基于统计特征空间提取和支持向量机的极暗弱小天体检测方法

小天体检测是小天体防御和预警的前提。针对小天体目标信噪比低、检测难的问题,提出了基于统计特征空间提取和支持向量机（SVM）的极暗弱小天体检测方法。区别于传统方法基于时间或空间上目标的能量和背景噪声能量的瞬时能量差别或是瞬时能量差别的累积,对目标进行检测。该方法不依赖目标能量大小,提取运动目标穿过背景时对稳定性产生的扰动来反演运动目标。将输入的图像序列转化为单像元时序信号,划分时序窗口提取统计特征,关联形成统计特征空间,利用更高维度的变化特性检测目标变化。通过SVM将暗弱小天体检测问题转化为目标与背景的二分类问题,避开了较难解决的阈值分割问题同时具有更好的泛化性能。利用真实数据与其他经典方法进行对比分析,使得分类准确率提高4.02%。该方法能够适应更低的信噪比,在极低信噪比下仍表现出稳定的检测性能。     

Unmixing method for hyperspectral data based on sub-space method with learning process

An unmixing method for hyperspectral Earth observation satellite imagery data is proposed. It is based on a sub-space method with learning process. The proposed method utilizes a sub-space for feature space during unmixing. It is used to be done in a feature space which consists of spectral bands of observation vectors. As the results from the experiments with airborne based hyperspectral imagery data, AVIRIS, it is found that the proposed unmixing is superior to the other existing method in terms of decomposition accuracy and the process time required for the decompositions.     

Space object material identification method of hyperspectral imaging based on Tucker decomposition

Space object material identification method based on Tucker decomposition is proposed and demonstrated experimentally. Space target generally has a low spatial resolution because of the limitation in detection distance. Hyperspectral imaging (HSI) technology can capture the image from visible light to shortwave infrared continuously while providing the spatial and spectral information of the target, thereby introducing a new space target detection and identification approach. However, the data obtained by the HSI system often contain mixed pixels, thereby causing difficulties in target material identification. In this work, a material identification method of hyperspectral data based on Tucker decomposition is proposed by combining mixed spectral theory with tensor decomposition. The feasibility of the method is verified by using satellite model hyperspectral data with different spatial resolutions compared with the endmember obtained from the non-negative matrix decomposition (NMF), independent component analysis (ICA), tensor singular value decomposition (t-SVD). The average CORR of NMF, ICA, t-SVD and the proposed method is 0.2694, 0.5818, 0.6397 and 0.937, correspondingly. Therefore, the proposed method has demonstrated a more remarkable performance in terms of material identification, the analysis results of the material abundance distribution that used the proposed method.     

基于卫星遥感的岛礁影像多类目标智能化提取

卫星遥感影像具有背景复杂、目标尺度不一、观测方向各异、纹理不清晰等特点,主流的深度学习目标检测算法不能直接适用于卫星遥感影像的目标检测。改进了RetinaNet,使其适用于卫星遥感影像。首先设计了一种新的特征融合方式,融合ResNet50输出的特征图,使得融合后的特征图同时具有高层语义信息和低层纹理细节信息。为了减弱遥感影像复杂背景对目标特征的影响,设计了特征感知模块,在减弱噪声对特征图影响的同时增强有用特征。挑选DOTA数据集中船只、飞机和存储罐图像进行训练和测试。改进的算法与RetinaNet相比,飞机、船只和存储罐的平均精度分别提高了41%、25%、24%。基于高分二号卫星（GF 2）真实影像数据的试验结果表明,提出的算法能够用于卫星遥感岛礁影像的多类目标智能化提取。     

基于抗噪声ICA的高光谱数据特征提取方法

特征提取是高光谱数据应用的一个重要环节,用于将高光谱数据中具有特殊性质的地物分离出来并去除冗余信息.提出了一种使用独立成分分析(ICA,Independent Component Analysis)进行高光谱遥感地物特征提取的方法.为了解决ICA对噪声过分敏感的问题,采用最大噪声分量(MNF,Maximum Noise Fraction)算法替代传统的主成分分析对数据作降噪处理,由MNF引出的不完全独立成分分析(UICA,Undercomplete ICA)在不牺牲特征提取能力的情况下能够获得很高的运算效率.给出了HYDICE和PHI的数据试验结果,分别测试了算法在时间效率和特征提取能力方面的性能,证明了该算法具有预期的性能.     

空间目标RCS序列的分形分析

空间运动目标雷达散射截面(RCS)序列为非平稳时间序列, 常用时间序列分析方法很难对其进行分析和特征提取。针对部分空间运动目标 RCS序列的变化规律, 首次引入了分数布朗运动模型对其 RCS序列进行分析和特征提取。实测数据处理结果表明,其RCS序列具有分形特性, 其分形维可作为空间目标识别的有效特征。     

基于窄带雷达RCS序列的空间目标尺寸估计

从窄带雷达横截面积(RCS)序列中提取目标尺寸特征对空间目标的分类识别具有重要价值. 本文在研究椭球体RCS序列特性的基础上, 提出了一种空间目标形状估计方法, 并进一步研究了空间目标尺寸估计问题, 提出了一种新的尺寸估计方法. 实测数据的验证表明, 该方法能有效估计卫星、碎片等空间目标的形状和二维尺寸.      

基于倒置残差注意力的无人机航拍图像小目标检测

针对无人机航拍图像背景复杂、小尺寸目标较多等问题,提出了一种基于倒置残差注意力的无人机航拍图像小目标检测算法。在主干网络部分嵌入倒置残差模块与倒置残差注意力模块,利用低维向高维的特征信息映射,获得丰富的小目标空间信息和深层语义信息,提升小目标的检测精度;在特征融合部分设计多尺度特征融合模块,融合浅层空间信息和深层语义信息,并生成4个不同感受野的检测头,提升模型对小尺寸目标的识别能力,减少小目标的漏检;设计马赛克混合数据增强方法,建立数据之间的线性关系,增加图像背景复杂度,提升算法的鲁棒性。在VisDrone数据集上的实验结果表明：所提模型的平均精度均值比DSHNet模型提升了1.2%,有效改善了无人机航拍图像小目标漏检、误检的问题。     

基于Pos-FCN的红外图像背景抑制方法

红外图像背景抑制可以为红外目标检测识别任务提供支撑。在实际的应用场景中,红外图像中的目标多为弱小目标,其特征不明显,一般背景抑制算法难以将其从背景中分离,而达不到背景抑制的最佳效果。针对上述问题,提出使用Pos-FCN网络实现红外图像背景抑制的方法,该方法使用特征卷积结构,依靠高分辨网络结构获取弱小目标的特征信息,通过大尺寸卷积特征图的前向传播方式实现了高维度特征中弱小目标信息的保留,使用卷积降采样特征提取和上采样图像恢复方式实现了端到端的处理,并在前置训练阶段引入了位置信息强化网络骨干特征提取效果。结果表明,该方法处理后的红外图像中信杂比提高至3.877,对比度提高至0.297,检测率达到了93.6%,因此,该方法可以实现良好的背景抑制效果。     

基于帧间特征点匹配的红外弱小目标检测

高空下、视复杂背景下弱小目标的检测一直是红外弱小目标跟踪的难点,提出了一种基于帧间特征点匹配的红外弱小目标检测的方法,将复杂背景下的动态弱小目标检测问题看作是帧间复杂背景的运动估计补偿问题,消除了背景杂波对红外目标的影响,进而达到了抑制背景的目的。做出了该算法与现在常用的频域高通滤波、形态学Top-hat滤波两种小目标检测算法的对比,并将目标局部信杂比和目标检测的虚警率作为算法的有效性评价指标。试验结果表明,通过准确的地补偿复杂背景的帧间位移量,再结合帧间差分的方式,后红外弱小目标检测的信杂比提升了2倍以上,检测得到的虚警率低于20%。     

空间目标快速轮廓特征提取与跟踪技术

为满足空间目标交会对接任务中高精度、快速的测量要求,提出了一种空间目标快速轮廓特征提取与跟踪技术。该算法首先从初始帧图像中分割定位目标所在局部区域,作为目标连续跟踪的初始值;其次基于初始帧目标局部区域完成对初始帧目标边缘特征的检测及细化处理;最后采用Hough变换完成对初始帧目标边缘的检测及细化后的局部图像轮廓直线的提取,分别选取目标轮廓四方向最优的直线参数作为最终目标轮廓直线获取的效果,并采用梯度最大法则实现两两求交获取的轮廓特征的优化提取。在目标逼近过程中,结合相邻帧图像间目标尺度动态变化的关联性,根据初始帧提取目标轮廓特征的先验信息,确定目标在第二帧图像中的轮廓位置,并依次根据上一帧图像的轮廓位置信息定位目标在当前帧所在的区域,通过局部处理实现序列图像轮廓区域特征的连续跟踪。该算法无需遍历整个图像,所需处理的目标区域大幅减小,能够有效克服由目标图像较多边缘干扰导致的轮廓提取效果差及处理速度慢的缺点,具有速度快、准确性强、稳定性高等优点。     

一种空间目标RCS序列的姿态异常检测方法

准确、快速判断空间目标姿态运动模式异常,对于空间目标监测具有重要意义。针对空间目标雷达散射截面 (Radar Cross Section,RCS)序列,提出一种基于小波包分解（Wavelet Packet Decomposition,WPD）能量谱特征的无监督机器学习异常检测方法,并采用单类支持向量机(One Class Support Vector Machine,OCSVM)验证异常检测效果。设置了几种典型异常场景进行仿真分析,试验结果表明,该方法能有效检测出三轴稳定类空间目标发生失稳旋转的姿态异常。相比于传统统计参数特征、小波变换统计参数特征及能量特征的姿态判别方法,具有检测概率高、鲁棒性好的特点。     

基于Swin Transformer和多尺度特征融合的红外弱小目标检测方法

红外弱小目标的检测识别是军事侦察和遥感探测领域的一项关键技术。针对现有的传统目标检测方法普遍存在的检测误报率高、环境适应性差等问题,本文设计提出了一种基于Swin Transformer和多尺度特征融合的红外弱小目标检测方法。该方法首先在基于编解码Unet网络架构的基础上,通过引入Swin Transformer的自注意力机制代替常规的卷积核来进行目标特征的分层提取,从而有助于在更大的感受野下挖掘目标在不同尺度下的潜在信息;之后,通过设计一个自底向上的跨层特征融合模块作为网络模型的解码器,可以从复杂背景中保留红外弱小目标特征,并将目标的浅层局部信息和深层语义信息进行充分融合。试验测试结果表明,所提方法在红外小目标公共测试数据集SIRST上能够实现0.747的交并比指标(IoU),以及0.752的归一化交并比指标(nIoU),其性能均优于其它典型方法,在不同复杂场景下均拥有更好的检测效果。     

基于边缘信息的灰度目标跟踪算法

提出了一种基于边缘信息的跟踪算法,其可以实现对剧烈变化的灰度目标的精确跟踪.首先,利用基于双同心圆窗口算子的非线性边缘检测算法得到高质量的边缘信息;其次,为了解决单一边缘特征空间不能充分表征目标的难题,提出了一种通过组合边缘图像构建特征空间的方法,以便为目标建模提供充分信息;再次,在构建的特征空间中使用核估计方法对目标进行建模;在目标定位阶段,利用Kalman滤波器对目标进行预估后,再由Mean Shift算法在预估位置邻近区域实现目标定位;最后,提出了一种基于形态学的动态模型更新策略,使得算法不仅可以获得精确的目标区域,还可以实现对目标尺寸和形状变化的自适应.实验结果表明,本算法不仅可以有效跟踪剧烈变化的灰度目标,而且跟踪窗口可以实现对目标尺寸和形状的自适应.      

基于改进Faster R-CNN的失效卫星部件检测方法

基于光学图像对失效卫星部件的精确检测可以为失效卫星的定位与捕获等任务提供支撑。然而,失效卫星部件多为密集小目标,且其光照条件变化较大,这导致一般主干网络出现特征表征分辨率低,小目标漏检等问题。针对上述问题,提出了一种基于改进Faster R-CNN的失效卫星部件检测方法。该方法在Faster R-CNN的基础上,融合高分辨网络构建新的特征提取主干网络,以获得可靠、高分辨率的特征表达式。其次,在模拟真实空间环境的条件下,利用1：1的嫦娥卫星模型构建了一个信息丰富的失效卫星数据集。用该数据集进行验证,结果表明：本文方法的平均精度为93.6%,其与Faster R-CNN和Cascade R-CNN相比,对小部件检测的准确率与召回率分别平均提高了9.8%与5.4%。该方法可有效检测失效卫星部件。     

高光谱遥感成像技术的发展与展望

地表形态和目标特性是空间对地遥感的两个重要问题.经过近40年的发展,高光谱遥感技术已取得了巨大的进展,从数据获取、处理到应用都积累了大量成果.作为涉及多学科交叉的年轻学科,高光谱遥感技术的发展经历了一个以需求为导向,在发展中又不断探索完善需求的历程.高光谱成像仪作为获取目标图谱数据的重要仪器,其发展对于整个高光谱遥感的发展至关重要.本文分析了国内外不同类型高光谱成像仪的成像体制及应用案例,得出了近40年来高光谱成像仪发展历程所展现出的技术特点,结合当前发展现状,对未来高光谱成像仪的发展趋势,尤其是核心指标的提升和技术体制拓展进行了综合展望,以期为该领域的后续研究提供一些思路,同时为相关领域的科技规划提供参考.      

利用小波分析在轨识别空间目标轨道机动

空间目标的轨道机动往往隐藏在测量噪声中, 不容易被识别出来. 轨道机动可以引起机械能的突变, 用空间目标与航天器的单位质量机械能差作为机动识别的特征信号, 不会引入航天器本身的定轨误差. 用小波多尺度分解处理含噪声的特征信号, 对分解后的数据利用算法识别是否存在机动. 仿真结果表明, 本文提供的方法能有效识别空间目标的轨道机动.      

改进的深度神经网络下遥感机场区域目标检测

卫星遥感监测器下的机场区域多类目标检测在实际生活中有着重大的军用和民用意义。为了有效提升机场区域遥感图片的检测精确率,以主流目标检测方法中更快的区域卷积神经网络（Faster R-CNN）为基础框架,针对数据侧提出了ReMD数据增强算法。同时使用更具深度的残差神经网络（ResNet）以及特征融合部件-特征金字塔网络（FPN）来提取机场区域目标更鲁棒的深层区分性特征。在末端检测网络添加新的全连接层并根据目标的类间关联性组合softmax分类器以及4个logistic regression分类器进行机场区域多类目标的精确分类。实验结果表明:相比原网络改进后的网络带来了11.6%的多类平均检测精确率的提升,达到了80.5%的mAP,与其他主流网络进行对比也有更好的精确率;同时通过适当减小建议区域的输入量,可以在降低3.2%精确率的前提下将0.512 s的检测时间提速3倍,至0.173 s,根据具体任务可以合理权衡精确率和检测速度,体现了该网络的有效性以及实用性。      

基于Neyman-Pearson准则的空间目标轨道机动检测方法

轨道机动检测是当前空间监视活动的重要需求之一。当卫星在脉冲小推力作用下发生轨道机动时,会引起目标卫星与伴飞卫星相对距离变化率的阶跃突变,由于测量噪声的存在,距离变化率的阶跃突变特征被淹没在测量噪声中,不容易被检测出来。针对该问题,提出了一种基于概率判决模型的轨道机动检测方法。该方法采用独立同分布高斯白噪声模型描述测量噪声,将距离变化率作为特征量用于变轨检测,把距离变化率的阶跃突变检测问题转化为概率判决问题,在虚警概率约束下,基于Neyman-Pearson准则求解序列数据的变轨判决门限,能够自适应地判断目标卫星是否发生轨道机动。通过不同幅度轨道机动下的仿真试验,验证了该方法的可行性与有效性。     

扁平体空间非合作目标多指外包络抓捕构型设计

针对空间非合作目标抓捕问题,提出了一种扁平体空间非合作目标多指外包络抓捕最优构型设计方法。该方法的核心在于：选择抓捕机构的主手指并控制它跟踪包络点;根据抓捕机构的多指几何关系计算从手指可行抓捕构型;利用外包络抓捕约束条件,以及碰撞检测约束条件,筛选出有效包络构型。与已有方法相比,该方法采用主 从抓捕的简洁模式,可以大大降低抓捕构型优化的计算量,适用于空间非合作目标实时在轨抓捕。进一步,引入了抓捕安全裕度的概念,用于量化抓捕机构多指形成的抓捕包络空间和空间非合作目标运动包络之间的安全裕度。考虑到形成抓捕构型之前尽量避免空间非合作目标与抓捕机构发生碰撞,避免产生二次碎片,在设计抓捕外包络构型时选择最大抓捕安全裕度构型作为最优构型。将该算法分别应用到四边形和正五边形运动目标包络问题中,仿真结果表明了其有效性。