朱 健，楊云飛,，蘇江濤，劉海燕，李小潔，梁 波，馮 松

(1. 昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院/云南省計(jì)算機(jī)技術(shù)應(yīng)用重點(diǎn)實(shí)驗(yàn)室，云南 昆明 650500；2. 中國科學(xué)院太陽活動(dòng)重點(diǎn)實(shí)驗(yàn)室，北京 100101)

太陽活動(dòng)區(qū)是太陽強(qiáng)磁場區(qū)域，是太陽活動(dòng)的主要能量來源。劇烈的太陽活動(dòng)導(dǎo)致惡劣的空間天氣，比如耀斑和日冕物質(zhì)拋射對地球上電磁通信、電力系統(tǒng)、無線電傳輸?shù)犬a(chǎn)生不良影響。因此，對太陽活動(dòng)區(qū)進(jìn)行檢測與跟蹤，分析其演化規(guī)律，對人類的空間探索和地球生活有重要的意義[1-2]。

目前，用來解決太陽活動(dòng)區(qū)檢測與跟蹤的方法主要采用傳統(tǒng)的圖像處理技術(shù)[1-11]，檢測主要采用強(qiáng)度閾值法或區(qū)域生長法等，這些方法一般需要設(shè)置參數(shù)，如強(qiáng)度閾值、開閉算子閾值和區(qū)域生長的邊界閾值。這些參數(shù)對傳統(tǒng)的方法來說至關(guān)重要，文[2, 6]對參數(shù)進(jìn)行了詳細(xì)討論，并給出了設(shè)置參數(shù)的一些準(zhǔn)則。跟蹤太陽活動(dòng)區(qū)主要根據(jù)緯向較差自轉(zhuǎn)定律預(yù)測其位置，然后根據(jù)歐氏距離或特征的相關(guān)性進(jìn)行目標(biāo)關(guān)聯(lián)[3-4]。

這些方法雖然較好地實(shí)現(xiàn)了太陽活動(dòng)區(qū)的檢測與跟蹤，但是仍存在一些問題。比如，文[2-4]的方法容易導(dǎo)致一個(gè)太陽活動(dòng)區(qū)被誤檢測為多個(gè)，或者多個(gè)相鄰的太陽活動(dòng)區(qū)被誤檢測為一個(gè)，從而導(dǎo)致誤跟蹤；文[11]的美國國家海洋和大氣管理局(National Oceanic and Atmospheric Administration, NOAA)編號被廣泛應(yīng)用，但存在未能及時(shí)標(biāo)注新浮現(xiàn)的太陽活動(dòng)區(qū)和仍標(biāo)注了已經(jīng)在全日面像上消失的太陽活動(dòng)區(qū)等現(xiàn)象。

近年來，隨著深度學(xué)習(xí)[12]的普及和神經(jīng)網(wǎng)絡(luò)算法的發(fā)展，提出了一些基于深度學(xué)習(xí)的目標(biāo)檢測和跟蹤算法。典型的目標(biāo)檢測算法有R-CNN[13], Faster R-CNN[14], YOLO[15], YOLOv3[16]等。其中，YOLOv3借鑒殘差網(wǎng)絡(luò)的思想采用了新的特征提取網(wǎng)絡(luò)Darknet-53，并結(jié)合多尺度特征進(jìn)行目標(biāo)檢測，取得了較好的檢測性能。典型的多目標(biāo)跟蹤方法有EAMTT[17], STAM[18], DeepSort[19]等。其中，DeepSort具有較好的跟蹤性能和較高的實(shí)時(shí)性能，越來越多的深度學(xué)習(xí)方法應(yīng)用于天文領(lǐng)域[20-22]。

本文針對太陽活動(dòng)區(qū)的演化特性，采用YOLOv3-spp作為檢測算法，DeepSort作為跟蹤算法并進(jìn)行改進(jìn)，提出了一種太陽活動(dòng)區(qū)檢測和跟蹤方法。該算法可以有效檢測并跟蹤不同時(shí)間間隔序列圖像中的太陽活動(dòng)區(qū)。

1 數(shù)據(jù)和數(shù)據(jù)集

本文采用太陽動(dòng)力學(xué)天文臺(Solar Dynamics Observatory, SDO)衛(wèi)星的日震及磁場成像儀(Helioseismic and Magnetic Imager, HMI)與日球天文臺(Solar and Heliospheric Observatory, SOHO)的邁克遜多普勒成像儀(Michelson Doppler Imager, MDI)兩個(gè)設(shè)備的太陽全日面縱向磁圖作為數(shù)據(jù)來源，制作了太陽活動(dòng)區(qū)檢測與跟蹤的深度學(xué)習(xí)訓(xùn)練和驗(yàn)證數(shù)據(jù)集。

表1列出了分別用于太陽活動(dòng)區(qū)檢測與跟蹤的數(shù)據(jù)集。D1共選取3 017張全日面圖像用于制作太陽活動(dòng)區(qū)檢測網(wǎng)絡(luò)的訓(xùn)練和驗(yàn)證集，共選取16 361個(gè)太陽活動(dòng)區(qū)樣本，其中80%作為訓(xùn)練樣本，用于訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)模型，20%作為驗(yàn)證樣本，在訓(xùn)練過程中用于防止過擬合的驗(yàn)證。D2共選取33 515個(gè)太陽活動(dòng)區(qū)樣本用于跟蹤過程中重識別網(wǎng)絡(luò)的訓(xùn)練和驗(yàn)證，將太陽活動(dòng)區(qū)局部區(qū)域縮放為128 × 128像素尺寸，同樣80%用于訓(xùn)練，20%用于驗(yàn)證。本文根據(jù)SolarMonitor網(wǎng)站上標(biāo)注的太陽活動(dòng)區(qū)編號，結(jié)合人工輔助判斷的方式，采用labelImg軟件標(biāo)注數(shù)據(jù)集。

表1 太陽活動(dòng)區(qū)檢測和跟蹤數(shù)據(jù)集

2 方 法

活動(dòng)區(qū)檢測和跟蹤算法主要分為兩部分：檢測與跟蹤。在檢測部分采用YOLOv3-spp模型，該模型的網(wǎng)絡(luò)結(jié)構(gòu)如圖1，由Darknet-53(圖1(a))與yolo層(圖1(b))兩部分組成，分別用于提取圖像特征與多尺度預(yù)測。主要方法步驟如下：(1)將全日面圖像壓縮為608 × 608的輸入網(wǎng)絡(luò)；(2)輸入圖像經(jīng)過一個(gè)卷積單元(Convolutional)得到32個(gè)608 × 608的特征圖，卷積單元包含卷積、批量歸一化和leaky relu激活函數(shù)3部分；(3)特征圖經(jīng)過步長為2、64個(gè)卷積核的卷積單元實(shí)現(xiàn)降采樣，得到64個(gè)304 × 304的特征圖，然后送入殘差單元(Residual)，輸出64個(gè)304 × 304的特征圖(1x殘差塊)，1x表示此殘差塊由1個(gè)殘差單元組成，殘差單元是將輸入與兩個(gè)卷積單元進(jìn)行殘差操作；(4)上一步得到的特征圖經(jīng)過降采樣和2x殘差塊得到128個(gè)152 × 152的特征圖，其中，2x表示此殘差塊由2個(gè)殘差單元組成；(5)依次執(zhí)行降采樣、8x殘差塊、降采樣、8x殘差塊、降采樣，4x殘差塊操作，3個(gè)殘差塊依次得到256個(gè)76 × 76、512個(gè)38 × 38和1 024個(gè)19 × 19的特征圖；(6)將8x，8x和4x 3個(gè)殘差塊的結(jié)果送入yolo層(圖1(b))；(7)19 × 19的特征圖經(jīng)過金字塔卷積集(Convolutional-spp Set)等操作得到第1次的檢測結(jié)果(Output1)，同時(shí)，將金字塔卷積集的結(jié)果上采樣至38 × 38與第4個(gè)殘差塊38 × 38的特征圖融合，經(jīng)過卷積集(Convolutional Set)等操作得到第2次的檢測結(jié)果(Output2)，依次類推，得到第3次的檢測結(jié)果(Output3)。其中，卷積集操作包含5個(gè)卷積單元，金字塔卷積集是在卷積集基礎(chǔ)上添加了空間金字塔池化[23]；(8)將以上3次檢測結(jié)果使用非極大抑制算法去除交并比較大的預(yù)測框，保留置信得分較高的預(yù)測框作為太陽活動(dòng)區(qū)的檢測結(jié)果。該網(wǎng)絡(luò)的損失值由3部分組成：目標(biāo)定位偏移量損失、目標(biāo)置信度損失和目標(biāo)類別損失，其中，目標(biāo)置信度損失和類別損失采用二元交叉熵?fù)p失，目標(biāo)定位損失則采用均方誤差進(jìn)行計(jì)算。

圖1 Yolov3-spp網(wǎng)絡(luò)結(jié)構(gòu)示意圖

在跟蹤部分，基于DeepSort算法對其進(jìn)行改進(jìn)，主要步驟如下：

(1)根據(jù)太陽活動(dòng)區(qū)的特性改進(jìn)DeepSort的特征提取網(wǎng)絡(luò)，將其稱之為太陽活動(dòng)區(qū)重識別網(wǎng)絡(luò)，如圖2。首先將檢測到的太陽活動(dòng)區(qū)縮放為128 × 128，經(jīng)過2次3 × 3的卷積、1次最大池化以及6個(gè)殘差塊，特征圖減小到16 × 16，再經(jīng)過一個(gè)全連接層得到128維的全局特征向量，最后采用L2歸一化得到特征向量。在訓(xùn)練過程中，采用Cosine Softmax函數(shù)得到分類結(jié)果，采用交叉熵計(jì)算損失值。需要說明的是，檢測部分的網(wǎng)絡(luò)和太陽活動(dòng)區(qū)重識別網(wǎng)絡(luò)雖然都提取太陽活動(dòng)區(qū)的特征，但是作用不同。檢測部分的網(wǎng)絡(luò)主要用于檢測太陽活動(dòng)區(qū)，而太陽活動(dòng)區(qū)重識別網(wǎng)絡(luò)主要為了判定太陽活動(dòng)區(qū)在演化過程中的特征相似性。

(2)用太陽活動(dòng)區(qū)重識別網(wǎng)絡(luò)提取已跟蹤到的太陽活動(dòng)區(qū)(稱為軌跡，假設(shè)數(shù)量為L)和當(dāng)前幀檢測到的太陽活動(dòng)區(qū)(假設(shè)數(shù)量為J)的特征向量，計(jì)算之間的余弦距離，得到關(guān)聯(lián)矩陣CL × J。然后，根據(jù)前一幀所有太陽活動(dòng)區(qū)的位置，采用緯向較差自轉(zhuǎn)[24-25]預(yù)估在當(dāng)前幀的位置。接著，計(jì)算所有預(yù)測位置和所有檢測位置的歐氏距離，若過大則將關(guān)聯(lián)矩陣中對應(yīng)的值設(shè)置為無窮大。

(3)對關(guān)聯(lián)矩陣CL × J采用匈牙利匹配算法[26]，得到3類匹配結(jié)果：匹配到檢測結(jié)果的軌跡、未匹配到軌跡的檢測結(jié)果和未匹配到檢測結(jié)果的軌跡。對于匹配到檢測結(jié)果的軌跡則繼續(xù)跟蹤；未匹配到軌跡的檢測結(jié)果則為之分配一個(gè)新的軌跡，當(dāng)新軌跡連續(xù)3幀匹配到檢測結(jié)果時(shí)，則認(rèn)為該太陽活動(dòng)區(qū)產(chǎn)生，否則，刪除該軌跡；對于未匹配到檢測結(jié)果的軌跡則提取使用緯向較差自轉(zhuǎn)預(yù)測結(jié)果的特征向量，與前一幀對應(yīng)的特征向量計(jì)算余弦距離，若其值在一定范圍內(nèi)(本文實(shí)驗(yàn)結(jié)果為0.7)則采納該預(yù)測結(jié)果作為軌跡的一部分，否則該活動(dòng)區(qū)結(jié)束，但如果連續(xù)3幀均為預(yù)測結(jié)果，也判定該活動(dòng)區(qū)結(jié)束。

圖2 太陽活動(dòng)區(qū)重識別網(wǎng)絡(luò)結(jié)構(gòu)示意圖

Fig.2 Active regions re-identification network structure diagram

3 實(shí)驗(yàn)結(jié)果與分析

本文采用日震及磁場成像儀和邁克遜多普勒成像儀的4組全日面序列圖像進(jìn)行測試。這4組數(shù)據(jù)分別代表不同的觀測設(shè)備和活動(dòng)區(qū)數(shù)量。表2列出了數(shù)據(jù)的基本信息，為了便于描述，分別用D3～D6表示。其中，D3和D4選取邁克遜多普勒成像儀縱向磁圖，D5和D6選取日震及磁場成像儀縱向磁圖。D4和D6選取太陽活動(dòng)區(qū)數(shù)量較多的序列圖像，而D3和D5選取太陽活動(dòng)區(qū)數(shù)量較少的序列圖像。由于時(shí)間間隔較長的數(shù)據(jù)太陽活動(dòng)區(qū)的特征變化大，跟蹤難度較高，因此4組數(shù)據(jù)均采用時(shí)間間隔較長的序列圖像(為了便于與SolarMonitor結(jié)果進(jìn)行比較，數(shù)據(jù)與SolarMonitor提供的數(shù)據(jù)時(shí)間基本一致)。

表2列出了4組數(shù)據(jù)集的跟蹤結(jié)果，并與NOAA進(jìn)行了對比。包括SolarMonitor上標(biāo)注的NOAA活動(dòng)區(qū)數(shù)量、ARDTM方法標(biāo)注的太陽活動(dòng)區(qū)數(shù)量、ARDTM結(jié)果與NOAA結(jié)果相同的活動(dòng)區(qū)的數(shù)量(ARDTM∩NOAA)、NOAA活動(dòng)區(qū)數(shù)量與交集的差值(NOAA-(ARDTM∩NOAA))、ARDTM活動(dòng)區(qū)數(shù)量與交集的差值(ARDTM-(ARDTM∩NOAA))、交集與NOAA活動(dòng)區(qū)數(shù)量的百分比((ARDTM∩NOAA)/NOAA)。NOAA一共標(biāo)注了806個(gè)活動(dòng)區(qū)，ARDTM標(biāo)注了872個(gè)，兩者的交集為755個(gè)。ARDTM標(biāo)注的活動(dòng)區(qū)比NOAA的多一些，主要由以下4種情況產(chǎn)生：(1)ARDTM及時(shí)標(biāo)注了新出現(xiàn)的活動(dòng)區(qū)，而NOAA存在未能及時(shí)標(biāo)注的現(xiàn)象；(2)ARDTM較完整地標(biāo)注了活動(dòng)區(qū)的演化末期，而NOAA已經(jīng)提前結(jié)束標(biāo)注；(3)ARDTM標(biāo)注了一些沒有被NOAA標(biāo)注的活動(dòng)區(qū)，這些活動(dòng)區(qū)的特點(diǎn)均為磁場強(qiáng)度較弱、磁結(jié)構(gòu)特征不太明顯，但日面已有黑子產(chǎn)生且持續(xù)了3幀以上；(4)一些已具有磁場特征但未形成黑子的活動(dòng)區(qū)被ARDTM誤跟蹤。這4種情況所占比例分別為52%、10%、32%和6%。這意味著一半以上的情況是ARDTM及時(shí)標(biāo)注了新出現(xiàn)的活動(dòng)區(qū)。反過來，NOAA標(biāo)注的活動(dòng)區(qū)比交集多了51個(gè)，這意味著ARDTM沒有標(biāo)注51個(gè)被NOAA標(biāo)注的活動(dòng)區(qū)。造成此情況的主要原因有：(1)太陽活動(dòng)區(qū)的特征已經(jīng)在縱向磁圖上消失但仍被NOAA標(biāo)注；(2)ARDTM漏標(biāo)注一些磁場強(qiáng)度較弱且特征不明顯的活動(dòng)區(qū)。兩種情況所占比例分別為88%和12%。在這4組數(shù)據(jù)中，NOAA在D4數(shù)據(jù)集上及時(shí)地跟蹤了新活動(dòng)區(qū)和終止跟蹤消失的活動(dòng)區(qū)，所以本文方法和NOAA的結(jié)果相似度最高。

表2 跟蹤結(jié)果

為了說明以上幾種情況，表3詳細(xì)列出了D6測試集中前10天的跟蹤結(jié)果，第2～6列的數(shù)據(jù)含義與表2相同，第7列詳細(xì)列出了ARDTM方法與NOAA標(biāo)注結(jié)果不同的具體情況。比較典型的是AR12185于10月5日出現(xiàn)，但NOAA于7日才開始標(biāo)注；AR12183左側(cè)有個(gè)活動(dòng)區(qū)，于10月5日形成了黑子，一直到14日才消失，但該活動(dòng)區(qū)一直未被NOAA標(biāo)注；AR12173已于10月3日從日面消失，但NOAA仍做了標(biāo)注。

ARDTM較好地解決了文[4]提到的一個(gè)太陽活動(dòng)區(qū)被誤檢測為多個(gè)，或者多個(gè)太陽活動(dòng)區(qū)被誤檢測為一個(gè)的問題。圖3(a)采用了文[4]圖11(a)的邁克遜多普勒成像儀同時(shí)間數(shù)據(jù)(2002年5月4日12:48UT)，紅色實(shí)線框?yàn)锳RDTM的檢測結(jié)果，藍(lán)色虛線框?yàn)槲腫4]的結(jié)果。其中，1和2兩個(gè)區(qū)域分別為AR09934和AR09936，而文[4]誤把他們識別成了一個(gè)活動(dòng)區(qū)。(b)為日震及磁場成像儀2010年11月12日的數(shù)據(jù)。同樣，3和4分別為AR11123和AR11121，而文[4]誤識別成了一個(gè)活動(dòng)區(qū)。(c)為日震及磁場成像儀2010年11月7日的AR11120的圖像，ARDTM順利檢測為一個(gè)活動(dòng)區(qū)，但文[4]將其檢測成了兩個(gè)活動(dòng)區(qū)。

圖3 ARDTM的檢測結(jié)果圖

Fig.3 The detection results of ARDTM

圖4展示了D6數(shù)據(jù)集中連續(xù)3幀的跟蹤結(jié)果(a)，(b)和(c)，時(shí)間分別為2014年10月20日22:48UT、21日23:00UT和22日22:48UT。圖中粗框代表檢測到的太陽活動(dòng)區(qū)匹配到了軌跡；虛框表示該區(qū)域未被檢測或未被跟蹤匹配，而采用預(yù)測機(jī)制填補(bǔ)的結(jié)果。跟蹤框的左上角數(shù)字表示ARDTM對太陽活動(dòng)區(qū)的跟蹤編號。通過與對應(yīng)時(shí)間的NOAA對比，ARDTM具有良好的跟蹤結(jié)果。比如，(1)ARDTM及時(shí)捕獲到了新的活動(dòng)區(qū)。ARDTM在(a)及時(shí)捕獲了AR12194，而NOAA在(c)才被標(biāo)注，ARDTM比NOAA提前了2天。NOAA中AR12183，AR12186，AR12189，AR12190，AR12191，AR12192和AR12195這幾個(gè)活動(dòng)區(qū)，ARDTM均比NOAA更早檢測到并及時(shí)開始跟蹤。(2)ARDTM及時(shí)終止跟蹤消失的活動(dòng)區(qū)。ARDTM在22日(c)及時(shí)終止跟蹤AR12189，而NOAA直到26日才終止跟蹤該活動(dòng)區(qū)。同樣，(a)圖的AR12186也是類似的情況。(3)預(yù)測機(jī)制較好地彌補(bǔ)了檢測算法漏檢帶來的漏跟蹤或誤跟蹤問題。ARDTM在(a)和(b)都通過預(yù)測機(jī)制連續(xù)跟蹤了AR12189。(4)ARDTM檢測并跟蹤到了NOAA漏檢的活動(dòng)區(qū)。(a)圖中編號為23和29的活動(dòng)區(qū)和(b)中編號為33的活動(dòng)區(qū)，在演化過程中都形成了黑子，生命期分別為8、6和6幀，但都未被NOAA標(biāo)注。

表3 D6數(shù)據(jù)集部分跟蹤結(jié)果

圖5展示了圖4中AR12194以及D4數(shù)據(jù)集中AR09093兩個(gè)活動(dòng)區(qū)的完整跟蹤結(jié)果。(a)到(l)子圖是AR12194從出現(xiàn)到消失的跟蹤過程，時(shí)間從2014年10月20日22:48:00UT到31日19:48:00UT。該活動(dòng)區(qū)穿越整個(gè)日面，磁場結(jié)構(gòu)和面積變化都非常大。(n)到(t)子圖是AR09093從出現(xiàn)到消失的跟蹤結(jié)果，時(shí)間從2000年7月16日12:48:00UT到22日12:48:00UT。(m)和(u)是AR09093產(chǎn)生的前一幀和消失的后一幀對應(yīng)位置圖。該活動(dòng)區(qū)演化周期時(shí)間較短，特征變化也很大。ARDTM及時(shí)捕獲且及時(shí)停止跟蹤該活動(dòng)區(qū)。其中，(t)時(shí)刻通過預(yù)測機(jī)制填補(bǔ)了漏檢，(u)時(shí)刻及時(shí)停止了跟蹤。圖6顯示了圖5中AR09093和AR12194兩個(gè)活動(dòng)區(qū)的磁通量和面積的變化曲線(均已進(jìn)行了投影改正)，可以看出其磁通量和面積都具有較強(qiáng)的漸變性。

圖4 ARDTM在D6數(shù)據(jù)集中連續(xù)3幀的跟蹤結(jié)果。(a) 2014年10月20日22：48UT；b) 2014年10月21日23：00UT；(c) 2014年10月22日22：48UT

Fig.4 ARDTM tracking results of three consecutive frames in theD6dataset. (a) Oct. 20, 2014 22:48UT;(b) Oct.21, 2014 23:00UT; (c) Oct.22, 2014 22:48UT

圖5 (a)到(l)是D6數(shù)據(jù)集中AR12194完整的跟蹤結(jié)果。(n)到(t)是D4數(shù)據(jù)集中AR09093完整的跟蹤結(jié)果

Fig.5 Panels from (a) to (l) are the complete tracking results of the number AR12194 inD6dataset.Panels from (n) to (t) are the complete tracking results of the number AR09093 inD4dataset

圖6 (a) 圖5中AR12194磁通量、面積變化；(b) 圖5中AR09093磁通量、面積變化

Fig.6 (a) The changes of magnetic flux and area of the AR12194;(b) The changes of magnetic flux and area of the AR09093

4 總結(jié)與展望

本文基于深度學(xué)習(xí)提出了一種太陽活動(dòng)區(qū)檢測與跟蹤的方法ARDTM。該方法首先使用YOLOv3-spp網(wǎng)絡(luò)檢測太陽活動(dòng)區(qū)，然后結(jié)合較差自轉(zhuǎn)改進(jìn)DeepSort算法跟蹤太陽活動(dòng)區(qū)。經(jīng)過網(wǎng)絡(luò)訓(xùn)練后，分別用4組數(shù)據(jù)進(jìn)行了測試，并與NOAA的結(jié)果進(jìn)行了比較，ARDTM跟蹤標(biāo)注的結(jié)果與NOAA的交集約為NOAA的92%。

本文的訓(xùn)練集只采用了日震及磁場成像儀數(shù)據(jù)，但無論是測試日震及磁場成像儀的數(shù)據(jù)，還是邁克遜多普勒成像儀的數(shù)據(jù)，都能很好地檢測和跟蹤太陽活動(dòng)區(qū)，表現(xiàn)了較好的泛化性。為了與SolarMonitor的結(jié)果進(jìn)行逐一比較，本文主要采用與SolarMonitor網(wǎng)站公布的數(shù)據(jù)時(shí)間基本吻合的數(shù)據(jù)進(jìn)行測試，時(shí)間間隔約為24小時(shí)。本文還對不同時(shí)間間隔的日震及磁場成像儀序列圖像進(jìn)行了測試，時(shí)間間隔選取為12分鐘、1小時(shí)、4小時(shí)……，一直到48小時(shí)?？傮w來說，間隔為12分鐘的數(shù)據(jù)由于活動(dòng)區(qū)特征變化不大，跟蹤結(jié)果最好；一直到24小時(shí)的時(shí)間間隔跟蹤效果都還不錯(cuò)；超過24小時(shí)的時(shí)間間隔就會(huì)出現(xiàn)較多的誤跟蹤現(xiàn)象?？偟膩碚f，該方法較好地解決了傳統(tǒng)方法中一個(gè)太陽活動(dòng)區(qū)被誤檢測為多個(gè)，或者多個(gè)相鄰的太陽活動(dòng)區(qū)被誤檢測為一個(gè)的問題。而且，該方法能及時(shí)捕獲新出現(xiàn)的活動(dòng)區(qū)，也能及時(shí)終止跟蹤消失的活動(dòng)區(qū)，并且通過預(yù)測機(jī)制彌補(bǔ)檢測算法漏檢帶來的誤跟蹤或漏跟蹤問題。當(dāng)然，該方法還存在一定的問題，比如由于單一地根據(jù)磁場結(jié)構(gòu)的特征檢測和跟蹤活動(dòng)區(qū)，導(dǎo)致一些具有磁場結(jié)構(gòu)但未形成黑子的特征被誤跟蹤情況。在未來的工作中，考慮結(jié)合其他波段觀測的圖像進(jìn)一步提高算法的準(zhǔn)確率。