论文部分内容阅读
跨尺度运动图像的目标检测与追踪研究是利用利用空间传感器采集的空间运动图像信息综合分析空间运动目标轨道运行、飞行功能、空间站使用等情况,最终目标是掌握空间飞行器和空间站的运行态势,为空间攻防和航天活动提供更多有价值的空间运动目标信息。受限于复杂多变的空间环境因素以及成像装置和传输设备硬件上的缺陷,空间运动图像在被观测设备捕获、传输和存储的过程中,不可避免地会出现弱化效应,这种现象会导致空间运动图像在用于空间运动目标分割、检测、追踪等操作时出现较大的误差,并会降低空间运动目标识别的整体真实性,在很大程度上限制了空间运动目标对接、空间飞行器监控和空间运动目标的实时操作。本文进行了空间图像跨尺度特征提取、跨尺度运动图像目标检测、跨尺度空间运动图像目标追踪等关键技术的研究,论文的主要贡献和创新点如下：(1)提出了贝叶斯非局部均值滤波算法(BNL-Means), BNL-Means算法可以对空间运动图像进行有效地非局部均值滤波。提出了空间图像跨尺度特征提取算法(SITFE), SITFE算法使用非向下采样轮廓波变换(NSCT)对空间运动图像进行跨尺度分解,非向下采样轮廓波变换的双滤波器组结构可以解决现有滤波器的单一轨迹问题,相关的Mapping方法可以清除2-D滤波器存在的数据冗余。实验结果表明,与现有的非局部均值滤波算法相比,BNL-Means算法可以提高峰值信噪比(PSNR)1.8%,提高特征提取结构相似性(MSSIM)2.91%。在不同噪声级别下,SITFE算法与Curvelet特征提取算法相比可以提高PSNR值1.5dB-1.9dB;与轮廓波特征提取算法相比SITFE算法可以提高PSNR值1.0dB-1.2dB。在不同类型噪声的干扰下,SITFE算法与Curvelet特征提取算法相比可以提高MSSIM18.9%,与轮廓波特征提取算法相比SITFE算法可以提高MSSIM12.1%。(2)提出了小波光流估计算法(WOF),WOF算法可以准确地估计同运动场景中具有不同运动速率的运动目标,解决了传统光流估计对于快速运动目标的检测准确率降低的问题,WOF算法还提高了光流计算的效率。提出了矩形窗口扫描算法(RWS),RWS算法可以实现运动目标检测的自适应调节,可以在运动图像间隔帧之间实现连续的运动目标检测。实验结果表明,与Lucas Kanade算法、Horn Schunck算法、Occlusion-Aware Optical Flow算法相比,WOF算法可以提高运动图像序列运动目标估计准确度(SFDA)分别为10.4%,13.6%和12.7%,提高光流计算的效率分别为28.94%、27.65%、38.11%。实验结果表明,与现有的SIFT特征目标检测算法、帧差法(BS)、霍夫曼树目标检测算法(HF)相比,RWS算法可以提高运动目标检测准确度(ODA)分别为7.29%、16.57%、9.35%,提高运动目标检测精确度(ODP)分别为3.41%、17.5%、4.97%。(3)提出了基于重采样粒子滤波的运动图像目标追踪算法(PFOT) PFOT算法在运动图像目标追踪过程中添加了自适应的多维信号处理,这种处理方式可以从邻近的粒子聚簇中挖掘出新的多样性粒子,保证了运动图像目标追踪结果不受粒子采样位置、运动目标速率等因素变化的影响。利用3D Fourier变换处理图像本身的信号参数,在3D彩色Fourier域融合色彩调和与信号处理对运动目标进行初步分割,利用重采样粒子滤波完成运动目标追踪。实验结果表明,与M-PF算法、S-PF算法、R-PF算法相比,PFOT算法可以提高粒子采样准确度分别为10.35%、27.36%、29.05%。与现有的目标追踪算法SDSROT算法和ILRVT算法相比,PFOT算法可以缩减追踪平方和误差(SSE)超过31.21%和45.78%。(4)提出了基于目标形状活动轮廓的运动图像目标追踪算法(ACOT), ACOT算法实现了运动目标特征点及其邻接区域的实时更新,对突然变动的运动目标形状及其特征也可以保持高鲁棒性的检测。ACOT算法结合运动图像背景和目标形状界限信息,根据运动目标形状轮廓对目标追踪进行自适应调整,克服了现有目标形状轮廓检测追踪算法的拓扑结构限制,提高了运动目标追踪准确度。实验结果表明,与RTSTS算法相比,在X坐标系上,ACOT算法可以降低目标形状轮廓检测均方根误差(RMSE)32.32%,在Y坐标系上,ACOT算法可以降低RMSE20.41%。与SAP算法相比,在X坐标系上,ACOT算法可以降低RMSE20.96%,在Y坐标系上,ACOT算法可以降低RMSE15.19%。ACOT算法与RTSTS算法相比可以缩减目标追踪Euclidean巨离21.67%,与SAP算法相比ACOT算法可以缩减目标追踪Euclidean距离21.26%。(5)提出了Monte Carl。边缘演化算法(MCCE),MCCE算法利用原型金字塔感知变换和Monte Carlo边缘检测,对空间运动图像进行最优方式表示。MCCE算法可以在不同的图像分层上对运动目标进行逼近,在不同尺度间进行运动目标的特征检测和提取,在最大程度上排除空间移动背景干扰,实现了精准的空间运动图像边缘检测。提出了加强奇异点均值偏移算法(ESMS),ESMS算法利用加强奇异点均值偏移计算,实现了视觉敏感关注区域的视觉增强。利用仿射箱形参数估计完善了追踪过程,实现了空间运动目标区域检测的自适应调节,排除了空间运动目标追踪过程中存在的信息干扰。实验结果表明,MCCE算法与Canny算子边缘演化算法相比可以降低边缘检测MSE15.46%,提高PSNR15.63%；与Laplacian算子边缘演化算法相比MCCE算法可以降低边缘检测MSE8.72%,提高PSNR4.62%。与现有的MAMS算法和ODML算法相比,ESMS算法可以缩减目标追踪Euclidian距离分别为16.9%和17.8%。与MAMS算法相比ESM S算法可以缩减目标追踪MSE23.06%,与ODML算法相比ESMS算法可以缩减目标追踪MSE25.24%。与MAMS算法和ODML算法相比,ESMS算法可以缩减目标追踪Bhattacharyya距离分别为29.7%和22.5%。