曹城華,武文波,王 鈺
(北京空間機(jī)電研究所,北京 100094)
空間目標(biāo)檢測是根據(jù)拍攝到的序列星圖對太空目標(biāo)進(jìn)行搜索定位的過程[1],是進(jìn)行空間目標(biāo)識別、定軌與跟蹤的基礎(chǔ),是建立空間態(tài)勢感知能力的前提??臻g目標(biāo)運(yùn)動(dòng)方向和速度估計(jì)是空間目標(biāo)運(yùn)動(dòng)特征的一個(gè)重要信息,對其進(jìn)行準(zhǔn)確檢測具有重要的意義。
空間目標(biāo)檢測算法有多種,可以大致分為兩大類:一種是基于星表數(shù)據(jù)進(jìn)行星空背景識別,從而將背景分離,空間目標(biāo)軌跡得以顯現(xiàn)。主要弱點(diǎn)是星表中包含大量星等的數(shù)據(jù),需要有效提取背景恒星的角度位置等特征信息,并快速檢索出其位置。另一種是基于空間目標(biāo)的運(yùn)動(dòng)特征,該方法不需要星表數(shù)據(jù),僅利用恒星背景和目標(biāo)的不同運(yùn)動(dòng)模式進(jìn)行目標(biāo)檢測。程軍等人[2]利用背景星圖的平移、旋轉(zhuǎn)和比例伸縮不變性和觀測星的星等和背景導(dǎo)航星的星等和星對角矩特征進(jìn)行星圖匹配對運(yùn)動(dòng)恒星背景空間目標(biāo)檢測。趙臻等人[3]基于星形星圖識別算法,利用星對距離和角矩特征進(jìn)行匹配識別,但模板星圖的存儲量過大,算法性能有待提高。張勁鋒等人[4]基于不變矩和仿射不變矩理論提出組合不變矩的概念,用于空間目標(biāo)的識別,在不增加目標(biāo)特征維數(shù)的情況下,提高了目標(biāo)識別的準(zhǔn)確率。張晨等人[5]提出使用質(zhì)心聚焦法,二維直方圖統(tǒng)計(jì)法和鄰域連通法等三種像點(diǎn)簇識別算法進(jìn)行目標(biāo)的自動(dòng)識別。
在空間目標(biāo)檢測檢出之后,連續(xù)幀圖像經(jīng)過配準(zhǔn),可進(jìn)一步提取出空間目標(biāo)的運(yùn)動(dòng)軌跡,此外連續(xù)幀空間目標(biāo)的運(yùn)動(dòng)方向和速度等信息也可以進(jìn)一步計(jì)算出來。本文采用Radon 變換對檢測出的空間目標(biāo)運(yùn)動(dòng)方向信息進(jìn)一步計(jì)算。
Radon 變換在多種圖像處理算法中均有應(yīng)用。范學(xué)良等人[6]利用頻域分析的方法對水滴運(yùn)動(dòng)模糊圖像進(jìn)行處理:利用Fourier 頻譜在垂直于水滴運(yùn)動(dòng)方向上,有一條高亮條紋,并結(jié)合Radon變換識別高亮條紋方向,然后逆時(shí)針旋轉(zhuǎn)90 度,計(jì)算出水滴運(yùn)動(dòng)方向。這給空間目標(biāo)的運(yùn)動(dòng)方向檢測提供了一定的借鑒,但沒有考慮噪聲以及背景對水滴方向識別的影響,也沒有考慮多個(gè)目標(biāo)同時(shí)運(yùn)動(dòng)以及運(yùn)動(dòng)軌跡可能為曲線的特殊情況。文獻(xiàn)[7-11]基于Radon 變換對運(yùn)動(dòng)模糊圖像進(jìn)行運(yùn)動(dòng)參數(shù)估計(jì)。文獻(xiàn)[12-13]基于Radon 變換進(jìn)行人臉識別。文獻(xiàn)[14]基于Radon 變換進(jìn)行多尺度虹膜特征提取與識別。本文在空間目標(biāo)檢測的基礎(chǔ)上對空間目標(biāo)的運(yùn)動(dòng)方向特征進(jìn)行分析計(jì)算,采用圖像配準(zhǔn),最大值投影,Radon 變換等算法實(shí)現(xiàn)對空間目標(biāo)的運(yùn)動(dòng)方向檢測。
由于背景進(jìn)行了配準(zhǔn),因此取各像素坐標(biāo)位置最大值時(shí),配準(zhǔn)后背景恒星保持不變,而空間目標(biāo)由于和背景的運(yùn)動(dòng)特征不同,在配準(zhǔn)后的圖像上顯示出目標(biāo)的運(yùn)動(dòng)軌跡。當(dāng)對序列幀圖像完成所有幀的配準(zhǔn)和最大值投影之后,目標(biāo)的軌跡完全顯示出來。最后基于此圖像采用Radon變換對空間運(yùn)動(dòng)目標(biāo)運(yùn)動(dòng)方向進(jìn)行檢測,進(jìn)行了各種情況的討論,并做對比實(shí)驗(yàn)驗(yàn)證了該方法在識別空間運(yùn)動(dòng)目標(biāo)方向上的可行性。
Radon 變換[16]用來計(jì)算圖像矩陣在特定方向上的投影。二維函數(shù)的投影是一組線積分,Radon 變換計(jì)算一定方向上平行線上的積分,平行線的間隔為1 個(gè)像素。Radon 變換可以旋轉(zhuǎn)圖像的中心至各種角度,以得到圖像在不同方向上的投影積分值。對于一個(gè)二維圖像f(x,y)來說,其垂直方向上的積分就對應(yīng)的是在x軸上的投影,同理水平方向上的積分是在y軸上的投影值。
圖1 表示任意角度Radon 變換的幾何關(guān)系。Radon 變換的積分運(yùn)算過程能夠克服噪聲對圖像產(chǎn)生的影響。從直線檢測方面看,Radon 變換空間較之前源圖像空間域的信噪比的值更高,故Radon 變換可用于低信噪比圖像線檢測??臻g圖像的點(diǎn)目標(biāo)、低信噪比特征以及空間目標(biāo)運(yùn)動(dòng)特征適合采用該方法。
圖1 Radon 變換集合關(guān)系圖Fig.1 Geometrical relationship of Radon transformation
在0~180°的區(qū)間內(nèi),每隔一定度計(jì)算一次圖像的Radon 變換,以度數(shù)為橫坐標(biāo),取其最大積分值為縱坐標(biāo),計(jì)算各個(gè)角度積分值的均值作為閾值對上圖進(jìn)行分割,獲取極大值點(diǎn)對應(yīng)的橫坐標(biāo)并輸出,即為空間目標(biāo)檢測的目標(biāo)數(shù)目和對應(yīng)目標(biāo)的運(yùn)動(dòng)方向檢測結(jié)果。實(shí)驗(yàn)的整體流程圖如圖2 所示。
圖2 實(shí)驗(yàn)流程圖Fig.2 Flow chart of the experiment
由于真實(shí)星空數(shù)據(jù)稀缺且難以獲取,有多種仿真軟件可以對星空圖像進(jìn)行模擬,簡單的仿真可以隨機(jī)生成,也可以利用星表數(shù)據(jù)結(jié)合坐標(biāo)轉(zhuǎn)換關(guān)系[17]來生成模擬背景星圖。經(jīng)過對比分析,本文選取Stellarium 天文軟件作為實(shí)驗(yàn)數(shù)據(jù)。Stellarium[18]是一款開源的跨平臺天象星圖模擬仿真軟件??梢酝ㄟ^3D 形式展示極其逼真的星空,它的功能強(qiáng)大,默認(rèn)星表包含超過60 萬顆恒星及8 萬深空天體,而附加星表包含超超過1.77億顆恒星及百萬深空天體。本文從其官網(wǎng)獲取星空圖,并以該數(shù)據(jù)源作為星空背景圖像并對空間目標(biāo)進(jìn)行仿真實(shí)驗(yàn)。
設(shè)置Stellarium 星圖軟件的成像系統(tǒng)參數(shù)如下:成像系統(tǒng)指向模式可以為地面觀測模式、恒星觀測模式或目標(biāo)觀測模式,譜段為全色可見光波段,探測能力為6 等星,視場為2°,生成圖像尺寸為1 024×768,幀頻根據(jù)目標(biāo)的運(yùn)動(dòng)速度動(dòng)態(tài)可調(diào)節(jié)。首先對獲取的星空圖像每隔一定時(shí)間截取一次序列幀圖像。然后對每幀圖像進(jìn)行中值濾波濾除圖像噪聲,中值濾波是使用鄰域中各像素的值進(jìn)行排序后取中間值作為濾波后對應(yīng)位置像素值的非線性濾波技術(shù),它的特點(diǎn)是對異常值不敏感,可以在不影響圖像對比度的情況下有效地消除孤立噪聲點(diǎn)對圖像的影響。之后在各個(gè)幀背景圖像上添加目標(biāo)點(diǎn)。由于觀測平臺的運(yùn)動(dòng),導(dǎo)致恒星背景相對相機(jī)坐標(biāo)運(yùn)動(dòng),添加的目標(biāo)點(diǎn)相對恒星背景運(yùn)動(dòng),采用OTSU 最大類間方差法對包含空間目標(biāo)的恒星背景圖像進(jìn)行分割,該算法通過計(jì)算方差獲取合適的灰度值劃分圖像,能夠保證劃分開來的兩部分內(nèi)部的灰度值差異最小,而兩類之間的灰度值差異最大,由于方差最大,因此錯(cuò)分概率最小。分割之后獲取恒星背景和單獨(dú)的恒星或空間目標(biāo)亮點(diǎn)。提取并使用質(zhì)心法[19]計(jì)算每幀圖像中最亮和次亮的恒星的質(zhì)心坐標(biāo),質(zhì)心橫坐標(biāo)xc和縱坐標(biāo)yc計(jì)算方法采用公式(3)和(4)以像素為單位進(jìn)行計(jì)算得出。
在連續(xù)兩幀之間計(jì)算對應(yīng)位置背景恒星坐標(biāo),得到序列如表1 所示,其中Δxi=xi+1-xi,Δyi=yi+1-yi,單位為像素??梢钥闯鲞B續(xù)幀間的時(shí)間間隔恒星背景的運(yùn)動(dòng)呈現(xiàn)出勻速直線運(yùn)動(dòng)的特征,由于像素個(gè)數(shù)為整數(shù),因此取均值并取整得——Δx=97,——Δy=69 作為背景的運(yùn)動(dòng)特征。通過再次按照相同的計(jì)算方法對幀序列圖像的次亮點(diǎn)恒星進(jìn)行計(jì)算,驗(yàn)證了該運(yùn)動(dòng)特征的準(zhǔn)確性,并基于此對序列圖像進(jìn)行配準(zhǔn)和最大值投影算法處理。
表1 序列幀圖像計(jì)算運(yùn)動(dòng)特征結(jié)果Tab.1 Movement characteristic of sequential space image
觀測衛(wèi)星一般有兩種工作模式:一種是保持對恒星的觀測位置不動(dòng),空間目標(biāo)的運(yùn)動(dòng)在多幀圖像經(jīng)過圖像配準(zhǔn)之后呈現(xiàn)線條狀軌跡。另一種模式是長時(shí)間曝光模式,由于相對運(yùn)動(dòng),導(dǎo)致恒星和空間目標(biāo)均呈現(xiàn)出線條狀軌跡,但由于空間目標(biāo)和恒星的相對運(yùn)動(dòng)規(guī)律的不同,線條方向有所不同,恒星的線條方向保持一致,目標(biāo)的線條軌跡相對恒星背景在相機(jī)視場中具有隨機(jī)性。
在第一種相機(jī)模式中需要進(jìn)行圖像配準(zhǔn),借鑒文獻(xiàn)[20]中最大值投影算法及三角形匹配算法思想以及運(yùn)動(dòng)參數(shù)估計(jì)計(jì)算恒星背景的沿x軸和y軸到運(yùn)動(dòng)參數(shù),并進(jìn)行最大值投影,得到處理后的圖像如圖3(a)所示。在第二種模式下得到的圖像如圖3(b)所示。
圖3 模式一(a)和模式二(b)的結(jié)果Fig.3 Result image of pattern one and two
對圖3(a)中的空間目標(biāo)運(yùn)動(dòng)軌跡圖像進(jìn)行0~180°區(qū)間每隔一度進(jìn)行一次Radon 變換,并以角度為橫坐標(biāo),對應(yīng)角度的積分值作為縱坐標(biāo),得到曲線圖如圖4 所示??梢钥闯鲈?9 度方向上積分值達(dá)到最大,并且明顯高于其他方向上的積分值,結(jié)合圖像上的空間目標(biāo)估計(jì)和負(fù)x軸方向的夾角,故準(zhǔn)確檢測到了一個(gè)空間目標(biāo)的沿39°方向上的運(yùn)動(dòng)方向特征。
圖4 Radon 變換不同角度積分值Fig.4 Integral value in different angles of Radon transformation
考慮到空間目標(biāo)運(yùn)動(dòng)位置的不確定性,在同一幀序列圖像中可能出現(xiàn)多個(gè)運(yùn)動(dòng)目標(biāo),因此需要對多個(gè)運(yùn)動(dòng)目標(biāo)同時(shí)進(jìn)行檢測。圖5 進(jìn)行Radon 變換沿不同角度積分值圖像如圖6 所示,可以看出3 個(gè)目標(biāo)分別在39°,90°,144°方向處檢測到運(yùn)動(dòng)目標(biāo)。可以看出該算法對多個(gè)目標(biāo)同時(shí)進(jìn)行準(zhǔn)確方向檢測。
圖5 多空間運(yùn)動(dòng)目標(biāo)圖像Fig.5 Image of several objects
圖6 多目標(biāo)Radon 變換不同角度積分值Fig.6 Integral value in different angles of Radon transformation
由于空間目標(biāo)的運(yùn)動(dòng)軌跡不確定性以及觀測相機(jī)和目標(biāo)的相對位置關(guān)系不確定性,在同一幀序列圖像中運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)軌跡可能為圓弧狀,本節(jié)針對圓弧狀軌跡的目標(biāo)進(jìn)行分析,圖7進(jìn)行Radon 變換沿不同角度積分值圖像如圖8所示,可以看出Radon 變換后的圖像在20~65°之間出現(xiàn)明顯的連續(xù)亮斑,于是計(jì)算出該圓弧的對應(yīng)的圓心角的弧度為45°,即圓弧狀軌跡可以檢測出運(yùn)動(dòng)方向的范圍和圓弧所對應(yīng)的的圓心角。
圖7 圓弧狀目標(biāo)軌跡Fig.7 Image of circular object track
圖8 Radon 變換Fig.8 Integral value of Radon transformation
在圖3(a)的基礎(chǔ)上添加高斯白噪聲生成圖9,之后對其進(jìn)行運(yùn)動(dòng)方向檢測,Radon 變換不同角度積分值結(jié)果如圖10 所示。由圖10 可以看出,添加噪聲后對空間目標(biāo)運(yùn)動(dòng)方向的檢測基本無影響。但由于噪聲的引入,在各個(gè)方向上的積分值均會(huì)增加。將高斯白噪聲的均值分別設(shè)置為0.025,0.05,0.075,0.1,0.15,0.2 等不同的值,然后計(jì)算運(yùn)動(dòng)方向計(jì)算的相對誤差值,得到曲線如圖11 所示,其中第一條曲線為實(shí)驗(yàn)結(jié)果,第二條為二次擬合得到的曲線。可以看出,當(dāng)噪聲均值小于0.1 時(shí),運(yùn)動(dòng)方向檢測的相對誤差率在5%以內(nèi),精度較高;當(dāng)噪聲均值逐漸增大時(shí),誤差率隨之增大;當(dāng)噪聲為1 時(shí),整個(gè)圖像充滿噪聲,空間目標(biāo)軌跡淹沒在噪聲中,無法進(jìn)行檢測。
圖9 添加噪聲Fig.9 Result image after adding noise
圖10 Radon 變換不同角度積分值Fig.10 Integral value in different angles of Radon transformation
圖11 高斯噪聲均值對空間目標(biāo)運(yùn)動(dòng)方向相對誤差率Fig.11 Relative direction error rate with different gaussian noise mean value
表2 給出了0~180°之間,每隔0.2°計(jì)算一次Radon 積分值并取最大值對應(yīng)的角度作為空間目標(biāo)運(yùn)動(dòng)方向識別結(jié)果和實(shí)際運(yùn)動(dòng)方向絕對誤差。本文算法處理流程和文獻(xiàn)[6]中算法流程進(jìn)行對比計(jì)算分析可得,本文的絕對誤差均值為0.022 2°,文獻(xiàn)[6]中為0.722 2°,表明本文提出的算法識別方向的均值更接近目標(biāo)運(yùn)動(dòng)的真實(shí)方向。本文的絕對誤差方差為1.213 6,標(biāo)準(zhǔn)差為1.101 6。文獻(xiàn)[6]中方差為1.741 8,標(biāo)準(zhǔn)差為1.319 8,這表明本文提出的算法的運(yùn)動(dòng)方向識別的誤差穩(wěn)定性更好,目標(biāo)識別的方向誤差趨近于更小,精確度更高。
表2 空間目標(biāo)方向識別結(jié)果Tab.2 Movement direction of space target (°)
空間目標(biāo)序列幀圖像經(jīng)過預(yù)處理、圖像去噪、圖像分割、質(zhì)心檢測、背景運(yùn)動(dòng)參數(shù)估計(jì)、圖像配準(zhǔn)、最大值投影等處理后,通過設(shè)計(jì)實(shí)驗(yàn)使用Radon 變換對其進(jìn)行處理分析,可以有效檢測出空間目標(biāo)的運(yùn)動(dòng)方向,并且識別的精確度和準(zhǔn)確度較參考文獻(xiàn)[6]有所提高,能夠檢測多個(gè)運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)方向,支持對圓弧狀運(yùn)動(dòng)軌跡進(jìn)行分析,并對噪聲有一定的抗干擾能力,這將對后續(xù)空間目標(biāo)的多維度特征提取、初軌確定、空間環(huán)境預(yù)警等提供一定的幫助。