融合多特征的天基典型目標光學識別方法

智喜洋，侯晴宇，張 偉，孫 晅

(哈爾濱工業大學 航天學院，哈爾濱150001)

?

融合多特征的天基典型目標光學識別方法

智喜洋，侯晴宇，張 偉，孫 晅

(哈爾濱工業大學 航天學院，哈爾濱150001)

為滿足天基近距離目標高精度探測和識別的需求，提出一種多特征融合的衛星局部識別方法.首先分析衛星局部物理特征，構建了融合形態學多特征參量的局部構件分形聚類參數集，并建立基于聚類特征加權組合的構件聚類模型.利用該模型即可實現通過計算待識別目標隸屬于各構件類的匹配性概率來識別目標；在此基礎上，針對空間目標光學成像的圖像降質、局部遮擋等問題，提出了目標識別算法，并以其在實際應用中的識別概率為依據，結合粒子群算法迭代優化加權系數，提高了識別算法效率與魯棒性；最后利用4類典型衛星及伽利略衛星縮比模型對識別算法進行了數字仿真和半物理實驗驗證.實驗結果表明，在低對比度、SNR僅為5，且構件存在較嚴重變形與互遮擋的情況下，算法仍能有效識別衛星構件，識別概率優于0.95.

天基目標識別；衛星局部；多特征參量；聚類模型；識別算法

隨著航天技術的迅速發展，以衛星為主體的空間軍事設施已成為信息化、現代化戰爭不可或缺的戰略資源，因此圍繞攻擊、保護空間資源為主要目的空間攻防已成為空間軍事化、空間武器化的重要發展方向.

衛星識別是實施天基空間對抗的一項關鍵技術.隨著空間目標抵近技術的日益發展，已使得利用天基平臺進行目標近距離的光學探測與識別成為可能[1-4]，深入研究相應的識別算法對提升天基空間對抗能力具有重大意義.目前國內外在目標探測識別方面已開展了大量工作，但研究多集中在針對遠距離觀測過程中的衛星分辨及對衛星類型的識別方面，由于遠距離觀測多為點狀目標，無結構、形狀、紋理等信息，因此多是將目標的運動特征、光譜特征以及輻射特性作為識別依據進行算法設計(如文獻[5-7]).文獻[8-10]中研究了近距離觀測下估計目標星姿態與幾何結構的識別算法，但它們都是針對整星的運動特征和幾何結構的全局識別，尚未針對衛星的本體、帆板等局部構件提出相應的分類辨識特征.從現有文獻來看，針對在軌成像條件下衛星本體、帆板、天線等衛星局部的光學識別方法研究未見報道.因此，研究衛星局部的識別方法，對天基目標識別以及滿足局部操作的需求顯得尤為重要.

本文在分析典型衛星局部構件物理特征的基礎上，研究它們的參量化表征方法，構建用于分形典型構件的聚類參量集，并建立基于多特征加權組合的分形聚類模型，據此提出相應的識別方法，同時針對空間目標在軌成像過程中的目標局部變形、互遮擋、像質退化等特殊性問題，建立目標識別算法框架與流程，提出基于單幀與多幀序列圖像的目標識別算法，并進行算法的仿真與半物理實驗驗證.

1 融合多特征的衛星構件分形聚類模型

1.1 衛星構件的物理特征分析

典型衛星局部構件主要包括本體、太陽帆板、天線及搭載在本體表面或內部的空間相機、激光反射器、發動機噴口等，其物理特征見表1.

表1 典型衛星構成及其物理特征

考慮到空間相機、激光反射器等有效載荷或隱藏在本體內或形態差異大或輻射特性與其他構件存在顯著差異(可采用紅外手段進行直接識別)，因此本文的研究重點為本體、帆板和天線構件的識別.

圖1 (a)、(b)所示為國外某預警衛星及其輪廓提取結果.由表1和圖1可見：衛星本體、帆板、天線分別顯現出特定但不唯一的幾何形態、相對位置關系、尺寸、灰度分布等物理特征，因此很難選定某個單一特征來判別目標所隸屬的構件類型.

在近距離衛星目標觀測中，構件的這些可見光形式特征是可被光學識別的，因此根據衛星的先驗信息，研究本體、帆板、天線物理特征的參量化表征方法，并尋找能夠最大程度分形聚類各類構件的參量組合，是準確識別衛星局部構件的關鍵問題.

1.2 分形聚類特征的參量化表征

經上述分析可知，不同構件表現出不同的幾何形狀、相對關系、尺寸等物理特征，這些特征可作為目標分形聚類的依據.

圖1 典型衛星及局部構件特征示意

幾何形狀主要包括平行四邊形/矩形/正方形、平行六邊形、橢圓/圓和不規則多邊形.本文采用角點、直線、橢圓檢測算子提取封閉圖形局部輪廓，再結合邊線數量、斜率大小等特征參量描述待識別目標的幾何形狀[11-13]；采用面積、邊長等特征參量描述待識別目標尺寸；相對關系包括生長、連接、共線和多面體關系.生長關系是指一個較大封閉圖形邊上/形內存在較小封閉圖形.連接關系是指兩個封閉圖形盡管不存在直接交/連關系，但可找到它們間的連通區域.共線關系是指兩個相鄰封閉圖形存在共用邊，存在多組有交點的共線關系則是多面體判別的重要依據.本文采用封閉圖形間的形心位置、線條相交和重合等特征參量來判別相對關系；灰度分布特征分為均勻和非均勻的平面/多面體.非均勻的平面體可認為存在其上小構件、規則貼片或不規則包裹.本文采用凹凸面/多面體、規則紋理面/多面體及非規則紋理面/多面體等特征參數描述待識別目標的灰度分布.

1.3 多特征參量加權組合的分形聚類模型

結合分形聚類特征的參量化表征，根據典型衛星本體、帆板和天線先驗信息，構建用于判別各種構件的分形聚類參數集及相應的判別權重值，見表2～4所示.

表4 衛星天線分形聚類特征及權重系數

Tab.4 Fractal clustering features and weight coefficients of the antenna

分形聚類特征分形特征的參數化描述權重外輪廓形狀滿足特定對象的先驗知識，弧+多邊形、圓形、橢圓形等，邊數很多的多邊形0．30相對形心位置≥特定對象先驗知識，從小到大排后40．15面積占比≤特定對象先驗知識，從小到大排前30．20長度占比≤特定對象先驗知識，從小到大排前30．20連接關系與本體存在連接或生長關系0．05灰度分布均勻0．10

在此基礎上，通過計算待識別目標特征與各構件類同一特征的匹配性概率，并根據該目標隸屬于各構件類的匹配性概率的高低排序，即可實現目標的分形聚類與識別.建立的融合多種特征參量加權組合的衛星本體、帆板和天線分形聚類模型為

(1)

式中：PL為待識別目標隸屬于各構件類的匹配性概率；λk為該構件類特征參數權重值，且滿足：∑λk=1；Sign(λk)為待判別目標特征是否與構件類的第k項分形聚類特征相匹配的判別函數，對于隸屬于該構件類的特征參量賦予相應權重.λk的初值首先是依據衛星構件先驗知識進行初步確定，如本體相對形心位置最小是本體區別其他構件的最顯著特征，因此其在本體判別中對應的權重值最大.再結合大量包含不同光照、成像尺度、方位、姿態變化的目標星仿真圖像識別結果進行優選.λk的最終值是在優選后的λk初值的基礎上，進一步結合粒子群算法[12]，以識別算法在更完備圖像擴展源實際應用中的識別概率為依據進行迭代優化的結果.事實上，粒子群算法是一種基于群智能的優化方法，它能夠通過群體內部個體之間的交互協同與合作，使整個群體在復雜空間中探尋全局最優化區域.而且不會因個體故障影響整個問題的求解，能夠確保系統具有很強的魯棒性，因此適用于本文基于大量復雜多樣性樣本(包含不同尺度、相對方位、姿態變化等)，以識別概率全局最優為目標，實現多種特征參量最優化迭代求解的需求，而且能夠有效解決目標嚴重變形、遮擋等情況引起的某個聚類特征項在相應幀圖像識別中失效帶來的權重求解不適定的問題.

2 基于分形特征的目標識別算法

在分形聚類建模的基礎上，針對單幀圖像與多幀序列圖像建立目標識別框架與流程，提出相應的識別算法，并以典型衛星為例，說明構件分形聚類與目標識別的具體過程.

2.1 識別算法

目標識別算法框架與流程如圖2所示.單幀圖像識別算法由預處理、圖像分割、分形特征提取等4步組成.首先，考慮到在軌成像系統所致圖像模糊、噪聲等像質退化對目標識別的影響，采用頻域濾波[15]與Gamma算法[16]進行圖像預處理，目的是消除原始圖像噪聲并增強圖像的對比度；然后，通過圖像分割提取待識別目標的圖形輪廓.圖像分割是根據灰度直方圖特性選擇閾值，再進行二值化與連通區域提取[15]；通過目標分形特征提取獲得封閉圖形的分形聚類特征參量.該過程是利用輪廓點的有序性、唯一性，通過一定順序提取輪廓點，本文提出了一種基于輪廓跟蹤的分形特征提取算法，分別實現基于輪廓的直線、角點、橢圓、多邊形等目標幾何形狀的快速、準確提取，從而解決構件變形所致的特征誤匹配問題，同時提高了搜索效率；最后，利用衛星構件的分形聚類模型，通過基于分形特征匹配完成目標識別.

圖2 目標識別算法框架與流程

考慮到單幀圖像識別易受衛星姿態與太陽照射角度的影響，待識別目標在圖像中表現為幾何形狀的變形及遮擋，本文在單幀圖像識別基礎上，利用連續的多幀序列圖像來保證所有待識別構件在整個識別過程中均出現，并避免由于某個構件被遮擋而造成其他目標識別失效的情況.考慮到同一構件在連續幀圖像中通常對應多個同名像點，因此結合序列圖像幀間特征的匹配關系，提出基于多幀序列圖像的目標識別算法.通過特征匹配不僅可以實現已識別目標結果的進一步確認，還可以避免被遮擋構件對其他目標識別產生的影響，進一步提高識別算法的抗遮擋能力，從而有效地解決衛星姿態發生大角度變化時導致的構件變形與遮擋引起的識別概率下降問題.匹配方法為：首先利用單幀識別算法對首幀圖像進行目標分形識別，將已完成識別的圖形作為特征域；然后利用Surf算法[17]提取相鄰幀圖像的全局特征點，并對特征點進行平行度篩選；而后提取共面特征點；最后通過進一步篩選特征點間距離不存在突變的點，獲得匹配特征點.當連續多幀圖像幀間特征完全匹配時即可完成目標判別，否則重新進行單幀圖像的分形識別.

2.2 分形聚類模型權重求解與識別

以圖1(a)典型預警衛星為例，說明分形聚類模型權重求解與目標識別過程.如圖1(a)所示，從不同觀測角度來看，該星先驗包括：①存在性.本體、2個主天線和帆板；②外形.本體為立方體，輪廓為平行多邊形，帆板為平行四邊形，天線為橢圓或不規則形狀；③本體形心距衛星形心最近；④大小.帆板(>40%)>主體(>10%)>天線(<10%)；⑤連接關系.帆板、天線與本體連接，帆板、天線獨立.帆板、天線在本體外，呈十字分布；⑥灰度分布.帆板和天線表面平滑，本體表面包含小構件，非平滑.

首先通過圖像分割提取圖像中衛星局部目標的圖形輪廓，各封閉圖形的分形聚類特征描述見表5.

表5 分形聚類特征描述

然后選定初始權重，利用衛星本體、帆板和天線構件分形聚類模型對各封閉圖形進行目標識別，以識別結果統計最優為目標，迭代解算模型中各分形聚類特征對應的權重值，解算結果見表2～4.

利用模型權重系數和式(1)計算待識別目標隸屬于各構件類的匹配性概率，計算結果見表6.根據匹配性的高低排序即可得出目標識別的最終結果：A和C為天線，B和D為帆板，E為本體.

表6 匹配性概率與目標識別結果

3 識別算法的實驗驗證

3.1 仿真實驗及結果分析

仿真數據源包括：①衛星1.哈勃太空望遠鏡(HST)，長13.3 m，直徑4.3 m，包含兩個長11.8 m、寬2.3 m的帆板、兩個拋物面型天線(如圖3(a))；②衛星2.跟蹤與數據中繼衛星(TDRS)具有兩個直徑為4.6 m的展開式天線、兩個長20.7 m的帆板(如圖3(b))；③衛星3.國外某預警衛星(如圖1(a))；④衛星4.基于光學特性物理仿真生成的典型低軌成像衛星(SAT)(如圖3(c)所示).該星具有1.5 m正方體的本體、6個長3 m、寬1.5 m的帆板，其中位于中間部位的帆板呈現出不規則的幾何形狀.衛星表面材料假定為灰體，反射率為50%.

每幅圖像加入MTFN(奈奎斯特頻率下的傳遞函數)在[0.05, 0.15]之間的高斯模糊、SNR在[2, 7]之間的高斯白噪聲，模擬相機光學系統、探測器、成像電子學與平臺抖動引起的像質退化.通過改變衛星軌道根數、姿態角以及觀測星與目標星的相對方位，模擬兩星在相對姿態[-90°, 90°]、相對距離從10～3 km的不同逼近、繞飛與懸停軌道狀態，從而生成包含各種構件變形、遮擋情況的目標星圖像.

圖4分別給出了衛星局部構件變形、構件遮擋、較嚴重模糊、高噪聲水平(SNR=5)等情況下的單幀圖像及逼近、伴飛狀態下成像獲取的序列幀圖像的目標分形聚類與識別結果.限于篇幅，僅以圖4(b)衛星和圖4(f)衛星50幀序列圖像的目標識別結果(見表7、8)為例，說明識別算法性能.

圖3 典型衛星在軌示意

圖4 識別結果(圖中綠色標記的數字代表待識別目標的編號)

Fig.4 Results of the target identification(The targets to be identified are marked by green numbers)

注：彩圖見電子版(http://hit.alljournals.cn)(2016年第10期)

表7 圖4(b)單幀圖像目標識別結果

表8 圖4中第50幀序列圖像目標識別結果

從圖4、表7～8可看出：1)構件變形與互遮擋會引起目標分形特征匹配性概率的下降，但只要構件目標未被完全遮擋，采用單幀算法仍可對各構件進行準確識別，這說明了算法采用多種分形聚類特征聯合辨識的有效性；2)像質退化會影響目標分形聚類結果(如圖4(c)、(d)中的天線)，但當原始圖像SNR>5時，在對比度很低甚至影響到人眼判讀的情況下(如圖4(e))，采用本文算法仍可實現對目標構件的準確識別，多幀識別概率優于95%.這也說明了算法采用預處理及多幀序列圖像分形特征匹配策略的有效性.

3.2 地面半物理實驗及結果分析

利用衛星縮比模型、太陽模擬器、光學探測器、三維電控轉臺，設計并搭建半物理仿真實驗平臺(如圖5所示)，利用實驗數據進一步說明算法在衛星局部識別實際應用中的有效性.

目標選用伽利略衛星40∶1縮比模型，包含本體與太陽帆板，幾何尺寸分別為1 200 mm ×1 100 mm×2 700mm、6 500 mm×2 700 mm×25 mm，本體材料為F46聚酯薄膜，帆板材料為SR107白漆(背面)、帆板GaInP2/GaAs/Ge(正面)、有機黑漆(側面)，與真實目標的結構與表面材料屬性相同.為真實模擬空間目標的背景環境，選用太陽模擬器作為背景模擬光源.用太陽模擬器以某一角度照射縮比模型，使用光學探測器與電控轉臺從不同角度進行拍攝以獲取不同入射角及反射角情況下的目標圖像.改變太陽模擬器的照射角度，以實現更加豐富的角度模擬.改變拍攝距離以模擬不同觀測距離的成像結果.光學探測器采用Nikon公司的AF-S600mmF4DII型高品質鏡頭和DTA公司生產的ICAM型CCD器件.此外，為模擬空間光學成像的圖像質量退化，在實驗數據中加入高斯模糊與噪聲.圖6和表9給出了連續第50幀圖像的目標分形聚類與識別結果.

圖5 半物理實驗平臺與裝置

圖6 多幀序列圖像目標分形聚類與識別

構件編號識別結果出現次數識別概率/%1帆板4796．752本體50100．003帆板4895．03

從圖6和表9中可以看出，在帆板與背景的對比度很低，且圖像中包含較嚴重模糊(MTFN僅為0.06)與噪聲(SNR僅為5)的情況下，目標識別算法仍可對衛星局部構件進行準確識別.其中，本體識別概率達到100%，帆板識別概率優于0.95.

4 結 論

1)通過分析典型衛星的物理特征，提出了衛星本體、帆板、天線的分形聚類特征，并結合聚類特征的參量化表征，根據典型構件的先驗信息，構建了基于分形特征參量加權組合的聚類模型；

2)針對空間目標光學在軌成像的像質退化、幾何變形、遮擋等特殊性問題，建立了基于單幀與多幀序列圖像的目標識別框架與流程，從而提出了相應的識別方法與算法；

3)為實現識別算法的性能分析與驗證，以4種不同典型衛星為應用實例進行了算法的仿真實驗驗證，同時利用伽利略衛星縮比模型進行了半物理實驗.實驗結果表明：在目標與背景對比度很低、SNR僅為5，且構件存在較嚴重變形與遮擋的情況下，該算法仍能夠準確識別衛星本體、帆板與天線，且識別概率優于0.95.

[1] SHARMA J. Space-based visible space surveillance performance[J]. Journal of Guidance, Control, and Dynamics, 2000, 23(1): 153-158. DOI:10.2514/2.4503.

[2] Payne T P, Morris R F. The space surveillance network(SSN) and orbital debris[J]. Advances in the Astronautical Sciences, 2010, 137(4): 2010.

[3] FLOHRER T, KRAG H, KLINKRAD H, et al. Feasibility of performing space surveillance tasks with a proposed space-based optical architecture[J]. Advances in Space Research, 2011, 47(6): 1029-1042. DOI: 10.1016/j.asr.2010.11.021.

[4] ZHANG Haopeng, JIANG Zhiguo, ELGAMMAL A. Vision-based pose estimation for cooperative space objects[J]. Acta Astronautica, 2013, 91: 115-122. DOI:10.1016/j.actaastro.2013.05.017.

[5] XU Yonghui , ZHANG Jihui, WEI Yi. Recent patents on real-time deep space target track system based on Dual-DSP[J]. Recent Patents on Computer Science, 2013, 6(3): 227-232. DOI: 10.2174/22132759113066660012.

[6] TANG Jia, GAO Xin, JIN Gang. Dim and weak target detection technology based on multi-characteristic fusion[C]//Proceedings of the 26th Conference of Spacecraft TT&C Technology in China. Berlin, Heidelberg: Springer- Verlag, 2013: 271-277. DOI:10.1007/978-3-642-33663-8_27.

[7] HOU Wang, LONG Gucan, LEI Zhihui, et al. The small target detection based on maximum likelihood estimation and spot detection operator[C]//Proceedings of SPIE 9142. [S.l.]: SPIE, 2014: 914207(1-13). DOI:10.1117/12.2054032.

[8] DU Xiaodong, LIANG Bin, TAO Yanbo. Pose determination of large non-cooperative satellite in close range using coordinated cameras[C]//Proceedings of the 2009 International Conference on Mechatronics and Automation. Changchun: IEEE, 2009, 3910-3915. DOI: 10.1109/ICMA.2009.5244890.

[9] ZHANG Haopeng, JIANG Zhiguo, ELGAMMAL A. Satellite identification and pose estimation using homeomorphic manifold analysis[J]. IEEE Transactions on Aerospace and Electronic Systems, 2015, 51(1): 785-792. DOI: 10.1109/TAES.2014.130744.

[10]CROPP A, PALMER P, MCLAUCHLAN P. Estimating pose of known target satellite[J]. Electronics Letters, 2000, 36(15): 1331-1332. DOI: 10.1049/el:20000950.

[11]RANGARAJAN K, SHAH M, VAN BRACKLE D. Optimal corner detector[J]. Computer Vision, Graphics, and Image Processing, 1989, 48(2): 230-245. DOI:1 0.1016/S0734-189X(89)80039-8.[12]BISWAS R, SIL J. An improved canny edge detection algorithm based on type-2 fuzzy sets[J]. Procedia Technology, 2012, 4: 820-824. DOI:10.1016/j.protcy.2012.05.134.

[13]KIM E, HASEYAMA M, KITAJIMA H. Fast and robust ellipse extraction from complicated images[C]//Proceedings of the IEEE International Conference on Information Technology and Applications. Bathurst, Australia: IEEE, 200: 357-362.

[14]KENNEDY J. Particle swarm optimization[M]. Encyclopedia of Machine Learning. New York: Springer US, 2010: 760-766. DOI:10.1007/978-0-387-30164-8_630.

[15]JIANG Chao , GENG Zexun, BAO Yongqiang, et al. Analysis the application of several denoising algorithm in the astronomical image denoising[C]//Proceedings of SPIE 9142. SuZhou, China: SPIE, 2014: 91421N(1-7). DOI:10.1117/12.2054427.

[16]JIANGA G, WONGA C Y, LIN S C F, et al. Image contrast enhancement with brightness preservation using an optimal gamma correction and weighted sum approach[J]. Journal of Modern Optics, 2015, 62(7): 536-547. DOI: 10.1080/09500340.2014.991358.

[17]AL-AMRI S S, KALYANKAR N V, KHAMITKAR S D. Image segmentation by using edge detection[J]. International Journal on Computer Science and Engineering, 2010, 2(3): 804-807.

[18]GUO Fei, LUO Xiao, LIU Yi. Research on feature extraction and match method based on the surf algorithm for mobile augmented reality system[C]//International Industrial Informatics and Computer Engineering Conference. [S.l.]: [s.n.], 2015, 615-519. DOI:10.2991/iiicec-15.2015.140.

(編輯 張 紅)

Optical identification method of space typical targets based on combined multi-feature metrics

ZHI Xiyang, HOU Qingyu, ZHANG Wei, SUN Xuan

(School of Astronautics, Harbin Institute of Technology, Harbin 150001, China)

This paper proposes a new method based on combined multi-feature metrics in order to meet the requirements for identification of satellite local targets. Firstly, we analyze the local physical characteristic of satellite, and construct the local component fractal clustering parameter sets of the fusion morphology multi-feature metrics. Then, a component-clustering model is formulated based on weighted combination of clustering features. Consequently, an optical identification algorithm is proposed to deal with the problems of image degradation and partial occlusion in optical imaging of space targets. Based on the recognition probability in its practical application, the efficiency and robustness of the recognition algorithm is improved by using optimal weighting coefficients in the iteration of particle swarm optimization algorithm. Finally, using four typical satellites and Galileo satellite scaled model, the performance of the identification algorithm is analyzed and verified. Experimental results show that the algorithm is able to identify the satellite component and the identification probability is no less than 0.95, in the case of low contrast, SNR being 5 and severe deformation and mutual occlusion of the components.

space target identification; satellite local; combined feature metrics; clustering model; identification algorithm

10.11918/j.issn.0367-6234.2016.10.006

2015-08-20

國家自然科學基金(61605035)

智喜洋(1982—)，男，副教授，碩士生導師；

張 偉(1962—)，男，教授，博士生導師

侯晴宇，houqingyu@126.com

TP751.1

A

0367-6234(2016)10-0044-07