[发明专利]一种基于深度学习的GEO空间目标提取方法

说明书

本发明公开了一种基于深度学习的GEO空间目标提取方法，包括：利用地面望远镜采集图像序列；将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。本发明的基于深度学习的GEO空间目标提取方法无需依赖望远镜相机姿态等信息，即可实现GEO空间目标的提取，并且能够显著提高GEO空间目标检测准确性。

技术领域

本发明涉及空间目标监测技术领域，具体涉及一种基于深度学习的GEO空间目标提取方法。

背景技术

由于地球同步轨道存在很多重要的空间资产，如通信、导航、侦察、预警、气象等大型卫星，因此，对GEO(对地同步轨道)空间目标进行监视具有非常重要的意义。

地面望远镜是目前进行太空目标监视的重要手段之一，利用地面望远镜相机进行监视时，因GEO空间目标与近GEO空间目标相对于地面观测者的移动速度较低，在相机的曝光时间内其反射的光子在相机像面聚集为几个像素的点状弥散光斑，但是由于目标距离地球太远，所形成的光斑亮度较暗。而恒星相对地面观测者的移动速度较高，在相机的曝光时间内可以移动几个像素单元，且在能量累积下表现为拖长的线状。

因此，在利用地面望远镜相机进行GEO空间目标监视时，望远镜视场中会存在大量的恒星，恒星的亮度与其星等有关，在相机获取的图像中表现为大量的亮线与暗线；同时由于存在云层、光污染、传感器噪声、缺陷以及恒星遮挡等现象，导致利用现有的图像目标提取方法难以从望远镜相机图像中快速、准确地提取出GEO空间目标。同时，针对低成本的地面望远镜而言，其拍摄的GEO空间目标能量更加暗弱，信噪比较低，更容易使GEO空间目标淹没在恒星与噪声背景之中，导致目标的提取更加困难。并且，现有的图像目标提取方法还需要依赖地面望远镜姿态等信息才能够完成目标提取。

发明内容

为解决上述现有技术中存在的部分或全部技术问题，本发明提供一种基于深度学习的GEO空间目标提取方法。

本发明的技术方案如下：

提供了一种基于深度学习的GEO空间目标提取方法，所述方法包括：

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。

在一些可能的实现方式中，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。

在一些可能的实现方式中，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。