CN117876736A - 一种天基广域监视图像空间碎片目标的检测跟踪方法 - Google Patents

Abstract

本发明公开了一种天基广域监视图像空间碎片目标的检测跟踪方法，通过对原始图像进行预处理，降低了原始图像中的鼓励噪声和增强了图像中点扩散形态的疑似目标，然后基于RANSAC算法对图像快速匹配去除恒星点，并通过疑似目标数据关联实现了目标轨迹的确认，实现了鲁棒高效的密集背景星图中的暗弱空间碎片目标的检测跟踪。

Description

一种天基广域监视图像空间碎片目标的检测跟踪方法

技术领域

本发明属于卫星智能信息处理技术领域，具体涉及一种天基广域监视图像空间碎片目标的检测跟踪方法。

背景技术

由于探测距离非常远(几千甚至是上万公里)，目标通常表现为点状，缺乏形状信息，而且由大气云层等对太阳的反射和散射形成了很强的背景杂波干扰，甚至导致目标被淹没其中，这种情况下如何有效地抑制背景杂波、提高目标对比度和信噪比是目标检测的关键。这其中暗小目标检测是天基光学图像信息处理的重要研究内容之一，尤其是对于弱小目标的鲁棒检测，已经被广泛应用于监视、侦察、制导、预警等方面。由于成像距离较远目标尺寸较小在采集到的图像中目标占据极少的像素点，另一方面该类目标没有具体的纹理和形状特征，这些因素都为目标检测带来了困难。因此，空间暗小动目标检测方法已经成为近年来广泛研究的热点。

当前涌现了很多时空暗小动目标检测方法。其中，典型算法包括时域剖面分析方法(Temporal Profile,TP)、假设检验方法(Hypothesis Testing，HT)、最大似然估计方法(Maximum-Likelihood Estimation，MLE)、贝叶斯估计(Bayes Estimation,BE)方法、广义似然比检验方法(Generalized Likelihood Ratio Test，GLRT)、动态规划方法(DynamicProgramming,DP)、马尔科夫随机场方法(Markov Random Field，MRF)和基于卷积神经网络框架下的暗小动目标检测方法。其中，基于时域剖面分析方法可以在图像序列中某几帧目标丢失时，根据目标的运动方向信息，大致估计目标的位置信息。基于假设检验的暗小动目标检测方法，其运行需要花费大量时间。基于压缩域的暗小动目标检测方法，通过对多帧图像在时域有损压缩来换取空域的无损压缩，保证了图像中亚像元运动的弱小目标的检测，同时减少了图像的传递和存储空间。Liu等引入了一种非线性自适应滤波算法(NonlinearAdaptive Filter，NAF)实现了图像中弱小目标的检测，该方法在去除图像噪声方面表现良好。

然而，现有方法都未能有效抑制复杂背景杂波，进而克服由探测距离远所导致的从复杂场景中提取弱点目标的困难。

发明内容

有鉴于此，本发明提供了一种天基广域监视图像空间碎片目标的检测跟踪方法，实现了复杂场景中弱目标的检测。

本发明提供的一种天基广域监视图像空间碎片目标的检测跟踪方法，包括以下步骤：

对图像进行滤波处理剔除异常像元，保存目标和恒星信息；

根据图像的统计特性自适应确定阈值，再采用自适应阈值分割方式从经过预处理的图像中提取目标特征；

通过判断连通域形态，从自适应阈值分割得到的图像中筛选出满足目标特征的连通域；

标记及筛选连通域得到疑似目标形成目标备选点集合，提取疑似目标的能量质心得到与目标备选点集合对应的目标二维运动点迹质心集合；

根据目标二维运动点迹质心集合采用RANSAC算法进行帧间快速星图匹配去除目标备选点集合中的恒星点；

基于疑似目标轨迹关联的方式从目标备选点集合中筛选出最终目标。

进一步地，所述对图像进行滤波处理剔除异常像元的方式为：采用加权中值滤波方式抑制背景噪声，再基于形态学滤波保留空间目标边缘信息。

进一步地，所述采用加权中值滤波方式抑制背景噪声的方式为：

分别计算模板水平、垂直及两个对角方向的中值，并取四个结果中的最大值作为最终的滤波输出，计算公式如下：

其中，为加权中值滤波的最终结果，Med为取中值运算，Max为取最大值运算，f(i,j)为像元灰度值，/>和/>分别为每个滤波模板在图像上滑过区域的水平、垂直、两个对角方向的中值。

进一步地，所述基于形态学滤波保留空间目标边缘信息的方式为：采用先膨胀后腐蚀的方式操作。

进一步地，所述自适应阈值分割的公式为：其中,T为分割阈值，μ为局部区域图像的均值，σ为局部区域图像的方差，k为自适应阈值分割系数取值为1.15。

进一步地，所述通过判断连通域形态，从自适应阈值分割得到的图像中筛选出满足目标特征的连通域的方式为：计算各连通域的面积，通过设定的阈值将各连通域分为疑似大目标区域和疑似小目标区域，再计算各连通域的能量集中度和能量稳定度判断连通域形态，基于连通域形态选出满足目标特征的连通域。

进一步地，所述标记及筛选连通域得到疑似目标形成目标备选点集合，提取疑似目标的能量质心得到与目标备选点集合对应的目标二维运动点迹质心集合的方式为：

假定恒星在像平面能量分布满足高斯分布，则目标在弥散处的像元亮度表示为：

其中，f(x,y)为图像I中位于(x,y)的亮度值，(x₀,y₀)为目标中心，A为固定系数，σ_x和σ_y分别为x方向和y方向的高斯函数均方差，θ为目标运动方向与水平方向沿逆时针方向的角度，以逆时针旋转为正；

采用最小二乘算法对恒星位置进行曲线拟合，求解恒星辐射照度A，像平面扩X和Y方向的扩散半径σ_x、σ_y，和(x₀,y₀)实现恒星质心位置的亚像元提取，目标质心提取计算公式如下：

其中，N为连通域内像元的个数，x_i、y_i和f(x_i,y_i)分别为连通域中第i个像元的横坐标、纵坐标和像元灰度值。

进一步地，所述根据目标二维运动点迹质心集合采用RANSAC算法进行帧间快速星图匹配去除目标备选点集合中的恒星点的方式为：

从目标二维运动点迹质心集合中随机选择三组高亮度的目标点对，目标点对距离满足距离约束；基于最小二乘估计两帧图像的投影变换矩阵，得到相邻两帧图像的配准结果；将所有疑似目标点对按照投影变换矩阵配准，计算每组目标点对的配准误差，如果每组误差都小于真实结果的50％则配准完成，否则剔除配准结果中误差较大的20％个点对，基于剩下的疑似目标点对则再次随机选择三组目标点对重新计算配准投影变换矩阵。

有益效果：

1、本发明通过对原始图像进行预处理，降低了原始图像中的鼓励噪声和增强了图像中点扩散形态的疑似目标，然后基于RANSAC算法对图像快速匹配去除恒星点，并通过疑似目标数据关联实现了目标轨迹的确认，实现了鲁棒高效的密集背景星图中的暗弱空间碎片目标的检测跟踪。

2、本发明充分考虑了目标在像平面的运动特性和辐射特性，采用改进的长短时域多重中值滤波与形态学滤波相结合的方式对原始图像进行预处理，有效抑制了目标邻域复杂背景杂波，增强了目标与背景的邻域对比度达到了目标指示增强的目的，实现了天基探测场景中信杂比为1的目标的有效检出。

3、本发明对深空背景图像中的目标进行分类，并分析了不同类型目标的运动特性，在此基础上提出了基于多帧图像轨迹关联的目标确认方式，能够有效剔除无关类型的目标，提高了真实目标筛选的准确性。

附图说明

图1为本发明提供的一种天基广域监视图像空间碎片目标的检测跟踪方法的流程示意图。

图2为本发明提供的一种天基广域监视图像空间碎片目标的检测跟踪方法的加权中值滤波示意图。

图3为本发明提供的一种天基广域监视图像空间碎片目标的检测跟踪方法的基于ransac方法的帧间快速星图匹配流程示意图。

图4为本发明提供的一种天基广域监视图像空间碎片目标的检测跟踪方法的疑似目标轨迹关联流程示意图。

图5为本发明提供的一种天基广域监视图像空间碎片目标的检测跟踪方法的检测结果示意图。

具体实施方式

下面列举实施例，对本发明进行详细描述。

本发明提供了一种天基广域监视图像空间碎片目标的检测跟踪方法，其核心思想是：首先采用改进的中值滤波与形态学滤波对原始图像进行预处理，以降低原始图像中的鼓励噪声和增强图像中点扩散形态的疑似目标，然后基于RANSAC算法实现图像快速匹配去除恒星点，并通过疑似目标数据关联实现了目标轨迹的确认，实现了密集背景星图中的暗弱空间碎片目标的检测跟踪。

本发明提供的一种天基广域监视图像空间碎片目标的检测跟踪方法，流程如图1所示，具体包括以下步骤：

步骤1、对图像进行预处理。

将读取的序列图像依据相应算法进行图像滤波处理，剔除由相机响应噪声、坏像元、盲像元和闪元引起的异常像元，保存目标和恒星信息。包括：

步骤1.1、采用加权中值滤波方式抑制背景噪声。

中值滤波是一种典型的非线性滤波技术，它能在滤除高频噪声的同时在一定程度上保留低频图像边缘。考虑天空中的遥远星体的成像面积较小，类似孤立的噪声点，若采用传统中值滤波技术，可能会将其误剔除，因此，本发明提出加权中值滤波的图像预处理算法，通过计算模板水平、垂直、两个对角方向的中值，并对四个结果取最大值作为最终的滤波输出，如图2所示，加权中值滤波计算公式如下：

其中，为加权中值滤波的最终结果，Med为取中值运算，Max为取最大值运算，f(i,j)为像元灰度值，/>和/>分别为每个滤波模板在图像上滑过区域的水平、垂直、两个对角方向的中值。

步骤1.2、基于形态学滤波保留空间目标边缘信息。

由于中值滤波在降低图像中噪声的同时，会模糊目标边缘，因此，我们提出结合形态学滤波算法，来最大程度上保留图像的目标边缘信息。形态学滤波采用形态学算子(膨胀和腐蚀)来实现背景估计与抑制。膨胀运算是一种“扩展”变换，将与物体接触的背景点合并到该物体中，使边界向外部扩张，可以填补物体中的空洞；腐蚀运算是一种“收缩”变换，使物体的边界向内部收缩，可以消除图像中细小的噪声区域。本发明采用先膨胀后腐蚀的操作。

步骤2、采用自适应阈值分割方式从经过预处理的图像中提取目标特征。

通过对图像预处理实现背景抑制与目标增强后，需要采用目标分割算法对弱小目标进行提取，通过阈值分割能够有效去除图像中残留的大量低虚警杂波。通常滤波后的图像中会含有目标、噪声和少量未抑制的背景区域，其中背景像素大部分都集中在低灰度区，只有目标和少部分噪声分布在高灰度区域，因此，可以通过图像的统计特性自适应的确定阈值，采用自适应阈值分割来检测弱小目标。本发明采用的自适应阈值分割的公式为：

其中,T为分割阈值，μ为局部区域图像的均值，σ为局部区域图像的方差，k为自适应阈值分割系数，本发明按照经验选为1.15。

步骤3、对自适应阈值分割后的图像进行筛选，通过对连通域形态等信息进行判断，最终从中筛选出满足目标特征的连通域。

基于目标特征对分割结果连通域进行筛选，首先通过计算各连通域的面积，通过设定的阈值，将各连通域分为疑似大目标区域和疑似小目标区域，例如，阈值为81。进一步地，通过计算各连通域的能量集中度和能量稳定度，对连通域形态等信息进行判断，最终筛选出满足目标特征的连通域。

步骤4、对步骤3得到的连通域进行标记及筛选得到各疑似目标，形成目标备选点集合，提取各疑似目标的能量质心得到与目标备选点集合对应的目标二维运动点迹质心集合。

具体为，通过高斯曲面拟合法提取恒星的亚像元质心，具体为：假定恒星在像平面能量分布满足高斯分布，则目标在弥散处的像元亮度可用如下模型表示：

其中，f(x,y)为图像I中位于(x,y)的亮度值，(x₀,y₀)为目标中心，A为固定系数，可认为等于目标中心辐射照度值；σ_x和σ_y分别为x方向和y方向的高斯函数均方差，决定了x方向和y方向上的尺度；θ为目标运动方向与水平方向沿逆时针方向的角度，以逆时针旋转为正。

通过最小二乘算法，对恒星位置进行曲线拟合，求解恒星辐射照度A，像平面扩X和Y方向的扩散半径σ_x、σ_y，和(x₀,y₀)实现恒星质心位置的亚像元提取，目标质心提取计算公式如下：

其中，N为连通域内像元的个数，x_i、y_i和f(x_i,y_i)分别为连通域中第i个像元的横坐标、纵坐标和像元灰度值。

步骤5、采用RANSAC算法进行帧间快速星图匹配去除目标备选点集合中的恒星点。首先，从目标二维运动点迹质心集合中随机选择三组高亮度的目标点对，并要求目标点对距离满足一定的距离约束；其次，基于最小二乘估计两帧图像的投影变换矩阵，得到相邻两帧图像的配准结果；之后，将所有疑似目标点对按照投影变换矩阵配准，计算每组目标点对的配准误差，如果每组误差都小于真实结果的50％则配准完成，否则剔除配准结果中误差较大的20％点对，基于剩下的疑似目标点对，再次随机选择三组目标点对，重新计算配准投影变换矩阵。RANSAC(Random Sample Consensus)为随机样本一致算法。

采用RANSAC算法进行帧间快速星图匹配去除恒星点，基于图像匹配去除恒星点，构建特征矩阵，计算待检测图与参考图之间的匹配度以达到匹配图像、去除恒星点的效果，流程如图3示，具体包括：

步骤5.1、从目标备选点集合中选择连续的两帧目标备选点信息进行导入。

步骤5.2、从两帧目标备选点信息中选择相对距离小于特定阈值的三组目标点对进行导入。

步骤5.3、基于最小二乘算法计算目标点对之间的仿射变换矩阵。

步骤5.4、计算剩余目标点对的匹配误差，如果每组目标点对的匹配误差都小于真实结果的50％，则配准完成，重新计算仿射变换矩阵并结束本流程；否则，剔除所有目标点对中误差较大的20％的目标点对，再判断剩余目标点对数量是否小于20个，若是则结束流程，否则更新目标点对信息后执行步骤5.4。

步骤6、基于疑似目标轨迹关联的方式从目标备选点集合中筛选出最终目标。

深空背景图像中除深空背景以外，主要由噪声、天体、航天器及其碎片等构成。针对这三类目标的运动特性进行分析：噪声在图像中是杂乱无章的，没有固定的运动特性；天体目标距离拍摄器件十分遥远，在图像中的相对位置几乎保持不变；航天器和碎片目标由于其轨道特性，在图像中呈现出接近匀速直线的运动状态。针对需检测的目标即航天器及其碎片，与其他两类目标运动特性的不同，通过多帧图像进行轨迹关联，即可剔除其他两类目标，筛选出实际需要的目标，进而实现空间目标的轨迹确认。

具体流程如图4示，包括：

步骤6.1、导入疑似目标轨迹与真实目标轨迹信息；

步骤6.2、将当前帧所有疑似目标点与前一帧的真实目标轨迹进行匹配；再将当前帧所有疑似目标点与前一帧疑似目标轨迹进行匹配；

步骤6.3、再次确认疑似目标轨迹与真实目标轨迹；

步骤6.4、将连续三帧均在关联范围内的目标判定为疑似目标，即为最终目标。

采用本发明进行目标检测的结果如图5所示，由检测结果可以看出，本发明可有效抑制背景噪声与恒星点，能够有效检出密集恒星背景中的目标。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种天基广域监视图像空间碎片目标的检测跟踪方法，其特征在于，包括以下步骤：

对图像进行滤波处理剔除异常像元，保存目标和恒星信息；

根据图像的统计特性自适应确定阈值，再采用自适应阈值分割方式从经过预处理的图像中提取目标特征；

通过判断连通域形态，从自适应阈值分割得到的图像中筛选出满足目标特征的连通域；

标记及筛选连通域得到疑似目标形成目标备选点集合，提取疑似目标的能量质心得到与目标备选点集合对应的目标二维运动点迹质心集合；

根据目标二维运动点迹质心集合采用RANSAC算法进行帧间快速星图匹配去除目标备选点集合中的恒星点；

基于疑似目标轨迹关联的方式从目标备选点集合中筛选出最终目标。

2.根据权利要求1所述的检测跟踪方法，其特征在于，所述对图像进行滤波处理剔除异常像元的方式为：采用加权中值滤波方式抑制背景噪声，再基于形态学滤波保留空间目标边缘信息。

3.根据权利要求2所述的检测跟踪方法，其特征在于，所述采用加权中值滤波方式抑制背景噪声的方式为：

分别计算模板水平、垂直及两个对角方向的中值，并取四个结果中的最大值作为最终的滤波输出，计算公式如下：

其中，为加权中值滤波的最终结果，Med为取中值运算，Max为取最大值运算，f(i,j)为像元灰度值，/>和/>分别为每个滤波模板在图像上滑过区域的水平、垂直、两个对角方向的中值。

4.根据权利要求2所述的检测跟踪方法，其特征在于，所述基于形态学滤波保留空间目标边缘信息的方式为：采用先膨胀后腐蚀的方式操作。

5.根据权利要求1所述的检测跟踪方法，其特征在于，所述自适应阈值分割的公式为：其中,T为分割阈值，μ为局部区域图像的均值，σ为局部区域图像的方差，k为自适应阈值分割系数取值为1.15。

6.根据权利要求1所述的检测跟踪方法，其特征在于，所述通过判断连通域形态，从自适应阈值分割得到的图像中筛选出满足目标特征的连通域的方式为：计算各连通域的面积，通过设定的阈值将各连通域分为疑似大目标区域和疑似小目标区域，再计算各连通域的能量集中度和能量稳定度判断连通域形态，基于连通域形态选出满足目标特征的连通域。

7.根据权利要求1所述的检测跟踪方法，其特征在于，所述标记及筛选连通域得到疑似目标形成目标备选点集合，提取疑似目标的能量质心得到与目标备选点集合对应的目标二维运动点迹质心集合的方式为：

假定恒星在像平面能量分布满足高斯分布，则目标在弥散处的像元亮度表示为：

其中，f(x,y)为图像I中位于(x,y)的亮度值，(x₀,y₀)为目标中心，A为固定系数，σ_x和σ_y分别为x方向和y方向的高斯函数均方差，θ为目标运动方向与水平方向沿逆时针方向的角度，以逆时针旋转为正；

采用最小二乘算法对恒星位置进行曲线拟合，求解恒星辐射照度A，像平面扩X和Y方向的扩散半径σ_x、σ_y，和(x₀,y₀)实现恒星质心位置的亚像元提取，目标质心提取计算公式如下：

其中，N为连通域内像元的个数，x_i、y_i和f(x_i,y_i)分别为连通域中第i个像元的横坐标、纵坐标和像元灰度值。

8.根据权利要求1所述的检测跟踪方法，其特征在于，所述根据目标二维运动点迹质心集合采用RANSAC算法进行帧间快速星图匹配去除目标备选点集合中的恒星点的方式为：

从目标二维运动点迹质心集合中随机选择三组高亮度的目标点对，目标点对距离满足距离约束；基于最小二乘估计两帧图像的投影变换矩阵，得到相邻两帧图像的配准结果；将所有疑似目标点对按照投影变换矩阵配准，计算每组目标点对的配准误差，如果每组误差都小于真实结果的50％则配准完成，否则剔除配准结果中误差较大的20％个点对，基于剩下的疑似目标点对则再次随机选择三组目标点对重新计算配准投影变换矩阵。