CN103996027A - 一种天基空间目标识别方法 - Google Patents

Abstract

本发明提供了一种天基空间目标识别方法，包括(1)获取连续的4幅星图；(2)采用星点提取算法对每幅星图进行处理，获取由恒星和空间目标组成的相应星图；(3)确定所有星图中均存在的三颗恒星作为基准恒星；(4)利用三颗基准恒星的坐标值为标准将所有星图对齐，遍历对齐后星图，判断所有对齐后星图相同坐标值的第一预设误差范围是否均有一颗星点，若有，则判定该星点为恒星，并从所有对齐后星图中去除；(5)遍历对齐并去除所有恒星后的每幅星图，识别所有空间目标。本发明基于连续拍摄的4幅星图，能够在无需大量的存储空间的情形下，快速有效在轨识别空间目标，有利于天基空间目标监视系统的发展。

Description

一种天基空间目标识别方法

技术领域

本发明涉及航天、航空中目标识别技术领域，尤其涉及一种基于天基的快速空间目标识别方法。

背景技术

星图中的星点包括空间目标和恒星，其中空间目标的个数极少，也可能没有。目标识别是从拍摄的星图中确定所有的空间目标，包括它们在CCD上的位置、大小、亮度和运动轨迹。快速获取空间目标位置、功能、工作状态、大小、形状、结构等信息对于天文和军事应用具有极其重要的意义。

目前获取空间目标分为地基和天基两种类型，地基空间目标监视系统是从地面对空间目标进行监视的系统，主要技术手段是利用布置于地面观测站中的微波雷达和大口径光学望远镜。由于是安置在地表，所以观测设备的体积重量相对不受限制、使用维护便利，但由于受安装位置固定、大气衰减、日光干扰、国土疆域有限等条件的约束，使它适于夜间对低轨有限空间目标的监视，对于中、高轨目标的监视较为困难，且跟踪与观测时间十分有限。

天基空间目标监视系统主要通过搭载光学、微波、红外、电子侦察等空间目标探测有效载荷的卫星、星座与网络，实现从空间对空间目标的监视。由于没有大气干扰，背景简单，且可对空间目标近距离监视与成像，所以天基监视系统有不受地理位置和气象条件限制，探测效果好，机动灵活等优点。发展天基空间目标监视系统，拓展对空间目标的监视范围和提高观测精度，为空间攻击提高及时、准确的目标信息，同时实时掌握我航天器运行状况十分必要和紧迫，这对于构成我国天地一体的空间攻防体系意义重大。

现有空间目标监视技术主要通过传统的基于地基空间目标监视系统。目前成熟的基于地基的空间目标识别方法是星表比对法，即用标准的恒星星表和拍摄的星图中的每个星点进行匹配，确定每颗恒星，则剩下的未匹配的星点就是空间目标(也可能是空间碎片等)。这种方法比较简单，但是星表本身所占空间太大，需要大量的存储空间和运算时间；而天基空间目标监视系统对应的在轨星载数字信号处理系统对存储容量、体积、能量都有较严格的限制，所以这种方法不适合天基空间目标监视系统。

因此，基于发展天基空间目标监视系统对构成我国天地一体的空间攻防体系的重大意义，需要提供一种简单、快速的天基空间目标识别方法，能够在无需大量的存储空间的情形下，快速有效识别空间目标。

发明内容

本发明的目的在于，针对现有星表比对法需要大量的存储空间和运算时间，不适合天基空间目标监视系统的问题，提供一种天基空间目标识别方法，搜索及跟踪模式下利用连续拍摄的4幅星图，实现在轨快速识别出空间目标。

为实现上述目的，本发明提供了一种天基空间目标识别方法，包括，(1)获取连续的4幅星图；(2)采用星点提取算法对每幅星图进行处理，获取由恒星和空间目标组成的相应星图；(3)确定所有星图中均存在的三颗恒星作为基准恒星；(4)利用三颗基准恒星的坐标值为标准将所有星图对齐，遍历对齐后星图，判断所有对齐后星图相同坐标值的第一预设误差范围是否均有一颗星点，若有，则判定该星点为恒星，并从所有对齐后星图中去除；(5)遍历对齐并去除所有恒星后的每幅星图，识别所有空间目标。

本发明的优点在于：基于连续拍摄的4幅星图，能够在无需大量的存储空间的情形下，快速有效在轨识别空间目标，有利于天基空间目标监视系统的发展。

附图说明

图1，本发明所述的天基空间目标识别方法的流程示意图；

图2，阈值T和背景阈值M的比较示意图；

图3，本发明所述星点识别过程示意图；

图4，不同噪声水平下各种方法的偏差示意图；

图5，本发明各星图中识别出的恒星星点组成的三角形示意图。

具体实施方式

由于恒星相对于地球来说是无穷远处的物体，即在拍摄过程中可以认为恒星是静止不动的。而星载相机随着卫星绕地球运行，若设星载相机相对于地球的瞬时运动角速度是则恒星和星载相机之间有一个相对运动，角速度为且恒星之间保持相对静止。若空间目标相对于地球的瞬时角速度是则空间目标与星载相机之间的相对运动角速度为星载相机连续拍摄星图，帧频为1帧/秒，则可以认为在连续两幅星图中由于间隔时间很短，所有的星点都做匀速直线运动，且空间目标和恒星的速度不同，从而可以利用连续的星图来识别空间目标。下面结合附图对本发明提供的天基空间目标识别方法做详细说明。

参考图1，本发明所述的天基空间目标识别方法的流程示意图。本发明所述的天基空间目标识别方法包括如下步骤。S11：获取连续的4幅星图。S12：采用星点提取算法对每幅星图进行处理，获取由恒星和空间目标组成的相应星图。S13：确定所有星图中均存在的三颗恒星作为基准恒星。S14：利用三颗基准恒星的坐标值为标准将所有星图对齐，遍历对齐后星图，判断所有对齐后星图相同坐标值的第一预设误差范围是否均有一颗星点，若有，则判定该星点为恒星，并从所有对齐后星图中去除。S15：遍历对齐并去除所有恒星后的每幅星图，识别所有空间目标。识别出空间目标后，根据识别出的空间目标在每幅星图中的坐标值，即可获取该空间目标的运动轨迹，也即步骤S16。

以下结合图1-5对本发明所述方法进行详细描述。

S11：获取连续的4幅星图。

星载相机连续拍摄星图，帧频为1帧/秒。设从t时刻开始拍摄第一幅星图，到t+4T₁+3T₂(T₁为曝光时间，T₂为曝光间隔)时刻，得到连续的4幅星图。虽然恒星本身的亮度不变，但由于星载相机本身有渐晕和CCD响应的不均匀性，所以同一颗恒星在这4幅星图中所成像点的亮度可能有少许变化，甚至有些比较暗的恒星在某些星图中没有成像。恒星和星载相机之间有相对运动，导致位于星图边缘的恒星在下一次拍摄时刻已经离开了视场，同时也有一些恒星会进入到视场中，但是大部分的恒星还是会一直停留在视场里。虽然空间目标运动速度比较大，但是只要不超过视场大小，它们也能在连续的4幅星图中成像。

S12：采用星点提取算法对每幅星图进行处理，获取由恒星和空间目标组成的相应星图。

去除每幅星图的背景噪声

由于CCD在曝光期间不仅收集我们所感兴趣的恒星和空间目标发出的光子，同时也收集一些没有价值的光子，它们来自于太空背景、未知太空物体、读出噪声和暗电流噪声等等。所以在区分恒星和空间目标之前，必须对这些附加的光子(CCD背景)进行估计，并从星图中减去。

从星图中识别有用星点的过程实际上是一个从噪声中检测有用信号的过程。从噪声中检测有用信号存在两种情况：一是有效地识别出目标信号，其可能性大小成为探测率(P_DET)；二是将无目标样值判为有目标的概率，称为虚警率(P_FA)。一个理想的探测系统当目标信号出现时探测概率应该最大，没有目标信号时的虚警概率最小。但是探测概率和虚警概率不能同时达到最佳值，能做到的只是保持虚警概率为某个许可值，而使相应的探测概率尽可能的大。这种情况可成为恒虚警概率条件。在假定系统噪声为高斯分布的白噪声时，探测概率和虚警概率的表达式如下：

$P_{\mathrm{DET}}\left(X\right)=0.5[1+\mathrm{er}\left(\frac{\mathrm{SNR}-\mathrm{TNR}}{\sqrt{2}}\right)]]---\left(1\right)$

$P_{\mathrm{FA}}\left(X\right)=0.5[1+\mathrm{er}\left(\frac{\mathrm{TNR}}{\sqrt{2}}\right)]]---\left(2\right)$

$\mathrm{erf}=\frac{2}{\sqrt{\mathrm{\π}}}\underset{0}{\overset{x}{\∫}}{e}^{t^2}\mathrm{dt}---\left(3\right)$

其中，erf是误差函数，SNR是信噪比，TNR是阈值噪声比，TNR的表达式为：

$\mathrm{TNR}=\frac{V_{\mathrm{th}}}{{\mathrm{\δ}}_m}---\left(4\right)$

其中，V_th为阈值，δ_m为星图噪声的标准差。

根据虚警概率的表达式，可以推导出在恒虚警概率的条件下的理论阈值。将式(4)代入(3)，并两边展开，得：

$\frac{1}{\sqrt{\mathrm{\π}}}\underset{0}{\overset{\frac{\mathrm{TNR}}{\sqrt{2}}}{\∫}}{e}^{{-t}^2}\mathrm{dt}=0.5-P_{\mathrm{FA}}$

设 $t=\frac{Z}{\sqrt{2}},$ 有： $\frac{1}{\sqrt{2\mathrm{\π}}}\underset{0}{\overset{\frac{\mathrm{TNR}}{\sqrt{2}}}{\∫}}{e}^{-\frac{Z^2}{2}}\mathrm{dZ}=0.5-P_{\mathrm{FA}}$

$\frac{1}{\sqrt{2\mathrm{\π}}}{\underset{-\∞}{\overset{0}{\∫}}e}^{-\frac{Z^2}{2}}\mathrm{dZ}+\frac{1}{\sqrt{2\mathrm{\π}}}\underset{0}{\overset{\frac{\mathrm{TNR}}{\sqrt{2}}}{\∫}}{e}^{-\frac{Z^2}{2}}\mathrm{dZ}=1-P_{\mathrm{FA}}$

$\frac{1}{\sqrt{2\mathrm{\π}}}\underset{-\∞}{\overset{\mathrm{TNR}}{\∫}}{e}^{-\frac{Z^2}{2}}\mathrm{dZ}=1-P_{\mathrm{FA}}---\left(5\right)$

从式(5)可知，如果已知一个恒虚警概率，查正态分布表可得阈值噪声比TNR的值，根据TNR的定义，理论阈值就可以由TNR和δm的乘积确定。

上面所得到的理论阈值是在假定系统噪声为高斯分布的白噪声的前提下得到的。而实际中星敏感器的系统噪声不一定是严格按照高斯分布的白噪声，因此，按照式(4)和(5)所推导出来的理论阈值在实际应用中就未必能准确的分割出星点目标，需要用其他的方法来对理论阈值进行修正。

选取背景阈值(即实际阈值)的方法很多，如似然比检测法，双门限法，平均值法等，但考虑到星上数据处理的实时性的要求，采用改进的平均灰度值法。设CCD象素总数为N，每个象素的灰度值为f(i,j)，i、j分别为行坐标和列坐标，则星图的平均灰度值即背景阈值 $M=\frac{\mathrm{\Σf}(i,j)}{N},$ 标准差 $\mathrm{\σ}=\sqrt{\frac{\mathrm{\Σ}{f}^2(x,y)}{N}-M^2},$ 用下式计算阈值T：

T＝M+3×σ   (6)

然后用阈值对CCD星图进行分割，得到新的星图的每个象素值为f'(i,j)：

$f\′(i,j)=\left\{\begin{array}{c}f(i,j),f(i,j)>T\\ 0,f(i,j)\≤T\end{array}\right\}---\left(7\right)$

加上3σ这一项的目的是去除宇宙射线、坏象素和来自附近太空发光源的污染等。虽然T和M之间仅有3σ的差，但依然是不一样的。如图2所示阈值T和背景阈值M的比较示意图，若仅仅减去M，那么所求的星点中心为阴影Q与信号S两者中心的加权平均值，其权重分别为Q和S的面积，由于采样离散性及信号S分布并非严格对称，Q和S的中心不一定重合，这些就会产生一个随着Q面积以及S中心与像元边界距离而变化的误差。

识别星点

遍历每幅星图，识别出灰度值大于阈值的所有星点，并获取相应坐标和亮度值，其中，所述星点为恒星或空间目标。

去除背景亮度后，下一步的工作就是识别出星图内所有的星点(恒星和空间目标)，包括它们的形状、轮廓和亮度。按行的顺序从左到右，从上到下遍历整幅CCD星图，若遇到一个象素的灰度值大于0，即f'(i,j)＞0，则以它为起始点搜索星图。如表1所示当前点P的邻域表，搜索当前点P的四个邻域1－4。

表1邻域表

为了使识别的星点边界尽可能圆滑，若出现下列情况之一，都应舍弃点P，继续遍历星图：

1)邻域1－4中，只有一个象素的灰度值大于阈值；

2)f(1)>T且f(3)、f(4)<T；

3)f(2)>T且f(3)<T。

若点P未被舍弃，则邻域1－4内必有一个以上的象素亮度大于阈值，则再以这些象素为当前点进行搜索，检查其邻域。重复这些步骤，直到没有符合条件的象素为止。

参考图3，星点识别过程示意图。识别星点时，建立一个StarTemp栈来存储可能成为组成星点的象素信息，最后把确定为组成星点的象素信息存储在结构体数组Star里。图3中a部分显示了CCD上一个星点，由A－F共5个象素组成；图3中b到i部分说明了搜索过程中StarTemp和Star的变化。具体过程如下(f(*)表示该点的灰度值，T表示阈值)：

1)遍历到点A，f(A)>T，检查其4个邻域，f(B)、f(C)、f(D)均大于阈值T，则A-D均依次入栈，如图3中b部分所示；

2)取出栈顶元素D，存入Star内，如图3中c部分所示，并检查其4个邻域，确定f(E)>T、f(F)>T，则E、F入栈，如图3中d部分所示；

3)取出栈顶元素F，存入Star，如图3中e部分所示，检查其4个邻域，发现没有符合条件的点入栈；

4)取出栈顶元素E，存入Star，如图3中f部分所示，再检查其4个邻域，发现没有符合条件的点入栈；

5)继续搜索，直到栈空为止，如图3中i部分所示，则Star[i]内元素就是组成星点的象素信息。

如此即完成一个星点的识别工作，在整幅星图中重复上述过程，就得到了相应星图中所有的星点(恒星和空间目标)的轮廓，并包括组成这些星点的每个象素的坐标和亮度值。

计算所识别出的所有星点的中心位置

CCD星图是二维的，计算星点的中心位置也应在二维平面上进行。由于恒星和空间目标是点目标，一般情况下斑点的亮度都是用点扩散函数表示，分布近似的可以看作是一个高斯曲面。但是通过计算边缘分布的方法，可以将其化为一维进行归算。计算星点定心的方法有传统质心法、修正矩法、平方加权法、高斯拟合法等。

传统质心法：传统质心法实际就是计算星图的一阶矩，即阈值化后的各个象元的灰度值，如式(8)：

$\left.\begin{array}{c}{x}_0=\frac{\underset{x=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{n}{\mathrm{\&Sigma;}}}f\&prime;(i,j)x}{\underset{x=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{n}{\mathrm{\&Sigma;}}}f\&prime;(i,j)}\\ y_0=\frac{\underset{x=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{n}{\mathrm{\&Sigma;}}}f\&prime;(i,j)y}{\underset{x=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{n}{\mathrm{\&Sigma;}}}f\&prime;(i,j)}\end{array}\right\}---\left(8\right)$

修正矩法：修正矩法是传统质心法的改进形式，相当于将原星图与二值化阈值相减，然后对相减后的星图求质心，使其对空间背景水平的敏感性大为减少。计算公式为(9)：

$\left.\begin{array}{c}{x}_0=\frac{\underset{x=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{n}{\mathrm{\&Sigma;}}}(f\&prime;(i,j)-T)x}{\underset{x=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{n}{\mathrm{\&Sigma;}}}(f\&prime;(i,j)-T)}\\ y_0=\frac{\underset{x=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{n}{\mathrm{\&Sigma;}}}(f\&prime;(i,j)-T)y}{\underset{x=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{n}{\mathrm{\&Sigma;}}}(f\&prime;(i,j)-T)}\end{array}\right\}---\left(9\right)$

平方加权法：平方加权法采用灰度值的平方代替灰度值作为权值，它突出了离中心较近的较大灰度值象素点对中心位置的影响。计算公式为(10)：

$\left.\begin{array}{c}{x}_0=\frac{\underset{x=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{n}{\mathrm{\&Sigma;}}}f\&prime;{(i,j)}^{2}x}{\underset{x=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{n}{\mathrm{\&Sigma;}}}f\&prime;(i,j)}\\ y_0=\frac{\underset{x=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{n}{\mathrm{\&Sigma;}}}f\&prime;{(i,j)}^{2}y}{\underset{x=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{n}{\mathrm{\&Sigma;}}}f\&prime;(i,j)}\end{array}\right\}---\left(10\right)$

高斯曲线拟合法：

行坐标和列坐标i、j的边缘定义为

$\begin{array}{c}M\left(i\right)=\underset{j}{\mathrm{\&Sigma;}}f(i,j)\\ M\left(j\right)=\underset{i}{\mathrm{\&Sigma;}}f(i,j)\end{array}---\left(11\right)$

边缘分布M(i)也是一个高斯分布。最自然的想法当然是采用一个具有平坦背景的对称高斯函数来拟合M(i)，这一方法的基本条件方程为：

$M\&prime;\left(x\right)=B+\mathrm{Hexp}(-\frac{{(x-x_0)}^2}{{2R}^2})---\left(12\right)$

其中：H反映的是星点的峰值高度。在这一方程中需求解的参数有四个：B、H、x₀和R。对我们来说，首先关心的是x₀。对于这样一个非线性的法方程组，一般采用牛顿迭代法进行运算，先将其用泰勒展开化为线性，再迭代求解。

$\left\{\begin{array}{c}\frac{\&PartialD;M\&prime;\left(i\right)}{\&PartialD;B}=1\\ \frac{\&PartialD;M\&prime;\left(i\right)}{\&PartialD;H}=\exp \left[\frac{-{(i-i_0)}^2}{{2R}^2}\right]\\ \frac{\&PartialD;M\&prime;\left(i\right)}{{\&PartialD;i}_0}=\mathrm{Hexp}\left[\frac{-{(i-i_0)}^2}{{2R}^2}\right]\frac{i-i_0}{R^2}\\ \frac{\&PartialD;M\&prime;\left(i\right)}{\&PartialD;R}=\mathrm{Hexp}\left[\frac{-{(i-i_0)}^2}{{2R}^2}\right]\frac{1}{R^3}\end{array}\right.---\left(13\right)$

对于星点位置测量，可要求当|Δi₀|＜0.001时，停止迭代过程。

高斯拟合法是有明显的物理意义的，其测量精度由星点分布与高斯函数的相似程度来决定，它所测量的中心是高斯函数的中心。这一方法可同时求出B、H和R，也就是可以同时得到天光背景、星点的光度和宽度。

参考图4，不同噪声水平下各种方法的偏差示意图。在噪声水平较低(即信噪比较高)的情况下，上述四种方法的精度都比较高，偏差都在0.1个象元左右，且差别不大。当噪声水平较高的时候，各种方法的偏差都增大，其中传统质心法增大得最多。在各种噪声水平下，高斯拟合法的偏差都是最小的，而修正矩法与高斯拟合法的偏差很小，保持在0.05个象元以内，可见门限的设定大大提高了测量精度。从另一个角度来看，高斯拟合法的计算量是十分庞大的，对每一个变量先要计算偏微分，再求解四元一次方程组，并进行多次迭代。而修正矩方法的计算量仅为高斯拟合法的10％。

基于以上对各种细分定位方法的分析，在精度和运算速度这两方面来看，本发明采用修正矩法来识别星点质心。修正矩法本身并不要求星点是高斯分布的，其测量的中心是星点的中心位置。修正矩法在门限处理过程中是以丧失星点边缘的某些记录为代价的，就定心精度而言，丧失的星点数据可以不计，除非是非常接近背景的星点，门限的引入大大提高了矩方法的精度，而且保持矩方法简单的特点。

S13：确定所有星图中均存在的三颗恒星作为基准恒星。

在识别空间目标的过程中，选取基准恒星是非常关键的一步，它决定了是否能正确地去除星图中的大部分恒星，从而识别出空间目标。

优选的，本发明采用三角形全等法来确定三颗基准恒星，并作为对齐星图的标准。具体为：1)分别将每幅星图中的所有星点按亮度值从高到低进行排序；2)获取在所有星图中都出现的三个星点；3)在各星图中把获取的三个星点组成相应的三角形，并根据各星点在相应星图中的坐标值计算相应三角形各边边长；4)判断所有三角形是否全等，若是，则确定三角形各顶点所对应的星点为三颗基准恒星，若不全等，则更换每幅星图中三角形的同一顶点并返回步骤3)。步骤2)进一步包括：21)根据亮度值排序获取第一幅星图中的第一星点，记录其坐标值；22)根据亮度值排序获取第二幅星图中的第二星点，记录其坐标值；23)计算第一星点与第二星点的相应坐标差；24)若坐标差小于第二预设误差，则判定第一星点与第二星点是同一颗恒星分别在第一幅星图和第一幅星图中的像点，转到步骤25)，若坐标差大于第二预设误差，则按亮度值排序更换第二幅星图中的星点并重复步骤23)-24)，如果遍历完第二幅星图中的所有星点，则按亮度值排序更换第一幅星图中的星点并重复步骤22)-24)；25)根据亮度值排序获取第三幅星图中的第三星点，记录其坐标值，计算第二星点与第三星点的相应坐标差，并按步骤24)所述进行判断；26)根据亮度值排序获取第四幅星图中的第四星点，记录其坐标值，计算第三星点与第四星点的相应坐标差，并按步骤24)所述进行判断，从而找到一个在每幅星图中都出现的星点；27)重复步骤21)-26)获取在所有星图中都出现的三个星点。

设连续的4幅图为P₁、P₂、P₃和P₄，以下对三角形全等的方法来确定4幅星图中相同的三颗恒星做详细说明。

首先，分别将每一星图中的所有星点按亮度从高到低进行排序，P₁的排序结果是(A₁,A₂,A₃,A₄…)，P₂的结果是(B₁,B₂,B₃,B₄…)，P₃的结果是(C₁,C₂,C₃,C₄…)，P₄的结果是(D₁,D₂,D₃,D₄…)。为了减少运算量，可以排序其中一部分星点，例如可以只排序在平均亮度以上的那些星点，这并不影响后面的运算结果，因为所选的基准恒星的亮度最好是比较大，便于确认所有恒星。

然后，寻找在4幅星图中都出现的三颗恒星，具体步骤如下：

1)在P1中取最亮的星点A1，记录其在星图中的坐标值(A_1x,A_1y)。

2)取P₂中最亮的B₁，其坐标值(B_1x,B_1y)。

3)计算坐标差：DifferX＝|A_1x-B_1x|，DifferY＝|A_1y-B_1y|。

4)若DifferX和DifferY都小于允许误差(这个误差的形成是由于星载相机的运动而导致同一颗恒星在每幅图中的位置有细微的差别)，则说明A₁和B₁是同一颗恒星分别在P₁和P₂中的像点，转到步骤5；若其中一个坐标差大于允许误差，则更换P₂中的星点，重复步骤3，4；如果检查完P₂排序中的所有星点，则更换A₁，重复步骤2，3，4。

5)取P₃中最亮的星点C₁，坐标值为(C_1x,C_1y)。

6)计算坐标差DifferX＝|B_1x-C_1x|，DifferY＝|B_1y-C_1y|，并按步骤4)所述进行判断。

7)取P₄中最亮的星点D₁，计算坐标差并判断。

上述7个步骤以后，找到一个在每幅图中都出现的恒星，用同样的方法，找到其它两颗恒星，例如最后的三颗恒星S₁、S₂和S₃在每幅图中的星点分别如下：(A₁,B₂,C₁,D₁)，(A₂,B₃,C₃,D₂)，(A₃,B₅,C₄,D₃)。

其次，把这些星点组成三角形，如图5所示。计算各三角形的边长，由于两幅图的拍摄间隔比较短，且所有的恒星运行轨迹大致相同，所以如果两个三角形全等，则可以确认它们的顶点分别对应同一颗恒星。检查三角形全等是为了避免某些星图中CCD噪点或非恒星物体的像点等正好落在三角形顶点的位置，而其他星图则没有这些噪点和像点的情况。

若两个三角形并不全等，就需要寻找新的三角形重新计算边长。先检查是否有某一条边长相等，如有，例如A₁A₂＝B₂B₃＝C₁C₃＝D₁D₂，则保持这些顶点不变，更换每幅星图的第三个顶点，组成新的三角形。若每条边都不相等，则更换每个顶点，直至找到使三角形全等的三个顶点为止。

由于亮度比较高的恒星一般都会在每幅图中出现，除非这些恒星在某些图中已经离开视场，所以这样的全等三角形比较容易找到。

S14：利用三颗基准恒星的坐标值为标准将所有星图对齐，遍历对齐后星图，判断所有对齐后星图相同坐标值的第一预设误差范围是否均有一颗星点，若有，则判定该星点为恒星，并从所有对齐后星图中去除。

拍摄的星图中，绝大部分都是恒星的像点，要想快速有效地识别出我们所感兴趣的空间目标，首先要去除星图中的恒星星点。利用已经选好的三颗恒星作为基准，遍历每幅图中的每个星点，判断其是否为恒星，若是恒星，则从星图中删去，具体算法如下：

1)根据三颗基准恒星在P₂、P₃、P₄的坐标值，以这些恒星在P₁图中的坐标值为标准，调整其它三幅星图的坐标，进行星图对齐，假设调整坐标后的星图为P₂’、P₃’和P₄’。因为恒星的相对位置是不变的，星图对齐的目的是使恒星相互对应，从而确认哪些星点是恒星所成的像。

2)按从左到右，从上到下的顺序遍历P₁中的星点，若遍历到当前点为Q₁(x₁,y₁)，分别在P₂’、P₃’和P₄’中相同的坐标值(x_1,y1)附近(允许一个误差范围)寻找是否都有一颗星点。若有，则认为这些星点是同一颗恒星，把它们从每幅图中删除。由于星载相机本身的局限性，某些恒星不一定在每幅星图中都成像，理论上，在两幅图中出现在同一个位置的星点就可以认为是恒星。但如果某颗恒星只在一幅星图中成像，在另一幅星图中某个空间目标的像点有可能正好落在我们所检查的星点位置上从而被当成恒星删去，为了避免这种情况，规定在每幅星图中都出现星点的恒星才被去除。

经过这两个步骤，大部分的恒星都会被删去，星图中留下的星点则是空间目标或是只在某些图中成像的恒星。

S15：遍历对齐并去除所有恒星后的每幅星图，识别所有空间目标。

虽然太空中有很多卫星，比起无穷无尽的恒星来说，还是微不足道的，所以星载相机拍摄的星图中，绝大部分都是恒星的像点。经过上述处理，星图中的大部分星点已经被去除，接下来就是要在剩下的星点中识别出我们所感兴趣的空间目标。

卫星围绕地球运行，其轨道和运行周期各不相同。这些卫星进入星载相机的视场后，运动轨迹也不相同。但是在很短的拍摄间隔内，我们可以把它的运动轨迹近似看作是匀速直线运动。为了降低了虚警概率，提高判断的准确性，本发明只识别在4幅星图中都成像的高轨空间目标。虽然这样处理可能会漏掉某些空间目标，但是这些空间目标也能在以后的拍摄处理过程中识别出来，所以并不会造成很大的影响。

由于空间目标的像点之间的轨迹接近直线、4幅星图中像点坐标差大致相等，以及由于在每幅图中都要成像，相邻星图中空间目标的像点之间的距离要小于三分之一的星图尺寸。因此，步骤S15进一步包括：

1)按从左到右，从上到下的顺序遍历去除所有恒星并对齐后的星图P₁，若遍历到当前点M₁(x₁,y₁)，执行步骤2。

2)在P₂中以(x₁,y₁)为圆点、半径小于170的圆内遍历，若遍历到一当前点为M₂(x₂,y₂)，根据相邻两幅星图中空间目标的坐标应是等差数列，计算该空间目标在P₃中的理想位置(x₃′,y′₃)：

$\left\{\begin{array}{c}{x}_3^{\&prime;}={2x}_2-x_1\\ y_3^{\&prime;}={2y}_2-y_1\end{array}\right.---\left(14\right)$

3)在P₃中以坐标值(x’₃,y’₃)为中心在第三预设误差范围(允许误差范围)内遍历，若存在一个星点M₃(x₃,y₃)，则参照公式(14)计算该空间目标在P₄中的理想位置(x’₄,y’₄)，转到步骤4；若不存在星点，则重复步骤2、3，直到遍历完P₂的圆中的所有星点；若遍历完圆中的所有星点后，没有找到符合条件的星点，则重复步骤1、2、3，直到检查完P₁中的所有星点。

4)在P₄中以坐标值(x’₄,y’₄)为中心在第三预设误差范围内遍历，若在允许的误差范围内有一个星点M₄(x₄,y₄)，则表示成功识别出一个空间目标，回到步骤1，继续遍历下一星点，直到识别出所有空间目标。从而实现在轨空间目标的快速识别。

S16：获取识别出的空间目标的运动轨迹。

如果遍历完星图P₁中所有的星点，仍然没有符合所有条件的点，则说明未拍摄到空间目标。如果找到了空间目标，例如它在每幅星图中的位置分别为M₁(x₁,y₁)、M₂(x₂,y₂)、M₃(x₃,y₃)和M₄(x₄,y₄)，则可利用这四个坐标值通过用直线去拟合，来估计它的运动轨迹。得到运动轨迹后可估算出该空间目标在接下来拍摄的星图中的位置，进而验证识别的正确性。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种天基空间目标识别方法，其特征在于，包括，

(1)获取连续的4幅星图；

(2)采用星点提取算法对每幅星图进行处理，获取由恒星和空间目标组成的相应星图；

(3)确定所有星图中均存在的三颗恒星作为基准恒星；

(4)利用三颗基准恒星的坐标值为标准将所有星图对齐，遍历对齐后星图，判断所有对齐后星图相同坐标值的第一预设误差范围是否均有一颗星点，若有，则判定该星点为恒星，并从所有对齐后星图中去除；

(5)遍历对齐并去除所有恒星后的每幅星图，识别所有空间目标。

2.根据权利要求1所述的天基空间目标识别方法，其特征在于，步骤(5)之后进一步包括：根据识别出的空间目标在每幅星图中的坐标值获取该空间目标的运动轨迹。

3.根据权利要求1所述的天基空间目标识别方法，其特征在于，步骤(2)进一步包括：

(21)去除每幅星图的背景噪声；

(22)遍历每幅星图，识别出灰度值大于阈值的所有星点，并获取相应坐标和亮度值，其中，所述星点为恒星或空间目标；

(23)计算所识别出的所有星点的中心位置。

4.根据权利要求3所述的天基空间目标识别方法，其特征在于，步骤(21)进一步包括：设定背景噪声中背景阈值T为：

T＝M+3×σ，

其中，M为星图的平均灰度值，σ为标准差：

$M=\frac{\mathrm{\&Sigma;f}(i,j)}{N},\mathrm{\&sigma;}=\sqrt{\frac{\mathrm{\&Sigma;}{f}^2(x,y)}{N}-M^2}$

式中，N为星图的象素总数，f(i,j)为每个象素的灰度值，i、j分别为行坐标和列坐标。

5.根据权利要求1所述的天基空间目标识别方法，其特征在于，步骤(3)进一步采用三角形全等法来确定三颗基准恒星：

(31)分别将每幅星图中的所有星点按亮度值从高到低进行排序；

(32)获取在所有星图中都出现的三个星点；

(33)在各星图中把获取的三个星点组成相应的三角形，并根据各星点在相应星图中的坐标值计算相应三角形各边边长；

(34)判断所有三角形是否全等，若是，则确定三角形各顶点所对应的星点为三颗基准恒星，若不全等，则更换每幅星图中三角形的同一顶点并返回步骤(33)。

6.根据权利要求5所述的天基空间目标识别方法，其特征在于，步骤(32)进一步包括：

(321)根据亮度值排序获取第一幅星图中的第一星点，记录其坐标值；

(322)根据亮度值排序获取第二幅星图中的第二星点，记录其坐标值；

(323)计算第一星点与第二星点的相应坐标差；

(324)若坐标差小于第二预设误差，则判定第一星点与第二星点是同一颗恒星分别在第一幅星图和第一幅星图中的像点，转到步骤(325)，若坐标差大于第二预设误差，则按亮度值排序更换第二幅星图中的星点并重复步骤(323)-(324)；如果遍历完第二幅星图中的所有星点，则按亮度值排序更换第一幅星图中的星点并重复步骤(322)-(324)；

(325)根据亮度值排序获取第三幅星图中的第三星点，记录其坐标值，计算第二星点与第三星点的相应坐标差，并按步骤(324)所述进行判断；

(326)根据亮度值排序获取第四幅星图中的第四星点，记录其坐标值，计算第三星点与第四星点的相应坐标差，并按步骤(324)所述进行判断，从而找到一个在每幅星图中都出现的星点；

(327)重复步骤(321)-(326)获取在所有星图中都出现的三个星点。

7.根据权利要求1所述的天基空间目标识别方法，其特征在于，步骤(5)进一步包括：(51)遍历去除所有恒星并对齐后的第一幅星图，若遍历到一星点M₁(x_1,y₁)，则执行步骤(52)；

(52)在第二幅星图中以(x_1,y₁)为圆点、半径为小于三分之一星图尺寸的圆内遍历，若遍历到一星点M₂(x_2,y₂)，根据相邻两幅星图中空间目标的坐标应是等差数列，计算该空间目标在第三幅星图中的理想位置(x’_3,y’₃)，并执行步骤(53)：

$\left\{\begin{array}{c}{x}_3^{\&prime;}=2x_2-x_1\\ y_3^{\&prime;}=2y_2-y_1\end{array}\right.;$

(53)在第三幅星图中以坐标值(x’_3,y’₃)为中心在第三预设误差范围内遍历，若遍历到一星点M₃(x_3,y₃)，则采用步骤(52)中的计算方法计算该空间目标在第四幅星图中的理想位置(x’_4,y’₄)，并执行步骤(54)，否则重复步骤(52)-(53)，直到遍历完第二幅星图中圆内所有星点；若该圆内没有星点，则重复步骤(51)-(53)，直到遍历完第一幅星图中的所有星点；

(54)在第四幅星图中以坐标值(x’_4,y’₄)为中心在第三预设误差范围内遍历，若遍历到一星点M₄(x_4,y₄)，则表示成功识别出一个空间目标，返回继续执行步骤(51)直到识别出所有空间目标。