CN102592119B - 四维可计算激光成像目标探测、识别及辨识性能预测方法 - Google Patents

Abstract

本发明公开了一种四维可计算的激光成像目标探测、识别及辨识性能预测方法，以多项式或指数函数为曲线拟合函数，选择特定成像参数的样本图像数据库拟合得到探测/识别/辨识概率计算公式，采用该公式计算得到被测图像的探测/识别/辨识概率。本发明开创性的提出了适用于激光成像目标探测、识别和辨识性能预测的四维可计算准则，将人的主观判断用计算机算法近似实现，可操作性强。

Description

四维可计算激光成像目标探测、识别及辨识性能预测方法

技术领域

本发明属于目标识别领域，具体涉及一种四维可计算的激光成像目标探测、识别及辨识性能预测方法，用于激光自动目标识别性能预测。

背景技术

成像器对目标图像(序列)的分辨能力分为三个等级，即检测(detection)、识别(recognition)与辨识(identification)，此三级分辨各类目标的能力是生物，特别是人类所独具的，约束识别能力的主要因素与基本规律一直是人类想破解的，因为人类希望计算机来实现这一功能。在此，目标四维图像指的是激光三维距离图像和强度图像的融合结果图。

在国内外，目前公开文献中还未有四维激光成像目标探测、识别、辨识的可计算准则与性能预测方法。更重要的是，Johnson准则仅适用于二维图像，且Johnson准则仅以空间分辨率(线对数)为可变参数来界定50％的探测概率、识别概率和辨识概率，参数单一，不适应多参数可变的复杂条件。

发明内容

为了克服现有Johnson准则仅适用于二维图像的局限性、以及其主观性、随机性和不可重复性，本发明提供了一种四维可计算的激光成像目标探测、识别及辨识性能预测方法。

四维可计算的激光成像目标探测性能预测方法，具体为：获取目标激光三维距离图像和强度图像，将激光三维距离图像和强度图像融合为目标激光四维图像，计算目标激光四维图像的目标探测概率P＝f(X)，X为信噪比或线对数或成像距离，目标探测概率P＝f(X)越大则表明目标被探测成功的可能性越大；

其中，f(X)＝b₃×exp(b₂×X)+b₁×exp(b₀×X)

或f(X)＝a_nXⁿ+a_n-1X^n-1+a_n-2X^n-2+…+a₁X+a₀，n≥4系数b₀、b₁、b₂、b₂或a_n，a_n-1，…，a₀通过使用样本激光四维图像序列(x_i，y_i)作二维曲线拟合确定，x_i表示第i个样本激光四维图像的信噪比或线对数或成像距离，y_i表示第i个样本激光四维图像的目标探测概率；

所述线对数

$\mathrm{LP}=\sqrt[1/4]{{\mathrm{LP}}_x\×{\mathrm{LP}}_y\×{\mathrm{LP}}_z\×{\mathrm{LP}}_I}$ 或(LP+LP_y+LP_z+LP_I)/4，X方向的线对数LP_x＝目标成像宽度/像元空间分辨率，Y方向的线对数LP_y＝目标成像长度/像元空间分辨率，距离维的线对数LP_z＝目标成像高度/像元空间分辨率，强度维I上的线对数LP_I＝目标成像强度/像元空间分辨率。

所述样本激光四维图像的目标探测概率采用多级滤波方法确定。

四维可计算的激光成像目标识别性能预测方法，具体为：获取目标激光四维距离图像，计算目标激光四维距离图像的目标识别概率P′＝f′(Y)，Y为信噪比或线对数或距离分辨率或(信噪比，线对数)或(信噪比，距离分辨率)或(线对数，距离分辨率)，目标识别概率P′＝f′(Y)越大则表明目标被识别成功的可能性越大；

其中，f′(Y)＝a_n′Yⁿ+a_n-1′Y^n-1+a_n-2′Y^n-2+…+a₁′Y+a₀′，系数a_n′，a_n-1′…，a₀′通过使用样本激光四维图像序列(x′_i，y′_i)作二维曲线或三维曲面拟合确定，二维曲线拟合时x′_i表示第i个样本激光四维图像的信噪比或线对数或距离分辨率，三维曲面拟合时x′_i表示第i个样本激光四维图像的(信噪比，线对数)或(信噪比，距离分辨率)或(线对数，距离分辨率)，y′_i表示第i个样本激光四维图像的目标识别概率；

所述线对数

$\mathrm{LP}=\sqrt[1/4]{{\mathrm{LP}}_x\×{\mathrm{LP}}_y\×{\mathrm{LP}}_z\×{\mathrm{LP}}_I}$ 或(LP_x+LP_y+LP_z+LP_I)/4，

X方向的线对数LP_x＝目标成像宽度/像元空间分辨率，Y方向的线对数LP_y＝目标成像长度/像元空间分辨率，距离维的线对数LP_z＝目标成像高度/像元空间分辨率，强度维I上的线对数LP_I＝目标成像强度/像元空间分辨率。

所述样本激光四维图像的目标识别概率采用归一化互相关方法确定。

四维可计算的激光成像目标辨识性能预测方法，具体为：获取目标激光四维图像，计算目标激光四维图像的目标辨识概率P″＝f″(Z)，Z为信噪比或线对数或距离分辨率或(信噪比，线对数)或(信噪比，距离分辨率)或(线对数，距离分辨率)，目标辨识概率P″＝f″(Z)越大则表明目标被辨识成功的可能性越大；

其中，f″(Z)＝a_n″Zⁿ+a_n-1″Z^n-1+a_n-2″Z^n-2+…+a₁″Z+a₀″，n≥4

系数a_n″a_n-1″，…，a₀″通过使用样本激光四维图像(x_i″，y_i″)作二维曲线或三维曲面拟合确定，二维曲线拟合时x_i″表示第i个样本四维图像的信噪比或线对数或距离分辨率，三维曲面拟合时x_i″表示第i个样本激光四维图像的(信噪比，线对数)或(信噪比，距离分辨率)或(线对数，距离分辨率)，y_i″表示第i个样本激光四维图像的目标辨识概率；

所述线对数

$\mathrm{LP}=\sqrt[1/4]{{\mathrm{LP}}_x\×{\mathrm{LP}}_y\×{\mathrm{LP}}_z\×{\mathrm{LP}}_I}$ 或(LP_x+LP_y+LP_z+LP_I)/4，

X方向的线对数LP_x＝目标成像宽度/像元空间分辨率，Y方向的线对数LP_y＝目标成像长度/像元空间分辨率，距离维的线对数LP_z＝目标成像高度/像元空间分辨率，强度维I上的线对数LP_I＝目标成像强度/像元空间分辨率。

所述样本激光四维图像的目标辨识概率采用归一化互相关方法确定。

若目标激光三维距离图像和强度图像为仿真图像，则还对目标激光三维距离图像和强度图像加噪。

所述对目标激光三维距离图像和强度图像加噪的具体实现方式为：

计算X₁＝-(2+SNR)×ln(1-U₁) $X_2=-\ln (1-U_2^{\left(\frac{1}{N-1}\right)})$

其中，SNR表示信噪比，U₁和U₂为在区间[0，1]上服从均匀分布的两个独立同分布的随机变量，N为距离图像或强度图像的像素总数；

对于激光三维距离图像，若X₂＞X₁，则发生了距离反常，用X₂代替距离图像中的距离值，完成三维距离图像加噪；

对于激光强度图像，强度图像中像素的强度值设置为max(X₁，X₂)，完成激光强度图像的加噪。

为了克服现有Johnson准则仅适用于二维图像的局限性、以及其主观性、随机性和不可重复性，本发明提供了一种四维可计算的激光成像目标探测、识别及辨识性能预测方法——Zhang-Ding四维可计算准则，将其与Johnson准则相比，优点体现在：

1)本发明针对Johnson准则仅适用于二维图像的局限性，开创性的提出了适用于激光成像目标探测、识别和辨识性能预测的四维可计算方法；

2)依据样本图像拟合得到预测计算公式，可进行正运算和逆运算，采用计算机算法近似实现代替人的主观判断，可操作性强；

3)Johnson准则仅对目标的典型的几个方位角作试验分析，本发明可通过仿真对任意视角进行计算；

4)可计算出目标的任意探测概率、识别概率和辨识概率，为自动目标识别系统性能评价提供客观理论依据。

附图说明

图1为四维可计算的激光成像目标探测、识别、辨识性能预测方法流程图；

图2为构建目标样本数据库流程图；

图3为方位角(az)及俯仰角(el)在三维坐标系中的定义示意图；

图4为离散三维坐标系中线对数表示示意图；

图5a为B6MG_L飞机的三维模型图；

图5b为B6MG_L飞机的激光三维距离图像；

图5c为B6MG_L飞机的激光强度图像；

图5d为B6MG_L飞机的激光四维图像，即三维距离图像与强度图像的融合结果图；

图5e为B6MG_L飞机的加噪距离图像(信噪比为100)；

图5f为B6MG_L飞机的加噪强度图像(信噪比为100)；

图5g为B6MG_L飞机的多尺度多视点特性试图；

图5h为B6MG_L飞机的多尺度多视点轮廓图；

图5i为B6MG_L飞机的多尺度多视点轮廓加噪图；

图6为探测流程图；

图7为信噪比SNR＝5，旋翼直升机500D目标的探测概率与成像距离的关系示例图；

图8为信噪比SNR＝100，旋翼直升机500D目标的探测概率与成像距离的关系示例图；

图9为信噪比SNR＝5，固定翼飞机F117目标的探测概率与线对数的关系示例；

图10为信噪比SNR＝60，固定翼飞机F117目标的探测概率与线对数的关系示例图；

图11为线对数LP＝64，旋翼直升机500D目标的探测概率与信噪比的关系示例图；

图12为识别流程图；

图13为信噪比SNR＝100，线对数LP和距离分辨率LP_RR与识别概率的三维曲面关系示意图；

图14为距离分辨率LP_RR＝47，线对数LP和信噪比SNR与识别概率的三维曲面关系示意图；

图15为线对数LP＝64，距离分辨率LP_RR和信噪比SNR与识别概率的三维曲面关系示意图；

图16为信噪比SNR＝100，距离分辨率LP_RR＝49，识别概率与线对数的关系示意图；

图17为线对数LP＝16，距离分辨率LP_RR＝49，识别概率与信噪比的关系示意图；

图18为线对数LP＝16，信噪比SNR＝100，识别概率与距离分辨率的关系示意图；

图19为辨识流程图；

图20为信噪比SNR＝100，线对数LP和距离分辨率LP_RR与辨识概率的三维曲面关系示意图；

图21为距离分辨率LP_RR＝47，线对数LP和信噪比SNR与辨识概率的三维曲面关系示意图；

图22为线对数LP＝64，距离分辨率LP_RR和信噪比SNR与辨识概率的三维曲面关系示意图；

图23为信噪比SNR＝100，距离分辨率LP_RR＝49，辨识概率与线对数的关系示意图；

图24为线对数LP＝40，距离分辨率LP_RR＝49，辨识概率与信噪比的关系示意图；

图25为线对数LP＝16，信噪比SNR＝100，辨识概率与距离分辨率的关系示意图；

图26a为线对数LP＝64情况下，识别概率与信噪比在二维、三维和四维情况下的对比关系图；

图26b为线对数LP＝64情况下，辨识概率与信噪比在二维、三维和四维情况下的对比关系图；

图27a为信噪比SNR＝100，识别概率与线对数在二维、三维和四维情况下的对比关系图；

图27b为信噪比SNR＝100，辨识概率与线对数在二维、三维和四维情况下的对比关系图。

具体实施方式

下面结合附图和实例对本发明进行详细说明。

图1给出本发明整体流程图，本发明预先构建目标样本数据库，利用样本数据拟合得到所述成像参数集下的探测/识别/辨识概率计算公式。

图2给出了目标样本数据库的构建流程，具体为：

(1)目标四维图像获取

目标四维图像是利用激光成像探测器或计算机仿真所得到的目标区域的三维距离图像和强度图像的融合结果图，即仿真的目标四维图像或实测的目标四维图像。在距离图像中体现了目标三维形状，以及目标区域相对成像点的三维距离信息。目标的强度图像体现了目标表面材质的反射/辐射强度信息。在获取目标的三维距离图像和强度图像时需要设置图像的参数设置信息，表1给出了具体参数设置示例。

表1图像可分辨准则参数列表

对于建立目标样本数据，成像距离表示目标与成像器之间的空间距离；线对数表示目标在四维图像中的成像大小(1个线对大约为2～3个像素)；信噪比则表示目标图像的成像质量。距离分辨率用于表征在将实际距离值量化为图像灰度值时所表征的四维图像的灰度等级总数，即距离分辨率越高，量化后的图像距离分辨等级数越高，图像在距离维上的细节信息越丰富。对于同一个目标样本而言，在不同的成像距离下，所得到的四维图像中目标成像大小随着成像距离的减少而逐渐增大；在相同成像距离条件下，距离分辨率越高，量化后的图像距离分辨等级数越高，图像中的目标信息越丰富；另外，对于信噪比高的四维图像中噪声干扰就较少，目标更加突出。

方位角az(azimuth angle)及俯仰角el(elevation angle)：方位角及俯仰角在三维坐标系中的定义如图3所示；线对数LP(Line Pair)在数值上等于多维空间中目标区超立方体的长、宽、高、强度相乘开四次方后的结果，即 $\mathrm{LP}=\sqrt[1/4]{{\mathrm{LP}}_x\×{\mathrm{LP}}_y\×{\mathrm{LP}}_z\×{\mathrm{LP}}_I}$ 或(LP_x+LP_y+LP_z+LP_I)/4，其中，LP_x表示维度X上的线对数，LP_y表示维度Y上的线对数，LP_z表示维度Z上的线对数，LP_I表示强度维I上的线对数，离散四维坐标系中分辨率与线对数表示如图4。令成像距离为IMG_DIST，像元角分辨率为α毫弧度，像元空间分辨率PIXEL_RESOLUTION＝2×IMG_DIST×tan(α/2)，目标成像尺寸与线对数的关系为：成像尺寸(米)＝LP(线对数)×像元空间分辨率，所以线对数 $\mathrm{LP}=\sqrt[1/4]{{\mathrm{LP}}_x\×{\mathrm{LP}}_y\×{\mathrm{LP}}_z\×{\mathrm{LP}}_I}$ 或(LP_x+LP_y+LP_z+LP_I)/4，X方向的线对数LP_x＝目标成像宽度/像元空间分辨率，Y方向的线对数LP_y＝目标成像长度/像元空间分辨率，距离维的线对数LP_z＝目标成像高度/像元空间分辨率，强度维I上的线对数LP_I＝目标成像强度/像元空间分辨率。

样本四维仿真图像的获取方式如下：

进行目标场景四维建模的具体实施方式如下：首先建立各种典型目标的三维几何模型；其次建立典型目标表面材质模型库；然后建立材质对激光的散射特性模型，如BRDF数据库；然后建立典型目标的激光反射/辐射/多普勒特性模型。最后，依据目标三维模型生成三维距离图像、强度图像、四维图像(距离图像与强度图像的融合结果图)、加噪距离图像、加噪强度图像多尺度多视点特性试图、多尺度多视点轮廓图以及多尺度多视点轮廓加噪图。图5中给出了下述目标样本数据库中B6MG_L飞机的三维模型、三维距离图像、强度图像、四维图像(距离图像与强度图像的融合结果图)、加噪距离图像、加噪强度图像多尺度多视点特性试图、多尺度多视点轮廓图以及多尺度多视点轮廓加噪图示例。

将所得目标三维距离图像、强度图像、四维图像(距离图像与强度图像的融合结果图)、加噪距离图像、加噪强度图像多尺度多视点特性试图、多尺度多视点轮廓图以及多尺度多视点轮廓加噪图存入目标样本数据库。在本发明中，目标样本数据库中包括四类共41种目标，分别为：固定翼飞机类(22种型号)、旋翼飞机类(8种型号)、坦克类(6种型号)和装甲车辆类(5种型号)。

依据激光三维距离像和强度像噪声特点，通过加噪可以获得不同条件下较为逼近真实激光三维距离像和强度像的仿真图像。计算X₁＝-(2+SNR)×ln(1-U₁)， $X_2=-\ln (1-U_2^{\left(\frac{1}{N-1}\right)})$

其中，SNR表示信噪比，U₁和U₂为在区间[0，1]中服从均匀分布的两个独立同分布的随机变量，N为距离图像或强度图像的像素总数；

对于激光三维距离图像，若X₂＞X₁，则发生了距离反常，用X₂代替距离图像中的距离值，完成三维距离图像加噪；

对于激光强度图像，强度图像中所有像素的强度值为max(X₁，X₂)；完成激光强度图像的加噪。

(2)获取目标样本的探测概率、识别概率和辨识概率。

所述样本激光四维图像的目标探测概率采用多级滤波方法确定。，样本四维距离图像的目标识别和辨识概率采用归一化互相关方法确定。

图6给出本发明四维可计算的激光成像目标探测性能预测方法，具体为：获取目标激光三维距离图像和强度图像，将激光三维距离图像和强度图像融合为目标激光四维图像，计算目标激光四维图像的目标探测概率P＝f(X)，X为信噪比或线对数或成像距离，目标探测概率P＝f(X)越大则表明目标被探测成功的可能性越大；

其中，f(X)＝b₃×exp(b₂×X)+b₁×exp(b₀×X)

或f(X)＝a_nXⁿ+a_n-1X^n-1+a_n-2X^n-2+…+a₁X+a₀，n≥4系数b₀、b₁、b₂、b₃或a_n，a_n-1，…，a₀通过使用样本激光四维图像序列(x_i，y_i)作二维曲线拟合确定，x_i表示第i个样本激光四维图像的信噪比或线对数或成像距离，y_i表示第i个样本激光四维图像的目标探测概率。

对于单个目标样本，目标线对数随着目标成像距离的减小而逐渐增大，线对数＝目标实际尺寸/[2×成像距离×tan(像元角分辨率/2)]，因此山两者之一可获知另一变量取值。因此，在二维曲线拟合过程中，可设定信噪比SNR为固定值，成像距离为变量，或者信噪比SNR为固定值，线对数为变量，或者线对数为固定值，信噪比SNR为变量。

探测实例1：信噪比SNR＝5，成像距离为变量

从目标样本数据库中的获取信噪比SNR＝5条件下的旋翼直升飞机500D的目标四维图像，即实测三维距离图像和强度图像的融合结果图或者仿真三维距离图像和强度图像的融合结果图；再对所得图像依次采用多级滤波和二值分割方法进行目标探测，然后分析目标探测结果得到不同成像距离条件下目标四维图像的探测概率。

本实例中采用指数形式对探测结果进行二维曲线拟合，如图7所示，图中给出了f(X)的指数拟合曲线函数的具体表达形式，在此示例中b₃＝0，b₂＝0，b₁＝1.732，b₀＝-0.0008062，

即f(X)＝1.732×exp(-0.0008062×X)。从图中可知在SNR＝5条件下，目标样本在不同成像距离下所能获得的探测概率，且随着目标成像距离的增加目标探测概率呈现递减的趋势。

探测实例2：信噪比SNR＝100，成像距离为变量

从目标样本数据库中的获取信噪比SNR＝100条件下的旋翼直升飞机500D的目标四维图像，即实测三维距离图像和强度图像的融合结果图或者仿真三维距离图像和强度图像的融合结果图；再对所得图像依次采用多级滤波和二值分割方法进行目标探测，然后分析目标探测结果得到不同成像距离条件下目标四维图像的探测概率。

本实例中采用4阶多项式形式对探测结果进行二维曲线拟合，如图8所示，图中给出了f(X)的4阶多项式拟合曲线函数的具体表达形式，在此示例中a₄＝0，a₃＝0，a₂＝0，a₁＝0.00003，a₀＝0.97809，即f(X)＝0.00003×X+0.97809。从图中可知在SNR＝100条件下，目标样本在不同成像距离下所能获得的探测概率，且随着目标成像距离的增加目标探测概率呈现递减的趋势。

从上述探测实例1和探测实例2的结果图中可知，在成像距离相同的情况下，目标的探测概率随着信噪比的升高而升高。

探测实例3：信噪比SNR＝5，线对数为变量

从目标样本数据库中的获取信噪比SNR＝5条件下的固定翼飞机F117目标四维图像，即实测三维距离图像和强度图像的融合结果图或者仿真三维距离图像和强度图像的融合结果图；再对所得图像依次采用多级滤波和二值分割方法进行目标探测，然后分析目标探测结果得到不同线对数条件下目标四维图像的探测概率。

本实例中采用5阶多项式对探测结果进行二维曲线拟合，如图9所示，图中给出了f(X)的5阶多项式拟合曲线函数的具体表达形式，在此示例中

a₅＝0，a₄＝0，a₃＝0，a₂＝0.0002，a₁＝-0.0059，a₀＝0.4351，即f(X)＝0.0002×X²-0.0059×X+0.4351。从图中可知在SNR＝5条件下，目标样本在不同线对数下所能获得的探测概率，且随着目标线对数的增加目标探测概率呈现递增的趋势。

探测实例4：信噪比SNR＝60，线对数为变量

从目标样本数据库中的获取信噪比SNR＝60条件下的固定翼飞机F117目标四维图像，即实测三维距离图像和强度图像的融合结果图或者仿真三维距离图像和强度图像的融合结果图；再对所得图像依次采用多级滤波和二值分割方法进行目标探测，然后分析目标探测结果得到不同线对数条件下目标四维的探测概率。

本实例中采用5阶多项式对探测结果进行二维曲线拟合，如图10所示，图中给出了f(X)的5阶多项式拟合曲线函数的具体表达形式，在此示例中a₅＝0，a₄＝0，a₃＝0，a₂＝-0.0001，a₁＝0.0221，a₀＝0.4495，即f(X)＝-0.0001×X²+0.0221×X+0.4495。从图中可知在SNR＝60条件下，目标样本在不同线对数下所能获得的探测概率，且随着目标线对数的增加目标探测概率呈现递增的趋势。

从上述探测实例3和探测实例4的结果图中可知，在线对数相同的情况下，目标的探测概率随着信噪比的升高而升高。

探测实例5：线对数LP＝64，信噪比SNR为变量

从目标样本数据库中的获取线对数LP＝64条件下的旋翼直升飞机500D目标四维图像，即实测三维距离图像和强度图像的融合结果图或者仿真三维距离图像和强度图像的融合结果图；再对所得图像依次采用多级滤波和二值分割方法进行目标探测，然后分析目标探测结果得到不同信噪比条件下目标四维图像的探测概率。

本实例中采用5阶多项式对探测结果进行二维曲线拟合，如图11所示，图中给出了f(X)的5阶多项式拟合曲线函数的具体表达形式，在此示例中a₅＝0，a₄＝0，a₃＝0，a₂＝-0.0004，a₁＝-0.0575，a₀＝1.3602，即f(X)＝-0.0004×X²-0.0575×X+1.3602。从图中可知在线对数LP＝64条件下，目标样本在不同信噪比条件下所能获得的探测概率，且随着目标线对数的增加目标探测概率呈现递增的趋势。

图12给出本发明四维可计算的激光成像目标识别性能预测方法，具体为：获取目标激光四维距离图像，计算目标激光四维距离图像的目标识别概率P′＝f′(Y)，Y为信噪比或线对数或距离分辨率或(信噪比，线对数)或(信噪比，距离分辨率)或(线对数，距离分辨率)，目标识别概率P′＝f′(Y)越大则表明目标被识别成功的可能性越大；

其中，f′(Y)＝a_n′Yⁿ+a_n-1′Y^n-1+a_n-2′Y^n-2+…+a₁′Y+a₀′，

系数a_n′，a_n-1′，…，a₀′通过使用样本激光四维图像序列(x_i′，y_i′)作二维曲线或三维曲面拟合确定，二维曲线拟合时x_i′表示第i个样本激光四维图像的信噪比或线对数或距离分辨率，三维曲面拟合时x_i′表示第i个样本激光四维图像的(信噪比，线对数)或(信噪比，距离分辨率)或(线对数，距离分辨率)，y_i′表示第i个样本激光四维图像的目标识别概率；

在二维曲线拟合过程中，其中二个参数值固定，另外一个参数为自变量；在三维曲面拟合过程中，其中一个参数值固定，另外二个参数为自变量。另外，在三维曲面拟合过程中，可直观地描述成像参数集Y中二个自变量参数对目标识别性能的影响，如图13，图14和图15所示。若三维曲面中的某个参数变量固定，就可将三维曲面转化为二维曲线表达形式。

识别实例1：信噪比SNR＝100，距离分辨率LP_RR＝49，线对数为变量

从目标样本数据库中的获取偏航角az＝0°，俯仰角el＝90°，信噪比SNR＝100且距离分辨率LP_RR＝49条件下的目标四维图像，即目标三维距离图像和强度图像的融合结果图或者仿真的三维距离图像和强度图像的融合结果图；再将所得图像与目标样本数据库中的所有样本图像采用归一化互相关匹配方法进行目标识别，然后分析目标识别结果得到不同线对数条件下目标四维图像的识别概率。

本实例中采用4阶多项式对识别结果进行二维曲线拟合，如图16所示，图中给出了f′(Y)的4阶多项式拟合曲线函数的具体表达形式，在此示例中a′₄＝0，a′₃＝0，a′₂＝-0.0005，a′₁＝0.0110，a′₀＝0.9308，即

f′(Y)＝-0.0005×Y²+0.0110×Y+0.9308。从图中可知在SNR＝100且距离分辨率LP_RR＝49条件下，目标样本在不同线对数下所能获得的识别概率，且随着目标线对数的增加目标识别概率呈现递增的趋势。

识别实例2：线对数LP＝16，距离分辨率LP_RR＝49，信噪比为变量

从目标样本数据库中的获取偏航角az＝0°，俯仰角el＝90°，线对数LP＝16且距离分辨率LP_RR＝49，条件下的目标四维图像，即实测的目标三维距离图像和强度图像的融合结果图或者仿真的三维距离图像和强度图像的融合结果图；再将所得图像与目标样本数据库中的所有样本图像采用归一化互相关匹配方法进行目标识别，然后分析目标识别结果得到不同信噪比条件下目标四维图像的识别概率。

本实例中采用5阶多项式对识别结果进行二维曲线拟合，如图17所示，图中给出了f′(Y)的5阶多项式拟合曲线函数的具体表达形式，在此示例中a′₅＝0，a′₄＝0，a′₃＝0，a′₂＝-0.0007，a′₁＝0.0175，a′₀＝0.8516，即

f′(Y)＝-0.0007×Y²+0.0175×Y+0.8516。从图中可知在LP＝16且距离分辨率LP_RR＝49，条件下，目标样本在不同信噪比下所能获得的识别概率，且随着目标信噪比的增加目标识别概率呈现递增的趋势。

识别实例3：线对数LP＝16，信噪比SNR＝100，距离分辨率为变量

从目标样本数据库中的获取偏航角az＝0°，俯仰角el＝90°，线对数LP＝16且信噪比SNR＝100条件下的目标四维图像，即实测的目标三维距离图像和强度图像的融合结果图或者仿真的三维距离图像和强度图像的融合结果图；再将所得图像与目标样本数据库中的所有样本图像采用归一化互相关匹配方法进行目标识别，然后分析目标识别结果得到不同距离分辨率条件下目标四维图像的识别概率。

本实例中采用5阶多项式对识别结果进行二维曲线拟合，如图18所示，图中给出了f′(Y)的5阶多项式拟合曲线函数的具体表达形式，在此示例中a′₅＝0，a′₄＝0，a′₃＝0.0001，a′₂＝-0.0032，a′₁＝0.0323，a′₀＝0.8957，即f′(Y)＝0.0001×Y³-0.0032×Y²+0.0323×Y+0.8957。从图中可知在LP＝16且信噪比SNR＝100，条件下，目标样本在不同距离分辨率条件下所能获得的识别概率，且随着目标距离分辨率的增加目标识别概率呈现递增的趋势。

图19给出本发明四维可计算的激光成像目标辨识性能预测方法，具体为：获取目标激光四维图像，计算目标激光四维图像的目标辨识概率P″＝f″(Z)，Z为信噪比或线对数或距离分辨率或(信噪比，线对数)或(信噪比，距离分辨率)或(线对数，距离分辨率)，目标辨识概率P″＝f″(Z)越大则表明目标被辨识成功的可能性越大；

其中f″(Z)＝a_n″Zⁿ+a_n-1″Z^n-1+a_n-2″Z^n-2+…+a₁″Z+a₀″，n≥4

系数a_n″，a_n-1″，…，a₀″通过使用样本激光四维图像(x_i″，y_i″)作二维曲线或三维曲面拟合确定，二维曲线拟合时x_i″表示第i个样本四维图像的信噪比或线对数或距离分辨率，三维曲面拟合时x_i″表示第i个样本激光四维图像的(信噪比，线对数)或(信噪比，距离分辨率)或(线对数，距离分辨率)，y_i″表示第i个样本激光四维图像的目标辨识概率。

在二维曲线拟合过程中，其中二个参数值固定，另外一个参数为自变量；在三维曲面拟合过程中，其中一个参数值固定，另外二个参数为自变量。另外，在三维曲面拟合过程中，可直观地描述成像参数集Z中信噪比和线对数对目标识别性能的影响，如图20，图21和图22所示。若三维曲面中的某个参数变量固定，就可将三维曲面转化为二维曲线表达形式。

辨识实例1：信噪比SNR＝100，距离分辨率LP_RR＝49，线对数为变量

从目标样本数据库中的获取偏航角az＝0°，俯仰角el＝90°，信噪比SNR＝100且距离分辨率LP_RR＝49条件下的目标四维图像，即实测的目标三维距离图像和强度图像的融合结果图或者仿真的三维距离图像和强度图像的融合结果图；再将所得图像与目标样本数据库中的所有样本图像采用归一化互相关匹配方法进行目标辨识，然后分析目标辨识结果得到不同线对数条件下目标四维的辨识概率。

本实例中采用4阶多项式对辨识结果进行二维曲线拟合，如图23所示，图中给出了f″(Z)的4阶多项式拟合曲线函数的具体表达形式，在此示例中a″₄＝0，a″₃＝0.0001，a″₂＝-0.0059，a″₁＝0.1217，a″₀＝0.1954，即

f″(Z)＝0.0001×Z³-0.0059×Z²+0.1217×Z¹+0.1954。从图中可知在SNR＝100且距离分辨率LP_RR＝49条件下，目标样本在不同线对数下所能获得的辨识概率，且随着目标线对数的增加目标辨识概率呈现递增的趋势。

辨识实例2：线对数LP＝40，距离分辨率LP_RR＝49，信噪比为变量

从目标样本数据库中的获取偏航角az＝0°，俯仰角el＝90°，线对数LP＝40且距离分辨率LP_RR＝49条件下的目标四维图像，即实测的目标三维距离图像和强度图像的融合结果图或者仿真的三维距离图像和强度图像的融合结果图；再将所得图像与目标样本数据库中的所有样本图像采用归一化互相关匹配方法进行目标辨识，然后分析目标辨识结果得到不同信噪比条件下目标四维图像的辨识概率。

本实例中采用5阶多项式对辨识结果进行二维曲线拟合，如图24所示，图中给出了f″(Z)的5阶多项式拟合曲线函数的具体表达形式，在此示例中，即a″₅＝0，a″₄＝0，a″₃＝0，a″₂＝-0.0014，a″₁＝0.0331，a″₀＝0.7541f″(Z)＝-0.0014×Z²+0.0331×Z+0.7541。从图中可知在LP＝40且距离分辨率LP_RR＝49条件下，目标样本在不同信噪比下所能获得的辨识概率，且随着目标信噪比的增加目标辨识概率呈现递增的趋势。

识别实例3：线对数LP＝16，信噪比SNR＝100，距离分辨率为变量

从目标样本数据库中的获取偏航角az＝0°，俯仰角el＝90°，线对数LP＝16且信噪比SNR＝100条件下的目标四维图像，即实测的目标三维距离图像和强度图像的融合结果图或者仿真的三维距离图像和强度图像的融合结果图；再将所得图像与目标样本数据库中的所有样本图像采用归一化互相关匹配方法进行目标辨识，然后分析目标辨识结果得到不同距离分辨率条件下目标四维图像的辨识概率。

本实例中采用5阶多项式对识别结果进行二维曲线拟合，如图25所示，图中给出了f″(Z)的5阶多项式拟合曲线函数的具体表达形式，在此示例中a″₅＝0，a″₄＝0，a″₃＝0.0001，a″₂＝-0.0058，a″₁＝0.0881，a″₀＝0.5827，即f″(Z)＝0.0001×Z³-0.0058×Z²+0.0881×Z+0.5827。从图中可知在LP＝16且信噪比SNR＝100条件下，目标样本在不同距离分辨率条件下所能获得的辨识概率，且随着目标距离分辨率的增加目标辨识概率呈现递增的趋势。

本发明基于激光成像目标四维图像，即实测的三维距离图像和强度图像的融合结果图或者仿真的三维距离图像和强度图像的融合结果图。研究了在不同的视角条件下，探测概率与线对数LP、成像距离以及信噪比SNR之间的定量关系；另外也给出了识别概率和辨识概率与线对数LP、距离分辨率LP_RR以及信噪比SNR之间的定量关系。在特定的成像参数集下，目标四维图像的辨识概率总体上均低于识别概率，并且目标四维图像的探测识/识别/辨识性能都要优于目标三维和二维图像，性能比较如图26和图27所示。

本发明列出了针对不同的目标，对其执行探测、识别及辨识任务时，所需的线对数，如表2所示。Johnson准则给出了探测、识别及辨识目标的性能与空间分辨率关系，如表3所示。另外，给出了在执行探测、识别及辨识任务时，Johnson准则与四维可计算准则所需的线对数对比，参见表4。

表2不同的目标，在执行探测、识别及辨识任务时，所需的线对数列表(50％的正确率)

表3Johnson准则(50％的正确率)

表4在执行探测、识别及辨识任务时，Johnson准则与四维可计算准则所需平均线对数(50％的正确率)对比列表

从上述分析可以看出，四维可计算准则在实际应用中可以有更广泛的范围，但是其精细规律需要针对特定的应用背景来调整。

Claims (7)

1.四维可计算的激光成像目标探测性能预测方法，具体为：获取目标激光三维距离图像和强度图像，将激光三维距离图像和强度图像融合为目标激光四维图像，计算目标激光四维图像的目标探测概率P＝f(X)，X为信噪比或线对数或成像距离，目标探测概率P＝f(X)越大则表明目标被探测成功的可能性越大；

其中，f(X)＝b₃×exp(b₂×X)+b₁×exp(b₀×X)

或f(X)＝a_nXⁿ+a_n-1X^n-1+a_n-2X^n-2+…+a₁X+a₀，n≥4，

系数b₀、b₁、b₂、b₃或a_n,a_n-1,…,a₀通过使用样本激光四维图像序列(x_i,y_i)作二维曲线拟合确定，x_i表示第i个样本激光四维图像的信噪比或线对数或成像距离，y_i表示第i个样本激光四维图像的目标探测概率；

所述线对数

$\mathrm{LP}=\sqrt[1/4]{{\mathrm{LP}}_x\×{\mathrm{LP}}_y\×{\mathrm{LP}}_z\×{\mathrm{LP}}_I}$ 或（LP_x+LP_y+LP_z+LP_I）/4，

X方向的线对数LP_x=目标成像宽度/像元空间分辨率，Y方向的线对数LP_y=目标成像长度/像元空间分辨率，距离维的线对数LP_z=目标成像高度/像元空间分辨率，强度维I上的线对数LP_I=目标成像强度/像元空间分辨率。

2.根据权利要求1所述的激光成像目标探测性能预测方法，其特征在于，所述样本激光四维图像的目标探测概率采用多级滤波方法确定。

3.四维可计算的激光成像目标识别性能预测方法，具体为：获取目标激光四维距离图像，计算目标激光四维距离图像的目标识别概率P′＝f′(Y)，Y为信噪比或线对数或距离分辨率或(信噪比，线对数)或(信噪比，距离分辨率)或(线对数，距离分辨率)，目标识别概率P′＝f′(Y)越大则表明目标被识别成功的可能性越大；

其中，f′(Y)＝a_n′Yⁿ+a_n-1′Y^n-1+a_n-2′Y^n-2+…+a₁′Y+a₀′，

系数a_n′,a_n-1′,…,a₀′通过使用样本激光四维图像序列(x_i′,y_i′)作二维曲线或三维曲面拟合确定，二维曲线拟合时x_i′表示第i个样本激光四维图像的信噪比或线对数或距离分辨率，三维曲面拟合时x_i′表示第i个样本激光四维图像的(信噪比，线对数)或(信噪比，距离分辨率)或(线对数，距离分辨率)，y_i′表示第i个样本激光四维图像的目标识别概率；

所述线对数

$\mathrm{LP}=\sqrt[1/4]{{\mathrm{LP}}_x\×{\mathrm{LP}}_y\×{\mathrm{LP}}_z\×{\mathrm{LP}}_I}$ 或（LP_x+LP_y+LP_z+LP_I）/4，

X方向的线对数LP_x=目标成像宽度/像元空间分辨率，Y方向的线对数LP_y=目标成像长度/像元空间分辨率，距离维的线对数LP_z=目标成像高度/像元空间分辨率，强度维I上的线对数LP_I=目标成像强度/像元空间分辨率。

4.根据权利要求3所述的激光成像目标识别性能预测方法，其特征在于，所述样本激光四维图像的目标识别概率采用归一化互相关方法确定。

5.四维可计算的激光成像目标辨识性能预测方法，具体为：获取目标激光四维图像，计算目标激光四维图像的目标辨识概率P′′＝f′′(Z)，Z为信噪比或线对数或距离分辨率或(信噪比，线对数)或(信噪比，距离分辨率)或(线对数，距离分辨率)，目标辨识概率P′′＝f′′(Z)越大则表明目标被辨识成功的可能性越大；

其中，f′′(Z)＝a_n′′Zⁿ+a_n-1′′Z^n-1+a_n-2′′Z^n-2+…+a₁′′Z+a₀′′，n≥4

系数a_n′′,a_n-1′′,…,a₀′′通过使用样本激光四维图像(x_i′′,y_i′′)作二维曲线或三维曲面拟合确定，二维曲线拟合时x_i′′表示第i个样本四维图像的信噪比或线对数或距离分辨率，三维曲面拟合时x_i′′表示第i个样本激光四维图像的(信噪比，线对数)或(信噪比，距离分辨率)或(线对数，距离分辨率)，y_i′′表示第i个样本激光四维图像的目标辨识概率；

所述线对数

或（LP_x+LP_y+LP_z+LP_I）/4，X方向的线对数LP_x=目标成像宽度/像元空间分辨率，Y方向的线对数LP_y=目标成像长度/像元空间分辨率，距离维的线对数LP_z=目标成像高度/像元空间分辨率，强度维I上的线对数LP_I=目标成像强度/像元空间分辨率。

6.根据权利要求5所述的激光成像目标辨识性能预测方法，其特征在于，所述样本激光四维图像的目标辨识概率采用归一化互相关方法确定。

7.根据权利要求1至6任一所述的预测方法，其特征在于，若目标激光三维距离图像和强度图像为仿真图像，则还对目标激光三维距离图像和强度图像加噪；所述对目标激光三维距离图像和强度图像加噪的具体实现方式为：

计算X₁＝-(2+SNR)×ln(1-U₁)，

其中，SNR表示信噪比，U₁和U₂为在区间[0,1]上服从均匀分布的两个独立同分布的随机变量，N为距离图像或强度图像的像素总数；

对于激光三维距离图像，若X₂＞X₁，则发生了距离反常，用X₂代替距离图像中的距离值，完成三维距离图像加噪；

对于激光强度图像，强度图像中像素的强度值设置为max(X₁,X₂)，完成激光强度图像的加噪。

Images