一種適用于空間非合作目標的角點檢測算法

江騰達，邢 帥，李 鵬

(信息工程大學 地理空間信息學院，河南 鄭州 450001)

一種適用于空間非合作目標的角點檢測算法

江騰達，邢 帥，李 鵬

(信息工程大學 地理空間信息學院，河南 鄭州 450001)

隨著在軌失效航天器數量不斷增加，針對這類空間非合作目標的在軌服務需求日益迫切。由于在軌的非合作目標飛行器上無法布置合作標志器，通過提取非合作目標上的關鍵輪廓角點對其進行跟蹤。本文針對空間非合作目標所具有的特性，傳統Harris算子對運動非合作目標角點的檢測中存在大量的偽角點，提出一種基于Canny邊緣檢測的Shi-Tomasi角點檢測方法，即對影像先進行濾波、二值化及形態學處理，其次利用Canny邊緣檢測獲得其輪廓后再進行Shi-Tomasi角點檢測。實驗結果表明，該算法能有效地解決深空中光照條件等因素造成的角點難以檢測問題以及減少偽角點，對空間非合作目標的關鍵角點提取有較好地檢測精度和準確性。

非合作目標；角點檢測；Harris算法；Shi-Tomasi算法；Canny邊緣檢測

近些年來，隨著空間技術的快速發展，外太空航天器數量的不斷增加，失效的航天器也在增多，嚴重威脅著正常工作航天器的安全運行。因此，為了安全、持續的開發和利用空間資源，必須不斷提高對失效航天器的在軌維修以及清理技術。由于大多數已在軌的失效航天器都是非合作的，即沒有用于輔助測量的合作標志器，如何準確檢測到角點是進行空間非合作目標的自主識別的關鍵[1-3]。目前，在深空中運行的衛星多達上千顆，有資源勘察衛星、偵察衛星、氣象衛星等，其中多數衛星都是有規則的、常見的結構，如太陽能帆板、星箭對接環、天線等。由于大多數衛星的太陽能帆板及衛星主體都是規則的矩形，且在特征檢測中矩形容易檢測，所以通常將衛星的太陽能帆板及衛星主體作為目標識別中的有利特征[4]。由于帆板其表面紋理單一且亮度偏暗，如何準確提取帆板的關鍵角點是在軌服務的前提。

角點是圖像亮度變化比較劇烈的點或者是圖像邊緣曲線上曲率值極大的點，它在保留圖像特征的基礎上有效地減少了信息的數據量，從而提高了圖像處理的速度以及實驗精度。有利于實現目標圖像特征的可靠匹配，在物體識別、目標跟蹤以及運動估計中均發揮了重要作用。對于在軌的非合作目標的位姿估計，目標影像的角點檢測是一項重要的基礎工作。Inaba等人提出了一種非合作目標的識別與捕獲方法[5]。德國宇航局(DLR)設計了一種針對非合作目標發動機的抓捕機構及基于多傳感器數據融合的識別算法[6]。曾占魁等人提出空間非合作目標超近距離位姿測量技術研究。針對角點檢測多數采用Harris算法[7-10]，該算法自動化程度高，信息量大，提取的角點數量多，但由于深空中環境因素以及空間非合作目標的特性，檢測的角點中有許多的虛假角點，這對后續的跟蹤及匹配的并不是很理想，即該算法不太適用于運動的空間非合作目標。針對Harris算法對于運動的目標存在的缺點，Shi和Tomasi提出了Shi-Tomasi角點檢測算法[11-12]，它是Harris算法的改進，能克服Harris算法對于運動目標跟蹤的不足。但Shi-Tomasi算法在角點檢測時，仍受光照等條件的影響，使目標輪廓信息部分丟失而不能很好的提取強角點。針對非合作目標類衛星的角點檢測，本文分析了Canny邊緣檢測及Shi-Tomasi角點檢測算法原理，提出了一種基于Canny邊緣檢測的Shi-Tomasi角點檢測方法，先通過Canny邊緣檢測，再進行Shi-Tomasi角點檢測，可以提高后續角點的跟蹤及匹配的穩定性和準確率，能更好地進行位姿變化估計。

1 Canny邊緣檢測

在圖像特征中邊緣仍然是很重要的。對于傳統邊緣的檢測算子，如Prewitt、Robert、Sobel、LOG等，由于其本身存在各種不足，在許多情況下其檢測效果并不令人滿意。近年來，在傳統方法的基礎上，相繼發展出了一批新的邊緣檢測方法，如基于自適應平滑濾波法、曲面擬合法、小波變換法等。盡管如此，Canny算子由于具有較好的信噪比和檢測精度，仍在圖像處理領域受到廣泛應用。

Canny于1986年提出一個較好邊緣檢測算子且應滿足如下3個判斷準則，并提出一種新的邊緣檢測算子。

1)信噪比準則

(1)

式中:ɡ(x)是邊界為[-w,+w]的濾波器脈沖響應，G(-x)是邊緣函數，n0是高斯噪聲的均方根，信噪比越小，提取的邊緣質量越差，反之，則越好。

2)定位的精度準則

(2)

式中：G′(-x)和g′(x)分別表示G(-x)及g(x)的一階導數，Localization值越小，表明定位精度越低，反之，表明定位精度越高。

3)單邊緣響應準則：需保證單邊緣只有一個像素響應，且檢測算子的脈沖響應導數零交叉點的平均距離D(ɡ′)應滿足：

(3)

若滿足此條件，就能保證單邊緣只有一個像素響應。

基于滿足這三個判斷準則，Canny推導出了一種最佳邊緣檢測算子即Canny算子。

2 Shi-Tomasi算子

雖然Harris算子相對于其他角點提取算法有明顯的優勢，但在深空環境下，本實驗針對運動的非合作目標，且紋理過于單一，使用Harris算子對非合作目標衛星進行角點檢測，很難滿足目標的運動跟蹤估計，因此本文采用了Shi-Tomasi算子進行角點檢測。Shi-Tomasi是Shi和Tomasi提出的角點檢測方法，它是Harris算子的改進，而Harris角點檢測算子是由C.Harris和M.J.Stephens在1998年提出的一種基于信號的點特征提取算子，是在Moravec算法的基礎上提出的。其中Moravec角點檢測算法的思想：在圖像中建立一個檢測窗口，通過向各個方向微小的移動窗口，考察窗口的平均能力，當該能量變化值大于設定的閾值時，此時就將窗口的中心像素點提取為角點。假設像素點(x,y)的灰度為f(x,y),則圖像中每個像素點(x,y)移動(u,v)的灰度變化為

(4)

式中:(u,v)取值為8個基本方向上的移動：(1，0)，(1，1)，(0，1)，(-1，1)，(-1，0)，(-1，-1)(0，-1)，(1，-1)。該方法只能檢測窗口函數在8個基本方向上移動的強度變化，使得Moravec算子不具有旋轉不變性，即如果將目標圖像旋轉15°后，原來能夠檢測到的角點現在并不能檢測到，原來不是角點的點現在可能變成了角點，所以該方法不能準確提取到穩定的角點，因此，Harris在此基礎上，通過微分運算和自相關矩陣來檢測角點。其表達式：

(5)

定義矩陣

設λ1，λ2分別是M的兩個特征值，而在Shi-Tomasi算法中，若兩個特征值中較小的一個大于最小閾值，則會得到強角點。因為較大不確定度取決于較小的特征值，所以通過尋找最小特征值的最大值來尋找好的特征點。

3 基于Canny邊緣檢測的Shi-Tomasi角點提取

受采集環境的明暗程度和設備性能的優劣等因素的影響，通過光學傳感器獲取的空間非合作目標的影像往往存在噪聲較大、灰度差異較小等缺點。另外，如距離的遠近，焦距大小等因素又會使得目標在整幅圖像中間的大小和位置存在不確定性，與常見目標不同，深空背景通常較為單一，假設相機影片的成像規律：①背景占據了圖像的大部分；②背景在影像中呈最暗的顏色。在實驗室條件下進行半物理仿真實驗。圖1為實驗室條件下模擬的一幅空間目標觀測影像。

圖1 模擬空間目標觀測影像

圖2 Harris角點檢測結果

通過觀察影像可以發現，目標紋理結構簡單且與背景顏色比較接近，給角點檢測帶來不少困難，再不做任何處理的情況下，其檢測結果如圖 2所示，即需對原始影像進行一系列的預處理，如均值濾波、二值化以及形態學處理等[14]。

國內外許多學者在針對空間非合作目標的角點檢測方面多采用的是Harris角點檢測算法，該算法計算簡單，自動化程度高，具有良好的信息量，且其能檢測到不少的角點，但其檢測的角點中存在不少的虛假角點，不利于后面位姿估計。而Shi-Tomasi算法雖然已經很成熟，是Harris角點檢測算法的改進，但目前研究學者并未將其針對空間非合作目標進行角點的檢測，通過實驗的檢測結果圖 3可知，帆板上關鍵的角點基本能檢測到，偽角點也很少。由于受光照及環境因素的影響，存在少數的關鍵角點未檢測到，如圖 3紅框所顯示，即需在進行角點檢測之前先進行邊緣檢測獲得其帆板輪廓，這樣能更好的檢測到非合作目標帆板輪廓的關鍵角點，于是提出一種基于Canny邊緣檢測的Shi-Tomasi角點檢測算法。

圖3 Shi-Tomasi角點檢測

該方法的基本步驟：首先對衛星影像進行必要的預處理，主要包括影像去噪、影像二值化及形態學處理，然后對影像進行Canny邊緣檢測，最后采用Shi-Tomasi算子進行角點檢測。其中Canny邊緣檢測、Shi-Toamsi角點檢測 這兩步是本算法的核心所在，這兩步的結果直接影響后面角點的跟蹤及位姿估計的好壞。該方法的主要流程如圖 4所示。

圖4 角點檢測流程

4 實驗結果分析

本文利用地面半物理仿真實驗平臺，如圖 5所示，模擬了空間非合作目標的探測狀態和過程，首先將衛星模型放于標尺上，再將其整體置于一塊背景為黑色的帆布上，用帆布模擬深空背景，然后通過調節標尺使衛星模型運動，獲取了若干序列實驗觀測影像，如圖 6(a)所示。該空間非合作目標的序列影像具有共性特征；①紋理單一；②光照不均勻；③噪聲大。因此需對影像進行自適應的二值化處理、形態學處理以及Canny邊緣檢測，其結果分別如圖 6(b)、(c)及(d)所示。

圖5 實驗條件

圖6 影像的二值化、形態學處理及Canny邊緣檢測

本文通過Harris角點檢測、Shi-Tomasi角點檢測與本文算法三種方法進行角點檢測的比較。根據圖7的實驗結果可知，圖 7(a)所示， Harris算法計算簡單，自動化程度高，具有良好的信息量；由于受光照的影響大，其檢測的角點中存在很多的偽角點，這對后續空間非合作目標的相對位姿變化的估計有很大的影響，不利于運動目標位姿估計。而Shi-Tomasi角點檢測算法能很好的克服Harris運動的非合作目標角點檢測中不足，且具有旋轉不變性，可減少偽角點；但仍受光照條件及環境的影響， 通過圖 7(b)的紅色標框可知，帆板上仍有部分關鍵角點難以檢測，所以需要對其進行必要的處理，即對影像先進行邊緣檢測，獲得其完整輪廓，再進行Shi-Tomasi角點檢測，如圖 7(c)所示，從實驗結果中可發現，本文方法比Shi-Tomasi算法能更好、更穩定地檢測到目標輪廓的關鍵角點。這將有利于后續的角點跟蹤及位姿估計，可以通過后續的位姿估計驗證本文方法的優勢。

圖7 影像角點檢測的比較

所謂的位姿估計就是利用提取的角點進行跟蹤、立體匹配及前方交會獲得其三維信息，其次通過序列影像進行其角點的位姿變化，從而能獲得其目標的位姿變化，達到對目標的實時跟蹤。本文也通過序列影像的位姿估計對角點提取方法做了比較，其結果如圖8所示。從上文可知，由于國內外對空間非合作目標的研究還不是很成熟，其實驗數據很難獲取，因此本文采用的影像是在實驗室條件下模擬獲取的，通過衛星模型在標尺上的移動模擬空間非合作目標與相機之間的相對運動，本實驗的條件是假設衛星模型不發生旋轉，只在標尺上以10 mm為單位向x方向移動，每移動一次通過立體相機拍攝下來，獲得其此刻的影像。對該立體序列影像進行處理估計其位姿變化。通過表1實驗結果可知，由于實驗條件的局限性，衛星在標尺上每運動一次，由于抖動造成其在三個旋轉角方向及△Y，△Z上有微小的變化，但△X的大小體現了本實驗結果的好與壞，且△X的真值是10 mm。分析結果可知本文的角點提取算法精度高于Harris和Shi-Tomasi算法。

圖8 三種方法的位姿估計結果

表1 通過位姿估計進行三種方法的比較

因此本文提出的基于Canny邊緣檢測的Shi-Tomasi角點檢測方法能夠有效檢測出在軌空間非合作目標輪廓的關鍵角點，檢測結果具有較好的穩定性，有助于關鍵角點衛星位姿變化的跟蹤和估計。

5 結 論

對空間非合作目標進行有效的角點檢測是開展目標位姿估計的基礎。由于受光照和空間背景等多種因素的影響，傳統的角點提取算子不能很好地適用于空間非合作目標的角點，因此，本文提出一種基于Canny邊緣檢測的Shi-Tomasi角點檢測方法。本文在影像預處理的基礎上利用Canny邊緣檢測的Shi-Tomasi角點檢測方法。本文在影像預處理的基礎上利用Canny邊緣檢測獲得其目標的輪廓信息，再結合Shi-Tomasi算法進行角點檢測，有效地降低深空環境下的光照條件對角點檢測的影響。實驗結果表明該方法的有效性和可靠性，適用于深空中運動的衛星類目標的角點跟蹤。

[1] 徐文福, 梁斌, 李成,等. 基于立體視覺的航天器相對位姿測量方法與仿真研究[J]. 宇航學報, 2009, 30(4):1421-1428.

[2] 徐培智. 基于視覺和激光的空間非合作目標相對位姿測量技術研究[D]. 南京：南京航空航天大學, 2014.

[3] 曾占魁,魏祥泉, 黃建明,等. 空間非合作目標超近距離位姿測量技術研究[J]. 上海航天, 2013, 30(6):10-17.

[4] 苗錫奎, 朱楓, 郝穎明,等. 基于太陽能帆板部件的空間非合作飛行器視覺位姿測量方法[J]. 高技術通訊, 2013, 23(4):400-406.

[5] INABA N, ODA M, ASANO M. Rescuing a Stranded Satellite in Space : Experimental Robotic Capture of Non-Cooperative Satellites[J].Transactions of the Japan Society for Aeronau-tical & Spaceences, 2006, 48(162):213-220.

[6] CHRISTIANSEN S, NILSON T. Docking System for Autonomous, Un-manned Docking Operations[C].//Aerospace Conference. IEEE, 2008.1-14.

[7] HARRIS C. A Combined Corner and Edge Detector[C].// Alvey Vision Conference. 1988.147-151.

[8] 房超, 王小鵬, 牛云鵬,等. 基于改進Harris算法的角點檢測[J]. 計算機與數字工程, 2011, 39(5):142-144.

[9] 王瑞, 郝娜, 張波,等. 一種自適應Harris角點檢測算法[J]. 火力與指揮控制, 2015(7):84-86.

[10] 吳鵬, 徐洪玲, 李雯霖,等. 基于區域檢測的多尺度Harris角點檢測算法[J]. 哈爾濱工程大學學報(英文版), 2016, 37(7):969-973.

[11] 于仕琪，劉瑞禎. 學習 OpenCV(中文版)[M]. 北京:清華大學出版社，2009:351-355.

[12] SHI J,TOMASI C.Good feature to track[C]//Proc Of IEEE Conference on Computer Vision and Pattern Recognition.[S.l.]:IEEE Press,1994:593-600.

[13] 戴青云，余英林. 數學形態學在圖像處理中的應用進展[J].控制理論與應用，2001，18(4):478-482.

[14] 牛瑞, 王昱, 戴兵. 一種基于數學形態學的星點提取方法[J]. 測繪科學與工程, 2016(4):33-38.

A key feature point detection algorithm for non-cooperative target in space

JIANG Tengda, XING Shuai, LI Peng

(School of Surveying and Mapping , Information Engineering University, Zhengzhou 450001,China)

With the increase of the number of spacecraft in orbit, the demand for the service of this kind of non-cooperative target in space is becoming more and more urgent. Due to the problem that orbit non-cooperative target aircraft cannot be arranged cooperative markers, the key outline corners extracted from non-cooperative target can track the target. Aiming at the characteristics of space non-cooperative targets, the traditional Harris algorithm has a large number of pseudo-corner points in motion detection of non-cooperative targets.To solve the problem, the paper proposes a method combined Canny edge detection with Shi-Tomasi corner detection. First, the process for images includes filtering, binarization and morphological processing, then the Canny edge detection is used to obtain the contour and combine with Shi-Tomasi corner detection to obtain the result. The experimental result shows that this algorithm can effectively solve the difficult detection problems and pseudo-corner points in deep space due to the lighting conditions, of which the detection has better precision and accuracy.

non-cooperative target;corner detection; Harris algorithm; Shi-Tomasi algorithm; Canny edge detection

2016-11-09

國家自然科學基金資助項目(41371436);國家973計劃項目(2012CB720001)

江騰達(1990-)，男，碩士研究生.

著錄：江騰達，邢帥，李鵬.一種適用于空間非合作目標的角點檢測算法[J].測繪工程，2018，27(2)：65-70.

10.19349/j.cnki.issn1006-7949.2018.02.013

TP391.4

A

1006-7949(2018)02-0065-06

李銘娜]