【技术实现步骤摘要】
本专利技术涉及图像信息处理，尤其涉及一种空间目标图像生成与状态估计方法。
技术介绍
1、空间目标监视具有重要意义，在空间态势感知、空间交会、空间碎片清除等领域发挥重要作用。天基监视相机是空间目标监视的有效手段，天基监视相机通过近距离成像可得到空间目标更加清晰的图像，利用基于深度学习的空间目标状态估计算方法对图像数据进行处理以进一步得到空间目标的位置、姿态等状态信息。其中，在利用基于深度学习的空间目标状态估计方法对图像数据进行处理以得到空间目标的状态信息前，需要先利用空间目标图像数据集进行深度学习模型的训练。
2、现有的空间目标图像数据集一般通过天基监视相机拍摄的真实空间目标图像和仿真生成的空间目标图像进行构建。然而，天基监视相机拍摄的真实空间目标图像数量较少，无法满足构建空间目标图像数据集所需数量需求，而若要拍摄获取，只能入轨后开展拍摄任务，获取成本较高；仿真图像虽然可批量生成，但现有仿真图像生成方法通常没有结合相机内外参进行仿真，导致生成图像效果较差，且需要人工标注，导致工作量较大。并且，现有的基于深度学习的空间目标状态估计方法利用目标检测模型直接进行目标及其角度的检测，求解精度不高，算法的可解释性与泛化性较差。
技术实现思路
1、为解决上述现有技术中存在的部分或全部技术问题，本专利技术提供一种空间目标图像生成与状态估计方法。
2、本专利技术的技术方案如下：
3、提供了一种空间目标图像生成与状态估计方法，包括：
4、获取包含目标的拍
5、利用拍摄图像和仿真图像构建训练数据集，训练数据包括图像及其对应的目标框和目标关键点位置；
6、利用训练数据集训练预先构建的目标检测模型和关键点检测模型；
7、获取待检测图像；
8、将待检测图像输入训练后的目标检测模型，得到包含目标框的目标图像；
9、若目标图像中目标所占像素在预设像素值以上，将目标图像输入训练后的关键点检测模型，得到目标关键点位置信息，根据目标关键点位置信息求解得到相机与目标的相对位姿信息；
10、输出图像中的目标框位置信息或相机与目标的相对位姿信息。
11、在一些可能的实现方式中，根据目标三维模型进行仿真，获取包含目标的仿真图像，包括：
12、步骤s101，选定仿真建模软件，将预先构建的目标三维模型导入仿真建模软件中，并设置光照条件、相机初始参数和目标三维模型初始状态参数；
13、步骤s102，驱动仿真建模软件中的相机，设置仿真建模软件中的相机的位置及姿态参数；
14、步骤s103，根据当前设置的相机的位置及姿态，使相机围绕目标三维模型进行成像，并利用仿真建模软件对图像进行渲染得到目标在当前相机位姿下的仿真图像；
15、步骤s104，重复进行多次步骤s102-s103，得到多个不同相机位姿下的仿真图像。
16、在一些可能的实现方式中，仿真图像对应的目标框和目标关键点位置通过以下方式生成：
17、根据目标三维模型及其初始状态参数，确定目标关键点及其三维坐标；
18、根据仿真建模软件中的相机的位置、姿态、以及仿真场景设置的各参考坐标系之间的变换关系，确定相机相对目标三维模型的相对位姿信息；
19、根据相机相对目标三维模型的相对位姿信息，进行目标关键点从三维坐标到二维坐标的映射，得到目标关键点的二维坐标；
20、根据目标关键点的二维坐标，求解外接矩阵以作为目标框，以外接矩阵的两个对角点的二维坐标作为目标框的位置坐标。
21、在一些可能的实现方式中，所述目标检测模型通过以下方式训练：
22、将训练数据集中的训练数据的图像作为输入，将与图像对应的目标框作为输出，训练目标检测模型。
23、在一些可能的实现方式中，将训练数据集中的训练数据的图像作为输入，将与图像对应的目标框作为输出，训练目标检测模型，进一步包括：
24、步骤s301，将训练数据集中的每个训练数据的图像依次输入目标检测模型，得到目标检测模型输出的预测目标框；
25、步骤s302，根据每个图像对应的目标框和预测目标框，计算预设目标检测损失函数；
26、步骤s303，判断是否达到预设训练停止条件，若是，则将当前的目标检测模型作为完成训练的目标检测模型，若否，则利用预设目标检测损失函数更新目标检测模型的参数，并返回步骤s301。
27、在一些可能的实现方式中，所述关键点检测模型通过以下方式训练：
28、将训练数据集中的训练数据的图像作为输入，将与图像对应的目标关键点位置作为输出，训练关键点检测模型。
29、在一些可能的实现方式中，将训练数据集中的训练数据的图像作为输入，将与图像对应的目标关键点位置作为输出，训练关键点检测模型，进一步包括：
30、步骤s311，将训练数据集中的每个训练数据的图像依次输入关键点检测模型，得到关键点检测模型输出的预测目标关键点位置；
31、步骤s312，根据每个图像对应的目标关键点位置和预测目标关键点位置，计算预设关键点检测损失函数；
32、步骤s313，判断是否达到预设训练停止条件，若是，则将当前的关键点检测模型作为完成训练的关键点检测模型，若否，则利用预设关键点检测损失函数更新关键点检测模型的参数，并返回步骤s311。
33、在一些可能的实现方式中，根据目标关键点位置信息，利用epnp算法求解得到相机与目标的相对位姿信息。
34、在一些可能的实现方式中，所述目标检测模型采用yolo算法模型。
35、在一些可能的实现方式中，所述关键点检测模型采用hrnet算法模型。
36、本专利技术技术方案的主要优点如下：
37、本专利技术的空间目标图像生成与状态估计方法通过构建目标三维模型来获取仿真图像，能够实现仿真图像的快速生成，并提高仿真效果；通过利用目标检测模型及关键点检测模型对图像进行处理，能够充分利用深度学习图像特征提取能力，同时利用位姿估计算法对提取信息进行进一步处理，能够显著提高目标状态估计结果的精度，具有更好的可解释性与泛化能力，更高的目标状态估计性能。
本文档来自技高网...【技术保护点】
1.一种空间目标图像生成与状态估计方法，其特征在于，包括：
2.根据权利要求1所述的空间目标图像生成与状态估计方法，其特征在于，根据目标三维模型进行仿真，获取包含目标的仿真图像，包括：
3.根据权利要求2所述的空间目标图像生成与状态估计方法，其特征在于，仿真图像对应的目标框和目标关键点位置通过以下方式生成：
4.根据权利要求1所述的空间目标图像生成与状态估计方法，其特征在于，所述目标检测模型通过以下方式训练：
5.根据权利要求4所述的空间目标图像生成与状态估计方法，其特征在于，将训练数据集中的训练数据的图像作为输入，将与图像对应的目标框作为输出，训练目标检测模型，进一步包括：
6.根据权利要求1所述的空间目标图像生成与状态估计方法，其特征在于，所述关键点检测模型通过以下方式训练：
7.根据权利要求6所述的空间目标图像生成与状态估计方法，其特征在于，将训练数据集中的训练数据的图像作为输入，将与图像对应的目标关键点位置作为输出，训练关键点检测模型，进一步包括：
8.根据权利要求1所述的空间目标图像生成
9.根据权利要求1所述的空间目标图像生成与状态估计方法，其特征在于，所述目标检测模型采用YOLO算法模型。
10.根据权利要求1所述的空间目标图像生成与状态估计方法，其特征在于，所述关键点检测模型采用HRNet算法模型。
...【技术特征摘要】
1.一种空间目标图像生成与状态估计方法，其特征在于，包括：
2.根据权利要求1所述的空间目标图像生成与状态估计方法，其特征在于，根据目标三维模型进行仿真，获取包含目标的仿真图像，包括：
3.根据权利要求2所述的空间目标图像生成与状态估计方法，其特征在于，仿真图像对应的目标框和目标关键点位置通过以下方式生成：
4.根据权利要求1所述的空间目标图像生成与状态估计方法，其特征在于，所述目标检测模型通过以下方式训练：
5.根据权利要求4所述的空间目标图像生成与状态估计方法，其特征在于，将训练数据集中的训练数据的图像作为输入，将与图像对应的目标框作为输出，训练目标检测模型，进一步包括：
6.根据权利要求1所述的空间...
【专利技术属性】
技术研发人员：郭鹏宇，刘勇，曹璐，李涛，孟玲，王鑫慧，
申请(专利权)人：中国人民解放军军事科学院国防科技创新研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。