基于輪廓和邊緣的空間非合作目標視覺跟蹤.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的先決條件?；诠鈱W成像敏感器的視覺測量技術利用安裝在追蹤航天器上的光學成像敏感器對目標航天器成像，再對其圖像特征進行提取和解算，以實現(xiàn)位姿測量。與其它測量技術相比，這種技術具有直觀、精度高和自主性強等優(yōu)勢，已成為上述航天任務最后逼近段相對位姿測量的主要手段。
　　目標航天器按照是否安裝了合作標志，分為合作目標和非合作目標?？?/p>

2、間合作目標的視覺測量方法已經得到了深入的研究和成功的應用，相對而言，對空間非合作目標進行視覺測量更具挑戰(zhàn)性。而且由于空間絕大多數(shù)目標都是非合作目標，對它們進行測量更具有普遍意義。
　　對非合作目標進行位姿視覺測量，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。對于遠距離、成像尺寸小的目標，其細節(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，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優(yōu)勢。
　　本文研究了基于輪廓和邊緣的空間非合作目標視覺跟蹤方法，研究內容包括兩大部分：一是針對遠距離目標的輪廓提取與跟蹤方法，二是針對近距離目標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，其結果可作為基于輪廓位姿估計方法的輸入，用于遠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，迭代地求解位姿精確值，以達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）。
　　當背景復雜時，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化為一個帶權有向圖中的頂點、弧和弧的權值，其中，弧的權值通過知覺組織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先驗知識的情況

6、下，快速地提取目標輪廓。
　　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）。
　　針對復雜背景下運動目標的輪廓提取問題，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的概率，最后利用GAC進行目標的輪廓提取。實驗結果

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的輪廓之后，該方法首先對輪廓內部區(qū)域進行顏色直方圖統(tǒng)計，并以此作為目標的模板。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“最大化輪廓內部區(qū)域與目標模板的相似度，最小化輪廓外部區(qū)域與目標模板的相似度”的原則，在后續(xù)圖像中對輪廓進行演化。該方法可以在復雜背景下對目標輪廓

8、進行穩(wěn)定的跟蹤。
　　輪廓提取和跟蹤的結果除可用于位姿估計外，還可用于目標的特征提取、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。ND-IRLS通過對采樣點加權，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，LSPF方法通過重要性采樣技術將最小二乘優(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、準確的目標跟蹤。
　　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計，并對模型準備、方位變化預測和多像機聯(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視覺跟蹤的有益嘗試，可作為空間非合作目標位姿測量的一種輔助手段。此外，實驗結果表明本文的位姿估計與跟蹤方法對于發(fā)射段目標位姿判讀也是有效的。這些方法已成功應用于空間非合作目標的3D位姿估計