基于多特征融合的空间目标跟踪方法及系统

1.本发明涉及天文观测领域，尤其涉及基于多特征融合的空间目标跟踪方法及系统。


背景技术：

2.对天观测期间，如何对光学图像中的空间目标进行快速、精确地探测是必须解决的重点问题。传统的空间目标跟踪关联算法往往只考虑目标的运动信息，通过多帧匹配实现目标的轨迹关联，而忽略了目标自身的分布特性，对于恒星密集、遮挡和粘连现象较为严重的天区，传统的空间目标跟踪关联算法在目标跟踪过程中会大量存在轨迹漏检、误检、目标遮挡等问题，这些问题会干扰算法对目标真实轨迹的判定，因此传统的空间目标跟踪关联算法在目标跟踪过程中往往需要更多帧来剔除恒星与噪声虚警，筛选出可靠的运动目标，进而实现目标真实轨迹的判定。


技术实现要素：

3.为了解决上述技术问题，本发明的目标是提供基于多特征融合的空间目标跟踪方法及系统，能够通过目标的多特征融合，提升算法整体实时性、准确性和鲁棒性，实现更短帧的目标真实轨迹确认。
4.本发明所采用的第一技术方案是：基于多特征融合的空间目标跟踪方法，包括以下步骤：
5.根据空间目标的轨道运动，得到空间目标运动模型；
6.对单帧星图进行空间目标特征提取，得到高阶特征信息；
7.结合空间目标运动模型与基于逻辑的轨迹起始方法对空间目标点进行初始化，得到初始疑似轨迹；
8.根据高阶特征信息对初始疑似轨迹进行约束，得到初始目标轨迹；
9.基于卡尔曼滤波的轨迹维持算法对初始目标轨迹进行预测追踪，并维持初始目标轨迹的延伸，得到目标轨迹。
10.进一步，所述根据空间目标的轨道运动，得到空间目标运动模型这一步骤，其具体包括：
11.将空间目标的轨道运动投影到平面图像上，得到空间目标轨道投影；
12.对空间目标投影作位移特性和角速度特性计算，得到空间目标运动模型；
13.进一步，所述目标位移特性在图像上的运动轨迹可看作一条直线，所述目标角速度特性在像平面中的运动在短时间内可认为是匀速运动，所述空间运动模型可近似为匀速直线运动。
14.进一步，所述对单帧星图进行空间目标特征提取，得到高阶特征信息这一步骤，其具体包括：
15.对单帧星图进行预处理，去除噪声和杂散光区域，得到预处理星图；
16.对预处理星图进行疑似目标提取，并进行局部归一化操作，得到疑似目标区域；
17.将疑似目标区域作模型输入至骨干网络中进行正向传播，得到目标的特征向量；
18.利用全连接层和归一化指数函数对目标特征向量进行分类计算，得到目标分类信息；
19.利用主成分分析法对输出特征向量进行降维，提取最显著的3维特征，得到高阶特征信息。
20.通过该优选步骤，将图像划分为目标区域及噪声、恒星等干扰区域，实现噪声、恒星等干扰的初步排除，根据目标分类信息对疑似目标区域进行进一步筛选有助于减少后续初始化空间目标点的区域。
21.进一步，所述结合空间目标运动模型与基于逻辑的轨迹起始方法对空间目标点进行初始化，得到初始疑似轨迹这一步骤，其具体包括：
22.基于空间运动模型，将目标分为第一类目标和第二类目标，将目标点分为第一类型目标点和第二类型目标点；
23.确认前帧目标点的目标点类型，基于第一类目标和第二类目标，以当前帧目标点为圆心对第二帧图像采用不同的搜索半径搜索范围内存在的目标点，如果目标点为第一类型，则跳过该目标点，如果目标点为第二类型，在对应位置设立跟踪门；
24.搜索对应位置跟踪门半径范围内的目标点，若不存在第二类型目标点，中断搜索匹配，若存在第二类型目标点，取对应位置最近的第二类型目标点作为匹配点，生成初始疑似轨迹。
25.通过该优选步骤，降低了由于粗定位带来的整像素偏差影响，减少了计算量，提高检测效率并避免了同一条轨迹被反复多次检测的情况。
26.进一步，所述引入高阶特征信息对初始疑似轨迹进行约束，得到初始目标轨迹这一步骤，其具体包括：
27.基于高阶特征信息设定初始置信度，并给定初始值；
28.根据目标原有运动状态，预测目标所在位置，在预测位置设立跟踪门，若跟踪门半径范围内无目标点，则在预测位置加入空点作为目标点；
29.基于初始疑似轨迹进行后续图像的搜索匹配，并根据搜索匹配信息调整初始疑似轨迹的置信度；
30.判断初始疑似轨迹的置信度归0时，终止该初始疑似轨迹的搜索匹配；
31.判断初始疑似轨迹的置信度满足一定阈值时，生成初始目标轨迹。
32.通过该优选步骤，降低了由于目标被恒星目标遮挡或与其他空间目标交叉遮挡，没有被检测到给轨迹匹配带来的影响，同时排除了具有偶然性，不相关的三个点恰好满足疑似轨迹导致的轨迹错乱，进一步降低恒星目标和噪声的干扰。
33.进一步，所述基于卡尔曼滤波的轨迹维持算法对初始目标轨迹进行预测追踪，并维持初始目标轨迹的延伸，得到目标轨迹这一步骤，其具体包括：
34.基于卡尔曼滤波的方法对初始目标轨迹继续进行匹配，把初始目标轨迹的目标点信息作为输入，输出该目标在末尾帧下一帧图像的预测位置；
35.在目标预测位置设立跟踪门，对预测区域的目标点进行检验确认，得到检测结果；
36.根据检测结果，确定末尾帧下一帧的目标点信息，如果在预测区域没有检测到目
标点，在预测位置引入空点，并将末尾帧下一帧的目标点信息修正为预测位置信息，如果在预测区域检测到目标点，将末尾帧下一帧的目标点信息修正为该目标点位置信息；
37.将末尾帧下一帧的目标点修正信息作为输入，循环卡尔曼滤波方法，直至匹配完所有星图，生成目标轨迹。
38.通过该优选步骤，获取稳定的跟踪结果，实现轨迹的持续维持。
39.本发明所采用的第二技术方案是：基于多特征融合的空间目标跟踪方系统，包括：
40.模型构建模块，用于将空间目标的轨道运动二维化，得到空间目标运动模型；
41.特征提取模块，用于对单帧星图进行空间目标特征提取，得到高阶特征信息；
42.初始化模块，用于结合空间目标运动模型对空间目标点进行初始化，得到初始疑似轨迹；
43.约束模块，用于根据高阶特征信息对初始疑似轨迹进行约束，得到初始目标轨迹；
44.本发明方法及系统的有益效果是：本发明利用了星图上目标的运动模型，通过特征提取网络对单帧星图中的疑似目标区域进行分类，并提取目标的高阶特征信息；通过目标的高阶特征信息对基于轨迹关联算法提取的目标运动初始疑似轨迹进行约束，得到初始目标轨迹，提升算法整体实时性、准确性和鲁棒性，实现更短帧的目标真实轨迹确认。
附图说明
45.图1是本发明基于多特征融合的空间目标跟踪方法的步骤流程图；
46.图2是本发明基于多特征融合的空间目标跟踪系统的结构框图；
47.图3是本发明基于多特征融合的空间目标跟踪方法的空间目标轨道运动图；
48.图4是本发明基于多特征融合的空间目标跟踪方法的空间目标轨道投影图；
49.图5是首帧疑似轨迹头部为未匹配点的第二帧初始疑似轨迹匹配图；
50.图6是首帧疑似轨迹头部为疑似匹配点第二帧初始疑似轨迹匹配图；
51.图7是本发明基于多特征融合的空间目标跟踪方法与采集设备的配套软件的检测结果对比图。
具体实施方式
52.下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
53.如图1所示，本发明提供了基于多特征融合的空间目标跟踪方法，该方法包括以下步骤：
54.s1、根据空间目标的轨道运动，得到空间目标运动模型；
55.s1.1、如图3所示，因为大部分空间目标运行轨道为近圆轨道，且地球自转角速度对目标的运动影响很小，所以假设目标运行轨道为圆轨道，地球自转角速度忽略不计，点o为地心，target为空间目标；
56.s1.2、将空间目标的轨道运动投影到平面图像上，得到空间目标轨道投影，如图4所示，考虑极限情况，当像平面ω与空间目标的轨道平面完全平行时，目标轨迹横穿过整个像机视场，此时目标轨迹在像平面上有极限偏差δh，其中，o为地心，p为相机所在位置，r为
地心到地表的距离，r为空间目标到地心的距离，为相机的视场角，θ为目标在像平面内轨迹所经过的角度，a、b、c分别为目标轨迹在像平面上的左端点、中心、右端点，ω为与轨道平面平行的假想像平面ω'为实际像平面，α为假想像平面与实际像平面之间的夹角；
57.s1.3、对空间目标投影作位移特性和角速度特性计算，得到空间目标运动模型，由图4可知，空间目标到地心的距离r为：
[0058][0059]
所以：
[0060][0061]
同时存在：
[0062][0063][0064]
由于由于像平面不可能与轨道平面平行，同时考虑相机视场角最大为有：
[0065][0066]
代入数值代入数值求解可知，以尺寸大小4096
×
4096像素的像平面为例，l
ac
对应有4096个像素，而相应的偏差值δh仅对应11个像素，这样的偏差可以忽略不计，所以目标在图像上的运动轨迹完全可以当作一条直线。
[0067]
空间空间目标在轨道上的运动速度为：
[0068][0069]
其中，地心引力常数u为3.98600436
×
105km
·
s-2
，re为地球赤道半径，h为空间目标的轨道高度。假设目标速度与平面交线之间的夹角为γ，则目标在像平面上水平方向与竖直方向的投影分别为：
[0070][0071][0072]
则空间目标在像平面上的实际角速度ω的大小为：
[0073][0074]
由公式(9)可知，当γ＝90
°
或180
°
时，空间目标图像中的运动速度竖直向上，此时，目标的角速度取得最小值，角加速度达到最大值：
[0075][0076][0077]
当γ＝0
°
或270
°
时，空间目标运动速度方向与两平面的交线方向平行，此时，空间目标的角速度取得最大值，角加速度达到最小值：
[0078][0079]amin
＝0
ꢀꢀꢀ
(13)
[0080]
由上述(10)、(11)、(12)、(13)式可知，空间目标的角加速度远远小于空间目标的角速度，在短时间内可以忽略其角速度的变化，则目标在像平面中的运动在短时间内可认为是匀速运动。
[0081]
综合上述，短时间内空间目标在像平面内的运动可认为是匀速运动，且运动轨迹近似直线，即空间目标在像平面内的运动模型可近似为匀速直线运动。
[0082]
s2、对单帧星图进行空间目标特征提取，得到高阶特征信息；
[0083]
s2.1、对单帧星图进行预处理，通过中值滤波算法对原图去噪，通过sep算法抑制原图中杂散光区域，得到预处理星图；
[0084]
s2.2、对预处理星图进行疑似目标提取，提取局部极大值点以及局部极大值点周围r
×
r的区域，并进行局部归一化操作，得到疑似目标区域；
[0085]
s2.3、对疑似目标区域作模型并行计算特性，将图中所有疑似目标区域作为一个批次输入至骨干网络中进行正向传播，得到目标的特征向量；
[0086]
s2.4、利用全连接层和归一化指数函数对目标特征向量进行计算，划分疑似目标区域，得到分类信息，若分类信息为1，则该区域为目标区域，反之则为噪声、恒星等干扰区域；
[0087]
s2.5、利用主成分分析法对输出特征向量进行降维，提取最显著的3维特征，得到高阶特征信息，用于表征目标的成像特性，与分类信息一起输出，用于后续的目标的进一步确认与轨迹关联。
[0088]
s3、结合空间目标运动模型与基于逻辑的轨迹起始方法对空间目标点进行初始化，得到初始疑似轨迹；
[0089]
s3.1、考虑到目标距离远近的不同，星图中各个目标的速度具有极大的差异性，在不忽视目标定位偏差的情况下，对于高速目标来说，目标整体依然可以近似看作一条直线，但对于低速目标，像素的偏差带来的影响很大，很难近似认为是一条直线。根据这一情况，本方法在基于逻辑的轨迹起始方法基础上进行改进，提出了基于多特征融合的分级匹配轨迹起始算法，具体改进如下所示：
[0090]
s3.1-1、考虑到星图目标在持续运动过程中未被检测到的情况，引入“空点”机制；
[0091]
星图中目标持续运动，运动过程中可能会经过恒星目标，被恒星目标遮挡或与其他空间目标交叉遮挡；对于一些极其微弱的目标，由于光照变化，也可能暂时没有被检测到，但这种消失过程往往十分短暂，一般仅持续一到三帧，且在消失前后，目标的运动状态
基本不发生改变，对此引入“空点”机制，如果目标消失，根据目标原有运动状态，预测目标所在位置，在该位置加入空点，并记录该轨迹连续空点数，如果轨迹重新跟踪到目标，将轨迹连续空点数置0，如果轨迹连续空点数达到一定阈值，认为该轨迹异常，将该轨迹中断。
[0092]
s3.1-2、考虑到目标速度不一，引入分级速度机制；
[0093]
考虑目标速度不一，将目标分为多档，记为低速目标、中速目标和高速目标，所述低速目标为权利要求中的第一类目标，所述中速目标为权利要求中的第二类目标，其中低速档，目标的运动速度大小为0～5像素，这类目标包括恒星目标和运动速度很小的空间目标，在短时间内，由于目标运动速度过小，很难区分目标和恒星，需要通过长时序的位移累积才能确定目标类型；中速挡的目标运动速度介于5～60像素之间，这类目标运动与噪声、恒星目标的差距较大，易于区分；高速档目标速度大于60像素，由于目标速度过大，目标具有较长的拖尾，其外观特征十分明显，呈“线状”，目标方向和速度大小可根据拖尾的大小确认，无需采用轨迹起始方法进行轨迹初始化。
[0094]
s3.1-3、为了提高检测效率和避免同一条轨迹被反复多次检测的情况，引入目标点分类机制；
[0095]
为了提高检测效率和避免同一条轨迹被反复多次检测的情况，将目标点划分为未匹配点、疑似匹配点和已匹配点，所述已匹配点为权利要求中的第一类匹配点，所述未匹配点和疑似匹配点为权利要求中的第二类匹配点，未匹配点为没有被纳入成为过疑似轨迹的目标点，疑似匹配点指被纳入疑似轨迹的目标点，已匹配点指被已经确认为空间目标的轨迹纳入的点，对于不同的点采用不同的初始疑似轨迹生成策略。
[0096]
s3.2、基于空间运动模型，根据基于多特征融合的分级匹配轨迹起始算法对目标和目标点进行区别分类，生成初始疑似轨迹；
[0097]
s3.2-1、基于不同的目标类型，制定不同的轨迹匹配机制，高速档目标直接与已有高速目标轨迹进行匹配，如果匹配成功，将该目标记录进入已有轨迹，匹配失败则直接生成一条新轨迹，无需进行初始疑似轨迹的生成；中速档目标和低速档目标分开进行搜索匹配，由于速度的差异性，两类目标互不干扰、互不影响。
[0098]
s3.2-2、根据目标点的分类机制，对搜索范围内的目标点进行关联匹配，生成初始疑似轨迹的；
[0099]
如图5所示，当首帧中目标点为未匹配点时，在第二帧图像中，以首帧目标点对应位置为中心，分别以低速和中速两档速度域为搜索半径，搜索范围内存在目标，对目标点的类别进行判断，如果目标点为已匹配点，跳过该目标点；如果目标点为未匹配点或疑似匹配点，根据目标点对所在位置预测第三帧目标所在位置，在预测位置设立跟踪门，如果跟踪门半径内存在为非已匹配点的目标，取预测位置最近的目标点作为匹配点，生成初始疑似轨迹，将三个目标点的信息更新为疑似匹配点，如果跟踪门半径内不存在非已匹配点的目标，中断该轨迹的搜索匹配。
[0100]
如图6所示，当首帧中目标点为疑似匹配点时，在第二帧图像中，以首帧目标点对应位置为中心，分别以低速和中速两档速度域为搜索半径，搜索范围内存在目标，对目标点的类别进行判断，如果目标点为已匹配点，跳过该目标点；如果目标点为未匹配点，根据目标点对所在位置预测第三帧目标所在位置，在预测位置设立跟踪门，如果跟踪门半径内存在非已匹配点的目标，取预测位置最近的目标点作为匹配点，生成初始疑似轨迹，将三个目
标点的信息更新为疑似匹配点，如果跟踪门半径内不存在非已匹配点的目标，中断该轨迹的搜索匹配；如果目标点为疑似匹配点，需要回溯首帧的前一帧信息，根据这两帧目标点所在位置反向预测该目标在前一帧的所在位置，在该位置设立跟踪门，当跟踪门内存在疑似匹配点，认为这三个目标点已经被纳入同一条初始疑似轨迹中，不再进行重复匹配，如果跟踪门内不存在目标或存在的目标均为非疑似匹配点，继续进行搜索匹配，根据目标点信息预测第三帧中目标所在位置，在预测位置设立跟踪门，如果跟踪门半径内存在非已匹配点的目标，取预测位置最近的目标点作为匹配点，生成初始疑似轨迹，将三个目标点的信息更新为疑似匹配点。
[0101]
s4、根据高阶特征信息对初始疑似轨迹进行约束，得到目标轨迹；
[0102]
s4.1、由于图中的恒星目标、空间目标和噪声点很多，容易具有偶然性，不相关的三个点恰好满足疑似轨迹的生成条件，这样生成的轨迹需要进一步的搜索确认，因此基于高阶特征信息设定初始置信度δ0，初始置信度δ0的表达式如下所示：
[0103][0104][0105]
其中，分别代表初始轨迹中三个目标点的高维特征向量；dc为输入特征向量向量的余弦距离，代表两个目标的特征相似性；tc为手动设定的相似度阈值，满足公式中特征向量的相似性条件，则设置对应轨迹的初始置信度。
[0106]
s4.2、当目标初始轨迹满足公式(14)的条件时，令该轨迹的初始置信度为δ0，基于初始置信度对初始疑似轨迹和后续图像进行跟踪匹配，当疑似轨迹跟踪成功一个新的目标，该疑似轨迹的置信度在初始置信度的基础上增加1，当疑似轨迹后续跟踪结果为一个空点，该疑似轨迹的置信度减少1，当置信度满足条件等于5时，认为该疑似轨迹可信，可以生成一条新的轨迹，当置信度为零时，终止该疑似轨迹的搜索匹配得到目标轨迹。
[0107]
s5、基于卡尔曼滤波的轨迹维持算法对初始目标轨迹进行预测追踪，并维持初始目标轨迹的延伸，得到目标轨迹；
[0108]
s5.1、基于卡尔曼滤波的方法对初始目标轨迹继续进行匹配，当初始目标轨迹的目标点信息作为输入，输出该目标在末尾帧下一帧图像的预测位置；
[0109]
卡尔曼滤波是基于贝叶斯框架，满足一定假设的滤波算法，贝叶斯滤波的递归更新方程为：
[0110][0111]
其中η为：
[0112][0113]
用代替(16)式中的广义积分项，即：
[0114][0115]
可以得到：
[0116][0117]
求解过程中，首先求解记为预测步，然后求解记为更新步。
[0118]
跟踪时，通过卡尔曼滤波进行更新和预测需要满足的假设如下：
[0119]
状态转移矩阵中的噪声满足高斯分布：
[0120][0121]
即：
[0122][0123]
观测矩阵中的噪声满足高斯分布：
[0124][0125]
即：
[0126][0127]
初始状态bel(x0)满足高斯分布:
[0128][0129]
在满足上述假设后，对贝叶斯的预测步和更新步进行求解，贝叶斯的预测步为：
[0130][0131]
其中
[0132]
因此可得：
[0133][0134][0135][0136]
卡尔曼滤波预测是根据前k个观测量y去估计第k+1帧的目标状态向量x
k+1
，当系统确定时，假设tk为xk的估计值的协方差矩阵，tk'为估计值与xk的误差协方差矩阵。卡尔曼滤波预测过程如下：
[0137]
在t0时刻，初始化以求出t0；
[0138]
在tk时刻，系统的状态预测方程为：
[0139][0140]
系统的状态更新方程为：
[0141][0142]
其中kk为卡尔曼增益，计算方式如下：
[0143][0144][0145]
tk＝(1-k
khk
)tk'
ꢀꢀꢀ
(32)
[0146]
由于目标在短时间内可看作为匀速运动，根据目标的运动模型可得：
[0147][0148]
可以获得目标的状态转移矩阵为：
[0149][0150]
其中，δt为单位时间间隔，可看作为1，目标的观测矩阵为：
[0151][0152]
在目标跟踪过程中，过程激励噪声wk和观测噪声vk可认为是均值为0的高斯白噪声，则过程激励噪声wk的协方差矩阵为：
[0153][0154]
观测噪声的协方差矩阵为：
[0155][0156]
s5.2、使用卡尔曼滤波器中的时间更新方程和状态更新方程预测目标在下一帧上的质心位置。
[0157]
s5.3、在目标预测位置设立跟踪门，对预测区域的目标点进行检验确认，得到检测结果；
[0158]
s5.4、根据检测结果，确定末尾帧下一帧的目标点信息，如果在预测区域没有检测到目标点，在预测位置引入空点，并将末尾帧下一帧的目标点信息修正为预测位置信息，如果在预测区域检测到目标点，将末尾帧下一帧的目标点信息修正为该目标点位置信息；
[0159]
s5.5、将末尾帧下一帧的目标点修正信息作为输入，循环卡尔曼滤波方法，直至匹配完所有星图，生成目标轨迹。
[0160]
如图2所示，基于多特征融合的空间目标跟踪系统，包括：
[0161]
模型构建模块，用于将空间目标的轨道运动二维化，得到空间目标运动模型；
[0162]
特征提取模块，用于对单帧星图进行空间目标特征提取，得到高阶特征信息；
[0163]
初始化模块，用于结合空间目标运动模型对空间目标点进行初始化，得到初始疑似轨迹；
[0164]
约束模块，用于根据高阶特征信息对初始疑似轨迹进行约束，得到初始目标轨迹。
[0165]
为了验证算法的有效性，实验利用多组采集的天文数据进行对比验证，具体内容为：在固定跟踪模式下，采集不同天区的数据，验证检测算法以及轨迹关联算法在不同曝光时间下的鲁棒性。
[0166]
数据采集设备如下表所示：
[0167]
表1数据采集相机参数
[0168][0169][0170]
采用本发明算法对检测数据进行多目标跟踪，针对尺寸大小为4096
×
4096像素大小的图像，单帧处理速度约为0.4s左右，能很好的满足工程实时性要求。将跟踪结果与采集设备的配套软件的处理结果进行对比，如图7所示，分别对四个天区采集的图像数据进行处理，其中第二列为采集设备的配套软件针对500ms曝光时间下采集图像的处理结果，后两列分别为本文算法对100ms和500ms曝光时间下采集图像的处理结果，从图像中可以看出：
[0171]
1)本文算法对100ms曝光和500ms曝光的图像检测结果基本一致，对曝光时间的改变具有很好的适应性，没有误检、漏检的情况发生。
[0172]
2)通过与配套软件针对500ms曝光图像的处理结果对比，本文算法检测结果中除包含所有配套软件检测出来的轨迹外，还有部分多检测出来的轨迹，在图像中用蓝色虚线框进行标注，经观测验证，多检测出来的轨迹均为真实目标，说明本文算法对弱小空间目标的检测跟踪能力更强，具有更高的跟踪成功率。
[0173]
3)当目标较为暗弱时，如3号天区和4号天区，图像中整体亮度偏低，配套软件对轨迹的检测结果中存在大量断裂的情况，而本文算法中对暗弱目标依旧能保持很好的跟踪稳定性，轨迹断裂的情形较少。
[0174]
为了更好的描述本章算法跟踪性能，将本文算法与势概率假设密度滤波算法cphd和广义标签多伯努利算法glmb进行对比，以轨迹误检率o、轨迹漏检率n和中断轨迹条数pm三个指标来评价算法的跟踪性能。其中，轨迹误检率为误检轨迹数与轨迹总数之比；轨迹漏检率为漏检轨迹数与轨迹总数之比；中断轨迹条数表示由于跟踪缺失、匹配错误而导致中断的轨迹条数，对比结果如下表所示：
[0175]
表2算法跟踪性能对比
[0176][0177]
从表2中可以看出，cphd算法的轨迹误检率、轨迹漏检率以及轨迹中断数目均位于三种算法的中间，glmb算法的轨迹误检率最低，没有出现误检轨迹，但轨迹漏检率和中断轨迹数均高于另外两种算法，其跟踪成功率和跟踪稳定性较低。本文算法没有漏检轨迹，说明本文算法对轨迹具有更高的跟踪成功率；中断轨迹数远低于另外两种算法，说明本文算法具有更好的跟踪稳定性；在保持较高的跟踪成功率和跟踪稳定性的同时，本文算法的轨迹误检率也保持较低的状态，说明本文算法的总体跟踪性能优于cphd算法和glmb算法。
[0178]
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0179]
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。

技术特征：
1.基于多特征融合的空间目标跟踪方法，其特征在于，包括以下步骤：根据空间目标的轨道运动，得到空间目标运动模型；对单帧星图进行空间目标特征提取，得到高阶特征信息；结合空间目标运动模型与基于逻辑的轨迹起始方法对空间目标点进行初始化，得到初始疑似轨迹；根据高阶特征信息对初始疑似轨迹进行约束，得到初始目标轨迹。2.根据权利要求1所述基于多特征融合的空间目标跟踪方法，其特征在于，还包括：基于卡尔曼滤波的轨迹维持算法对初始目标轨迹进行预测追踪，并维持初始目标轨迹的延伸，得到目标轨迹。3.根据权利要求1所述基于多特征融合的空间目标跟踪方法，其特征在于，所述根据空间目标的轨道运动，得到空间目标运动模型这一步骤，其具体包括：将空间目标的轨道运动投影到平面图像上，得到空间目标轨道投影；对空间目标轨道投影作位移特性和角速度特性计算，得到空间目标运动模型。4.根根据权利要求1所述基于多特征融合的空间目标跟踪方法，其特征在于，所述对单帧星图进行空间目标特征提取，得到高阶特征信息这一步骤，其具体包括：对单帧星图进行预处理，去除噪声和杂散光区域，得到预处理星图；对预处理星图进行疑似目标提取，得到疑似目标区域；将疑似目标区域作模型输入至骨干网络中进行正向传播，得到目标的特征向量；利用全连接层和归一化指数函数对目标的特征向量进行分类计算，得到目标分类信息；利用主成分分析法对目标的特征向量进行降维，提取最显著的3维特征，得到高阶特征信息。5.根据权利要求1所述基于多特征融合的空间目标跟踪方法，其特征在于，所述结合空间目标运动模型与基于逻辑的轨迹起始方法对空间目标点进行初始化，得到初始疑似轨迹这一步骤，其具体包括：考虑各目标间距离和速度的差异性，对基于逻辑的轨迹起始方法进行改进，得到基于多特征融合的分级匹配轨迹起始算法；基于空间运动模型，根据基于多特征融合的分级匹配轨迹起始算法对目标和目标点进行区别分类，生成初始疑似轨迹。6.根据权利要求5所述基于多特征融合的空间目标跟踪方法，其特征在于，所述基于空间运动模型，根据基于多特征融合的分级匹配轨迹起始算法对目标和目标点进行区别分类，生成初始疑似轨迹这一步骤，其具体包括：基于空间运动模型，将目标分为第一类目标和第二类目标，将目标点分为第一类型目标点和第二类型目标点；确认前帧目标点的目标点类型，基于第一类目标和第二类目标，以当前帧目标点为圆心对第二帧图像采用不同的搜索半径搜索范围内存在的目标点，如果目标点为第一类型，则跳过该目标点，如果目标点为第二类型，在对应位置设立跟踪门；搜索对应位置跟踪门半径范围内的目标点，若不存在第二类型目标点，中断搜索匹配，若存在第二类型目标点，取对应位置最近的第二类型目标点作为匹配点，生成初始疑似轨
迹。7.根据权利要求1所述基于多特征融合的空间目标跟踪方法，其特征在于，所述根据高阶特征信息对初始疑似轨迹进行约束，得到初始目标轨迹这一步骤，其具体包括：基于高阶特征信息设定初始置信度，并给定初始值；根据目标原有运动状态，预测目标所在位置，在预测位置设立跟踪门，若跟踪门半径范围内无目标点，则在预测位置加入空点作为目标点；基于初始疑似轨迹进行后续图像的搜索匹配，并根据搜索匹配信息调整初始疑似轨迹的置信度；判断到初始疑似轨迹的置信度归0，终止该初始疑似轨迹的搜索匹配；判断到初始疑似轨迹的置信度满足一定阈值时，生成初始目标轨迹。8.根据权利要求7所述基于多特征融合的空间目标跟踪方法，其特征在于，所述初始置信度表达式如下所示：信度表达式如下所示：其中，分别代表初始轨迹中三个目标点的高维特征向量；d
c
为输入特征向量的余弦距离，代表两个目标的特征相似性；t
c
为手动设定的相似度阈值，满足公式中特征向量的相似性条件，则设置对应轨迹的初始置信度。9.根据权利要求2所述基于多特征融合的空间目标跟踪方法，其特征在于，所述基于卡尔曼滤波的轨迹维持算法对初始目标轨迹进行预测追踪，并维持初始目标轨迹的延伸，得到目标轨迹这一步骤，其具体包括：基于卡尔曼滤波的方法对初始目标轨迹继续进行匹配，把初始目标轨迹的目标点信息作为输入，输出该目标在初始目标轨迹下一帧图像的预测位置；在目标预测位置设立跟踪门，对预测区域的目标点进行检验确认，得到检测结果；根据检测结果，确定初始目标轨迹下一帧的目标点信息，得到修正信息；将初始目标轨迹下一帧的目标点修正信息作为输入，循环卡尔曼滤波方法，直至匹配完所有星图，生成目标轨迹。10.基于多特征融合的空间目标跟踪系统，其特征在于，包括：模型构建模块，用于将空间目标的轨道运动二维化，得到空间目标运动模型；特征提取模块，用于对单帧星图进行空间目标特征提取，得到高阶特征信息；初始化模块，用于结合空间目标运动模型对空间目标点进行初始化，得到初始疑似轨迹；约束模块，用于根据高阶特征信息对初始疑似轨迹进行约束，得到初始目标轨迹。

技术总结
本发明公开了基于多特征融合的空间目标跟踪方法及系统，该方法包括：根据空间目标的轨道运动，得到空间目标运动模型；对单帧星图进行空间目标特征提取，得到高阶特征信息；结合空间目标运动模型与基于逻辑的轨迹起始方法对空间目标的轨迹进行初始化，得到初始疑似轨迹；根据高阶特征信息对初始疑似轨迹进行约束，得到初始目标轨迹。该系统包括：模型构建模块、特征提取模块、初始化模块和约束模块。通过使用本发明，提升算法整体实时性、准确性和鲁棒性，实现更短帧的目标真实轨迹确。本发明作为基于多特征融合的空间目标跟踪方法及系统，可广泛应用于天文观测领域。可广泛应用于天文观测领域。可广泛应用于天文观测领域。


技术研发人员：张小虎 汪瀚 沈智华 林彬 覃军友 杨夏 陈思洋
受保护的技术使用者：中山大学
技术研发日：2023.04.03
技术公布日：2023/9/14