針對現(xiàn)有方法在大視場、高靈敏度條件下星空背景復(fù)雜導(dǎo)致的空間目標捕獲速度慢的問題,利用大視場星圖識別的優(yōu)勢,提出了復(fù)雜星空背景下的空間目標快速捕獲算法.采用分級曝光策略,基于短曝光獲取有限數(shù)量的恒星以大幅度提高星圖識別速度;利用二維最大背景估計方法,實現(xiàn)星圖預(yù)處理,獲得質(zhì)心數(shù)據(jù)信息;最后基于星圖目標序列剔除自然天體.通過星圖目標排序橫向剔除,保證剔除準確性的前提下有效提高了剔除效率,實現(xiàn)了空間目標快速捕獲.仿真試驗結(jié)果表明,本文方法快速性好、準確率高,與已有算法中較快算法相比,目標捕獲所用時間減少41.92%. 

【文章來源】：光子學(xué)報. 2020,49(07)北大核心EICSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

全天球恒星分布情況（7.5 Mv以下自然天體）

2 基于星圖目標序列的自然天體剔除方法在采用本文第1章所述方法預(yù)處理后，經(jīng)星圖識別，獲得相機在慣性系下的姿態(tài)信息，查找自然天體數(shù)據(jù)庫，結(jié)合星等閾值可獲得視場內(nèi)自然天體數(shù)據(jù)庫BS，實拍目標集合ST.此時需要將自然天體s(1)，…，s(p)從實拍目標集合ST中剔除，實現(xiàn)目標初步篩選的目的.

為驗證本文算法多目標處理能力，在實拍星圖數(shù)據(jù)基礎(chǔ)上，填加35個仿真空間目標目標進行算法驗證，其中2個目標與自然天體位置重合（被自然天體遮擋），此時空間目標目標數(shù)為42個.圖4(c）為添加仿真目標后的星圖；圖4(d）為剔除自然天體后的仿真還原星圖.圖4(d）中空間目標數(shù)為40個，其中目標用紅色矩陣標注，增加驗證點用黃色三角標注，其信息與預(yù)設(shè)仿真空間目標相同，2個被自然天體遮擋目標被成功剔除，算法運行時間小于1 ms.為驗證本文算法的準確性，進行1000次獨立隨機試驗，每次試驗抽取不同天區(qū)，加入10個目標點，進行仿真驗證.試驗結(jié)果如圖5所示，目標全部正確提取的概率為98.5%;15次漏檢測的情況中，漏檢測的原因是仿真目標被恒星遮蔽；無誤檢測目標，意味著算法可將自然天體準確剔除.被恒星遮蔽目標可利用多幀信息進行擬合.本文算法能在大視場條件下實現(xiàn)對自然天體的準確剔除，并具備多目標處理能力.

【參考文獻】：
期刊論文
[1]一種改進光流法的運動目標檢測及跟蹤算法[J]. 李成美,白宏陽,郭宏偉,梁華駒.  儀器儀表學(xué)報. 2018(05)
[2]一種基于恒星分布的星敏感器導(dǎo)航星庫制作方法[J]. 葉志龍,孫朔冬,陳紓,吳迪,武斌.  深空探測學(xué)報. 2018(01)
[3]天基空間目標探測系統(tǒng)技術(shù)研究進展[J]. 王曉海.  衛(wèi)星與網(wǎng)絡(luò). 2017(11)
[4]基于距離矩陣的星圖運動目標檢測[J]. 王敏,趙金宇,陳濤.  光學(xué)精密工程. 2017(07)
[5]基于時空域的暗弱空間運動點目標檢測算法[J]. 王敏,趙金宇,陳濤,崔博川.  電子與信息學(xué)報. 2017(07)
[6]應(yīng)用于穩(wěn)像系統(tǒng)中的改進梯度光流法[J]. 賴麗君,徐智勇,張栩銚.  紅外與激光工程. 2016(04)
[7]改進的幀差法在空間運動目標檢測中的應(yīng)用[J]. 王恩旺,王恩達.  天文研究與技術(shù). 2016(03)
[8]星載光電成像系統(tǒng)探測能力分析與研究[J]. 張穎,牛燕雄,楊露,牛海莎,許冰,李繼揚,呂建明,李建平,劉雯文,張超.  光學(xué)學(xué)報. 2014(01)
[9]改進金字塔算法用于小視場星圖識別[J]. 李輝,王安國,張磊.  應(yīng)用光學(xué). 2013(02)
[10]空間目標探測技術(shù)研究[J]. 李少敏,牛威,馬鑫,祝開建.  國防科技. 2009(03)



本文編號：3516628