基于深度学习的非合作目标感知研究进展

近年来,随着卷积神经网络的发展,基于深度学习的图像感知技术取得了巨大进展。由于深度学习算法不依赖人工辅助设计标记、泛化能力强、检测精度高,在空间非合作目标智能感知领域引起了国内外学者的关注。分析了应用深度学习方法进行非合作目标智能感知的研究现状,并对其进行了分类介绍与总结。首先,总结了空间非合作目标感知的在轨应用情况和任务阶段规划,接着分析了非合作目标的结构特性和表面光照特性;其次,梳理总结了建立非合作目标数据集的三种方法,并分类归纳了非合作目标识别与非合作目标位姿检测的国内外研究进展;最后,分析了基于深度学习的非合作目标智能感知方法的关键问题与难点,并给出了后续研究的思路。

非合作式目标识别技术概述

非合作式目标识别包括雷达、电子支援措施及光传感器的目标识别技术。雷达目标识别含利用跟踪信息、极化信息及通过JEM、距离像和ISAR进行识别。电子支援措施目标识别包括利用基本电波参数、脉冲波形特征和通过对己方电子支援措施电波的接收分析进行识别。光传感器目标识别则是在取得目标的反射特性和辐射特性(光谱)后提取其特征进行识别。

基于深度学习的空间非合作目标特征检测与识别

针对空间非合作目标检测与识别任务的智能化要求,本文将深度学习方法Mask R-CNN(mask regionbased convolutional neural network)应用于任务中,并借鉴R-FCN(region-based fully convolutional networks)和Lighthead R-CNN(light-head region-based convolutional neural network)对其进行优化改进,提升检测速度,以满足空间任务实时性要求。实验结果表明,与传统的Mask R-CNN相比,改进的Mask R-CNN可缩短20%的检测时间。针对深度神经网络需要大样本数据集进行训练的特点,本文基于迁移学习提出搭建虚拟环境进行样本采集,构造空间目标特征检测与识别数据集的方法。实验结果表明,网络在虚拟环境生成的数据集上可以很好地学习到相应特征,从而具备迁移到实际任务的能力。

基于点云的空间非合作目标结构识别问题研究

在空间非合作目标捕获任务中,从传感器数据中识别出目标表面的可抓取结构是一个有待解决的问题。以卫星点云数据集作为对象,对4种基于神经网络算法(PointNet、PointNet++、SPLATNet和SO-Net)在卫星结构分割识别任务中的性能进行了比较分析。为了能够更好地测试算法性能,基于NASA在线数据库构建了训练测试数据集,并给出一种点云数据的快速构建方法。使用该方法,可以实现成批量地生成点云数据。仿真测试结果显示:PointNet++在卫星完整点云数据集和非完整点云数据上的分割准确率都是最高,并且分割效果也优于其他算法。

多传感器数据融合非合作目标识别技术研究

采用 Dempster- Shafer证据推理法 ,融合判决算法 ,在模拟的单站多传感器系统中 ,进行计算机仿真。仿真结果证实所采用的技术可以有效提高目标识别的可信度。

基于改进YOLOv3的空间非合作目标部件识别算法

在使用深度学习方法进行空间非合作目标部件识别时,由于神经网络参数量大且嵌入式设备计算能力不足,难以将神经网络有效地部署在嵌入式平台上。针对该问题,文中提出了一种改进的轻量化目标检测网络,在保证检测精度的同时,有效降低网络参数量,提升了网络检测速度。所提网络模型在YOLOv3的基础上借鉴深度可分离卷积的思想,引入Bottleneck模块降低了模型参数量,提升了检测速度,同时引入Res2Net残差模块来增加模型的感受野尺度丰富性和结构深度,提高了网络对于小目标的检测能力。设计了一个新的轻量化特征提取主干网络Res2-MobileNet,并结合多尺度检测方法进行空间非合作目标部件识别。实验结果表明,相比YOLOv3,所提模型在参数量上降低了55.5%,检测速度由34fps提高到65 fps,同时对于小目标的检测效果也有显著提升。

雷达非合作目标恒虚警检测和分类一体化方案

提出一种雷达识别非合作目标的检测和分类一体化方案。用广义序贯拒绝检验的方法把目标检测和分类作为一个问题来处理。不同种类的目标用隶属于由投影矩阵确定的不同子空间上的随机信号建模。观测数据“并行”通过具有恒虚警(CFAR)能力的各“局部”检测器,各检测器输出的逻辑位通过逻辑电路最后选择一个目标输出。详细评价了新方案的工作性能。仿真结果表明,本方案在以给定的虚警率检测到目标的同时,也能正确地对目标进行分类。

基于2D/3D多特征融合的近距离空间非合作目标相对测量方法

面向空间在轨服务重大应用需求,以提高系统自主性和空间环境适应性为目标,发展了一种空间非合作目标三维重建、目标识别和位姿估计一体化的近距离相对测量方法。该方法基于二维图像信息和深度数据,通过数据融合并重建出非合作目标的稠密三维模型,接着基于快速迭代最近点配准算法,提出基于SIFT和SHOT特征融合的三维识别方法,为系统的相对位姿估计提供有效的参数初始化。本文方法可进一步减少地面的干预,增强在轨服务系统的自主性,扩展系统的工作范围。地面仿真实验验证了该方法的可行性和有效性。

非合作目标智能感知技术研究进展与展望

智能感知是实现航天器在轨精细化操控过程的关键技术,是在轨服务技术智能化的重点发展方向之一。空间目标智能感知包括位姿测量、三维重建与部位识别等关键技术,涉及小样本、多模态、模型适应与高维数据等问题。从工程应用角度出发,对非合作目标智能感知技术的研究现状进行系统的梳理与总结。首先,总结典型非合作在轨感知系统与光学敏感器技术的发展现状;其次,归纳总结了非合作目标智能感知涉及的关键技术;最后,基于研究现状总结和关键技术分析,探讨了非合作目标智能感知目前存在的主要问题,并给出后续发展的建议。

基于星图识别的空间目标检测算法研究

从恒星背景中检测出空间目标是空间目标天基光学测量相机所要解决的关键技术难题之一。提出了一种基于星图识别的空间目标检测算法,利用背景星图的平移、旋转、比例伸缩不变性,应用星图识别原理,根据识别恒星在不同帧图像中的坐标变化估计背景运动参数,进行探测图像序列的配准,然后在配准后的图像序列中检测出空间目标。通过仿真验证,该方法对于运动恒星背景中运动小目标的检测具有比较好的效果。

成像引信联合变换相关目标识别关键技术

为提高引信及制导等武器系统目标识别精度及实时性,阐述了联合变换相关非合作目标激光成像识别技术的研究状况,指出了复杂战场环境下三维联合变换相关非合作目标识别的三个关键技术:1)目标距离与回波强度的高精度获取;2)复杂背景下三维联合变换相关器互相关峰的提取;3)高速运动下三维联合变换相关器畸变不变识别。对该技术在引信及导航、制导等系统中的应用前景进行了展望。

基于改进HOG特征的空间非合作目标检测

传统的非合作目标检测方法大都基于一定的匹配模板,这不仅需要预先指定先验信息,进而设计合适的检测模板,而且同一模板只能对具有相似形状的目标进行检测,不易直接用于检测形状未知的非合作目标。为降低检测过程中对目标形状等先验信息的要求,借鉴基于规范化梯度的物体区域估计方法,提出一种基于改进方向梯度直方图特征的目标检测方法,首先构建包含有自然图像和目标图像的训练数据集;然后提取标记区域的改进方向梯度直方图特征,以更好地保持局部特征的结构性,并根据级联支持向量机训练模型,从数据集中自动学习目标物体的判别特征;最后,将训练后的模型用于检测测试集图像中的目标。实验结果表明,算法在由4 953幅和100幅图像构成的测试集中分别取得94.5%和94.2%的检测率,平均每幅图像的检测时间约为0.031s,具有较低的时间开销,且对目标的旋转及光照变化具有一定的鲁棒性。

区域控制弹药的发展趋势

在美国空军研究实验室(AFRL)提出的区域控制弹药(Area Dominance Munitions)发展的三个层次基础上,分析了区域控制弹药发展中涉及的关键技术,预示今后区域控制弹药发展的趋势。

基于结构光的星箭对接环相对位姿测量方法

空间非合作目标位姿测量是空间在轨维护的前提。面向空间机械手对空间载体自动抓捕的应用需求,提出了基于结构光的空间非合作目标视觉测量方法。该方法以双套双线结构光测量装置作为测量传感器,以空间载体上普遍存在的星箭对接环作为抓捕目标。根据对接环的共同特点,选择直线特征和点特征相结合作为相对位姿的求解特征;基于直线特征求解圆环平面法向量,基于点特征求解圆环圆心坐标,进而得到机械手工具坐标系与对接环坐标系间的相对位姿关系;基于多重几何约束实现了不同光照条件下图像上目标直线的鲁棒识别。建立了演示验证实验系统,在大量演示实验的基础上,进行了实验结果分析。

海洋公益性行业科研专项经费项目介绍

针对我国专属经济区海上目标监视监测的国家需求，发展广域搜索与SAR成像一体化雷达，以实现远距离搜索和近距离成像的功能，提升船只目标发现能力。发展岛基小型化地波雷达，以解决阵列式地波雷达占据大量海岸线的难题，并延伸探测距离。发展船只身份识别雷达，以解决区分合作和非合作目标的难题；集成上述手段，构建星一机一岛立体监视监测技术系统，并依托相关部门的业务工作开展示范应用。发展船载多源信息融合的海上船只目标识别技术，研制船载海上目标观测系统，提高海上公务执法船的自动化水平。