CN110298865B - 基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法 - Google Patents

Abstract

本发明公开了基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法，涉及天基星空背景弱小点目标跟踪方法领域；其包括点目标检测、利用连续的两帧目标点集的位置坐标实现帧配准；通过阈值分离聚类器对上述目标点集进行聚类获得每一个类群中权重最大的预测目标后，通过动态权重提取算法获取最终的预测结果，完成目标跟踪；本发明利用ICP图像帧配准、阈值分离聚类器和动态权重提取算法解决现有运动的目标背景和恒星干扰导致天基星空背景弱小目标跟踪精度差的问题，有效地实现了天基观测平台、星空背景下弱小点目标高精度检测跟踪。

Description

基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法

技术领域

本发明涉及天基星空背景弱小点目标跟踪方法领域，尤其是基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法。

背景技术

对天基运动背景中点目标探测跟踪一直是空天领域研究中的热点问题之一，对于空间监视、预警和航天飞行器安全等都有着十分重要的作用。基于近地轨道天基平台和红外传感器对深空进行探测，具有探测距离远、覆盖范围广、测量精度高、隐蔽性强等优点，已成为空间目标跟踪监视的主要途径；但基于天基平台的深空弱小目标探测跟踪以下难点：(1)成像距离远，点目标在图像中往往呈现微弱点状，没有轮廓、纹理和形状等特征；(2)跟踪目标和恒星都是以一两个像素的方式无差别的出现，使得弱小目标很容易淹没在复杂的星空背景中；(3)由于观测平台运动特性，不同观测帧之间的星空背景具有相对运动；(4)由于大气干扰、各种交织噪声干扰，目标和恒星都具有闪烁特性，这也极大干扰算法跟踪的稳定性。

为保持正确的跟踪，传统多目标跟踪方法采用“量测-航迹”的数据关联技术，而由于其数据组合爆炸的特性，使得基于数据关联的两种主流算法--概率数据关联算法(JPDA)和多假设方法(MHT)在计算过程中会产生巨大的运算消耗。Mahler提出利用随机有限集合统计学理论，把目标的状态值和观测值分别用随机有限集合表示成目标的状态集合和观测集合，并在贝叶斯框架下，提出概率假设滤波(PHD)。PHD采用多目标后验概率分布的一阶统计量来替代目标的后验概率分布，避免了传统的数据关联，并有效地减少了计算消耗，对于PHD滤波，高斯混合概率假设滤波(GM-PHD)和序贯蒙特卡洛概率假设滤波(SMC-PHD)为两个闭解，其中GM-PHD算法是PHD的一种线性闭解。

近年来，基于PHD算法的广泛适用性而被大量的运用于雷达目、视觉目标、扩展目标等不同工程领域。近些年，许多学者针对GM-PHD算法存在的缺点进行了许多改进研究，第一个是对紧密空间和分布密集场景所进行的方法研究。目标在紧密间隔的目标跟踪场景中出现或消失时，目标之间会相互产生影响，导致目标的数量及其状态估计会变得十分困难。现有方法主要从状态空间，动态检测，惩罚权重这三个方面进行改进，但依然存在以下问题：目标检测跟踪监测的干扰来自于大量时刻存在的恒星信息，现有算法容易将一直存在的背景干扰识别成新生目标，比如前向后向平滑滤波算法，N扫描GM-PHD算法等，在每一次剪枝合并之后，都会提取出权重大于0.5的高斯分量作为本次剪枝合并的结果输出，剩余的高斯分量连同输出一起作为下一时刻的输入而进入新一次的预测更新过程中。而在星空背景中，由于恒星信息一直存在，导致在每次迭代过程中其权重值会逐渐大于0.5，最后被传统算法识别成真实目标，并随着时间步一直跟踪下去；表明这一类算法难以应对场景中一直存在的背景干扰噪声，容易将这些背景噪声视为新生目标，聚类时把特殊位置的恒星单独聚成一类，把阈值设定为固定值，导致极大的跟踪误差；另一方面，运动的传感器平台造成运动的目标背景，是天基红外弱小目标跟踪的难点。

因此，需要一种弱小点目标跟踪方法克服以上问题，实现高精度跟踪。

发明内容

本发明的目的在于：本发明提供了基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法,解决现有运动的目标背景和恒星干扰导致天基星空背景弱小目标跟踪精度差的问题。

本发明采用的技术方案如下：

基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法，包括如下步骤：

步骤1：检测图像帧中弱小目标后转换为目标点集完成点目标检测，获取帧序列目标点集；

步骤2：利用连续的两帧目标点集的位置坐标实现ICP图像帧配准；

步骤3：通过阈值分离聚类器对上述目标点集进行聚类获得每一个类群中权重最大的预测目标后，通过动态权重提取算法获取最终的预测结果，完成目标跟踪。

优选地，所述步骤2包括如下步骤：

步骤2.1：对O_f中的一点

到O_c中寻找与其距离最近的点即求/>

直至O_f中的每个点/>

都在O_c中找到对应点/>

即pj，获取点集p,公式如下：

p＝C(O_f,Y)

其中,

表示点/>

和/>

之间的欧氏距离，Y表示图像中所有的待匹配点，O_c＝(x^j,y^j)}(j＝1,…m_c)和O_f＝(x^j,y^j)}(j＝1,…m_f)分别表示需要进行ICP配准的第c和第f个点集,/>

表示第c个点集中参与匹配的第k个点，/>

表示第f个点集中参与匹配的第j个点，

表示第c个点集中参与匹配的第j个点；

步骤2.2：将点集O_f和点集p组成的点对的均方误差作为目标函数解出刚性变换参数R和t：

其中，R表示旋转矩阵，t表示平移向量，pi表示点集p中第i个点；

步骤2.3：将得到的变换参数R和t，代入待配准点集进行几何变换，得到新的点集：

O_f,new＝q(O_f)

步骤2.4：令O_f＝O_f,new，重复步骤2.1-2.3不断迭代求解使得对应点均方误差之和最小，获取变换参数矩阵。

优选地，所述步骤3包括如下步骤：

步骤3.1：经初始化、预测、更新和剪枝合并获取Z_k，Z_k表示k时刻经过剪枝合并后的目标集合；

步骤3.2：通过目标的速度阈值和距离阈值将Z_k聚类成多个S_·,k，其中S_·,k表示某一个具体子类群，并输出每个S_·,k中概率最大的高斯分量作为真实目标的可能结果，最后通过动态权重提取算法完成聚类和状态提取，获取预测结果。

优选地，所述步骤3.2包括如下步骤：

步骤3.2.1：找出Z_k中权重最大的高斯分量索引，并存储该权重值到W_k中：

其中，W_k表示k时刻Z_k中所有权重的集合，G_k表示时刻剪枝合并后的测量值个数，且j＝{1,...,G_k}，

表示k时刻第j个目标的权重，Z_k包含多个/>

步骤3.2.2：计算出第i个高斯分量

和第j个高斯分量/>

的速度阈值speed_i,j和对应的欧氏距离d_i,j：

其中，R₀表示[0 1 0 1]的列矩阵，用于分离速度阈值时进行点乘；R₁和R₂分别表示[1 0 0 0]、[0 0 1 0]的列矩阵，用于分离目标的位置信息；

表示k时刻第i个目标的协方差矩阵；

步骤3.2.3：把所有满足预设速度阈值Mspeed_init和欧式距离D_init的高斯分量进行聚类：

其中，S_i,k表示k时刻第i个子类群，mspeed_i,j表示第i个目标和第j个目标之间计算得到的速度阈值，D_i,j表示第i个目标和第j个目标计算得到的欧式距离；

步骤3.2.4：获取每一个S_·,k中权重最大的高斯分量，并作为真实目标的可能结果进行输出：

其中，Y_k表示聚类后总的类群个数，

表示k时刻第r个目标的预测结果，/>

表示第k时刻第r个目标；

步骤3.2.5：找到

中最小的权重值，并获得所有权重的平均值：

步骤3.2.6：状态提取：

其中，

表示k时刻目标位置信息的预测值，/>

表示k时刻权重大于0.5的所有预测结果，/>

表示k时刻第i个目标的预测结果。

优选地，所述步骤3.2.4包括如下步骤：

步骤3.2.4.1：W_k求和后并向下取整，获得k时刻可能预测出的目标数number_k；

步骤3.2.4.2：若number_k>number_k-1，则判断每一个S_·,k中权重最大的两个高斯分量的权重值之差是否小于0.1，若小于，则跳至步骤3.2.4.3，否则跳至步骤3.2.4.4；

步骤3.2.4.3：输出该类群中权重值第二大的高斯分量；

步骤3.2.4.4：输出权重值最大的高斯分量。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1.本发明采用基于稀疏点快速2D-ICP图像帧配准算法解决星载观测平台下目标背景移动问题；阈值分离聚类器在传统GM-PHD算法进行剪枝合并后先进行阈值分离，再结合目标之间的欧式距离进行聚类操作，并进行权重动态提取，避免了阈值分离聚类器把恒星单独聚成一类的缺点；解决现有运动的目标背景和恒星干扰导致天基星空背景弱小目标跟踪精度差的问题，有效地实现了天基观测平台、星空背景下弱小点目标高精度检测跟踪；

2.本发明利用恒星具有稳定的相对位置关系特性，使用连续的两帧点集的位置坐标配准，解决了观测传感器运动，背景目标点集之间存在相对位移，导致目标跟踪困难的问题；

3.本发明的阈值分离聚类器根据设定的阈值把剪枝合并后的结果聚类成多个S_·,k即通过目标的速度阈值和距离阈值把k时刻所有的目标分成不同的类群，然后输出每个S_·,k中概率最大的高斯分量作为真实目标的可能结果，最后通过动态权重提取得到最终预测的结果，动态的权重提取方式能根据每次聚类结果的高斯分量数动态的设置权重提取阈值，进而保留更多可信的高斯分量，避免了把恒星的信息代入下一次更新迭代中，从而实现目标的正确跟踪；

4.本发明通过速度和距离度量对观测集进行自动聚类和目标状态提取，有效分离恒星类噪声，输出有效跟踪目标，解决基于星载的天基观测平台，星空背景下弱小运动目标检测跟踪问题。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明的方法流程图；

图2为本发明的场景1的50个时间步数据集示意图；

图3为本发明的场景2的50个时间步数据集示意图；

图4为本发明的场景3的50个时间步数据集示意图；

图5为本发明的场景4的50个时间步数据集示意图；

图6为本发明的场景1跟踪轨迹和目标数目估计示意图；

图7为本发明的场景2跟踪轨迹和目标数目估计示意图；

图8为本发明的场景3跟踪轨迹和目标数目估计示意图；

图9为本发明的场景4跟踪轨迹和目标数目估计示意图；

图10为本发明的场景4数据表。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以下结合实施例对本发明的特征和性能作进一步的详细描述。

实施例1

现有算法中难以应对场景中一直存在的背景干扰噪声，容易将这些背景噪声视为新生目标，聚类时把特殊位置的恒星单独聚成一类，把阈值设定为固定值，导致极大的跟踪误差；另一方面，运动的传感器平台造成运动的目标背景，是天基红外弱小目标跟踪的难点；因此，基于上述问题，本申请提供一种高精度的天基星空背景弱小点目标跟踪方法，细节如下：

基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法，包括如下步骤：

步骤1：检测图像帧中弱小目标后转换为目标点集完成点目标检测，获取帧序列目标点集；

步骤2：利用连续的两帧目标点集的位置坐标实现ICP图像帧配准；

步骤3：通过阈值分离聚类器对上述目标点集进行聚类获得每一个类群中权重最大的预测目标后，通过动态权重提取算法获取最终的预测结果，完成目标跟踪。

步骤2包括如下步骤：

步骤2.1：对O_f中的一点

到O_c中寻找与其距离最近的点即求/>

直至O_f中的每个点/>

都在O_c中找到对应点/>

即pj，获取点集p,公式如下：

p＝C(O_f,Y)

其中,

表示点/>

和/>

之间的欧氏距离，Y表示图像中所有的待匹配点，O_c＝{(x^j,y^j)}(j＝1,…m_c)和O_f＝{(x^j,y^j)}(j＝1,…m_f)分别表示需要进行ICP配准的第c和第f个点集,/>

表示第c个点集中参与匹配的第k个点，/>

表示第f个点集中参与匹配的第j个点，/>

表示第c个点集中参与匹配的第j个点；

步骤2.2：将点集O_f和点集p组成的点对的均方误差作为目标函数解出刚性变换参数R和t：

其中，R表示旋转矩阵，t表示平移向量，pi表示点集p中第i个点；

步骤2.3：将得到的变换参数R和t，代入待配准点集进行几何变换，得到新的点集：

O_f,new＝q(O_f)

步骤2.4：令O_f＝O_f,new，重复步骤2.1-2.3不断迭代求解使得对应点均方误差之和最小，获取变换参数矩阵。

步骤3包括如下步骤：

步骤3.1：经初始化、预测、更新和剪枝合并获取Z_k，Z_k表示k时刻经过剪枝合并后的目标集合；

初始化：

当时间步k＝0时，状态集合v₀(x)的强度函数由N₀个混合高斯分量进行初始化，其中，

和/>

分别表示初始模型中每个高斯分量的相应权重，均值和协方差。

预测：

在预测步中，按照传统GM-PHD滤波的预测方式来预测k时刻的目标状态；其中，p_s,k(·)表示k时刻目标的存活概率，f_k|k-1(·|·)表示存活目标的强度函数，β_k|k-1(·|·)表示衍生目标的强度函数，γk(·)表示k时刻出现的新生目标有限随机集合Γ_k的强度函数。

更新：

在更新步中，预测值除了和目标，杂波等观测值进行更新外，还需要和观测区域内所有恒星观测值进行更新操作，但依旧可以按照传统更新的方式进行k时刻目标状态的更新。其中，P_D,k(·)表示k时刻目标的检测概率，g_k(·|·)表示目标的观测强度函数。

剪枝合并：

为了防止高斯分量随着迭代次数而无休止的增长，传统的GM-PHD算法利用预设的修剪阈值τ和合并阈值U分别对高斯分量进行剪枝合并操作。其具体方式如下：

不满足以下条件则进行剪枝操作：

满足以下条件的则进行合并操作：

其中，J_k表示k时刻总的预测数，I_k表示满足修剪阈值的预测数，M表示满足合并阈值的高斯分量的集合。

步骤3.2：通过目标的速度阈值和距离阈值将Z_k聚类成多个S_·,k，其中S_·,k表示某一个具体子类群，并输出每个S_·,k中概率最大的高斯分量作为真实目标的可能结果，最后通过动态权重提取算法完成聚类和状态提取，获取预测结果。

步骤3.2包括如下步骤：

步骤3.2.1：找出Z_k中权重最大的高斯分量索引，并存储该权重值到W_k中：

其中，W_k表示k时刻Z_k中所有权重的集合，G_k表示时刻剪枝合并后的测量值个数，且j＝{1,...,G_k}，

表示k时刻第j个目标的权重，Z_k包含多个/>

步骤3.2.2：计算出第i个高斯分量

和第j个高斯分量/>

的速度阈值speed_i,j和对应的欧氏距离d_i,j：

其中，R₀表示[0 1 0 1]的列矩阵，用于分离速度阈值时进行点乘；R₁和R₂分别表示[1 0 0 0]、[0 0 1 0]的列矩阵，用于分离目标的位置信息；

表示k时刻第i个目标的协方差矩阵；

步骤3.2.3：把所有满足预设速度阈值Mspeed_init和欧式距离D_init的高斯分量进行聚类：

其中，S_i,k表示k时刻第i个子类群，mspeed_i,j表示第i个目标和第j个目标之间计算得到的速度阈值，D_i,j表示第i个目标和第j个目标计算得到的欧式距离；

步骤3.2.4：获取每一个S_·,k中权重最大的高斯分量，并作为真实目标的可能结果进行输出：

其中，Y_k表示聚类后总的类群个数，

表示k时刻第r个目标的预测结果，/>

表示第k时刻第r个目标；

步骤3.2.5：找到

中最小的权重值，并获得所有权重的平均值：

步骤3.2.6：状态提取：

其中，

表示k时刻目标位置信息的预测值，/>

表示k时刻权重大于0.5的所有预测结果，/>

表示k时刻第i个目标的预测结果。

步骤3.2.4包括如下步骤：

步骤3.2.4.1：W_k求和后并向下取整，获得k时刻可能预测出的目标数number_k；

步骤3.2.4.2：若number_k>number_k-1，则判断每一个S_·,k中权重最大的两个高斯分量的权重值之差是否小于0.1，若小于，则跳至步骤3.2.4.3，否则跳至步骤3.2.4.4；

步骤3.2.4.3：输出该类群中权重值第二大的高斯分量；

步骤3.2.4.4：输出权重值最大的高斯分量。

实施时，采用包含恒星赤经、赤维、赤经自行、赤纬自行及星等等信息的Tycho-2星表来模拟真实的星空运动场景。研究星空表的成像方法有利于还原实际的跟踪环境。在场景中，每一个目标都是以不同的速度，结合不同的观测方位角，高度角，星等来进行数据的模拟，并在成像时加入一定的泊松噪声。本申请提供四种场景的实施例，除数据集不一致，其他条件均一致，定义了一个线性高斯转移模型和一个观测模型：

t表示时间步长(t＝1)，q_k和r_k分别表示过程噪声和测量噪声，且被建模为Q_k＝diag([0.5,0.1])和R_k＝diag([0.25,0.25])，目标检测概率为0.9，目标存活概率为0.99，本申请涉及的其他预设参数初始化如下：修剪阈值为τ＝0.01，合并门限U＝4，新生目标的出生强度为B_k＝diag([1,2,1,2])，允许运行最大高斯分布个数J_max＝200。

本实施例为场景1的数据集1，如图2所示，恒星运动比较缓慢，跟踪环境比较简单。最上方的目标会连续经过被三颗恒星包裹的区域，而其他目标在运动过程中偶尔被恒星干扰，分别比较三种现有算法和本申请的效果，效果图如图6所示：

通过观察图6a和图6b，发现把传统算法运用在星空背景下时会把目标周围近距离的恒星识别成真实目标，并一直保持跟踪。这是由于该算法把每次剪枝合并后的预测信息都代入下一次更新迭代中导致的。通过观察图6c和图6d，发现运用平滑的方法能避免把离目标较近的恒星识别成真实目标的情况，所以其跟踪结果会比GM-PHD算法要好一些，但当恒星出现在目标运动路径上时，该算法依旧会把恒星识别成真实目标，这是由于该算法在后向平滑时无法区分此刻的观测值是恒星的还是真实目标的。通过观察图6e和图6f，发现N扫描算法能很好的避免把近距离恒星识别成真实目标的情况，但该算法在第20到第40个时间步内，却出现很多漏检的现象，通过实验分析得知，图6e中出现的漏检现象并不是真的漏检，而是由于N扫描算法在提取目标时，始终会把权重值最大的高斯分量作为此次预测的输出结果导致的。以图6e中最上方的目标为例，该目标在运行到第20个时间步时，权重最大的高斯分量并不是真实目标的预测值，所以该算法在进行目标状态提取时得到的预测值并不是真实目标的位置信息，而真实目标的位置信息会被代入到下一次的更新迭代中，所以N扫描算法依旧能在后续时间步中跟踪到真实的目标。通过观察图6g和图6h，本申请的算法在进行跟踪预测时并没有出现上述情况，由于本申请的阈值分离聚类算法，通过设定适当的速度阈值和欧氏距离就能聚类距离目标较近的恒星信息，并通过动态的权重提取方式提取出了真实目标的位置信息。

实施例2

本发明在实施例1的基础上，本实施例为场景2的数据集2，如图3所示，在该数据集中恒星运动比较频繁。左下角的目标会超过5个时间步都在一个小型的星群中运动，其他目标在运动过程中也会相应的受到恒星的干扰；效果如图7所示：

如图7a和图7b所示，GM-PHD算法依旧会把近距离的恒星识别成了真实目标。在前34个时间步内，前向后向平滑滤波算法表现出了十分良好的跟踪预测能力，但在后续的时间步中，由于左下角的目标进入了一个由三颗恒星组成的星群中，导致该算法把这三颗恒星都识别成了真实目标。N扫描算法虽然在该数据集中没有出现虚假漏检的现象，但在左下角目标进入恒星群时，却丢失了真实目标的位置信息。本申请的算法在该数据集中很好的避免了上述情况的发生，这得益于动态的权重提取方式，该方式能根据每次聚类结果的高斯分量数动态的设置权重提取阈值，进而保留更多可信的高斯分量。

实施例3

本发明在实施例1的基础上，本实施例为场景3的数据集3，如图4所示，两个目标在相遇过程中被近距离恒星干扰的特殊情况，用于评价算法在近距离不同目标聚类时的鲁棒性。效果如图8所示：

场景3测试两颗目标在相遇过程中受到近距离恒星干扰的特殊情况，通过观察图8a到图8h，发现三种对比算法都把交叉位置的恒星识别成了真实目标，N扫描算法也在之后的时间步中出现了虚假漏检的情况。而本申请的算法在聚类时很好的得到了由两个真实目标形成的重叠类群，并通过动态的权重提取方式，剔除了恒星的干扰信息，使得算法很好的避免了这一类问题。

实施例4

本发明在实施例1的基础上，本实施例为场景3的数据集3，如图5所示，六个真实目标周围存在着大量运动频繁的恒星，每一个目标在运动过程中都受到了近距离恒星的干扰。两个目标在相遇过程中会同时受到两颗紧密运动的恒星干扰。效果如图9所示：

通过对比图9a到图9b，可以发现三种对比算法除了把恒星识别成真实目标外，还出现了一定虚假漏检现象，其中N扫描算法最为严重。而本申请提出的算法除了少许几处出现虚假漏检外，其他地方都表现出了出色的跟踪能力。

实施例5

本发明在实施例1-4的基础上，根据数据集1-4采用ospa距离来对算法效率进行评估：

其中，p表示距离敏感性参数，c表示关联敏感性参数，

表示xⁱ和/>

在c处截断的最小距离，/>

表示k时刻目标位置信息的预测值，X_k表示k时刻目标真实的位置信息，本实例中c＝70，p＝2；

如图9所示，罗列出了各个数据集对应的平均ospa数值，其中，平均ospa距离越小代表算法跟踪效率越高。通过比对该数值，可以得出四种算法在星空背景的跟踪场景下跟踪能力的强弱排名。

综上，在星空背景的整个观测域中，恒星数量众多且都按照固定的方向缓慢移动。所以，相比于传统跟踪环境，星空背景下影响算法跟踪准确度的最大因素不再是噪声，而是时刻存在的恒星。由于基于GM-PHD的算法在传统跟踪环境中的主要目标是解决因噪声，漏检等因素所带来高斯组件权重降低的情况，所以会把目标和其他虚假观测值都代入下一次迭代中，这导致传统方法无法在该场景中进行正确的跟踪。因此本申请提出了一种简单有效的阈值分离聚类器和动态的权重提取方式，实现了对星空下多个弱小点目标的正确提取。通过实施实验结果，本申请提出的算法包括如下优点：(1)可以很好的区分出每一个类群中真实的目标，并排除其周围的恒星干扰。在数据集2中，左下角的目标会在第34个时间步后连续的在三颗近距离恒星群中移动。而在三组对比实验中，GM-PHD和前向后向平滑算法都把这三颗恒星识别成了新生目标，而N-扫描算法虽然正确区分了这三颗恒星但却丢失了真实目标。而本申请的算法以非线性的方式经过恒星群后依旧保持着正确的跟踪。(2)可以在两个目标相遇时排除相遇范围内的恒星干扰。在数据集3和数据集4中，右边的两颗恒星在第7个时间步后出现相遇的特殊情况，在经过修剪合并处理后的数据则表现为两个类群重叠，相比于本申请的算法的正确跟踪结果，其他三种对比算法都把恒星识别成了目标，N-扫描算法甚至出现了连续虚假漏检的情况。(3)采用了一个适用于星空跟踪环境的动态权重提取方式。该方式能根据当前提取出的高斯分量进行动态的设置权重提取阈值，避免了把阈值设定为固定值导致跟踪精度差的缺点。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法，其特征在于：包括如下步骤：

步骤1：检测图像帧中弱小目标后转换为目标点集完成点目标检测，获取帧序列目标点集；

步骤2：利用连续的两帧目标点集的位置坐标实现ICP图像帧配准；

步骤3：通过阈值分离聚类器对上述目标点集进行聚类获得每一个类群中权重最大的预测目标后，通过动态权重提取算法获取最终的预测结果，完成目标跟踪；

所述步骤2包括如下步骤：

步骤2.1：对O_f中的一点

到O_c中寻找与其距离最近的点即求/>

直至O_f中的每个点/>

都在O_c中找到对应点/>

即pj，获取点集p，公式如下：

p＝C(O_f，Y)

其中，

表示点/>

和/>

之间的欧氏距离，Y表示图像中所有的待匹配点，O_c＝{(x^j，y^j)}(j＝1，...m_c)和O_f＝{(x^j，y^j)}(j＝1，...m_f)分别表示需要进行ICP配准的第c和第f个点集，/>

表示第c个点集中参与匹配的第k个点，/>

表示第f个点集中参与匹配的第j个点，/>

表示第c个点集中参与匹配的第j个点；

步骤2.2：将点集O_f和点集p组成的点对的均方误差作为目标函数解出刚性变换参数R和t：

其中，R表示旋转矩阵，t表示平移向量，pi表示点集p中第i个点；

步骤2.3：将得到的变换参数R和t，代入待配准点集进行几何变换，得到新的点集：

O_f，new＝q(O_f)

步骤2.4：令O_f＝O_f，new，重复步骤2.1-2.3不断迭代求解使得对应点均方误差之和最小，获取变换参数矩阵；

所述步骤3包括如下步骤：

步骤3.1：经初始化、预测、更新和剪枝合并获取Z_k，Z_k表示k时刻经过剪枝合并后的目标集合；

步骤3.2：通过目标的速度阈值和距离阈值将Z_k聚类成多个S_·,k，其中S_·,k表示某一个具体子类群，并输出每个S_·,k中概率最大的高斯分量作为真实目标的可能结果，最后通过动态权重提取算法完成聚类和状态提取，获取预测结果。

2.根据权利要求1所述的基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法，其特征在于：所述步骤3.2包括如下步骤：

步骤3.2.1：找出Z_k中权重最大的高斯分量索引，并存储该权重值到W_k中：

其中，W_k表示k时刻Z_k中所有权重的集合，G_k表示时刻剪枝合并后的测量值个数，且j＝{1,...,G_k}，

表示k时刻第j个目标的权重，Z_k包含多个/>

步骤3.2.2：计算出第i个高斯分量

和第j个高斯分量/>

的速度阈值speed_i,j和对应的欧氏距离d_i,j：

其中，R₀表示[0 1 0 1]的列矩阵，用于分离速度阈值时进行点乘；R₁和R₂分别表示[1 00 0]、[0 0 1 0]的列矩阵，用于分离目标的位置信息；

表示k时刻第i个目标的协方差矩阵；

步骤3.2.3：把所有满足预设速度阈值Mspeed_init和欧式距离D_init的高斯分量进行聚类：

其中，S_i,k表示k时刻第i个子类群，mspeed_i,j表示第i个目标和第j个目标之间计算得到的速度阈值，D_i,j表示第i个目标和第j个目标计算得到的欧式距离；

步骤3.2.4：获取每一个S_·,k中权重最大的高斯分量，并作为真实目标的可能结果进行输出：

其中，Y_k表示聚类后总的类群个数，

表示k时刻第r个目标的预测结果，/>

表示第k时刻第r个目标；

步骤3.2.5：找到

中最小的权重值，并获得所有权重的平均值：

步骤3.2.6：状态提取：

其中，

表示k时刻目标位置信息的预测值，/>

表示k时刻权重大于0.5的所有预测结果，/>

表示k时刻第i个目标的预测结果。

3.根据权利要求2所述的基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法，其特征在于：所述步骤3.2.4包括如下步骤：

步骤3.2.4.1：W_k求和后并向下取整，获得k时刻可能预测出的目标数number_k；

步骤3.2.4.2：若number_k>number_k-1，则判断每一个S_·,k中权重最大的两个高斯分量的权重值之差是否小于0.1，若小于，则跳至步骤3.2.4.3，否则跳至步骤3.2.4.4；

步骤3.2.4.3：输出该类群中权重值第二大的高斯分量；

步骤3.2.4.4：输出权重值最大的高斯分量。

Images