基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法技术

本发明专利技术公开了基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法，涉及天基星空背景弱小点目标跟踪方法领域；其包括点目标检测、利用连续的两帧目标点集的位置坐标实现帧配准；通过阈值分离聚类器对上述目标点集进行聚类获得每一个类群中权重最大的预测目标后，通过动态权重提取算法获取最终的预测结果，完成目标跟踪；本发明专利技术利用ICP图像帧配准、阈值分离聚类器和动态权重提取算法解决现有运动的目标背景和恒星干扰导致天基星空背景弱小目标跟踪精度差的问题，有效地实现了天基观测平台、星空背景下弱小点目标高精度检测跟踪。

Weak Point Target Tracking in Space-based Star Background Based on Threshold Separation Cluster

【技术实现步骤摘要】
基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法
本专利技术涉及天基星空背景弱小点目标跟踪方法领域，尤其是基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法。
技术介绍
对天基运动背景中点目标探测跟踪一直是空天领域研究中的热点问题之一，对于空间监视、预警和航天飞行器安全等都有着十分重要的作用。基于近地轨道天基平台和红外传感器对深空进行探测，具有探测距离远、覆盖范围广、测量精度高、隐蔽性强等优点，已成为空间目标跟踪监视的主要途径；但基于天基平台的深空弱小目标探测跟踪以下难点：(1)成像距离远，点目标在图像中往往呈现微弱点状，没有轮廓、纹理和形状等特征；(2)跟踪目标和恒星都是以一两个像素的方式无差别的出现，使得弱小目标很容易淹没在复杂的星空背景中；(3)由于观测平台运动特性，不同观测帧之间的星空背景具有相对运动；(4)由于大气干扰、各种交织噪声干扰，目标和恒星都具有闪烁特性，这也极大干扰算法跟踪的稳定性。为保持正确的跟踪，传统多目标跟踪方法采用“量测-航迹”的数据关联技术，而由于其数据组合爆炸的特性，使得基于数据关联的两种主流算法--概率数据关联算法(JPDA)和多假设方法(MHT)在计算过程中会产生巨大的运算消耗。Mahler提出利用随机有限集合统计学理论，把目标的状态值和观测值分别用随机有限集合表示成目标的状态集合和观测集合，并在贝叶斯框架下，提出概率假设滤波(PHD)。PHD采用多目标后验概率分布的一阶统计量来替代目标的后验概率分布，避免了传统的数据关联，并有效地减少了计算消耗，对于PHD滤波，高斯混合概率假设滤波(GM-PHD)和序贯蒙特卡洛概率假设滤波(SMC-PHD)为两个闭解，其中GM-PHD算法是PHD的一种线性闭解。近年来，基于PHD算法的广泛适用性而被大量的运用于雷达目、视觉目标、扩展目标等不同工程领域。近些年，许多学者针对GM-PHD算法存在的缺点进行了许多改进研究，第一个是对紧密空间和分布密集场景所进行的方法研究。目标在紧密间隔的目标跟踪场景中出现或消失时，目标之间会相互产生影响，导致目标的数量及其状态估计会变得十分困难。现有方法主要从状态空间，动态检测，惩罚权重这三个方面进行改进，但依然存在以下问题：目标检测跟踪监测的干扰来自于大量时刻存在的恒星信息，现有算法容易将一直存在的背景干扰识别成新生目标，比如前向后向平滑滤波算法，N扫描GM-PHD算法等，在每一次剪枝合并之后，都会提取出权重大于0.5的高斯分量作为本次剪枝合并的结果输出，剩余的高斯分量连同输出一起作为下一时刻的输入而进入新一次的预测更新过程中。而在星空背景中，由于恒星信息一直存在，导致在每次迭代过程中其权重值会逐渐大于0.5，最后被传统算法识别成真实目标，并随着时间步一直跟踪下去；表明这一类算法难以应对场景中一直存在的背景干扰噪声，容易将这些背景噪声视为新生目标，聚类时把特殊位置的恒星单独聚成一类，把阈值设定为固定值，导致极大的跟踪误差；另一方面，运动的传感器平台造成运动的目标背景，是天基红外弱小目标跟踪的难点。因此，需要一种弱小点目标跟踪方法克服以上问题，实现高精度跟踪。
技术实现思路
本专利技术的目的在于：本专利技术提供了基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法,解决现有运动的目标背景和恒星干扰导致天基星空背景弱小目标跟踪精度差的问题。本专利技术采用的技术方案如下：基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法，包括如下步骤：步骤1：检测图像帧中弱小目标后转换为目标点集完成点目标检测，获取帧序列目标点集；步骤2：利用连续的两帧目标点集的位置坐标实现ICP图像帧配准；步骤3：通过阈值分离聚类器对上述目标点集进行聚类获得每一个类群中权重最大的预测目标后，通过动态权重提取算法获取最终的预测结果，完成目标跟踪。优选地，所述步骤2包括如下步骤：步骤2.1：对Of中的一点到Oc中寻找与其距离最近的点即求直至Of中的每个点都在Oc中找到对应点即pj，获取点集p,公式如下：p＝C(Of，Y)其中,表示点和之间的欧氏距离，Y表示图像中所有的待匹配点，Oc＝{(xj，yj)}(j＝1，...mc)和Of＝{(xj，yj)}(j＝1，...mf)分别表示需要进行ICP配准的第c和第f个点集,表示第c个点集中参与匹配的第k个点，表示第f个点集中参与匹配的第j个点，表示第c个点集中参与匹配的第j个点；步骤2.2：将点集Of和点集p组成的点对的均方误差作为目标函数解出刚性变换参数R和t：其中，R表示旋转矩阵，t表示平移向量，pi表示点集p中第i个点；步骤2.3：将得到的变换参数R和t，代入待配准点集进行几何变换，得到新的点集：Of，new＝q(Of)步骤2.4：令Of＝Of，new，重复步骤2.1-2.3不断迭代求解使得对应点均方误差之和最小，获取变换参数矩阵。优选地，所述步骤3包括如下步骤：步骤3.1：经初始化、预测、更新和剪枝合并获取Zk，Zk表示k时刻经过剪枝合并后的目标集合；步骤3.2：通过目标的速度阈值和距离阈值将Zk聚类成多个S·,k，其中S·,k表示某一个具体子类群，并输出每个S·,k中概率最大的高斯分量作为真实目标的可能结果，最后通过动态权重提取算法完成聚类和状态提取，获取预测结果。优选地，所述步骤3.2包括如下步骤：步骤3.2.1：找出Zk中权重最大的高斯分量索引，并存储该权重值到Wk中：其中，Wk表示k时刻Zk中所有权重的集合，Gk表示时刻剪枝合并后的测量值个数，且j＝{1,...,Gk}，表示k时刻第j个目标的权重，Zk包含多个步骤3.2.2：计算出第i个高斯分量和第j个高斯分量的速度阈值speedi,j和对应的欧氏距离di,j：其中，R0表示[0101]的列矩阵，用于分离速度阈值时进行点乘；R1和R2分别表示[1000]、[0010]的列矩阵，用于分离目标的位置信息；表示k时刻第i个目标的协方差矩阵；步骤3.2.3：把所有满足预设速度阈值Mspeedinit和欧式距离Dinit的高斯分量进行聚类：其中，Si,k表示k时刻第i个子类群，mspeedi,j表示第i个目标和第j个目标之间计算得到的速度阈值，Di,j表示第i个目标和第j个目标计算得到的欧式距离；步骤3.2.4：获取每一个S·,k中权重最大的高斯分量，并作为真实目标的可能结果进行输出：其中，Yk表示聚类后总的类群个数，表示k时刻第r个目标的预测结果，表示第k时刻第r个目标；步骤3.2.5：找到中最小的权重值，并获得所有权重的平均值：步骤3.2.6：状态提取：其中，表示k时刻目标位置信息的预测值，表示k时刻权重大于0.5的所有预测结果，表示k时刻第i个目标的预测结果。优选地，所述步骤3.2.4包括如下步骤：步骤3.2.4.1：Wk求和后并向下取整，获得k时刻可能预测出的目标数numberk；步骤3.2.4.2：若numberk＞numberk-1，则判断每一个S·,k中权重最大的两个高斯分量的权重值之差是否小于0.1，若小于，则跳至步骤3.2.4.3，否则跳至步骤3.2.4.4；步骤3.2.4.3：输出该类群中权重值第二大的高斯分量；步骤3.2.4.4：输出权重值最大的高斯分量。综上所述，由于采用了上述技术方案，本专利技术的有益效果是：1.本专利技术采用基于稀本文档来自技高网...

【技术保护点】
1.基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法，其特征在于：包括如下步骤：步骤1：检测图像帧中弱小目标后转换为目标点集完成点目标检测，获取帧序列目标点集；步骤2：利用连续的两帧目标点集的位置坐标实现ICP图像帧配准；步骤3：通过阈值分离聚类器对上述目标点集进行聚类获得每一个类群中权重最大的预测目标后，通过动态权重提取算法获取最终的预测结果，完成目标跟踪。

【技术特征摘要】
1.基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法，其特征在于：包括如下步骤：步骤1：检测图像帧中弱小目标后转换为目标点集完成点目标检测，获取帧序列目标点集；步骤2：利用连续的两帧目标点集的位置坐标实现ICP图像帧配准；步骤3：通过阈值分离聚类器对上述目标点集进行聚类获得每一个类群中权重最大的预测目标后，通过动态权重提取算法获取最终的预测结果，完成目标跟踪。2.根据权利要求1所述的基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法，其特征在于：所述步骤2包括如下步骤：步骤2.1：对Of中的一点到Oc中寻找与其距离最近的点即求直至Of中的每个点都在Oc中找到对应点即pj，获取点集p,公式如下：p＝C(Of，Y)其中,表示点和之间的欧氏距离，Y表示图像中所有的待匹配点，和Of＝{(xj，yj)}(j＝1，...mf)分别表示需要进行ICP配准的第c和第f个点集,表示第c个点集中参与匹配的第k个点，表示第f个点集中参与匹配的第j个点，表示第c个点集中参与匹配的第j个点；步骤2.2：将点集Of和点集p组成的点对的均方误差作为目标函数解出刚性变换参数R和t：其中，R表示旋转矩阵，t表示平移向量，pi表示点集p中第i个点；步骤2.3：将得到的变换参数R和t，代入待配准点集进行几何变换，得到新的点集：Of，new＝q(Of)步骤2.4：令Of＝Of，new，重复步骤2.1-2.3不断迭代求解使得对应点均方误差之和最小，获取变换参数矩阵。3.根据权利要求1所述的基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法，其特征在于：所述步骤3包括如下步骤：步骤3.1：经初始化、预测、更新和剪枝合并获取Zk，Zk表示k时刻经过剪枝合并后的目标集合；步骤3.2：通过目标的速度阈值和距离阈值将Zk聚类成多个S·,k，其中S·,k表示某一个具体子类群，并输出每个S·,k中概率最大的高斯分量作为真实目标的可能结果，最后通过动态权重提取算法完成聚类和状态提取，获取预测结果。4.根据权利要求3所述的基于阈值分离聚类...

【专利技术属性】
技术研发人员：高志升，罗清清，
申请(专利权)人：西华大学，
类型：发明
国别省市：四川,51