CN114820801A - 一种空间目标检测方法 - Google Patents
一种空间目标检测方法 Download PDFInfo
- Publication number
- CN114820801A CN114820801A CN202210763579.1A CN202210763579A CN114820801A CN 114820801 A CN114820801 A CN 114820801A CN 202210763579 A CN202210763579 A CN 202210763579A CN 114820801 A CN114820801 A CN 114820801A
- Authority
- CN
- China
- Prior art keywords
- star
- points
- image
- point
- star points
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 238000005260 corrosion Methods 0.000 claims abstract description 17
- 230000007797 corrosion Effects 0.000 claims abstract description 17
- 238000009825 accumulation Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 230000008094 contradictory effect Effects 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 7
- 230000003628 erosive effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 abstract description 7
- 230000000877 morphologic effect Effects 0.000 abstract description 5
- 230000009466 transformation Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000003384 imaging method Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 238000006073 displacement reaction Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000005530 etching Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种空间目标检测方法,利用形态学的方法将图像预处理,在膨胀和腐蚀操作的基础上检测出视场内所有星点的外接矩形,并由此得出星点区域的特征,排除了噪点和月球出现在视场内的干扰情况。同时,基于帧间星点特征变换缓慢的特性,完成帧间的星点匹配;对于异常的匹配,通过轨迹特征积累进行排除,轨迹关联后,得到所有星点和空间目标的轨迹描述,通过为星点赋分的方式得出空间目标的位置。本发明在多种复杂工况下可以有效地检测出空间目标,检测概率高于96%,虚警概率低于1%,适用于天基光电探测系统的空间目标检测要求。
Description
技术领域
本发明涉及图像处理领域,特别涉及一种空间目标检测方法,针对深空背景下的空间小目标。
背景技术
通过天基系统光电观测成像的方式对空间目标进行探测是空间目标监视中的一项重要手段,然而当前目标检测领域针对空间目标的检测方法不多,且适用性不强,传统的图像处理算法与基于深度学习的方法无法达到较好的检测效果。针对于空间目标,检测方法还有差分图像法、光流法等,然而差分图像法在探测器移动时无法保证稳定的背景环境,光流法的计算量过大因此实时性不好。
当空间目标与探测器之间的距离较远时,空间目标在图像中只占几个像素,缺少细节特征;其次,天基的光电探测器由于视场大,不可避免在视场内会出现大量的背景恒星,背景恒星的成像特征与空间目标类似,且由于探测器的移动,背景恒星在图像序列中也有着位移;同时,由于空间目标的运行轨道不同,其成像尺寸、运算速度和方向均不可控,运动轨迹可能出现中断。另外,对高分辨率图像的实时处理要求,也对在轨实时处理硬件系统提出了挑战,以上均对目标检测算法提出了更高的要求。
发明内容
针对现有技术中存在的问题,提供了一种空间目标检测方法,通过形态学上预处理、星点特征提取、轨迹关联完成空间目标的检测。
本发明采用的技术方案如下:一种空间目标检测方法,包括:
步骤1、对原始获取的图像进行二值化处理;
步骤2、对二值化处理后的图像中的星点进行膨胀操作得到膨胀图像;
步骤3、对膨胀图像中星点进行腐蚀操作,得到腐蚀图像,遍历腐蚀图像得到所有星点的右下角坐标;
步骤4、遍历膨胀图像得到所有星点的左上角坐标,并根据星点的左上角坐标与右下角坐标进行星点筛选;
步骤5、提取筛选后星点的几何矩与均值灰度特征,其中几何距包括0阶矩与1阶矩;
步骤6、基于星点的几何矩与均值灰度特征,完成相邻两帧图像中星点匹配,得到星点移动轨迹及轨迹特征;对于异常的匹配,通过轨迹特征积累进行排除;
步骤7、获取图像序列,进行星点轨迹关联,根据图像中星点轨迹特征不断为图像序列每一帧中所有星点进行赋分并累加,直到某星点达到一定阈值,即检测出该星点为空间目标的位置。
进一步的,所述步骤3中,通过腐蚀操作将图像中星点缩小至1X1的孤立点,对腐蚀图像进行遍历,检测出值为1的点即为对应星点的右下角坐标。
进一步的,所述步骤4中得到所有星点的左上角坐标的具体过程为:
进一步的,所述步骤4中,星点筛选的具体过程为:根据星点的左上角坐标与右下角坐标计算星点的高度与宽度,并根据设置的星点高度与宽度阈值范围,判断星点的高度与宽度是否在阈值范围之内,若不在则将对应星点滤除。
进一步的,所述步骤6中,以前帧图像为基础,在后帧图像中寻找最为相似的星点;然后以后帧图像为基础,在前帧图像中寻找最为相似的星点,即可确认同一星点在相邻帧图像中位置。
进一步的,星点匹配的具体方法为:
步骤6.1、在前帧图像中选取一个星点,获取其特征,包括几何矩和均值灰度;
步骤6.2、分别与后帧图像中的所有星点的特征进行相似度度量,确定后帧图像中最相似的星点并标记;
步骤6.3、重复步骤6.1-步骤6.2,直至遍历完前帧图像中所有星点;
步骤6.4、在后帧图像中选取一个星点,获取其特征,包括几何矩和均值灰度;
步骤6.5、分别与前帧图像中的所有星点的特征进行相似度度量,确定前帧图像中最相似的星点并标记;
步骤6.6、重复步骤6.4-步骤6.5,直至遍历完后帧图像中所有星点;
步骤6.7、检查前后帧图像中星点是否达成一一匹配,如果没有,进行异常标记。
进一步的,所述步骤6中,相似度度量方法为:
进一步的,所述步骤6中,异常标记的星点进行处理过程为:
A、若前帧图像中有两个星点与后帧图像中的一个星点匹配,选取与后帧图像中星点相似度更高的星点作为匹配,再判断另一星点是否贴近图像边界,若是则将该星点标记为已离开视场的星点;
B、若前帧图像中有一个星点与后帧图像中的两个星点匹配,选取与前帧图像中星点相似度更高的星点作为匹配,再判断另一星点是否贴近图像边界,若是则将该星点标记为刚进入视场的星点,后续持续跟踪;
C、若后帧图像中两个星点重合或某一星点消失,则通过轨迹特征积累的方式完成异常消除。
进一步的,所述轨迹特征积累具体过程为:
保留前20帧图像的轨迹特征,包括面积特征S、水平方向运动特征ΔX、竖直方向运动特征ΔY和亮度特征G;其中,面积特征S和亮度特征G分别由0阶距与均值灰度获得,运动特征计算方式如下:
当发生异常匹配时,定义矛盾星点为同时匹配到同一星点的两个星点,定义待定星点为存在两个星点同时匹配到自身的星点;提取矛盾星点的轨迹特征,并预测其在一下帧图像位置,将预测的位置分别与待定星点进行欧式距离度量,当小于阈值时表示该矛盾星点与待定星点达成匹配。
进一步的,所述步骤7的具体子步骤为:
步骤7.1、计算当前帧所有星点的均值面积
步骤7.2、计算某一星点面积与均值面积的偏差值;
步骤7.3、对该星点的面积偏差值进行归一化,得到面积归一化偏差值;
步骤7.4、参照步骤7.1-步骤7.3,计算得到的亮度的归一化偏差值、水平方向运动的归一化偏差值、竖直方向运动的归一化偏差值;
步骤7.5、对面积归一化偏差值、亮度的归一化偏差值、水平方向运动的归一化偏差值以及竖直方向运动的归一化偏差值进行加权求和,得到对应星点的得分;
步骤7.6、将所有星点在图像序列的每一帧图像中的得分各自进行累加,在某一星点高于设定阈值时,表示该星点为空间目标,完成检测。
与现有技术相比,采用上述技术方案的有益效果为:在背景恒星与空间目标成像特征相似、探测器移动,且视场内出现月球干扰的情况下,本发明可以准确的检测空间目标在图像中的位置,检测精度在0~1个像素中间,误差小于0.1%。实验数据表明,本发明在多种复杂工况下可以有效地检测出空间目标,检测概率高于96%,虚警概率低于1%,适用于天基光电探测系统的空间目标检测要求。
附图说明
图1为本发明提出的空间目标检测方法流程图。
图2为本发明一实施例中膨胀结构元素。
图3为本发明一实施例中膨胀后图像覆盖的模板。
图4为本发明一实施例中腐蚀结构元素。
图5为本发明一实施例中腐蚀后图像覆盖的模板。
图6为本发明一实施例中获取星点左上角坐标的过程示意图。
图7为本发明一实施例中匹配的异常情况A的示意图。
图8为本发明一实施例中匹配的异常情况B的示意图。
图9为本发明一实施例中匹配的异常情况C的示意图。
图10为本发明一实施例中匹配的异常情况D的示意图。
图11为本发明一实施例中处理匹配异常情况的流程图。
图12为本发明一实施例中星点得分随着帧数累加的统计图。
图13为本发明一实施例中空间目标第20帧图像的检测结果。
图14为本发明一实施例中空间目标第27帧图像的检测结果。
图15为本发明一实施例中空间目标第35帧图像的检测结果。
图16为本发明一实施例中空间目标第42帧图像的检测结果。
图17为本发明一实施例中空间目标第50帧图像的检测结果。
图18为本发明一实施例中空间目标第58帧图像的检测结果。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。相反,本申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
如图1所示,本实施例提出了一种空间目标检测方法,首先利用形态学的方法将图像预处理,在膨胀和腐蚀操作的基础上检测出视场内所有星点的外接矩形,并由此得出星点区域的特征,在星点无细节特征的同时尽可能地提取出星点的可用特征,包括几何矩和灰度信息,同时排除了噪点和月球出现在视场内的干扰情况。同时,基于帧间星点特征变换缓慢的特性,利用相似性的度量完成帧间的星点匹配,为轨迹关联提供重要依据;对于异常的匹配,通过轨迹特征积累进行排除,轨迹关联后,得到所有星点和空间目标的轨迹描述,并且可以解决星点进入视场、轨迹发生重合、轨迹不连续的问题;最终通过为星点赋分的方式得出空间目标的位置,排除了恒星的干扰。具体方案如下:
一种空间目标检测方法包括:
步骤1、对原始获取的图像进行二值化处理;
步骤2、对二值化处理后的图像中的星点进行膨胀操作得到膨胀图像;
步骤3、对膨胀图像中星点进行腐蚀操作,得到腐蚀图像,遍历腐蚀图像得到所有星点的右下角坐标;
步骤4、遍历膨胀图像得到所有星点的左上角坐标,并根据星点的左上角坐标与右下角坐标进行星点筛选;
步骤5、提取筛选后星点的几何矩与均值灰度特征;
步骤6、基于星点的几何矩与均值灰度特征,完成相邻两帧图像中星点匹配,得到星点移动轨迹及轨迹特征;对于异常的匹配,通过轨迹特征积累进行排除;
步骤7、获取图像序列,进行星点轨迹关联,根据图像中星点轨迹特征不断为图像序列每一帧中所有星点进行赋分并累加,直到某星点达到一定阈值,即检测出该星点为空间目标的位置。其中,轨迹特征包括面积特征、水平方向运动特征、竖直方向运动特征和亮度特征。
为了更好的地检测空间目标,需要先提取出图像中所有目标(包括空间目标、恒星、月球等)的几何特征,再对其进行分析,最终检测出空间目标。在没有先验信息的情况下,本实施例利用计算外接矩形的方法检测图像中出现的所有目标的几何特征。外接矩形可以通过形态学的操作进行图像的预处理,膨胀的作用是实现一个连通区域的饱和,将目标区域粗化,考虑到图像中存在多个星点,星点的大小和形状均不同,因此利用膨胀运算将星点内部膨胀起来,再利用简单的遍历方法即可计算星点的外接矩形,膨胀的结果是所有目标均是规则的连通分量,此时各目标在图像中的位置还是未知的,因此采用腐蚀算法将所有目标缩小至1×1的孤立点,在此基础上仅对图像遍历一遍,检测出值为1的点便得到了目标的位置。
具体的,步骤2中,通过膨胀操作将星点内部膨胀,得到膨胀图像,在本实施例中,膨胀结构元素兼顾了不同方向上的图像细节,具体形式见附图2,包括六种膨胀结构元素,每种膨胀结构元素均为2*2的矩阵,其中四种分别在左上角、左下角、右上角、右下角的像素值为0,其他的位置像素值为1,剩余两种为单位对角矩阵和单位反对角矩阵,即对角的像素分别为0或1;膨胀过程为:复制一张与待膨胀图像一摸一样的图像A,如果结构元素中的任意一个被图像A包含了,则该位置被图3所示的膨胀模板覆盖,反之,则该位置像素值不变,其中膨胀模板为像素值全为1的2*2的矩阵。
步骤3中,在膨胀图像的基础上,通过腐蚀操作,将所有目标缩小至1×1的孤立点,得到腐蚀图像,遍历腐蚀图像即可得到星点的右下角坐标;在本实施例中,腐蚀结构元素形式如图4所示,为3*3大小的矩阵,仅中心位置像素值为1,其余位置像素值均为0,腐蚀过程为:复制一个与待腐蚀图像(即膨胀后的图像)一模一样的图像B,如果结构元素与图像B不一致,则该位置被图5所示腐蚀模板覆盖,其中腐蚀模板为像素值全为0的3*3的矩阵;如果一致(即说明该点是1×1孤立的点),则该位置像素值不变,对整幅图像B进行遍历,检测出值为1的点便得到了星点的右下角坐标。
膨胀与腐蚀操作的目的在与计算星点的外接矩形,通过腐蚀操作后得到了星点的右下角坐标,而膨胀后的星点的区域呈现连通特性,因此可以根据腐蚀图像与星点的右下角坐标计算星点右上角坐标,如图6所示,具体过程如下:
由此,即可根据星点的左上角坐标和右下角坐标得到星点的外接矩形,同时计算得到星点的高度h、宽度w、大小s(即外接矩形):
由于深空背景复杂,会导致月球出现在视场内,以及探测器成像无法避免全部噪声等问题。因此,在对星点进行轨迹关联之前,需要剔除提取到的噪声和月球,避免对其进行关联,带来冗余的运算量,在本实施例中,基于计算的星点外接矩形的大小进行星点的筛选,主要采用阈值的方式进行提出噪声与月球,通过设置星点的最小高度、星点的最大高度、星点的最小宽度、星点的最大宽度,形成了星点高度范围和宽度范围,只要计算得到的星点高度与宽度不在该阈值范围内,直接将其滤除,完成星点筛选。
步骤5中,在完成星点筛选之后,提取星点的特征,由于天基深空环境下CCD探测器由于远距离成像的缘故,导致空间目标呈现点目标的状态,缺少纹理信息,本实施例中主要计算星点的几何矩和星点的均值灰度,完成空间目标的检测工作。
a)0阶矩(即星点面积特征):
b)1阶矩(即星点位置特征):
c)均值灰度(即星点亮度特征):
由于探测器不会有程度过大的移动,因此在图像序列中恒星显示的位移较小,容易根据前帧图像中恒星星点的位置确定其在后帧图像中的大概位置,由此,可以根据前后帧的图像匹配得到所有星点的移动轨迹。本实施例中,首先以前帧图像为基础,在后帧图像中寻找最为相似的星点;然后以后帧图像为基础,在前帧图像中寻找最为相似的星点,具体如下:
步骤6.3、重复步骤6.1-步骤6.2,直至遍历完前帧图像中所有星点;
步骤6.6、重复步骤6.4-步骤6.5,直至遍历完后帧图像中所有星点;
步骤6.7、检查前后帧图像中星点是否达成一一匹配,如果没有,进行异常标记。
同时针对步骤6,本实施例还提供了一种具体的,相似度度量方法为:
在本实施例中,将异常匹配分为以下几种情况:
A、前帧中出现的星点,在后帧中离开了视场:
随着探测器的移动,此问题是必然会发生的场景之一,也是评价算法适配性的重要难点之一。例如,前帧中的一个星点P1逐渐离开视场,本应该与之匹配的后帧星点P1'消失。因此前帧中的星点P1进行相似度度量后选择了后帧中的星点P2',此时前帧中的星点P2仍然与P2'达成了双向匹配,如图7所示。因此,星点P2'会拥有两个匹配,P2'优先选择自己度量的结果P2,再判断另一个匹配P1在图像中的位置是否贴近边界,如果是则把星点P1标记为已离开视场的星点,以后将不再关注此星点。
B、前帧中未出现的星点,后帧中第一次进入视场内
随着探测器的移动,此问题也是必然会发生的场景之一。例如,前帧中仅有星点P3,后帧中仍有星点P3',同时多了一个新进入视场的星点P4'。因此后帧中的星点P4'进行相似度度量后选择了前帧中的星点P3。此时前帧中的星点P3仍然与P3'达成了双向匹配,如图8所示。因此,星点P3会拥有两个匹配,P3优先选择自己度量的结果P3',再判断另一个匹配P4'在图像中的位置是否贴近边界,如果是则把星点P4'标记为刚进入视场的星点,后续再持续跟踪即可。
C、空间目标的轨迹与背景恒星重合
恒星在图像序列中虽然显示出了位移,但由于此位移是因为探测器移动引起的,所有星点的位移大小和方向是一致的,这意味着其运动轨迹是多条近乎平行的直线。而空间目标的运动不可控,有一定概率和某一个恒星的运动轨迹重合,甚至是某帧中完全重合至一个星点,如图9所示。
D、空间目标“消失”
空间目标能够成像的前提是其反射了日光,当光照条件不好、深空环境复杂时,存在很小的概率空间目标会“消失”在视场中几帧的时间,如图10所示。此情况的处理是目标检测中的难点。
针对C、D两种情况,需要通过轨迹特征积累进行异常消除,如图11所示,具体的:
每次保留前20帧图像中的轨迹特征,包括面积特征S、水平方向运动特征ΔX、竖直方向运动特征ΔY和亮度特征G,分别表示为:
t为当前帧的序号,轨迹特征保留了前20帧的数据。其中,面积特征S和亮度特征G分别由0阶距与均值灰度获得,M00=S,g=G,运动特征计算方式如下:
当发生异常匹配时,定义矛盾星点为同时匹配到一个星点的两个星点,如图9中的P5和P6或者图10中的P7和P8;定义待定星点为有两个星点均匹配到自己的星点,如图9中的P6'或者图10中的P8'。将矛盾星点的轨迹特征提取出来,预测其位置:
在解决异常匹配之后,即可根据星点的移动轨迹及相应特征,完成目标的检测。
背景的众多恒星由于距离遥远,均呈现点目标的状态,其大小和亮度类似。恒星的位移多是由探测器移动造成的,因此恒星显示出一致的运动状态,包括运动速度和运动方向。然而空间目标的运动不可控,在图像序列中显示出一条不同的运动轨迹;除此之外,空间目标的成像面积和亮度也会因为距离和光照的影响而变化,因此空间目标的特征在众多背景恒星中显示出离群的特性,可以通过离群点的检测方式检测出空间目标的轨迹。在本实施例中,通过计算偏离值为所有星点进行赋分,并根据图像序列进行累加,得分大于阈值的星点即为空间目标,具体的:
步骤7.4、参照步骤7.1-步骤7.3,计算得到的亮度的归一化偏差值、水平方向运动的归一化偏差值、竖直方向运动的归一化偏差值;
其中,分别为面积归一化偏差值、水平方向运动的归一化偏差值、竖直方向运动的归一化偏差值以及亮度的归一化偏差值的权重;表示水平方向运动的归一化偏差值,表示竖直方向运动的归一化偏差值,表示亮度的归一化偏差值。
步骤7.6、将所有星点在图像序列的每一帧图像中的得分各自进行累加,随着帧数的增加,星点的得分逐渐增加,如图12所示,在一定帧数后,空间目标的得分明显高于其他背景恒星;在某一星点高于设定阈值时,表示该星点为空间目标,完成空间目标检测。
在发明提出的检测方法运行平台可采用具有FPGA和DSP(主频为150MHz,外接16Mbyte 的存储芯片)的图像处理硬件系统。为达到更快的处理速度,考虑到FPGA 在处理流式的并行计算时有着明显的优势,一些涉及形态学处理图像的操作在FPGA中进行,其余操作在DSP中进行。即使图像的分辨率升高,也不会耗费更多处理时间。在图像大小为2048×2048像素时,该图像处理系统的处理速度可达6帧/s,能够同时满足天基光电探测系统的准确性和实时性要求。
在实际试验中,采用该空间目标检测方法得出的检测结果显示,空间目标均被检测到,在图中用矩形标出,如图13、图14、图15、图16、图17、图18所示依次为第20帧图像、第27帧图像、第35帧图像、第42帧图像、第50帧图像、第58帧图像的检测结果。由实验后的结果可以得知,在背景恒星与空间目标成像特征相似、探测器移动,且视场内出现月球干扰的情况下,本算法可以准确的检测空间目标在图像中的位置,检测精度在0~1个像素中间,误差小于0.1%。实验数据表明,本算法在多种复杂工况下可以有效地检测出空间目标,检测概率高于96%,虚警概率低于1%,适用于天基光电探测系统的空间目标检测要求。
需要说明的是,在本发明实施例的描述中,除非另有明确的规定和限定,术语“设置”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接连接,也可以通过中间媒介间接连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义;实施例中的附图用以对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种空间目标检测方法,其特征在于,包括:
步骤1、对原始获取的图像进行二值化处理;
步骤2、对二值化处理后的图像中的星点进行膨胀操作得到膨胀图像;
步骤3、对膨胀图像中星点进行腐蚀操作,得到腐蚀图像,遍历腐蚀图像得到所有星点的右下角坐标;
步骤4、遍历膨胀图像得到所有星点的左上角坐标,并根据星点的左上角坐标与右下角坐标进行星点筛选;
步骤5、提取筛选后星点的几何矩与均值灰度特征,其中几何距包括0阶矩与1阶矩;
步骤6、基于星点的几何矩与均值灰度特征,完成相邻两帧图像中星点匹配,得到星点移动轨迹及轨迹特征;对于异常的匹配,通过轨迹特征积累进行排除;
步骤7、获取图像序列,进行星点轨迹关联,根据星点轨迹特征不断为图像序列每一帧中所有星点进行赋分并累加,直到某星点达到一定阈值,即检测出该星点为空间目标的位置。
2.根据权利要求1所述的空间目标检测方法,其特征在于,所述步骤3中,通过腐蚀操作将图像中星点缩小至1X1的孤立点,对腐蚀图像进行遍历,检测出值为1的点即为对应星点的右下角坐标。
3.根据权利要求1或2所述的空间目标检测方法,其特征在于,根据权利要求1所述的,其特征在于,所述步骤4中,得到所有星点的左上角坐标的具体过程为:
步骤4.1、右下角坐标标记为a,从坐标a出发向上寻找,找到最后一个像素值为1的点后停止,得到坐标b;
步骤4.2、从坐标b向左寻找,找到最后一个像素值为1的点后停止,得到坐标c;
步骤4.3、从坐标c向上寻找,以坐标c的列坐标作为起始列,以坐标a的列坐标作为终止列,统计自起始列至终止列中是否有像素值为1 的点,如果有则继续向上寻找,否则停止,得到坐标d;
步骤4.4从坐标d向左寻找,以坐标d的行坐标作为起始行,以坐标a的行坐标作为终止行,统计自起始至终止行中是否有像素值为1 的点,如果有则继续向左寻找,否则停止,得到坐标e,即星点的左上角坐标。
4.根据权利要求1所述的空间目标检测方法,其特征在于,所述步骤4中,星点筛选的具体过程为:根据星点的左上角坐标与右下角坐标计算星点的高度与宽度,并根据设置的星点高度与宽度阈值范围,判断星点的高度与宽度是否在阈值范围之内,若不在则将对应星点滤除。
5.根据权利要求1所述的空间目标检测方法,其特征在于,所述步骤6中,以前帧图像为基础,在后帧图像中寻找最为相似的星点;然后以后帧图像为基础,在前帧图像中寻找最为相似的星点,即可确认同一星点在相邻帧图像中位置。
6.根据权利要求5所述的空间目标检测方法,其特征在于,星点匹配的具体方法为:
步骤6.1、在前帧图像中选取一个星点,获取其特征,包括几何矩和均值灰度;
步骤6.2、分别与后帧图像中的所有星点的特征进行相似度度量,确定后帧图像中最相似的星点并标记;
步骤6.3、重复步骤6.1-步骤6.2,直至遍历完前帧图像中所有星点;
步骤6.4、在后帧图像中选取一个星点,获取其特征,包括几何矩和均值灰度;
步骤6.5、分别与前帧图像中的所有星点的特征进行相似度度量,确定前帧图像中最相似的星点并标记;
步骤6.6、重复步骤6.4-步骤6.5,直至遍历完后帧图像中所有星点;
步骤6.7、检查前后帧图像中星点是否达成一一匹配,如果没有,进行异常标记。
8.根据权利要求6或7所述的空间目标检测方法,其特征在于,所述步骤6中,异常标记的星点进行处理过程为:
A、若前帧图像中有两个星点与后帧图像中的一个星点匹配,选取与后帧图像中星点相似度更高的星点作为匹配,再判断另一星点是否贴近图像边界,若是则将该星点标记为已离开视场的星点;
B、若前帧图像中有一个星点与后帧图像中的两个星点匹配,选取与前帧图像中星点相似度更高的星点作为匹配,再判断另一星点是否贴近图像边界,若是则将该星点标记为刚进入视场的星点,后续持续跟踪;
C、若后帧图像中两个星点重合或某一星点消失,则通过轨迹特征积累的方式完成异常消除。
10.根据权利要求1所述的空间目标检测方法,其特征在于,所述步骤7的具体子步骤为:
步骤7.1、计算当前帧所有星点的均值面积
步骤7.2、计算某一星点面积与均值面积的偏差值;
步骤7.3、对该星点的面积偏差值进行归一化,得到面积归一化偏差值;
步骤7.4、参照步骤7.1-步骤7.3,计算得到的亮度的归一化偏差值、水平方向运动的归一化偏差值、竖直方向运动的归一化偏差值;
步骤7.5、对面积归一化偏差值、亮度的归一化偏差值、水平方向运动的归一化偏差值以及竖直方向运动的归一化偏差值进行加权求和,得到对应星点的得分;
步骤7.6、将所有星点在图像序列的每一帧图像中的得分各自进行累加,在某一星点高于设定阈值时,表示该星点为空间目标,完成检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210763579.1A CN114820801A (zh) | 2022-07-01 | 2022-07-01 | 一种空间目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210763579.1A CN114820801A (zh) | 2022-07-01 | 2022-07-01 | 一种空间目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114820801A true CN114820801A (zh) | 2022-07-29 |
Family
ID=82523352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210763579.1A Withdrawn CN114820801A (zh) | 2022-07-01 | 2022-07-01 | 一种空间目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114820801A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117315498A (zh) * | 2023-10-10 | 2023-12-29 | 中国人民解放军战略支援部队航天工程大学 | 一种基于空间目标检测结果的虚警判别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081800A (zh) * | 2011-01-06 | 2011-06-01 | 西北工业大学 | 空间微弱运动目标检测方法 |
CN109544535A (zh) * | 2018-11-26 | 2019-03-29 | 马杰 | 一种基于红外截止滤镜光学滤波特性的窥视摄像头检测方法及系统 |
CN112200855A (zh) * | 2020-09-29 | 2021-01-08 | 中国科学院长春光学精密机械与物理研究所 | 星敏感器多通道图像的星点质心提取方法及星敏感器 |
-
2022
- 2022-07-01 CN CN202210763579.1A patent/CN114820801A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081800A (zh) * | 2011-01-06 | 2011-06-01 | 西北工业大学 | 空间微弱运动目标检测方法 |
CN109544535A (zh) * | 2018-11-26 | 2019-03-29 | 马杰 | 一种基于红外截止滤镜光学滤波特性的窥视摄像头检测方法及系统 |
CN112200855A (zh) * | 2020-09-29 | 2021-01-08 | 中国科学院长春光学精密机械与物理研究所 | 星敏感器多通道图像的星点质心提取方法及星敏感器 |
Non-Patent Citations (1)
Title |
---|
韩璐瑶: "在轨实时空间目标检测算法研究", 《航天返回与遥感》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117315498A (zh) * | 2023-10-10 | 2023-12-29 | 中国人民解放军战略支援部队航天工程大学 | 一种基于空间目标检测结果的虚警判别方法 |
CN117315498B (zh) * | 2023-10-10 | 2024-05-24 | 中国人民解放军战略支援部队航天工程大学 | 一种基于空间目标检测结果的虚警判别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978851B (zh) | 一种红外视频空中弱小运动目标检测跟踪方法 | |
CN111476826A (zh) | 一种基于ssd目标检测的多目标车辆跟踪方法 | |
CN108805904A (zh) | 一种基于卫星序列图像的运动舰船检测与跟踪方法 | |
CN113723190A (zh) | 一种面向同步移动目标的多目标跟踪方法 | |
CN110070560B (zh) | 基于目标检测的物体运动方向识别方法 | |
CN105893957B (zh) | 基于视觉湖面船只检测识别与跟踪方法 | |
CN110084830B (zh) | 一种视频运动目标检测与跟踪方法 | |
CN110210428B (zh) | 一种基于mser的远距离复杂环境下的烟雾根节点检测方法 | |
CN111369495A (zh) | 一种基于视频的全景图像的变化检测方法 | |
CN111079518A (zh) | 一种基于执法办案区场景下的倒地异常行为识别方法 | |
CN113781523B (zh) | 一种足球检测跟踪方法及装置、电子设备、存储介质 | |
CN114820801A (zh) | 一种空间目标检测方法 | |
CN110349184B (zh) | 基于迭代滤波和观测判别的多行人跟踪方法 | |
CN114862913A (zh) | 基于人工智能网络的机器视觉目标定位方法 | |
CN113205494B (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统 | |
CN111161308A (zh) | 一种基于关键点匹配的双波段融合目标提取方法 | |
CN111986233B (zh) | 基于特征自学习的大场景极小目标遥感视频跟踪方法 | |
CN113723314A (zh) | 一种基于YOLOv3算法的甘蔗茎节识别方法 | |
CN117593548A (zh) | 基于加权注意力机制去除动态特征点的视觉slam方法 | |
CN114004862A (zh) | 一种长波红外弱小目标检测识别方法 | |
CN114998437A (zh) | 一种空间目标形心定位方法 | |
CN111473944B (zh) | 观测流场中存在复杂壁面的piv数据修正方法、装置 | |
CN112465867B (zh) | 一种基于卷积神经网络的红外点目标实时检测跟踪方法 | |
CN112164097B (zh) | 一种船舶视频检测样本采集方法 | |
CN114511803A (zh) | 一种面向视觉跟踪任务的目标遮挡检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220729 |