基于孪生网络的航天器部件追踪

孙运达; 万雪; 李盛阳

doi:10.37188/OPE.20212912.2915

您当前的位置：

首页 >

文章列表页 >

基于孪生网络的航天器部件追踪

信息科学 | 更新时间：2022-01-07

- 基于孪生网络的航天器部件追踪
- Siamese network based satellite component tracking
- 光学精密工程 2021年29卷第12期页码：2915-2923
- 作者机构：
  
  1.中国科学院大学，北京 100049
  2.中国科学院空间应用工程与技术中心，北京 100094
  3.中国科学院太空应用重点实验室，北京 100094
- 作者简介：
  
  [ "孙运达（1995-），男，河北承德人，硕士研究生，2018年于北京交通大学获得学士学位，主要从事机器视觉方面的研究。E-mail： sunyunda18@csu.ac.cn" ]
  [ "万　雪（1988-），女，湖北武汉人，研究员，硕士生导师，2015年于英国帝国理工大学获得博士学位，主要从事计算机视觉算法研究。E-mail：wanxue@csu.ac.cn" ]
- 基金信息：
  
  中国科学院重点部署项目(Y9030971WY)
- DOI：10.37188/OPE.20212912.2915
  中图分类号： TP394.1;TH691.9
- 收稿日期：2021-04-29，
  
  修回日期：2021-05-28，
  
  纸质出版日期：2021-12-15
- 稿件说明：
移动端阅览
孙运达,万雪,李盛阳.基于孪生网络的航天器部件追踪[J].光学精密工程,2021,29(12):2915-2923.

SUN Yun-da,WAN Xue,LI Sheng-yang.Siamese network based satellite component tracking[J].Optics and Precision Engineering,2021,29(12):2915-2923.
孙运达,万雪,李盛阳.基于孪生网络的航天器部件追踪[J].光学精密工程,2021,29(12):2915-2923. DOI： 10.37188/OPE.20212912.2915.

SUN Yun-da,WAN Xue,LI Sheng-yang.Siamese network based satellite component tracking[J].Optics and Precision Engineering,2021,29(12):2915-2923. DOI： 10.37188/OPE.20212912.2915.

摘要

为了满足空间任务实施过程中对航天器部件的精细定位需求，针对相同类别部件易出现的混淆问题，本文提出了一种基于孪生网络结构的航天器部件追踪算法。首先通过神经网络模型将航天器部件追踪问题描述为基于数据驱动的航天器部件相似性度量问题，以改进AlexNet网络结构为孪生单元设计本文所用孪生网络模型。其次，使用公开大型数据集GOT-10k训练孪生网络，以随机梯度下降作为网络优化方法，提升网络表征能力。最后针对航天器同类部件外观相似造成的定位混淆问题，提出一种结合运动时序特征的追踪策略，提高了追踪精度。以ESA公开的航天器视频数据作为测试数据，验证所提出算法性能，实验结果表明：本文所提出算法在未使用航天器相关数据训练的条件下，在舱体与太阳能帆板追踪结果交并比达到57.2%与73.1%，速度达到38 FPS，基本满足航天器部件追踪稳定可靠、精度高、抗干扰能力强等要求。

Abstract

To meet the requirements for precise positioning of spacecraft components during space missions， this paper proposes a spacecraft component tracking algorithm based on a Siamese neural network. The proposed approach solves the common problem of confusing similar components. First， the spacecraft component tracking problem was modeled by training with data via the neural network； the Siamese network was designed by improving the AlexNet network. A large public dataset GOT-10k was used to train the Siamese network. Stochastic gradient descent was then used to optimize the network. Finally， to eliminate the positioning confusion occasioned by the resemblance of similar parts of the spacecraft， a tracking strategy combining motion sequence characteristics was developed to improve the tracking accuracy. The spacecraft video data published by ESA was used to test the proposed algorithm. The experimental results show that the proposed algorithm， without using spacecraft related data for training， achieves 57.2% and 73.1% of the intersection ratio of the tracking results between the cabin and solar panel， and the speed reaches 38 FPS. This demonstrates that the proposed method can meet the requirements of stable and reliable tracking of spacecraft components with high precision and strong anti-interference.

关键词

Keywords

references

CHEN B ， CAO J W ， PARRA A ， et al . Satellite pose estimation with deep landmark regression and nonlinear pose refinement ［C］. 2019 IEEE/CVF International Conference on Computer Vision Workshop （ICCVW） . 2728，2019 ， Seoul， Korea （South）. IEEE ， 2019 ： 2816 - 2824 . doi: 10.1109/iccvw.2019.00343 http://dx.doi.org/10.1109/iccvw.2019.00343

You S ， Zhu H ， Li M ， et al . A Review of Visual Trackers and Analysis of its Application to Mobile Robot ［EB/OL］ arXiv： 1910.09761 ， 2019 .

LI B ， WU W ， WANG Q ， et al . SiamRPN++： evolution of Siamese visual tracking with very deep networks ［C］. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. 1520，2019 ， Long Beach， CA， USA. IEEE ， 2019 ： 4277 - 4286 . doi: 10.1109/cvpr.2019.00441 http://dx.doi.org/10.1109/cvpr.2019.00441

MARVASTI-ZADEH S M ， CHENG L ， GHANEI-YAKHDAN H ， et al . Deep learning for visual tracking： a comprehensive survey ［J］. IEEE Transactions on Intelligent Transportation Systems ， 6478 ， PP（ 99 ）： 1 - 26 .

ZOU Z X ， SHI Z W ， GUO Y H ， et al . Object detection in 20 years： a survey ［EB/OL］. arXiv ： 1905.05005 ， 2019 . doi: 10.1007/978-3-319-68935-7_27 http://dx.doi.org/10.1007/978-3-319-68935-7_27

赵浩光，王平，董超，等 . 结合多尺度视觉显著性的舰船目标检测［J］. 光学精密工程， 2020 ， 28 （ 6 ）： 1395 - 1403 . doi: 10.3788/OPE.20202806.1395 http://dx.doi.org/10.3788/OPE.20202806.1395

ZHAO H G ， WANG P ， DONG CH ， et al . Ship detection based on the multi-scale visual saliency model ［J］. Opt. Precision Eng. ， 2020 ， 28 （ 6 ）： 1395 - 1403 . （in Chinese） . doi: 10.3788/OPE.20202806.1395 http://dx.doi.org/10.3788/OPE.20202806.1395

谷雨，刘俊，沈宏海，等 . 基于改进多尺度分形特征的红外图像弱小目标检测［J］. 光学精密工程， 2020 ， 28 （ 6 ）： 1375 - 1386 . doi: 10.3788/ope.20202806.1375 http://dx.doi.org/10.3788/ope.20202806.1375

GU Y ， LIU J ， SHEN H H ， et al . Infrared dim-small target detection based on an improved multiscale fractal feature ［J］. Opt. Precision Eng. ， 2020 ， 28 （ 6 ）： 1375 - 1386 . （in Chinese） . doi: 10.3788/ope.20202806.1375 http://dx.doi.org/10.3788/ope.20202806.1375

王建林，付雪松，黄展超，等 . 改进YOLOv2卷积神经网络的多类型合作目标检测［J］. 光学精密工程， 2020 ， 28 （ 1 ）： 251 - 260 . doi: 10.3788/ope.20202801.0251 http://dx.doi.org/10.3788/ope.20202801.0251

WANG J L ， FU X S ， HUANG ZH CH ， et al . Multi-type cooperative targets detection using improved YOLOv2 convolutional neural network ［J］. Opt. Precision Eng. ， 2020 ， 28 （ 1 ）： 251 - 260 . （in Chinese） . doi: 10.3788/ope.20202801.0251 http://dx.doi.org/10.3788/ope.20202801.0251

BAR-SHALOM Y ， FORTMANN T E ， CABLE P G . Tracking and data association ［J］. The Journal of the Acoustical Society of America ， 1990 ， 87 （ 2 ）： 918 - 919 . doi: 10.1121/1.398863 http://dx.doi.org/10.1121/1.398863

COMANICIU D ， MEER P . Mean shift： a robust approach toward feature space analysis ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2002 ， 24 （ 5 ）： 603 - 619 . doi: 10.1109/34.1000236 http://dx.doi.org/10.1109/34.1000236

HARE S ， GOLODETZ S ， SAFFARI A ， et al . Struck： structured output tracking with kernels ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2016 ， 38 （ 10 ）： 2096 - 2109 . doi: 10.1109/tpami.2015.2509974 http://dx.doi.org/10.1109/tpami.2015.2509974

KALAL Z ， MIKOLAJCZYK K ， MATAS J . Tracking-learning-detection ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2012 ， 34 （ 7 ）： 1409 - 1422 . doi: 10.1109/tpami.2011.239 http://dx.doi.org/10.1109/tpami.2011.239

BOLME D S ， BEVERIDGE J R ， DRAPER B A ， et al . Visual object tracking using adaptive correlation filters ［C］. 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition . 1318，2010 ， San Francisco， CA， USA . IEEE ， 2010 ： 2544 - 2550 . doi: 10.1109/cvpr.2010.5539960 http://dx.doi.org/10.1109/cvpr.2010.5539960

HENRIQUES J F ， CASEIRO R ， MARTINS P ， et al . High-speed tracking with kernelized correlation filters ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2015 ， 37 （ 3 ）： 583 - 596 . doi: 10.1109/tpami.2014.2345390 http://dx.doi.org/10.1109/tpami.2014.2345390

DANELLJAN M ， HÄGER G ， KHAN F S ， et al . Learning spatially regularized correlation filters for visual tracking ［C］. 2015 IEEE International Conference on Computer Vision （ICCV）. 713，2015 ， Santiago， Chile. IEEE ， 2015 ： 4310 - 4318 . doi: 10.1109/iccv.2015.490 http://dx.doi.org/10.1109/iccv.2015.490

HONG S ， YOU T ， KWAK S ， et al . Online Tracking by Learning Discriminative Saliency Map with Convolutional Neural Network ［C］. 2015 Proceedings of the 32 nd International Conference on Machine Learning， Lille， France ， 2015 . JMLR： W&CP ，2015： 597 - 606 .

BERTINETTO L ， VALMADRE J ， HENRIQUES J F ， et al . Fully-convolutional Siamese networks for object tracking ［C］. Computer Vision - ECCV 2016 Workshops ， 2016 ： 850 - 865 . doi: 10.1007/978-3-319-48881-3_56 http://dx.doi.org/10.1007/978-3-319-48881-3_56

KRIZHEVSKY A ， SUTSKEVER I ， HINTON G E . ImageNet classification with deep convolutional neural networks ［J］. Communications of the ACM ， 2017 ， 60 （ 6 ）： 84 - 90 . doi: 10.1145/3065386 http://dx.doi.org/10.1145/3065386

HUANG L H ， ZHAO X ， HUANG K Q . GOT-10k： a large high-diversity benchmark for generic object tracking in the wild ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2021 ， 43 （ 5 ）： 1562 - 1577 . doi: 10.1109/tpami.2019.2957464 http://dx.doi.org/10.1109/tpami.2019.2957464

浏览量

757

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于孪生网络的航天器部件追踪

基于多分支残差注意力网络的水下图像增强

基于策略梯度和伪孪生网络的异源图像匹配

面向点云分类和分割的形状自适应特征聚合网络

基于机载的红外动态目标视频实时超分辨率重建