CN110008938B - 一种空间目标形状识别方法 - Google Patents
一种空间目标形状识别方法 Download PDFInfo
- Publication number
- CN110008938B CN110008938B CN201910335273.4A CN201910335273A CN110008938B CN 110008938 B CN110008938 B CN 110008938B CN 201910335273 A CN201910335273 A CN 201910335273A CN 110008938 B CN110008938 B CN 110008938B
- Authority
- CN
- China
- Prior art keywords
- data
- sequence
- detector
- access
- target database
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Geometry (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种空间目标形状识别方法，针对GEO空间目标的形状识别时，考虑了空间观测几何对空间目标特征识别的影响，根据有实际物理和几何意义，在相似的空间观测几何变化规律下，进行目标的形状识别时，首先将光度数据在各自的中心点时刻进行归一化，而后将归一化之后的当前观测光度数据和与当前观测具有相似的空间观测几何变化规律的空间目标数据库中的不同形状模型的归一化光度数据做快速动态时间规整距离计算，归一化的光度数据仅考虑空间目标形状对空间目标光度数据的影响，进而通过计算“形状”距离的方式实现GEO目标形状的识别，并给出了最小值和均值识别模型，将当前观测数据与目标历史光度数据进行对比，可实现对高轨目标状态的长期监视。
Description
技术领域
本发明涉及的是一种空间目标形状识别方法，属于计算领域。
背景技术
对于GEO目标，由于距离远，光学和雷达均无法实现对其进行高分辨成像，因此高轨目标主要是通过光度数据的实现目标特征的反演。高轨目标尤其是地球静止轨道目标，一般执行通信导航、信息中继、导弹预警和在轨服务等任务，不同任务类型的目标拥有不同的平台类型，判定平台类型的形状，是判定平台类型的关键，进而进行目标任务类型的判断、目标威胁度的评估。
基于光度数据，针对空间目标的形状的判定，目前主要由两种方式：一是传统的形状反演方法，通过建立不同形状的模型库，通过非线性滤波的方法实现空间目标的形状反演；二是基于空间目标光度大数据驱动的形状识别方法，该方法一般采用特征提取技术提取空间目标光度曲线的历史数据特征，然后结合不同机器学习算法对提取的参数进行模型训练，形成目标识别、分类系统。
基于光度数据实现GEO目标的形状反演，传统的反演方法只考虑了相位角的变化对空间目标形状反演影响，仅仅考虑了简单的观测几何，对观测几何的分析不够全面，且对观测条件要求苛刻；基于光度大数据的空间目标形状识别方法，面向GEO目标直接对观测得到的光度数据进行机器学习，没有考虑观测中的几何意义，机器学习的目的将达不到预期的效果。当前我国地基空间目标光学监视系统观测和累积了大量的光度数据，迫切需要智能化的手段实现GEO目标的特征判定，有效的提升空间态势感知的能力。
发明内容
针对上述缺陷，本发明提供了一种空间目标形状识别方法，针对空间目标光学探测中获取的GEO空间目标光度大数据，在充分考虑观测几何关系对空间目标光度数据的影响基础上，寻找与当前具有相似空间观测几何变化规律的光度数据集，通过计算当前观测光度数据与该光度数据集的“形状”距离实现空间目标的形状识别。
为达到上述目的，本发明通过以下技术方案来具体实现：
本发明提供了一种空间目标形状识别方法，该方法包括：
步骤一、采集多组不同时间观测的空间目标的光度数据和轨道数据，作为空间目标数据库；
步骤二、通过空间目标的轨道数据解析出空间目标观测过程中太阳、探测器和空间目标三者的相对位置序列，相对位置序列统一在卫星质心轨道坐标系下；
步骤三、由相对位置序列解算相位角序列、太阳的方位角序列、太阳的俯仰角序列、探测器的方位角序列和探测器的俯仰角序列；太阳的方位角序列的变化规律、太阳的俯仰角序列的变化规律、探测器的方位角序列的变化规律与探测器的俯仰角序列的变化规律为空间观测几何变化规律；
步骤四、获取当前观测数据，所述当前观测数据包括当前观测光度数据和当前观测轨道数据；
步骤五、搜索空间目标数据库中与当前观测数据的相位角序列具有相似的变化规律的第一空间目标数据库Dom1；
步骤六、在第一空间目标数据库中搜索与当前观测数据的太阳的方位角序列、太阳的俯仰角序列、探测器的方位角序列和探测器的俯仰角序列均具有相似的变化规律的第二空间目标数据库Dom2；
步骤七、将第二空间目标数据库中的光度数据在各自的中心点时刻进行归一化后，组成第三空间目标数据库；
步骤八、将当前观测数据的光度数据在中心点时刻进行归一化后，基于距离计算法与第三空间目标数据库中的不同形状模型的光度数据做形状相似度判断，得到计算结果矩阵MAG；
步骤九、将计算结果矩阵MAG输入至最小值识别模型或者均值识别模型后，输出当前被观测数据的形状识别结果。
所述步骤一中，采集多组不同时间观测的空间目标的光度数据和轨道数据包括：
通过仿真计算、实际观测和/或实验室模拟测量方式获取不同平台形状的GEO目标的不同姿态、不同工作状态以及不同轨道类型在不同观测时间的光度数据和轨道数据。
所述步骤二中，相对位置序列统一在卫星质心轨道坐标系下的方法，包括：
在卫星工具箱(Satellite Tool Kit，STK)中，添加探测器和被观测卫星并建立卫星质心轨道坐标系，在卫星质心轨道坐标系下建立指向探测器的矢量以及指向太阳的矢量；
设置探测器的光照限制条件为：探测器处于全影或者半影区；
设置空间目标的光照条件为：空间目标被太阳直射；
通过STK报表管理器输出可观测弧段内的卫星质心轨道坐标系下探测器的位置序列以及太阳的位置序列。
所述步骤三中，由相对位置序列解算相位角序列、太阳的方位角序列、太阳的俯仰角序列、探测器的方位角序列和探测器的俯仰角序列，包括：
由相对位置序列解算相位角序列的方法如下：
其中，i为可观测弧段内的时刻，SunInSat为太阳的矢量；FacInSat为探测器的矢量；
太阳的矢量的坐标为SunInSati＝(SXi,SYi,SZi)；探测器的矢量的坐标为FacInSati＝(FXi,FYi,FZi)；其中，Si'＝(SXi,SYi,0)；Fi'＝(FXi,FYi,0)；
由相对位置序列解算太阳的方位角序列、太阳的俯仰角序列、探测器的方位角序列和探测器的俯仰角序列的方法如下：
其中，符号“*”表示向量的内积运算，符号“||”表示对向量求模运算；
向量Z＝(0,0,1),X＝(1,0,0)；αSi为第i时刻，太阳的方位角、αFi为第i时刻，探测器的方位角、βSi为第i时刻，太阳的俯仰角、βFi为第i时刻，探测器的俯仰角。
所述步骤四中，当前观测数据包括：
空间目标数据库中随机抽取的数据；或
实时观测得到的数据；或
积累多个弧段的观测数据。
所述步骤五中，搜索空间目标数据库中与当前观测数据的相位角序列具有相似的变化规律的第一空间目标数据库的方法，包括：
快速计算当前观测数据的相位角序列
和空间目标数据库中的所有Access的相位角序列的动态时间规整距离；其中，快速计算当前观测数据的相位角序列
和空间目标数据库中的第Access次的相位角序列
的动态时间规整距离为：
其中，空间目标对地基光学探测器可观测的限制条件为：空间目标被太阳直射且探测器处于地球全影或半影区，目标和探测器之间无任何遮挡；Access表示满足限制条件的可观测弧段；
表示当前观测数据的相位角序列，下标字母t表示当前观测数据；
为快速计算
序列和
序列的动态时间规整距离；依据
的大小顺序将空间目标数据库中的Access排序，抽取排序后的前o1个Access空间目标数据作为第一空间目标数据库；o1为输入参数，用于控制第一空间目标数据库的Access的数量。
所述步骤六中，在第一空间目标数据库中搜索与当前观测数据的太阳的方位角序列、太阳的俯仰角序列、探测器的方位角序列和探测器的俯仰角序列均具有相似的变化规律的第二空间目标数据库的方法，包括：
快速计算当前观测数据的太阳方位角序列αSt和第一空间目标数据库Dom1中的所有Access的太阳方位角序列的动态时间规整距离；其中，快速计算当前观测数据的太阳方位角序列αSt和第一空间目标数据库Dom1中的第Access次的太阳方位角序列αS[Access]的动态时间规整距离为：
αSFDTW[Access]＝FDTW(αSt,αS[Access])；
其中，αSt中下标大写字母S表示方位角序列所属对象为太阳，下标字母t表示当前观测数据；
快速计算当前观测数据的探测器的方位角序列αFt和第一空间目标数据库Dom1中的所有Access的探测器的方位角序列的动态时间规整距离；其中，快速计算当前观测数据的探测器的方位角序列αFt和第一空间目标数据库Dom1中的第Access次的探测器的方位角序列αF[Access]的动态时间规整距离为：
αFFDTW[Access]＝FDTW(αFt,αF[Access])；
其中，αFt中下标大写字母F表示方位角序列所属对象为探测器，下标字母t表示当前观测数据；
快速计算当前观测数据的太阳俯仰角序列βSt和第一空间目标数据库Dom1中的所有Access的太阳的俯仰角序列的动态时间规整距离；其中，快速计算当前观测数据的太阳俯仰角序列βSt和第一空间目标数据库Dom1中的第Access次的太阳的俯仰角序列βS[Access]的动态时间规整距离为：
βSFDTW[Access]＝FDTW(βSt,βS[Access])；
其中，βSt中下标大写字母S表示俯仰角序列所属对象为太阳，下标字母t表示当前观测数据；
快速计算当前观测探测器的俯仰角序列βFt和第一空间目标数据库Dom1中的所有Access的探测器的俯仰角序列的动态时间规整距离；其中，快速计算当前观测探测器的俯仰角序列βFt和第一空间目标数据库Dom1中的第Access次的探测器的俯仰角序列βF[Access]的动态时间规整距离为：
βFFDTW[Access]＝FDTW(βFt,βF[Access])；
其中，βFt中下标大写字母F表示俯仰角序列所属对象为探测器，下标字母t表示当前观测数据；
分别依据αSFDTW、αFFDTW、βSFDTW、βFFDTW的大小顺序对第一空间目标数据库中的Access执行四种排序，组成四个空间目标数据库Dom11、Dom12、Dom13、Dom14，同时抽取Dom11～Dom14中前n(n≤o1)个Access，组成第二空间目标数据库，其中要求第二空间目标数据库中包含o2种Access，每种出现四次，其中o2为输入量，用于控制第二空间目标数据库的Access的数量。
所述步骤七中，归一化方式包括：
获取每组光度数据的每一时刻点的光度数据以及该组中心点时刻的光度数据；
将获取的每组光度数据的每一时刻点的光度数据除以该组中心点时刻的光度数据得到归一化数值，所述归一化数值为光度数据在中心点时刻进行归一化的结果。
所述步骤八中，距离计算法采用快速计算DTW距离方法，该方法包括：
将当前观测的光度数据在中心点归一化为Mt，快速计算Mt与第三空间目标数据库中的不同形状模型的光度数据的动态时间规整距离，得到计算结果矩阵MAG；其中，快速计算Mt与第三空间目标数据库中的第i种形状模型的第j次Access的光度数据的动态时间规整距离为：
MAGi,j＝FDTW(Mt,Mi,j)；
其中，M表示光度数据，下标t表示当前观测数据，j＝1,2,...o2，i＝1,2,...T，o2为第三空间目标数据库的Access的数目，T为第三空间目标数据库中形状模型的种类数。
所述步骤九包括：将计算结果矩阵MAG输入至最小值识别模型，包括：
选取MAG矩阵每列最小值对应的形状模型作为该当前观测数据的初步形状识别结果，出现次数最多的初步形状识别结果作为当前被观测数据的形状识别结果输出；
将计算结果矩阵MAG输入至均值识别模型，包括：
计算MAG每列均值，均值最小的形状模型作为当前被观测数据的形状识别结果输出。
本发明的有益效果是：
本发明提供的技术方案，针对GEO空间目标的形状识别时，考虑了空间观测几何对空间目标特征识别的影响，根据有实际物理和几何意义，在相似的空间观测几何变化规律下，进行目标的形状识别时，通过计算形状距离的方式实现GEO目标形状的识别，并给出了最小值和均值识别模型，将当前观测数据与目标历史光度数据进行对比，可实现对高轨目标状态的长期监视。
附图说明
图1所示为本发明提供的高轨目标形状模型示意图。
图2所示为本发明提供的OCS曲线示意图。
图3所示为本发明提供的FDTW的流程图。
具体实施方式
下面对本发明的技术方案进行具体阐述，需要指出的是，本发明的技术方案不限于实施例所述的实施方式，本领域的技术人员参考和借鉴本发明技术方案的内容，在本发明的基础上进行的改进和设计，应属于本发明的保护范围。
实施例一
本发明实施例一提供了一种空间目标形状识别方法，该方法包括：
步骤一、采集多组不同时间观测的空间目标的光度数据和轨道数据，作为空间目标数据库；
步骤二、通过空间目标的轨道数据解析出空间目标观测过程中太阳、探测器和空间目标三者的相对位置序列，相对位置序列统一在卫星质心轨道坐标系下；
步骤三、由相对位置序列解算相位角序列、太阳的方位角序列、太阳的俯仰角序列、探测器的方位角序列和探测器的俯仰角序列；太阳的方位角序列的变化规律、太阳的俯仰角序列的变化规律、探测器的方位角序列的变化规律与探测器的俯仰角序列的变化规律为空间观测几何变化规律；
步骤四、获取当前观测数据，所述当前观测数据包括当前观测光度数据和当前观测轨道数据；
步骤五、搜索空间目标数据库中与当前观测数据的相位角序列具有相似的变化规律的第一空间目标数据库Dom1；
步骤六、在第一空间目标数据库中搜索与当前观测数据的太阳的方位角序列、太阳的俯仰角序列、探测器的方位角序列和探测器的俯仰角序列均具有相似的变化规律的第二空间目标数据库Dom2；
步骤七、将第二空间目标数据库中的光度数据在各自的中心点时刻进行归一化后，组成第三空间目标数据库Dom3；
步骤八、将当前观测数据的光度数据在中心点时刻进行归一化后，基于距离计算法与第三空间目标数据库中的不同形状模型的光度数据做形状相似度判断，得到计算结果矩阵MAG；
步骤九、将计算结果矩阵MAG输入至最小值识别模型或者均值识别模型后，输出当前被观测数据的形状识别结果。
所述步骤一中，采集多组不同时间观测的空间目标的光度数据和轨道数据包括：
通过仿真计算、实际观测和/或实验室模拟测量方式获取不同平台形状的GEO目标的不同姿态、不同工作状态以及不同轨道类型在不同观测时间的光度数据和轨道数据。
所述步骤二中，相对位置序列统一在卫星质心轨道坐标系下的方法，包括：
在卫星工具箱(Satellite Tool Kit，STK)中，添加探测器和被观测卫星并建立卫星质心轨道坐标系，在卫星质心轨道坐标系下建立指向探测器的矢量以及指向太阳的矢量；
设置探测器的光照限制条件为：探测器处于全影或者半影区；
设置空间目标的光照条件为：空间目标被太阳直射；
通过STK报表管理器输出可观测弧段内的卫星质心轨道坐标系下探测器的位置序列以及太阳的位置序列。
所述步骤三中，由相对位置序列解算相位角序列、太阳的方位角序列、太阳的俯仰角序列、探测器的方位角序列和探测器的俯仰角序列，包括：
由相对位置序列解算相位角序列的方法如下：
其中，i为可观测弧段内的时刻，SunInSat为太阳的矢量；FacInSat为探测器的矢量；
太阳的矢量的坐标为SunInSati＝(SXi,SYi,SZi)；探测器的矢量的坐标为FacInSati＝(FXi,FYi,FZi)；其中，Si'＝(SXi,SYi,0)；Fi'＝(FXi,FYi,0)；
由相对位置序列解算太阳的方位角序列、太阳的俯仰角序列、探测器的方位角序列和探测器的俯仰角序列的方法如下：
其中，符号“*”表示向量的内积运算，符号“||”表示对向量求模运算；
向量Z＝(0,0,1),X＝(1,0,0)；αSi为第i时刻，太阳的方位角、αFi为第i时刻，探测器的方位角、βSi为第i时刻，太阳的俯仰角、βFi为第i时刻，探测器的俯仰角。
所述步骤四中，当前观测数据包括：
空间目标数据库中随机抽取的数据；或
实时观测得到的数据；或
积累多个弧段的观测数据。
步骤五、步骤六和步骤八中所采用的方法，采用快速计算动态时间规整(FastDTW，FDTW)的方法实现：
(1)粗粒度化。首先将原始序列进行数据抽象，数据抽象可执行多次1/1→1/2→1/4→1/8，粗粒度数据点是其对应的多个细粒度数据点的均值。
(2)投影。在较粗粒度上，计算DTW距离。
(3)细粒度化。在较粗粒度上得到的规整路径经过的方格进一步细粒度化到较细粒度的时间序列上，此外，FDTW在较细粒度的空间内向外(横向、竖向、斜向)扩展K个粒度。FDTW的具体执行流程图如图3所示。
计算两个时间序列DTW距离需构造一个有m×n个单元的动态时间弯曲距离矩阵D，在时间和空间上的复杂度为O(mn)，对于当前采样率很高的空间目标光度序列，计算DTW距离将耗费大量的时间。FDTW主动缩小计算范围，将边缘元素进行过滤，其时间复杂度为O(min(m,n))，大大缩短了计算时间。计算两条曲线的DTW距离时，既包含两条曲线的“形状”距离，又包含“幅值”距离，以解决距离计算中数据在时间轴上伸缩、平移以及数据不等长的问题，本发明中归一化的光度数据仅考虑空间目标形状对空间目标光度数据的影响，进而通过计算“形状”距离的方式实现空间目标形状的识别，。
所述步骤五中，搜索空间目标数据库中与当前观测数据的相位角序列具有相似的变化规律的第一空间目标数据库的方法，包括：
快速计算当前观测数据的相位角序列
和空间目标数据库中的所有Access的相位角序列的动态时间规整距离；其中，快速计算当前观测数据的相位角序列
和空间目标数据库中的第Access次的相位角序列
的动态时间规整距离为：
其中，空间目标对地基光学探测器可观测的限制条件为：空间目标被太阳直射且探测器处于地球全影或半影区，目标和探测器之间无任何遮挡；Access表示满足限制条件的可观测弧段；
表示当前观测数据的相位角序列，下标字母t表示当前观测数据；
为快速计算
序列和
序列的动态时间规整距离；依据
的大小顺序将空间目标数据库中的Access排序，抽取排序后的前o1个Access空间目标数据作为第一空间目标数据库；o1为输入参数，用于控制第一空间目标数据库的Access的数量。
所述步骤六中，在第一空间目标数据库中搜索与当前观测数据的太阳的方位角序列、太阳的俯仰角序列、探测器的方位角序列和探测器的俯仰角序列均具有相似的变化规律的第二空间目标数据库的方法，包括：
快速计算当前观测数据的太阳方位角序列αSt和第一空间目标数据库Dom1中的所有Access的太阳方位角序列的动态时间规整距离；其中，快速计算当前观测数据的太阳方位角序列αSt和第一空间目标数据库Dom1中的第Access次的太阳方位角序列αS[Access]的动态时间规整距离为：
αSFDTW[Access]＝FDTW(αSt,αS[Access])；
其中，αSt中下标大写字母S表示方位角序列所属对象为太阳，下标字母t表示当前观测数据；
快速计算当前观测数据的探测器的方位角序列αFt和第一空间目标数据库Dom1中的所有Access的探测器的方位角序列的动态时间规整距离；其中，快速计算当前观测数据的探测器的方位角序列αFt和第一空间目标数据库Dom1中的第Access次的探测器的方位角序列αF[Access]的动态时间规整距离为：
αFFDTW[Access]＝FDTW(αFt,αF[Access])；
其中，αFt中下标大写字母F表示方位角序列所属对象为探测器，下标字母t表示当前观测数据；
快速计算当前观测数据的太阳俯仰角序列βSt和第一空间目标数据库Dom1中的所有Access的太阳的俯仰角序列的动态时间规整距离；其中，快速计算当前观测数据的太阳俯仰角序列βSt和第一空间目标数据库Dom1中的第Access次的太阳的俯仰角序列βS[Access]的动态时间规整距离为：
βSFDTW[Access]＝FDTW(βSt,βS[Access])；
其中，βSt中下标大写字母S表示俯仰角序列所属对象为太阳，下标字母t表示当前观测数据；
快速计算当前观测探测器的俯仰角序列βFt和第一空间目标数据库Dom1中的所有Access的探测器的俯仰角序列的动态时间规整距离；其中，快速计算当前观测探测器的俯仰角序列βFt和第一空间目标数据库Dom1中的第Access次的探测器的俯仰角序列βF[Access]的动态时间规整距离为：
βFFDTW[Access]＝FDTW(βFt,βF[Access])；
其中，βFt中下标大写字母F表示俯仰角序列所属对象为探测器，下标字母t表示当前观测数据；
分别依据αSFDTW、αFFDTW、βSFDTW、βFFDTW的大小顺序对第一空间目标数据库中的Access执行四种排序，组成四个空间目标数据库Dom11、Dom12、Dom13、Dom14，同时抽取Dom11～Dom14中前n(n≤o1)个Access，组成第二空间目标数据库，其中要求第二空间目标数据库中包含o2种Access，每种出现四次，其中o2为输入量，用于控制第二空间目标数据库的Access的数量。
所述步骤七中，归一化方式包括：
获取每组光度数据的每一时刻点的光度数据以及该组中心点时刻的光度数据；
将获取的每组光度数据的每一时刻点的光度数据除以该组中心点时刻的光度数据得到归一化数值，所述归一化数值为光度数据在中心点时刻进行归一化的结果。
所述步骤八中，距离计算法采用快速计算DTW距离方法，该方法包括：
将当前观测的光度数据在中心点归一化为Mt，快速计算Mt与第三空间目标数据库中的不同形状模型的光度数据的动态时间规整距离，得到计算结果矩阵MAG；其中，快速计算Mt与第三空间目标数据库中的第i种形状模型的第j次Access的光度数据的动态时间规整距离为：
MAGi,j＝FDTW(Mt,Mi,j)；
其中，M表示光度数据，下标t表示当前观测数据，j＝1,2,...o2，i＝1,2,...T，o2为第三空间目标数据库的Access的数目，T为第三空间目标数据库中形状模型的种类数。
所述步骤九包括：将计算结果矩阵MAG输入至最小值识别模型，包括：
选取MAG矩阵每列最小值对应的形状模型作为该当前观测数据的初步形状识别结果，出现次数最多的初步形状识别结果作为当前被观测数据的形状识别结果输出；
将计算结果矩阵MAG输入至均值识别模型，包括：
计算MAG每列均值，均值最小的形状模型作为当前被观测数据的形状识别结果输出。
一具体应用例子：
一、数据集的建立
为验证本发明的效果，以丽江天文台为地基光学观测站，选取位于我国上空的GEO轨道目标，设置测站和卫星的限制条件为地基光学观测空间目标的限制条件，通过卫星工具箱STK设置低轨的轨道参数、分析可观测情况，如表1所示。
表1 GEO卫星的轨道参数及可观测情况
首先，通过MATLAB调用STK，根据每次Access的起止时间，修改STK报表管理器输出时间窗口，输出一年中所有Access中SunInSat、FacInSat在O-XYZ系下的时序三维坐标，作为目标光度计算的输入，在生成时序三维坐标时，轨道模型为二体模型，时序步长为1s。依据时序三维坐标解算出
αS、αF、βS和βF的时序数据。
如图1所示，通过3DS MAX构建包括立方体、圆柱体、圆锥体、长方体和球体共4种不同形状的形状模型(T＝4)，导出为3ds文件，为说明发明形状识别方法的效果，分别建立训练数据集和测试数据集，测试数据集中，目标的形状和测试数据集中目标形状一致，但在尺寸上相差约0.2～0.5m。采用基于OpenGL拾取技术计算目标OCS，材质BRDF描述采用针对空间目标常用材质菲涅尔现象改进的Phong模型，将模型3ds文件和时序三维坐标导入OCS计算程序计算所有模型的OCS序列，即可建立空间目标形状光度数据集。
二、目标形状特征识别效果验证。
随机选取100组Access作为当前观测数据，令o1＝15，o2＝5，进行目标形状特征识别验证。
如图2为Access[406]对应数据集Dom3中不同形状的5条OCS曲线和测试数据的OCS曲线，从图中可以看出，针对不同形状目标，目标外形的不同导致目标光学散射特性发生变化，相同形状的目标归一化后的OCS曲线几乎一致，据此在相似空间观测几何变化规律下进行目标形状特征的识别。
随机选取100组Access的形状识别正确率如表2所示，表2为100组Access的形状识别正确率/％(均值模型/最小值模型)。
表2
表2显示，均值模型和最小值模型各形状的识别正确率均在90％以上，其中均值和最小值模型的识别正确率的平均值分别为97.25％，97.5％，两者差别不大，GEO目标空间观测几何变化规律相对固定，相似的空间观测几何变化规律光度数据集中，由空间观测几何变化规律相似性的影响较小，目标的光度数据影响主要由目标的形状特征决定。
在实际应用中，一方面，形状库光度数据集可根据目标的当前空间观测几何变化规律，仿真计算出该空间观测几何变化规律下，所有简单体形状模型以及已知真实形状的空间目标光度数据作为形状库光度数据集，进行“形状”距离计算，判定当前观测的目标本体形状类型，这要求形状库中需包含大量种类的形状模型。
另一方面，对已知卫星平台的目标观测数据进行储存，作为形状库光度数据集，在对未知平台类型的目标进行平台类型判定时，在相似空间观测几何变化规律下，可进行当前未知目标的任务类型与已知目标任务类型的相似度判定。这种判定方法可充分利用地基望远镜观测的光度数据，充分挖掘光度数据中包含的高价值情报信息。
此外，针对我国上空的高轨目标，气象条件允许的情况下，几乎每天都具备光学观测条件，可观测和搜集每一目标大量的光度数据。利用发明提出的光度曲线“形状”和“距离”计算方法，将当前观测数据与目标历史光度数据进行对比，可实现对高轨目标状态的长期监视。
本发明的有益效果是：
本发明提供的技术方案，针对GEO空间目标的形状识别时，考虑了空间观测几何对空间目标特征识别的影响，根据有实际物理和几何意义，在相似的空间观测几何变化规律下，进行目标的形状识别时，通过计算“形状”距离的方式实现GEO目标形状的识别，并给出了最小值和均值识别模型，将当前观测数据与目标历史光度数据进行对比，可实现对高轨目标状态的长期监视。
以上公开的仅为本发明的几个具体实施例，但是，本发明并非局限于上述实施例，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (9)
1.一种空间目标形状识别方法，其特征在于，该方法包括：
步骤一、采集多组不同时间观测的空间目标的光度数据和轨道数据，作为空间目标数据库；
步骤二、通过空间目标的轨道数据解析出空间目标观测过程中太阳、探测器和空间目标三者的相对位置序列，相对位置序列统一在卫星质心轨道坐标系下；
步骤三、由相对位置序列解算相位角序列、太阳的方位角序列、太阳的俯仰角序列、探测器的方位角序列和探测器的俯仰角序列；太阳的方位角序列的变化规律、太阳的俯仰角序列的变化规律、探测器的方位角序列的变化规律与探测器的俯仰角序列的变化规律为空间观测几何变化规律；
步骤四、获取当前观测数据，所述当前观测数据包括当前观测光度数据和当前观测轨道数据；
步骤五、搜索空间目标数据库中与当前观测数据的相位角序列具有相似的变化规律的第一空间目标数据库Dom1；
步骤六、在第一空间目标数据库中搜索与当前观测数据的太阳的方位角序列、太阳的俯仰角序列、探测器的方位角序列和探测器的俯仰角序列均具有相似的变化规律的第二空间目标数据库Dom2；
步骤七、将第二空间目标数据库中的光度数据在各自的中心点时刻进行归一化后，组成第三空间目标数据库；
步骤八、将当前观测数据的光度数据在中心点时刻进行归一化后，基于距离计算法与第三空间目标数据库中的不同形状模型的光度数据做形状相似度判断，得到计算结果矩阵MAG；
步骤九、将计算结果矩阵MAG输入至最小值识别模型或者均值识别模型后，输出当前被观测数据的形状识别结果；
将计算结果矩阵MAG输入至最小值识别模型，包括：选取MAG矩阵每列最小值对应的形状模型作为该当前观测数据的初步形状识别结果，出现次数最多的初步形状识别结果作为当前被观测数据的形状识别结果输出；
将计算结果矩阵MAG输入至均值识别模型，包括：计算MAG每列均值，均值最小的形状模型作为当前被观测数据的形状识别结果输出。
2.如权利要求1所述的方法，其特征在于，所述步骤一中，采集多组不同时间观测的空间目标的光度数据和轨道数据包括：
通过仿真计算、实际观测和/或实验室模拟测量方式获取不同平台形状的GEO目标的不同姿态、不同工作状态以及不同轨道类型在不同观测时间的光度数据和轨道数据。
3.如权利要求1所述的方法，其特征在于，所述步骤二中，相对位置序列统一在卫星质心轨道坐标系下的方法，包括：
在卫星工具箱(Satellite Tool Kit，STK)中，添加探测器和被观测卫星并建立卫星质心轨道坐标系，在卫星质心轨道坐标系下建立指向探测器的矢量以及指向太阳的矢量；
设置探测器的光照限制条件为：探测器处于全影或者半影区；
设置空间目标的光照条件为：空间目标被太阳直射；
通过STK报表管理器输出可观测弧段内的卫星质心轨道坐标系下探测器的位置序列以及太阳的位置序列。
4.如权利要求1-3之一所述的方法，其特征在于，所述步骤三中，由相对位置序列解算相位角序列、太阳的方位角序列、太阳的俯仰角序列、探测器的方位角序列和探测器的俯仰角序列，包括：
由相对位置序列解算相位角序列的方法如下：
其中，i为可观测弧段内的时刻，SunInSat为太阳的矢量；FacInSat为探测器的矢量；
太阳的矢量的坐标为SunInSati＝(SXi,SYi,SZi)；探测器的矢量的坐标为FacInSati＝(FXi,FYi,FZi)；其中，Si'＝(SXi,SYi,0)；Fi'＝(FXi,FYi,0)；
由相对位置序列解算太阳的方位角序列、太阳的俯仰角序列、探测器的方位角序列和探测器的俯仰角序列的方法如下：
其中，符号“*”表示向量的内积运算，符号“||”表示对向量求模运算；
向量Z＝(0,0,1),X＝(1,0,0)；αSi为第i时刻，太阳的方位角、αFi为第i时刻，探测器的方位角、βSi为第i时刻，太阳的俯仰角、βFi为第i时刻，探测器的俯仰角。
5.如权利要求1所述的方法，其特征在于，所述步骤四中，当前观测数据包括：
空间目标数据库中随机抽取的数据；或
实时观测得到的数据；或
积累多个弧段的观测数据。
6.如权利要求1所述的方法，其特征在于，所述步骤五中，搜索空间目标数据库中与当前观测数据的相位角序列具有相似的变化规律的第一空间目标数据库的方法，包括：
快速计算当前观测数据的相位角序列
和空间目标数据库中的所有Access的相位角序列的动态时间规整距离；其中，快速计算当前观测数据的相位角序列
和空间目标数据库中的第Access次的相位角序列
的动态时间规整距离为：
其中，空间目标对地基光学探测器可观测的限制条件为：空间目标被太阳直射且探测器处于地球全影或半影区，目标和探测器之间无任何遮挡；Access表示满足限制条件的可观测弧段；
表示当前观测数据的相位角序列，下标字母t表示当前观测数据；
为快速计算
序列和
序列的动态时间规整距离；依据
的大小顺序将空间目标数据库中的Access排序，抽取排序后的前o1个Access空间目标数据作为第一空间目标数据库；o1为输入参数，用于控制第一空间目标数据库的Access的数量。
7.如权利要求1所述的方法，其特征在于，所述步骤六中，在第一空间目标数据库中搜索与当前观测数据的太阳的方位角序列、太阳的俯仰角序列、探测器的方位角序列和探测器的俯仰角序列均具有相似的变化规律的第二空间目标数据库的方法，包括：
快速计算当前观测数据的太阳方位角序列αSt和第一空间目标数据库Dom1中的所有Access的太阳方位角序列的动态时间规整距离；其中，快速计算当前观测数据的太阳方位角序列αSt和第一空间目标数据库Dom1中的第Access次的太阳方位角序列αS[Access]的动态时间规整距离为：
αSFDTW[Access]＝FDTW(αSt,αS[Access])；
其中，αSt中下标大写字母S表示方位角序列所属对象为太阳，下标字母t表示当前观测数据；
快速计算当前观测数据的探测器的方位角序列αFt和第一空间目标数据库Dom1中的所有Access的探测器的方位角序列的动态时间规整距离；其中，快速计算当前观测数据的探测器的方位角序列αFt和第一空间目标数据库Dom1中的第Access次的探测器的方位角序列αF[Access]的动态时间规整距离为：
αFFDTW[Access]＝FDTW(αFt,αF[Access])；
其中，αFt中下标大写字母F表示方位角序列所属对象为探测器，下标字母t表示当前观测数据；
快速计算当前观测数据的太阳俯仰角序列βSt和第一空间目标数据库Dom1中的所有Access的太阳的俯仰角序列的动态时间规整距离；其中，快速计算当前观测数据的太阳俯仰角序列βSt和第一空间目标数据库Dom1中的第Access次的太阳的俯仰角序列βS[Access]的动态时间规整距离为：
βSFDTW[Access]＝FDTW(βSt,βS[Access])；
其中，βSt中下标大写字母S表示俯仰角序列所属对象为太阳，下标字母t表示当前观测数据；
快速计算当前观测探测器的俯仰角序列βFt和第一空间目标数据库Dom1中的所有Access的探测器的俯仰角序列的动态时间规整距离；其中，快速计算当前观测探测器的俯仰角序列βFt和第一空间目标数据库Dom1中的第Access次的探测器的俯仰角序列βF[Access]的动态时间规整距离为：
βFFDTW[Access]＝FDTW(βFt,βF[Access])；
其中，βFt中下标大写字母F表示俯仰角序列所属对象为探测器，下标字母t表示当前观测数据；
分别依据αSFDTW、αFFDTW、βSFDTW、βFFDTW的大小顺序对第一空间目标数据库中的Access执行四种排序，组成四个空间目标数据库Dom11、Dom12、Dom13、Dom14，同时抽取Dom11～Dom14中前n(n≤o1)个Access，组成第二空间目标数据库，其中要求第二空间目标数据库中包含o2种Access，每种出现四次，其中o2为输入量，用于控制第二空间目标数据库的Access的数量。
8.如权利要求1所述的方法，其特征在于，所述步骤七中，归一化方式包括：
获取每组光度数据的每一时刻点的光度数据以及该组中心点时刻的光度数据；
将获取的每组光度数据的每一时刻点的光度数据除以该组中心点时刻的光度数据得到归一化数值，所述归一化数值为光度数据在中心点时刻进行归一化的结果。
9.如权利要求1所述的方法，其特征在于，所述步骤八中，距离计算法采用快速计算DTW距离方法，该方法包括：
将当前观测的光度数据在中心点归一化为Mt，快速计算Mt与第三空间目标数据库中的不同形状模型的光度数据的动态时间规整距离，得到计算结果矩阵MAG；其中，快速计算Mt与第三空间目标数据库中的第i种形状模型的第j次Access的光度数据的动态时间规整距离为：
MAGi,j＝FDTW(Mt,Mi,j)；
其中，M表示光度数据，下标t表示当前观测数据，j＝1,2,...o2，i＝1,2,...T，o2为第三空间目标数据库的Access的数目，T为第三空间目标数据库中形状模型的种类数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910335273.4A CN110008938B (zh) | 2019-04-24 | 2019-04-24 | 一种空间目标形状识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910335273.4A CN110008938B (zh) | 2019-04-24 | 2019-04-24 | 一种空间目标形状识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110008938A CN110008938A (zh) | 2019-07-12 |
| CN110008938B true CN110008938B (zh) | 2021-03-09 |
Family
ID=67173963
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910335273.4A Active CN110008938B (zh) | 2019-04-24 | 2019-04-24 | 一种空间目标形状识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110008938B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110647163B (zh) * | 2019-10-22 | 2022-09-06 | 中国人民解放军战略支援部队航天工程大学 | 对geo空间目标持续可见光探测的绕飞轨道设计方法 |
| CN110889353B (zh) * | 2019-11-19 | 2023-04-07 | 中国科学院国家天文台长春人造卫星观测站 | 基于主焦点大视场光电望远镜的空间目标识别方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102667518A (zh) * | 2009-12-08 | 2012-09-12 | 真实定位公司 | 多传感器定位和识别 |
| WO2014171988A2 (en) * | 2013-01-29 | 2014-10-23 | Andrew Robert Korb | Methods for analyzing and compressing multiple images |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010061260A1 (en) * | 2008-11-03 | 2010-06-03 | Elvin Slavik | Method, system, and product for managing spatial data in a database |
| CN104101297B (zh) * | 2014-07-22 | 2017-02-08 | 中国科学院国家天文台 | 一种基于光电观测的空间物体尺度获取方法 |
| CN108415098B (zh) * | 2018-02-28 | 2019-10-11 | 西安交通大学 | 基于光度曲线对空间高轨小尺寸目标特征识别方法 |
| CN108876846B (zh) * | 2018-06-05 | 2021-12-03 | 中国科学院国家天文台 | 一种基于光变曲线的卫星本体尺寸计算方法 |
| CN109492347B (zh) * | 2019-01-22 | 2023-06-02 | 中国人民解放军战略支援部队航天工程大学 | 一种三要素模型描述空间目标光学散射特性的方法 |
-
2019
- 2019-04-24 CN CN201910335273.4A patent/CN110008938B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102667518A (zh) * | 2009-12-08 | 2012-09-12 | 真实定位公司 | 多传感器定位和识别 |
| WO2014171988A2 (en) * | 2013-01-29 | 2014-10-23 | Andrew Robert Korb | Methods for analyzing and compressing multiple images |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110008938A (zh) | 2019-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110516561B (zh) | 基于dcgan和cnn的sar图像目标识别方法 | |
| CN106529410B (zh) | 一种基于监控视频的灰霾扩散路径绘制与来源确定方法 | |
| Marinoni et al. | Three-dimensional identification and reconstruction of galaxy systems within flux-limited redshift surveys | |
| CN103353988B (zh) | 异源sar景象特征匹配算法性能评估方法 | |
| CN110059292B (zh) | 一种空间目标姿态识别方法 | |
| CN110008938B (zh) | 一种空间目标形状识别方法 | |
| CN114299011A (zh) | 一种基于深度学习的遥感目标四边形框快速检测方法 | |
| CN104792299B (zh) | 一种基于测角数据的小行星轨道识别方法 | |
| Bister et al. | Identification of patterns in cosmic-ray arrival directions using dynamic graph convolutional neural networks | |
| Wang et al. | A camouflaged object detection model based on deep learning | |
| Zhu et al. | Detection of industrial storage tanks at the city-level from optical satellite remote sensing images | |
| CN110044477B (zh) | 一种具有相似空间观测几何变化规律的光度数据搜索方法 | |
| CN112668613A (zh) | 基于气象预报和机器学习的卫星红外成像效果预测方法 | |
| Bellhouse et al. | Locations and Morphologies of Jellyfish Galaxies in A2744 and A370 | |
| CN110427957A (zh) | 一种基于机器学习的地球化学数据的分类方法和装置 | |
| CN112101440B (zh) | 一种基于改进U-Net网络的日冕物质抛射检测方法 | |
| Zhang et al. | A diverse space target dataset with multidebris and realistic on-orbit environment | |
| Saydam et al. | Feature sampling and balancing for detecting rock bolts from the lidar point clouds | |
| CN110069742B (zh) | 一种缩小光度数据集搜索域的方法 | |
| Li et al. | Runway crack detection based on YOLOV5 | |
| CN103295015B (zh) | 部分遮挡目标的局部特征点提取方法 | |
| Paulete et al. | AIMLRCS: A Machine Learning approach to spacecraft attitude and object identification based on RCS from the S3TSR | |
| Horák et al. | Circular Statistics for Directional and Temporal Data: Case Studies of Lineaments and Noise Violations Offence | |
| Oak et al. | Search for interacting galaxy clusters from SDSS DR-17 employing optimized friends-of-friends algorithm and multimessenger tracers | |
| Li et al. | Monostatic and bistatic SAR automatic target recognition with multi-aspect feature fusion in open environment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |