密集恒星背景下的暗弱空间目标检测与航迹关联方法

《Sensors》：A Dim Space Target Detection and Track Association Method for Dense Stellar Backgrounds

　　

在空间目标监视任务中，由于密集恒星干扰与目标运动的随机性，暗弱空间目标的有效检测仍具挑战。为从复杂恒星背景中快速准确提取暗弱空间目标，研究人员提出一种面向密集恒星背景的暗弱空间目标检测与航迹关联方法。该方法从时空联合视角分析目标与背景的多重特征，包含三个主要阶段。首先，通过帧间配准滤除亮星，继以连通域后处理，在简化星图背景的同时提升暗弱目标信噪比（SNR）。其次，提出图像差分融合粗处理模块：由谱相位差推导重建多脉冲函数以估计不同成分位移参数，再设计图像差分融合获取候选目标。再次，设计定向航迹关联算法，以候选目标为中心、运动参数为阈值，将关联范围收窄至扇形区域，在实现目标航迹快速检测的同时剔除冗余虚警。在四个数据集上的实验表明，该方法在目标检测与定位精度上均优于传统基线方法。

研究背景方面，随着航天工业发展，失效航天器与空间碎片增多，对在轨航天器安全构成威胁，亟需对其识别、检测与跟踪。由于观测距离远，空间目标在图像中仅占少数像素，缺乏明确几何纹理；视场内恒星密集且与目标形态相似，形成强干扰，目标暗弱易湮没于深空背景，且运动方向与速度随序列变化。传统方法如图像滤波对噪声敏感，基于人眼视觉的时空对比法虚警多，低秩稀疏表示与光流法计算复杂难以实时，匹配滤波类方法依赖形态或运动先验且对暗弱目标鲁棒性差，多帧差分在密星背景下易误匹配与残星残留，多级假设检验与轨迹预测需构建选择树并逐帧盲检导致速度慢、消除不准。因此核心在于先识别目标再跨帧定位，需在噪声敏感性、恒星抑制、鲁棒检测与实时性上改进。论文发表于《Sensors》，研究人员开展多阶段恒星滤波、暗弱目标检测与定向航迹提取研究，得出该方法在四个真实地基观测序列上检测率与定位精度优于基线，意义在于将经典相位相关由单主导运动估计扩展为多成分运动分析，并提供可嵌入监视流水线的非学习方案。

关键技术方法上，研究人员使用河北兴隆县地基CMOS相机于2024年6月17—18日采集的四组恒星参考系序列（51、26、50、50帧，曝光10 s、20 s、150 ms、300 ms）作样本。主要技术包括：相邻帧配准获公共掩膜做差除亮星，再以3×3结构元素膨胀与连通域后处理（面积A、长宽比R、紧致度C三准则）抑噪；基于傅里叶变换共轭相乘得互功率谱并归一化，反变换后取多相关峰，以峰值旁瓣比（PSR）排序，分离背景主导峰与目标候选峰，经帧间一致性筛选与相似分组重建暗星与目标平均位移（谱相位偏移筛选重建）；依重建位移分别按暗星与目标运动移位、膨胀、差分并逐元素乘，得候选目标与差分序列（图像差分融合粗处理）；以候选目标质心为起点，用估计方向与距离参数设角度阈值θ与距离阈值d预测下帧位置，扇形门选最小欧氏代价关联，连续≥5帧确认航迹，间断处回查差分图补点（定向航迹关联）。

研究结果部分，第三章方法主体分三节。3.1亮星去除与连通域处理：研究人员通过帧间配准与掩膜差分去除亮星，固定膨胀提供配准残差容限，自适应阈值T=μ+2.5σ二值化后以面积、长宽比、紧致度连通域滤波，保守剔除孤立噪声与条带残迹，提升暗目标SNR。3.2空间目标检测含两个子节：3.2.1谱相位偏移筛选重建，由连续两帧I_t、I_t+1傅里叶相移性质建互功率谱R_AB=F_AF_B^*/|F_AF_B^*|，反变换得相关图ρ，取局部极大候选峰集P_i，以Min-Max归一化响应与PSR线性组合排序分背景峰p_bgⁱ与目标候选峰集Q_i，位移阈值ε内相似分组，背景取点数最多子集G^*、目标取≥5点子集H^*算均值(Δx?_bg,Δ?_bg)与(Δx?_tgt,j,Δ?_tgt,j)，得背景与目标运动方向距离参数；3.2.2图像差分融合粗处理，依重建列表D_bg、D_tgt将序列按暗星位移移位膨胀后与次帧差分得差分序列S_diff，按目标位移移位膨胀得候选序列S_cand，逐元素乘S_cand°S_diff抑制残星增强目标。3.3定向航迹关联：从S_cand取连通域质心c_i^k，由运动参数预测下一帧位置o，设θ、d局部容限门，多选候选取J=‖z-o‖₂最小者入轨，轨长≥5帧为真航迹，缺检帧回S_diff同门补点，输出结果图序列R与航迹文件F。

第四章实验与讨论指出，在四序列上以对象级精度（Precision）、召回（Recall）、虚警率（FAR）、低虚警区部分AUC（pAUC）、PR曲线、交并比（IoU）、质心偏差e_c评测，对比STLDM、MFSTPT、CTSTC、MSAMNet、TESNet。定性上本方法红圈标靶、3D显示证密星抑制优；定量上本方法Precision与Recall最高、FAR最低，pAUC达0.981/0.973/0.966/0.959，AP为0.974/0.961/0.952/0.944，IoU为0.812/0.798/0.783/0.791，平均质心偏差0.74像素，优于MSAMNet（1.31像素）与TESNet（0.98像素）；计算效率上本方法纯CPU顺序实现，单帧总时约0.38—0.52 s，其中谱相位筛选重建占60%以上，慢于GPU批推理的学习法但快于CTSTC等传统法。讨论中研究人员说明注册仅补平移、膨胀容差有限、相位峰排名与一致性筛选逐级抑错，失败案例多因残星过密或目标对比度过低。

结论部分翻译：在密集恒星背景下暗弱空间目标检测问题中，研究人员提出一种三阶段非学习方法。通过帧间配准与连通域后处理多亮度级抑星，通过谱相位偏移筛选重建将相位相关由单主导运动扩展至多成分运动分析并重建稳定位移，通过图像差分融合获取候选目标，通过定向扇形门关联剔虚警得完整航迹。四个真实地基序列实验表明该方法在检测率、定位精度与背景抑制上均优于对比基线，未来可通过优化运动参数估计模块降低谱相位阶段计算耗时。该研究为地基光学空间监视提供了一种不依赖大规模标注与GPU的训练轻量替代方案。