CN105447867B - 基于isar图像的空间目标姿态估计方法 - Google Patents
基于isar图像的空间目标姿态估计方法 Download PDFInfo
- Publication number
- CN105447867B CN105447867B CN201510847881.5A CN201510847881A CN105447867B CN 105447867 B CN105447867 B CN 105447867B CN 201510847881 A CN201510847881 A CN 201510847881A CN 105447867 B CN105447867 B CN 105447867B
- Authority
- CN
- China
- Prior art keywords
- image
- boundary
- target
- linear structure
- extracted
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000009795 derivation Methods 0.000 claims description 2
- 230000003628 erosive effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 230000000877 morphologic effect Effects 0.000 abstract description 4
- 230000011218 segmentation Effects 0.000 abstract description 2
- 239000012141 concentrate Substances 0.000 abstract 1
- 238000005259 measurement Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 229910052704 radon Inorganic materials 0.000 description 3
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
- G01S13/9064—Inverse SAR [ISAR]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于ISAR图像的空间目标姿态估计方法,包括以下步骤:(1)ISAR雷达***接收设定时间段内的回波信号,采用距离‑多普勒算法对其进行处理,得到P幅目标区域的雷达图像,并依次进行滤波和对数变换,再进行目标与背景的分割,得到P幅目标‑背景的二值图像:(2)对每幅目标‑背景的二值图像进行形态学处理,得到提取边界后的图像;(3)提取每幅提取边界后的图像的N个线性结构;(4)将第p幅提取边界后的图像与第p‑1幅提取边界后的图像进行关联处理;(5)设定每个线性结构的姿态参数集,并构造每个线性结构的代价函数,在每个线性结构的姿态参数集中搜索使其代价函数达到最小的一组姿态参数,即完成对空间目标的姿态估计。
Description
技术领域
本发明属于雷达技术领域,特别涉及一种基于ISAR图像的空间目标姿态估计方法,可用于对空间目标进行姿态估计。
背景技术
空间目标姿态估计对了解空间目标的动作意图以及判断空间目标的状态具有非常重要的意义。利用逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)对空间目标连续测量获得的序列图像来精确获得空间目标所配备太阳能翼、平板天线等重要载荷部件的绝对姿态的技术可实际应用于包括空间目标故障分析、威胁度评判等民用和军用领域,是目前能够实现空间目标姿态估计的实用技术。
目前,测定空间目标姿态常用主动和被动两种方式:主动测量是在飞行器中装载GPS接收机和惯性测量器对飞行器的位置和姿态进行测量,这种方法称为运动目标内测,运动目标内测要求飞行器配备专门的测量***,***复杂度高。被动测量是利用光电或雷达传感器对空间目标进行连续高分辨成像,根据成像序列信息来进行空间目标的姿态确定,被动测量方式具有与空间目标状态无关的优点,也可以直接应用到未知目标或者失控目标的姿态测量应用,但利用光电传感器进行空间目标姿态测定易受到天气、时间等因素的制约,在实际空间目标姿态测量中存在局限性。
发明内容
针对上述现有技术的不足,本发明的目的在于提出一种基于ISAR图像的空间目标姿态估计方法,该方法将获得的ISAR雷达图像依次进行滤波、对数变换、目标与背景的分割和形态学处理,得到提取边界后的图像,再通过Radon变换提取空间目标在三维空间中较为线束的线性结构,并将每一幅提取边界后的图像与前一幅提取边界后的图像进行关联处理后,构造代价函数,针对每个线性结构,搜索使代价函数为最小的姿态参数,完成对空间目标的姿态估计。
为了实现上述技术目的,本发明采用如下技术方案予以实现。
一种基于ISAR图像的空间目标姿态估计方法,其特征在于,包括以下步骤:
步骤1,由ISAR雷达***接收设定时间段内的回波信号;对设定时间段内的回波信号进行距离-多普勒处理,得到目标区域的雷达图像序列,该序列包括P幅目标区域的雷达图像;对第p幅目标区域的雷达图像依次进行滤波和对数变换,得到第p幅预处理后的目标区域的雷达图像,p=1,2,...,P;
步骤2,对第p幅预处理后的目标区域的雷达图像进行目标与背景的分割,得到第p幅目标-背景的二值图像;
步骤3,对第p幅目标-背景的二值图像进行形态学处理,提取目标的边界,得到第p幅提取边界后的图像;
步骤4,提取第p幅提取边界后的图像的N个线性结构;记录第p幅提取边界后的图像中每个线性结构的倾角、中心位置和长度,其中,N是正整数;
步骤5,将第一幅提取边界后的图像作为第一幅关联后的图像;再从第二幅提取边界后的图像开始,将第p幅提取边界后的图像与第p-1幅提取边界后的图像进行关联处理,即将第p幅提取边界后的图像的N个线性结构与第p-1幅提取边界后的图像的N个线性结构进行匹配标记,得到第二幅到第P幅关联后的图像;最终,得到P幅关联后的图像;
步骤6,设定第p幅关联后的图像的第i个线性结构的姿态参数包括仰角θp,i和方位角φp,i,则第i个线性结构的姿态参数集为Ci,Ci={(θ1,i,φ1,i),...,(θp,i,φp,i),...,(θP,i,φP,i)},其中,-90°≤θ≤90°,0°≤φ≤180°;构造第i个线性结构的代价函数,并在第i个线性结构的姿态参数集Ci中搜索使其代价函数达到最小的一组姿态参数,将该姿态参数作为第i个线性结构的最终的姿态参数,i=1,2,...,N,即完成对空间目标的姿态估计。
本发明与现有技术相比所具有的优点:
1)本发明利用空间目标的ISAR图像序列的相对投影变化关系,结合空间投影理论,通过二维ISAR图像序列对空间目标的三维绝对姿态实现精确反演,本发明具有很高的实用性。
2)本发明利用形态学、Radon变换等预处理技术有效提高了ISAR图像的线性结构提取的精确性,可针对具有复杂几何形态的空间目标进行姿态估计。
附图说明
图1是本发明的流程图;
图2是本发明仿真采用的空间目标的结构图,其中,空间三维坐标系各坐标轴的单位为米(m);
图3a、图3b和图3c分别是提取的空间目标的第1幅、第6幅和第14幅提取边界后的图像的线性结构的示意图,其中,横坐标为像素点,纵坐标为像素点;
图4a、图4b和图4c分别是空间目标的第1幅、第6幅和第14幅提取边界后的图像的关联后的线性结构的示意图,其中,横坐标为像素点,纵坐标为像素点;
具体实施方式:
参照图1,本发明的基于ISAR图像的空间目标姿态估计方法,具体实现步骤如下:
步骤1,由ISAR雷达***接收设定时间段内的回波信号;采用距离-多普勒算法对设定时间段内的回波信号进行处理,得到目标区域的雷达图像序列,该序列包括P幅目标区域的雷达图像;对第p幅目标区域的雷达图像依次进行滤波和对数变换,得到第p幅预处理后的目标区域的雷达图像,p=1,2,...,P。
步骤1中,第p幅预处理后的目标区域的雷达图像中像素点(m,n)的像素值为Fp(m,n):
Fp(m,n)=c1×ln[fp(m,n)+c2]+c3
其中,fp(m,n)为第p幅目标区域的雷达图像中像素点(m,n)的像素值,c1、c2和c3对数变换常量。
步骤2,采用k-mean算法对第p幅预处理后的目标区域的雷达图像进行目标与背景的分割,得到第p幅目标-背景的二值图像。
步骤2的具体子步骤为:
2.1选取第p幅预处理后的目标区域的雷达图像中的最大像素值作为目标类ω1的聚类中心μp,1,选取预处理后的目标区域的雷达图像中的最小像素值作为非目标类ω2的聚类中心μp,2;
2.2计算分类阈值T,对第p幅预处理后的目标区域的雷达图像中的所有像素点进行分类,若像素点(m,n)的像素值Fp(m,n)>T,则像素点(m,n)∈ω1,反之,则像素点(m,n)∈ω2;
2.3分别计算聚类后目标类ω1的聚类中心μ′p,1和聚类后非目标类ω2的聚类中心μ′p,2:
其中,N1为属于目标类ω1的像素点个数,N2为属于非目标类ω2的像素点个数;
2.4如果聚类后目标类ω1的聚类中心μ′p,1不等于目标类ω1的聚类中心μp,1,或者聚类后非目标类ω2的聚类中心μ′p,2不等于非目标类ω2的聚类中心μp,2,则令μp,1=μ′p,1,μp,2=μ′p,2,返回步骤2.2,
如果聚类后目标类ω1的聚类中心μ′p,1等于目标类ω1的聚类中心μp,1,且聚类后非目标类ω2的聚类中心μ′p,2等于非目标类ω2的聚类中心μp,2;并将N1个属于目标类ω1的像素点的像素值赋值为1,将N2个属于非目标类ω2的像素点的像素值赋值为0,得到第p幅目标-背景的二值图像。
步骤3,对第p幅目标-背景的二值图像进行形态学处理,提取目标的边界,得到第p幅提取边界后的图像。
步骤3的具体子步骤为:
3.1对第p幅目标-背景的二值图像进行膨胀处理,填补目标中的空洞,同时扩张目标-背景的二值图像的边界,得到第p幅膨胀图像BW1p;
3.2对第p幅膨胀图像BW1p进行腐蚀处理,同时收缩第p幅膨胀图像BW1p的边界,得到第p幅腐蚀图像BW2p;
3.3根据第p幅膨胀图像BW1p和第p幅腐蚀图像BW2p,得到第p幅提取边界后的图像BWp,其中,第p幅提取边界后的图像BWp中像素点(m,n)的像素值为
其中,为第p幅膨胀图像BW1p中像素点(m,n)的像素值,为第p幅膨胀图像BW2p中像素点(m,n)的像素值。
步骤4,对第p幅提取边界后的图像进行Radon变换,提取第p幅提取边界后的图像的N个线性结构;记录第p幅提取边界后的图像中每个线性结构的倾角、中心位置和长度,其中,N是正整数。
步骤5,将第一幅提取边界后的图像作为第一幅关联后的图像;再从第二幅提取边界后的图像开始,将第p幅提取边界后的图像与第p-1幅提取边界后的图像进行关联处理,即将第p幅提取边界后的图像的N个线性结构与第p-1幅提取边界后的图像的N个线性结构进行匹配标记,得到第二幅到第P幅关联后的图像;最终,得到P幅关联后的图像。
步骤5中,将第p幅提取边界后的图像与第p-1幅提取边界后的图像进行关联处理,其具体子步骤为:
5.1计算第p幅提取边界后的图像的第i个线性结构相对于第p-1幅提取边界后的图像的第j个线性结构的变化量:
其中,Δψp(j,i)表示第p幅提取边界后的图像的第i个线性结构与第p-1幅提取边界后的图像的第j个线性结构的倾角变化量,表示第p幅提取边界后的图像的第i个线性结构的倾角,表示第p-1幅提取边界后的图像的第j个线性结构的倾角,
Δposp(j,i)表示第p幅提取边界后的图像的第i个线性结构与第p-1幅提取边界后的图像的第j个线性结构的中心位置变化量,表示第p幅提取边界后的图像的第i个线性结构的中心位置,表示第p-1幅提取边界后的图像的第j个线性结构的中心位置,
Δlp(j,i)表示第p幅提取边界后的图像的第i个线性结构与第p-1幅提取边界后的图像的第j个线性结构的长度变化量,表示第p幅提取边界后的图像的第i个线性结构的长度,表示第p-1幅提取边界后的图像的第j个线性结构的长度,
i=1,2,...,N,j=1,2,...,N;
5.2计算第p幅提取边界后的图像的第i个线性结构与第p-1幅提取边界后的图像的第j个线性结构的相似值Jp(j,i):
Jp(j,i)=α1×Δψ(j,i)+α2×Δpos(j,i)+α3×Δl(j,i)
其中,α1、α2、α3为标准化因子;
定义第p幅提取边界后的图像的相似矩阵Jp为:
5.3设定l为搜索次数,并设置搜索次数l的初始值为1;
5.4对第p幅提取边界后的图像的相似矩阵Jp进行第l次搜索,搜索到其最小元素为Jp(jl,il),则将第p幅提取边界后的图像的第il个线性结构与第p-1幅提取边界后的图像的第jl个线性结构进行匹配标记;
将第p幅提取边界后的图像的相似矩阵Jp的第jl行的元素和第il列的元素去掉,保留其他元素,则将第p幅提取边界后的图像的相似矩阵Jp更新为(N-l)×(N-l)维的矩阵;
5.5如果搜索次数l<N-1,则令搜索次数l曾加1,返回步骤5.4,
如果搜索次数l=N-1,则停止第p幅提取边界后的图像的相似矩阵Jp进行搜索,第p幅提取边界后的图像的相似矩阵Jp中唯一的元素为Jp(j0,i0),将第p幅提取边界后的图像的第i0个线性结构与第p-1幅提取边界后的图像的第j0个线性结构进行匹配标记,则将第p幅提取边界后的图像的N个线性结构与第p-1幅提取边界后的图像的N个线性结构均完成匹配标记,得到第二到第P幅关联后的图像。
步骤6,设定第p幅关联后的图像的第i个线性结构的姿态参数包括仰角θp,i和方位角φp,i,则第i个线性结构的姿态参数集为Ci,Ci={(θ1,i,φ1,i),...,(θp,i,φp,i),...,(θP,i,φP,i)},其中,-90°≤θ≤90°,0°≤φ≤180°;构造第i个线性结构的代价函数,并在第i个线性结构的姿态参数集Ci中搜索使其代价函数达到最小的一组姿态参数,将该姿态参数作为第i个线性结构的最终的姿态参数,i=1,2,...,N,即完成对空间目标的姿态估计。
步骤6的具体子步骤为:
6.1提取所有P幅关联后的图像的第i个线性结构的倾角作为观测值,i=1,2,...,N,N为线性结构的个数;
6.2构造第i个线性结构的代价函数Ji(θ,φ):
其中,Ap为第p幅提取边界后的图像的投影矩阵,其表达式为:
其中,是第p幅提取边界后的图像对应的雷达视线方向与空间三维坐标系中水平面xoy的夹角,为第p幅提取边界后的图像对应的雷达视线方向在空间三维坐标系中水平面xoy的分量与y轴的夹角,ΔR=c/(2×fs),c为光速,fs为雷达采样频率,ΔR′=-λ/(2×prf×Nd),λ为雷达信号波长,prf为脉冲重复频率,Nd为距离多普勒像的方位脉冲数,“·”表示求导;
6.3在第i个线性结构的姿态参数集Ci中,搜索使第i个线性结构的代价函数Ji(θ,φ)达到最小的一组姿态参数将该姿态参数作为第i个线性结构的最终的姿态参数,即完成对空间目标的姿态估计。
本发明的效果可通多以下仿真实验作进一步说明:
1)仿真条件:
本发明仿真采用的空间目标的结构如图3所示,该目标的太阳能翼边界有明显的线性结构;本发明仿真的主要参数,如表1所示:
表1 ISAR雷达***的主要参数
ISAR图像尺寸 | 512×512 |
波长λ | 0.018m |
发射信号的带宽B | 1GHz |
发射信号中心频率fc | 16.7GHz |
脉冲重复频率prf | 100Hz |
2.仿真内容及结果分析:
仿真1:用本发明方法对图3的空间目标的15幅提取边界后的图像进行线性结构的提取,其中,空间目标的第1幅、第6幅和第14幅提取边界后的图像的线性结构分别如图3a、图3b和图3c所示。
仿真2:用本发明方法对图3的空间目标的太阳能翼边界的三个线性结构进行关联,其中,空间目标的第1幅、第6幅和第14幅提取边界后的图像的关联后的线性结构分别如图4a、图4b和图4c所示,图中,1、2和3分别表示第1个、第2个和第3个线性结构。
仿真3,用本发明方法对关联后的三个线性结构,利用代价函数分别搜索其达到最小值的三个线性结构的姿态参数,结果如表2所示。
表2三个线性结构的姿态估计结果
线性结构 | θ(度) | φ(度) | 估计指向 | 估计指向与真实指向的夹角 |
1 | -9.6 | 171.3 | (-0.14,0.98,0.17) | 0.51度 |
2 | -10 | 172.1 | (-0.14,0.98,0.17) | 0.37度 |
3 | 75.5 | 121.5 | (0.20,-0.14,0.97) | 1.05度 |
3.仿真结果分析:
从图3a、图3b和图3c中可以看出,空间目标的太阳能翼边界的线性结构的提取基本正确,但是空间目标的非太阳能翼部分在一定程度上影响了太阳能翼边界的线性结构提取的精确度。
从图4a、图4b和图4c中可以看出,利用三个线性结构的变化信息可以很好地完成各幅提取边界后的图像之间线性结构的关联。
从表2中可以看出,估计的线性结构的指向与真实的线性结构的指向基本一致,平均误差在1度之内(为0.63度),而且可以发现线性结构1与线性结构2基本平行(夹角为0.88度),线性结构1与线性结构3基本垂直(夹角为90.12度),线性结构2与线性结构3基本垂直(夹角为90.67度),这与空间目标的结构一致,则空间目标的姿态可以确定。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围;这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种基于ISAR图像的空间目标姿态估计方法,其特征在于,包括以下步骤:
步骤1,由ISAR雷达***接收设定时间段内的回波信号;对设定时间段内的回波信号进行距离-多普勒处理,得到目标区域的雷达图像序列,该序列包括P幅目标区域的雷达图像;对第p幅目标区域的雷达图像依次进行滤波和对数变换,得到第p幅预处理后的目标区域的雷达图像,p=1,2,...,P;
步骤2,对第p幅预处理后的目标区域的雷达图像进行目标与背景的分割,得到第p幅目标-背景的二值图像;
步骤3,对第p幅目标-背景的二值图像提取目标的边界,得到第p幅提取边界后的图像;
步骤4,提取第p幅提取边界后的图像的N个线性结构;记录第p幅提取边界后的图像中每个线性结构的倾角、中心位置和长度,其中,N是正整数;
步骤5,将第一幅提取边界后的图像作为第一幅关联后的图像;再从第二幅提取边界后的图像开始,将第p幅提取边界后的图像与第p-1幅提取边界后的图像进行关联处理,即将第p幅提取边界后的图像的N个线性结构与第p-1幅提取边界后的图像的N个线性结构进行匹配标记,得到第二幅到第P幅关联后的图像;最终,得到P幅关联后的图像;
步骤6,设定第p幅关联后的图像的第i个线性结构的姿态参数包括仰角θp,i和方位角φp,i,则第i个线性结构的姿态参数集为Ci,Ci={(θ1,i,φ1,i),...,(θp,i,φp,i),...,(θP,i,φp,i)},其中,-90°≤θ≤90°,0°≤φ≤180°;构造第i个线性结构的代价函数,并在第i个线性结构的姿态参数集Ci中搜索使其代价函数达到最小的一组姿态参数,将该姿态参数作为第i个线性结构的最终的姿态参数,i=1,2,...,N,即完成对空间目标的姿态估计;
其中,步骤6的具体子步骤为:
6.1提取所有P幅关联后的图像的第i个线性结构的倾角作为观测值,i=1,2,...,N,N为线性结构的个数;
6.2构造第i个线性结构的代价函数Ji(θ,φ):
其中,Ap为第p幅提取边界后的图像的投影矩阵,其表达式为:
其中,是第p幅提取边界后的图像对应的雷达视线方向与空间三维坐标系中水平面xoy的夹角,为第p幅提取边界后的图像对应的雷达视线方向在空间三维坐标系中水平面xoy的分量与y轴的夹角,ΔR=c/(2×fs),c为光速,fs为雷达采样频率,ΔR′=-λ/(2×prf×Nd),λ为雷达信号波长,prf为脉冲重复频率,Nd为距离-多普勒向的方位脉冲数,“·”表示求导;
6.3在第i个线性结构的姿态参数集Ci中,搜索使第i个线性结构的代价函数Ji(θ,φ)达到最小的一组姿态参数将该姿态参数作为第i个线性结构的最终的姿态参数,即完成对空间目标的姿态估计。
2.如权利要求1所述的基于ISAR图像的空间目标姿态估计方法,其特征在于,步骤1中,第p幅预处理后的目标区域的雷达图像中像素点(m,n)的像素值为Fp(m,n):
Fp(m,n)=c1×ln[fp(m,n)+c2]+c3
其中,fp(m,n)为第p幅目标区域的雷达图像中像素点(m,n)的像素值,c1、c2和c3对数变换常量。
3.如权利要求1所述的基于ISAR图像的空间目标姿态估计方法,其特征在于,步骤2中,采用k-mean算法对第p幅预处理后的目标区域的雷达图像进行目标与背景的分割,步骤2的具体子步骤为:
2.1选取第p幅预处理后的目标区域的雷达图像中的最大像素值作为目标类ω1的聚类中心μp,1,选取预处理后的目标区域的雷达图像中的最小像素值作为非目标类ω2的聚类中心μp,2;
2.2计算分类阈值T,对第p幅预处理后的目标区域的雷达图像中的所有像素点进行分类,若像素点(m,n)的像素值Fp(m,n)>T,则像素点(m,n)∈ω1,反之,则像素点(m,n)∈ω2;
2.3分别计算聚类后目标类ω1的聚类中心μ′p,1和聚类后非目标类ω2的聚类中心μ′p,2:
其中,N1为属于目标类ω1的像素点个数,N2为属于非目标类ω2的像素点个数;
2.4如果聚类后目标类ω1的聚类中心μ′p,1不等于目标类ω1的聚类中心μp,1,或者聚类后非目标类ω2的聚类中心μ′p,2不等于非目标类ω2的聚类中心μp,2,则令μp,1=μ′p,1,μp,2=μ′p,2,返回步骤2.2,
如果聚类后目标类ω1的聚类中心μ′p,1等于目标类ω1的聚类中心μp,1,且聚类后非目标类ω2的聚类中心μ′p,2等于非目标类ω2的聚类中心μp,2,将N1个属于目标类ω1的像素点的像素值赋值为1,将N2个属于非目标类ω2的像素点的像素值赋值为0,得到第p幅目标-背景的二值图像。
4.如权利要求1所述的基于ISAR图像的空间目标姿态估计方法,其特征在于,步骤3的具体子步骤为:
3.1对第p幅目标-背景的二值图像进行膨胀处理,填补目标中的空洞,同时扩张目标-背景的二值图像的边界,得到第p幅膨胀图像BW1p;
3.2对第p幅膨胀图像BW1p进行腐蚀处理,同时收缩第p幅膨胀图像BW1p的边界,得到第p幅腐蚀图像BW2p;
3.3根据第p幅膨胀图像BW1p和第p幅腐蚀图像BW2p,得到第p幅提取边界后的图像BWp,其中,第p幅提取边界后的图像BWp中像素点(m,n)的像素值为
其中,为第p幅膨胀图像BW1p中像素点(m,n)的像素值,为第p幅膨胀图像BW2p中像素点(m,n)的像素值。
5.如权利要求1所述的基于ISAR图像的空间目标姿态估计方法,其特征在于,步骤5中,将第p幅提取边界后的图像与第p-1幅提取边界后的图像进行关联处理,其具体子步骤为:
5.1计算第p幅提取边界后的图像的第i个线性结构相对于第p-1幅提取边界后的图像的第j个线性结构的变化量:
其中,Δψp(j,i)表示第p幅提取边界后的图像的第i个线性结构与第p-1幅提取边界后的图像的第j个线性结构的倾角变化量,表示第p幅提取边界后的图像的第i个线性结构的倾角,表示第p-1幅提取边界后的图像的第j个线性结构的倾角,
Δposp(j,i)表示第p幅提取边界后的图像的第i个线性结构与第p-1幅提取边界后的图像的第j个线性结构的中心位置变化量,表示第p幅提取边界后的图像的第i个线性结构的中心位置,表示第p-1幅提取边界后的图像的第j个线性结构的中心位置,
Δlp(j,i)表示第p幅提取边界后的图像的第i个线性结构与第p-1幅提取边界后的图像的第j个线性结构的长度变化量,表示第p幅提取边界后的图像的第i个线性结构的长度,表示第p-1幅提取边界后的图像的第j个线性结构的长度,
i=1,2,...,N,j=1,2,...,N;
5.2计算第p幅提取边界后的图像的第i个线性结构与第p-1幅提取边界后的图像的第j个线性结构的相似值Jp(j,i):
Jp(j,i)=α1×Δψp(j,i)+α2×Δposp(j,i)+α3×Δlp(j,i)
其中,α1、α2、α3为标准化因子;
定义第p幅提取边界后的图像的相似矩阵Jp为:
5.3设定l为搜索次数,并设置搜索次数l的初始值为1;
5.4对第p幅提取边界后的图像的相似矩阵Jp进行第l次搜索,搜索到其最小元素为Jp(jl,il),则将第p幅提取边界后的图像的第il个线性结构与第p-1幅提取边界后的图像的第jl个线性结构进行匹配标记;
将第p幅提取边界后的图像的相似矩阵Jp的第jl行的元素和第il列的元素去掉,保留其他元素,则将第p幅提取边界后的图像的相似矩阵Jp更新为(N-l)×(N-l)维的矩阵;
5.5如果搜索次数l<N-1,则令搜索次数l增加1,返回步骤5.4,
如果搜索次数l=N-1,则停止对第p幅提取边界后的图像的相似矩阵Jp的搜索,第p幅提取边界后的图像的相似矩阵Jp中唯一的元素为Jp(j0,i0),将第p幅提取边界后的图像的第i0个线性结构与第p-1幅提取边界后的图像的第j0个线性结构进行匹配标记,则将第p幅提取边界后的图像的N个线性结构与第p-1幅提取边界后的图像的N个线性结构均完成匹配标记,得到第二到第P幅关联后的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510847881.5A CN105447867B (zh) | 2015-11-27 | 2015-11-27 | 基于isar图像的空间目标姿态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510847881.5A CN105447867B (zh) | 2015-11-27 | 2015-11-27 | 基于isar图像的空间目标姿态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105447867A CN105447867A (zh) | 2016-03-30 |
CN105447867B true CN105447867B (zh) | 2018-04-10 |
Family
ID=55558000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510847881.5A Expired - Fee Related CN105447867B (zh) | 2015-11-27 | 2015-11-27 | 基于isar图像的空间目标姿态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105447867B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10802147B2 (en) * | 2016-05-18 | 2020-10-13 | Google Llc | System and method for concurrent odometry and mapping |
US11131767B2 (en) * | 2017-06-22 | 2021-09-28 | The Boeing Company | Synthetic aperture radar mapping and registration systems and methods |
CN108594228B (zh) * | 2018-04-28 | 2022-02-22 | 西安电子科技大学 | 基于isar图像重聚焦的空间目标姿态估计方法 |
CN111398943B (zh) * | 2020-04-02 | 2022-07-29 | 森思泰克河北科技有限公司 | 目标姿态的确定方法及终端设备 |
CN113406666B (zh) * | 2021-05-14 | 2024-02-23 | 中山大学 | 基于光学雷达图像融合的目标姿态估计方法、***及介质 |
CN114545412B (zh) * | 2022-04-27 | 2022-08-05 | 西安电子科技大学 | Isar图像序列等效雷达视线拟合的空间目标姿态估计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102540189A (zh) * | 2012-01-04 | 2012-07-04 | 西安电子科技大学 | 基于复数后向投影的自旋目标三维成像方法 |
CN103235297A (zh) * | 2013-05-07 | 2013-08-07 | 西安电子科技大学 | 基于宽带雷达观测的空间章动目标参数估计方法 |
-
2015
- 2015-11-27 CN CN201510847881.5A patent/CN105447867B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102540189A (zh) * | 2012-01-04 | 2012-07-04 | 西安电子科技大学 | 基于复数后向投影的自旋目标三维成像方法 |
CN103235297A (zh) * | 2013-05-07 | 2013-08-07 | 西安电子科技大学 | 基于宽带雷达观测的空间章动目标参数估计方法 |
Non-Patent Citations (2)
Title |
---|
Imaging plane characterisation for ISAR imaging of LEO space objects;Jin Chen等;《Radar Conference 2015, IET International》;20151016;正文第1-6页 * |
激光雷达目标三维姿态估计;郭裕兰 等;《光学精密工程》;20120430;第20卷(第4期);第843-850页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105447867A (zh) | 2016-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105447867B (zh) | 基于isar图像的空间目标姿态估计方法 | |
CN101498788B (zh) | 一种逆合成孔径雷达的目标转角估计和横向定标方法 | |
CN103064086B (zh) | 一种基于深度信息的车辆跟踪方法 | |
CN108960190B (zh) | 基于fcn图像序列模型的sar视频目标检测方法 | |
CN103217674B (zh) | 一种逆合成孔径雷达的目标三维散射中心重构方法 | |
CN102778680B (zh) | 基于参数化的匀加速运动刚体群目标成像方法 | |
Niedfeldt et al. | Recursive RANSAC: Multiple signal estimation with outliers | |
KR101652395B1 (ko) | 기동표적에 대한 isar 영상의 수직거리 스케일링 기법 | |
CN108508439B (zh) | 双机载sar对目标协同成像立体定位的方法 | |
CN101738614A (zh) | 基于时空图像序列的逆合成孔径雷达的目标转动估计方法 | |
CN112782695B (zh) | 基于isar图像和参数优化的卫星姿态和尺寸估计方法 | |
CN105866777B (zh) | 多角度多时段导航卫星双基地PS-InSAR三维形变反演方法 | |
Kang et al. | ISAR cross-range scaling via joint estimation of rotation center and velocity | |
Sun et al. | An improved FAST feature extraction based on RANSAC method of vision/SINS integrated navigation system in GNSS-denied environments | |
CN103886606B (zh) | 基于联合广义伽玛分布参数的sar图像分割方法 | |
Long et al. | Object detection research of SAR image using improved faster region-based convolutional neural network | |
Guo et al. | KD-tree-based euclidean clustering for tomographic SAR point cloud extraction and segmentation | |
Gianelli et al. | Focusing, imaging, and ATR for the Gotcha 2008 wide angle SAR collection | |
Wang et al. | Terrain matching by fusing HOG with Zernike moments | |
CN114067064A (zh) | 基于多视角雷达图像的目标三维重建方法 | |
CN106204664B (zh) | 基于sar-lark特征的sar舰船目标检测方法 | |
Lee et al. | Tracking random finite objects using 3D-LIDAR in marine environments | |
CN116125493A (zh) | 基于光学雷达图像投影特征融合的目标三维重建方法 | |
CN115601278A (zh) | 基于子图像配准的高精度运动误差补偿的方法 | |
CN106707276B (zh) | 一种基于滑窗eht的进动目标雷达三维成像方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180410 Termination date: 20191127 |
|
CF01 | Termination of patent right due to non-payment of annual fee |