基于旋转物体检测的载体目标交会参数测量方法

本发明涉及目标交会参数测量，具体涉及一种基于旋转物体检测的载体目标交会参数测量方法，特别涉及一种基于旋转物体检测与位姿-速度协同推理的载体目标交会落姿与落速测量方法。

背景技术：

1、在测试场地试验中，载体参数状态通常综合利用雷达、遥测和高速摄像进行评估，重点关注交会精度、落点分布等指标，对载体末段飞行过程中的姿态角、落速等关键参数仍主要依赖人工读图和经验判断。

2、现有技术中提出采用高速摄像机的平瞄、斜瞄姿态测量方法，通过视场拼接方法求解载体中轴线俯仰角和方位角，但此类方法对高速摄像机采集的图像数据要求严格，且没有将落姿与落速结合起来，无法解决检测失准产生误差导致的载体丢失和落速计算问题。

3、针对载体飞行姿态，现有技术中构建三目立体视觉系统，采用投影面交线法重建旋转物体中轴线方向向量。该类方法通过增加相机数量扩大视场、提高稳定性，相比双目系统具有更好的可靠性，但依赖严格标定的多相机阵列和相对理想的实验环境，主要面向实验室或专用测试场地条件下的单旋转物体姿态测试，对复杂背景、遮挡和烟火干扰等条件下的多载体的落姿与落速评估支持有限。

4、近年来也出现了面向旋转物体和电磁驱动旋转物体的光学视觉参数测量工作。文献“yuan x,gao c,zhang z,wang h,wang y and li y(2023)an optical attitudemeasurement method for terminal sensitive projectile in vertical wind tunneltest.aerosp.res.commun.1:12261.doi:10.3389/arc.2023.12261”在垂直风洞条件下，利用单固定相机测量旋转物体的扫描角和自旋转速率；文献“chen j,yu m,guo y,gao c.theinitial attitude estimation of an electromagnetic projectile in the high-temperature flow field based on mask r-cnn and the multi-constraints geneticalgorithm.sensors(basel).2025 jun 8;25(12):3608.doi:10.3390/s25123608.pmid:40573495;pmcid:pmc12197097.”将mask r-cnn与多约束遗传算法结合，在烟雾、碎片干扰明显的电磁驱动场景中提高了电磁驱动旋转物体初始姿态估计的鲁棒性。上述方法表明，将计算机视觉及深度学习技术引入载体姿态测量是可行的，但多聚焦于特定载体型号和特定试验工况（风洞、起始阶段），主要关注初始姿态或局部扫描角，尚未形成面向完整落姿-落速联合评估的统一框架。

5、综上，现有研究在单发载体姿态测量方面已取得一定进展，但仍存在以下共性问题：一是多数方法依赖专用多相机测量系统和严格场景布设，难以直接复用常规飞行试验中积累的大量单目或少视角视频数据；二是研究对象多为单一载体，缺乏面向多载体的落姿统计与分级评估能力；三是姿态测量与速度/落速估计往往割裂开来，缺少从旋转物体检测、轨迹跟踪到像素速度-物理速度统一标定的端到端技术链路；四是仿真数据和“真值”标签多用于单点精度分析，缺乏可在整条位姿-速度推理链路上系统验证算法稳定性的通用框架。这些痛点直接制约了载体目标交会和效果评估中对落姿质量指标的量化获取和工程复现能力，需要一种集成旋转物体检测、位姿-速度协同推理与仿真验证于一体的新型落姿评估方法加以解决。

6、需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、为克服现有载体落姿评估方法在姿态角与落速量化精度有限、处理流程高度依赖人工以及难以支持多载体综合评估等方面的不足，本发明提供一种基于旋转物体检测的载体目标交会参数测量方法。

2、本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。

3、根据本发明的第一方面，提供一种基于旋转物体检测的载体目标交会参数测量方法，所述方法包括：

4、步骤1：采集载体飞行及接触目标过程的视频或图像序列，将所述视频或图像序列的各帧图像作为图像样本，对包含载体的图像样本进行旋转边界框标注，标注结果以角点格式逐帧保存为与图像样本一一对应的标签文件；

5、步骤2：根据步骤1得到标签文件，将图像样本划分为正样本和负样本，若图像样本对应的标签文件中存在至少一行有效标注，则该图像样本为含载体的正样本，所述有效标注为按步骤1所述角点格式记录一个旋转边界框的非空标注行；若图像样本对应的标签文件不存在，或标签文件中不存在任何有效标注，则该图像样本为无载体的负样本；按照预设训练集比例，对正负样本分别进行随机划分，得到训练集与测试集；

6、步骤3：对步骤2划分得到的训练集与测试集进行可视化检查与标注修订，统一旋转边界框的角点顺序和姿态角定义，所述角点顺序按逆时针方向依次为尾部上侧、尾部下侧、头部下侧与头部上侧；

7、步骤4：基于旋转物体检测网络对训练集进行训练，所述旋转物体检测网络为支持定向边界框输出的深度学习目标检测网络，包括用于特征提取的主干网络、用于多尺度特征融合的颈部网络以及用于预测旋转框位置、角度与类别的检测头；训练过程最小化由框回归、目标分类与分布式回归组成的联合损失函数，以优化预测旋转框与真实旋转框之间的位置与类别差异；

8、步骤5：基于步骤4训练得到的旋转物体检测网络对实际或仿真载体飞行序列进行推理，得到各帧载体的旋转边界框，并进行位姿-速度协同推理，包括：

9、步骤 5-1：计算相邻帧载体旋转边界框的交并比，当交并比大于第一预设阈值时判定为同一载体轨迹并分配相同追踪标识；

10、步骤 5-2：根据载体旋转边界框中尾部角点与头部角点的空间关系确定载体长轴方向，取从尾到头的长轴向量，并通过反正切函数计算载体姿态角；

11、步骤 5-3：结合参考方向角计算载体落姿偏差角，并将角度归一化至指定区间；

12、步骤 5-4：根据相邻帧旋转边界框中心点位移与帧间时间间隔计算载体速度及竖直方向落速，帧间时间间隔由连续有效观测帧的帧号差与视频帧率确定；

13、步骤 5-5：通过交互式标尺标定，选取已知实际距离的参考点计算像素-物理距离转换系数，将像素速度向物理速度转换；

14、步骤 5-6：采用滑动窗口对速度与落速序列进行平滑处理；

15、步骤 5-7：通过帧差法进行场景切换检测，检测到场景切换时自动重置追踪器状态与参照物。

16、在一些示例性实施方式中，所述对包含载体的图像样本进行旋转边界框标注，具体为：

17、所述旋转边界框采用定向边界框形式记录中心坐标、宽高以及旋转角度，标注结果以角点格式逐帧保存为与图像样本一一对应的标签文件，标签文件中每行记录一个旋转边界框：

18、

19、其中，为类别标识，为归一化坐标，四点按逆时针方向依次对应载体尾部上侧、尾部下侧、头部下侧与头部上侧角点。

20、在一些示例性实施方式中，所述步骤5-1中还包括：

21、当载体短期丢失后再次出现时，引入重识别机制以恢复先前的轨迹标识，具体为：

22、通过位置距离与姿态角差异计算综合相似度，当综合相似度满足第二预设阈值要求时，恢复先前轨迹标识。

23、在一些示例性实施方式中，所述通过位置距离与姿态角差异计算综合相似度，具体为：

24、将位置相似度与角度相似度加权融合得到综合相似度：

25、

26、其中，根据丢失目标与当前检测之间的像素距离归一化得到，设最大匹配距离为500像素，则，其中为像素距离；根据姿态角差异归一化得到，设最大角度差异为45度，则，其中为角度差异绝对值。

27、在一些示例性实施方式中，所述步骤 5-2中计算载体姿态角，具体包括：

28、根据载体旋转边界框中尾部角点与头部角点的空间关系确定载体长轴方向，取从尾到头的长轴向量，并通过反正切函数计算载体姿态角：

29、

30、

31、其中，为尾部下侧角点，为头部下侧角点，为四象限反正切函数，所述姿态角定义载体长轴方向相对于水平右向的夹角，按逆时针方向为正，范围为。

32、在一些示例性实施方式中，所述步骤 5-3中计算载体落姿偏差角，具体为：

33、根据参考方向角计算载体落姿偏差角：

34、

35、其中，表示将角度归一化到区间。

36、在一些示例性实施方式中，所述步骤5-4中计算载体速度及竖直方向落速，具体为：

37、根据相邻两次有效观测的旋转边界框中心点位置变化计算载体速度。设第次有效观测对应的视频帧号为，中心坐标为，则像素位移、时间间隔和速度分量为：

38、

39、

40、

41、其中，由相邻两次有效观测的帧号差与视频帧率确定，速度分量还可表示为：

42、

43、若相邻两次有效观测之间存在检测丢失或载体短时失踪，仍以最近两次有效观测计算和速度分量，以真实运动时间为基准进行速度估计；总速度和竖直方向落速分别为：

44、

45、其中，为合成速度的模值，为竖直方向的落速分量。

46、在一些示例性实施方式中，所述步骤5-5中计算像素-物理距离转换系数，具体为：

47、在图像中依次选取两个已知实际距离的参考点与，计算两点间的像素距离，输入对应的实际物理距离，从而得到像素到米的转换公式为：

48、

49、其中，为像素到物理距离的转换系数，单位为米/像素；为物理速度，单位为米/秒。

50、在一些示例性实施方式中，所述步骤5-7中的场景切换检测采用帧差法，将当前帧与前一帧分别转换为灰度图后计算像素级绝对差的均值作为帧差指标，当时判定为场景切换，并自动重置追踪器状态与参照物点。

51、在一些示例性实施方式中，所述方法还包括仿真验证步骤，具体包括：

52、步骤6-1：构建具有预设飞行轨迹和姿态变化规律的仿真载体飞行图像序列，通过二次贝塞尔轨迹函数生成载体飞行轨迹；

53、步骤6-2：对轨迹进行数值微分得到各帧切向方向和速度分量，叠加姿态噪声生成姿态角及落姿偏差角真值标签，并根据速度分量生成速度及竖直方向落速真值标签；

54、步骤6-3：在所述仿真载体飞行图像序列上离线运行步骤5的位姿-速度协同推理，将输出的姿态角、落姿偏差角和落速与相应真值标签对比，验证测量结果的准确性和稳定性。

55、本发明的实施例所提供的基于旋转物体检测的载体目标交会参数测量方法，与现有技术相比，具有以下有益效果：

56、1、自动化程度高：通过旋转物体检测网络自动提取载体旋转边界框，结合多目标跟踪算法实现载体的自动识别与连续跟踪，显著降低人工干预程度，提高测量效率。

57、2、姿态角量化精度高：采用统一的角点顺序定义和反正切函数计算姿态角，结合角度归一化处理，确保落姿偏差角计算结果的准确性和一致性。

58、3、速度估计鲁棒性强：通过帧差自适应时间间隔计算、滑动窗口平滑以及基于静止参照物的相对速度估计，有效抑制检测噪声、目标短时丢失和相机运动对速度测量的影响。

59、4、支持多目标综合评估：能够同时对多个载体进行落姿与落速测量，并输出统计分析结果，满足多载体综合评估需求。

60、5、可量化验证：配置仿真数据生成与算法验证模块，在已知真值条件下对算法进行离线验证，确保测量结果的可复现性和可信度。

61、6、扩展性良好：在保持核心流程不变的情况下，测量得到的落姿偏差角与物理落速可输入更高层次的应用指标模型，结合轨迹参数、交会精度等信息，实现从视觉信息到载体目标交会分析与后续其他效果评估的端到端闭环。

62、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。