面向GWAC系統(tǒng)的流星候選體識別算法*

徐 洋，王 競,3，黃茂海，魏建彥

(1. 中國科學院國家天文臺空間天文與技術(shù)重點實驗室，北京 100101；2. 中國科學院大學，北京 100049;3. 廣西大學物理科學與技術(shù)學院廣西相對論天體物理重點實驗室，廣西 南寧 530004)

地基廣角相機陣(Ground Wide Angle Cameras, GWAC)是中法合作的多波段空間天文變源監(jiān)測器(Space-based multiband astronomical Variable Objects Monitor, SVOM)[1]的地基相關(guān)觀測設(shè)備，主要科學目標是探測伽瑪射線暴、引力波事件等爆發(fā)時的電磁輻射對應(yīng)體。除了探測伽瑪射線暴等暫現(xiàn)源，地基廣角相機陣約5 000平方度的超大視場同時能夠探測到大量的移動目標，如流星、近地目標、小行星、彗星、飛機、空間碎片、衛(wèi)星等。這些移動目標會影響伽瑪暴等暫現(xiàn)源的探測效率，識別并過濾這些移動目標對地基廣角相機陣具有重要意義。同時，國際上許多組織在進行各類移動目標的研究，如國際天文聯(lián)盟的流星數(shù)據(jù)中心致力于流星數(shù)據(jù)的收集和流星特性的研究[2]，地基廣角相機陣將貢獻大量的流星數(shù)據(jù)。本文主要針對地基廣角相機陣的流星目標設(shè)計識別算法。

國際上有許多流星研究項目：美國國家航空航天局資助建立的全天流星監(jiān)測項目(Cameras for Allsky Meteor Surveillance project, CAMS)項目[3]包含3個站點共60個錄像相機，其目標是系統(tǒng)研究流星雨的特性及來源；日本的SonotaCo(1)A meteor shower catalog based on video observations in 2007-2008包含25個站點共100個錄像相機，已經(jīng)向國際天文聯(lián)盟的流星數(shù)據(jù)中心貢獻了大量的流星雨數(shù)據(jù)；歐洲視頻流星觀測網(wǎng)(European viDeo Meteor Observation Network, ED-MONd)流星數(shù)據(jù)庫[4]匯聚了歐洲多個流星觀測網(wǎng)的數(shù)據(jù)；克羅地亞流星網(wǎng)(Croatian Meteor Network, CMN)[5]基于廉價的監(jiān)控相機和普通臺式機構(gòu)建面向科普教育的流星觀測系統(tǒng)；加拿大Western大學的南安大略流星網(wǎng)(Southern Ontario Meteor Network, SOMN)[6]主要關(guān)注厘米級流星體的探測；俄羅斯的微型超大快速光學瞬變源研究望遠鏡(Mini-Mega TORTORA, MMT)[7]與地基廣角相機陣系統(tǒng)有類似的科學目標，即探測短時標光學暫現(xiàn)源，MMT包含900平方度淺視場和100平方度的深視場，白光0.1 s曝光極限星等約11 V，1.5年累計觀測到約9萬顆流星[8]。

現(xiàn)有項目使用的流星識別軟件如MeteorScan, MetRec[9], UFO Capture(2)http://sonotaco.com/soft/UFO2/help/english/index.html, AIM-IT[10], Gural[11]和Vida[12]等，主要面向流星巡天項目進行設(shè)計，其圖像的主要特點是：(1)極限星等低，視場中背景恒星的數(shù)目少，識別流星時干擾源少；(2)幀頻快，拍攝的流星體軌跡出現(xiàn)在多幀圖像中，每幀圖像包含一段軌跡，通過多段軌跡可計算流星體的角速度；(3)多站點觀測，流星巡天項目通常包含少則兩個多則幾十個觀測站點，聯(lián)合兩個及以上站點的觀測數(shù)據(jù)，可以計算流星體的位置、高度和線速度。流星巡天項目中流星識別的過程為：(1)提取多幀圖像中的軌跡線段，關(guān)聯(lián)多個軌跡線段為一個目標；(2)通過多站點數(shù)據(jù)，計算目標的位置；(3)通過多個軌跡線段的位置計算目標的速度；(4)通過目標的高度和速度信息對流星候選體進行過濾。文[13]使用改進的幀差法對圖像中拉長軌跡很短的空間運動目標進行檢測。

地基廣角相機陣圖像的特點是：(1)極限星等高，圖像中會有大量的背景恒星及移動目標；(2)幀頻慢，拍攝的流星出現(xiàn)在單幀圖像中，通常表現(xiàn)為一段完整的拉長軌跡，無法計算流星體的速度；(3)目前地基廣角相機陣僅有一個觀測站點，無法計算流星體的位置和高度。由于地基廣角相機陣的圖像和圖像中流星的軌跡形態(tài)與現(xiàn)有流星巡天項目有本質(zhì)的區(qū)別，因此現(xiàn)有流星識別軟件或算法不能直接應(yīng)用于地基廣角相機陣的流星探測。

國際上與地基廣角相機陣有類似科學目標的大視場測光巡天項目有MMT[7]和Pi of the Sky[14]，這兩個項目也沒有可借鑒的經(jīng)驗：(1)MMT的曝光時間為0.1 s，其流星識別算法與流星巡天項目的類似；(2)Pi of the Sky沒有發(fā)表流星識別的相關(guān)研究成果。

地基廣角相機陣系統(tǒng)的超大視場每天不僅能觀測數(shù)百個流星體，同時也能觀測幾千個其他類型的移動目標，如流星、飛機、衛(wèi)星等。圖1為Mini-GWAC圖像中各種不同類別的移動目標，除(a)是流星候選體之外，其他為不同類別的干擾源。與其他移動目標相比，流星軌跡的典型特征為：(1)持續(xù)時間短，普遍單幀出現(xiàn)；(2)軌跡在形態(tài)上中間寬兩端窄，在亮度上中間亮兩端暗(火流星例外)，如圖2。

圖1 Mini-GWAC圖像中各種類別的目標，其中上面部分是原始圖像，下面部分是相鄰圖像相減后的結(jié)果。(a)流星候選體；(b～f)不同類別的移動目標；(g)望遠鏡視場邊緣被遮擋后產(chǎn)生的假目標；(h)流星的尾焰；(i)熱像列

Fig.1 All kind of objects in Mini-GWAC, top part of image is original image, bottom part of image is residual image of adjacent image. (a) is meteor candidate, (b-f) are moving objects, (g) is fake object, (h) is wake flame of meteor, (i) is hot column

圖2 典型的流星示例，形態(tài)上中間寬兩端窄，亮度上中間亮兩端暗
Fig.2 The center part of meteor is wider and brighter than both ends

地基廣角相機陣的流星體識別過程面臨的挑戰(zhàn)是在無法依靠速度和高度信息準確區(qū)分流星體和其他移動目標的情況下，如何從大量的移動目標中找到流星體。針對地基廣角相機陣的系統(tǒng)特性及其圖像中流星的軌跡特征設(shè)計流星識別算法：(1)針對流星的拉長軌跡和單幀特征設(shè)計流星軌跡識別算法；(2)針對流星軌跡的亮度和形態(tài)特征，對流星候選體的形態(tài)特征進行分析，以進一步提高流星識別的準確率。

1 地基廣角相機陣系統(tǒng)簡介

1.1 地基廣角相機陣觀測系統(tǒng)

地基廣角相機陣的建設(shè)包含兩個階段，分別是一期工程Mini-GWAC實驗系統(tǒng)和二期工程地基廣角相機陣，如圖3。

圖3 地基廣角相機陣系統(tǒng)。(a) Mini-GWAC; (b) GWAC
Fig.3 Image on the left is Mini-GWAC, and on the right is GWAC

(1)Mini-GWAC的組成：包含12臺6 cm的寬視場望遠鏡，每臺望遠鏡配備一臺3 k × 3 k的CCD相機，綜合視場約5 000平方度，恒星探測極限星等約12.5 V，2014年10月建成，并于2015年10月正式開始觀測。

(2)地基廣角相機陣的組成：共包含40臺有效口徑為18 cm的寬視場望遠鏡，每臺望遠鏡配備一臺4 k × 4 k高性能CCD相機，綜合視場約5 000平方度，恒星探測極限星等約16.0 V。現(xiàn)在已完成部分望遠鏡的調(diào)試，并在進行試觀測。

Mini-GWAC已經(jīng)積累了大量的觀測數(shù)據(jù)，使用Mini-GWAC的數(shù)據(jù)進行流星識別算法的研究，并在后續(xù)應(yīng)用于地基廣角相機陣。

1.2 Mini-GWAC系統(tǒng)移動目標軌跡特性分析

Mini-GWAC圖像中的移動目標主要包含3類：飛機、流星和衛(wèi)星(空間碎片)，下面簡要分析這3類目標的特性。

(1)高度和速度特性

如表 1，飛機、流星和衛(wèi)星3類移動目標的高度和速度區(qū)間有明顯的差異，計算出高度或速度中的一項參數(shù)，即可區(qū)分移動目標的類別。地基廣角相機陣目前為單站點觀測，無法計算移動目標的高度或速度，因此無法利用高度或速度特性對移動目標進行區(qū)分。

(2)時間特性

MMT與Mini-GWAC使用相同型號的鏡頭，1.5年累計觀測到約9萬顆流星，這些流星持續(xù)時間為0.1 s到2.5 s[8]。照此估算，流星在Mini-GWAC的圖像(10 s曝光， 5 s讀出)中只能單幀出現(xiàn)。飛機、衛(wèi)星等移動目標在飛出圖像邊緣前會持續(xù)存在，因此可以在多幀圖像中連續(xù)出現(xiàn)。

表1 飛機、流星和衛(wèi)星的高度和線速度

Table 1 The height and speed of airplane,meteor and satellite

最低高度/km最高高度/km最小線速度/(km/s)最大線速度/(km/s)飛機612.60.080.3流星801201172衛(wèi)星2003600037.78

(3)軌跡長度特性

圖4為對表1中3類典型移動目標在Mini-GWAC單幀10 s曝光圖像中軌跡長度的估算。可見在不同速度和高度時，這3類移動目標在圖像中的軌跡長度存在交集，因此無法直接通過軌跡長度對這3類移動目標進行區(qū)分。

圖4 Mini-GWAC的一幀10 s曝光圖像中，流星、飛機和衛(wèi)星的軌跡長度估算，其中流星的長度按0.5 s持續(xù)時間估算，飛機和衛(wèi)星的長度按10 s持續(xù)時間估算。(a) 流星與飛機的軌跡長度對比；(b) 流星和衛(wèi)星的軌跡長度對比

Fig.4 The estimation of track length of airplane, meteor and satellite in a 10 seconds exposure image of Mini-GWAC, the left picture shows the track length comparison of the meteor and the plane, and the right picture shows the track length comparison of the meteor and the satellite

(4)軌跡形態(tài)特性

文[15]對CAMS雙站點觀測的891顆流星進行了光變曲線和形狀分析。(1)光變曲線分析：光變曲線的形狀有67%的單峰目標，包括14%的早峰類型，42%的對稱類型，11%的晚峰類型；(2)形狀分析：單幀圖像(110幀/秒)中流星為類彗星狀。流星在Mini-GWAC圖像中單幀出現(xiàn)，其軌跡也包含光變曲線和形狀信息：(1)光變曲線：從Mini-GWAC的圖像中能夠得到流星隨位置變化的光變曲線；(2)形狀特征： Mini-GWAC圖像中流星的軌跡中間粗兩端逐漸變細，其寬度僅為幾像素到十幾像素，采樣不足，容易受噪聲的影響，因此本文不對流星的形狀進行分析。

2 流星候選體識別算法

2.1 流星軌跡識別

算法對時空連續(xù)的多張FITS圖像I(k)進行處理，整體流程如圖5，下面著重對幾個關(guān)鍵的步驟進行介紹。

(1)圖像預處理

連續(xù)的兩幀圖像拍攝時間相隔15 s，圖像之間視寧度等環(huán)境因素的變化非常微弱，可直接對連續(xù)兩幅圖像I(k)和I(k-1)進行相減操作，相減后殘差圖像S(k)可表示為

圖5 流星軌跡識別算法的流程圖
Fig.5 The flow chart of meteor track recognition method

S(k)=I(k)-I(k-1) (k為圖像順序編號，k∈N且k≥2)，

(1)

對相鄰的兩幅圖像相減，避免了天文數(shù)據(jù)處理流程中對暗場和本底的操作，同時也不用對圖像進行去背景操作。原始圖像相鄰像素點之間是有關(guān)聯(lián)的，且相鄰圖像之間有細微的局部噪聲起伏，為了降低環(huán)境因素對關(guān)鍵信息的影響，可對相減后的殘差圖像S(k)進行白化處理。S(k)的協(xié)方差矩陣為R(k)，白化處理后的圖像W(k)可表示為

W(k)=R(k)-1/2S(k) (k∈N且k≥2) .

(2)

相減后圖像S(k)主要包含3部分內(nèi)容：背景、殘差信號、真實信號。圖像二值化過程包括：

1)對W(k)使用3σ原則去掉背景信息，計算均值E和標準差D；

2)初始化閾值設(shè)為T=E+2D，使用閾值T對S(k)進行二值化操作，得到二值化圖像B(k)：

(3)

3)如果霍夫變換操作沒有得到線段集，且T> 100，則開始動態(tài)調(diào)整閾值T：

T=E+2D-5k(k∈N且k≥1) .

(4)

其中，k為循環(huán)次數(shù)。每次循環(huán)將T的值減5，然后對圖像進行二值化和線段提取操作。如果T< 100或者(5)式找到線段集，則停止循環(huán)。

(2)移動目標軌跡識別

選用概率霍夫變換(Progressive Probabilistic Hough Transform, PPHT)[16]對二值化圖像進行線段探測。相比霍夫變換，概率霍夫變換計算速度快，且能直接算出線段的兩個端點坐標。概率霍夫變換后，得到候選線段集L(k)可表示為

L(k)=PPHT[B(k)] (k∈N且k≥2) .

(5)

流星在Mini-GWAC圖像中的軌跡寬度約幾像素到十幾像素，因此霍夫變換后，一個流星軌跡有可能被識別為多條線段。為去除冗余線段，對候選線段集L(k)進行融合，將相鄰的多條線段合并為一條線段。綜合采用線段中心距離、線段斜率和圖像中心到線段的距離3個參數(shù)判斷線段的相似性，對這3個參數(shù)小于指定數(shù)值的線段合并為一條線段L0，L0代表一個移動目標候選體O0，對線段集L(k)合并后得到移動目標候選集O(k)。

(3)多幀過濾

Mini-GWAC圖像中不僅包含流星，還包含其他的移動目標。流星與其他移動目標的區(qū)別是流星僅在單幀圖像中出現(xiàn)，而其他移動目標可能在多幀圖像中出現(xiàn)。因此，對合并后的移動目標候選集O(k)進行前后幀關(guān)聯(lián)，可以過濾一部分非流星目標。

2.2 流星光變曲線形態(tài)分析

移動目標光變曲線從形態(tài)上可分為無峰目標、單峰目標和多峰目標3類，如圖6。文[15]分析的流星樣本中有67%的流星是單峰目標，且其主要針對單峰目標進行光變曲線的形態(tài)分析。因此嘗試對單峰目標的形態(tài)進行分析，以進一步過濾非流星目標。由于流星在Mini-GWAC圖像中主要為單幀出現(xiàn)，無法得到流星隨時間變化的光變曲線，但是可以通過流星在圖像上的拉長軌跡得到流星隨圖像像素位置變化的光變曲線，后文簡稱光變曲線。下面簡要介紹光變曲線的提取及單峰目標形態(tài)分析的關(guān)鍵步驟。

圖6 3類移動目標。(a) 無峰目標；(b) 單峰目標；(c) 多峰目標
Fig.6 Three kinds of moving objects. (a) is no-peak object; (b) is single-peak object; (c) is multi-peak object

(1)光變曲線的提取

線段L0與原始圖像x軸的夾角為θ0，對S(k)順時針旋轉(zhuǎn)θ0，使目標長軸在圖像中處于水平位置，對目標進行矩形區(qū)域裁圖得到如圖6的窗口圖Sub0。對Sub0沿圖像y軸方向?qū)軸方向的流量強度進行求和，得到目標亮度隨x的變化曲線：

Fluxx=∑ySub0(x,y) .

(6)

其中，x,y是圖像沿x軸和y軸方向的坐標。

(2)峰值計算及多峰目標過濾

峰值計算過程參考文[17]的多顆相鄰恒星目標的解析過程。對光變曲線Fluxx取與x軸平行的直線y=Y0，Y0從光變曲線Flux0的最大值開始，依次以Stepy遞減，直到最小值。每次遞減后計算直線與光變曲線的交叉部分，交叉部分的個數(shù)即為峰值個數(shù)Npeak。如果峰值個數(shù)Npeak等于0，則代表該目標為無峰目標；如果峰值個數(shù)Npeak等于1，則代表該目標為單峰目標；如果峰值個數(shù)Npeak大于1，則代表該目標為多峰目標。

(3)光變曲線形態(tài)分析

采用高斯函數(shù)擬合的方式對光變曲線進行形狀的量化，多個高斯函數(shù)疊加能更準確地描述目標的光變曲線，這里至多使用兩個高斯函數(shù)對光變曲線進行擬合。光變曲線擬合函數(shù)如下：

(7)

其中，Ai，x0i和αi分別代表第i個擬合曲線的高度、中值和峰值銳度。用擬合后高斯函數(shù)的參數(shù)作為對目標光變曲線形態(tài)的量化參數(shù)。

3 程序?qū)崿F(xiàn)

使用Python和OpenCV對算法進行實現(xiàn)，在i7 4770k CPU上測試，每幅圖像的處理時間不超過1 s，滿足地基廣角相機陣實時探測的需求。算法實現(xiàn)的關(guān)鍵信息如下：

(1)異常圖像過濾：Mini-GWAC的單圖像視場覆蓋天區(qū)范圍大，易受環(huán)境因素的影響。通過相鄰圖像相減后殘差的方差和有效像素百分比這兩個參數(shù)對圖像進行過濾。

(2)霍夫變換參數(shù)選擇：移動目標軌跡經(jīng)過二值化之后，有可能形成多個線段。通過分析Mini-GWAC圖像中流星的特征，選取概率霍夫變換的參數(shù)為ρ=1像素，θ=1°，組成軌跡的子線段最小長度為10像素，子線段間最大間隔為5像素，軌跡的最短長度為50像素。

(3)線段融合參數(shù)選擇：對圖像中多條線段，如果中心距離小于50，線段斜率差小于5，且線段與圖像中心的距離差小于150，則這些線段合并為一條線段。

(4)相鄰幀線段集棧構(gòu)造：將連續(xù)多幀圖像產(chǎn)生的線段集L(k)緩存在一個堆棧中，用來過濾多幀出現(xiàn)的移動目標。相鄰的兩個線段集，對一個線段集中的所有線段都與另一個線段集中的線段進行比較，如果兩個線段的斜率之差絕對值小于5，則認為這兩條線段屬于同一個目標，即該目標是多幀出現(xiàn)的移動目標。

(5)峰值數(shù)量Npeak的計算：首先對流量曲線進行中值濾波，濾波器的kernelSize選取目標長度的10%。峰值計算過程Stepy=Fluxmax/10，為過濾噪聲帶來的毛刺，限定相鄰兩個峰值的最大值之差應(yīng)大于Stepy。

(6)光變曲線歸一化：將光變曲線的長度和高度(亮度)都歸一化到[0, 1]。對于所有光變曲線，記最大長度為Lmax，最大高度為Hmax，將所有光變曲線等比放大到長度為Lmax，對所有光變曲線的長度除以Lmax，完成長度歸一化，對所有光變曲線的高度除以Hmax，完成高度的歸一化。

(7)擬合參數(shù)融合：對于單峰目標的擬合，有些目標O1使用一個高斯函數(shù)能有效擬合，有些目標O2需要兩個高斯函數(shù)才能有效擬合。對于O1，算法直接使用擬合的3個參數(shù)(A，x0和α)描述其形態(tài)。對于O2，算法將兩個高斯函數(shù)的參數(shù)進行融合，以更準確地描述流星曲線的形態(tài)：對兩個A取最大值，對兩個x0取均值，對兩個α取最小值。

4 光變曲線形態(tài)特征分析

4.1 數(shù)據(jù)統(tǒng)計

對Mini-GWAC的131萬幅圖像進行分析處理，結(jié)果中各類目標的統(tǒng)計如表2。

(1)樣本選擇：這里選擇單像素信噪比大于等于5σ的移動目標，總數(shù)約10.9萬個。

(2)按是否多幀出現(xiàn)統(tǒng)計：包含1.2萬個單幀出現(xiàn)的目標和9.7萬個多幀出現(xiàn)的目標。

(3)按光變曲線峰值個數(shù)統(tǒng)計：包含約2.5萬個單峰目標、1.3萬個多峰目標和7.1萬個無峰目標。

(4) 流星候選體：按照Mini-GWAC系統(tǒng)中流星的單幀出現(xiàn)特性對移動目標進行統(tǒng)計，流星候選體約占總數(shù)的10.7%。如果通過光變曲線的單峰特性進一步過濾，則流星候選體的數(shù)據(jù)量可降低到5.8%。

為量化光變曲線的擬合精度，采用R-Square(R2)進行評估。表2中的6 275個單幀出現(xiàn)單峰目標光變曲線高斯擬合結(jié)果R2的直方圖如圖7。其中有41.2%的目標R2大于0.9；有81.8%的目標R2大于0.7。由于數(shù)據(jù)處理時存在噪聲的干擾，所以選擇較低的R2值(0.7)來過濾擬合結(jié)果。

表2 Mini-GWAC不同類別的移動目標數(shù)量統(tǒng)計

Table 2 Statistic of different categories of moving objects in Mini-GWAC

統(tǒng)計量數(shù)量/個所占百分比/%移動目標總數(shù)108764100單幀出現(xiàn)數(shù)量1161310.7多幀出現(xiàn)數(shù)量9715189.3單峰目標數(shù)量2477722.8多峰目標數(shù)量1301112.0無峰目標數(shù)量7097665.2單幀出現(xiàn)單峰目標數(shù)量62755.8單幀出現(xiàn)單峰峰值參數(shù)α大于0.2的目標數(shù)量55835.1單幀出現(xiàn)單峰峰值參數(shù)α大于0.2且擬合度R2大于0.7的目標數(shù)量44534.1

圖7 單幀出現(xiàn)單峰目標(6 275個)光變曲線高斯擬合度R2直方圖
Fig.7 The histogram ofR2of 6275 single-peak objects appeared in one frame

4.2 光變曲線形態(tài)分析

高斯擬合參數(shù)α代表移動目標光變曲線的波峰寬度：α值越小，波峰越窄；α值越大，波峰越寬。將基于α對單幀出現(xiàn)單峰目標的光變曲線進行統(tǒng)計分析。為了找到能在光變曲線形態(tài)上區(qū)分不同移動目標的參數(shù)，選擇3個樣本集，并對這3個樣本集的波峰寬度值α進行直方圖統(tǒng)計分析，這3個樣本集分別是：

(1)單幀出現(xiàn)單峰目標樣本集，簡稱樣本集1：其中大部分為流星，且包含少量的多幀未匹配成功的空間碎片、衛(wèi)星、飛機等長時間持續(xù)存在的移動目標，其波峰寬度值α分布如圖8。

(2)傍晚或黎明期間的單幀出現(xiàn)單峰目標樣本集，簡稱樣本集2：從(1)中選擇晚上9點之前和凌晨4點之后出現(xiàn)的目標，其中的目標類別與(1)基本相同，其波峰寬度值α分布如圖9。

(3)午夜期間的單幀出現(xiàn)單峰目標樣本集，簡稱樣本集3：從(1)中選擇晚上10點到凌晨2點之間出現(xiàn)的目標，該時間段的天空處于地球的陰影區(qū)，除了自發(fā)光的目標，很難觀測到其他依靠反射太陽光才能看到的目標，飛機等自發(fā)光的目標受限于速度，多為多幀出現(xiàn)，單幀出現(xiàn)的概率非常低，因此該樣本集中的目標主要為流星，其波峰寬度值α分布如圖10。

對這3個樣本集α參數(shù)的直方圖分布曲線分析如下：

(1)分析圖8：樣本集1的分布曲線有兩個峰值。這兩個峰值代表兩類目標：一類是亮度隨圖像像素位置快速變化的目標，簡稱亮度快速變化目標，其α參數(shù)小于0.2，占比10%；一類是亮度隨圖像像素位置慢速變化的目標，簡稱亮度慢速變化目標，其α參數(shù)大于0.2，占比90%。

(2)分析圖9：樣本集2的分布曲線整體上與樣本集1基本一致，但樣本集2中快速變化目標的比例比樣本集1高。

(3)分析圖10：與樣本集1和樣本集2相比，樣本集3的分布曲線在兩端的比例偏少，在左邊的快速變化部分也有一個很小的峰值，表明其中快速變化目標所占的比例非常少。樣本集3中的移動目標主要為流星，因此流星中快速變化的個體非常少。

圖8 單幀出現(xiàn)單峰目標(6 275個)α參數(shù)的直方圖
Fig.8 The histogram ofαparameter of 6275 single-peak objects appeared in one frame

圖10 晚上10點到凌晨2點之間，單幀出現(xiàn)單峰目標(1 306個)α參數(shù)的直方圖
Fig.10 Between 10 p.m. and 2 a.m, the histogram ofαparameter of 1306 single-peak objects appeared in one frame

綜合分析圖8、圖9和圖10發(fā)現(xiàn)，大部分單峰值流星為亮度慢速變化的目標，依此條件對樣本集1進行過濾，可以得到5 583個流星候選體，約占所有移動目標的5.1%。同時采用R2大于0.7的條件過濾后得到4 453(4.1%)個目標，如表2。人工對這4 453個目標進行檢查，確認其中有3 785個目標符合流星的形態(tài)及亮度特征，占比85%；有104個目標處于圖像邊緣，圖像中僅包含目標的部分軌跡，這些部分軌跡也符合流星的形態(tài)及亮度特征，占比2.3%；剩下564個為低信噪比目標、天氣原因?qū)е碌募倌繕?、與流星形態(tài)類似的天體目標等，占比12.7%。因此算法的綜合識別精度為85%～87.3%。

5 總結(jié)與展望

地基廣角相機陣的超大視場中每天探測到大量的流星，有效識別這些流星能為流星研究提供大量的有效數(shù)據(jù)。目前在地基廣角相機陣這一類超大視場測光巡天系統(tǒng)中進行流星識別，遇到的最大挑戰(zhàn)是沒有充足的信息來有效區(qū)分流星與其他移動目標。為了盡可能準確地識別流星，設(shè)計和實現(xiàn)了一個面向地基廣角相機陣這類系統(tǒng)的流星軌跡識別算法，同時對得到的流星候選體進行了光變曲線形態(tài)分析，結(jié)果總結(jié)如下：

(1)識別算法對Mini-GWAC約兩個月的歷史圖像進行處理，從中篩選出單像素信噪比大于5σ的移動目標約10.9萬個；

(2)通過流星在Mini-GWAC圖像中的單幀出現(xiàn)特性，可過濾89.3%的移動目標，剩余10.7%的候選目標；

(3)大部分流星的光變曲線為單峰結(jié)構(gòu)，該特性可進一步過濾候選目標，剩余5.8%的流星候選體；

(4)通過分析3個樣本集光變曲線的α參數(shù)直方圖，發(fā)現(xiàn)大部分流星為亮度慢速變化的目標。使用該特性和光變曲線擬合度R2進一步對候選目標進行篩選，最終得到4.1%的流星候選體。

(5)人工對4.1%的流星候選體進行檢查，確認其中有85%～87.3%的目標符合流星的形態(tài)及亮度特征。

篩選流星使用了光變曲線單峰結(jié)構(gòu)和亮度慢速變化這兩個特性，這兩個特征僅能包含大部分流星，而漏掉一些流星(如光變曲線有多個峰值的流星)。但是通過這兩個特征的過濾，最終得到的4.1%流星候選體具有更高的準確度。

通過分析單峰目標的實際圖像發(fā)現(xiàn)，一些移動目標的形狀和光變曲線形態(tài)與流星非常相似，如果這些目標出現(xiàn)在圖像邊緣，有很大概率僅單幀出現(xiàn)，本文算法很難過濾這類非流星目標。下一步將圍繞3方面對算法進行改進：(1)增加對移動目標的形態(tài)分析方法，如對移動目標的形狀進行分析，找到多個可量化的形態(tài)描述參數(shù)，進一步提升流星的識別數(shù)量和識別精度；(2)地基廣角相機陣正在計劃建設(shè)第2個站點，兩個站點協(xié)同觀測，可計算移動目標的高度信息，通過高度信息可過濾飛機和衛(wèi)星等移動目標；(3)正在研制快幀頻CMOS相機，圖像曝光時間可達到0.1 s，將極大地增加移動目標的時間分辨率，可計算移動目標的速度信息。算法中加入高度和速度信息后，能更準確地區(qū)分流星與其他移動目標。