[发明专利]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

说明书

本发明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。

技术领域

本发明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。

背景技术

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。

发明内容

本发明的目的在于：本发明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。

本发明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；