空间机械臂抓捕动态目标快速稳定跟踪方法

面向空间机械臂对在轨飞行器、对接舱段等目标进行抓捕的应用需求,对近距离交会对接中的动态目标跟踪问题展开研究,提出了一种基于反向投影模板自适应更新的快速跟踪方法。该方法在分析发光目标灰度特性的基础上,计了一种能够充分表征目标差异的特征选取算法,有效消除了随变性较小的信息对跟踪过程的影响。利用该特征,设计了目标在不同帧之间的相似性比较方法,并制定了目标特征模版更新策略,解决了由于目标姿态和光线的变化而导致的跟踪错误问题。对跟踪过程中可能出现的目标移入移出相机视场问题提出了一种临界目标抛弃、找回策略,避免了目标的局部跟丢问题。最后通过跟踪试验,有效验证了该算法的实时性和鲁棒性,实现了10帧/s以上的稳定跟踪。     

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。     

基于残差学习的自适应无人机目标跟踪算法

无人机已被广泛应用于军事和民用领域，目标跟踪技术是无人机应用的关键技术之一。针对无人机视频跟踪过程中目标易发生尺度变化、遮挡等问题，提出一种基于残差学习的自适应无人机目标跟踪算法。首先，结合残差学习和空洞卷积的优点构建深度网络提取目标特征，同时克服网络退化问题；其次，将提取的目标特征信息输入核相关滤波算法，构建定位滤波器确定目标的中心位置；最后，根据目标外观特性的不同进行自适应分块，并计算出目标尺度的伸缩系数。仿真实验结果表明:所提算法能够有效应对尺度变化、遮挡等情况对跟踪性能的影响，在跟踪成功率和精确度上均高于其他对比算法。      

面向空间抓取任务的目标轮廓跟踪方法

在空间抓取任务中,视场背景复杂,光照条件变化剧烈,而且存在相对运动。文章提出了一种新的动态轮廓特征检测跟踪方法。首先在灰度梯度法基础上,引入形状匹配、面积筛选和自适应灰度阈值调整方法,提高了轮廓提取的鲁棒性。随后,基于该提取结果,利用图像序列的时域相关约束辅助GVFSnake算法进行轮廓跟踪,提升了动态检测速度。最后,考虑到空间抓取任务的实时性需求,采用CUDA运算架构对算法进行并行化处理,并对一组序贯图像序列进行了轮廓跟踪实验。实验结果表明,此方法在CUDA平台下轮廓跟踪速率达到了10帧/s,在保证轮廓检测的准确性的基础上,明显改善了检测速度。     

基于双注意力混洗的无人机航拍目标跟踪算法

针对无人机（UAV）跟踪过程中目标经常出现尺寸小、尺度变化大和相似物干扰等问题,提出了一种基于双注意力混洗的多尺度无人机实时跟踪算法。考虑到无人机视角下目标像素点少,构建了双采样融合的深层网络,既提供了语义信息丰富的深度特征,又保留了目标的细节信息;设计了双注意力混洗模块,通道注意力和空间注意力同时分组筛选提取到的特征信息,混洗不同通道间的信息,加强信息交流,提高了算法辨别能力;为利用不同层的特征信息,加入多个区域建议网络完成目标的分类和回归,并针对无人机的目标特点,将结果进行加权融合。实验结果表明：所提算法在数据集上的成功率和准确率分别为60.3%和79.3%,速度为37.5帧/s。所提算法的辨别能力和多尺度适应能力明显增强,能有效应对无人机跟踪中常见的挑战。     

一种改进的运动目标抗遮挡跟踪算法

为解决运动目标在遮挡情况下的跟踪问题,提出一种基于目标运动预测与自适应多子块模板匹配相结合的抗遮挡跟踪算法.该算法建立了多子块模板匹配相关算法中遮挡情况的判定、子块模板匹配及自适应更新等准则,采用卡尔曼滤波模型预测目标在遮挡时的运动轨迹,并利用一种基于目标速度矢量的模板定位规则实现目标在遮挡结束后的接力跟踪.将该算法应用于存在多种遮挡情况下的实际视频中进行测试,实验结果表明:该算法不仅能够实现在部分遮挡情况下的目标跟踪,而且能在严重遮挡、甚至完全遮挡情况下对刚体和非刚体目标进行稳定有效地跟踪,保持目标运动轨迹的可靠性和完整性.     

基于特征融合与抗遮挡的卫星视频目标跟踪方法

卫星视频中的目标易受到遮挡和复杂环境干扰等影响，造成对目标的运动状态估计不够准确，导致目标跟踪失败。基于此，在核相关滤波(KCF)算法的基础上设计2种算法提高目标跟踪的成功率，实现鲁棒性的目标跟踪。通过提取目标的方向梯度直方图(HOG)特征、灰度特征和高斯曲率特征表述目标的外观模型；联合响应图的峰值和平均峰值相关能量(APCE)对目标的响应图进行自适应加权融合，并将融合后的响应图峰值作为置信度对目标的模型进行自适应更新；通过使用卡尔曼滤波的方法对遮挡的目标进行位置预测，当目标遮挡结束时，对目标进行重新跟踪，解决卫星视频中目标被遮挡的问题。大量实验结果表明:所改进的相关滤波算法对卫星视频中的目标跟踪，尤其是在复杂环境、目标被遮挡及场景光照发生变化的情况下，具有良好的效果，并且在目标跟踪的精度和成功率等方面都有很大的提高，为进一步对卫星视频中的目标跟踪奠定了基础。      

基于边缘与颜色信息的车牌精确定位算法

针对现有车牌定位算法定位率不高和速度慢等问题,结合数学形态学,提出了一种基于车牌边缘检测与颜色信息的精确定位算法.首先对图像进行灰度化、平滑去噪及灰度拉伸等预处理,然后对图像进行垂直边缘检测和二值化处理;再采用线过滤算法滤去干扰边缘线信息,并利用车牌区域灰度变化次数多的特性定位出车牌上下边缘;对经过上下边缘定位后的车牌采用点密度过滤算法滤去零散点,接着采用数学形态学方法寻找连通域粗定位出车牌区域;最后对粗定位车牌在HSV空间进行颜色分割和倾斜矫正,从而精确定位出车牌.实验结果表明,该算法能够实现车牌的快速精确定位.      

基于随机模型近似的再入目标自适应跟踪算法

针对再入目标跟踪问题,基于加速度动力学模型和随机模型近似思想,提出了分段匀Jerk自适应模型及跟踪算法.该算法引入Jerk动力学模型和Jerk分段均匀假设,给出了机动加速度的递推模型;根据随机模型近似思想提出了新的过程噪声定义方法并给出了分段匀Jerk模型和过程噪声的自适应方法;结合状态扩展方法和分离差分滤波算法实现了再入目标的实时自适应跟踪.仿真实验表明,相比基于分段匀加速模型的跟踪算法,该算法在保证了再入目标稳态跟踪精度的同时,对目标突变状态具有较强的跟踪能力.      

结合空间注意力机制的实时鲁棒视觉跟踪

为提高全卷积孪生网络(SiamFC)跟踪器在复杂场景下的跟踪能力,缓解跟踪器在跟踪过程中出现的目标漂移问题,提出一种结合空间注意力机制的实时目标跟踪算法。在SiamFC框架基础上,将改进的视觉几何组(VGG)网络作为主干网络,增强跟踪器对于目标深度特征的建模能力。对自注意力机制进行优化,提出一种即插即用的轻量级单卷积注意力模块(SCAM),将空间注意力分解为2个并行的一维特征编码过程,减少空间注意力的计算复杂度。保留跟踪过程中的初始目标模板作为第1模板,通过分析连通域在跟踪结果响应图的变化动态选择第2模板,融合2个模板后对目标进行定位。实验结果表明：在OTB100、LaSOT和UAV123数据集上,所提算法相比于SiamFC跟踪成功率分别提高了0.082、0.045和0.045,跟踪精度分别提高了0.118、0.051和0.062;在VOT2018数据集上,所提算法相比于SiamFC在跟踪准确率、鲁棒性和期望平均重叠率上分别提高了0.029、0.276和0.134;跟踪速度达到了70帧/s,能够满足实时跟踪的需求。     

基于模糊逻辑的交互式多模型滤波算法

针对交互式多模型（IMM）滤波算法在对反舰导弹的"蛇形"机动方式进行跟踪时收敛速度慢、滤波精度低的问题。在三维空间内,假定目标以匀速直线和"蛇形"机动2种方式进行运动,以相对距离和视线角为观测信息,对IMM滤波算法的模型概率更新模块进行改进,提出了基于模糊逻辑的交互式多模型（FLIMM）滤波算法。通过仿真对比分析,改进后的算法能够有效地提高收敛速度,进而获得更高的跟踪精度。      

空间临近目标行为辨识方法

针对侦察卫星通过变轨等方式抵近目标的对天观测行为，提出了一种基于视觉特性的临近目标行为辨识方法。通过对序列图中抵近目标上特征点进行跟踪以得到其轨迹变化；针对目标可能存在的异常行为在图像当中的表征进行分析，结合已得信息构建特征参数并对目标行为进行判断；最后通过试验对辨识算法进行验证。试验结果表明：该算法能对不同光照条件下的连续图像进行处理，实现对临近目标通过主体姿态变化进行对天侦察行为的有效辨识。     

基于正弦拟合的空间目标短弧关联算法

星敏感器是一种高精度姿态传感器，具有断续拍摄空间目标的能力，可作为空间目标监视平台。将星敏感器断续观测的短弧准确关联是实现空间目标精确定轨的前提。通过对空间目标的大量观测数据统计发现，空间目标的赤纬随赤经的变化始终满足一条周期为360°的正弦曲线且峰值与轨道倾角有关。对新旧航迹的赤经赤纬变化规律进行研究，提出一种基于正弦拟合的空间目标短弧关联算法，避免了空间目标初定轨的步骤，节约了算法运行时间。仿真中观测时长最短为50s，通过对目标密集的GEO带增加额外约束，可区分倾角相差0.01°的轨道。当航迹段间隔3h时，3组噪声水平目标关联的准确率均达90%以上。     

基于改进核聚类算法的空间目标识别方法

根据目标区域的矩特征,几何特征以及灰度特征,提取出目标的特征向量,并通过聚类算法对空间目标进行识别,提出了一种基于Voronoi距离的核聚类算法（KFCM）。该算法通过引入一种新的距离度量,使得隶属度函数更加的明晰,改善了核聚类算法极易陷入最小值的问题。运用改进的核聚类算法对3类空间目标进行识别,试验结果验证了算法的正确性和有效性。     

Motion prediction of a non-cooperative space target

Capturing a non-cooperative space target is a tremendously challenging research topic. Effective acquisition of motion information of the space target is the premise to realize target capture. In this paper, motion prediction of a free-floating non-cooperative target in space is studied and a motion prediction algorithm is proposed. In order to predict the motion of the free-floating non-cooperative target, dynamic parameters of the target must be firstly identified (estimated), such as inertia, angular momentum and kinetic energy and so on; then the predicted motion of the target can be acquired by substituting these identified parameters into the Euler’s equations of the target. Accurate prediction needs precise identification. This paper presents an effective method to identify these dynamic parameters of a free-floating non-cooperative target. This method is based on two steps, (1) the rough estimation of the parameters is computed using the motion observation data to the target, and (2) the best estimation of the parameters is found by an optimization method. In the optimization problem, the objective function is based on the difference between the observed and the predicted motion, and the interior-point method (IPM) is chosen as the optimization algorithm, which starts at the rough estimate obtained in the first step and finds a global minimum to the objective function with the guidance of objective function’s gradient. So the speed of IPM searching for the global minimum is fast, and an accurate identification can be obtained in time. The numerical results show that the proposed motion prediction algorithm is able to predict the motion of the target.     

空间非合作目标交会对接影像测量自适应处理

分析了空间非合作目标影像测量及特征点提取机理,根据对接中特征点识别噪声不确定和空间摄动引起的模型误差,对传统滤波方法进行改进;通过量测更新后的新息数据对量测噪声量级进行估计,同时采用渐消自适应方法对模型误差进行处理,增进滤波效果;设计了针对空间非合作目标对接段的滤波器,能够提供对接段相对位置、速度、姿态角及角速率估计信息。仿真结果表明,提出的改进滤波算法能够在测量噪声不确定和模型误差条件下达到较好效果。     

一种基于系统误差自动补偿的编队目标航迹精细关联算法

为解决编队内各目标航迹精细关联的难题,按照编队目标航迹的特点,结合误差估计技术及航迹关联技术,提出了一种基于系统误差自动补偿的编队目标航迹精细关联算法,该算法首先基于循环阈值模型对各传感器获得的航迹进行编队识别,并按编队中心航迹完成编队航迹的整体预关联,然后基于编队航迹状态识别模型,搜索或建立分辩状态最接近的预关联编队航迹,并基于编队航迹系统误差估计模型和误差确认模型,获得最终的系统误差估计值,自动完成系统误差补偿,最后利用传统的航迹关联算法进行编队航迹的精细关联。经仿真数据验证,与基于目标不变信息量的模糊航迹对准关联算法和基于航迹迭代的航迹对准关联算法相比,该算法具有耗时少、关联性能有效稳定等综合优势,能较好的满足工程上对系统误差下编队内目标航迹的精确关联需求。     

一种基于系统误差自动补偿的编队目标航迹精细关联算法

为解决编队内各目标航迹精细关联的难题,按照编队目标航迹的特点,结合误差估计技术及航迹关联技术,提出了一种基于系统误差自动补偿的编队目标航迹精细关联算法,该算法首先基于循环阈值模型对各传感器获得的航迹进行编队识别,并按编队中心航迹完成编队航迹的整体预关联,然后基于编队航迹状态识别模型,搜索或建立分辩状态最接近的预关联编队航迹,并基于编队航迹系统误差估计模型和误差确认模型,获得最终的系统误差估计值,自动完成系统误差补偿,最后利用传统的航迹关联算法进行编队航迹的精细关联。经仿真数据验证,与基于目标不变信息量的模糊航迹对准关联算法和基于航迹迭代的航迹对准关联算法相比,该算法具有耗时少、关联性能有效稳定等综合优势,能较好的满足工程上对系统误差下编队内目标航迹的精确关联需求。