空間臨近目標(biāo)行為辨識(shí)方法

王揚(yáng)洋，林彬，楊夏，張小虎

中山大學(xué) 航空航天學(xué)院，廣州 510275

1 引言

航天技術(shù)的日益發(fā)展使衛(wèi)星信息成為一種重要的情報(bào)資源。偵察衛(wèi)星接近目標(biāo)衛(wèi)星并進(jìn)行近距離成像觀測(cè)，從圖像獲取其用途、狀態(tài)等信息，已經(jīng)成為現(xiàn)代太空中一種獲取衛(wèi)星情報(bào)的常見(jiàn)手段。在空間軌道上運(yùn)行時(shí)，衛(wèi)星時(shí)常會(huì)遇上其他衛(wèi)星的接近[1]，這些衛(wèi)星或正常變軌，或帶有偵察衛(wèi)星信息的任務(wù)。如果能對(duì)接近衛(wèi)星的行為進(jìn)行快速有效的辨識(shí)，根據(jù)其抵近目的及時(shí)采取相應(yīng)的防護(hù)手段，就能夠占據(jù)主動(dòng)權(quán)，實(shí)現(xiàn)對(duì)衛(wèi)星信息的保護(hù)。

行為辨識(shí)[2]是指依靠已知信息數(shù)據(jù)對(duì)目標(biāo)的行為進(jìn)行分析，探究目標(biāo)行為的特征，建立合理的行為描述模型，從而實(shí)時(shí)、智能地實(shí)現(xiàn)對(duì)目標(biāo)新行為的識(shí)別與判斷，更好地為下一步的決策提供有效信息。

當(dāng)前，大多數(shù)對(duì)于空間目標(biāo)的視覺(jué)研究集中于姿態(tài)測(cè)量[3]、導(dǎo)航跟蹤[4]這兩個(gè)方面，如張慶君等人提出了一種基于雙目視覺(jué)的航天器間的相對(duì)位置及姿態(tài)解算方法，并通過(guò)對(duì)航天器的運(yùn)動(dòng)建立參數(shù)模型，分析其解算精度的影響因素[5]；王曉亮針對(duì)空間非合作目標(biāo)影像測(cè)量，提出了一種改進(jìn)的卡爾曼濾波來(lái)消除交會(huì)對(duì)接過(guò)程中的噪聲，提高了對(duì)接段中非合作目標(biāo)的運(yùn)動(dòng)信息的估計(jì)精度[6]；李潔、彭琪等人針對(duì)非合作目標(biāo)的關(guān)鍵結(jié)構(gòu)尺寸，提出了一種基于點(diǎn)云輪廓線的提取算法，根據(jù)目標(biāo)的點(diǎn)云外觀輪廓線快速估計(jì)非合作目標(biāo)的尺寸、功能[7]；楊博建立了衛(wèi)星編隊(duì)模型下的聯(lián)合觀測(cè)方程，并基于最優(yōu)視差角設(shè)計(jì)一種高精度的編隊(duì)衛(wèi)星導(dǎo)航方法[8]；秦同等根據(jù)相機(jī)和雷達(dá)的測(cè)量信息構(gòu)建了相對(duì)導(dǎo)航坐標(biāo)系，在該坐標(biāo)系下求解可靠視覺(jué)特征點(diǎn)矢量，建立相對(duì)導(dǎo)航系統(tǒng)，輔助著陸器在自然路標(biāo)匱乏時(shí)精確軟著陸[9]；唐青原針對(duì)火星接近段導(dǎo)航通信受限的問(wèn)題，結(jié)合火星中心視線矢量方向和附近的星歷信息估計(jì)探測(cè)器的軌道半徑，提出了一種火星探測(cè)接近段的天文自主導(dǎo)航算法[10]。這些工作為非合作空間目標(biāo)的視覺(jué)研究帶來(lái)很大幫助，但多針對(duì)目標(biāo)的姿態(tài)解算、定位問(wèn)題，目前針對(duì)于衛(wèi)星行為辨識(shí)的研究極少，一般采用人工判定的方法，根據(jù)以往經(jīng)驗(yàn)進(jìn)行辨識(shí)。這樣的方式存在如下問(wèn)題：1)工程實(shí)際中需要在軌衛(wèi)星具備全天候?qū)δ繕?biāo)行為有快速?zèng)Q策的能力，而人工的方式只能夠進(jìn)行事后處理，無(wú)法滿足實(shí)時(shí)性的需求；2)缺乏統(tǒng)一的具有理論性的辨識(shí)準(zhǔn)則，在過(guò)程中加入了人為誤差，因此結(jié)果缺乏足夠的說(shuō)服力；3)辨識(shí)結(jié)果往往只有是否存在偵察行為，但并不能很好地量化表現(xiàn)中間過(guò)程。

為了解決這些問(wèn)題，本文提出一種基于視覺(jué)特性的臨近目標(biāo)行為識(shí)別算法，利用單相機(jī)對(duì)臨近目標(biāo)進(jìn)行連續(xù)成像，根據(jù)目標(biāo)衛(wèi)星在連續(xù)幀的姿態(tài)變化，對(duì)其運(yùn)動(dòng)軌跡和視線指向進(jìn)行分析，以此辨識(shí)目標(biāo)衛(wèi)星是否存在偵察行為。試驗(yàn)中分別對(duì)衛(wèi)星偵察和非偵察兩種狀態(tài)進(jìn)行仿真模擬，驗(yàn)證該算法的有效性。

2 基于視覺(jué)特性的臨近目標(biāo)行為辨識(shí)

一般地，由于單相機(jī)拍攝的圖像缺乏足夠的約束條件，難以直接用于解算目標(biāo)的姿態(tài)[11]。只有結(jié)合目標(biāo)自身模型、深度約束[12-14]等條件時(shí)，才能得到較為準(zhǔn)確的目標(biāo)姿態(tài)。這種增加約束的方式通常適用于預(yù)知信息豐富的合作目標(biāo)，當(dāng)對(duì)象為非合作目標(biāo)時(shí)，往往無(wú)法創(chuàng)建有效的約束。

針對(duì)單相機(jī)拍攝存在的缺陷，本文根據(jù)目標(biāo)偵察時(shí)的視線朝向特性和相機(jī)中心透視投影模型對(duì)目標(biāo)的姿態(tài)特征進(jìn)行簡(jiǎn)化，給出一種基于視覺(jué)特性的臨近衛(wèi)星偵察行為辨識(shí)方法。該方法針對(duì)目標(biāo)在圖像中的視覺(jué)特性，將其特征轉(zhuǎn)化為一個(gè)或多個(gè)可量化的參數(shù)。通過(guò)觀察特征參數(shù)在一段時(shí)間內(nèi)的變化，結(jié)合偵察行為的特性，對(duì)目標(biāo)的行為進(jìn)行辨識(shí)。其具體實(shí)現(xiàn)如下：

1)圖像預(yù)處理。太空中自然光源有太陽(yáng)、地球漫反射光、月亮、其他天體等，這些光源或主動(dòng)發(fā)光，或反射光提供有效光源，其中主要光源來(lái)自于太陽(yáng)直射光。由于光學(xué)相機(jī)成像的角度不一，成像時(shí)并不能總是獲得太陽(yáng)直射，光照不均勻會(huì)引起目標(biāo)在圖像中的亮度不均勻和圖像的整體灰度不一，對(duì)此，需要對(duì)圖像進(jìn)行預(yù)處理，對(duì)圖像進(jìn)行整體灰度歸一化，減少因灰度不同帶來(lái)的干擾，有利于后續(xù)圖像的特征提取和圖像分割。

2)遴選目標(biāo)特征參數(shù)。目標(biāo)的特征包括目標(biāo)姿態(tài)特征以及目標(biāo)運(yùn)動(dòng)特征，通常由特征點(diǎn)、輪廓等信息構(gòu)成。圖像特征點(diǎn)一般指在圖像中具有灰度特性或結(jié)構(gòu)特性的點(diǎn)，反映目標(biāo)在圖像中的局部特征；而輪廓是目標(biāo)的邊緣信息，包含目標(biāo)尺寸、形狀等信息。同時(shí)，兩者也能夠相互關(guān)聯(lián)，聯(lián)合構(gòu)建特征或者彼此縮小圖中搜索特征的范圍。準(zhǔn)確地提取特征對(duì)于目標(biāo)識(shí)別、目標(biāo)定位以及后續(xù)匹配跟蹤將起到十分重要的作用。常用的特征點(diǎn)提取算法包括Harris算子、Susan算子、SIFT特征描述子算法等[15]。其中，Harris算子、Susan算子一般用于圖像的角點(diǎn)、邊緣點(diǎn)等特征檢測(cè)；SIFT算法則是通過(guò)其獨(dú)特的描述子對(duì)特征進(jìn)行定義，對(duì)特征點(diǎn)的檢測(cè)具有尺度、角度不變性。同樣的，輪廓提取的算法多種多樣，如Canny算子、拉普拉斯算子、區(qū)域閾值分割、區(qū)域生長(zhǎng)法等[16-17]。對(duì)于同一目標(biāo)，不同的特征選取原則將會(huì)帶來(lái)不同的結(jié)果，因此需要根據(jù)目標(biāo)結(jié)構(gòu)特點(diǎn)以及運(yùn)動(dòng)特性對(duì)目標(biāo)特征參數(shù)進(jìn)行針對(duì)性的選取。

3)建立特征時(shí)間序列。單幀圖像的特征并不能很好地反映目標(biāo)的變化，因此需要利用匹配、單應(yīng)變化等方式對(duì)所選的特征進(jìn)行跟蹤，結(jié)合時(shí)間信息得到特征的時(shí)間序列，以此來(lái)反映目標(biāo)在這段時(shí)間內(nèi)運(yùn)動(dòng)方向以及姿態(tài)的變化。

4)辨識(shí)目標(biāo)行為。針對(duì)目標(biāo)衛(wèi)星偵察行為在成像時(shí)的特征進(jìn)行相應(yīng)的分析，結(jié)合構(gòu)建特征時(shí)間序列確定其在這段時(shí)間內(nèi)的行為變化。本文對(duì)偵察行為的辨識(shí)依據(jù)為由于目標(biāo)衛(wèi)星視線朝向變化所引起的在相機(jī)的中心透視投影模型中的特殊變化。對(duì)于大部分相機(jī)鏡頭來(lái)說(shuō)，圖像投影模型符合中心透視投影模型。當(dāng)目標(biāo)衛(wèi)星上的偵察相機(jī)進(jìn)行拍攝時(shí)，衛(wèi)星視線會(huì)時(shí)刻指向我方衛(wèi)星所在方向，使得姿態(tài)發(fā)生變化；而目標(biāo)不存在偵察行為時(shí)，其姿態(tài)基本不發(fā)生變化，如圖1所示。

圖1 不同行為下衛(wèi)星姿態(tài)的變化Fig.1 The changes of satellite attitude with different behaviors

3 特征參數(shù)構(gòu)建方法

為了實(shí)現(xiàn)對(duì)目標(biāo)行為從定性到定量的分析，綜合特征點(diǎn)、衛(wèi)星主體外輪廓以及目標(biāo)的運(yùn)動(dòng)軌跡等信息，構(gòu)建了行為參數(shù)L作為特征參數(shù)，其定義為特征點(diǎn)沿運(yùn)動(dòng)方向所在直線到衛(wèi)星主體外輪廓兩端的距離差。當(dāng)只存在一個(gè)特征點(diǎn)時(shí)，行為參數(shù)可以被表示為：

L=l1-l2

式中：l1為特征點(diǎn)沿圖像中目標(biāo)運(yùn)動(dòng)軌跡與外輪廓的左交點(diǎn)的距離；l2為特征點(diǎn)沿圖像中目標(biāo)運(yùn)動(dòng)軌跡與外輪廓的右交點(diǎn)的距離，如圖2所示。

圖2 行為參數(shù)的設(shè)定Fig.2 The setting of behavior parameters

目標(biāo)的運(yùn)動(dòng)軌跡由這一幀與上一幀衛(wèi)星特征點(diǎn)在圖像中的運(yùn)動(dòng)方向決定，因此，軌跡的準(zhǔn)確度取決于特征點(diǎn)跟蹤的精度。為了避免由于跟蹤算法失準(zhǔn)造成的誤差，通常選擇提取并跟蹤多個(gè)特征點(diǎn)，利用式(1)計(jì)算相應(yīng)的運(yùn)動(dòng)方向。

(1)

(2)

式中：kt為t時(shí)刻計(jì)算出的運(yùn)動(dòng)方向；m為非異常的特征點(diǎn)個(gè)數(shù)。

最終行為參數(shù)L定義為：

3.1 基于灰度歸一化的圖像預(yù)處理

太空中相機(jī)的成像需要合適的光照條件，以近地航天器為例，太陽(yáng)光作為主要的光照來(lái)源，對(duì)成像有著最大的影響,航天器姿態(tài)的不同、航天器與航天器之間的相對(duì)位置以及太陽(yáng)與航天器之間的相對(duì)位置都會(huì)使成像時(shí)太陽(yáng)的光照角度發(fā)生變化。

假設(shè)目標(biāo)衛(wèi)星為單一平面，目標(biāo)衛(wèi)星所在平面作為反射面，當(dāng)衛(wèi)星上的點(diǎn)入射光線來(lái)源于太陽(yáng)光照，認(rèn)為太陽(yáng)光照為該點(diǎn)的主要成像光源。實(shí)際場(chǎng)景中，目標(biāo)為三維構(gòu)體，并非單一平面，表面也存在一定的漫反射，根據(jù)這一情況將衛(wèi)星成像分為三種：主要太陽(yáng)光照區(qū)、部分太陽(yáng)光照區(qū)、非太陽(yáng)光照區(qū)。

在主要太陽(yáng)光照區(qū)，可認(rèn)為目標(biāo)成像全部的光源為太陽(yáng)光照，目標(biāo)整體成像亮度最大；部分太陽(yáng)光照區(qū)中，目標(biāo)被分為兩部分，一部分光源來(lái)自于太陽(yáng)光照，一部分來(lái)自于其他光源；非太陽(yáng)光照區(qū)中目標(biāo)成像光源主要來(lái)自其他光照，目標(biāo)整體成像暗弱。

由于圖像受光照影響，目標(biāo)成像不均勻，且整體亮度不一致，對(duì)后續(xù)的特征提取和識(shí)別存在一定的影響，需對(duì)圖像的整體進(jìn)行灰度均值方差變換歸一化，通過(guò)將不同光照條件下采集到的圖像轉(zhuǎn)換到同一灰度均值和方差的標(biāo)準(zhǔn)圖像，其轉(zhuǎn)換公式如下：

式中：I(i,j)、M、V分別表示歸一化前圖像的灰度值、均值、方差；N(i,j)、M0、V0分別表示歸一化后圖像的灰度值、均值、方差。

3.2 基于最小二乘匹配的特征點(diǎn)跟蹤

圖像特征點(diǎn)是單幅圖像中相對(duì)特殊、在序列圖像中能重復(fù)提取的圖像信息。為了使目標(biāo)的行為參數(shù)具有較大的變化范圍，特征點(diǎn)的選取應(yīng)盡量靠近衛(wèi)星本體輪廓的中心區(qū)域?？紤]到工程實(shí)際對(duì)實(shí)時(shí)性以及準(zhǔn)確性的要求，采用基于最小二乘的匹配算法[18]對(duì)特征點(diǎn)進(jìn)行高精度的跟蹤。

最小二乘算法實(shí)質(zhì)上是基于模板的匹配算法，當(dāng)初始模板和待匹配圖像之間存在灰度變化和幾何變形引起的誤差，即輻射畸變和幾何畸變時(shí)，首先要對(duì)圖像的幾何誤差進(jìn)行修正，使匹配窗口的點(diǎn)能一一對(duì)應(yīng)，再根據(jù)最小二乘法對(duì)圖像修正，使匹配窗口的對(duì)應(yīng)點(diǎn)的灰度誤差平方和達(dá)到最小。

在二維圖像中，幾何畸變包括相對(duì)位移和圖像變形，換算公式可表示為：

(3)

式中：(x,y)為模板圖像坐標(biāo)；(x′,y′)為搜索圖像坐標(biāo)；a0、b0為x、y方向的相對(duì)位移；a1、a2、b1、b2為x、y方向的畸變參數(shù)。

輻射畸變主要由于亮度變化引起，在圖像中體現(xiàn)為灰度值的偏差。只考慮線性輻射畸變，對(duì)應(yīng)兩點(diǎn)之間存在如下關(guān)系：

g1(x,y)+n1=

h0+h1g2(x,y)+g2(x,y)+n2

(4)

式中：g1(x,y)、g2(x,y)分別表示模板、待匹配圖像(x,y)處的灰度值；n1、n2分別表示對(duì)應(yīng)的灰度偶然誤差；h0、h1表示線性輻射畸變系數(shù)，h0+h1g2(x,y)表示線性輻射畸變大小。根據(jù)式(4)，可知誤差v為：

v=n2-n1=h0+h1g2-(g1-g2)

(5)

對(duì)于圖像中所有對(duì)應(yīng)像素點(diǎn)均存在式(5)，聯(lián)立所有誤差方程，根據(jù)最小二乘法，令誤差平方和最小，分別對(duì)h0、h1求偏導(dǎo)后可得：

對(duì)g1、g2進(jìn)行中心化處理，可得：

本文特征點(diǎn)跟蹤的具體流程如下：

1)對(duì)首幀圖像進(jìn)行二值化處理，計(jì)算連通域，選取連通域幾何中心為初始特征點(diǎn)，以特征點(diǎn)為中心，在原圖像上選取尺寸為5×5像素的窗口作為匹配窗；

2)對(duì)待匹配圖像進(jìn)行二值化處理，計(jì)算連通域，通過(guò)連通域所在位置確定待匹配圖像ROI區(qū)域；

3)進(jìn)行初匹配，在待匹配圖像ROI區(qū)域滑動(dòng)匹配窗口，求解相關(guān)系數(shù)，選取相關(guān)系數(shù)最大的窗口中心作為匹配初始位置；

4)根據(jù)下式計(jì)算初始幾何變形參數(shù)，并根據(jù)幾何變形參數(shù)通過(guò)式(3)進(jìn)行修正：

a0=x′-x，a1=1，a2=0

b0=y′-y，b1=0，b2=1

5)采用雙線性內(nèi)插法根據(jù)修正后的坐標(biāo)對(duì)待匹配圖像進(jìn)行重采樣，獲得對(duì)應(yīng)的灰度值；

6)根據(jù)重采樣的灰度進(jìn)行輻射畸變修正(初始值h0=0，h1=1)；

7)計(jì)算相關(guān)系數(shù)，當(dāng)相關(guān)系數(shù)比前一次小或者幾何變形系數(shù)小于閾值，停止迭代，轉(zhuǎn)步驟9，否則繼續(xù)進(jìn)行迭代計(jì)算，轉(zhuǎn)步驟8；

8)根據(jù)最小二乘匹配算法計(jì)算6個(gè)幾何畸變參數(shù)和2個(gè)輻射畸變參數(shù)，轉(zhuǎn)步驟5；

9)計(jì)算出最終匹配點(diǎn)。

3.3 基于分塊閾值的衛(wèi)星主體輪廓提取

衛(wèi)星主體部分在太空光照的影響下，不同位置的成像具有明顯的灰度差異，使得對(duì)目標(biāo)進(jìn)行圖像分割會(huì)缺失部分主體，給完整提取衛(wèi)星輪廓帶來(lái)了一定的難度。為了保證算法的穩(wěn)定性和適應(yīng)性，采用基于分塊閾值的分割方法來(lái)對(duì)目標(biāo)主體部分進(jìn)行輪廓提取。特征點(diǎn)的提取跟蹤能提供圖像主體所在位置的先驗(yàn)信息，為分塊閾值各個(gè)部分提供衛(wèi)星主體所在的大致位置。進(jìn)行分塊后，各個(gè)塊的灰度相對(duì)較均勻，通過(guò)Ostu法[19]進(jìn)行閾值計(jì)算，能獲得相對(duì)可靠的閾值。

當(dāng)圖像分為若干小塊后，有的區(qū)域存在只有背景或者只有目標(biāo)的情況，這一類特殊塊需要額外區(qū)分，不進(jìn)行分割操作，針對(duì)特殊塊的區(qū)分方法是分別計(jì)算背景和前景的平均灰度，通過(guò)背景和前景的差值來(lái)進(jìn)行判斷，其公式如下所示：

式中：Δm為前景與背景之間的平均灰度差；I1(i,j)、I2(i,j)分別為前景、背景所在位置的灰度值；C1、C2分別為前景、背景所占像素?cái)?shù)量。當(dāng)圖像中只存在背景和目標(biāo)時(shí)，背景和前景之間的平均灰度差較小，且由于太空環(huán)境的特殊性，背景的灰度值比較低，這一特性也為分割提供了可靠的先驗(yàn)。

基于分塊閾值的衛(wèi)星主體輪廓提取算法如下：

1)將圖像分割成若干小塊，通過(guò)Ostu法計(jì)算每個(gè)小塊對(duì)應(yīng)的分割閾值；

2)根據(jù)分割閾值計(jì)算各塊前景與背景之間的平均灰度差，剔除平均灰度差較小的塊；

3)根據(jù)分割閾值對(duì)各個(gè)小塊的圖像進(jìn)行分割；

4)對(duì)已分割的圖像進(jìn)行整體統(tǒng)合，進(jìn)行連通域判斷。

5)填充孔洞，取最大連通域作為目標(biāo)衛(wèi)星主體部分，通過(guò)梯度計(jì)算獲取衛(wèi)星主體部分的輪廓。

4 目標(biāo)行為辨識(shí)

根據(jù)目標(biāo)衛(wèi)星偵察行為在姿態(tài)上的特性建立相應(yīng)的辨識(shí)準(zhǔn)則，如圖3所示。利用當(dāng)前幀與前一幀中特征點(diǎn)在圖像中的坐標(biāo)計(jì)算出目標(biāo)在圖像中運(yùn)動(dòng)速度與方向，確定運(yùn)動(dòng)軌跡。l1為特征點(diǎn)沿目標(biāo)運(yùn)動(dòng)方向與外輪廓的左交點(diǎn)在投影平面的距離，l2為特征點(diǎn)沿目標(biāo)運(yùn)動(dòng)方向與外輪廓的右交點(diǎn)在投影平面的距離。從圖3中可以看出，當(dāng)目標(biāo)存在偵察行為時(shí)，l1、l2基本保持不變；當(dāng)目標(biāo)沿圖中軌跡運(yùn)行，且姿態(tài)保持不變時(shí)，l2基本保持不變，而l1隨著目標(biāo)位置的變化而增大。根據(jù)行為參數(shù)L=l1-l2可以對(duì)目標(biāo)行為姿態(tài)進(jìn)行辨識(shí)，當(dāng)行為參數(shù)L基本保持不變時(shí)，目標(biāo)存在偵察行為，當(dāng)L逐漸變化時(shí)，目標(biāo)屬于正常運(yùn)行狀態(tài)。

圖3 不同行為下目標(biāo)在圖像中的特征Fig.3 The characteristics of target in images with different behaviors

目標(biāo)行為辨識(shí)的具體流程如下：

1)當(dāng)發(fā)現(xiàn)有臨近目標(biāo)時(shí)，自身衛(wèi)星上的相機(jī)先指向目標(biāo)，讓目標(biāo)處于圖像中的邊緣，并保持衛(wèi)星姿態(tài)，拍攝目標(biāo)從一側(cè)邊緣到另一側(cè)邊緣的序列圖；

2)根據(jù)特征點(diǎn)P的位置變化計(jì)算衛(wèi)星的運(yùn)動(dòng)軌跡；

3)計(jì)算衛(wèi)星運(yùn)動(dòng)軌跡在特征點(diǎn)P處的斜率k，以斜率k和特征點(diǎn)P的圖像位置建立直線方程；

4)求解直線方程與衛(wèi)星輪廓的交點(diǎn)s1,s2；

5)求解特征點(diǎn)P分別到交點(diǎn)s1，s2的距離l1，l2；

6)計(jì)算行為參數(shù)L=l1-l2，根據(jù)行為參數(shù)的變化判斷目標(biāo)是否存在偵察行為。

5 仿真校驗(yàn)

試驗(yàn)采用BASLER系列acA1440-220uc的相機(jī)，型號(hào)為FL-CC0614A-2M的鏡頭，北斗導(dǎo)航衛(wèi)星模型一個(gè)，650 nm點(diǎn)狀光斑激光器一臺(tái)。

5.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)分別針對(duì)特征點(diǎn)跟蹤、輪廓提取和算法辨識(shí)的有效性進(jìn)行。試驗(yàn)分為兩部分，第一部分針對(duì)不同光照條件下特征參數(shù)構(gòu)建，評(píng)估光照對(duì)圖像處理方法和特征參數(shù)計(jì)算的影響。第二部分通過(guò)模擬偵察衛(wèi)星和非偵察衛(wèi)星的運(yùn)行狀態(tài)，計(jì)算特征參數(shù)，對(duì)兩種狀態(tài)進(jìn)行辨識(shí)。

試驗(yàn)1：固定相機(jī)和衛(wèi)星模型，調(diào)整光源條件，使目標(biāo)衛(wèi)星成像處于整體暗弱、亮度不均勻、整體明亮3種狀態(tài)，分別對(duì)應(yīng)非光照區(qū)、部分光照區(qū)和完全光照區(qū)3種情況，模擬太空中成像存在的亮度不一和圖像灰度不均勻的情況。

試驗(yàn)2：固定拍攝相機(jī)不動(dòng)，考慮到相機(jī)視場(chǎng)角約為20°，相機(jī)的成像尺寸為1 440×1 080像素，鏡頭焦距為6 mm，假定太空中偵察衛(wèi)星觀測(cè)距離為10～30 km，根據(jù)目標(biāo)大小不同和距離遠(yuǎn)近不一，成像大小在200×200像素到600×600像素之間，衛(wèi)星模型主體大小為50 mm×70 mm。為了保證圖像處理效果接近，令目標(biāo)成像大小約為250×350像素，此時(shí)成像距離約5.2 m。試驗(yàn)以5.2 m為半徑，選取2組20°的范圍，如圖4所示。每組試驗(yàn)中，近似等間距布置8個(gè)運(yùn)動(dòng)點(diǎn)，以模擬目標(biāo)衛(wèi)星繞飛的圓軌道。在這8個(gè)點(diǎn)分別調(diào)整衛(wèi)星姿態(tài)，模擬衛(wèi)星正常運(yùn)行和衛(wèi)星偵察兩種狀態(tài)，具體如下：

1)當(dāng)模擬目標(biāo)衛(wèi)星正常運(yùn)行時(shí)，保持衛(wèi)星姿態(tài)不變，使其沿設(shè)定軌跡依次經(jīng)過(guò)8個(gè)運(yùn)動(dòng)點(diǎn)，并用相機(jī)拍攝衛(wèi)星處于這8個(gè)位置的圖像。

2)當(dāng)模擬目標(biāo)衛(wèi)星存在偵察行為時(shí)，使其沿設(shè)定軌跡依次經(jīng)過(guò)8個(gè)運(yùn)動(dòng)點(diǎn)。通過(guò)調(diào)整衛(wèi)星的姿態(tài)，保證與其固定連接的激光器所發(fā)出的激光點(diǎn)出現(xiàn)在預(yù)設(shè)定的十字標(biāo)志絲中心處，以此確保衛(wèi)星視線始終指向被偵察方向。在每個(gè)運(yùn)動(dòng)點(diǎn)處調(diào)整完姿態(tài)后，取下激光器并進(jìn)行拍攝。

圖4 試驗(yàn)場(chǎng)景Fig.4 The experimental scene

5.2 辨識(shí)結(jié)果

為了使結(jié)果顯示更加清晰，截取以目標(biāo)主體為中心的300×450像素區(qū)域，不同光照條件下目標(biāo)的成像如圖5所示。

圖5 不同光照條件下目標(biāo)成像結(jié)果對(duì)比Fig.5 Comparison of target imaging results under different light conditions

經(jīng)過(guò)灰度歸一化后，結(jié)果顯示如圖6所示。如圖5、圖6所示，雖然目標(biāo)的灰度還存在一定的差距，但經(jīng)過(guò)歸一化后，不同光照條件圖像灰度有了明顯的調(diào)整，灰度更為相似。針對(duì)歸一化處理后的圖像進(jìn)行特征點(diǎn)提取和圖像分割，特征點(diǎn)和圖像分割結(jié)果如圖7、圖8所示。

在經(jīng)過(guò)預(yù)處理后，圖像4個(gè)特征點(diǎn)提取的平均誤差在一個(gè)像素以內(nèi)，而圖像分割在不同光照條件下均能較好地提取目標(biāo)主體結(jié)構(gòu)，且結(jié)果基本一致。

圖6 不同光照條件下灰度歸一化圖像Fig.6 Comparison of grayscale normalized image under different light conditions

圖7 不同光照條件下特征點(diǎn)提取結(jié)果對(duì)比Fig.7 Comparison of feature point extracted image under different light conditions

圖8 不同光照條件下目標(biāo)主體分割結(jié)果對(duì)比Fig.8 Comparison of target contour segmented image under different light conditions

分別對(duì)2組試驗(yàn)中拍攝的4組序列圖進(jìn)行特征點(diǎn)的跟蹤，結(jié)果如圖9所示。在圖像存在幾何畸變的情況下，最小二乘算法仍然可以很好地定位到特征點(diǎn)。跟蹤結(jié)果的平均誤差為0.63個(gè)像素，其對(duì)行為參數(shù)的影響較小，因此誤差處于可接受范圍之內(nèi)。

圖9 特征點(diǎn)跟蹤結(jié)果Fig.9 The results of feature point tracking

根據(jù)第4章提出的行為辨識(shí)流程，分別計(jì)算4組圖中的衛(wèi)星運(yùn)動(dòng)軌跡和行為參數(shù)。為了體現(xiàn)行為參數(shù)的變化，將初始時(shí)刻的行為參數(shù)置為0，其他時(shí)候轉(zhuǎn)為與初始時(shí)刻的差值。針對(duì)2組試驗(yàn)的行為參數(shù)變化進(jìn)行詳細(xì)說(shuō)明，如圖10所示。當(dāng)臨近目標(biāo)存在偵察行為時(shí)，由于其視線一直指向被偵察方向，因此在圖像中其行為參數(shù)在觀測(cè)時(shí)間內(nèi)變化極小，如圖中的Investigation標(biāo)注直線所示；而正常運(yùn)行的目標(biāo)，其姿態(tài)在較短時(shí)間內(nèi)的變化極小，但由于相機(jī)成像特性，特征點(diǎn)到兩側(cè)的距離會(huì)愈發(fā)不對(duì)稱，而呈現(xiàn)在行為參數(shù)上的變化就是絕對(duì)值具有明顯的增大趨勢(shì)，如圖中No investigation標(biāo)注直線所示。

圖10 行為辨識(shí)結(jié)果Fig.10 The results of behavior identification

6 結(jié)論

本文提出了一種基于視覺(jué)特性的臨近衛(wèi)星偵察行為辨識(shí)方法，通過(guò)行為參數(shù)的變化來(lái)確定目標(biāo)的視線指向。經(jīng)試驗(yàn)仿真驗(yàn)證，該方法可以實(shí)時(shí)對(duì)臨近目標(biāo)的偵察行為進(jìn)行辨識(shí)，為后續(xù)決策提供可靠的判斷信息。但該方法僅適用于對(duì)天偵察，且存在一定姿態(tài)變化的偵察衛(wèi)星，對(duì)于對(duì)地偵察和姿態(tài)不發(fā)生變化的偵察衛(wèi)星難以進(jìn)行有效判斷，后續(xù)將針對(duì)非合作空間目標(biāo)的關(guān)鍵部位的尺寸測(cè)量與重建展開(kāi)工作，針對(duì)目標(biāo)載荷變化進(jìn)行觀測(cè)識(shí)別。