光学测量是航天发射和试验场试验鉴定重要的外测手段,可为武器性能评估和特征事件分析提供外弹道、目标特性等重要数据。随着试验场试验任务种类的增加、新型武器对测试要求的提高、试验场光学测量设备能力的提升,试验场光测图像判读处理亟需提升处理效率和精细化水平,需要高效、高精度和高适用性的目标检测和判读算法以及高精度的解算方法支撑,构建高效率的分布式实时判读系统。本文主要针对试验场光测图像处理中的难点问题进行研究,主要研究工作及创新点有:1.提出了一种对目标类型、特性适应性更好的双重分类深度学习目标检测算法。针对试验场图像及目标类型多、目标特性变化等导致传统目标检测算法适应性差的问题,提出了一种双重分类深度学习试验场目标检测方法。该方法基于深度学习目标检测框架Yolo V3,根据试验场目标的亮度和形状的双重属性特征,改进网络输出层中的单属性分类为双属性分类;基于目标区域生长实现样本自动标注;利用序列图像目标约束增加检测结果确认环节。试验场多种场景下的实际图像训练及检测结果表明,本文提出的方法取得了99%的检测成功率和72%的IOU平均定位精度。2.提出了一种最小化锚点方向像面角度残差的目标轴线线性测量方法。针对目标轴线的测量问题,取目标轴线上的某个特征点为锚点,以过该点的直线方向为锚点方向,提出了一种最小化锚点方向像面角度残差的线性算法。算法先利用空间交会得到锚点的空间位置,以锚点方向在像面上的投影与目标二维轴线的夹角最小化作为目标函数,将无法线性求解的夹角表达式等价替换为简单的线性表达式,从而线性求解轴线方向。仿真结果表明提出的线性算法取得了与迭代算法一致的精度,在交会条件较差时仍能给出较高精度的结果。3.提出了近距离观测条件下的大目标自动判读及高精度形变量与位姿解算方法。漂移量和姿态是火箭或导弹初始发射段的重要参数,需要近距离观测,会出现目标上的合作标志依次进出视场、目标变形以及成像运动模糊等问题。针对目标合作标志依次进出视场引起的判读需要大量人工操作,且容易出错的问题,提出了一种结合模型预测和模板匹配的合作标志高效自动检测判读方法;针对目标由于变形导致位姿解算降低的问题,提出了一种融合目标变形模型的变形量与位姿同步估计方法;针对运动模糊导致位姿解算降低的问题,提出了一种结合目标运动速度及像机参数对像点位置进行修正的迭代位姿解算方法。仿真结果证明了判读方法的有效性,模拟实际场景条件验证,变形量误差小于1mm,同时提高了位姿解算精度,提出的解算方法相对不考虑运动模糊的方法有明显提升,且解算误差受目标运动速度影响较小。4.研究实现了试验场分布式实时判读解算系统。针对试验场图像分布式实时判读需求,结合试验场实际特点,利用最优滤波对综合角度进行预测,给出目标预测位置,利用核相关滤波进行跟踪,取得了很好的跟踪效果;针对试验场分布式实时判读解算系统中的软件关键技术进行研究,包括系统的分布式、时效性、健壮性等设计技术,设计实现了试验场图像分布式实时判读及解算系统。仿真结果表明改进的实时判读方法跟踪精度高,时效性可以满足实时性要求。本文研究工作源于试验场任务需求,所提出实现的算法和判读软件应用于试验场实际任务,提升了试验场图像处理效率,提高了解算精度,为试验场图像判读测量的技术进步和水平提升发挥了积极作用。