基于輪廓和邊緣的空間非合作目標(biāo)視覺跟蹤.pdf

1、精確測量航天器之間的相對位置和姿態(tài)（統(tǒng)稱為位姿）是完成空間交會對接、攻防對抗、在軌捕獲與維護等重大航天任務(wù)的先決條件?；诠鈱W(xué)成像敏感器的視覺測量技術(shù)利用安裝在追蹤航天器上的光學(xué)成像敏感器對目標(biāo)航天器成像，再對其圖像特征進行提取和解算，以實現(xiàn)位姿測量。與其它測量技術(shù)相比，這種技術(shù)具有直觀、精度高和自主性強等優(yōu)勢，已成為上述航天任務(wù)最后逼近段相對位姿測量的主要手段。
　　目標(biāo)航天器按照是否安裝了合作標(biāo)志，分為合作目標(biāo)和非合作目標(biāo)?？?/p>

2、間合作目標(biāo)的視覺測量方法已經(jīng)得到了深入的研究和成功的應(yīng)用，相對而言，對空間非合作目標(biāo)進行視覺測量更具挑戰(zhàn)性。而且由于空間絕大多數(shù)目標(biāo)都是非合作目標(biāo)，對它們進行測量更具有普遍意義。
　　對非合作目標(biāo)進行位姿視覺測量，需要充分利用其固有特征。輪廓和邊緣是兩種重要的圖像特征，輪廓是圖像中包圍目標(biāo)區(qū)域的封閉邊界，而邊緣是圖像中灰度、顏色或紋理不連續(xù)或突變的地方。對于遠(yuǎn)距離、成像尺寸小的目標(biāo)，其細(xì)節(jié)特征難以提取，只能利用其輪廓進行位姿測量。

3、對于近距離、成像尺寸大的目標(biāo)，相對于其它特征而言，邊緣特征更明顯、提取速度更快而且受光照影響較小。因此利用邊緣特征進行位姿測量具有較大的技術(shù)優(yōu)勢。
　　本文研究了基于輪廓和邊緣的空間非合作目標(biāo)視覺跟蹤方法，研究內(nèi)容包括兩大部分：一是針對遠(yuǎn)距離目標(biāo)的輪廓提取與跟蹤方法，二是針對近距離目標(biāo)的基于邊緣模型的位姿估計和跟蹤方法。其中，輪廓提取與跟蹤屬于2D跟蹤的范疇，其結(jié)果可作為基于輪廓位姿估計方法的輸入，用于遠(yuǎn)距離位姿估計或近距離位姿初

4、值估計?；谶吘壞Ｐ偷奈蛔斯烙嫼透櫡椒▽儆?D跟蹤的范疇，該方法首先按照位姿初值對邊緣模型進行投影，再通過“投影模型-圖像邊緣”配準(zhǔn)，迭代地求解位姿精確值，以達(dá)到位姿估計和跟蹤的目的。概況起來，本文的創(chuàng)新性主要體現(xiàn)在如下幾點：
　　一、在目標(biāo)的輪廓提取與跟蹤方面
　　1、提出了基于線段編組和顯著度分析的知覺組織輪廓提取方法（LSPC）。
　　當(dāng)背景復(fù)雜時，常規(guī)的輪廓提取方法無法排除雜亂背景的影響，而基于知覺組織的輪廓

5、編組方法是一種僅根據(jù)圖像特征之間顯現(xiàn)的有序性對特征進行組織的方法，可以有效地解決這個問題。LSPC方法首先將圖像中的線段、線段之間的連接和連接代價分別轉(zhuǎn)化為一個帶權(quán)有向圖中的頂點、弧和弧的權(quán)值，其中，弧的權(quán)值通過知覺組織Gestalt定律中接近性、連續(xù)性和相似性原理量化得到。然后，通過“在帶權(quán)有向圖中尋找最短路徑”的方式解決“在圖像中提取輪廓”的問題。最后，對所有輪廓進行有效性驗證并輸出最顯著的一條輪廓。該方法可以在無目標(biāo)先驗知識的情況

6、下，快速地提取目標(biāo)輪廓。
　　2、提出了基于運動概率的幾何主動輪廓線輪廓提取方法（MGAC）。
　　針對復(fù)雜背景下運動目標(biāo)的輪廓提取問題，本文提出了利用特征光流計算運動概率的方法，并將運動概率引入到幾何主動輪廓線（GAC）方法中，提出了一種運動分割與GAC相結(jié)合的輪廓提取方法。該方法從運動分割的角度出發(fā)，首先計算KLT特征光流并進行聚類和運動模型估計，然后計算每個像素屬于目標(biāo)的概率，最后利用GAC進行目標(biāo)的輪廓提取。實驗結(jié)果

7、證明該方法是有效的。
　　3、提出了基于顏色直方圖的幾何主動輪廓線輪廓跟蹤方法（HGAC）。
　　在提取到參考圖像中目標(biāo)的輪廓之后，該方法首先對輪廓內(nèi)部區(qū)域進行顏色直方圖統(tǒng)計，并以此作為目標(biāo)的模板。然后以兩個直方圖的Bhattacharyya系數(shù)作為兩個區(qū)域相似度的定量描述，并按照“最大化輪廓內(nèi)部區(qū)域與目標(biāo)模板的相似度，最小化輪廓外部區(qū)域與目標(biāo)模板的相似度”的原則，在后續(xù)圖像中對輪廓進行演化。該方法可以在復(fù)雜背景下對目標(biāo)輪廓

8、進行穩(wěn)定的跟蹤。
　　輪廓提取和跟蹤的結(jié)果除可用于位姿估計外，還可用于目標(biāo)的特征提取、形態(tài)描述和識別等。
　　二、在基于邊緣模型的位姿估計和跟蹤方面
　　1、提出了法向距離迭代加權(quán)最小二乘位姿估計方法（ND-IRLS）和距離圖迭代最小二乘（DI-ILS）位姿估計方法。
　　本文將邊緣模型離散成采樣點集合，以采樣點為基元進行“模型-圖像”配準(zhǔn)。ND-IRLS通過對采樣點加權(quán)，解決了傳統(tǒng)的法向距離迭代最小二乘（ND-

9、ILS）位姿估計方法易受噪聲或背景干擾的問題。DI-ILS通過對測量過程的簡化，具有更好的實時性。這兩種方法都具有初值偏差容忍度大、魯棒性好的特點，并且都具有較高的精度。
　　2、提出了最小二乘粒子濾波位姿跟蹤方法（LSPF）。
　　粒子濾波（PF）是視覺跟蹤中常用的Bayesian濾波技術(shù)，LSPF方法通過重要性采樣技術(shù)將最小二乘優(yōu)化方法融入PF框架，將最小二乘方法高精度、高實時性的優(yōu)勢與PF高魯棒性的優(yōu)勢結(jié)合了起來。該方

10、法只需要少量的粒子，即可實現(xiàn)穩(wěn)定、準(zhǔn)確的目標(biāo)跟蹤。
　　除以上三種方法的研究以外，本文對這種位姿估計和跟蹤方法的具體流程進行了設(shè)計，并對模型準(zhǔn)備、方位變化預(yù)測和多像機聯(lián)合測量等問題開展了研究。
　　本文提出的以上五種新方法是對空間非合作目標(biāo)視覺跟蹤的有益嘗試，可作為空間非合作目標(biāo)位姿測量的一種輔助手段。此外，實驗結(jié)果表明本文的位姿估計與跟蹤方法對于發(fā)射段目標(biāo)位姿判讀也是有效的。這些方法已成功應(yīng)用于空間非合作目標(biāo)的3D位姿估計