韓璐瑤 譚嬋 劉云猛 宋銳*

在軌實時空間目標檢測算法研究

韓璐瑤1譚嬋2劉云猛2宋銳*1

（1 綜合業(yè)務網(wǎng)理論及關鍵技術國家重點實驗室，西安電子科技大學，西安 710071）（2 中國科學院上海技術物理研究所，上海 200083）

空間目標監(jiān)視是保證空間活動正常運行的重要前提，利用光學設備進行光電探測是空間目標監(jiān)視的重要手段之一。在天文光電深空圖像序列中，恒星目標和空間目標成像特性相似，對目標檢測產(chǎn)生干擾，因此實時穩(wěn)健地進行空間目標檢測有著很大的難度。文章對天文光電圖像目標成像的規(guī)律進行了分析研究，提出一種基于幀間匹配的目標檢測算法：首先通過形態(tài)學操作進行圖像預處理，再通過幀間匹配提取特征，進而檢測空間目標。FPGA與DSP硬件平臺下的圖像數(shù)據(jù)測試結果顯示，該算法對不同工況均具有良好的檢測概率和較低的虛警概率，圖像處理速度可達5幀/s，具備有效性和實時性，適用于深空背景下天文光電探測系統(tǒng)對空間目標的實時檢測需求。

目標檢測 形態(tài)學 實時圖像處理 可見光圖像 空間遙感

0 引言

空間目標監(jiān)視是對空間目標進行探測和跟蹤的過程[1]，對于避免空間碰撞、維護空間環(huán)境的安全有著重要意義。利用光學設備進行探測以及星上信息處理[2]，要求目標檢測的精度高、虛警概率低、檢測速度快?？臻g目標的光電成像特征與深空背景有著明顯的差異，但由于觀測相機與目標距離遠，且觀測相機視場大，導致視場內出現(xiàn)多顆恒星，恒星的光電成像特征與目標相似，呈現(xiàn)弱、小的特征，會干擾對目標的檢測。

為解決這一問題，國內外研究學者針對深空背景中成像的特性，提出了一系列性能優(yōu)異的算法，主要有：1）在時域的角度利用多幀圖像的投影關系進行檢測的差分圖像法[3-5]和多幀圖像累加法[6-7]。這兩種方法利用了空間目標運動軌跡明顯、恒星運動緩慢的特征，然而當探測器移動時，恒星會產(chǎn)生位移，會給算法帶來很大的誤差。2）利用星圖背景的確定性，基于參考星來檢測運動目標[8-9]的三角形法[10]、多邊形匹配法[11]以及柵格算法[12]等。這類方法對背景噪聲大的場景適用性不好。3）利用目標運動軌跡的連續(xù)性特征來進行檢測的光流法[13-17]。因其實效性不好，不適于天基系統(tǒng)實時的目標監(jiān)視。

針對深空背景下的光電成像特點，本文分析了恒星與目標在圖像序列中的特征，提取差異性，實現(xiàn)對目標和恒星的檢測；通過圖像序列的幀間匹配，分別建立目標與恒星的運動軌跡；最終根據(jù)軌跡的特異性特征，完成目標的檢測與跟蹤；最后，根據(jù)實測數(shù)據(jù)在特定硬件平臺中的測試結果，驗證了算法的準確性和實時性。

1 光電成像特征分析

在大視場的天文光電圖像中，搭載在空間飛行器上的CCD相機目標呈現(xiàn)亮度低、面積小的星點特征。星點的運動軌跡如圖1所示。

圖1 星點運動軌跡

分析其成像特征和運動軌跡有以下特點：1）目標只占少量像素，呈現(xiàn)點目標的狀態(tài)，成像具有“弱”、“小”等特征[18-19]，且不具有細節(jié)與紋理。2）成像背景中有大量恒星，恒星的成像特征與目標相似甚至一致，必須依靠多幀圖像才能區(qū)分目標。3）恒星距離相機較遠，其運動速度與方向基本取決于相機的運動狀態(tài)，眾多恒星擁有相同的運動特征。4）目標與相機的距離相對恒星與相機的距離來說較近，其運動速度與方向不僅取決于相機的運動狀態(tài)，還取決于與目標的距離和目標本身的運動狀態(tài)。5）恒星以及目標的運動方向呈直線形，且在間隔相同幀數(shù)時，其運動距離也近似相同。6）目標運動在不同軌道時的運動狀態(tài)不同，在高軌狀態(tài)下，目標運動緩慢，與恒星的速度相近，但運動方向會有不同；在低軌狀態(tài)下，目標運動快速，會明顯大于恒星的運動速度。7）與目標相距50km以內時，開始呈現(xiàn)面目標的狀態(tài)；且因為近大遠小的特點，會呈現(xiàn)不同的大小形態(tài)。

因為恒星目標和空間目標在形態(tài)上的相似性，對空間目標的檢測提出了更高的要求。由于目標的運動狀態(tài)不可控，可能存在被遮擋甚至丟失的情況，這些特殊狀態(tài)的處理對目標檢測的準確度、目標質心定位的準確度有著重要的影響。

觀察空間飛行器上實際搭載的CCD相機所獲取的視頻序列，可以發(fā)現(xiàn)圖像由深色背景、目標、恒星三部分組成，特殊情況下會存在月亮。恒星均呈現(xiàn)點目標的狀態(tài)，大小約為3×3個像素，灰度值分布呈現(xiàn)中間高、四周低的特點；目標在視野中有0～1顆，在遠距離時呈現(xiàn)點目標的狀態(tài)，大小約為3×3個像素，在近距離時呈現(xiàn)面目標的狀態(tài)，大小可能至50×50個像素，灰度值分布呈現(xiàn)中間高、四周低的特點；月亮因為距離較近，大小可能達200×200像素以上，呈現(xiàn)面目標的狀態(tài)。在時間域上對目標、恒星和月亮的運動狀態(tài)進行分析，可以發(fā)現(xiàn)恒星均做勻速直線運動，運動方向與速度取決于空間飛行器的運動狀態(tài)，因此恒星和月亮具有一致的運動方向和速度，每幀移動不到1像素。目標的運動狀態(tài)未知，其運動方向與恒星運動方向不一致，每幀移動像素低至1像素，高至50像素。綜合分析恒星和目標的運動狀態(tài)，發(fā)現(xiàn)恒星的運動軌跡一致且不會互相重合，目標由于運動狀態(tài)不同會呈現(xiàn)一條特殊的運動軌跡。因此，對運動軌跡進行計算與分析是本算法進行目標檢測的重要前提。

2 實時目標檢測算法

分析空間目標和恒星在成像特征和運動軌跡方面的差異，設計實現(xiàn)一個基于幀間匹配的實時空間目標檢測算法，流程如圖2所示。

圖2 實時空間目標檢測算法流程

首先對圖像進行形態(tài)學處理，得到所有星點的基本位置；進而從基本位置開始計算得出所有星點的靜態(tài)特征，包括大小和均值亮度；再通過幀間的星點匹配，得到星點的動態(tài)特征，包括運動方向與運動速度；利用目標與眾多恒星的特征不同，給所有星點賦予為目標的概率值；積累一定序列后，尋找擁有最大概率的星點為空間目標，并輸出結果。

2.1 形態(tài)學處理

為了分別獲得目標和恒星的運動軌跡，首先要從圖像中提取其位置，并用特定的特征描述記錄?？蓪D像有效信息分為深空背景與星點兩部分，此處采用二值化、形態(tài)學處理的方法進行星點的提取。

二值化的目的是將灰度圖像轉換為二值化圖像A。設定閾值，圖像中灰度值大于該閾值則置為1，否則置為0。

形態(tài)學處理的目的是將視場內存在的所有星點從深空背景中提取出來，每一個星點表示為一個連通分量。形態(tài)學操作為了提取多個連通分量[20]，采用先膨脹后腐蝕的流程。

結構元素的選取對于形態(tài)學的效率和結果有著很大的影響。膨脹的目的是“增長”或“粗化”二值圖像中的有效物體，此時的有效物體即視場內的所有星點。但“增長”的方式與“粗化”的寬度是由選擇的結構元素來控制的，需要根據(jù)膨脹的具體目的來決定。膨脹的目的是提取每一個星點在圖像中的位置，這就包括了坐標與大??；與此同時，也希望每一個可視星點是獨立的。因此理想的膨脹效果是每一個星點都由不規(guī)則成像變成最小外接矩形。

采用的膨脹模板如圖3所示。

圖3 膨脹結構元素

圖3中結構元素B1、B2、B3、B4、B5、B6陰影部分表示為0，空白部分表示1，以結構元素左下角作為準心，讓結構元素遍歷整幅二值化圖像A，并進行卷積運算，如果結構元素中任意一個完全被A包含了，則將該位置標記為新集合的成員（如圖4表示）；如果沒有被包含，則將該位置標記為非新集合的成員（即不變）。

圖4 修改結果

在圖像卷積運算過程中，修改結果在圖像A中實時更新，下一步的卷積運算在更新后的圖像A上運行。因此，對圖像的遍歷順序也會影響膨脹的結果，此處選擇圖像的遍歷方向為從上到下、從左到右。圖5顯示了二值圖像按照此方式膨脹的結果。

圖5 膨脹示意

膨脹后，每個星點都是一個比較規(guī)則的連通分量，其右下角是矩形。腐蝕的操作則可以把二值化圖像中的物體進行縮小或“細化”。此時的目的是把每一個矩形變成一個像素點，這樣在遍歷圖像一次之后，圖中有效點的個數(shù)就是視場內星點的個數(shù)。為了實現(xiàn)這個腐蝕操作，選取如圖6所示的3×3像素的結構元素。

圖6 腐蝕結構元素

圖6中，白色部分表示為1，陰影部分表示為0。以中心為準心，在圖像上進行卷積運算，如果結構元素與圖像A不一致，則把此結構元素覆蓋的地方置為0，否則圖像不變。腐蝕的結果會實時對圖像A產(chǎn)生修改，并對下一次的卷積運算產(chǎn)生影響。圖像的遍歷順序會對腐蝕結果有影響，其方向一般選取和膨脹方向一致。本算法選擇遍歷順序為從上到下、從左到右。

形態(tài)學操作后，全圖得到多個孤立的像素點，每一個代表了一個星點，這是對星點位置的初始判斷。在腐蝕圖像的基礎上進行全圖掃描，即可得出所有星點的外接矩形的右下角坐標。

2.2 特征提取

根據(jù)深空圖像的成像特點，分別描述星點的靜態(tài)特征和動態(tài)特征：靜態(tài)特征描述包括大小和均值亮度；動態(tài)特征描述為運動矢量，由運動方向和運動速度組成。本章節(jié)將在形態(tài)學計算結果的基礎上進行靜態(tài)特征的提取。

對星點大小的描述可以通過外接矩形的高度和寬度完成。計算思路為從每一個星點的右下角坐標出發(fā)，根據(jù)膨脹圖像的連通性，向左向上尋找至像素值為0的點，作為外接矩形的左上角位置，具體思路如圖7所示。具體步驟為：

4）根據(jù)右下角坐標和左上角坐標進行高度、寬度和大小的計算。計算公式為

對星點亮度的描述通過均值亮度完成。遍歷星點外接矩形內所有像素，對二值圖像中非零點的灰度值進行統(tǒng)計，然后計算均值，公式為

圖7 計算思路示意

考慮到月亮在視場中的運動狀態(tài)與恒星一致，但兩者大小具有顯著差別。為了防止在目標檢測時把月亮誤判成目標，并降低虛警概率，可在此階段對于月亮進行判別并標記，后續(xù)算法忽略月亮即可。

此部分算法在消除背景噪聲、處理相機壞點方面作用顯著。該階段對所有的星點、噪點、壞點均計算了高度與寬度，對于孤立的壞點或者椒鹽噪聲，多數(shù)情況下會表現(xiàn)出孤立的亮點，其高度與寬度均為1，因此可通過高度或寬度達不到有效閾值來進行濾除。

2.3 幀間匹配

對星點動態(tài)特征的描述需要借助相鄰兩幀圖像完成。

根據(jù)恒星運動速度緩慢的特點，在前后幀中恒星的位置變化小于1像素，因此很容易根據(jù)前幀圖像中恒星星點的位置確定其在后幀圖像中的大概位置。所以，首先以前幀圖像為基礎，尋找距離前幀圖像中星點歐氏距離最小的后幀圖像中的星點；然后以后幀圖像為基礎，尋找距離后幀圖像中星點歐氏距離最小的前幀圖像的星點。在此階段，除兩種異常情況外，均會達成一對一的匹配。兩種異常情況如下：

1）恒星在前幀中出現(xiàn)，后幀因為恒星移動消失在視場中。具體表現(xiàn)為后幀圖像的恒星星點數(shù)少于前幀的恒星星點數(shù)，在匹配時，前幀圖像的2顆星點均會匹配到后幀圖像的1顆星點。因此，匹配不成功。

2）恒星在前幀中未出現(xiàn)，后幀因為恒星移動出現(xiàn)在視場中。具體表現(xiàn)為前幀圖像的恒星星點數(shù)少于后幀的恒星星點數(shù)，在匹配時，后幀圖像的2顆星點均會匹配到前幀圖像的1顆星點。因此，匹配不成功。

算法需要對以上兩種情況進行判斷，并完成相應的處理。判斷方式即計算匹配不成功的星點與圖像邊界的距離，當小于一定閾值時，即可認為其是一個邊界點。

然而，目標的運動速度是未知的，由其運動軌道決定。當目標的空間位置與空間飛行器距離較遠時，在圖像序列中顯現(xiàn)的運動速度較慢，幀間匹配情況與恒星星點的匹配情況類似。若目標的空間位置與空間飛行器距離較近，在圖像序列中顯現(xiàn)出較快的運動速度；或者目標的運行軌跡與恒星的運行軌跡在某一幀中發(fā)生重合，此時也無法造成確定的匹配，會出現(xiàn)前幀1顆星點匹配到后幀2顆星點，或者前幀2顆星點匹配到后幀1顆星點的情況。對此情況的辨別是幀間匹配中的難點。根據(jù)恒星和目標運動的連續(xù)性和規(guī)則性，以及其形態(tài)（包括大小和亮度）變化的連續(xù)性，可以確定無論是恒星還是目標，其靜態(tài)特征和動態(tài)特征在短時間內具有穩(wěn)定性，因此可以通過相似性度量篩選出確定的匹配對。

綜上分析，為了對星點的大小、亮度、運動矢量（可以分為運動方向和運動速度）進行統(tǒng)一的比較，需要首先確定這四個特征進行相似性度量時的權重，分析過程如下：

1） 形狀作為依據(jù)。因為恒星的大小表現(xiàn)基本一致，目標的大小可能與恒星一致，但也可能會明顯大于恒星，因此形狀可以作為目標檢測的依據(jù)，但權重不宜過高。

2） 亮度作為依據(jù)。因為深空環(huán)境的復雜性以及CCD相機成像的特點，亮度的權重應設為最低。

3） 運動矢量作為依據(jù)。由于目標與恒星在運動狀態(tài)上明顯不同，這是能夠區(qū)分兩者最有效的方法；同時，恒星在圖像序列中的位置改變是由相機的移動引起的，因此恒星的運動狀態(tài)幾乎一致，這也使得目標的運動狀態(tài)尤為突出，因此權重可設為最高。運動方向與運動速度的權重可以根據(jù)不同工況來設置，考慮到高軌工況目標運動緩慢，極有可能僅運動方向不同，因此運動方向的權重設為最高；而低軌工況目標運動速度較快，因此運動速度的權重設為最高。

記星點大小的權重為s，星點亮度的權重為L，星點運動方向的權重為O，星點運動速度的權重為W。各權重間的關系為

最后，對2顆星點的大小、亮度、運動矢量特征與1顆星點的大小、亮度、運動矢量特征均進行差值計算，比較2個差值的大小，選擇較小的那顆星點作為正確匹配星點。

圖8 星點運動示意

Fig.8 Star motion diagram

通過綜合星點1在方向和方向的距離，即可得到其運動速度1，計算公式為

2.4 概率積累

前幀圖像與后幀圖像的星點達到一一匹配后，便獲得了所有星點的特征描述，包括靜態(tài)特征和動態(tài)特征。進而需要對特征進行差異值的提取，即尋找特征描述與其他星點差異性最大的星點。特征從四個方面進行描述，分別是大小、亮度、運動方向和運動速度。以星點大小為例，需要量化每個星點與其他星點在大小上的差異程度，量化方式如下：

1） 對所有星點的大小進行統(tǒng)計，計算星點大小均值，公式為

據(jù)此，可以獲得每個星點在亮度、運動方向和運動速度等特征維度的歸一化偏差值。

對目標的檢測是從4個維度計算的綜合結果，因此按照幀間匹配階段對特征權重的規(guī)定進行該星點為目標的概率計算，即

每幀圖像均會計算星點為目標的概率值，并且根據(jù)圖像序列進行累加?？臻g目標因為其特征的差異性，計算得到的概率值會大于其他星點；通過幀數(shù)的累加，某一星點的概率會逐漸增大，與恒星的概率值的差距也會越來越大。圖9所示的概率累積結果可以清晰的展示這一規(guī)律。

圖9 概率累積結果

當某一概率值均達到這兩個條件時，即可判斷為找到了目標。

3 試驗結果

為了驗證算法的有效性和實時性，采用大量通過模擬生成的圖像數(shù)據(jù)進行驗證測試。每幀圖像大小為1 024×1 024像素，位數(shù)為8bit，全部圖像序列的幀數(shù)為100幀。為了驗證此算法在不同工況下的適用性，對目標運行在低軌、高軌，以及月亮出現(xiàn)在視場內等三種工況分別運行算法。三種工況下，目標、恒星以及月亮在圖像序列中的具體情況如表1所示。

表1 不同工況下的星點呈現(xiàn)情況

對于三種工況的檢測概率和虛警概率進行統(tǒng)計，結果如表2所示。

表2 目標檢測結果

可以看出，此目標檢測算法在三種工況下均具有良好的檢測概率和較低的虛警概率。其中，低軌工況下算法的適用性最好。算法可以在避免虛警的前提下，對空間目標準確檢測。

實時性是目標檢測算法的另一重要指標，若結果產(chǎn)生滯后會影響目標檢測系統(tǒng)的正常使用。為了驗證此算法的實時性，選擇具有FPGA和DSP（主頻為150MHz，外接16Mbyte的存儲芯片）的圖像處理硬件系統(tǒng)。為達到更快的處理速度，考慮到FPGA適用于流式的計算密集型任務，一些涉及形態(tài)學處理圖像的操作在FPGA中進行，其余操作在DSP中進行。圖像大小為1 024×1 024像素時，該圖像處理系統(tǒng)的處理速度可達5幀/s。由于算法避開了對圖像的大數(shù)據(jù)量操作，處理更高分辨率的圖像也不會增加計算量，因此算法可以滿足大視場、高幀頻、高分辨率的天文光電探測系統(tǒng)的實時目標檢測要求。

4 結束語

本算法適用于實時的天文光電探測系統(tǒng)，用以實時檢測空間目標的位置。首先通過形態(tài)學的處理，提取出目標以及恒星星點的位置，并提取出所有星點的靜態(tài)特征，可以對背景噪聲和壞點進行有效抑制；依據(jù)恒星和目標運動的連續(xù)性和穩(wěn)定性，通過幀間的星點匹配，完成星點動態(tài)特征的提?。蛔詈笸ㄟ^目標運動的奇異性，對特征進行綜合判斷，避免了恒星星點在目標檢測階段的干擾，尋找出特定目標，在保證虛警概率的前提下提高了檢測概率。通過FPGA與DSP的圖像處理系統(tǒng)進行數(shù)據(jù)驗證，表明算法可以對恒星和目標進行實時檢測，并計算得出準確度高的目標檢測結果。

[1] 湯澤瀅, 黃賢鋒, 蔡宗寶. 國外天基空間目標監(jiān)視系統(tǒng)發(fā)展現(xiàn)狀與啟示[J]. 航天電子對抗, 2015, 31(2): 24-26, 30.

TANG Zeying, HUANG Xianfeng, CAI Zongbao. Development Status and Enlightenment of Foreign Space-based Space Target Surveillance Systems[J]. Aerospace Electronic Warfare, 2015, 31(2): 24-26, 30. (in Chinese)

[2] 喬凱, 智喜洋, 王達偉, 等. 星上智能信息處理技術發(fā)展趨勢分析與若干思考[J]. 航天返回與遙感, 2021, 42(1): 21-27.

QIAO Kai, ZHI Xiyang, WANG Dawei, et al. Analysis and Some Thoughts on the Development Trend of the On-board Intelligent Information Processing Technology[J]. Spacecraft Recovery & Remote Sensing, 2021, 42(1): 21-27. (in Chinese)

[3] JAIN R, NAGEL H H. On the Analysis of Accumulative Difference Pictures from Image Sequences of Real World Scenes[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 1979, 1(2): 206-214.

[4] 張磊, 史金飛, 羅翔. 運動目標檢測的差分圖像法分析研究[J]. 工業(yè)儀表與自動化裝置, 2007(3): 7-11, 48.

ZHANG Lei, SHI Jinfei, LUO Xiang. Analysis and Research of Differential Image Method for Moving Target Detection[J]. Industrial Instrumentation and Automation, 2007(3): 7-11, 48. (in Chinese)

[5] 楊嘉琪, 韓曉紅. 基于自適應混合高斯的改進三幀差分算法[J]. 計算機工程與設計, 2021, 42(6): 1699-1705.

YANG Jiaqi, HAN Xiaohong. Improved Three-frame Difference Algorithm Based on Adaptive Gaussian Mixture[J]. Computer Engineering and Design, 2021, 42(6): 1699-1705. (in Chinese)

[6] LIPTON A J, FULIYOSHI H, PATIL R S. Moving Target Classification and Tracking from Real-time Video[C]//Proceedings of the 4th IEEE Workshop on Applications of Computer Vision (WACV'98), Oct. 19-21, 1998, Princeton, New Jersey. [S.l.]: IEEE, 1998: 8-14.

[7] 李剛, 邱尚斌, 林凌, 等. 基于背景差法和幀間差法的運動目標檢測方法[J]. 儀器儀表學報, 2006(8): 961-964.

LI Gang, QIU Shangbin, LIN Ling, et al. Moving Target Detection Method Based on Background Difference Method and Frame Difference Method[J]. Chinese Journal of Scientific Instrument, 2006(8): 961-964. (in Chinese)

[8] 程軍, 張偉, 叢明煜, 等. 基于星圖識別的空間目標檢測算法研究[J]. 光學技術, 2010, 36(3): 439-444.

CHENG Jun, ZHANG Wei, CONG Mingyu, et al. Research on Space Target Detection Algorithm Based on Star Pattern Recognition[J]. Optical Technique, 2010, 36(3): 439-444. (in Chinese)

[9] 王敏. 復雜背景下的空間目標自動識別技術[D]. 北京: 中國科學院大學, 2017.

WANG Min. Automatic Recognition Technology of Space Targets under Complex Background[D]. Beijing: University of Chinese Academy of Sciences, 2017. (in Chinese)

[10] 宿德志. 一種快速穩(wěn)定的星圖識別方法及單星模擬器的調校[D]. 長沙: 國防科學技術大學, 2010.

SU Dezhi. A Fast and Stable Star Pattern Recognition Method and Adjustment of the Single-star Simulator[D]. Changsha: National University of Defense Technology, 2010. (in Chinese)

[11] 王波. CMOS星敏感器星圖識別方法研究[D]. 武漢: 華中科技大學, 2004.

WANG Bo. Research on CMOS Star Sensor Star Map Recognition Method[D].Wuhan: Huazhong University of Science and Technology, 2004. (in Chinese)

[12] PADGETT C, KREUTZ-DELGADO K, UDOMKESMALEE S. Evaluation of Star Identification Techniques[J]. Journal of Guidance Control & Dynamics, 2012, 20(2): 259-267.

[13] FUJITA K, HANADA T, KITAZAWA Y, et al. A Debris Image Tracking Using Optical Flow Algorithm[J]. Advances in Space Research, 2012, 49(5): 1007-1018.

[14] 裴巧娜. 基于光流法的運動目標檢測與跟蹤技術[D]. 北京: 北方工業(yè)大學, 2009.

PEI Qiaona. Moving Target Detection and Tracking Technology Based on Optical Flow Method[D]. Beijing: North China University of Technology, 2009. (in Chinese)

[15] 袁國武, 陳志強, 龔健, 等. 一種結合光流法與三幀差分法的運動目標檢測算法[J]. 小型微型計算機系統(tǒng), 2013, 34(3): 668-671.

YUAN Guowu, CHEN Zhiqiang, GONG Jian, et al. A Moving Target Detection Algorithm Combining Optical Flow Method and Three-frame Difference Method[J]. Small Microcomputer System, 2013, 34(3): 668-671. (in Chinese)

[16] 楊葉梅. 基于改進光流法的運動目標檢測[J]. 計算機與數(shù)字工程, 2011, 39(9): 108-110, 160.

YANG Yemei. Moving Target Detection Based on Improved Optical Flow Method[J]. Computer and Digital Engineering, 2011, 39(9): 108-110, 160. (in Chinese)

[17] 李成美, 白宏陽, 郭宏偉, 等. 一種改進光流法的運動目標檢測及跟蹤算法[J]. 儀器儀表學報, 2018, 39(5): 249-256.

LI Chengmei, BAI Hongyang, GUO Hongwei, et al. A Moving Target Detection and Tracking Algorithm Based on Improved Optical Flow Method[J].Chinese Journal of Scientific Instrument, 2018, 39(5): 249-256. (in Chinese)

[18] 胡謀法. 復雜背景下大視場弱小目標檢測技術研究[D]. 長沙: 國防科學技術大學, 2008.

HU Moufa. Research on Detection Technology of Small and Large Field of View under Complex Background[D]. Changsha: National University of Defense Technology, 2008. (in Chinese)

[19] 胡建明, 喬凱, 智喜洋, 等. 天基觀測條件下復雜環(huán)境對空中弱小目標可探測性的影響[J]. 紅外與毫米波學報, 2019, 38(3): 351-357.

HU Jianming, QIAO Kai, ZHI Xiyang, et al. Influence of Complex Environment on the Detectability of Weak and Small Aerial Target under Space-based Observation Mode[J]. Journal of Infrared and Millimeter Waves, 2019, 38(3): 351-357. (in Chinese)

[20] 王樹文, 閆成新, 張?zhí)煨? 等. 數(shù)學形態(tài)學在圖像處理中的應用[J]. 計算機工程與應用, 2004(32): 89-92.

WANG Shuwen, YAN Chengxin, ZHANG Tianxu, et al. Application of Mathematical Morphology in Image Processing[J]. Computer Engineering and Applications, 2004(32): 89-92. (in Chinese)

Research on the On-orbit Real-time Space Target Detection Algorithm

HAN Luyao1TAN Chan2LIU Yunmeng2SONG Rui*1

（1 State Key Laboratory of Integrated Service Networks, Xidian University, Xi′an 710071, China）（2 Shanghai Institute of Technical Physics of the Chinese Academy of Sciences, Shanghai 200083, China）

Space target surveillance is an important prerequisite for ensuring the normal operation of space activities. The use of optical equipment for photoelectric detection is one of the important means of space target surveillance. In the astronomical photoelectric deep-space image sequence, the imaging characteristics of stellar targets and space targets are similar, which will interfere with target detection. Real-time and robust target detection is also very difficult. The article analyzed and studied the astronomical photoelectric image target imaging law, and proposed a target detection algorithm based on frame matching. By performing image preprocessing through morphological operations, and extracting features through inter-frame matching, and then detect spatial objects were detected. This algorithm is suitable for the real-time detection requirements of the astronomical photoelectric detection system for space targets under the background of deep space. Under the experiment of FPGA and DSP hardware platform, the validity and real-time performance of the algorithm were verified.

target detection; morphology; real-time image processing; visible light image; space remote sensing

TN957.51

A

1009-8518(2021)06-0122-10

10.3969/j.issn.1009-8518.2021.06.012

2021-09-03

韓璐瑤, 譚嬋, 劉云猛, 等. 在軌實時空間目標檢測算法研究[J]. 航天返回與遙感, 2021, 42(6): 122-131.

HAN Luyao, TAN Chan, LIU Yunmeng, et al. Research on the On-orbit Real-time Space Target Detection Algorithm[J]. Spacecraft Recovery & Remote Sensing, 2021, 42(6): 122-131. (in Chinese)

韓璐瑤，女，1996年生，2019年獲中國石油大學（華東）通信工程專業(yè)學士學位。研究方向為圖像傳輸與處理。E-mail：han_xidian@sina.com。

宋銳，男，2009年獲西安電子科技大學博士學位，西安電子科技大學通信與信息系統(tǒng)教授，博士生導師。研究方向為視頻編解碼算法及硬件架構、計算機視覺（三維）算法研究。

（編輯：夏淑密）