一种基于深度强化学习的空间暗弱小目标检测方法技术

本发明专利技术涉及一种基于深度强化学习的空间暗弱小目标检测方法，该方法将包含空间暗弱小目标的序列帧星图数据输入训练好的空间暗弱小目标检测模型中，实现对空间暗弱小目标的检测；空间暗弱小目标检测模型以深度Q网络为基础算法建立基于深度强化学习DRL的空间暗弱小目标检测算法，检测算法将空间暗弱小目标检测问题建模为马尔可夫决策过程并设计奖励函数，通过DRL智能体基于序列帧星图数据的时空管道信息作出目标区域定位决策。本发明专利技术将暗弱空间目标检测问题建模为马尔可夫决策过程，设计了基于深度强化学习的检测算法，算法以星图序列的时空管道信息作为输入，检测过程不需要提取图片特征，有效规避了空间目标缺乏特征的缺陷。陷。陷。

【技术实现步骤摘要】
一种基于深度强化学习的空间暗弱小目标检测方法


[0001]本专利技术涉及目标检测、图像处理、深度强化学习
，具体涉及一种基于深度强化学习的空间暗弱小目标检测方法。

技术介绍

[0002]空间运动目标主要包括近地空间的卫星和空间碎片，随着太空军事化逐步向地月空间迈进，空间物体的广域监视是目前监视领域急需解决的问题。空间暗弱小目标检测是实现空间目标监视的关键技术之一。然而，空间目标检测待检测目标距离非常远，目标在探测器像面上成像近似为点状或短条状，仅占很少的几个像元，目标成像信噪比低，容易被星图背景中不均匀起伏的噪声淹没。同时，目标仅有灰度信息，在单帧图像上其特征与星图背景中大量的恒星相似，难以区分。因此，常用的基于目标特征的检测算法难以适用于空间目标的检测。
[0003]空间暗弱小目标是指空间存在的像素较小、星等较大、信噪比较低的目标。学术界对小目标有多种定义方式，普遍的一种定义是指成像尺寸小于32
×
32像素的目标。对于本专利技术来讲，更侧重于成像尺寸小于5
×
5的空间小目标。星等较大的暗空间目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度强化学习的空间暗弱小目标检测方法，该方法包括：将包含空间暗弱小目标的序列帧星图数据输入训练好的空间暗弱小目标检测模型中，实现对空间暗弱小目标的检测；所述空间暗弱小目标检测模型以深度Q网络为基础算法建立基于深度强化学习DRL的空间暗弱小目标检测算法，检测算法将空间暗弱小目标检测问题建模为马尔可夫决策过程并设计奖励函数，通过DRL智能体基于序列帧星图数据的时空管道信息作出目标区域定位决策。2.根据权利要求1所述的基于深度强化学习的空间暗弱小目标检测方法，其特征在于，所述方法对空间暗弱小目标检测模型训练时包括以下步骤：步骤A.获取星图图像的纯仿真数据、半物理仿真数据及真实数据，对于纯仿真数据、半物理仿真数据，分别建立训练数据集和测试数据集；对于真实数据，建立测试数据集；步骤B. 构建星图预处理算法，对步骤A中获取的数据进行初步处理包括：去除传感器噪声、热像素噪声及背景非均匀性噪声；步骤C. 建立空间暗弱小目标检测模型：以深度Q网络为基础算法构建基于深度强化学习的空间目标检测算法，通过DRL智能体基于序列帧星图数据的时空管道信息作出目标区域定位决策，生成候选检测区域；将空间暗弱小目标检测问题建模为马尔可夫决策过程；使用包含空间目标的序列帧星图数据作为输入，获取目标检测结果；步骤D.设置损失函数和训练参数，使用训练数据集对检测模型进行训练，得到训练好的空间暗弱小目标检测模型。3.根据权利要求1所述的基于深度强化学习的空间暗弱小目标检测方法，其特征在于，所述步骤A包括以下步骤：步骤A1：使用仿真平台获取纯仿真数据，具体包括：步骤A1.1：在纯黑图片中添加噪声，包括传感器噪声、热像素噪声以及背景不均匀性噪声，作为含噪背景；步骤A1.2：基于二维高斯分布生成仿真恒星；仿真时，设定要生成恒星的数量，仿真程序将会生成对应数量的恒星，并为每颗恒星随机指定位置、大小及星等，并基于星等计算恒星灰度值；步骤A1.3：基于二维高斯分布生成仿真目标；仿真时，设定要生成目标的数量、位置、大小、像移长度以及信噪比；对于给定信噪比及含噪背景，生成目标的中心灰度值；步骤A1.4：通过设置不同参数，包括数据集总星图序列条数、每条序列包含的帧数、每帧图片的尺寸，输出得到仿真图像序列数据集；步骤A2：使用仿真平台获取半物理仿真数据，具体包括：步骤A2.1：导入若干帧天文望远镜拍摄的不含目标的真实星空图像序列；步骤A2.2：基于二维高斯分布生成仿真目标；仿真时，设定要生成目标的数量、位置、大小、像移长度以及信噪比，并将仿真目标按照时序加入到真实星图序列中；步骤A2.3：输出得到半物理仿真图像序列数据集；步骤A3：使用天文望远镜拍摄含目标的真实星图序列，具体包括：步骤A3.1：选择合适焦比及口径的天文望远镜，设置其工作模式为“凝视目标模式”，指向存在目标的天区；
步骤A3.2：设置相机的参数，包括：采样间隔、曝光时间、输出帧数；步骤A3.3：通过设置望远镜指向不同存在目标的天区，拍摄得到真实星图数据，输出为真实数据集。4.根据权利要求2所述的基于深度强化学习的空间暗弱小目标检测方法，其特征在于，所述步骤A1.2中，基于二维高斯分布生成仿真恒星时，采用二维高斯分布模拟恒星在光学相机中成像的点扩散效应，计算式为：式中，G(x,y)为(x,y)位置上的像素灰度值，(x,y)为仿真恒星时像素点坐标，(x
c
,y
c
)为恒星中心坐标，σ
x
、σ
y
分别为仿真恒星时坐标x、y的标准差，且σ
x
=σ
y
，A为恒星中心像素灰度值；基于星等计算恒星灰度值g的计算式为：式中，m为星等；所述步骤A1.3和步骤A2.2中，设定目标信噪比的计算式为：式中，μ
T
和μ
B
分别为目标和目标邻域背景的平均灰度值，目标邻域定义为目标边界周围5~8个像素内的区域，σ
B
为目标邻域背景灰度值的标准差；生成目标的中心灰度值g
c
的计算式为：式中，i为第i个像素点；x
i
，y
i
为第i个像素点的像素坐标；n0为要生成的目标大小；为目标扩散方差。5.根据权利要求2所述的基于深度强化学习的空间暗弱小目标检测方法，其特征在于，所述步骤C包括：步骤C1：候选检测区域生成，具体包括以下步骤：首先，将经过预处理的序列帧每帧图像划分成n
×
n个格子，则每个格子的尺寸为(M/n)
...

【专利技术属性】
技术研发人员：苏晟平，牛文龙，郭颖颐，彭晓东，李彦钊，王迪，
申请(专利权)人：中国科学院国家空间科学中心，
类型：发明
国别省市：