【隐创104期】新型伪装网与成像光谱设备的对抗(节选二)
编者按:
在过去的十年里,北约国家已经从传统的伪装网发展到多光谱对抗特性的伪装网,这一发展也被称为传统隐身及第三代技术,是一种通过雷达、可见光、红外和声学等传感器进行探测的对抗措施。
本项工作提出了评估第三代林地型网高光谱特性,分析是在三个不同的层级上进行的:(1)使用校准光谱和模拟图像;(2)作战背景;以及(3)在作战环境中伪装目标。这些场景是用Glana传感器公司的L4高光谱仪采集的。该传感器在450~950nm的近红外范围内提供了48个独立的光谱带和高空间分辨率。
在操作测量之前,使用校准图像对光谱仪进行灵敏度分析。首先,伪装网的实验室光谱数据与GLANA-L4的光谱分辨率相匹配。结果显示在图4-1中,右侧显示了ASD和GLANA-L4收集的光谱之间的良好特征匹配。此外,使用四种光谱匹配方法,包括光谱角度映射器、光谱信息散度、归一化光谱相似性分数和均方根误差(RMSE)来验证实验室光谱与校准图像光谱的匹配。网-1使用“棕色模式”光谱的匹配结果(即。土壤)如图4-2所示。
图4-1:网-1的可见光图像(左);GLANA-L4与使用ASD收集的实验室光谱数据的光谱匹配(右)
结果表明,网-1的光谱(图4-1右侧)和实验室光谱(图4-2)之间匹配良好。不出所料,SAM和RMSE在土壤类型/颜色上的得分很低,而SID和NormXcorr则得分很高。使用实验室光谱对所有校准图像进行匹配,获得了类似的成功匹配。这确保了使用实验室光谱来创建第4.1节中讨论的仿真图像。
图4-2:网-1光谱匹配结果
4.1场景1-使用室内光谱测量结果作为模拟图像
使用不同的信噪比和不同的目标和背景混合比创建了几个合成图像。后者是利用美国地质勘探局收集的林地光谱的随机成分生成的。此外,自适应余弦评价(Adaptive Cosine Estimator,ACE)被用于检测合成图像中的伪装网。图4-3显示了网6的目标检测结果。上一行显示,在90%目标和10%背景的低混合率下,可以在低、中等噪声水平下可以检测到网6(即信噪比分别为30和20 dB)。然而,在50%目标和50%背景的较高混合率下(第二行),仅在低噪声水平下正确识别(即信噪比为30dB)。在信噪比为10分贝的混合速率下,虚警水平高于运行系统可接受的水平。
图4-3:使用ACE算法检测网6
4.2场景2 -作战林地场景中伪装网的测量
在场景2中,安装在三脚架上的六个相机被六个不同的伪装网覆盖。这些网被放置在北欧林地的前面(图4-4),从大约200米的距离进行扫描(图4-5)。
图4-4:场景2的GLANA-L4图像。网2至7位于林地背景的前面
图4-5:场景2的设置。传感器放置在距离目标200米的地方
4.2.1 无先验知识的检测
LAD(The Local Anomaly Descriptor)算法和OSP-RX探测器被应用于场景-2的高光谱图像(图4-6)。结果表明,该算法无法将伪装网从背景中分离出来,OSP-RX导致了很高的误报率。这些不令人满意的结果的原因源于光谱带之间的空间位移。在这种情况下,Glana-L4为每个独立频段配置了2秒的帧速率。这种时间上的延迟产生了运动物体(随风飘动的树叶)在两个波段之间的空间位移。当这种位移发生时,单个像素可以获得对应于不同材料的反射率值。
图4-6:场景2 -异常检测结果
这种伪影无法在后处理中纠正。然而,光谱梯度分析可用于掩盖对应于运动物体的像素。在这个分析中,一个新的高光谱立方体是使用每个像素中光谱的一阶导数生成的,如图4-7所示。
图4-7:用于梯度分析的光谱梯度立方体生成
以类似的方式,美国地质勘探局目录中所有可用的植被光谱也使用一阶导数进行了转换,并使用它们的反射率创建了一个参考阈值。接下来,如图4-8所示,将高光谱图像中每个像素的光谱与该参考进行比较。如果导数光谱处于阈值(即左图),像素被保留。如果导数光谱在阈值之外(即右图像),像素被屏蔽,并且不在处理中进一步使用。对高光谱图像进行梯度滤波后,图4-4检测率提高了约18%。
图4-8:使用光谱梯度分析的掩盖。像素的原始光谱(蓝色)及其导数(橙色)
图4-9:梯度滤波前后OSP-RX的ROC曲线
4.2.2 先验知识检测
继上一节所述的成果,在实施梯度滤波器之后,应用了使用已知光谱的四种目标检测方法。图4-10显示了第三代伪装网2和伪装网5的检测结果,以及它们相应的ROC。结果显示,与检测2D网(网5)相比,检测第三代和3D伪装网(网络2)存在困难。在网2的检测中,误报的数量非常高,但混淆不是与特定的网络、材料或代数有关。在网-5的情况下,错误警报的数量较低,主要混淆是网-6(即。第二代和3D网)。网2和网5的结果也显示检测方法的性能有很大差异。与ACE和AMSD相比,CEM和OSP更容易发现网2,而网5观察到相反的性能。
图4-11展示了网6(第二代和3D网)的检测结果。结果表明,所有应用的方法都检测到了网6,并取得了不同程度的成功。使用CEM实现了具有较低误报的最佳检测结果。通过应用ACE和AMSD,主要混淆是用网-5获得的。
图4-10:用网2和网5的已知光谱进行检测
图4-11:用网2和网5的已知光谱进行检测
4.3场景3-在作战林地场景中隐蔽车辆的测量
场景3展示了无人机近距离探测的真实场景(图4-12)。物体近距离(~10米)扫描,背景像素数低于目标像素数。在图4-12所示的场景中,网2和网6在树林中隐藏了一辆坦克。
图4-12:作战林地场景中隐蔽车辆的高光谱图像
对于之前的高光谱场景,在实现四个探测器之前应用了梯度滤波器。网-2和网-6的检测结果分别如图4-13和图4-14所示。结果表明,四种方法对网络2的检测成功率不同,但对网络6的检测存在困难。通常,检测器的性能需要背景光谱的先验知识(即AMSD和OSP)不如只需要目标光谱的那些。原因是背景像素数量少,难以创建异质背景的统计模型,也难以从背景中分离目标向量。
图4-13:场景3——用已知光谱对网-2进行探测
这项研究评估了微型架上高光谱成像仪在仿真和作战场景中对隐藏伪装林地网的探测能力,从获得的结果可以总结出以下发现;
在可操作的林地场景中,在没有或有先验知识的情况下,使用L-4传感器很难探测到第三代伪装网。只有在减少了由于大量记录时间造成的伪像效应之后,才有可能在该场景中检测到第二代和第三代以及2D网。只有当背景像素的数量高于目标像素的数量时,才容易检测到第二代和3D网。与第二代相比,第三代网的优势在无人机收集的近扫描场景中有所减弱。
在林地环境中,如果网在现实环境中隐藏了目标(即将车辆隐藏在树林中),第三代伪装网相对于第二代伪装网作为对抗高光谱成像的优势没有得到证明。
一般来说,使用Glana L-4可以在低到中等噪声的场景中检测伪装的目标。在高混合率下,在噪声环境中很难检测到伪装的目标。伪装网在作战场景中的探测性能不仅取决于传感器的光谱和空间分辨率。它高度依赖于检测方法及其实现方式(即场景光谱、背景像素与目标像素等)。
尽管观察到波段之间的时间间隔很大,但GlanaL-4传感器的容量、可负担性、简单性、小尺寸和可访问性使其成为林地环境中军事行动的良好候选。
图4-13:场景3——用已知光谱对网-6进行探测