一種基于紅外圖像的空間目標探測方法

蘇振華，劉新穎，丁奕冰，李 季，張玉梅，尹 亮，何振東，張曉俊

（1.航天東方紅衛星有限公司； 2.北京衛星環境工程研究所：北京 100094）

0 引言

隨著以“星鏈”為代表的大規模星座建設，低地球軌道上運行的空間目標數量急劇上升，空間資源異常緊張。為確保航天器在軌運行安全，需要實時監視空間環境，準確預報在軌航天器的碰撞風險。

空間監視的基本任務包括：對繞地運行的在軌或退役的衛星、被遺棄的火箭殘骸等空間目標進行探測，檢測其是否會干擾空間飛行器等的運行；預報空間目標重新進入地球大氣層的時間和位置等[1]。空間監視系統應一方面具備輔助識別潛在威脅的能力，另一方面具備預測空間目標軌道的能力，從而實現對空間碰撞和空間攻擊行為的告警。

美國、俄羅斯、歐洲的空間目標探測與識別技術發展較為迅速[2]，例如：美國地基新型S 頻段空間籬笆雷達和利用軌道優勢進行探測識別的作戰響應空間-5（ORS-5）衛星[3]，俄羅斯具有空間目標識別能力的新型高頻沃羅涅日（Voronezh）雷達、雷達/光學結合探測識別的樹冠（Krona）系統[4]，ESA 空間碎片望遠鏡及德國試驗監視與跟蹤雷達（GESTRA）等[5]。國外空間目標監視系統正在發展高頻雷達和大口徑大面陣光學探測識別設備，建立天基、地基互補探測識別系統，研究雷達與激光、光學相結合的探測識別技術等。相比于雷達的主動探測模式，天基紅外探測被動地收集目標紅外輻射信息，隱蔽性更強。此外，紅外探測系統還具有全天時、探測范圍廣、定位精度高、受電磁干擾影響小等優點[6]。紅外探測過程主要為：紅外傳感器收集物體紅外輻射信息成像；通過目標檢測、跟蹤與識別等關鍵環節實施，獲得目標位置及運動軌跡。目前，紅外目標探測方法主要針對的是地面背景下的強目標探測，無法適用于空間背景下高速運動小目標的探測。

本文提出一種基于紅外圖像的空間目標探測方法，綜合采用目標分割提取、重心法提取質心、星圖匹配剔除背景等方法實現目標檢測，綜合采用軌跡關聯、目標分類等方法實現目標跟蹤識別，能夠快速、準確、有效地探測空間目標，為我國空間目標監視提供必要手段。

1 目標特性

在空間中，受探測衛星與目標之間的軌道動力學特性的約束，目標探測距離遠。因此紅外圖像中的空間目標僅表現為一個亮點，其尺寸僅為幾個至幾十個像素，無目標的大小、形狀、紋理等相關特征信息[7]；而且圖像信噪比較低，空間目標亮度的幅值相比于背景、噪聲和雜波梯度不大，無法直接分辨。因此，需要對空間目標特性進行研究，提高目標探測的實時性，提升檢測概率，降低虛警概率。

1.1 目標紅外輻射特性

以具有典型代表性的衛星為例，其外表面主要由艙板、太陽電池陣、包覆多層、發動機和天線構成。其中，艙板的主要材質為鋁蜂窩，空間溫度變化范圍-30～60 ℃；太陽電池陣主要由太陽電池板和基板組成，溫度變化范圍-90～90 ℃；包覆多層（聚酰亞胺）的主要溫度變化范圍-150～150 ℃，溫度變化時間10～20 min。

衛星的紅外輻射主要來自于衛星本體的輻射和對空間環境的輻射反射。衛星除了其本體外，太陽電池陣的尺寸較大，產生的輻射強度值也較大。

選取常規的立方體結構衛星作為研究對象，且衛星帶有雙太陽電池陣的典型搭配模式。以XSS-11衛星為例，衛星本體為邊長60 cm×100 cm×60cm 的立方體，兩側各有1 個約60 cm×60 cm 的太陽電池陣。衛星本體多層表面發射率0.69，OSR 表面發射率0.79，電池陣正面的表面發射率0.83，電池陣背面的表面發射率0.8。地球軌道中運行的立方體衛星的本體表面可各自命名為對天表面、對地表面、前向表面、后向表面、左側表面和右側表面，參圖1所示。

圖1 衛星表面構成示意Fig.1 Schematic of satellite surface composition

衛星本體各表面及太陽電池陣的溫度（星表典型部位）如表1 所示，其中太陽電池陣的溫度包括電池板的正面溫度和背面溫度。通過分析可以發現，星體的對天表面和太陽電池陣表面的溫度較高，有利于紅外探測器成像。

表1 衛星本體各表面及太陽電池陣的溫度Table 1 Surface temperatures of satellite and solar array

通過表1 對星體表面溫度的統計分析，根據表征熱輻射強度、波長、溫度之間關系的普朗克公式，結合紅外輻射特性分析理論，計算得到立方體衛星的紅外輻射特性如表2 所示，其長波輻射強度較強，表明星體向外輻射的波長較長。因此，衛星目標探測適合采用長波成像傳感器。

表2 衛星各表面紅外輻射強度Table 2 Infrared radiation intensities of satellite surfaces

1.2 目標運動特征

目標在紅外圖像中無典型特征信息，且受恒星和噪聲的影響，會被淹沒在背景中。因此，需要綜合利用目標的方位角、角速度、運動軌跡、亮度值和亮度變化等信息判斷目標特征和行為（參表3），并對其進行探測。

表3 目標信息及用途Table 3 Target information and its purpose

2 目標探測方法

在空間目標監視任務中，紅外成像傳感器多數情況下以深空背景成像。紅外傳感器成像信息包括[8-9]真實目標、背景信息及干擾噪聲3 類，可以表示為

式中：I(x,y)代表紅外圖像；S(x,y)代表紅外圖像中探測到的目標信息（包括非合作目標等）；N(x,y)代表紅外圖像中的噪聲；B(x,y)代表紅外圖像的背景信息。目標信息在紅外圖像中表現為單獨的亮點，灰度值比周邊背景高，且與背景的關聯性弱，在頻域幅值有較大的跳變，屬于圖像中的高頻分量。背景信息是探測環境中具有較大發射能量的物體的紅外輻射信號，連續分布的背景信息具有灰度變化緩慢、像元之間關聯性強的特點，頻域幅值變化較小，集中于圖像的低頻范圍；在地球大氣層等背景圖像中的邊緣處，其灰度幅值變化劇烈，屬于圖像信息中的高頻部分。

根據空間運動目標的特征，紅外目標探測主要分為目標檢測、跟蹤與識別等環節，詳細如圖2 所示。首先進行背景抑制預處理，提升目標顯著性，降低背景的干擾；然后通過自適應閾值方法分割提取目標信息；最后經過聚類、關聯跟蹤等幀間處理方法，實現噪聲干擾去除，獲得目標軌跡信息，確定真實目標。

圖2 紅外目標探測流程Fig.2 Flow chart of infrared target detection

根據空間目標監視任務的需求，必須能夠隨時對所關注目標進行有效的檢測，而監視背景中不僅有大量物理特性與目標接近的恒星干擾，還包括小麥哲倫云圖像、銀道面背景大氣臨邊背景等干擾，以及大量的空間碎片和紅外相機的系統噪聲，所有這些干擾將嚴重影響檢測概率。同時，由于目標在像面上成像為點目標或斑點目標，光學特性很弱，尺寸和亮度特征都可能小于恒星，故當與恒星在視場中交叉相遇或被恒星瞬間遮擋時，對目標的穩定跟蹤會被破壞。

2.1 目標的檢測

2.1.1 圖像的目標分割算法

根據實際深空背景圖像中目標灰度值很大而背景灰度值較小這一特點，采用基于迭代法[10]的閾值分割算法有利于提高目標的檢測概率，降低虛警率，同時減小運算量，便于圖像實時處理。

迭代法可以自動地得到閾值，其主要過程為：

1）估計初始的閾值T，一般用圖像最大和最小灰度值的平均值。

2）用T分割圖像，得到2 組像素（G1和G2）。

3）分別計算G1和G2中所有像素的平均灰度值μ1和μ2，

式中：Ni為圖像中屬于Gi的像素點數；Ii為Gi中某像素的灰度值；ni為Gi中灰度值為Ii的像素點數。然后更新閾值為T=(μ1+μ2)/2。

4）重復過程2）、3），直到逐步迭代所得T值的變化小于事先定義的參數T0。

通過天基紅外相機探測典型空間目標的紅外成像特性如圖3 所示，目標成像較弱小且亮度不如恒星。采用基于迭代法的閾值分割法對該紅外圖像進行分割，結果如圖4 所示。

圖3 通過天基紅外相機探測空間目標的紅外成像Fig.3 Infrared imaging of space targets detected by spacebased infrared cameras

圖4 迭代法閾值分割目標結果（加亮）Fig.4 Threshold segmentation by iterative method(highlighted)

可以看到，該方法能夠自適應地選取合適的閾值，實現對紅外圖像中所有目標的分割。與其他算法相比，該算法不僅能精確地分割出目標，而且計算時間短、簡單易行，滿足對于深空背景中空間目標的分割需求。

2.1.2 基于重心法的目標質心提取

圖像分割后得到的目標并不一定是單像素的，為獲得高精度的質心位置，采用重心法提取目標質心。通過圖像預處理，可以把星體成像分割成非連通區域；利用區域內圖像像素的重心，可以得到亞像素級的星體位置。設紅外圖像的目標成像模型為

則目標質心位置為

利用重心法提取目標質心的結果如圖5 所示?？梢钥吹?，該方法提取的目標質心位置能夠真實反映目標的實際位置，同時減少相鄰目標之間的相互干擾，滿足對提取空間目標質心位置的要求。

圖5 重心法提取目標質心結果（質心為矩形框的中心）Fig.5 Center of mass (center of the rectangular box in the picture) extraction with center of gravity method

2.1.3 基于星圖匹配的恒星背景剔除算法

由于深空背景下目標檢測的主要干擾是恒星，適用星圖匹配的方法來剔除恒星的干擾。星圖匹配就是將觀測圖像中星點的參數與星圖庫中恒星的相應參數進行比較匹配，以確定觀測圖像中的點是否是恒星點，匹配成功則認為是恒星點，否則不是恒星點。

星圖匹配識別算法主要包括三角形匹配算法[11]、多邊形角距匹配算法[12]和Bezooijen 發明的恒星識別法等，均能實現較好的星圖匹配效果，不同算法的天空覆蓋范圍、數據庫大小、噪聲干擾穩定程度、計算速度等性能具有差異。當測量誤差較大時，余度匹配和誤匹配會導致識別成功率顯著下降。受限于特征維數限制的影響，大部分算法對于有干擾的星圖匹配效果不理想。Hausdorff 距離（Hausdorff distance, HD）是度量2 幅圖像之間相似性的一種方法，計算過程中不需要建立2 幅圖像間點與點對應的關系，因此適用于被噪聲污染或失真嚴重圖像的處理。綜上，本文采用基于HD 進行星圖識別[13]的算法。該算法除了識別率高、抗噪性強，還具有識別速度快和抗旋轉特性好的優點。

利用星圖匹配等方法剔除大部分恒星后，剩余候選目標點包括目標、未剔除恒星和噪聲點等。其中，噪聲點在每幀的出現是隨機的，可以利用多幀軌跡連續信息予以排除；對于目標和恒星，可以根據其各自運動速度的大小和方向等運動特征的變化來區分。

2.2 目標的跟蹤識別

在低信噪比情況下，檢測未知位置和速度的運動目標的難點主要體現在：背景的統計先驗信息缺失；紅外圖像的信噪比較低，利用單幀圖像信息無法實現目標的準確檢測；空間目標表現出在不同的時間點上出現然后消失等；空間目標不具備形狀、紋理等顯著特征；無法直接區分出恒星和真實目標；僅有的檢測信息是目標的亮度和像面移動速度。在探測到多個疑似目標后，需要對目標進行跟蹤探測，完成對目標的識別。

2.2.1 基于軌跡關聯的多目標編批算法

多目標編批技術通過制定合理的行為準則，能夠判別空間目標航跡起始位置；在整個目標探測過程中，可以有效地維持航跡；可在視場中的目標消失的情況下，實現對航跡自動判別消亡[14-15]。

多目標編批技術主要處理過程包括：每出現一個新目標，算法自動賦予其一個新的編號，該編號不同于已存在或已消亡的任何一個目標編號；每個目標的編號均始終保持不變，在該目標被遮擋或與另外目標發生交叉運動的情況下，仍能夠維持該編號不變，直到該目標的生存周期結束。本文在空間目標編號維持過程中采用一種適用于目標探測的多參量數據關聯算法，對于多目標交叉問題采用軌跡外推方法去除噪聲干擾，即利用廣義霍夫變換實現空間目標二次曲線擬合過程中的噪聲點去除；利用參數空間模糊截集內的有效點，分析反推直角坐標系下的有效位置點，利用最小二乘曲線擬合這些有效點，實現目標位置的預測[16]。

目標提取過程中，存在將距離較近的多個目標連接起來作為一個目標處理，將一個大目標分割成許多小目標，噪聲干擾導致檢測到虛假目標，或者弱小目標無法被檢測等情況。在上述情況中，算法可能給多條航跡分配一個觀測值，或者一條航跡有多個觀測值。這將會導致空間目標測量過程中，目標與觀測值無法一一對應，因此需要利用系統的方法實現目標當前狀態的更新。本文采用“最近鄰”數據關聯算法實現目標軌跡關聯，其為一種貪心算法，通過采用離關聯門中心最近的觀測值更新多個目標最新狀態，具有直觀、計算量小的優點。

在探測多個目標的過程中，空間目標的運動會導致彼此之間存在相互遮擋的情況，不同目標位置存在重疊，因而短時間內無法區分不同目標。在分離相互遮擋的空間目標時，目標的編號維持會出現錯誤。對于目標交叉運動的情況，本文采用最小二乘曲線擬合進行軌跡外推。

2.2.2 基于運動信息的目標分類算法

基于深空背景下目標和恒星間的運動特性區別，主要針對目標運動中的速度信息和運動方向矢量信息與恒星進行區分，其中根據方向矢量的分類方法如下：

1）根據目標運動方向的矢量信息，建立8 個維度的方向矢量鄰域，即東、東南、南、西南、西、西北、北、東北各方向以其方向矢量左右22.5°作為方向矢量的鄰域，即以tan 0°、tan 45°、tan 90°、tan 135°、tan 180°、tan 225°、tan 270°、tan 360°這8 個正切函數值作為各鄰域中心參數，在每個參數的0～±0.414的數值范圍之內算作一個方向矢量的鄰域；

2）根據目標檢測過程中得到的目標軌跡信息集合，即坐標信息和方向矢量，可以計算出每個目標的運動方向矢量，并將信息更新到目標集合中；

3）根據目標集合中每個目標的方向矢量進行8 個維度分類，最終保留維度中目標較少的一個集合，并更新目標集合。

根據速度信息分類的方法如下：

1）根據目標檢測過程中得到的目標軌跡信息集合，即坐標信息和方向矢量，以及逝去的幀數，即逝去的時間，可以計算出每個目標的運動速度數值，然后將信息更新到目標集合中；

2）根據計算出的目標集合中每個目標的速度將目標分成2 類，最終保留其中元素較少的一個集合，并更新目標集合。

執行完上述2 種分類后，即完成了以方向矢量信息和速度信息進行分類確認跟蹤目標的過程。

3 實驗驗證

為了驗證本方法的檢測效果，采用真實的在軌空間目標紅外成像圖像進行實驗驗證，實驗圖像參見圖3；閾值分割法對紅外圖像進行目標分割的實驗結果參見圖4；重心法提取目標質心的實驗結果參見圖5；采用基于軌跡關聯和運動信息分類的方法對剔除恒星之后的目標進行跟蹤識別實驗，結果如圖6 所示。最終結果表明，本文采取的方法能夠克服深空背景條件下干擾大、目標小、信噪比低的難點，在1 s 內實現從發現到跟蹤識別空間目標。

圖6 目標探測最終結果（矩形框內目標）Fig.6 Final result of target detection (target in rectangular box)

4 結束語

本文針對空間目標探測需求，通過分析深空背景下空間目標的特征，提出一種基于天基紅外圖像的空間目標探測方法，采用相適應的目標檢測算法和目標跟蹤識別算法，實現深空背景下弱小目標的探測。針對新提出的算法，采用典型空間目標的在軌紅外成像圖像進行空間目標探測實驗，結果表明該方法能夠解決深空背景條件下干擾大、目標小、信噪比低的難點，實現1 s 內快速、準確探測目標，滿足空間環境監視對目標探測的實時性好、檢測概率高、虛警概率低等要求。