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(cè)量航天器之間的相對(duì)位置和姿態(tài)（統(tǒng)稱為位姿）是完成空間交會(huì)對(duì)接、攻防對(duì)抗、在軌捕獲與維護(hù)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(cè)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(duì)目標(biāo)航天器成像，再對(duì)其圖像特征進(jìn)行提取和解算，以實(shí)現(xiàn)位姿測(cè)量。與其它測(cè)量技術(shù)相比，這種技術(shù)具有直觀、精度高和自主性強(qiáng)等優(yōu)勢(shì)，已成為上述航天任務(wù)最后逼近段相對(duì)位姿測(cè)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(cè)量方法已經(jīng)得到了深入的研究和成功的應(yīng)用，相對(duì)而言，對(duì)空間非合作目標(biāo)進(jìn)行視覺測(cè)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(duì)它們進(jìn)行測(cè)量更具有普遍意義。
　　對(duì)非合作目標(biāo)進(jìn)行位姿視覺測(cè)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(duì)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(jìn)行位姿測(cè)量。

3、對(duì)于近距離、成像尺寸大的目標(biāo)，相對(duì)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(jìn)行位姿測(cè)量具有較大的技術(shù)優(yōu)勢(shì)。
　　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?jī)?nèi)容包括兩大部分：一是針對(duì)遠(yuǎn)距離目標(biāo)的輪廓提取與跟蹤方法，二是針對(duì)近距離目標(biāo)的基于邊緣模型的位姿估計(jì)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(jì)方法的輸入，用于遠(yuǎn)距離位姿估計(jì)或近距離位姿初

4、值估計(jì)。基于邊緣模型的位姿估計(jì)和跟蹤方法屬于3D跟蹤的范疇，該方法首先按照位姿初值對(duì)邊緣模型進(jìn)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(jì)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(diǎn)：
　　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(shí)，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(duì)特征進(jìn)行組織的方法，可以有效地解決這個(gè)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(jià)分別轉(zhuǎn)化為一個(gè)帶權(quán)有向圖中的頂點(diǎn)、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(duì)所有輪廓進(jìn)行有效性驗(yàn)證并輸出最顯著的一條輪廓。該方法可以在無目標(biāo)先驗(yàn)知識(shí)的情況

6、下，快速地提取目標(biāo)輪廓。
　　2、提出了基于運(yùn)動(dòng)概率的幾何主動(dòng)輪廓線輪廓提取方法（MGAC）。
　　針對(duì)復(fù)雜背景下運(yùn)動(dòng)目標(biāo)的輪廓提取問題，本文提出了利用特征光流計(jì)算運(yùn)動(dòng)概率的方法，并將運(yùn)動(dòng)概率引入到幾何主動(dòng)輪廓線（GAC）方法中，提出了一種運(yùn)動(dòng)分割與GAC相結(jié)合的輪廓提取方法。該方法從運(yùn)動(dòng)分割的角度出發(fā)，首先計(jì)算KLT特征光流并進(jìn)行聚類和運(yùn)動(dòng)模型估計(jì)，然后計(jì)算每個(gè)像素屬于目標(biāo)的概率，最后利用GAC進(jìn)行目標(biāo)的輪廓提取。實(shí)驗(yàn)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(dòng)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(duì)輪廓內(nèi)部區(qū)域進(jìn)行顏色直方圖統(tǒng)計(jì)，并以此作為目標(biāo)的模板。然后以兩個(gè)直方圖的Bhattacharyya系數(shù)作為兩個(gè)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(duì)輪廓進(jìn)行演化。該方法可以在復(fù)雜背景下對(duì)目標(biāo)輪廓

8、進(jìn)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(jì)外，還可用于目標(biāo)的特征提取、形態(tài)描述和識(shí)別等。
　　二、在基于邊緣模型的位姿估計(jì)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(jì)方法（ND-IRLS）和距離圖迭代最小二乘（DI-ILS）位姿估計(jì)方法。
　　本文將邊緣模型離散成采樣點(diǎn)集合，以采樣點(diǎn)為基元進(jìn)行“模型-圖像”配準(zhǔn)。ND-IRLS通過對(duì)采樣點(diǎn)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(jì)方法易受噪聲或背景干擾的問題。DI-ILS通過對(duì)測(cè)量過程的簡(jiǎn)化，具有更好的實(shí)時(shí)性。這兩種方法都具有初值偏差容忍度大、魯棒性好的特點(diǎn)，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(shí)時(shí)性的優(yōu)勢(shì)與PF高魯棒性的優(yōu)勢(shì)結(jié)合了起來。該方

10、法只需要少量的粒子，即可實(shí)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(duì)這種位姿估計(jì)和跟蹤方法的具體流程進(jìn)行了設(shè)計(jì)，并對(duì)模型準(zhǔn)備、方位變化預(yù)測(cè)和多像機(jī)聯(lián)合測(cè)量等問題開展了研究。
　　本文提出的以上五種新方法是對(duì)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(cè)量的一種輔助手段。此外，實(shí)驗(yàn)結(jié)果表明本文的位姿估計(jì)與跟蹤方法對(duì)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(jì)