基于多时间窗口的空中目标机动模式提取及识别方法

郑昌艳，梅 卫，冯小雨

(解放军军械工程学院，河北 石家庄 050003)



基于多时间窗口的空中目标机动模式提取及识别方法

郑昌艳，梅 卫，冯小雨

(解放军军械工程学院，河北 石家庄 050003)

针对现有空中目标机动模式识别算法中，机动模式提取方法实用性差和识别率不高的问题，提出了基于多时间窗口的空中目标机动模式提取及识别方法。该方法构造了多个不同尺度的时间窗口并制定了相对应的多时间窗口识别机制，使得机动模式的提取和识别环节之间相互配合，从而实现机动模式的识别，时间窗口采用的是卷积神经网络分类器。仿真试验证明，该方法对5种机动模式类型的识别率均达到了90%以上，有效解决了现有提取方法完全依赖特征点寻找、提取精度不高的问题，提高了机动模式识别的准确性及鲁棒性。

机动模式识别；机动模式提取；多时间窗口；卷积神经网络

0 引言

敌方在接近我方目标过程中，会表现出一系列具有规律性的运动方式和特性[1]，为更好把握空中态势变化和潜在威胁，很多意图识别算法中，已将宏观的机动模式(区别于跟踪滤波中微观的机动模式)作为变量进行了考量[2-3]。现有的机动模式识别算法大多将注意力集中在机动模式的特征提取、表达及分类器设计上，对机动模式提取方法研究的并不充分，并且机动模式识别方法的精度、鲁棒性以及实用性等都有待于进一步提高。

目标航迹数据是(ε,β,D)方位数据，有些探测器会给出目标的速度和加速度信息，也是在位置数据上计算得到，所以目前大多数算法是基于目标位置信息提取不同的运动参数特征进行组合表达，再利用模板匹配等分类方法来实现机动模式识别。

文献[4]通过提取目标角速度信息，实现了目标盘旋机动与转弯机动的识别，文献[5]提取目标在机动起始与结束时间内高度差、累加速度、累加航向角、累加俯仰角等，建立了战斗机飞行参数专家知识库，实现了战斗机近距离博弈动作例如下滑横滚等动作识别，识别率在80%左右，然而文献[4—5]的算法均是假定了机动模式在连续航迹中已被合理提取的前提。文献[6]通过战斗机在飞行中的过载变化特点分割出其机动段，并提取机动时间内战斗机侧倾角、俯仰角、高度差、航向角差等特征，通过匹配参数特征方法实现目标拉起、蛇形、滚转等机动模式的识别，识别率达到95%。但是该文献针对的是战斗机本身的性能测试，其识别数据来源于战斗机自身记载数据，而现实中目标探测数据误差则大的多，并且无法获得目标的过载数据。本文针对目前机动模式提取方法实用性差和机动模式识别率不高的问题，提出了基于多时间窗口的空中目标机动模式提取及识别方法。

1 基于时间窗口的机动模式提取

1.1 机动模式类型

本文研究对象为战斗机和巡航导弹这两类使用广泛的空袭兵器，暂不考虑如半斤斗、下降横滚这类主要体现在飞行器自身姿态角剧烈变化但宏观运动为直线的战斗机近距离搏斗动作，目标典型的机动模式类型主要是圆弧转弯、盘旋、蛇形机动、跃升、俯冲这5大类[7-10]。

1.2 现有提取方法存在的问题

从连续航迹中合理提取出目标机动模式，往往与特征点的寻找联系在一起，若能快速准确寻找出目标航迹的一些特征点，例如机动起始点、结束点，可实现大部分机动模式的提取。目前关于航迹特征点检测有一些代表性的研究，文献[11]将图像处理中边缘拐点检测算法应用到目标航迹的特征点寻找上，该方法本质上是找寻方向角突变点，文献[12]通过提取雷达回波信号特征，实现目标机动起始点检测。

现实中经过滤波跟踪得到的目标航迹数据仍有较大波动，在目标机动情况下数据波动更大，文献[11]这类数学几何求解方法是较为粗糙的特征点检测算法，在噪声较大的情况下，检测效果并不理想，文献[12]寻找的精度较高，但是需要额外的数据信息，并且算法复杂，计算量大，实时性很难保证。

同时，这种仅依赖特征点的提取方法还存在一个缺陷，即面对周期性的运动，例如蛇形机动或者盘旋机动，无法提取单个周期的机动模式，而现有的大多数识别算法考虑的是单个周期内的机动模式特征变化，因而并不适用。因此，机动段的提取在现实情况下存在很大困难，提取方法的精度和灵活性还有待提高。

1.3 时间窗口提取存在的问题及解决方案

考虑到航迹特征点检测精度不高及其固有缺陷，本文考虑采用时间窗口以实现提取，即提取一段固定时间的航迹数据进行识别。整体思路是，先利用拐点检测算法大致判断出目标的机动起始点，检测到起始点后意味着目标进入了机动阶段，利用时间窗口对航迹不断进行分割识别，直到目标机动结束。时间窗口机制受启发于人脑对连续运动的识别，即面对时间周期较长的运动变化，人脑会阶段性或连续性地给出目标运动状态的反馈，并在出现变化后综合前面的信息做出最终的判断。例如目标做了蛇形机动，人脑会反馈目标做了转弯运动，接着做了相反的转弯运动，再整体回想判断得出目标做了蛇形机动。本文抽象简化了这一系列思维活动，形成了时间窗口的提取模型。

采用时间窗口提取，避开了对目标机动结束时特定点的寻找，并且不存在周期性机动模式无法提取单个机动周期的问题。但是因为时间窗口具有固定性，分割具有时间差异性(目标做同一种机动模式的所用时间差距很大)的机动模式也面临着一些问题。

首先考虑较小尺度的时间窗口分割，因为小尺度分割较为灵活，且对于机动时间较长的机动模式，也可实时掌握目标机动的局部动态信息，有利于提高识别的实时性。通过分析可得，小尺度的时间窗口分割主要面临两个问题：

1)只关注局部而忽略整体

例如在识别周期较长的盘旋机动和蛇形机动时，小尺寸的时间窗口只对机动模式进行了部分提取，识别其局部是圆弧机动，而不能识别整体的机动模式类型。

2)分割到非定义的机动模式

时间窗口连续分割，会分割到不同机动模式之间的过渡段，例如跃升机动到俯冲机动的过渡段等。这些过渡段并非事先定义好的机动模式，也不具有固定机动模式明显的运动特征，故按照一般的运动参数特征提取方法，很难将其分类。

本文采取以下措施解决上述问题：

1)设立多种尺度时间窗口进行组合判断

将机动时间长的周期性机动模式——圆弧、蛇形及盘旋机动看成圆弧转弯机动的组成，在小尺度时间窗口识别后，再用更大尺度的时间窗口识别，从而形成由局部到整体的判断，这也是本文称为多时间窗口机动模式提取及识别方法的原因。

2)增加机动模式类型并构造卷积神经网络分类器

分析得出，过渡段可分为3种类型(将在下一章具体指出)，本文将这3类过渡段作为3种机动模式进行识别，即增加机动模式的类别。这样做增加了分类的难度，并且从表面上看这些过渡段的运动特征并不明显，因此也是对航迹的特征提取以及分类器的性能提出了更高的要求。

1.4 基于卷积神经网络的分类器

卷积神经网络[13](Convolutional Neural Networks，CNNs)是一种特殊结构的神经网络，该网络通过训练能够自动提取数据的本质特征，而这种非人工干预提取的特征不仅减少了设计者繁重的特征设计工作，同时识别效果往往比人工设计的特征要好的多[14]，因此本文设计并训练卷积神经网络作为各个时间窗口分类器。

虽然实现基于卷积神经网络的分类器模型比一般的特征参数模板匹配的方法要复杂得多，但它可以解决特征参数模板匹配方法的特征提取，往往只针对某一类或者某几类机动模式即综合性差的问题，以及在识别时易受其他因素影响，特征鲁棒性差的问题。

卷积神经网络的机动模式分类器的设计以及训练不是本文探讨的重点，在这里不过多介绍。

2 基于多时间窗口的机动模式识别

2.1 机动模式参数及时间窗口设计

假定目标在机动后一定进行了水平直线运动作为缓冲，即不同机动模式不连续发生。同时为配合时间窗口的机动模式识别，本文将目标水平直线运动也作为机动模式类型的一种。

目前最快的战斗机速度可高达3Ma，在考虑损耗的情况下，绝大部分战斗机速度维持在200～400 m/s[15-16]，巡航导弹的速度一般在0.7～0.9Ma[17]，即240～300 m/s，所以这两类目标在空中的速度区间大致在200～400 m/s；它们的飞行转弯速率在10～30(°)/s。目标在进入攻击区时一般会做多个蛇形机动以规避炮火，蛇形机动周期在5～20 s，蛇形机动幅度在50～200 m之间[6]；战斗机的平均爬升速度在50～150 m/s，平均俯冲速度200～400 m/s[18]，跃升俯仰角度范围30°～80°；盘旋机动是连续转弯角度超过360°的圆弧转弯机动，它的机动参数与圆弧转弯相同，因此盘旋机动周期至少为360°/(30(°)/s)=12 s，由于机动周期越大目标威胁越小，同时为简化问题，本文仅考虑盘旋机动周期小于20 s。

设计最小的时间窗口为5 s。通过分析，5 s时间窗口对机动模式进行分割，可能分割到的机动模式有水平直线运动、圆弧转弯机动、周期为T=5s的蛇形机动，跃升机动，俯冲机动，同时还有可能分割到圆弧到直线过渡段、跃升到俯冲机动过渡段、俯冲机动到直线这3种过渡段，共8种机动模式。

设计10 s、15 s、20 s这3种大尺度时间窗口，作为对大周期机动模式的整体判断，同时规定仅当小尺度时间窗口识别为圆弧机动时才会进行大尺度时间窗口的判断，因此10 s时间窗口包含圆弧转弯机动，周期5

为方便起见，赋予各类机动模式数字标签：水平直线运动0、圆弧转弯机动1、圆弧到直线过渡段2、蛇形3、跃升机动4、跃升到俯冲过渡段5、俯冲机动6、俯冲到直线过渡段7、盘旋8，则四个时间窗口可能出现的机动模式分别是：5 s时间窗口：0、1、2、3、4、5、6、7；10 s时间窗口：1、3；15 s时间窗口：1、3、8；20 s时间窗口：1、3、8。

2.2 多时间窗口的机动模式识别规则

检测到目标机动起始点后，开始执行机动模式识别程序。前期研究中，本人通过改进经典的累加弦长法拐点检测算法，实现了机动起始点较好的检测，多时间窗口的机动模式识别，直接利用改进的算法实现机动起始点检测。

2.1节明确了各个时间尺度窗口中的机动模式，现制定相应的识别规则：

1)5 s时间窗口对航迹数据进行不重叠地滑动识别，大时间窗口积累小尺度时间窗口中的航迹数据进行识别；

2)在小尺寸时间窗口均识别为圆弧转弯之后才会进行大时间窗口的识别，例如目标进行了17 s的圆弧转弯机动，当前两个5 s时间窗口均识别为圆弧机动后，才会利用10 s时间窗口进行识别，只有当10 s时间窗口和下一个5 s时间窗口均识别为圆弧机动后，才会再利用15 s时间窗口进行识别；

3)目标从机动退出到非机动，必定要经历水平直线、圆弧到直线过渡段、俯冲到直线过渡段，这3种机动模式中的一种。将这3种类型定义为退出机动模式，当识别出这三种机动模式之后，即发出退出识别和开始寻找下一机动起始点的信号；

4)对于周期性机动，可简化识别流程，即假如目标已被识别为周期性机动，那么之后只需利用5 s时间窗口找到退出模式即可，中间时刻可认为目标一直在持续该机动；

5)对于时间周期超过20 s的机动，不再给予识别，重新开启新一轮识别。

基于以上规则，多时间窗口的机动模式识别流程如图1所示，图中的虚线表示将两个小尺度时间窗口数据送入大尺度时间窗口中。

图1 多时间窗口机动模式识别流程图Fig.1 Multitime-windows maneuvering pattern identification algorithm

2.3 多时间窗口下的卷积神经网络分类器样本仿真

由多时间窗口识别流程图1可知，机动模式识别是在四个时间窗口的机动模式识别基础上实现的。由于基于神经网络的分类器输入端口固定，不同维度的数据无法直接送入同一个分类器中进行识别，而四个时间窗口对应的航迹数据维度不相同，同时四个时间窗口内的机动模式类型也不相同，因此考虑分别训练四个时间窗口的分类器，故要针对每个时间窗口机动模式生成训练样本。

现在大部分探测器提供目标在球坐标系下的(ε,β,D)位置数据，ε,β和D分别是角度数据和距离数据。类型不统一的数据作为卷积神经网络的输入需要进行额外的相关处理，耗费精力，因此，本文将球坐标系下的(ε,β,D)数据转为直角坐标系下类型统一的空间坐标数据(x,y,z)。

通过分析，训练样本仿真需要解决以下问题：

1)2.1节分析了各个机动模式的参数，但有些参数未指明但也需要考虑，例如飞行的航向角(0～360°)等，并且参数范围很大，不可能一一选值仿真；

2)时间窗口连续提取识别，提取的位置可能为机动模式的任意部分；

3)目标的机动起始点等参数与目标的机动动作形状并无太大关系，故还需要进行相应的数据预处理，并且还要符合神经网络对输入的要求。

解决方案如下：

1)将机动模式的各个参数进行间隔抽样，例如蛇形机动幅度参数为50～200 m，机动高度在1 000～5 000 m，分别设置采样间隔20 m、200 m，当然还有其他的一些参数。将这些抽样后的数据再分别进行随机组合抽取，得到多条完整的机动数据参数后进行仿真，可仿真生成多个训练样本；

2)将每种机动模式的仿真时间设定较长，根据各个时间窗口相对应的机动类型，截取相应时间长度的数据作为训练样本。截取的起始点设置了一个随机值，用来解决实际情况中时间窗口截取机动模式位置的不确定性；

3)去掉目标起始位置这样的“直流信号”，并将航迹数据归一化以符合神经网络输入要求，具体操作是：

①每条航迹样本减去它在时间窗口内的航迹数据均值，计算公式为：

(1)

②数据归一化，一方面可加速神经网络训练收敛的速度，一方面防止输入数据间数量级存在很大差异致使神经网络无法拟合。通常做法是调整到神经网络激活函数相对应的区间(d1,d2)。本文将数据归一化到区间(0.1,0.9)，计算公式为：

(2)

式中simax，simin为数据样本si的最大最小值，oi是si归一化后的结果。

图2为一条经过“去直流”和归一化预处理后的蛇形机动航迹数据。

图2 经过预处理的蛇形机动Fig.2 Preprocess of tracking data

各个时间窗口仿真生成多个仿真训练数据提供给卷积神经网络分类器训练。

3 仿真试验

3.1 基于多时间窗口的机动模式识别程序实现

伯克利视觉学习中心(Berkeley Vision and Learning Center，BVLC)和Github社区开发者共同开发的一款基于CUDA/C++编写的深度卷积网络学习框架CAFFE(Convolutional Architecture for Fast Feature Embedding)，是目前运行速度最快的卷积神经网络训练开源软件平台[19]。

利用该平台实现了单个时间窗口的卷积神经网络分类器的训练，并且4个时间窗口分类准确率均达到98%以上。由于分类器的设计、优化及其在开源平台中的实现、训练等需要较多的神经网络和CAFFE平台的背景知识，在此不再介绍。

4个时间窗口分类器在CAFFE中实现后，需在MATLAB中设计多时间窗口识别程序以实现识别，包含机动起始点检测、数据预处理、CAFFE中训练好的分类器调用等环节，设计好的程序流程如图3所示。其中，流程走向判断是基于2.2节提到的规则。

图3 多时间窗口MATLAB程序设计图Fig.3 The MATLAB program design of multi-time-windows identification method

3.3 机动模式识别试验

1)圆弧机动识别

图4所示为目标以14(°)/s的转弯速率实施了180°的转弯机动，转弯时间约为13 s，利用多窗口识别方法实时对该段航迹进行识别。

图4 180°转弯机动模式的识别Fig.4 180°turning maneuvering indentification

识别结果可直观描述：机动起始点被检测到后，开始积累数据，达到5 s时间后，立即调用5 s时间窗口进行识别，识别结果为圆弧机动；存储该5 s时刻航迹数据，继续积累下一5 s时间数据，再次进行识别，识别结果仍为圆弧，立即调用10 s时间窗口对这10 s数据进行识别，判定其为圆弧，将这10 s数据存储；继续积累数据，积累5 s时间后，5 s时间窗口判别为圆弧到直线过渡段，立即退出识别程序，删除存储的航迹数据，重新开始机动起始点检测。

识别结束后可查看单个时间窗口各个类别的概率得分score。图5中3列数据分别为3次5 s时间窗口的识别结果，行数1—8对应5 s窗口样本数据标签0—7(详见2.1小节)。由图可看出，前两个5 s窗口识别结果为圆弧的概率都几乎为1，即分类器“非常确定”对数据是圆弧的判断，第三个5 s窗口，判断是圆弧的概率是0.146 5，判断是圆弧到直线过渡段的概率为0.853 4，说明在对该段数据判断时，分类器“稍有犹豫”。

图5 分类器的输出结果Fig.5 The output of classifier

设置不同噪声、转弯角速度、转弯半径、机动持续时间等参数的圆弧机动100组，分别进行试验，最终达到预期效果的共有97组，识别率为97%。

2)蛇形机动

图6为目标连续进行了2.5个周期的蛇形机动，机动周期为11 s，幅度为300 m，图上已标明识别过程示意。

设置不同噪声、机动周期、机动幅度、机动速率等参数的蛇形机动100组，分别进行实验，最终达到预期效果的共有90组，识别率为90%。

其他机动模式试验过程与圆弧和跃升俯冲识别类似。经试验，多时间窗口机动模式识别方法对5类机动模式的识别率均达到了90%以上。

3.3 对比试验

将本文提出的方法同文献[20]提出的基于位置变化率的蛇形机动模式识别方法进行对比。

对文献[20]的方法进行了仿真试验。

图6 蛇形机动模式的识别Fig.6 S-maneuver indentification

图7 基于位置变化率的蛇形机动模式识别Fig.7 S-maneuver identification based on position slope method

文献[20]中，作者定义了三种特征点：拐点、参考点与极值点，图7(a)中①为拐点，③、⑤点是拐点①的参考点，②、④点极值点，找到这三种特征点之后，将相邻特征点之间数据进行直线拟合如图7(b)所示，并求出各段直线斜率，如果相邻直线斜率大小相等、符号相反，则判断目标做蛇形机动。

设置不同参数的100组蛇形机动模式数据，设定γ=0.05时，识别率最高但只有75%，而本文提出的方法识别率达到了90%，识别率提高了(90-75)/75×100%=20%。

分析知，该方法是完全依靠特征点进行机动段的提取。前文提到，在实际情况中特征点检测存在一定困难，不同特征点均较为准确地被找到则更难实现，并且特征点的检测偏差会对后续的特征提取以及特征参数匹配带来不可消除的误差。

本文提出的利用时间窗口的机动模式提取方法，能够较好避开对特征点的寻找，虽然在实现过程中需要构造多个窗口并且实现的流程较为复杂，但是能有效提高识别的鲁棒性和准确度，当然该方法的有效性与准确性离不开卷积神经网络分类器良好的性能。

4 结论

本文提出了基于多时间窗口的空中目标机动模式提取及识别方法。该方法构造了多个不同尺度的时间窗口并制定了相对应的多时间窗口识别机制，使得机动模式的提取和识别环节之间相互配合，从而实现机动模式的识别，时间窗口采用的是卷积神经网络分类器。仿真试验证明，该方法对5种机动模式类型的识别率均达到了90%以上，有效解决了现有提取方法完全依赖特征点寻找、提取精度不高的问题，提高了机动模式识别的准确性及鲁棒性。需要指出的是，四个时间窗口采用的是同一种分类器，因每个时间窗口机动模式类型不同和输入数据维度不同，故采取了分开训练、识别的方法，时间开销较大，之后将进一步研究数据预处理工作，整合多个时间窗口分类器。

[1]武华, 苏秀琴. 基于群广义直觉模糊软集的空袭目标威胁评估方法[J]. 控制与决策, 2015, 30(8): 1463-1468.

[2]童奇, 李建勋, 童中翔. 基于机动识别的空战意图威胁建模与仿真[J]. 现代防御技术, 2014, 42(4): 174-184.

[3]杨风暴.态势估计中目标意图识别的研究与实现[D]. 太原: 中北大学, 2012.

[4]任志强, 范国星. 飞机盘旋/转弯机动研究[J]. 飞行力学, 2014, 28(2): 24-27.

[5]高原, 倪世宏, 王彦鸿. 一种基于改进量子遗传算法的飞行状态规则提取方法[J]. 电光与控制, 2011, 18(1): 28-31.

[6]Wang Yongjun, Dong Jiang. Identification and Standardization of ManeuversBased upon Operational Flight Data[J]. Chinese Journal of Aeronautics, 2015,28(1): 133-140.

[7]林剑, 雷英杰. 基于直觉模糊神经网络的机动事件检测方法[J]. 计算机工程与设计, 2009, 30(6): 1458-1460.

[8]田虎森, 谢寿生. 基于粗糙集理论的飞行轨迹识别[J]. 火力与指挥控制, 2015,40(5): 29-33.

[9]冷画屏. 空中目标战术机动类型的实时识别[J]. 火力与指挥控制, 2011, 36(1):64-66.

[10]张宏. 巡航导弹的作战使用特点及对抗途径[J]. 舰船电子对抗, 2009, 32(4):19-24.

[11]韩萍, 于俊伟. 基于运动学分析的反舰导弹弹道识别[J]. 电光与控制, 2011, 18(9):31-34.

[12]祝依龙. 特征辅助的目标机动检测技术[D]. 长沙: 国防科技大学, 2011.

[13]Lee H, Grosse R, Ranganath R, et al.Convolutional Deep Belief Networks for Scalable Unsupervised Learning ofHierarchical Representations[C]// Proceedings of the 26th Annual International Conference on Machine Learning, 2009: 609-616.

[14]Krizhevsky A, Sutskever I, Hinton G E. Imagenet Classification with Deep Conolutional Neural Networks[C]// Advances inNeural Information processing systems, 2012： 1097-1105.

[15]杨保华. 飞机原理与构造[M]. 西安：西北工业大学出版社, 2011.

[16]卢成问. 世界飞机手册[M]. 北京：航空工业出版社, 1997.

[17]吴红, 王维平. 分布估计算法在巡航导弹航迹规划中的应用[J]. 电光与控制, 2010, 17(7): 6-10.

[18]蔺文彬, 王宪洲, 张丕旭. 一种跃升俯冲目标跟踪算法仿真研究[J]. 舰船电子工程, 2011, 31(6): 105-107.

[19]Jia Y, Shelhamer E, Donahue J.Caffe: ConvolutionalArchitecture for Fast Feature Embedding[C]// Proceedings of the ACM International Conference on Multimedia, 2014： 675-678.

[20]刘恒, 梅卫. 基于位置变化率的蛇形机动弹道识别[J]. 探测与控制学报, 2013,35(3): 37-40.

Maneuvering Pattern Extraction and Identification of Air Target Based on Multi-time-windows

ZHENG Changyan, MEI Wei, FENG Xiaoyu

(Ordnance Engineering College, Shijiazhuang 050003, China)

Considering the poor practicability of extraction and the low-precision in the existing air target maneuvering pattern identification, a new method based on multi-time-windows was proposed. This method utilized different size of time-windows and corresponding identification scheme, coordinating the extraction and identification process to realize the identification task, and the convolutional network was as the classifier for the time-window. Simulation results showed that 90% accuracy was achieved for the 5 kinds of maneuvering patterns, which demonstrated that the proposed method solved the low-extraction precision problem effectively which completely dependent on feature points seeking and was more efficient to gain better accuracy and robustness performance.

maneuvering pattern identification; maneuvering extraction; multi-time-windows; convolutional neural network

2016-03-11

国防“十二五”预研项目资助(40405070102)

郑昌艳(1990—)，女，江苏南京人，硕士研究生，研究方向：目标跟踪、机器学习。E-mail:echoaimaomao163.com。

TP399

A

1008-1194(2016)05-0081-07