基于时空联合图像反演的空间目标检测和跟踪研究

Target detection and tracking framework nowadays can not match the demanding of the detection ability and tracking accuracy of space targets,in that space targts whose routine feature, such as geometry and textile features, are weak nomarlly act as imagine flickering and blur . In order to improve the accuracy, adaption and robust of detection and tracking of space targets, this project proprosed an approach of joint spatial-temporal image inversion based on digging the nonlinear features both in spatial and temporal field deeply, by solving correlated problems. The main innovative work include: reserached the approach of joint spatial-temporal image inversion by treating the detection and tracking problem as a inverse problem for exploring the new framework and pattern of the detection and tracking of space targets; proposed a spatial multi-feature inversion algothrim and corresponding dimension reduction method and multi-feature fusion technology, and based on such algothrim and methods, proposed a target detection method with sparsity representation of image sequence in order to raising the accuracy of target detection; proposed temporal multi-parameter inversion method in order to reduce the multiple solutions and an importance resampling particle filter approach based on biogeography-based optimization for improving the efficiency and robust of space multi-target tracking; proposed methods that could improving the stability of inversion procedure by utilizing prior imformation constraint, singular value decomposition and sparse regularization.

空间目标表现为成像闪烁、模糊、对比度低，几何、纹理等常规特征微弱，现有的目标检测和跟踪模式难于满足空间目标检测能力和跟踪精度要求。本项目借鉴地球物理反演理论和思想，提出了一种时空联合图像反演的方法，充分挖掘空间目标在时域和空域的非线性特征，通过解决相应的理论问题，提高空间目标检测和跟踪的精度、适应性和稳定性。主要创新工作包括：把空间目标的检测和跟踪看成一个反问题求解，研究时空联合非线性图像反演方法，探索空间目标检测和跟踪的新模式；提出了空域多特征反演及其相应的特征降维和多特征融合技术，并以此为基础采用稀疏表示有效区分目标，提高空间目标检测的精度；提出了时域多参数反演方法及其相应的降低反演中多解性的策略，并提出了基于生物地理优化的粒子滤波重要密度采样方法，提高空间多目标跟踪的有效性和稳健性；提出了利用先验信息约束、奇异值分解和稀疏正则化方法提高图像反演求解中的稳定性。

结合空间红外弱小目标检测与跟踪中亟待解决的难点问题，本项目深入研究了基于时空联合图像反演的空间红外弱小目标检测与跟踪方法，充分挖掘红外图像中的有用信息，精确地刻画空间弱小目标的时空特征，提高空间红外弱小目标检测和跟踪的精度。本项目在时空多特征的目标检测、稀疏表示和张量恢复的目标检测、非线性优化方法、多特征联合的多目标跟踪等方面分别进行了深入仔细的研究。研究取得了一系列研究成果，主要包括：1）提出了一种基于显著性和运动特征的空间红外弱小目标检测方法，采用时空联合反演的思想，同时利用了红外图像的空间特征和时间特征，该方法有效地去除了背景杂波及噪声，计算简单，可以满足实时性要求；2）提出了一种基于时空频特征联合的空间红外弱小目标检测方法，在时域中提取运动特征，在空域中提取方向特征，构建四元组之后利用四元组频域变换做进一步处理，该方法能够准确地检测出背景复杂多变的红外目标序列中的弱小目标，在信杂比和鲁棒性上都有较好的表现；3）提出了一种基于稀疏表示和张量恢复的空间红外弱小目标检测方法，利用连续多帧构建三阶张量，进行张量稀疏低秩分解，并采用基于APG的张量恢复方法求解目标函数获取检测结果，该方法能够有效去除背景干扰，准确地检测出红外序列中的弱小目标，提高信噪比增益；4）提出一种基于混沌的生物地理分布优化方法，针对生物地理分布优化算法早熟收敛的缺陷，利用混沌初始化种群，提高种群的遍历性，同时在迭代过程中加入混沌搜索，有效避免陷入局部最优，提高全局搜索能力，该方法能快速收敛，获得较高的寻优精度；5）提出了一种基于多特征联合的红外多目标跟踪方法，通过构建合适的表观模型及相似性度量模型，设计多目标数据关联方案，结合轨迹归类策略，实现了红外序列中的多个目标稳定跟踪。