本發(fā)明屬于圖像處理，具體地，涉及一種時(shí)空域聯(lián)合的空間探測(cè)圖像暗弱目標(biāo)檢測(cè)方法及系統(tǒng)，尤其是針對(duì)密集恒星背景下，高靈敏度天基光學(xué)空間探測(cè)圖像中的運(yùn)動(dòng)暗弱目標(biāo)的，基于時(shí)空域聯(lián)合的空間探測(cè)圖像目標(biāo)檢測(cè)方法。

背景技術(shù)：

1、隨著人類空間活動(dòng)的日益頻繁，人造衛(wèi)星及空間碎片數(shù)量逐年增加，對(duì)空間目標(biāo)的探測(cè)是保證航天器在軌任務(wù)正常運(yùn)行的重要手段。相比于地基探測(cè)，天基光學(xué)觀測(cè)具有不受大氣影響的優(yōu)勢(shì)。然而空間探測(cè)圖像中，空間目標(biāo)主要存在亮度低、所占像素少、不具備紋理信息的點(diǎn)目標(biāo)特征，且恒星與空間目標(biāo)的特征相似，這些都增加了空間目標(biāo)的檢測(cè)的難度。

2、現(xiàn)有的空間目標(biāo)檢測(cè)方法主要有圖像差分法和基于運(yùn)動(dòng)信息的檢測(cè)方法。圖像差分法通過形態(tài)學(xué)處理提取星點(diǎn)，利用灰度等特征進(jìn)行星點(diǎn)匹配，幀間差分后設(shè)置閾值判斷是否為空間目標(biāo)；基于運(yùn)動(dòng)信息的方法對(duì)目標(biāo)幀間運(yùn)動(dòng)進(jìn)行建模，估計(jì)目標(biāo)位移，實(shí)現(xiàn)幀間補(bǔ)償。但這兩種方法都存在一些問題，比如：用于實(shí)驗(yàn)驗(yàn)證的圖像視場(chǎng)較小、且恒星較為稀疏，方法對(duì)密集恒星背景的情況檢測(cè)效果較差；幀間配準(zhǔn)精度直接影響檢測(cè)結(jié)果，配準(zhǔn)出現(xiàn)偏差，會(huì)導(dǎo)致恒星背景無法完全扣除，形成月牙形殘差，造成誤檢；基于深度學(xué)習(xí)的方法通常依靠目標(biāo)的形態(tài)紋理等特征進(jìn)行檢測(cè)，而由于恒星與空間目標(biāo)特征相似，無法達(dá)到較好的檢測(cè)效果。

3、專利文獻(xiàn)《基于感興趣目標(biāo)分布的關(guān)鍵幀篩選方法》(cn113112519a)結(jié)合了傳統(tǒng)技術(shù)和深度學(xué)習(xí)技術(shù)，提取出圖像的底層特征和深度特征，并進(jìn)行多特征融合，提高了所提取的關(guān)鍵幀的魯棒性，但其因?yàn)閼?yīng)用背景較為簡(jiǎn)單，并沒有解決目標(biāo)易被背景雜波和噪聲淹沒導(dǎo)致檢測(cè)困難的問題。

4、專利文獻(xiàn)《一種基于手勢(shì)關(guān)鍵點(diǎn)的動(dòng)態(tài)手勢(shì)識(shí)別方法和系統(tǒng)》(cn109190461a)從圖像中提取了手勢(shì)關(guān)鍵點(diǎn)，并利用關(guān)鍵點(diǎn)獲取了動(dòng)態(tài)手勢(shì)的時(shí)空域信息，但其為基于時(shí)空域結(jié)構(gòu)統(tǒng)計(jì)的特征建模策略，屬于無參學(xué)習(xí)技術(shù)，也依舊沒有解決易對(duì)背景殘差產(chǎn)生虛警和對(duì)單個(gè)目標(biāo)跟蹤出多條軌跡的問題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)中的缺陷，本發(fā)明的目的是提供一種時(shí)空域聯(lián)合的空間探測(cè)圖像暗弱目標(biāo)檢測(cè)方法及系統(tǒng)。

2、根據(jù)本發(fā)明提供的一種時(shí)空域聯(lián)合的空間探測(cè)圖像暗弱目標(biāo)檢測(cè)方法，包括：

3、步驟s1：將原始空間目標(biāo)探測(cè)圖像進(jìn)行等步長(zhǎng)、含重疊區(qū)域的切片，得到裁切后待檢測(cè)的圖像切片；

4、步驟s2：對(duì)每個(gè)圖像切片提取關(guān)鍵點(diǎn)；

5、步驟s3：構(gòu)造關(guān)鍵點(diǎn)的拓?fù)淇臻g描述特征，根據(jù)相鄰幀關(guān)鍵點(diǎn)提取結(jié)果，進(jìn)行相鄰幀圖像的幀間配準(zhǔn)；

6、步驟s4：計(jì)算配準(zhǔn)后相鄰幀的幀間差分，得到幀間差分結(jié)果；

7、步驟s5：將幀間差分結(jié)果進(jìn)行疊加，得到背景抑制結(jié)果；

8、步驟s6：通過yolov5深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)背景抑制結(jié)果進(jìn)行空間目標(biāo)訓(xùn)練和檢測(cè)，得到檢測(cè)結(jié)果；

9、步驟s7：將檢測(cè)結(jié)果進(jìn)行篩選合并，輸出最終檢測(cè)結(jié)果。

10、優(yōu)選地，所述步驟s2包括：

11、步驟s2.1：對(duì)圖像切片進(jìn)行二值化，得到二值化圖像；

12、步驟s2.2：計(jì)算二值化圖像中恒星的連通域，所述連通域?yàn)榘肃徲颍?/p>

13、步驟s2.3：對(duì)連通域通過灰度加權(quán)計(jì)算求質(zhì)心，根據(jù)將求得的質(zhì)心作為關(guān)鍵點(diǎn)；

14、其中，y′表示質(zhì)心行向量坐標(biāo)；

15、z′表示質(zhì)心列向量坐標(biāo)；

16、y″表示連通域內(nèi)第i個(gè)像素點(diǎn)行坐標(biāo)；

17、z″表示連通域內(nèi)第i個(gè)像素點(diǎn)列坐標(biāo)；

18、h表示連通域內(nèi)第i個(gè)像素點(diǎn)灰度值；

19、n表示連通域內(nèi)共n個(gè)像素點(diǎn)。

20、所述步驟s3包括：

21、步驟s3.1：以每一個(gè)關(guān)鍵點(diǎn)為中心，構(gòu)造其與周圍關(guān)鍵點(diǎn)的拓?fù)淇臻g描述特征；

22、步驟s3.2：進(jìn)行關(guān)鍵點(diǎn)匹配，獲得匹配的點(diǎn)對(duì)；

23、所述匹配為計(jì)算當(dāng)前幀與相鄰幀中關(guān)鍵點(diǎn)的特征相似性。

24、步驟s3.3：將相鄰幀根據(jù)計(jì)算配準(zhǔn)到以當(dāng)前幀為基準(zhǔn)的星空背景上；

25、所述計(jì)算為根據(jù)匹配的點(diǎn)對(duì)基于單應(yīng)變換和估計(jì)求得相鄰幀圖像到當(dāng)前幀圖像的變換矩陣；

26、所述單應(yīng)變換和估計(jì)公式為

27、其中，表示單應(yīng)矩陣；

28、hij表示單應(yīng)矩陣中對(duì)應(yīng)元素，i＝1、2、3，j＝1、2、3；

29、x表示相鄰幀圖像中的關(guān)鍵點(diǎn)橫坐標(biāo)；

30、y表示相鄰幀圖像中的關(guān)鍵點(diǎn)縱坐標(biāo)；

31、x′當(dāng)前幀中對(duì)應(yīng)的同一個(gè)關(guān)鍵點(diǎn)的橫坐標(biāo)；

32、y′表示當(dāng)前幀中對(duì)應(yīng)的同一個(gè)關(guān)鍵點(diǎn)的縱坐標(biāo)。

33、所述步驟s6包括：

34、步驟s6.1：通過仿真生成大量空間目標(biāo)探測(cè)圖像，構(gòu)建訓(xùn)練數(shù)據(jù)集，并利用空間目標(biāo)標(biāo)記，對(duì)yolov5深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行調(diào)優(yōu)訓(xùn)練，獲得網(wǎng)絡(luò)參數(shù)；

35、步驟s6.2：利用訓(xùn)練好的網(wǎng)絡(luò)參數(shù)對(duì)空間目標(biāo)探測(cè)圖像進(jìn)行檢測(cè)，獲得候選檢測(cè)框；

36、所述yolov5深度學(xué)習(xí)網(wǎng)絡(luò)為yolov5s模型。

37、所述步驟s7包括：

38、步驟s7.1：將得到的多個(gè)候選檢測(cè)框根據(jù)置信度得分進(jìn)行排序；

39、步驟s7.2：對(duì)得分最高的候選檢測(cè)框依次遍歷其余的候選檢測(cè)框，計(jì)算二者之間的交并比，公式為

40、其中，iou表示重疊度；

41、a、b分別表示圖像切片重疊區(qū)域得分最高的候選檢測(cè)框、遍歷的候選檢測(cè)框；

42、步驟s7.3：當(dāng)遍歷的候選檢測(cè)框與得分最高的候選檢測(cè)框交并比大于閾值時(shí)，將當(dāng)前遍歷的候選檢測(cè)框刪除；交并比小于閾值時(shí)，保留候選檢測(cè)框；

43、重復(fù)執(zhí)行步驟s7.1至步驟s7.3，直至遍歷完所有候選檢測(cè)框停止。

44、優(yōu)選地，所述步驟s3.1包括：

45、步驟s3.1.1：以任意一個(gè)關(guān)鍵點(diǎn)pi為圓心，在其周圍構(gòu)造設(shè)定數(shù)量組的同心圓并將其均等劃分為設(shè)定數(shù)量個(gè)區(qū)域；

46、步驟s3.1.2：對(duì)于關(guān)鍵點(diǎn)pi周圍的關(guān)鍵點(diǎn)pj，將pj笛卡爾坐標(biāo)系下的坐標(biāo)轉(zhuǎn)化為以關(guān)鍵點(diǎn)pi為原點(diǎn)的極坐標(biāo)，得到其極徑ρj和極角θj，其對(duì)應(yīng)的區(qū)域編號(hào)qj為：

47、0≤θj≤2π，0≤ρj≤r；

48、其中，r表示最大的同心圓半徑；

49、m表示對(duì)極角量化時(shí)的單位弧度；

50、n為對(duì)極徑量化時(shí)的單位距離；

51、步驟s3.1.3：統(tǒng)計(jì)關(guān)鍵點(diǎn)周圍落入各個(gè)區(qū)域的關(guān)鍵點(diǎn)的數(shù)量，按照區(qū)域編號(hào)排序得到關(guān)鍵點(diǎn)對(duì)應(yīng)的維向量作為關(guān)鍵點(diǎn)pi的位置特征fi。

52、所述步驟s3.2包括：

53、步驟s3.2.1：將當(dāng)前幀in中關(guān)鍵點(diǎn)pi在笛卡爾坐標(biāo)系下的位置(xi，yi)作為搜索起點(diǎn)，在相鄰幀in+δ中搜索起點(diǎn)附近的關(guān)鍵點(diǎn)pk并計(jì)算其位置特征fk；

54、步驟s3.2.2：計(jì)算位置特征之間的距離及關(guān)鍵點(diǎn)在原圖像切片中灰度的差值；

55、步驟s3.2.3：若滿足公式條件，則當(dāng)前幀in的關(guān)鍵點(diǎn)pi和相鄰幀in+δ的關(guān)鍵點(diǎn)pk匹配成功，作為一對(duì)匹配的點(diǎn)對(duì)；若不滿足，則繼續(xù)計(jì)算；

56、所述公式條件為

57、其中，q表示特征中的區(qū)域編號(hào)；

58、f(pi)表示關(guān)鍵點(diǎn)pi在原圖上的灰度值；

59、f(pk)表示關(guān)鍵點(diǎn)pk在原圖上的灰度值；

60、th1為特征之間距離的閾值；

61、th2為灰度差值的閾值；

62、遍歷所有關(guān)鍵點(diǎn)并執(zhí)行步驟s3.2.1至步驟s3.2.3，得到所有匹配的點(diǎn)對(duì)。

63、優(yōu)選地，所述步驟s4中計(jì)算的公式為：

64、

65、其中，sat_value表示圖像的飽和值；

66、dn(i，j)表示位置(i,j)相鄰幀的幀間上的差分結(jié)果；

67、fn(i,j)表示當(dāng)前第n幀的位置(i,j)上的灰度值；

68、fn-1(i,j)表示前一幀配準(zhǔn)后對(duì)應(yīng)的位置(i,j)上的灰度值。

69、所述步驟s5中將當(dāng)前幀與多個(gè)相鄰幀進(jìn)行配準(zhǔn)差分操作，第j幀到第k幀配準(zhǔn)差分后得到的配準(zhǔn)差分結(jié)果為d(ij,ij-k)，通過n幀的幀間累加，取n幀配準(zhǔn)差分結(jié)果的平均值，公式為

70、其中，其中，ij表示第j幀中的空間目標(biāo)信號(hào)；

71、ij-1表示第j幀到第k幀中的空間目標(biāo)信號(hào)；

72、ij’表示增強(qiáng)后的第j幀中的空間目標(biāo)信號(hào)。

73、根據(jù)本發(fā)明提供的一種時(shí)空域聯(lián)合的空間探測(cè)圖像暗弱目標(biāo)檢測(cè)系統(tǒng)，包括：

74、模塊m1：將原始空間目標(biāo)探測(cè)圖像進(jìn)行等步長(zhǎng)、含重疊區(qū)域的切片，得到裁切后待檢測(cè)的圖像切片；

75、模塊m2：對(duì)每個(gè)圖像切片提取關(guān)鍵點(diǎn)；

76、模塊m3：構(gòu)造關(guān)鍵點(diǎn)的拓?fù)淇臻g描述特征，根據(jù)相鄰幀關(guān)鍵點(diǎn)提取結(jié)果，進(jìn)行相鄰幀圖像的幀間配準(zhǔn)；

77、模塊m4：計(jì)算配準(zhǔn)后相鄰幀的幀間差分，得到幀間差分結(jié)果；

78、模塊m5：將幀間差分結(jié)果進(jìn)行疊加，得到背景抑制結(jié)果；

79、模塊m6：基于yolov5深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)背景抑制結(jié)果進(jìn)行空間目標(biāo)訓(xùn)練和檢測(cè)，得到檢測(cè)結(jié)果；

80、模塊m7：將檢測(cè)結(jié)果進(jìn)行篩選合并，輸出最終檢測(cè)結(jié)果。

81、優(yōu)選地，所述模塊m2包括：

82、模塊m2.1：對(duì)圖像切片進(jìn)行二值化，得到二值化圖像；

83、模塊m2.2：計(jì)算二值化圖像中恒星的連通域，所述連通域?yàn)榘肃徲颍?/p>

84、模塊m2.3：對(duì)連通域通過灰度加權(quán)計(jì)算求質(zhì)心，根據(jù)

85、將求得的質(zhì)心作為關(guān)鍵點(diǎn)；

86、其中，y′表示質(zhì)心行向量坐標(biāo)；

87、z′表示質(zhì)心列向量坐標(biāo)；

88、y″表示連通域內(nèi)第i個(gè)像素點(diǎn)行坐標(biāo)；

89、z″表示連通域內(nèi)第i個(gè)像素點(diǎn)列坐標(biāo)；

90、h表示連通域內(nèi)第i個(gè)像素點(diǎn)灰度值；

91、n表示連通域內(nèi)共n個(gè)像素點(diǎn)。

92、所述模塊m3包括：

93、模塊m3.1：以每一個(gè)關(guān)鍵點(diǎn)為中心，構(gòu)造其與周圍關(guān)鍵點(diǎn)的拓?fù)淇臻g描述特征；

94、模塊m3.2：進(jìn)行關(guān)鍵點(diǎn)匹配，獲得匹配的點(diǎn)對(duì)；

95、所述匹配為計(jì)算當(dāng)前幀與相鄰幀中關(guān)鍵點(diǎn)的特征相似性；

96、模塊m3.3：將相鄰幀根據(jù)計(jì)算配準(zhǔn)到以當(dāng)前幀為基準(zhǔn)的星空背景上；

97、所述計(jì)算為根據(jù)匹配的點(diǎn)對(duì)基于單應(yīng)變換和估計(jì)求得相鄰幀圖像到當(dāng)前幀圖像的變換矩陣；

98、所述單應(yīng)變換和估計(jì)公式為

99、其中，表示單應(yīng)矩陣；

100、hij表示單應(yīng)矩陣中對(duì)應(yīng)元素，i＝1、2、3，j＝1、2、3；

101、x表示相鄰幀圖像中的關(guān)鍵點(diǎn)橫坐標(biāo)；

102、y表示相鄰幀圖像中的關(guān)鍵點(diǎn)縱坐標(biāo)；

103、x′當(dāng)前幀中對(duì)應(yīng)的同一個(gè)關(guān)鍵點(diǎn)的橫坐標(biāo)；

104、y′表示當(dāng)前幀中對(duì)應(yīng)的同一個(gè)關(guān)鍵點(diǎn)的縱坐標(biāo)。

105、所述模塊m6包括：

106、模塊m6.1：通過仿真生成大量空間目標(biāo)探測(cè)圖像，構(gòu)建訓(xùn)練數(shù)據(jù)集，并利用空間目標(biāo)標(biāo)記，對(duì)yolov5深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行調(diào)優(yōu)訓(xùn)練，獲得網(wǎng)絡(luò)參數(shù)；

107、模塊m6.2：利用訓(xùn)練好的網(wǎng)絡(luò)參數(shù)對(duì)空間目標(biāo)探測(cè)圖像進(jìn)行檢測(cè)，獲得候選檢測(cè)框；

108、所述yolov5深度學(xué)習(xí)網(wǎng)絡(luò)為yolov5s模型。

109、所述模塊m7包括：

110、模塊m7.1：將得到的多個(gè)候選檢測(cè)框根據(jù)置信度得分進(jìn)行排序；

111、模塊m7.2：對(duì)得分最高的候選檢測(cè)框依次遍歷其余的候選檢測(cè)框，計(jì)算二者之間的交并比，公式為

112、其中，iou表示重疊度；

113、a、b分別表示圖像切片重疊區(qū)域得分最高的候選檢測(cè)框、遍歷的候選檢測(cè)框；

114、模塊m7.3：判斷，當(dāng)遍歷的候選檢測(cè)框與得分最高的候選檢測(cè)框交并比大于閾值時(shí)，將當(dāng)前遍歷的候選檢測(cè)框刪除；交并比小于閾值時(shí)，保留候選檢測(cè)框；

115、重復(fù)觸發(fā)模塊m7.1至模塊m7.3，直至遍歷完所有候選檢測(cè)框停止。

116、優(yōu)選地，所述模塊m3.1包括：

117、模塊m3.1.1：以任意一個(gè)關(guān)鍵點(diǎn)pi為圓心，在其周圍構(gòu)造設(shè)定數(shù)量組的同心圓并將其均等劃分為設(shè)定數(shù)量個(gè)區(qū)域；

118、模塊m3.1.2：對(duì)于關(guān)鍵點(diǎn)pi周圍的關(guān)鍵點(diǎn)pj，將pj笛卡爾坐標(biāo)系下的坐標(biāo)轉(zhuǎn)化為以關(guān)鍵點(diǎn)pi為原點(diǎn)的極坐標(biāo)，得到其極徑ρj和極角θj，其對(duì)應(yīng)的區(qū)域編號(hào)qj為：

119、0≤θj≤2π，0≤ρj≤r；

120、其中，r表示最大的同心圓半徑；

121、m表示對(duì)極角量化時(shí)的單位弧度；

122、n為對(duì)極徑量化時(shí)的單位距離；

123、模塊m3.1.3：統(tǒng)計(jì)關(guān)鍵點(diǎn)周圍落入各個(gè)區(qū)域的關(guān)鍵點(diǎn)的數(shù)量，按照區(qū)域編號(hào)排序得到關(guān)鍵點(diǎn)對(duì)應(yīng)的維向量作為關(guān)鍵點(diǎn)pi的位置特征fi。

124、所述模塊m3.2包括：

125、模塊m3.2.1：將當(dāng)前幀in中關(guān)鍵點(diǎn)pi在笛卡爾坐標(biāo)系下的位置(xi，yi)作為搜索起點(diǎn)，在相鄰幀in+δ中搜索起點(diǎn)附近的關(guān)鍵點(diǎn)pk并計(jì)算其位置特征fk；

126、模塊m3.2.2：計(jì)算位置特征之間的距離及關(guān)鍵點(diǎn)在原圖像切片中灰度的差值；

127、模塊m3.2.3：若滿足公式條件，則當(dāng)前幀in的關(guān)鍵點(diǎn)pi和相鄰幀in+δ的關(guān)鍵點(diǎn)pk匹配成功，作為一對(duì)匹配的點(diǎn)對(duì)；若不滿足，則繼續(xù)計(jì)算；

128、所述公式條件為

129、其中，q表示特征中的區(qū)域編號(hào)；

130、f(pi)表示關(guān)鍵點(diǎn)pi在原圖上的灰度值；

131、f(pk)表示關(guān)鍵點(diǎn)pk在原圖上的灰度值；

132、th1為特征之間距離的閾值；

133、th2為灰度差值的閾值；

134、遍歷所有關(guān)鍵點(diǎn)并觸發(fā)模塊m3.2.1至模塊m3.2.3，得到所有匹配的點(diǎn)對(duì)。

135、優(yōu)選地，所述模塊m4中計(jì)算的公式為：

136、

137、其中，sat_value表示圖像的飽和值；

138、dn(i，j)表示位置(i,j)相鄰幀的幀間上的差分結(jié)果；

139、fn(i,j)表示當(dāng)前第n幀的位置(i,j)上的灰度值；

140、fn-2(i,j)表示前一幀配準(zhǔn)后對(duì)應(yīng)的位置(i,j)上的灰度值。

141、所述模塊m5中將當(dāng)前幀與多個(gè)相鄰幀進(jìn)行配準(zhǔn)差分操作，第j幀到第k幀配準(zhǔn)差分后得到的配準(zhǔn)差分結(jié)果為d(ij,ij-k)，通過n幀的幀間累加，取n幀配準(zhǔn)差分結(jié)果的平均值，公式為

142、其中，其中，ij表示第j幀中的空間目標(biāo)信號(hào)；

143、ij-1表示第j幀到第k幀中的空間目標(biāo)信號(hào)；

144、ij’表示增強(qiáng)后的第j幀中的空間目標(biāo)信號(hào)。

145、根據(jù)本發(fā)明提供的一種存儲(chǔ)有計(jì)算機(jī)程序的計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)所述的時(shí)空域聯(lián)合的空間探測(cè)圖像暗弱目標(biāo)檢測(cè)方法的步驟。

146、根據(jù)本發(fā)明提供的一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)所述的時(shí)空域聯(lián)合的空間探測(cè)圖像暗弱目標(biāo)檢測(cè)方法的步驟。

147、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下的有益效果：

148、1、本發(fā)明通過圖像分割后檢測(cè)，再利用非極大值抑制將檢測(cè)結(jié)果進(jìn)行合并的方法，實(shí)現(xiàn)了較大探測(cè)視場(chǎng)條件下，探測(cè)圖像空間目標(biāo)的檢測(cè)。

149、2、本發(fā)明提供的具有尺度旋轉(zhuǎn)不變性的拓?fù)淇臻g描述特征提取方法，實(shí)現(xiàn)了圖像的亞像素幀間配準(zhǔn)，有效減少幀間差分后的恒星殘差，從而提高檢測(cè)性能。

150、3、本發(fā)明將傳統(tǒng)的幀間配準(zhǔn)差分方法與深度學(xué)習(xí)智能檢測(cè)算法相結(jié)合，既解決了傳統(tǒng)閾值法易對(duì)恒星殘差產(chǎn)生虛警的難題，又解決了直接利用智能檢測(cè)算法無法區(qū)分均為點(diǎn)目標(biāo)的恒星和空間目標(biāo)的問題。

151、4、本發(fā)明提供的檢測(cè)方法不依賴恒星與空間目標(biāo)的點(diǎn)狀或線狀特征進(jìn)行檢測(cè)，不需要根據(jù)不同的探測(cè)模式切換不同的方法和參數(shù)，對(duì)于空間探測(cè)“凝視目標(biāo)”及“凝視恒星”的工作模式具有普適性。