融合多特征的天基典型目標(biāo)光學(xué)識(shí)別方法

智喜洋，侯晴宇，張 偉，孫 晅

(哈爾濱工業(yè)大學(xué) 航天學(xué)院，哈爾濱150001)

?

融合多特征的天基典型目標(biāo)光學(xué)識(shí)別方法

智喜洋，侯晴宇，張 偉，孫 晅

(哈爾濱工業(yè)大學(xué) 航天學(xué)院，哈爾濱150001)

為滿足天基近距離目標(biāo)高精度探測(cè)和識(shí)別的需求，提出一種多特征融合的衛(wèi)星局部識(shí)別方法.首先分析衛(wèi)星局部物理特征，構(gòu)建了融合形態(tài)學(xué)多特征參量的局部構(gòu)件分形聚類(lèi)參數(shù)集，并建立基于聚類(lèi)特征加權(quán)組合的構(gòu)件聚類(lèi)模型.利用該模型即可實(shí)現(xiàn)通過(guò)計(jì)算待識(shí)別目標(biāo)隸屬于各構(gòu)件類(lèi)的匹配性概率來(lái)識(shí)別目標(biāo)；在此基礎(chǔ)上，針對(duì)空間目標(biāo)光學(xué)成像的圖像降質(zhì)、局部遮擋等問(wèn)題，提出了目標(biāo)識(shí)別算法，并以其在實(shí)際應(yīng)用中的識(shí)別概率為依據(jù)，結(jié)合粒子群算法迭代優(yōu)化加權(quán)系數(shù)，提高了識(shí)別算法效率與魯棒性；最后利用4類(lèi)典型衛(wèi)星及伽利略衛(wèi)星縮比模型對(duì)識(shí)別算法進(jìn)行了數(shù)字仿真和半物理實(shí)驗(yàn)驗(yàn)證.實(shí)驗(yàn)結(jié)果表明，在低對(duì)比度、SNR僅為5，且構(gòu)件存在較嚴(yán)重變形與互遮擋的情況下，算法仍能有效識(shí)別衛(wèi)星構(gòu)件，識(shí)別概率優(yōu)于0.95.

天基目標(biāo)識(shí)別；衛(wèi)星局部；多特征參量；聚類(lèi)模型；識(shí)別算法

隨著航天技術(shù)的迅速發(fā)展，以衛(wèi)星為主體的空間軍事設(shè)施已成為信息化、現(xiàn)代化戰(zhàn)爭(zhēng)不可或缺的戰(zhàn)略資源，因此圍繞攻擊、保護(hù)空間資源為主要目的空間攻防已成為空間軍事化、空間武器化的重要發(fā)展方向.

衛(wèi)星識(shí)別是實(shí)施天基空間對(duì)抗的一項(xiàng)關(guān)鍵技術(shù).隨著空間目標(biāo)抵近技術(shù)的日益發(fā)展，已使得利用天基平臺(tái)進(jìn)行目標(biāo)近距離的光學(xué)探測(cè)與識(shí)別成為可能[1-4]，深入研究相應(yīng)的識(shí)別算法對(duì)提升天基空間對(duì)抗能力具有重大意義.目前國(guó)內(nèi)外在目標(biāo)探測(cè)識(shí)別方面已開(kāi)展了大量工作，但研究多集中在針對(duì)遠(yuǎn)距離觀測(cè)過(guò)程中的衛(wèi)星分辨及對(duì)衛(wèi)星類(lèi)型的識(shí)別方面，由于遠(yuǎn)距離觀測(cè)多為點(diǎn)狀目標(biāo)，無(wú)結(jié)構(gòu)、形狀、紋理等信息，因此多是將目標(biāo)的運(yùn)動(dòng)特征、光譜特征以及輻射特性作為識(shí)別依據(jù)進(jìn)行算法設(shè)計(jì)(如文獻(xiàn)[5-7]).文獻(xiàn)[8-10]中研究了近距離觀測(cè)下估計(jì)目標(biāo)星姿態(tài)與幾何結(jié)構(gòu)的識(shí)別算法，但它們都是針對(duì)整星的運(yùn)動(dòng)特征和幾何結(jié)構(gòu)的全局識(shí)別，尚未針對(duì)衛(wèi)星的本體、帆板等局部構(gòu)件提出相應(yīng)的分類(lèi)辨識(shí)特征.從現(xiàn)有文獻(xiàn)來(lái)看，針對(duì)在軌成像條件下衛(wèi)星本體、帆板、天線等衛(wèi)星局部的光學(xué)識(shí)別方法研究未見(jiàn)報(bào)道.因此，研究衛(wèi)星局部的識(shí)別方法，對(duì)天基目標(biāo)識(shí)別以及滿足局部操作的需求顯得尤為重要.

本文在分析典型衛(wèi)星局部構(gòu)件物理特征的基礎(chǔ)上，研究它們的參量化表征方法，構(gòu)建用于分形典型構(gòu)件的聚類(lèi)參量集，并建立基于多特征加權(quán)組合的分形聚類(lèi)模型，據(jù)此提出相應(yīng)的識(shí)別方法，同時(shí)針對(duì)空間目標(biāo)在軌成像過(guò)程中的目標(biāo)局部變形、互遮擋、像質(zhì)退化等特殊性問(wèn)題，建立目標(biāo)識(shí)別算法框架與流程，提出基于單幀與多幀序列圖像的目標(biāo)識(shí)別算法，并進(jìn)行算法的仿真與半物理實(shí)驗(yàn)驗(yàn)證.

1 融合多特征的衛(wèi)星構(gòu)件分形聚類(lèi)模型

1.1 衛(wèi)星構(gòu)件的物理特征分析

典型衛(wèi)星局部構(gòu)件主要包括本體、太陽(yáng)帆板、天線及搭載在本體表面或內(nèi)部的空間相機(jī)、激光反射器、發(fā)動(dòng)機(jī)噴口等，其物理特征見(jiàn)表1.

表1 典型衛(wèi)星構(gòu)成及其物理特征

考慮到空間相機(jī)、激光反射器等有效載荷或隱藏在本體內(nèi)或形態(tài)差異大或輻射特性與其他構(gòu)件存在顯著差異(可采用紅外手段進(jìn)行直接識(shí)別)，因此本文的研究重點(diǎn)為本體、帆板和天線構(gòu)件的識(shí)別.

圖1 (a)、(b)所示為國(guó)外某預(yù)警衛(wèi)星及其輪廓提取結(jié)果.由表1和圖1可見(jiàn)：衛(wèi)星本體、帆板、天線分別顯現(xiàn)出特定但不唯一的幾何形態(tài)、相對(duì)位置關(guān)系、尺寸、灰度分布等物理特征，因此很難選定某個(gè)單一特征來(lái)判別目標(biāo)所隸屬的構(gòu)件類(lèi)型.

在近距離衛(wèi)星目標(biāo)觀測(cè)中，構(gòu)件的這些可見(jiàn)光形式特征是可被光學(xué)識(shí)別的，因此根據(jù)衛(wèi)星的先驗(yàn)信息，研究本體、帆板、天線物理特征的參量化表征方法，并尋找能夠最大程度分形聚類(lèi)各類(lèi)構(gòu)件的參量組合，是準(zhǔn)確識(shí)別衛(wèi)星局部構(gòu)件的關(guān)鍵問(wèn)題.

1.2 分形聚類(lèi)特征的參量化表征

經(jīng)上述分析可知，不同構(gòu)件表現(xiàn)出不同的幾何形狀、相對(duì)關(guān)系、尺寸等物理特征，這些特征可作為目標(biāo)分形聚類(lèi)的依據(jù).

圖1 典型衛(wèi)星及局部構(gòu)件特征示意

幾何形狀主要包括平行四邊形/矩形/正方形、平行六邊形、橢圓/圓和不規(guī)則多邊形.本文采用角點(diǎn)、直線、橢圓檢測(cè)算子提取封閉圖形局部輪廓，再結(jié)合邊線數(shù)量、斜率大小等特征參量描述待識(shí)別目標(biāo)的幾何形狀[11-13]；采用面積、邊長(zhǎng)等特征參量描述待識(shí)別目標(biāo)尺寸；相對(duì)關(guān)系包括生長(zhǎng)、連接、共線和多面體關(guān)系.生長(zhǎng)關(guān)系是指一個(gè)較大封閉圖形邊上/形內(nèi)存在較小封閉圖形.連接關(guān)系是指兩個(gè)封閉圖形盡管不存在直接交/連關(guān)系，但可找到它們間的連通區(qū)域.共線關(guān)系是指兩個(gè)相鄰封閉圖形存在共用邊，存在多組有交點(diǎn)的共線關(guān)系則是多面體判別的重要依據(jù).本文采用封閉圖形間的形心位置、線條相交和重合等特征參量來(lái)判別相對(duì)關(guān)系；灰度分布特征分為均勻和非均勻的平面/多面體.非均勻的平面體可認(rèn)為存在其上小構(gòu)件、規(guī)則貼片或不規(guī)則包裹.本文采用凹凸面/多面體、規(guī)則紋理面/多面體及非規(guī)則紋理面/多面體等特征參數(shù)描述待識(shí)別目標(biāo)的灰度分布.

1.3 多特征參量加權(quán)組合的分形聚類(lèi)模型

結(jié)合分形聚類(lèi)特征的參量化表征，根據(jù)典型衛(wèi)星本體、帆板和天線先驗(yàn)信息，構(gòu)建用于判別各種構(gòu)件的分形聚類(lèi)參數(shù)集及相應(yīng)的判別權(quán)重值，見(jiàn)表2～4所示.

表4 衛(wèi)星天線分形聚類(lèi)特征及權(quán)重系數(shù)

Tab.4 Fractal clustering features and weight coefficients of the antenna

分形聚類(lèi)特征分形特征的參數(shù)化描述權(quán)重外輪廓形狀滿足特定對(duì)象的先驗(yàn)知識(shí)，弧+多邊形、圓形、橢圓形等，邊數(shù)很多的多邊形0．30相對(duì)形心位置≥特定對(duì)象先驗(yàn)知識(shí)，從小到大排后40．15面積占比≤特定對(duì)象先驗(yàn)知識(shí)，從小到大排前30．20長(zhǎng)度占比≤特定對(duì)象先驗(yàn)知識(shí)，從小到大排前30．20連接關(guān)系與本體存在連接或生長(zhǎng)關(guān)系0．05灰度分布均勻0．10

在此基礎(chǔ)上，通過(guò)計(jì)算待識(shí)別目標(biāo)特征與各構(gòu)件類(lèi)同一特征的匹配性概率，并根據(jù)該目標(biāo)隸屬于各構(gòu)件類(lèi)的匹配性概率的高低排序，即可實(shí)現(xiàn)目標(biāo)的分形聚類(lèi)與識(shí)別.建立的融合多種特征參量加權(quán)組合的衛(wèi)星本體、帆板和天線分形聚類(lèi)模型為

(1)

式中：PL為待識(shí)別目標(biāo)隸屬于各構(gòu)件類(lèi)的匹配性概率；λk為該構(gòu)件類(lèi)特征參數(shù)權(quán)重值，且滿足：∑λk=1；Sign(λk)為待判別目標(biāo)特征是否與構(gòu)件類(lèi)的第k項(xiàng)分形聚類(lèi)特征相匹配的判別函數(shù)，對(duì)于隸屬于該構(gòu)件類(lèi)的特征參量賦予相應(yīng)權(quán)重.λk的初值首先是依據(jù)衛(wèi)星構(gòu)件先驗(yàn)知識(shí)進(jìn)行初步確定，如本體相對(duì)形心位置最小是本體區(qū)別其他構(gòu)件的最顯著特征，因此其在本體判別中對(duì)應(yīng)的權(quán)重值最大.再結(jié)合大量包含不同光照、成像尺度、方位、姿態(tài)變化的目標(biāo)星仿真圖像識(shí)別結(jié)果進(jìn)行優(yōu)選.λk的最終值是在優(yōu)選后的λk初值的基礎(chǔ)上，進(jìn)一步結(jié)合粒子群算法[12]，以識(shí)別算法在更完備圖像擴(kuò)展源實(shí)際應(yīng)用中的識(shí)別概率為依據(jù)進(jìn)行迭代優(yōu)化的結(jié)果.事實(shí)上，粒子群算法是一種基于群智能的優(yōu)化方法，它能夠通過(guò)群體內(nèi)部個(gè)體之間的交互協(xié)同與合作，使整個(gè)群體在復(fù)雜空間中探尋全局最優(yōu)化區(qū)域.而且不會(huì)因個(gè)體故障影響整個(gè)問(wèn)題的求解，能夠確保系統(tǒng)具有很強(qiáng)的魯棒性，因此適用于本文基于大量復(fù)雜多樣性樣本(包含不同尺度、相對(duì)方位、姿態(tài)變化等)，以識(shí)別概率全局最優(yōu)為目標(biāo)，實(shí)現(xiàn)多種特征參量最優(yōu)化迭代求解的需求，而且能夠有效解決目標(biāo)嚴(yán)重變形、遮擋等情況引起的某個(gè)聚類(lèi)特征項(xiàng)在相應(yīng)幀圖像識(shí)別中失效帶來(lái)的權(quán)重求解不適定的問(wèn)題.

2 基于分形特征的目標(biāo)識(shí)別算法

在分形聚類(lèi)建模的基礎(chǔ)上，針對(duì)單幀圖像與多幀序列圖像建立目標(biāo)識(shí)別框架與流程，提出相應(yīng)的識(shí)別算法，并以典型衛(wèi)星為例，說(shuō)明構(gòu)件分形聚類(lèi)與目標(biāo)識(shí)別的具體過(guò)程.

2.1 識(shí)別算法

目標(biāo)識(shí)別算法框架與流程如圖2所示.單幀圖像識(shí)別算法由預(yù)處理、圖像分割、分形特征提取等4步組成.首先，考慮到在軌成像系統(tǒng)所致圖像模糊、噪聲等像質(zhì)退化對(duì)目標(biāo)識(shí)別的影響，采用頻域?yàn)V波[15]與Gamma算法[16]進(jìn)行圖像預(yù)處理，目的是消除原始圖像噪聲并增強(qiáng)圖像的對(duì)比度；然后，通過(guò)圖像分割提取待識(shí)別目標(biāo)的圖形輪廓.圖像分割是根據(jù)灰度直方圖特性選擇閾值，再進(jìn)行二值化與連通區(qū)域提取[15]；通過(guò)目標(biāo)分形特征提取獲得封閉圖形的分形聚類(lèi)特征參量.該過(guò)程是利用輪廓點(diǎn)的有序性、唯一性，通過(guò)一定順序提取輪廓點(diǎn)，本文提出了一種基于輪廓跟蹤的分形特征提取算法，分別實(shí)現(xiàn)基于輪廓的直線、角點(diǎn)、橢圓、多邊形等目標(biāo)幾何形狀的快速、準(zhǔn)確提取，從而解決構(gòu)件變形所致的特征誤匹配問(wèn)題，同時(shí)提高了搜索效率；最后，利用衛(wèi)星構(gòu)件的分形聚類(lèi)模型，通過(guò)基于分形特征匹配完成目標(biāo)識(shí)別.

圖2 目標(biāo)識(shí)別算法框架與流程

考慮到單幀圖像識(shí)別易受衛(wèi)星姿態(tài)與太陽(yáng)照射角度的影響，待識(shí)別目標(biāo)在圖像中表現(xiàn)為幾何形狀的變形及遮擋，本文在單幀圖像識(shí)別基礎(chǔ)上，利用連續(xù)的多幀序列圖像來(lái)保證所有待識(shí)別構(gòu)件在整個(gè)識(shí)別過(guò)程中均出現(xiàn)，并避免由于某個(gè)構(gòu)件被遮擋而造成其他目標(biāo)識(shí)別失效的情況.考慮到同一構(gòu)件在連續(xù)幀圖像中通常對(duì)應(yīng)多個(gè)同名像點(diǎn)，因此結(jié)合序列圖像幀間特征的匹配關(guān)系，提出基于多幀序列圖像的目標(biāo)識(shí)別算法.通過(guò)特征匹配不僅可以實(shí)現(xiàn)已識(shí)別目標(biāo)結(jié)果的進(jìn)一步確認(rèn)，還可以避免被遮擋構(gòu)件對(duì)其他目標(biāo)識(shí)別產(chǎn)生的影響，進(jìn)一步提高識(shí)別算法的抗遮擋能力，從而有效地解決衛(wèi)星姿態(tài)發(fā)生大角度變化時(shí)導(dǎo)致的構(gòu)件變形與遮擋引起的識(shí)別概率下降問(wèn)題.匹配方法為：首先利用單幀識(shí)別算法對(duì)首幀圖像進(jìn)行目標(biāo)分形識(shí)別，將已完成識(shí)別的圖形作為特征域；然后利用Surf算法[17]提取相鄰幀圖像的全局特征點(diǎn)，并對(duì)特征點(diǎn)進(jìn)行平行度篩選；而后提取共面特征點(diǎn)；最后通過(guò)進(jìn)一步篩選特征點(diǎn)間距離不存在突變的點(diǎn)，獲得匹配特征點(diǎn).當(dāng)連續(xù)多幀圖像幀間特征完全匹配時(shí)即可完成目標(biāo)判別，否則重新進(jìn)行單幀圖像的分形識(shí)別.

2.2 分形聚類(lèi)模型權(quán)重求解與識(shí)別

以圖1(a)典型預(yù)警衛(wèi)星為例，說(shuō)明分形聚類(lèi)模型權(quán)重求解與目標(biāo)識(shí)別過(guò)程.如圖1(a)所示，從不同觀測(cè)角度來(lái)看，該星先驗(yàn)包括：①存在性.本體、2個(gè)主天線和帆板；②外形.本體為立方體，輪廓為平行多邊形，帆板為平行四邊形，天線為橢圓或不規(guī)則形狀；③本體形心距衛(wèi)星形心最近；④大小.帆板(>40%)>主體(>10%)>天線(<10%)；⑤連接關(guān)系.帆板、天線與本體連接，帆板、天線獨(dú)立.帆板、天線在本體外，呈十字分布；⑥灰度分布.帆板和天線表面平滑，本體表面包含小構(gòu)件，非平滑.

首先通過(guò)圖像分割提取圖像中衛(wèi)星局部目標(biāo)的圖形輪廓，各封閉圖形的分形聚類(lèi)特征描述見(jiàn)表5.

表5 分形聚類(lèi)特征描述

然后選定初始權(quán)重，利用衛(wèi)星本體、帆板和天線構(gòu)件分形聚類(lèi)模型對(duì)各封閉圖形進(jìn)行目標(biāo)識(shí)別，以識(shí)別結(jié)果統(tǒng)計(jì)最優(yōu)為目標(biāo)，迭代解算模型中各分形聚類(lèi)特征對(duì)應(yīng)的權(quán)重值，解算結(jié)果見(jiàn)表2～4.

利用模型權(quán)重系數(shù)和式(1)計(jì)算待識(shí)別目標(biāo)隸屬于各構(gòu)件類(lèi)的匹配性概率，計(jì)算結(jié)果見(jiàn)表6.根據(jù)匹配性的高低排序即可得出目標(biāo)識(shí)別的最終結(jié)果：A和C為天線，B和D為帆板，E為本體.

表6 匹配性概率與目標(biāo)識(shí)別結(jié)果

3 識(shí)別算法的實(shí)驗(yàn)驗(yàn)證

3.1 仿真實(shí)驗(yàn)及結(jié)果分析

仿真數(shù)據(jù)源包括：①衛(wèi)星1.哈勃太空望遠(yuǎn)鏡(HST)，長(zhǎng)13.3 m，直徑4.3 m，包含兩個(gè)長(zhǎng)11.8 m、寬2.3 m的帆板、兩個(gè)拋物面型天線(如圖3(a))；②衛(wèi)星2.跟蹤與數(shù)據(jù)中繼衛(wèi)星(TDRS)具有兩個(gè)直徑為4.6 m的展開(kāi)式天線、兩個(gè)長(zhǎng)20.7 m的帆板(如圖3(b))；③衛(wèi)星3.國(guó)外某預(yù)警衛(wèi)星(如圖1(a))；④衛(wèi)星4.基于光學(xué)特性物理仿真生成的典型低軌成像衛(wèi)星(SAT)(如圖3(c)所示).該星具有1.5 m正方體的本體、6個(gè)長(zhǎng)3 m、寬1.5 m的帆板，其中位于中間部位的帆板呈現(xiàn)出不規(guī)則的幾何形狀.衛(wèi)星表面材料假定為灰體，反射率為50%.

每幅圖像加入MTFN(奈奎斯特頻率下的傳遞函數(shù))在[0.05, 0.15]之間的高斯模糊、SNR在[2, 7]之間的高斯白噪聲，模擬相機(jī)光學(xué)系統(tǒng)、探測(cè)器、成像電子學(xué)與平臺(tái)抖動(dòng)引起的像質(zhì)退化.通過(guò)改變衛(wèi)星軌道根數(shù)、姿態(tài)角以及觀測(cè)星與目標(biāo)星的相對(duì)方位，模擬兩星在相對(duì)姿態(tài)[-90°, 90°]、相對(duì)距離從10～3 km的不同逼近、繞飛與懸停軌道狀態(tài)，從而生成包含各種構(gòu)件變形、遮擋情況的目標(biāo)星圖像.

圖4分別給出了衛(wèi)星局部構(gòu)件變形、構(gòu)件遮擋、較嚴(yán)重模糊、高噪聲水平(SNR=5)等情況下的單幀圖像及逼近、伴飛狀態(tài)下成像獲取的序列幀圖像的目標(biāo)分形聚類(lèi)與識(shí)別結(jié)果.限于篇幅，僅以圖4(b)衛(wèi)星和圖4(f)衛(wèi)星50幀序列圖像的目標(biāo)識(shí)別結(jié)果(見(jiàn)表7、8)為例，說(shuō)明識(shí)別算法性能.

圖3 典型衛(wèi)星在軌示意

圖4 識(shí)別結(jié)果(圖中綠色標(biāo)記的數(shù)字代表待識(shí)別目標(biāo)的編號(hào))

Fig.4 Results of the target identification(The targets to be identified are marked by green numbers)

注：彩圖見(jiàn)電子版(http://hit.alljournals.cn)(2016年第10期)

表7 圖4(b)單幀圖像目標(biāo)識(shí)別結(jié)果

表8 圖4中第50幀序列圖像目標(biāo)識(shí)別結(jié)果

從圖4、表7～8可看出：1)構(gòu)件變形與互遮擋會(huì)引起目標(biāo)分形特征匹配性概率的下降，但只要構(gòu)件目標(biāo)未被完全遮擋，采用單幀算法仍可對(duì)各構(gòu)件進(jìn)行準(zhǔn)確識(shí)別，這說(shuō)明了算法采用多種分形聚類(lèi)特征聯(lián)合辨識(shí)的有效性；2)像質(zhì)退化會(huì)影響目標(biāo)分形聚類(lèi)結(jié)果(如圖4(c)、(d)中的天線)，但當(dāng)原始圖像SNR>5時(shí)，在對(duì)比度很低甚至影響到人眼判讀的情況下(如圖4(e))，采用本文算法仍可實(shí)現(xiàn)對(duì)目標(biāo)構(gòu)件的準(zhǔn)確識(shí)別，多幀識(shí)別概率優(yōu)于95%.這也說(shuō)明了算法采用預(yù)處理及多幀序列圖像分形特征匹配策略的有效性.

3.2 地面半物理實(shí)驗(yàn)及結(jié)果分析

利用衛(wèi)星縮比模型、太陽(yáng)模擬器、光學(xué)探測(cè)器、三維電控轉(zhuǎn)臺(tái)，設(shè)計(jì)并搭建半物理仿真實(shí)驗(yàn)平臺(tái)(如圖5所示)，利用實(shí)驗(yàn)數(shù)據(jù)進(jìn)一步說(shuō)明算法在衛(wèi)星局部識(shí)別實(shí)際應(yīng)用中的有效性.

目標(biāo)選用伽利略衛(wèi)星40∶1縮比模型，包含本體與太陽(yáng)帆板，幾何尺寸分別為1 200 mm ×1 100 mm×2 700mm、6 500 mm×2 700 mm×25 mm，本體材料為F46聚酯薄膜，帆板材料為SR107白漆(背面)、帆板GaInP2/GaAs/Ge(正面)、有機(jī)黑漆(側(cè)面)，與真實(shí)目標(biāo)的結(jié)構(gòu)與表面材料屬性相同.為真實(shí)模擬空間目標(biāo)的背景環(huán)境，選用太陽(yáng)模擬器作為背景模擬光源.用太陽(yáng)模擬器以某一角度照射縮比模型，使用光學(xué)探測(cè)器與電控轉(zhuǎn)臺(tái)從不同角度進(jìn)行拍攝以獲取不同入射角及反射角情況下的目標(biāo)圖像.改變太陽(yáng)模擬器的照射角度，以實(shí)現(xiàn)更加豐富的角度模擬.改變拍攝距離以模擬不同觀測(cè)距離的成像結(jié)果.光學(xué)探測(cè)器采用Nikon公司的AF-S600mmF4DII型高品質(zhì)鏡頭和DTA公司生產(chǎn)的ICAM型CCD器件.此外，為模擬空間光學(xué)成像的圖像質(zhì)量退化，在實(shí)驗(yàn)數(shù)據(jù)中加入高斯模糊與噪聲.圖6和表9給出了連續(xù)第50幀圖像的目標(biāo)分形聚類(lèi)與識(shí)別結(jié)果.

圖5 半物理實(shí)驗(yàn)平臺(tái)與裝置

圖6 多幀序列圖像目標(biāo)分形聚類(lèi)與識(shí)別

構(gòu)件編號(hào)識(shí)別結(jié)果出現(xiàn)次數(shù)識(shí)別概率/%1帆板4796．752本體50100．003帆板4895．03

從圖6和表9中可以看出，在帆板與背景的對(duì)比度很低，且圖像中包含較嚴(yán)重模糊(MTFN僅為0.06)與噪聲(SNR僅為5)的情況下，目標(biāo)識(shí)別算法仍可對(duì)衛(wèi)星局部構(gòu)件進(jìn)行準(zhǔn)確識(shí)別.其中，本體識(shí)別概率達(dá)到100%，帆板識(shí)別概率優(yōu)于0.95.

4 結(jié) 論

1)通過(guò)分析典型衛(wèi)星的物理特征，提出了衛(wèi)星本體、帆板、天線的分形聚類(lèi)特征，并結(jié)合聚類(lèi)特征的參量化表征，根據(jù)典型構(gòu)件的先驗(yàn)信息，構(gòu)建了基于分形特征參量加權(quán)組合的聚類(lèi)模型；

2)針對(duì)空間目標(biāo)光學(xué)在軌成像的像質(zhì)退化、幾何變形、遮擋等特殊性問(wèn)題，建立了基于單幀與多幀序列圖像的目標(biāo)識(shí)別框架與流程，從而提出了相應(yīng)的識(shí)別方法與算法；

3)為實(shí)現(xiàn)識(shí)別算法的性能分析與驗(yàn)證，以4種不同典型衛(wèi)星為應(yīng)用實(shí)例進(jìn)行了算法的仿真實(shí)驗(yàn)驗(yàn)證，同時(shí)利用伽利略衛(wèi)星縮比模型進(jìn)行了半物理實(shí)驗(yàn).實(shí)驗(yàn)結(jié)果表明：在目標(biāo)與背景對(duì)比度很低、SNR僅為5，且構(gòu)件存在較嚴(yán)重變形與遮擋的情況下，該算法仍能夠準(zhǔn)確識(shí)別衛(wèi)星本體、帆板與天線，且識(shí)別概率優(yōu)于0.95.

[1] SHARMA J. Space-based visible space surveillance performance[J]. Journal of Guidance, Control, and Dynamics, 2000, 23(1): 153-158. DOI:10.2514/2.4503.

[2] Payne T P, Morris R F. The space surveillance network(SSN) and orbital debris[J]. Advances in the Astronautical Sciences, 2010, 137(4): 2010.

[3] FLOHRER T, KRAG H, KLINKRAD H, et al. Feasibility of performing space surveillance tasks with a proposed space-based optical architecture[J]. Advances in Space Research, 2011, 47(6): 1029-1042. DOI: 10.1016/j.asr.2010.11.021.

[4] ZHANG Haopeng, JIANG Zhiguo, ELGAMMAL A. Vision-based pose estimation for cooperative space objects[J]. Acta Astronautica, 2013, 91: 115-122. DOI:10.1016/j.actaastro.2013.05.017.

[5] XU Yonghui , ZHANG Jihui, WEI Yi. Recent patents on real-time deep space target track system based on Dual-DSP[J]. Recent Patents on Computer Science, 2013, 6(3): 227-232. DOI: 10.2174/22132759113066660012.

[6] TANG Jia, GAO Xin, JIN Gang. Dim and weak target detection technology based on multi-characteristic fusion[C]//Proceedings of the 26th Conference of Spacecraft TT&C Technology in China. Berlin, Heidelberg: Springer- Verlag, 2013: 271-277. DOI:10.1007/978-3-642-33663-8_27.

[7] HOU Wang, LONG Gucan, LEI Zhihui, et al. The small target detection based on maximum likelihood estimation and spot detection operator[C]//Proceedings of SPIE 9142. [S.l.]: SPIE, 2014: 914207(1-13). DOI:10.1117/12.2054032.

[8] DU Xiaodong, LIANG Bin, TAO Yanbo. Pose determination of large non-cooperative satellite in close range using coordinated cameras[C]//Proceedings of the 2009 International Conference on Mechatronics and Automation. Changchun: IEEE, 2009, 3910-3915. DOI: 10.1109/ICMA.2009.5244890.

[9] ZHANG Haopeng, JIANG Zhiguo, ELGAMMAL A. Satellite identification and pose estimation using homeomorphic manifold analysis[J]. IEEE Transactions on Aerospace and Electronic Systems, 2015, 51(1): 785-792. DOI: 10.1109/TAES.2014.130744.

[10]CROPP A, PALMER P, MCLAUCHLAN P. Estimating pose of known target satellite[J]. Electronics Letters, 2000, 36(15): 1331-1332. DOI: 10.1049/el:20000950.

[11]RANGARAJAN K, SHAH M, VAN BRACKLE D. Optimal corner detector[J]. Computer Vision, Graphics, and Image Processing, 1989, 48(2): 230-245. DOI:1 0.1016/S0734-189X(89)80039-8.[12]BISWAS R, SIL J. An improved canny edge detection algorithm based on type-2 fuzzy sets[J]. Procedia Technology, 2012, 4: 820-824. DOI:10.1016/j.protcy.2012.05.134.

[13]KIM E, HASEYAMA M, KITAJIMA H. Fast and robust ellipse extraction from complicated images[C]//Proceedings of the IEEE International Conference on Information Technology and Applications. Bathurst, Australia: IEEE, 200: 357-362.

[14]KENNEDY J. Particle swarm optimization[M]. Encyclopedia of Machine Learning. New York: Springer US, 2010: 760-766. DOI:10.1007/978-0-387-30164-8_630.

[15]JIANG Chao , GENG Zexun, BAO Yongqiang, et al. Analysis the application of several denoising algorithm in the astronomical image denoising[C]//Proceedings of SPIE 9142. SuZhou, China: SPIE, 2014: 91421N(1-7). DOI:10.1117/12.2054427.

[16]JIANGA G, WONGA C Y, LIN S C F, et al. Image contrast enhancement with brightness preservation using an optimal gamma correction and weighted sum approach[J]. Journal of Modern Optics, 2015, 62(7): 536-547. DOI: 10.1080/09500340.2014.991358.

[17]AL-AMRI S S, KALYANKAR N V, KHAMITKAR S D. Image segmentation by using edge detection[J]. International Journal on Computer Science and Engineering, 2010, 2(3): 804-807.

[18]GUO Fei, LUO Xiao, LIU Yi. Research on feature extraction and match method based on the surf algorithm for mobile augmented reality system[C]//International Industrial Informatics and Computer Engineering Conference. [S.l.]: [s.n.], 2015, 615-519. DOI:10.2991/iiicec-15.2015.140.

(編輯 張 紅)

Optical identification method of space typical targets based on combined multi-feature metrics

ZHI Xiyang, HOU Qingyu, ZHANG Wei, SUN Xuan

(School of Astronautics, Harbin Institute of Technology, Harbin 150001, China)

This paper proposes a new method based on combined multi-feature metrics in order to meet the requirements for identification of satellite local targets. Firstly, we analyze the local physical characteristic of satellite, and construct the local component fractal clustering parameter sets of the fusion morphology multi-feature metrics. Then, a component-clustering model is formulated based on weighted combination of clustering features. Consequently, an optical identification algorithm is proposed to deal with the problems of image degradation and partial occlusion in optical imaging of space targets. Based on the recognition probability in its practical application, the efficiency and robustness of the recognition algorithm is improved by using optimal weighting coefficients in the iteration of particle swarm optimization algorithm. Finally, using four typical satellites and Galileo satellite scaled model, the performance of the identification algorithm is analyzed and verified. Experimental results show that the algorithm is able to identify the satellite component and the identification probability is no less than 0.95, in the case of low contrast, SNR being 5 and severe deformation and mutual occlusion of the components.

space target identification; satellite local; combined feature metrics; clustering model; identification algorithm

10.11918/j.issn.0367-6234.2016.10.006

2015-08-20

國(guó)家自然科學(xué)基金(61605035)

智喜洋(1982—)，男，副教授，碩士生導(dǎo)師；

張 偉(1962—)，男，教授，博士生導(dǎo)師

侯晴宇，houqingyu@126.com

TP751.1

A

0367-6234(2016)10-0044-07