载人飞船返回舱再入末段实时光电测量评估系统

袁红伟， 彭育兵， 贾 鹏， 曾 强， 安学广

（中国酒泉卫星发射中心， 酒泉 732750）

1 引言

载人航天飞行任务中，需要对飞行器发射、入轨、运行和返回各阶段进行跟踪测量，以获取尽可能多的飞行器信息，用于飞行器状态确认和安全性评估［1-2］。 返回阶段，运行轨道、制动位置、制动姿态、制动参数、质量和气动系数等因素会造成返回舱存在较大的着陆散布［3］，因此飞船着陆场预设面积较大。 为保障返回舱安全，着陆场范围内不能布设大型测量设备。 而站址较远的光学、雷达设备受地球曲率和距离影响，对返回舱再入末段无法实施有效测量［4］。同时，载人飞船返回舱从出黑障到着陆前为再入末段，会完成开伞、吹除剩余燃料、反推发动机点火等一系列关键动作，姿态变化大［5-7］，传统方式下依靠回传遥测数据或航天员判断上报，没有直观的外测数据依据，不利于对飞船关键事件完成情况进行准确判别。

本文针对着陆场再入末段测量需求，以小型化光电测量系统为基础，宽带无线通信网络为数据传输支持，研制了载人飞船返回舱再入末段实时光电测量评估系统。

2 系统组成

载人飞船返回舱再入末段实时光电测量评估系统主要由小型光电经纬仪、管理控制平台和无线通信网络构成，如图1 所示。

图1 实时光电测量评估系统组成Fig.1 Composition of the real-time photoelectric measurement and evaluation system

小型光电经纬仪由光电指示器和驱动控制箱组成。 光电指示器内装有双轴伺服转台，1 台变焦高清可见光摄像机、1 台变焦红外热成像摄像机。 2 台摄像机光轴中心调平，光电指示器中图像和数据信息通过导电滑环送出。 驱动控制箱装有高清图像编码器、目标跟踪模块、伺服控制器和通信模块。 其中，高清图像编码器将HDSDI 高清视频和红外AV 视频编码成H.264，压缩网络视频流输出；目标跟踪模块接收输入的相机图像，同时对图像中的运动目标进行检测，提取目标相对于视场中心的偏移量，送给伺服控制器；伺服控制器控制转台和镜头的动作，可接收远程操控指令、外部引导数据、自身目标跟踪模块目标位置偏移量数据，并根据预先设定优先级，选择数据源控制转台完成目标跟踪；通信模块由网络交换机、接口协议转换器和远程开关机模块组成，主要完成对外网络和串口通信，待机和工作状态转换等功能。

管理控制平台使用专门应用软件负责收集系统各类设备数据，为操作者提供监控操作界面；存储并分析目标的时间和空间信息，通过交会计算处理得到目标确切空间位置；与飞行指挥中心通信，接收中心目标引导数据，发送目标测量信息；操作者可根据目标位置、飞行状态选择引导、自动或手动跟踪方式。

通信网络以机动微波、散射通信方式保障着陆区南北2 个信息汇聚点到后端指挥中心的数据通信，使用便携式无线宽带自组网设备保障各测量点到前端汇聚点的数据通信，构成可完全覆盖着陆场区域的无线通信网络，使系统具备在着陆场范围内大范围机动布站的能力。

3 关键技术及实现方法

3.1 运动图像中的目标识别算法

对于返回舱的跟踪要求，摄像机始终处于动态条件下，如平移、旋转和缩放等。 为消除目标与摄像机之间复杂相对运动的影响，需要对获取图像进行全局运动估计和补偿。 图像经过全局运动估计和补偿后，相邻视频帧的背景可认为是静止的，再使用帧间的图像差分即可检测到运动变化区域［8］。 常用的时间差分法是在图像序列中的相邻帧间进行基于像素的时间差分，设定阈值来提取图像中的运动目标，即通过检测序列图像帧中的变化区域与不变区域，将运动物体与静止背景进行分割。 依据提取变化区域特征，如大小、面积、长宽比等，判决是否为目标。 上述方法对于动态背景有很好的适应性，但是很难快速将运动目标完整分割出来［9］，本文对其进行改进，使用三帧差分代替二帧差分，利用连续三帧图像计算2 次二值化差图像，再对差值图像求交集，得到中间帧运动目标的精确位置。 检测流程如图2 所示。

图2 改进的时间差分法运动目标检测流程Fig.2 Improved time difference method for moving object detection

从拍摄图像中抽帧形成检测图片组，一组3 张图片，分别为n×k－d，n×k和n×k＋d帧，k为采样间隔，用于对图像序列跳帧处理，方便快速找出运动目标；d为差分间隔，其取值应保证差分图像中目标重叠区为零，即前后目标位移大于目标自身。 全局运动估计和补偿使用二参数平移运动模型块匹配方法。 形态滤波用于抑制背景噪声，实施方法为形态学开运算，即先腐蚀后膨胀；然后对差分后的图像序列进行滤波处理，去除图像中的噪声干扰，得到准确的运动目标。

3.2 基于多站交汇的空间目标测量

测量系统检测每个前端摄像机拍摄的目标图像，目标检测与识别软件计算得到目标位置信息，换算为对应于测站的目标测角信息，最后用垂距最小二乘方法进行交会处理，求得交点到每个测站测量线的垂距值，同时完成野值剔除。

垂距最小二乘法目标是求得一个空间点，使该点到各测站测角线（测站到目标的连线）垂距的平方和最小，如图3 所示。

图3 垂直最小二乘法求空间交会点Fig.3 Finding space intersection point by vertical Least square method

假定地心坐标系中有2 个测站P1和P2， 坐标分别为（x1，y1，z1） 和（x2，y2，z2）， 它们相对于测量空间目标P′（x′，y′，z′） 的方位角（定义为在平行于xy平面内从x轴逆时针转向测角线投影的夹角）为A1，A2，俯仰角（定义为从xy平面内测角线的投影转向测角线的夹角）为E1，E2。 图中r′1、r′2分别为测站到目标点的斜距，d1、d2为空间点P（x，y，z） 到2 个测站测角线的垂距，其中到P1P0的垂足标记为P0（x0，y0，z0），按空间几何关系，可求得空间点P到P1P0垂足的坐标，如式（1）所示。

空间任意点P到测角线P1P0垂距的平方，如式（2）所示。

根据测站P1的位置及测角线P1P0的角度定义以下系数，如式（3）所示。

可得任意空间点P到测站i测角线垂距的平方，如式（4）所示。

点P到所有n个测站测角线的垂距用最小二乘法可得，如式（5）所示。

解三元一次方程组式（5），带入式（6），即可求得使垂距平方和最小极值点。

3.3 系统跟踪电路设计

3.3.1 基于再生反馈的大跟踪角速率控制电路

外部引导模式下，伺服控制器接收外部引导系统给定目标角，调转到位后，接收图像处理单元给出的目标相对于视场中心的偏差量，经数字控制器校正、放大，驱动伺服控制器朝着偏差减少的方向转动，完成对目标的外部自动跟踪控制。

针对大速率高机动目标，为提高目标跟踪速度与跟踪精度，系统在自动跟踪模式下采用成熟的再生反馈大角速率跟踪回路设计，通过对目标特性的分析，解算出目标运动轨迹，采用平滑滤波方式间接测量目标的速度及加速度，并将其作为伺服系统回路输入端的速度控制信号；通过对目标相对瞄准线的误差值进行动态积分，利用数字二阶误差跟踪消除位置误差和速度误差，实现大跟踪角速率的跟踪控制，如图4 所示。

图4 再生反馈的大跟踪角速率控制结构Fig.4 Large angle rate control structure utilizing regenerative feedback

再生反馈控制可有效提高闭环跟踪控制系统的动态跟踪精度，利用闭环控制系统的输出量作为控制量的当前值，并认为其在短时间内是等速直线运动，即使用计算机对其变化量进行统计、分析、计算外推、平滑、滤波，最后求得控制信号的微分量，并加入角速率环G2（s） 的输入端，完成对原闭环跟踪控制的近似前馈速度补偿。

3.3.2 基于双速度环的稳定跟踪控制电路

自跟踪模式下，系统处于稳定回路，其位置精度直接影响视轴指向精度。 为了隔离外部扰动，充分发挥摄像机探测能力，在稳定回路状态下设计了双速度环稳定回路。 由于转台上放置的可见光、红外传感器总惯量较大，而系统要求响应快、跟踪精度高，角速率回路控制采用速度定环、电流环两环控制系统，可有效提高系统的跟踪精度和伺服刚度，控制回路如图5 所示。

图5 双速度环稳定控制回路结构Fig.5 Structure of double speed feedback stability control loop

双速度环稳定控制以电机转速构成速度内环，包括驱动电机及负载平台，用于消除摩擦力矩和控制对象的非线性影响；利用陀螺的空间测速机功能构成速度外环，测得的速度为相对惯性空间的速度，用于降低敏感外部载体扰动、摩擦力矩干扰及隔离载体扰动的影响。

3.4 目标识别算法

着陆场荒漠环境下，图像背景噪声强、光照强度大，各种物体反射光强烈，目标在阳光充足的条件下可能会淹没在背景噪声中，需要进行针对性设计，保证复杂背景下对目标的探测感知能力。

3.4.1 弱小目标检测及抗干扰算法

根据弱小目标成像特性，利用目标频率域、空间域以及运动信息，本文系统集成了Wiener 滤波频域检测算法、形态学滤波空域检测算法、改进VIBE 动目标检测算法，可针对不同环境条件选择针对性的逻辑融合策略，综合多算法检测结果精准提取弱小目标。

1）Wiener 滤波频域检测算法。 从图像频率上看，弱小目标具有孤立的峰值，属于图像的高频分量，噪声、图像边缘、盲元点同样也属于图像的高频分量，因此可将图像转换到频率域，过滤低频信息，突出高频信息，再通过滤波分离噪声和目标，实现弱小目标的提取。 在实际成像过程中，图像噪声通常随机分布，多数专用滤波器针对特定噪声分布设计，难以适应实际应用场景，而Wiener 滤波是最优线性滤波器，能够和多种类型的高频分布适配，获得最优的滤波效果，且计算复杂度较低。 常规的Wiener 滤波器参数是固定的，只有在信号和噪声分布已知的情况下才能获得较好的效果，而实际应用中难以获得先验信息。 本文采用滤波器组构成变参滤波器，计算图像高频量的损失函数，自适应调节每一帧图像的Wiener 滤波器参数，获得最佳的滤波效果，实现弱小目标稳定提取，自适应Wiener 滤波算法如图6 所示。 一幅包含小目标的图像f（i，j） 可以用式（7）描述。

图6 自适应Wiener 滤波算法Fig.6 Adaptive Wiener filtering algorithm

式中，fT（i，j） 表示目标，fB（i，j） 表示背景图像，n（i，j） 表示随机噪声。

假定fB（i，j） 和n（i，j） 是2 个静态零均值随机过程的采样值，二者线性相互独立，并且其功率谱PfB（ω1，ω2） 和Pn（ω1，ω2） 已知，fB（i，j） 的最优线性最小均方误差估计可以由对f（i，j） 进行Wiener 滤波得到，Wiener 滤波的频率响应由式（8）给出。

进一步假定，fB（i，j） 和n（i，j） 是高斯随机过程的采样值，那么式（7）中的Wiener 滤波器是所有线性和非线性估计器中最优的最小均方误差估计器。

公式（7）中的Wiener 滤波器是在假定fB（i，j） 和n（i，j） 为零均值情况下得到的。 如果fB（i，j） 的均值为mfB，n（i，j） 的均值为mn，那么必须首先从输入图像中减去mfB和mn，然后将其结果信号f（i，j）－（mfB＋mn） 用Wiener 滤波器滤波，最后再将背景均值mfB加到滤波结果信号上。 图7给出了整个Wiener 滤波器的实现流程。

图7 线性最小均方误差估计的非因果Wiener 滤波器Fig.7 Linear least mean square error estimation for noncausal Wiener filters

从图7 中可以看出，Wiener 滤波器需要有关背景均值mfB、噪声均值mn、背景功率谱PfB（ω1，ω2） 以及噪声功率谱Pn（ω1，ω2） 信息。 由于mfB、mn、PfB（ω1，ω2）、Pn（ω1，ω2） 在图像中的不同区域是变化的，所以需要在局部区域对以上变量进行估计。 这样就得到一个空变的自适应Wiener 滤波器。 由于Wiener 滤波器具有低通特性，具有如下特点：①保留具有低频特性的起伏背景fB（i，j） ；②抑制噪声n（i，j） ；③消除具有高频特性的目标fT（i，j）。 Wiener 滤波器输出如式（9）所示。

式中，f＾B（i，j） 为背景估计，n′（i，j） 为滤波后的白噪声。 进一步，如果将输入图像f（i，j） 与输出图像f′（i，j） 进行相减，则可得到式（10）。

式中，n″（i，j） 由背景对消残差ΔfB（i，j）＝fB（i，j）－f＾B（i，j） 和n′（i，j） 两部分组成，一般来说，ΔfB（i，j） 亦是白噪声。 因此，背景对消后图像Δf（i，j） 为含目标fT（i，j） 和噪声n′（i，j） 的图像。图8 为经过Wiener 滤波后的处理结果。

图8 经过wiener 滤波后的处理结果Fig.8 Results of wiener filtering

2）基于形态学滤波的目标空域分布检测技术。 除了频率分布特征外，图像在空间域还具有丰富的形状、结构、灰度特征，可对频域检测起到很好的补充作用。 本文采用形态学滤波中的TOP-HAT 变换，结合腐蚀膨胀操作，能够有效地抑制杂波、均匀化背景灰度，从而提取相对高亮的目标点。 特别是对具有大面积连续分布的云层背景，TOP-HAT 变换能以快速的全局处理方式实现对具有不同灰度分布背景的自适应均匀化，工程实用性高。 此外，形态学滤波由于采用模板匹配方式，能够去除不相关的结构信息，具有较强的鲁棒性。 图9 为形态滤波的处理结果。

图9 形态滤波的处理结果Fig.9 Results of morphological filtering

3）基于改进VIBE 的动目标检测技术。 本文采用的VIBE 算法是一种利用随机策略估计序列图像背景的动目标提取算法，与基于MOG模型或KNN 模型的动目标提取算法相比，计算效率高、模型简单，模型随机更新与遗忘策略使得其对图像噪声的容忍性较好，背景点判定准确率高。 VIBE 算法主要分为3 个步骤：建立初始背景模型，目标背景比对分割和背景模型随机更新。 通常动目标检测算法的背景模型采用像素值的概率密度函数估计，其主要缺点是估计概率密度函数是一个全局处理过程，复杂函数的表达能力较好，但计算代价较高，不符合背景模型的像素值也会纳入概率密度函数的估计中，无法对噪声进行判定剔除。 本文算法的背景模型不使用概率密度函数估计，而是直接对离散像素值建模，构建背景样本像素集合，像素点当前值的分类直接通过背景样本集比对，避免复杂的函数估计和概率计算过程。 如图10所示，设像素点x在t时刻的像素值为pt（x）， 其背景样本集合为｛p1，p2，…，pn｝，定义pt（x） 的背景判定区域为半径R、球心pt（x） 的超球体SR（pt（x））， 则pt（x） 被 分 类 为 背 景 的 条 件 是SR（pt（x）） 与｛p1，p2，…，pn｝ 的交集计数N大于等于设定阈值Nmin，如式（11）所示。

图10 通过SR（pt（x）） 与背景样本集的交集计数判定Fig.10 Intersection count determination of SR（pt（x））and background sample

结合异源传感器（雷达、遥测等）提供的信息余量，进一步筛选检测结果，提升检测的抗干扰能力。 多算法及异源信息融合判决框架如图11所示。

图11 多算法及异源信息融合判决框架Fig.11 Decision framework of multi-algorithm and heterogeneous information fusion

3.4.2 多维融合的目标智能识别算法

为在长距离下尽快识别、锁定目标，本文采用一种基于多维度信息融合的目标智能识别算法，首先对目标的亮度、纹理、边缘、运动特性进行描绘，然后使用多尺度卷积神经网络对观测特征进行概率融合，从而有效剔除复杂图像背景下由于形变或遮挡造成的干扰。 算法突出了后验分布下目标状态峰值，较单一特征算法具有较高的跟踪鲁棒性。

多维度目标信息智能判决算法主要就是通过迭代的形式，不断将图形处理结果的最大判决得分与伺服信息做融合判决操作，并过滤那些判别可能性较大（即交集较大）的结果，融合判决的过程如下所示：

1）根据多源图像信息的判决结果进行排序，假如有4 个目标分类，其置信度A＞B＞C＞D。

2）根据目标类别A、B、C、D 的理论速度等信息和伺服得到的速度，建立其理论归一化概率。

3）若最大概率分类物A 结合伺服概率大于阈值（0.5），则判断该目标为类别A；否则，依次进行类别B、C、D 判别，判断是否满足阈值要求。

4）若所有类别都不满足阈值，则进行后一帧判别，直至判别结果满足要求后，前馈标记所有前帧的判决目标。

实测效果如图12 所示。 该方法有效增强了光电系统图像识别的可靠性和准确度，对于5×5像素以上的地面典型目标，识别准确率可达75%，对于典型空中目标，识别准确率可达90%；针对20×20 像素以上的地面典型目标，识别准确率可达87%，对于空中典型目标，识别准确率可达96%。

图12 小尺度目标的检测效果Fig.12 Detection effect of small scale target

3.5 管控软件设计

管控软件用于操作人员和系统的交互，主要功能包括：

1）向操作员显示前端设备回传的实况图像；

2）显示前端设备的状态，显示通信链监信息，当前时间、落点预报信息和T 信息；

3）读取配置参数，并能接受操作员的修改；

4）在操作员的控制下完成测点坐标录入和对方位标操作，并存储相关信息；

5） 检测到目标后自动提取位置信息，同时上传目标角度测量结果。

软件主要模块与功能设定如表1 所示。 软件用户界面如图13 所示。 上半区域用于显示前端经纬仪拍摄可见光、红外图像，下半区域用于系统参数显示和用户操作控制。

表1 管控软件功能模块设计Table 1 Description of main functional modules

图13 软件用户界面设计Fig.13 Design of software user interface

4 应用结果与分析

载人飞船返回舱再入末段实时光电测量评估系统在酒泉卫星发射中心东风着陆场先后参加了神舟十二至神舟十四号返回舱任务。 系统使用6 部光电经纬仪在理论落点周围3 ～7 km 范围内环绕布设。 图14 为系统在着陆场实际部署情况。左图为光电指示器、驱动控制箱和宽带无线自组网设备，架设高度均小于2 m，符合着陆场安全规定；右图为管理控制平台和手动控制单杆，平台统一使用IP 网络接口连接上级指挥中心和前段测量设备。

图14 着陆场系统实际布设图Fig.14 Actual deploy status of the system at the landing site

4.1 景象测量效果

神舟十三任务白天返回，系统于1775 s 挂中心引导，1940 s（高33 km，斜距81 km）所有部署光电测经纬仪相继发现目标，自跟踪稳定后转单杆手控，直至目标落地。

神舟十四任务夜间返回，布站方式与神舟十三任务相同，夜间红外系统具有更强的成像能力，系统在1705 s 挂中心引导，1870 s（高30 km，斜距72 km）捕获目标，先后使用外部引导、自跟踪和手控模式跟踪至落地。

系统拍摄效果如图15 所示，左图为神舟十三任务景象，右图为神舟十四任务景象。 图15（a）显示在可见光和红外拍摄模式下系统作用距离均大于再入末段20 km 要求，初始目标虽然成像较小，但可以准确分辨抛伞盖、开伞等关键动作完成情况。 随着目标距离拉近，返回舱外部细节和工作状态显示更加清晰准确。

4.2 落点测量结果与分析

表2 记录了3 次返回舱落点交汇测量结果，表中显示数据为与理论落点的偏差值，相对于再入方向偏远、偏右为正，测量用时是指返回舱落地到系统获取交汇结果的时间。

由于神舟十三号返回舱回收段的着陆场风速较大，实际落点与理论落点偏差较大，系统交汇总偏差量也较大，神舟十二号、神舟十四号返回舱回收段着陆场风速较小，系统交汇总偏差量均不大于10 m，交汇结果用时小于1 min。

5 结论

1）研制一套返回舱再入末段实时光电测量评估系统，支持在着陆场区域快速机动部署，使用优化的图像识别与多点交汇算法测量返回舱再入轨道、落点数据，支持红外、可见光2 种模式的返回舱实时高清景象获取与传输。

2）设计并应用了Wiener 滤波频域检测算法、形态学滤波空域检测算法、改进VIBE 动目标检测算法，实现了复杂场景下弱小目标提取。

3）该系统在神舟十二号等任务中取得良好应用效果，首次实现了对返回舱再入末段飞行状态的多视角景象直播，记录了返回舱一系列关键动作完成情况，计算了返回舱再入末段飞行轨道和实际落点数据，最终为飞行指挥机构提供了可靠的决策依据，为返回舱安全性、有效性评估提供了有效手段。