[发明专利]一种基于深度学习的GEO空间目标提取方法

权利要求书

1.一种基于深度学习的GEO空间目标提取方法，其特征在于，包括：

利用地面望远镜采集图像序列；

将所述图像序列中的每帧图像分别输入预先训练的目标检测网络模型，得到每帧图像中恒星的位置信息；

利用恒星的质心位置作为特征点进行匹配，根据匹配结果求出图像之间的相对变换关系；

从图像中提取出疑似GEO空间目标；

利用深度学习识别网络进行GEO空间目标的鉴别，剔除疑似GEO空间目标中的虚假目标；

基于鉴别后的GEO空间目标，进行目标数据关联、目标轨迹预测更新和目标轨迹管理。

2.根据权利要求1所述的基于深度学习的GEO空间目标提取方法，其特征在于，所述利用地面望远镜采集图像序列，包括：

利用所述地面望远镜以预设曝光时间进行太空观测，获取一帧图像；

以预设时间间隔连续采集多帧图像，得到图像序列。

3.根据权利要求1所述的基于深度学习的GEO空间目标提取方法，其特征在于，所述目标检测网络模型通过如下步骤训练得到：

获取训练样本集合，训练样本包括包含有恒星的样本图像、与样本图像对应的恒星位置；

将所述训练样本集合中的训练样本的样本图像作为输入，将与输入的样本图像对应的恒星位置作为输出，训练得到所述目标检测网络模型。

4.根据权利要求3所述的基于深度学习的GEO空间目标提取方法，其特征在于，所述目标检测网络模型包括Faster RCNN网络、SSD网络和YOLO网络中的一种。

5.根据权利要求1所述的基于深度学习的GEO空间目标提取方法，其特征在于，所述利用恒星的质心位置作为特征点进行匹配，包括：

以恒星的质心位置作为特征点，利用全局最近邻算法进行全局最优点集匹配，得到同名匹配点对。

6.根据权利要求5所述的基于深度学习的GEO空间目标提取方法，其特征在于，所述利用恒星的质心位置作为特征点进行匹配，还包括：

利用随机抽样一致算法对获取的同名匹配点对进行筛选。

7.根据权利要求1-6中任一项所述的基于深度学习的GEO空间目标提取方法，其特征在于，所述相对变换关系包括平移变换关系。

8.根据权利要求1-7中任一项所述的基于深度学习的GEO空间目标提取方法，其特征在于，所述从图像中提取出疑似GEO空间目标，包括：

在每帧图像中，采用滑窗形式提取GEO空间目标，其中，滑窗包括目标窗、保护窗和背景窗；

计算提取的GEO空间目标的局部峰值信噪比；

判断所述局部峰值信噪比是否大于预设阈值，若是，将GEO空间目标认定为疑似GEO空间目标；

利用所述预设阈值对图像进行分割，得到包含疑似GEO空间目标的二值图；

通过形态学处理对亮点区域进行8连通域标记，将疑似GEO空间目标提取出。

9.根据权利要求1所述的基于深度学习的GEO空间目标提取方法，其特征在于，所述深度学习识别网络包括多层卷积与池化模块，所述多层卷积与池化模块通过提取真实目标与虚假目标的区分特征，给出二分类的识别结果，确定疑似GEO空间目标为真实目标或虚假目标。

10.根据权利要求1所述的基于深度学习的GEO空间目标提取方法，其特征在于，所述进行目标数据关联、目标轨迹预测和目标轨迹管理，包括：

利用数据关联算法进行多帧图像间的GEO空间目标数据关联；

根据关联结果，利用卡尔曼滤波算法进行GEO空间目标的轨迹预测；

根据轨迹预测结果，利用逻辑法进行目标轨迹管理，确定各个目标的轨迹；

其中，所述利用逻辑法进行目标轨迹管理，包括：

在轨迹起始时，针对每个目标，确定是否在第一预设帧数中是否有第二预设帧数以上有效的目标状态量测值，若是，则利用多帧有效的目标状态量测值构成暂时轨迹，以作为当前目标的确定轨迹；

针对已有的目标的确定轨迹，若从某一帧开始连续第二预设帧数均没有相应的目标状态量测值，则认定当前的确定轨迹终止，若没有相应的目标状态量测值的帧数少于第二预设帧数，则利用目标状态预测值作为相应时刻的目标状态值进行目标轨迹更新；

其中，所述目标状态量测值表示目标状态真实值与目标状态预测值的加权平均数。