載人飛船返回艙再入末段實時光電測量評估系統

袁紅偉， 彭育兵， 賈 鵬， 曾 強， 安學廣

（中國酒泉衛星發射中心， 酒泉 732750）

1 引言

載人航天飛行任務中，需要對飛行器發射、入軌、運行和返回各階段進行跟蹤測量，以獲取盡可能多的飛行器信息，用于飛行器狀態確認和安全性評估［1-2］。 返回階段，運行軌道、制動位置、制動姿態、制動參數、質量和氣動系數等因素會造成返回艙存在較大的著陸散布［3］，因此飛船著陸場預設面積較大。 為保障返回艙安全，著陸場范圍內不能布設大型測量設備。 而站址較遠的光學、雷達設備受地球曲率和距離影響，對返回艙再入末段無法實施有效測量［4］。同時，載人飛船返回艙從出黑障到著陸前為再入末段，會完成開傘、吹除剩余燃料、反推發動機點火等一系列關鍵動作，姿態變化大［5-7］，傳統方式下依靠回傳遙測數據或航天員判斷上報，沒有直觀的外測數據依據，不利于對飛船關鍵事件完成情況進行準確判別。

本文針對著陸場再入末段測量需求，以小型化光電測量系統為基礎，寬帶無線通信網絡為數據傳輸支持，研制了載人飛船返回艙再入末段實時光電測量評估系統。

2 系統組成

載人飛船返回艙再入末段實時光電測量評估系統主要由小型光電經緯儀、管理控制平臺和無線通信網絡構成，如圖1 所示。

圖1 實時光電測量評估系統組成Fig.1 Composition of the real-time photoelectric measurement and evaluation system

小型光電經緯儀由光電指示器和驅動控制箱組成。 光電指示器內裝有雙軸伺服轉臺，1 臺變焦高清可見光攝像機、1 臺變焦紅外熱成像攝像機。 2 臺攝像機光軸中心調平，光電指示器中圖像和數據信息通過導電滑環送出。 驅動控制箱裝有高清圖像編碼器、目標跟蹤模塊、伺服控制器和通信模塊。 其中，高清圖像編碼器將HDSDI 高清視頻和紅外AV 視頻編碼成H.264，壓縮網絡視頻流輸出；目標跟蹤模塊接收輸入的相機圖像，同時對圖像中的運動目標進行檢測，提取目標相對于視場中心的偏移量，送給伺服控制器；伺服控制器控制轉臺和鏡頭的動作，可接收遠程操控指令、外部引導數據、自身目標跟蹤模塊目標位置偏移量數據，并根據預先設定優先級，選擇數據源控制轉臺完成目標跟蹤；通信模塊由網絡交換機、接口協議轉換器和遠程開關機模塊組成，主要完成對外網絡和串口通信，待機和工作狀態轉換等功能。

管理控制平臺使用專門應用軟件負責收集系統各類設備數據，為操作者提供監控操作界面；存儲并分析目標的時間和空間信息，通過交會計算處理得到目標確切空間位置；與飛行指揮中心通信，接收中心目標引導數據，發送目標測量信息；操作者可根據目標位置、飛行狀態選擇引導、自動或手動跟蹤方式。

通信網絡以機動微波、散射通信方式保障著陸區南北2 個信息匯聚點到后端指揮中心的數據通信，使用便攜式無線寬帶自組網設備保障各測量點到前端匯聚點的數據通信，構成可完全覆蓋著陸場區域的無線通信網絡，使系統具備在著陸場范圍內大范圍機動布站的能力。

3 關鍵技術及實現方法

3.1 運動圖像中的目標識別算法

對于返回艙的跟蹤要求，攝像機始終處于動態條件下，如平移、旋轉和縮放等。 為消除目標與攝像機之間復雜相對運動的影響，需要對獲取圖像進行全局運動估計和補償。 圖像經過全局運動估計和補償后，相鄰視頻幀的背景可認為是靜止的，再使用幀間的圖像差分即可檢測到運動變化區域［8］。 常用的時間差分法是在圖像序列中的相鄰幀間進行基于像素的時間差分，設定閾值來提取圖像中的運動目標，即通過檢測序列圖像幀中的變化區域與不變區域，將運動物體與靜止背景進行分割。 依據提取變化區域特征，如大小、面積、長寬比等，判決是否為目標。 上述方法對于動態背景有很好的適應性，但是很難快速將運動目標完整分割出來［9］，本文對其進行改進，使用三幀差分代替二幀差分，利用連續三幀圖像計算2 次二值化差圖像，再對差值圖像求交集，得到中間幀運動目標的精確位置。 檢測流程如圖2 所示。

圖2 改進的時間差分法運動目標檢測流程Fig.2 Improved time difference method for moving object detection

從拍攝圖像中抽幀形成檢測圖片組，一組3 張圖片，分別為n×k－d，n×k和n×k＋d幀，k為采樣間隔，用于對圖像序列跳幀處理，方便快速找出運動目標；d為差分間隔，其取值應保證差分圖像中目標重疊區為零，即前后目標位移大于目標自身。 全局運動估計和補償使用二參數平移運動模型塊匹配方法。 形態濾波用于抑制背景噪聲，實施方法為形態學開運算，即先腐蝕后膨脹；然后對差分后的圖像序列進行濾波處理，去除圖像中的噪聲干擾，得到準確的運動目標。

3.2 基于多站交匯的空間目標測量

測量系統檢測每個前端攝像機拍攝的目標圖像，目標檢測與識別軟件計算得到目標位置信息，換算為對應于測站的目標測角信息，最后用垂距最小二乘方法進行交會處理，求得交點到每個測站測量線的垂距值，同時完成野值剔除。

垂距最小二乘法目標是求得一個空間點，使該點到各測站測角線（測站到目標的連線）垂距的平方和最小，如圖3 所示。

圖3 垂直最小二乘法求空間交會點Fig.3 Finding space intersection point by vertical Least square method

假定地心坐標系中有2 個測站P1和P2， 坐標分別為（x1，y1，z1） 和（x2，y2，z2）， 它們相對于測量空間目標P′（x′，y′，z′） 的方位角（定義為在平行于xy平面內從x軸逆時針轉向測角線投影的夾角）為A1，A2，俯仰角（定義為從xy平面內測角線的投影轉向測角線的夾角）為E1，E2。 圖中r′1、r′2分別為測站到目標點的斜距，d1、d2為空間點P（x，y，z） 到2 個測站測角線的垂距，其中到P1P0的垂足標記為P0（x0，y0，z0），按空間幾何關系，可求得空間點P到P1P0垂足的坐標，如式（1）所示。

空間任意點P到測角線P1P0垂距的平方，如式（2）所示。

根據測站P1的位置及測角線P1P0的角度定義以下系數，如式（3）所示。

可得任意空間點P到測站i測角線垂距的平方，如式（4）所示。

點P到所有n個測站測角線的垂距用最小二乘法可得，如式（5）所示。

解三元一次方程組式（5），帶入式（6），即可求得使垂距平方和最小極值點。

3.3 系統跟蹤電路設計

3.3.1 基于再生反饋的大跟蹤角速率控制電路

外部引導模式下，伺服控制器接收外部引導系統給定目標角，調轉到位后，接收圖像處理單元給出的目標相對于視場中心的偏差量，經數字控制器校正、放大，驅動伺服控制器朝著偏差減少的方向轉動，完成對目標的外部自動跟蹤控制。

針對大速率高機動目標，為提高目標跟蹤速度與跟蹤精度，系統在自動跟蹤模式下采用成熟的再生反饋大角速率跟蹤回路設計，通過對目標特性的分析，解算出目標運動軌跡，采用平滑濾波方式間接測量目標的速度及加速度，并將其作為伺服系統回路輸入端的速度控制信號；通過對目標相對瞄準線的誤差值進行動態積分，利用數字二階誤差跟蹤消除位置誤差和速度誤差，實現大跟蹤角速率的跟蹤控制，如圖4 所示。

圖4 再生反饋的大跟蹤角速率控制結構Fig.4 Large angle rate control structure utilizing regenerative feedback

再生反饋控制可有效提高閉環跟蹤控制系統的動態跟蹤精度，利用閉環控制系統的輸出量作為控制量的當前值，并認為其在短時間內是等速直線運動，即使用計算機對其變化量進行統計、分析、計算外推、平滑、濾波，最后求得控制信號的微分量，并加入角速率環G2（s） 的輸入端，完成對原閉環跟蹤控制的近似前饋速度補償。

3.3.2 基于雙速度環的穩定跟蹤控制電路

自跟蹤模式下，系統處于穩定回路，其位置精度直接影響視軸指向精度。 為了隔離外部擾動，充分發揮攝像機探測能力，在穩定回路狀態下設計了雙速度環穩定回路。 由于轉臺上放置的可見光、紅外傳感器總慣量較大，而系統要求響應快、跟蹤精度高，角速率回路控制采用速度定環、電流環兩環控制系統，可有效提高系統的跟蹤精度和伺服剛度，控制回路如圖5 所示。

圖5 雙速度環穩定控制回路結構Fig.5 Structure of double speed feedback stability control loop

雙速度環穩定控制以電機轉速構成速度內環，包括驅動電機及負載平臺，用于消除摩擦力矩和控制對象的非線性影響；利用陀螺的空間測速機功能構成速度外環，測得的速度為相對慣性空間的速度，用于降低敏感外部載體擾動、摩擦力矩干擾及隔離載體擾動的影響。

3.4 目標識別算法

著陸場荒漠環境下，圖像背景噪聲強、光照強度大，各種物體反射光強烈，目標在陽光充足的條件下可能會淹沒在背景噪聲中，需要進行針對性設計，保證復雜背景下對目標的探測感知能力。

3.4.1 弱小目標檢測及抗干擾算法

根據弱小目標成像特性，利用目標頻率域、空間域以及運動信息，本文系統集成了Wiener 濾波頻域檢測算法、形態學濾波空域檢測算法、改進VIBE 動目標檢測算法，可針對不同環境條件選擇針對性的邏輯融合策略，綜合多算法檢測結果精準提取弱小目標。

1）Wiener 濾波頻域檢測算法。 從圖像頻率上看，弱小目標具有孤立的峰值，屬于圖像的高頻分量，噪聲、圖像邊緣、盲元點同樣也屬于圖像的高頻分量，因此可將圖像轉換到頻率域，過濾低頻信息，突出高頻信息，再通過濾波分離噪聲和目標，實現弱小目標的提取。 在實際成像過程中，圖像噪聲通常隨機分布，多數專用濾波器針對特定噪聲分布設計，難以適應實際應用場景，而Wiener 濾波是最優線性濾波器，能夠和多種類型的高頻分布適配，獲得最優的濾波效果，且計算復雜度較低。 常規的Wiener 濾波器參數是固定的，只有在信號和噪聲分布已知的情況下才能獲得較好的效果，而實際應用中難以獲得先驗信息。 本文采用濾波器組構成變參濾波器，計算圖像高頻量的損失函數，自適應調節每一幀圖像的Wiener 濾波器參數，獲得最佳的濾波效果，實現弱小目標穩定提取，自適應Wiener 濾波算法如圖6 所示。 一幅包含小目標的圖像f（i，j） 可以用式（7）描述。

圖6 自適應Wiener 濾波算法Fig.6 Adaptive Wiener filtering algorithm

式中，fT（i，j） 表示目標，fB（i，j） 表示背景圖像，n（i，j） 表示隨機噪聲。

假定fB（i，j） 和n（i，j） 是2 個靜態零均值隨機過程的采樣值，二者線性相互獨立，并且其功率譜PfB（ω1，ω2） 和Pn（ω1，ω2） 已知，fB（i，j） 的最優線性最小均方誤差估計可以由對f（i，j） 進行Wiener 濾波得到，Wiener 濾波的頻率響應由式（8）給出。

進一步假定，fB（i，j） 和n（i，j） 是高斯隨機過程的采樣值，那么式（7）中的Wiener 濾波器是所有線性和非線性估計器中最優的最小均方誤差估計器。

公式（7）中的Wiener 濾波器是在假定fB（i，j） 和n（i，j） 為零均值情況下得到的。 如果fB（i，j） 的均值為mfB，n（i，j） 的均值為mn，那么必須首先從輸入圖像中減去mfB和mn，然后將其結果信號f（i，j）－（mfB＋mn） 用Wiener 濾波器濾波，最后再將背景均值mfB加到濾波結果信號上。 圖7給出了整個Wiener 濾波器的實現流程。

圖7 線性最小均方誤差估計的非因果Wiener 濾波器Fig.7 Linear least mean square error estimation for noncausal Wiener filters

從圖7 中可以看出，Wiener 濾波器需要有關背景均值mfB、噪聲均值mn、背景功率譜PfB（ω1，ω2） 以及噪聲功率譜Pn（ω1，ω2） 信息。 由于mfB、mn、PfB（ω1，ω2）、Pn（ω1，ω2） 在圖像中的不同區域是變化的，所以需要在局部區域對以上變量進行估計。 這樣就得到一個空變的自適應Wiener 濾波器。 由于Wiener 濾波器具有低通特性，具有如下特點：①保留具有低頻特性的起伏背景fB（i，j） ；②抑制噪聲n（i，j） ；③消除具有高頻特性的目標fT（i，j）。 Wiener 濾波器輸出如式（9）所示。

式中，f＾B（i，j） 為背景估計，n′（i，j） 為濾波后的白噪聲。 進一步，如果將輸入圖像f（i，j） 與輸出圖像f′（i，j） 進行相減，則可得到式（10）。

式中，n″（i，j） 由背景對消殘差ΔfB（i，j）＝fB（i，j）－f＾B（i，j） 和n′（i，j） 兩部分組成，一般來說，ΔfB（i，j） 亦是白噪聲。 因此，背景對消后圖像Δf（i，j） 為含目標fT（i，j） 和噪聲n′（i，j） 的圖像。圖8 為經過Wiener 濾波后的處理結果。

圖8 經過wiener 濾波后的處理結果Fig.8 Results of wiener filtering

2）基于形態學濾波的目標空域分布檢測技術。 除了頻率分布特征外，圖像在空間域還具有豐富的形狀、結構、灰度特征，可對頻域檢測起到很好的補充作用。 本文采用形態學濾波中的TOP-HAT 變換，結合腐蝕膨脹操作，能夠有效地抑制雜波、均勻化背景灰度，從而提取相對高亮的目標點。 特別是對具有大面積連續分布的云層背景，TOP-HAT 變換能以快速的全局處理方式實現對具有不同灰度分布背景的自適應均勻化，工程實用性高。 此外，形態學濾波由于采用模板匹配方式，能夠去除不相關的結構信息，具有較強的魯棒性。 圖9 為形態濾波的處理結果。

圖9 形態濾波的處理結果Fig.9 Results of morphological filtering

3）基于改進VIBE 的動目標檢測技術。 本文采用的VIBE 算法是一種利用隨機策略估計序列圖像背景的動目標提取算法，與基于MOG模型或KNN 模型的動目標提取算法相比，計算效率高、模型簡單，模型隨機更新與遺忘策略使得其對圖像噪聲的容忍性較好，背景點判定準確率高。 VIBE 算法主要分為3 個步驟：建立初始背景模型，目標背景比對分割和背景模型隨機更新。 通常動目標檢測算法的背景模型采用像素值的概率密度函數估計，其主要缺點是估計概率密度函數是一個全局處理過程，復雜函數的表達能力較好，但計算代價較高，不符合背景模型的像素值也會納入概率密度函數的估計中，無法對噪聲進行判定剔除。 本文算法的背景模型不使用概率密度函數估計，而是直接對離散像素值建模，構建背景樣本像素集合，像素點當前值的分類直接通過背景樣本集比對，避免復雜的函數估計和概率計算過程。 如圖10所示，設像素點x在t時刻的像素值為pt（x）， 其背景樣本集合為｛p1，p2，…，pn｝，定義pt（x） 的背景判定區域為半徑R、球心pt（x） 的超球體SR（pt（x））， 則pt（x） 被 分 類 為 背 景 的 條 件 是SR（pt（x）） 與｛p1，p2，…，pn｝ 的交集計數N大于等于設定閾值Nmin，如式（11）所示。

圖10 通過SR（pt（x）） 與背景樣本集的交集計數判定Fig.10 Intersection count determination of SR（pt（x））and background sample

結合異源傳感器（雷達、遙測等）提供的信息余量，進一步篩選檢測結果，提升檢測的抗干擾能力。 多算法及異源信息融合判決框架如圖11所示。

圖11 多算法及異源信息融合判決框架Fig.11 Decision framework of multi-algorithm and heterogeneous information fusion

3.4.2 多維融合的目標智能識別算法

為在長距離下盡快識別、鎖定目標，本文采用一種基于多維度信息融合的目標智能識別算法，首先對目標的亮度、紋理、邊緣、運動特性進行描繪，然后使用多尺度卷積神經網絡對觀測特征進行概率融合，從而有效剔除復雜圖像背景下由于形變或遮擋造成的干擾。 算法突出了后驗分布下目標狀態峰值，較單一特征算法具有較高的跟蹤魯棒性。

多維度目標信息智能判決算法主要就是通過迭代的形式，不斷將圖形處理結果的最大判決得分與伺服信息做融合判決操作，并過濾那些判別可能性較大（即交集較大）的結果，融合判決的過程如下所示：

1）根據多源圖像信息的判決結果進行排序，假如有4 個目標分類，其置信度A＞B＞C＞D。

2）根據目標類別A、B、C、D 的理論速度等信息和伺服得到的速度，建立其理論歸一化概率。

3）若最大概率分類物A 結合伺服概率大于閾值（0.5），則判斷該目標為類別A；否則，依次進行類別B、C、D 判別，判斷是否滿足閾值要求。

4）若所有類別都不滿足閾值，則進行后一幀判別，直至判別結果滿足要求后，前饋標記所有前幀的判決目標。

實測效果如圖12 所示。 該方法有效增強了光電系統圖像識別的可靠性和準確度，對于5×5像素以上的地面典型目標，識別準確率可達75%，對于典型空中目標，識別準確率可達90%；針對20×20 像素以上的地面典型目標，識別準確率可達87%，對于空中典型目標，識別準確率可達96%。

圖12 小尺度目標的檢測效果Fig.12 Detection effect of small scale target

3.5 管控軟件設計

管控軟件用于操作人員和系統的交互，主要功能包括：

1）向操作員顯示前端設備回傳的實況圖像；

2）顯示前端設備的狀態，顯示通信鏈監信息，當前時間、落點預報信息和T 信息；

3）讀取配置參數，并能接受操作員的修改；

4）在操作員的控制下完成測點坐標錄入和對方位標操作，并存儲相關信息；

5） 檢測到目標后自動提取位置信息，同時上傳目標角度測量結果。

軟件主要模塊與功能設定如表1 所示。 軟件用戶界面如圖13 所示。 上半區域用于顯示前端經緯儀拍攝可見光、紅外圖像，下半區域用于系統參數顯示和用戶操作控制。

表1 管控軟件功能模塊設計Table 1 Description of main functional modules

圖13 軟件用戶界面設計Fig.13 Design of software user interface

4 應用結果與分析

載人飛船返回艙再入末段實時光電測量評估系統在酒泉衛星發射中心東風著陸場先后參加了神舟十二至神舟十四號返回艙任務。 系統使用6 部光電經緯儀在理論落點周圍3 ～7 km 范圍內環繞布設。 圖14 為系統在著陸場實際部署情況。左圖為光電指示器、驅動控制箱和寬帶無線自組網設備，架設高度均小于2 m，符合著陸場安全規定；右圖為管理控制平臺和手動控制單桿，平臺統一使用IP 網絡接口連接上級指揮中心和前段測量設備。

圖14 著陸場系統實際布設圖Fig.14 Actual deploy status of the system at the landing site

4.1 景象測量效果

神舟十三任務白天返回，系統于1775 s 掛中心引導，1940 s（高33 km，斜距81 km）所有部署光電測經緯儀相繼發現目標，自跟蹤穩定后轉單桿手控，直至目標落地。

神舟十四任務夜間返回，布站方式與神舟十三任務相同，夜間紅外系統具有更強的成像能力，系統在1705 s 掛中心引導，1870 s（高30 km，斜距72 km）捕獲目標，先后使用外部引導、自跟蹤和手控模式跟蹤至落地。

系統拍攝效果如圖15 所示，左圖為神舟十三任務景象，右圖為神舟十四任務景象。 圖15（a）顯示在可見光和紅外拍攝模式下系統作用距離均大于再入末段20 km 要求，初始目標雖然成像較小，但可以準確分辨拋傘蓋、開傘等關鍵動作完成情況。 隨著目標距離拉近，返回艙外部細節和工作狀態顯示更加清晰準確。

4.2 落點測量結果與分析

表2 記錄了3 次返回艙落點交匯測量結果，表中顯示數據為與理論落點的偏差值，相對于再入方向偏遠、偏右為正，測量用時是指返回艙落地到系統獲取交匯結果的時間。

由于神舟十三號返回艙回收段的著陸場風速較大，實際落點與理論落點偏差較大，系統交匯總偏差量也較大，神舟十二號、神舟十四號返回艙回收段著陸場風速較小，系統交匯總偏差量均不大于10 m，交匯結果用時小于1 min。

5 結論

1）研制一套返回艙再入末段實時光電測量評估系統，支持在著陸場區域快速機動部署，使用優化的圖像識別與多點交匯算法測量返回艙再入軌道、落點數據，支持紅外、可見光2 種模式的返回艙實時高清景象獲取與傳輸。

2）設計并應用了Wiener 濾波頻域檢測算法、形態學濾波空域檢測算法、改進VIBE 動目標檢測算法，實現了復雜場景下弱小目標提取。

3）該系統在神舟十二號等任務中取得良好應用效果，首次實現了對返回艙再入末段飛行狀態的多視角景象直播，記錄了返回艙一系列關鍵動作完成情況，計算了返回艙再入末段飛行軌道和實際落點數據，最終為飛行指揮機構提供了可靠的決策依據，為返回艙安全性、有效性評估提供了有效手段。