基于位置预测的多级假设检验空间目标检测方法

空间目标检测是空间目标监测的关键。针对低信噪比情况下的空间弱小目标检测准确率低及虚警率高的问题,提出了一种基于位置预测的多级假设检验空间目标检测方法。首先,对图像进行预处理,去除大部分噪声和恒星。其次,利用基于位置预测的多级假设检验方法进行目标检测,通过前后帧的目标之间的位置关系预测下一帧目标可能出现的范围,缩小检测范围,提高检测效率。同时对非连续出现的小目标进行判断并检测,提高了目标检测的准确率。经仿真分析比对,证明该方法可以有效检测空间小目标,在低信噪比的情况下目标检测的准确率和虚警率明显优于同类算法。

基于时序多帧投影的空间目标检测算法

为了对星图中空间目标进行检测识别,对基于SURF(Speed-Up Robust Featrues)算法的星图精确配准技术和美国SBV(Space-Based Visual)计划采用的MTI(Moving Target Indicatior)在轨目标检测算法进行了深入研究,提出一种针对16 Bits星图的多目标检测算法,具体包括:首先利用SURF算法提取序列星图的特征点,根据最小二乘法计算得到的全局运动参数对星图进行精确配准;然后利用一种改进的MTI算法对序列星图进行时序多帧投影以抑制背景,得到仅含有疑似目标的序列图像;最后经过目标初始运动状态的建立,速度滤波以及坐标插值得到目标的运动轨迹。利用实拍的20帧序列星图验证算法性能,经本文算法配准后,星像质心的均方误差(RMSE,Root Mean Square Error)最小达到0.3269 pixel,平均值为0.5441pixel;序列图像中的3个运动目标均被检出,且无虚警。实验结果表明,本文配准算法的精度能够满足时序多帧投影的要求,且目标检测算法符合恒虚警原理。

基于运动信息的星图中空间目标检测算法

为了对空间目标进行精确定位与跟踪,建立目标运动轨迹,对基于运动信息的星图中空间目标检测算法进行了研究。首先,基于空域目标能量累积的方法提高目标信噪比,增大弱小目标被分割出来的概率。然后,根据相邻两帧星图中恒星相对位置不变性提取星图控制点,并根据控制点坐标求取全局运动参数。然后,根据分割出的星点与控制点的位置关系,将恒星与潜在目标分类。接下来,利用3帧最近邻关联法粗检测目标,并利用多帧前后向搜索法滤除虚假目标。最后将序列星图中所有目标编号,建立起目标的轨迹针对4组实拍星图的实验结果表明:所有目标的运动轨迹全部建立,检测到目标的最小平均信噪比为2.99,目标最小平均运动速度2.47pixel/frame,最大平均运动速度12.72pixel/frame。本文算法基本满足星图中空间目标检测的检测概率高、虚警少和轨迹定位精度高等要求。

基于运动信息的视频图像空间目标检测

针对卫星拍摄的以深空为背景的视频图像中空间运动目标的检测问题进行了研究,提出了一种基于运动信息的目标检测算法。首先,通过均值滤波对图像进行降噪处理;然后,采用基于局部统计的可变阈值来分割单帧图像,使用灰度重心法计算像点坐标。当卫星凝视目标区域时,恒星可以认为是静止的,而目标依旧在运动,基于此,可检测出空间运动目标。基于某型卫星在轨拍摄的视频图像验证了算法的有效性。

基于改进MTI算法的视频图像空间目标检测

针对经典MTI算法在处理某型微纳卫星拍摄的视频图像时存在较为耗时的现象,以及空间目标轨迹投影不连续造成无法使用连通域标记同一目标的问题,本文提出一种改进的MTI算法用于空间目标检测。算法通过设计像素"感受域",消除了空间目标轨迹投影不连续的现象。同时,在简化了像素时序信号投影的步骤后,仍能保留原算法对背景杂光和噪声的滤除作用,并使得算法速度得到提升。基于某型微纳卫星拍摄的视频图像进行算法实验,结果表明,本文算法对于轨迹投影不连续空间目标的检测无虚警,算法速度约为0.06 s/f。

空间目标检测序列图像中恒星目标抑制

针对固定指向地基天文光电探测系统中数量众多、成像相似的恒星目标对空间目标检测的干扰,提出一种基于时空域融合处理的恒星目标抑制算法。在时域上改进图像差分算法,采用时域膨胀差分抑制恒星目标;在空域上对检测到的恒星目标采用数学形态学重构来恢复恒星目标的完整星像,进而将形态学重构前后的图像相消来抑制恒星目标。根据时空域融合处理机制的不同,给出了两种融合处理方法抑制恒星目标。通过实测数据对比,结果表明本文算法达到了良好的恒星目标抑制效果:1)能够较好地抑制恒星目标及其边缘像素;2)暗弱恒星目标也得到较好地抑制;3)恒星目标抑制后空间目标的信噪比得到了较大提升。

基于在轨光学相机的空间点目标检测方法

针对在轨光学相机视轴无法通过卫星姿态进行预估,序列探测图像中恒星背景又无法忽略等空间运动点目标检测中的难点问题,提出了一种基于序列帧探测图像运动特性分析的点目标检测方法。该方法首先从恒星星图中检测出所有的目标点,接着选取亮星点进行恒星识别,最后对所有的目标点进行运动分析,检测出与恒星具有不同运动特性的星点作为空间点目标。仿真结果表明,该方法能够从运动的恒星背景中识别出空间运动点目标,对完善空间运动点目标检测方法有参考价值。

地球同步轨道目标物深度学习检测方法

针对欧空局SpotGEO竞赛中地球同步轨道目标物的检测问题,提出面向低精度CCD空间图像的深度学习检测方法。在图像预处理环节,分别采用高斯过程回归和模板匹配实现前景/背景分割和多帧图像配准。根据地球同步轨道物体的运动特征,采用拓扑扫描提取候选目标物。在此基础上,提出一套基于深度学习的目标物筛选方法。该方法利用卷积神经网络,依次对拓扑扫描前后候选目标物进行筛选,显著减少噪声点数量,提高检测效率。仿真结果表明,该方法达到98%的目标检测准确率,适用于存在光污染、云层遮挡等干扰的复杂环境。

基于自适应空间滤波多级假设检验的空间目标识别方法

针对目前空间目标检测技术存在目标识别难度大、虚警率高、算法效率低等问题,提出了一种基于自适应空间滤波多级假设检验(ASMHT)算法的空间目标识别方法,用于提取光电观测系统在恒星跟踪模式下的空间目标,包括目标粗筛选与目标精筛选两过程。目标粗筛选使用尺度空间高斯差函数得到预处理后星图中各候选目标的尺度值,并将目标尺度值作为空间滤波窗口的尺度大小,利用连续多帧空间滤波窗口内不同种类目标的灰度分布特征代替灰度相关准则,去除无像移的背景恒星和随机噪声,筛选出疑似运动目标。目标精筛选使用改进的多级假设检验方法,通过建立疑似运动目标速度搜索窗极大提高了算法效率,最后依据轨迹特征筛选出空间目标。空间目标仿真星图结果表明,与现有空间目标识别方法相比,ASMHT算法具备空间目标低信噪比条件下的目标识别能力,且综合检测性能最好,在相同的虚警率下可获得更高的检测率。真实星图测试比较结果表明,ASMHT算法计算复杂更低,实现了更加精确的空间目标识别。

基于BFM算法的空间有形目标识别方法

为了对具有复杂边缘的目标进行更准确的检测识别,提出了一种基于边界片段模板(boundary frag-ment model)训练模式的目标识别方法。方法首先提取目标的边界片段组成弱分类器,然后使用AdaBoost算法将它们提升训练成为强分类器,并用其进行检测和识别目标。仿真实验表明,该方法对有形目标,特别是对具有复杂边缘的空间有形目标有较好的识别效果。

面向空间视觉目标检测的对抗攻击与防御算法

随着航天航空技术的发展,空间目标视觉检测技术作为航天器智能在轨服务的重要技术支撑,获得了国内外研究学者的广泛关注.考虑到太空中恶劣的光照条件以及未知的动态场景,空间目标视觉检测的鲁棒性问题亟待深入研究.首先,提出一种黑盒迁移实例攻击方法,将图像识别领域的对抗样本攻击方法应用于空间目标检测任务,实现对EfficientDet目标检测模型的欺骗攻击;同时,提出一种协同防御策略,将对抗训练和SRMNet去噪器相结合,有效增强目标检测模型的鲁棒性.实验结果表明,所提出防御策略不仅能够成功抵御对抗样本攻击,还能取得高于原始空间目标检测模型的检测精度.

一种改进的时空线索的视频显著目标检测方法

针对Zhai和Shah提出的原始时空显著性检测模型在空间显著性方面仅仅使用了图像的亮度信息,忽略彩色图像中的色彩信息的不足,提出了一种基于HSV颜色模型的空间显著性计算方法。该方法充分利用图像中的亮度信息和彩色信息,从像素级和区域级两个层次上进行显著性的计算。将改进的空间显著性计算与Zhai和Shah提出的时间显著性计算以及时空融合框架进行整合,检测视频中的显著目标。实验证明改进方法在光照不均和背景较复杂的情况下获取的空间显著区域和显著目标比原始方法更准确。

一种空间观测图像的仿真生成方法

提出一种天基观测空间目标可见光图像仿真方法,观测平台及目标的运行速度和空间位置信息由卫星工具包(STK)生成,成像过程由Matlab编程实现。该方法的优越性在于利用STK的可视化功能,控制观测平台和目标的轨道参数,使目标能够进入观测相机的视场,而Matlab具有强大的图像处理函数库,在序列图像生成过程中,可方便地对图像添加各类噪声和效应,使图像更加真实;生成的仿真图像主要用于空间目标检测算法的研究。最后分析了仿真图像中空间目标和恒星的运动性质,为完善空间目标检测算法的性能提供了依据。