[发明专利]一种用于检测和跟踪全日面图像中太阳活动区的方法

说明书

本发明涉及一种用于检测和跟踪全日面图像中太阳活动区的方法，属于天文技术和计算机视觉领域。本发明在太阳活动区检测阶段，基于深度学习的检测方法较好地解决了传统方法中一个太阳活动区被误检测为多个，或者多个太阳活动区被误检测为一个活动区的问题。在跟踪阶段，本发明将DeepSort和纬向较差自转相结合，根据太阳活动区的演化特性设计了特征提取网络，有效地提高了太阳活动区的跟踪性能。本发明还可以较好地检测和跟踪不同望远镜、不同时间间隔的序列图像中的太阳活动区。

技术领域

本发明涉及一种用于检测和跟踪全日面图像中太阳活动区的方法，属于天文技术和计算机视觉领域。

背景技术

太阳活动区是太阳强磁场区域，是太阳活动的主要能量来源。剧烈的太阳活动会导致恶劣的空间天气，比如耀斑和日冕物质抛射等，会对地球上电磁通信、电力系统、无线电传输等产生不利影响。因此对太阳活动区进行检测与跟踪，分析其演化规律，对人类的空间探索和地球生活有着重要的意义。

目前用来解决太阳活动区检测与跟踪的方法主要采用传统的图像处理技术。比如检测主要采用强度阈值法或区域生长等方法，这些方法一般需要设置参数，比如强度阈值、开闭算子阈值和区域生长的边界阈值。这些参数对于这些传统的方法来说至关重要，对参数进行了详细讨论，并给出了设置参数的一些准则。跟踪太阳活动区则主要根据纬向较差自转定律来预测其位置，然后根据欧式距离或特征的相关性进行目标关联。

发明内容

本发明提供了一种用于检测和跟踪全日面图像中太阳活动区的方法，以用于通过该方法有效地检测和跟踪全日面图像中的太阳活动区。

本发明的技术方案是：一种用于检测和跟踪全日面图像中太阳活动区的方法，所述步骤如下：

步骤1：数据预处理：接收一组太阳活动区全日面纵向磁图数据，将序列数据转换成JPG格式，得到一组太阳活动区全日面序列图像F₁,F₂,...F_i；其中，i表示一组太阳活动区全日面序列图像为i帧；

步骤2：采用Darknet-53提取特征：将太阳活动区全日面图像F₁,F₂,...F_i分别经过Darknet-53网络，提取特征图；

步骤3：采用多尺度预测得到检测结果：将特征图经过多尺度预测得到检测阶段的预测结果；接着，采用非极大值抑制方法去除多余的检测阶段的预测结果，剩下的检测阶段的预测结果作为检测结果；其中，多尺度预测为YOLOv3-spp网络的yolo层；检测阶段的预测结果包含位置和尺寸；

步骤4：采用太阳活动区重识别网络提取检测结果的特征向量：采用太阳活动区重识别网络提取检测结果的特征向量，根据检测结果的特征向量与步骤3中检测结果的位置、尺寸生成太阳活动区检测集合D＝{d₁,d₂,...d_i}；其中，太阳活动区检测集合的子集d_j保存了第j帧检测结果的位置、尺寸和特征向量；

步骤5：初始化轨迹：首先处理第一帧图像F₁，将F₁帧对应的d₁中保存的每个检测结果均分配一个轨迹，每个轨迹对应一个ID，然后根据F₁帧对应的d₁中保存的检测结果的特征向量、位置和尺寸以及每个轨迹的ID得到F₁帧的跟踪结果t1；最后生成太阳活动区跟踪集合T＝{t₁}；

步骤6：对太阳活动区全日面序列图像中除F₁之外的F₂,F₃,...F_i进行跟踪，具体步骤如下：