提出一种基于无监督域适应的低空海面红外目标检测方法。首先利用图像翻译网络将源域图像翻译为目标域图像并共享标签。其次在YOLOv5s目标检测网络中使用梯度反转层优化网络提取特征的域间适应性。此外利用最大均值差异损失进一步缩小从网络中提取的不同红外探测器图像的特征分布。最后采用AdamW异步更新优化算法进一步提高模型在训练过程中的稳定性与检测精度。将所提方法在不同红外探测器采集的低空海面红外船只与无人机数据集中进行实验。实验结果表明,相较于传统有监督学习方法,所提方法有效降低了人工标注成本,且源域检测精度提高6.56个百分点,目标域检测精度提高2.62个百分点,有效提升目标检测模型在不同红外探测器间的泛化能力。

针对空间合作目标的靶标提取、匹配与相对位姿解算问题, 利用 TOF相机采集的灰度和深度信息进行目标检测与关键点筛选的靶标提取, 基于此进行特征点匹配并确定合作目标的相对位姿。首先, 基于灰度信息进行目标检测, 接着,结合深度信息与靶标形态筛选关键特征点, 然后, 利用马尔可夫随机场(MRF)的确定性退火算法进行特征点匹配, 最后, 利用SVD算法解算位姿获得目标航天器和追踪航天器之间的相对位置、姿态关系。实验表明该方法计算量少、鲁棒性较好。

非合作目标在接近的过程中, 将所提取的特征点直接用于相对导航会因特征点数目过多导致计算量大。为减小相对导航的计算量, 需从提取的特征点中选择一个子集用于相对导航。假设所提取的特征点在非合作目标的同平面内,将目标表面特征点选择问题转化为像平面特征点选择。同时, 文中研究了视觉系统的精度因子(DOP), 并利用精度因子与平面特征点构成的面积呈反比的特性, 提出像平面特征点的凸包作为观测量用于相对导航。仿真表明: 将同平面特征点的凸包用于相对导航, 具有较高的精度, 同时能够有效减少特征点数; 计算凸包的时间远小于求解最优PDOP的时间, 能够应用于实时计算。