对5类军车的识别。我国基于SAR/ISAR图像的目标识别研究较为滞后，但也进行了相关研究[2,6,7,8]。
图4 SAR成像示例图
图5 可见光成像与SAR成像对比示例图
2.5 、基于极化成像的军事目标识别
极化成像技术的依托是合成孔径雷达的衍生物———极化合成孔径雷达。雷达遥感系统一般采用4类极化方式，分别是HH、VV、HV、VH。HH与VV是同向极化，HV与VH是交叉极化。其中H代表水平面内振动传播的电场矢量，V代表垂直平面内振动传播的电场矢量。由于极化测量技术不断发展，根据军事目标的极化特征进行分类识别成为军事目标识别的一个新途径。极化特征可从极化图像提取，当前，国外较为领先的极化成像技术PloSAR与PloISAR应用于美国的机载极化合成孔径雷达的GMTI模块，即对地运动目标检测识别。两类技术兼具极化测量与高分辨成像方面的突出优势，可以对目标进行十分精细的捕捉与描画。而我国国防科大也带头展开了基于极化成像技术的目标识别方法的相似探索[9,10]。
图6 极化成像示例图
3、 几种成像方式军事目标识别的优劣势
可见光成像的优势在于图像色彩多元，色调、亮度等差异明显，易于挖掘不同分类识别方法，相比基于其他波段的成像方式，可见光短距离传播抗噪性更强，但易散射，能量不集中，长距离传播受限于光照强度和传播通道媒介复杂度。基于可见光成像兴起的目标识别方法最多，也最易探索优化，目标特征相对容易提取，因而基于卷积神经网络的目标识别技术当前也主要应用于可见光成像。但可见光成像如果遇到天气不明朗，光照度不足，比如阴天、雾霾、黑夜、雨天、烟幕遮挡，就会成像较模糊或者根本无法体现目标，给后续的图像处理与目标识别带来困难，对摄像仪器光学器件性能也提出更高要求。如果目标所处背景环境复杂，可见光成像也难以有效捕捉刻画不同物体之间的距离信息，成像中目标背景划界问题为后续分割识别增加难度。此外，基于可见光成像的目标识别，由于最常用的是应用模板式特征提取，特征集的普适性不足，针对特定领域或特定目标的识别效果较好，但若遇到目标角度、形态、颜色等发生变化，识别准确度降低，需要重新训练扩充样本集，对训练和测试样本采集的数量、普适性提出更高要求。
激光雷达成像的优势在于激光粒子高度聚焦，能量集中，不易散射，传播距离比可见光更远，长距离传播抗噪性比可见光更强，能够穿透一定媒质和一定厚度的遮挡物到达目标，投射更精准，成像更精细。有利于精细刻画还原目标，有利于得到目标的强度像和距离像，得到目标四维信息，从而识别更精准，识别信息量更大。但色彩种类较少，仅限于可用作激光的几类波长粒子。基于激光雷达成像的目标识别，目标特征提取通常不能取颜色特征，因为成像颜色取决于激光有限色目，不能作为区分物体的有效依据。而要以形态、形状、轮廓、空间位置等其他要素作为特征点建立特征集。但相比基于可见光成像的目标识别，激光成像的目标识别可以发掘目标的物理结构和材质构成，不但能够识别出目标属性，对目标的坚固程度、防御能力的判别也能提供依据。
红外光谱成像的优势在于可以有效应对一般物体对目标的遮挡，可以在黑夜或天气不良情况下清晰成像。红外光谱成像不但可以提供红外图像，还可以提供光谱图像，可以通过图像提取特征信息，也可以通过光谱提取特征信息。红外探头与光谱成像仪在侦测目标中具有灵敏度高、自适应调节光谱分辨率、高分辨率、高信噪比、高通量、多频道等突出优点，因而能对微弱信号有效侦测，可以完成弱辐射侦测任务。此外，通过对图像与光谱的复合特征提取，提高了针对较低对比度图像与复杂背景的目标识别能力，也提高了侦测抗干扰能力，比如伪装遮挡、可见光波段干扰以及其他电磁干扰等，能够全时全候对真伪目标跟踪识别，进而确保目标识别可靠性与准确性。甚至有专家研究发现，采用超光谱或高光谱遥感侦测技术，采用多波段与高帧频的多光谱并行处理，能够极大提高侦测灵敏度，图像分辨率超过物理分辨率，能够完成对纵向较长距离与横向较小间距的目标分辨识别。但基于红外光谱成像的目标识别也有其目前难以克服的缺点。比如对运动目标的成像往往出现晕影，目标背景分界被晕染，比如光学仪器设计复杂、成本较高，光学器件成像精度对战场环境温度、湿度与酸碱度敏感，数据获取、处理、存储量偏大而系统空间受限，等等。
SAR成像的优点在于微波传播距离更远，所需衍射条件较低，因而对于遮挡的抗干扰性更强。而且由于是单波段回传，数据量相比可见光成像技术大大降低，对探测系统的数据处理与存储能力没有可见光成像系统要求高，因而对成像系统的设计复杂度门楷相对降低，设计、应用与维护成本也相对降低。此外，可以通过相位与振幅信息，捕捉目标的物质属性与粗糙程度等信息。SAR图像处理技术可以同时通过目标谱特征、全局特征与空间特征等多重手段综合判别目标类别，这是可见光成像无法比拟的。但由于SAR图像由单波段成像，所以成像颜色单一，无法将颜色作为目标识别特征，另外图像分辨率较可见光成像分辨率低，且单一波段抗电磁干扰能力不强。
极化成像是在SAR成像技术基础上加入电磁极化发展起来的成像技术。其具有SAR所拥有的技术优势，同时由于加入了极化处理，成像分辨率得以提高，捕捉图像更精细，还可以提供极化测量。其缺点是相较SAR成像系统设计更复杂，成本更高，且兼具SAR成像技术的其他缺陷。从极化图像提取极化特征进行目标识别，是相比基于可见光成像目标识别经典算法的新途径。
4 、结束语
将基于图像处理技术的目标识别方法与其他识别手段相结合是未来目标识别的热研方向。比如融合声波信号、多普勒信号、震动信号、电磁信号等多元信号，结合Gabor变换、小波变换、ICA独立成分分析、PCA主成分分析、超分辨算法、现代谱估计等分析判别工具，可以对图像识别技术有力补充与并行，更加可靠精准地识别作战目标。同时也是更加困难复杂的前沿尖端课题，对助力提升我军作战实力意义重大。
参考文献
[1]宣益民，韩玉阁.地面目标与背景的红外特征[M].北京：国防工业出版社，2004.
[2]郦苏丹.SAR图像特征提取与目标识别方法研究[D].长沙：国防科技大学，2001.
[3]陈晓清，马君国，付强，等.利用奇异值特征的激光成像雷达目标识别[J].红外与激光工程，2011,40(9):1801-1805.
[4]陈晓清，马君国，赵宏钟，等.基于二维小波变换的激光成像雷达目标识别算法[J].激光与光电子学进展，2011,48(4):1-4.
[5]甘志梅，王春香，杨明，等.基于激光雷达的车辆跟踪与识别方法[J].上海交通大学学报，2009,43(6):923-926.
[6]龙泓淋，皮亦鸣，曹宗杰.基于非负矩阵分解的SAR图像目标识别[J].电子学报，2010,38*(6):1425-1429.
[7]张静，王国宏，杨智勇，等.基于二维子分类鉴别分析的SAR图像识别方法研究[J].电子学报，2010,38.(4):798-803.
[8]张天序.成像自动目标识别[M].武汉：湖北科学技术出版社，2003.
[9]代大海.极化雷达成像及目标特征提取研究[D].长沙：国防科技大学，2008.
[10]吴晓芳，代大海，王雪梅，等.SAR车辆目标散射特性的变化规律[J].雷达科学与技术，2008,6(4):268-272.
[11]谢晓竹，何成.复杂环境背景下车辆目标识别研究综述.北京：装甲兵工程学院,2017.
[12]李开明.地面车辆目标识别研究综述[J].电子学报，2014,3(3):538-546.
[13]王芳，钱炜，李文超.基于数学形态的边缘提取方法[J].机械工程与自动化，2015(1):46-48.
[14]胡勇，赵春霞.单幅室外场景中的阴影检测与消除[J].南京理工大学学报，2015,2(35):1-5.
[15]梁岩，鲍长春，夏丙寅，等.基于高斯混合模型的压缩域语音增强方法[J].电子学报，2012,40(10):2031-2038.
[16] Gasasent David,Wang Yuchiang.A hierarchical classifierusing new support vector machines for automatic target recognition[J].Neural Networks,2005,18(5):541-548.
[17] Asuman E Koksal,Jeffrey H Shapiro,et al.Model-basedobject recognition using laser radar range imagery[A].Proceedings of SPIE on Signal Processing,Sensor Fusion and Target Recognition[C].Orlando,USA:SPIE,1999.256-266.
[18] Hummel R,Arlington.Model-based ATR using syntheticaperture radar[A].Proceedings of International Conferenceon Radar[C].Alexandria,USA:IEEE.2000.856-861.
[19] Huan Ruohong,Pan Yun.Target recognition for multi-aspect SAR images with fusion strategies[J].Progress in Electromagnetics Research,2013,134(3):267-288.
[20] Steven K Rogers,John M Colombi,et al.Neural networks for automatic target recognition[J].Neural Networks,1995,8(8):1153-1184.
[21] B hanu Bir,Yingqiang. Stochastic models for re cognition of occludedtargets[J].Pattern Recognition,2003,36(12):2855-2873.
[22] Ji K F,Xing X W,et al.Feature extraction of ground vehicles from high resolution SAR imagery based on electromagagnetic scattering characteristic[J].Applied Mechanicsand Materials,2012,190(7):778-785.
[23] Ravichandran B,Gandhe Avinash,et al.Robust automatictarget recognition using learning classifier systems[J].Information Fusion,2007,8(3):252-265.
[24] XIAO C,XIAO D,ZHANG L,et al.Efficient Shadow Removal Using Subregion Matching Illumination Transfer[J].Computer Graphics Forum,2013,32(7):421-43.
[25] Redondo-Cabrera C,Lopez-Sastre R,Acevedo-Rodriguez J,et al.SURFing the point clouds:Selective 3D spatial pyramids for category-level object recognition[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Providence,Rhode Island:IEEE,2012:3458-3465.
