CN109724591A - 一种基于角距筛选的星敏感器假星筛除方法 - Google Patents
一种基于角距筛选的星敏感器假星筛除方法 Download PDFInfo
- Publication number
- CN109724591A CN109724591A CN201910150094.3A CN201910150094A CN109724591A CN 109724591 A CN109724591 A CN 109724591A CN 201910150094 A CN201910150094 A CN 201910150094A CN 109724591 A CN109724591 A CN 109724591A
- Authority
- CN
- China
- Prior art keywords
- star
- frame
- asterism
- angular distance
- artificial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Navigation (AREA)
Abstract
本发明公开了一种基于角距筛选的星敏感器假星筛除方法,步骤为:(1)将第1帧星图中所有星点记录为初始星点;(2)从第2帧开始,利用星跟踪方法建立每个星点与初始星点的对应关系;(3)比较每帧与初始帧的角距,根据角距变化对角距进行筛选,并更新角距筛选矩阵;(4)利用通过筛选的角距对应的星对对每个星点投票,筛除得票数过低的星点;(5)每帧将经过筛选星点输出,送入后续的星图识别模块。本发明具有以下优点:(1)收敛成功率高,在600颗假星内,收敛成功率在98%以上;(2)收敛速度快,平均只需不超过10帧星图即可筛除所有假星;(3)对假星数量的适应能力强,可从多达700颗假星的星图中筛除所有假星;(4)对假星的筛除不依赖星点的形状信息。
Description
技术领域
本发明涉及天文导航领域星敏感器技术,具体涉及一种基于角距筛选的假星筛除方法。
背景技术
星敏感器是一种在卫星、导弹等载体上广泛应用的姿态测量器件,具有精度高、自主性强、无累积误差等优点。星图识别是星敏感器的关键技术之一,即对相机采集的恒星图像进行识别,找出图像中星点与星库中星点的对应关系。星图识别的鲁棒性直接决定了星敏感器工作的可靠性。
当工作环境较为理想时,目前的星敏感器已能实现长期稳定工作。但当星敏感器遇到如羽流等近距离空间物体的干扰时,其视场内可能出现大量假星,其数量通常可达真星的数十倍,严重干扰星图识别的过程,导致定姿失败。此类假星在视场中缓慢漂移,因此称之为缓飘假星。
发明内容
本发明的主要目的在于提供一种有效筛除缓飘假星的方法,降低假星对星图识别过程的影响,以提高恶劣条件下星敏感器的可靠性。
本发明采用的技术方案为:一种基于角距筛选的假星筛除方法,利用真星在所有帧中角距不变的特点实现假星的筛除,该方法包括以下步骤:
步骤201,将第1帧作为初始帧,其中所有星点记录为初始星点,并初始化角距筛选矩阵;
步骤202,从第2帧开始,利用星跟踪方法建立每个星点与初始星点的对应关系;
步骤203,比较每帧与初始帧的角距,根据角距变化对角距进行筛选,并更新角距筛选矩阵;
步骤204,利用通过筛选的角距对应的星对对每个星点投票,筛除得票数过低的星点;
步骤205,每帧将经过筛选的星点输出,送入后续的星图识别模块。
所述步骤201中初始化角距筛选矩阵具体为:
建立角距筛选矩阵,其第i行第j列的元素表示星点的角距是否在所有帧中均保持不变。矩阵所有元素初始化为1,若某个星对的角距在某帧中发生改变,则对应元素置为0,否则保持为1。
所述步骤202中以星跟踪方法建立星点与初始星点的对应关系具体为:
由于星敏感器自身旋转角速度有限,同一星点在连续两帧星图中的星矢量夹角通常较小,利用这一特点,计算新旧两帧中每对星矢量的角距并与给定门限比较,若该角距值小于给定门限,则说明这两颗星足够接近,并将其序号加入星对集合。
随着时间的累积,同一星点的矢量在新帧与初始帧间的夹角逐渐变大,无法直接采用连续两帧星点的跟踪方法实现星跟踪。为解决这一问题,本发明算法采用如下方法间接建立新帧与第1帧间星点的对应关系,步骤为:
a)在第1帧到来时,首先建立初始帧信息,包括初始星矢量集合和假星集合;
b)当第2帧到来时,用星跟踪方法建立第2帧与初始帧星点的对应关系;
c)当第k帧到来时(其中k≥3),先建立第k帧与第k-1帧星点的对应关系,再根据第k-1帧与初始帧的关系,求得第k帧与初始帧星点的对应关系。
所述步骤203中对角距进行筛选具体为:
角距筛选矩阵第i行第j列的元素表示星点的角距是否在所有帧中均保持不变,初始值均为1。在第k帧到来时,对任意两个已跟踪星点的角距进行筛选,筛选步骤为:
a)根据步骤202中描述的方法找到当前第k帧中两个已跟踪星点对应的初始帧星点,其在角距筛选矩阵中的元素需为1,即该角距在新帧k到来之前相对初始帧始终保持不变;
b)分别计算这两个已跟踪星点的角距及其对应的初始帧星点的角距,若二者的差值小于给定阈值,则认为该角距在新帧中相对初始帧保持不变,对应角距筛选矩阵中的元素保持为1,否则将其设置为0。
所述步骤204中由通过筛选的星对对星点投票具体为:
建立投票向量,其每个分量为对应星点的得票数,初始值均为0,若第k帧中的两星点通过角距筛选,则向两个星点各投一票,即两个星点对应的投票向量元素加1。当所有星对完成角距筛选及投票后,统计投票向量中每个分量的值,若某个值小于给定阈值,则将其对应的星点判定为假星,并根据步骤202描述的方法找到该星点对应的初始帧星点,将其加入假星集合中,已判定为假星的星点不再参与后续各帧的投票过程。
所述步骤205中将筛选后的星点送到星图识别模块具体为:
除初始帧外的每一帧都将送到星图识别模块,整个假星筛选流程随着新帧的加入,假星集合及角距筛选矩阵不断更新,越来越多包含假星的角距被筛除,从而使假星对投票向量的贡献逐渐减少,输出的星点中真星比例逐渐升高,进而星图识别成功率也随之升高。
本发明与现有技术相比的优点为:
(1)本发明对星敏感器获取的星点进行预处理,旨在减轻后续星图识别过程的压力。现有星图识别算法对假星具有一定的抑制能力,即在包含少量假星的情况下仍能以较快的速度完成星图识别;然而当视场中出现由羽流等因素造成的数百颗假星时,即使是鲁棒性较强的金字塔算法的识别率也会严重下降,同时识别时间大大增加。此时仅依靠星图识别算法自身的假星抑制能力已不能满足星敏感器正常工作的要求,使用本方法筛除大量假星,可以极大提高星图识别的速度和识别率。
(2)本发明通过联合连续多帧星图,实现对缓飘假星的筛除,即使假星漂移速度较慢时仍有良好的筛除效果。部分现有方法只比较连续两帧星图,保留两帧星图中接近位置同时存在的星点。然而由于两帧的时间间隔很短,通常为100ms—200ms,在漂移速度较慢的情况下,假星在两帧间的漂移量很小,不足以将其区分出来,因此这种方法只适用于假星漂移速度很快的情况。本方法跟踪连续多帧星图中星点的角距情况,即使假星漂移较慢,经过多帧的积累仍能导致较大的漂移量,从而将其从真星中筛除出去。
(3)本发明对假星的筛除不依赖星点的形状信息。由于假星在视场中缓慢漂移,在一次曝光时间内假星会发生移动,导致像点并非理想的高斯分布,而是近似长方形的形状。部分现有方法利用假星的这一特性,通过计算星点的长宽比来区分真星和假星,即将长宽比大于某一阈值的星点判定为假星。然而当卫星做机动动作时,星敏感器会以一定的角速度旋转,此时即使是真星的像点也会类似于长方形,导致将真星误判为假星。本方法不依赖星点的形状信息,可以避免这一问题。
附图说明
图1为本发明角距筛选原理图例;
图2为本发明连续两帧星点的星跟踪示意图;
图3为不同假星个数下算法的收敛成功率;
图4为不同假星个数下算法收敛所需的帧数。其中圆圈为收敛的平均帧数,圆圈上下线段的端点表示收敛的最大帧数和最小帧数;
图5为不同假星漂移速度下算法的收敛成功率;
图6为不同假星漂移速度下算法收敛所需的帧数。其中圆圈为收敛的平均帧数,圆圈上下线段的端点表示收敛的最大帧数和最小帧数;
图7为不同星敏感器转动角速度下算法的收敛成功率;
图8为不同星敏感器转动角速度下算法收敛所需的帧数。其中圆圈为收敛的平均帧数,圆圈上下线段的端点表示收敛的最大帧数和最小帧数;
图9为本发明一种基于角距筛选的星敏感器假星筛除方法的流程图。
具体实施方式
为使本发明的目的、技术方案、优点更加清楚,下面结合附图及具体实施例对本发明做进一步详细说明。
在惯性坐标系下,真星的星矢量保持不变,当星敏感器转动时,真星间的角距保持不变,而缓飘假星则在星敏感器转动的基础上叠加了随机的缓慢漂移,与其它星点间的角距存在变化。本发明的核心在于跟踪角距在连续多帧星图间的变化情况,统计出角距在多帧星图范围内保持稳定的星点,进而区分真星与假星。
图1以4颗星为例展示了这一思路的基本原理。其中dij和d′ij分别表示星i,星j在第1帧和第2帧中的角距。在第2帧中,星4与其它三颗星间的角距发生改变,则星4被判定为假星;星1、2、3两两间的角距未变,因此未被筛除。
本发明假星筛除的步骤如下:
1.对连续若干帧星图中的星点进行跟踪,其步骤如下:
a)当第1帧到来时,以第1帧为初始帧建立初始星矢量集合假星集合{bi}。集合用于记录初始帧中所有星点的星矢量;集合{bi}用于记录后续过程中所有被判定为假星的星点,初始化为空集。
b)当第2帧到来时,建立第2帧星矢量集合以星跟踪方式建立第2帧与初始帧星点的对应关系步骤如下:
c)建立星对集合{(i(2),i(1))},并将其初始化为空集,集合中每个元素(i(2),i(1))表示第2帧中的星点对应第1帧中的星点
d)计算集合与中每对星矢量的角距d2,1,并与给定门限δ1比较,若d2,1<δ1,则表明第2帧中的星i(2)与第1帧中的星i(1)足够接近,将序号(i(2),i(1))加入集合{(i(2),i(1))}。其中角距d2,1可由下式得出:
其中< >表示向量内积,|| ||表示向量的模。
e)检查集合{(i(2),i(1))}中的每个星对,若第2帧中的任一星点i(2)在多于一个星对中出现,说明第1帧中至少有两颗星与星i(2)足够接近,无法建立唯一的对应关系,则将所有包含星i(2)的星对从集合中移除。同理,若第1帧中任一星点i(1)在多于一个星对中出现,说明第2帧中至少有两颗星与星i(1)足够接近,也需将所有包含星i(1)的星对从集合中移除。
f)步骤a---e建立了第1帧和第2帧中星点的对应关系同理可以建立任意连续两帧中星点的对应关系。当第k(k≥3)帧到来时,先根据步骤a---e建立第k帧与第k-1帧中星点的对应关系再根据第k-1帧与初始帧星点的对应关系求得第k帧与初始帧星点的对应关系即第k帧星点通过的过程建立与初始帧星点的关系。
图2给出了上述过程的原理示意图。其中第2帧中星点编号为1,2,3…,由★标记;第1帧中的星点编号为a,b,c…,由☆标记。星点1以δ1为半径的邻域内恰有唯一的第1帧星点a,故建立对应关系(1,a);星点2邻域内无第1帧星点,星点3邻域内包含两个第1帧星点,星点4、5邻域内包含共同的第1帧星点f,因此星点2-5均无法建立一一对应关系,跟踪失败。
2.对完成星跟踪的星图进行角距筛选和角距投票,其步骤如下:
a)当第1帧到来时,建立角距筛选矩阵F=[hij],其第i行j列的元素fij表示星点的角距是否在所有帧中始终保持不变,初值均为1;建立投票向量H=[hi],其中每个分量hi对应星点的得票数,初始值为0。
b)当第k(k≥2)帧到来时,对任意两个已跟踪星点的角距进行筛选,规则为以下两点:
①通过对应关系f(k)找到星点对应的初始帧星点其在角距筛选矩阵F中的元素fi′j′需为1,即该角距在新帧k到来前相对初始帧始终保持不变。
②分别计算星点的角距及其对应的初始帧星点的角距若二者满足即该角距在第k帧中相对初始帧变化不大,将角距筛选矩阵F的元素fi′j′保持为1,否则将其更新为0。
c)若星点满足上述筛选条件,则向星点及各投一票,即hi与hj分别加1。
d)当所有星对完成角距筛选及投票后,统计向量H中每个分量hi的值。设星图识别过程需要的真星数量至少为N,N的值与具体使用的星图识别算法有关。若hi<N-1,则将星点判定为假星,并根据对应关系f(k)找到对应的初始帧星点将星点加入假星集合{bi}中。
完成以上角距筛选及角距投票流程后,算法通过对应关系f(k)将初始帧中未被筛除的每个星点映射至新帧星点并将这些星点输出,作为其后星图识别过程的输入。随着新帧的加入,假星不断被筛除,输出的星点中真星的比例不断提高,进而星图识别成功率也不断提高。
下面以一具体仿真实例说明本发明的角距跟踪及投票过程。
如表1所示,在连续4帧星图中有7颗星通过星跟踪步骤,其中第1帧为初始帧,以2~4帧完成角距跟踪及投票过程。星点编号分别为1~7,其中1~4为真星,5~7为假星。在该仿真实例中,将星图识别所需的最少真星数量设置为N=4,即星点的得票数至少为3,否则被判断为假星。在第2帧中,5号星只有两个已跟踪的角距,分别为5号星与1号星的角距、5号星与2号星的角距。在本轮角距投票中,5号星的得票数为2,小于设置的最小得票数3,因此在第2帧被判断为假星并筛除,且不在参与后续的角距跟踪及投票过程。同理,在第3帧筛除7号星,在第4帧筛除6号星。经过连续4帧的角距跟踪及投票,3颗假星全部被筛除。
表1角距跟踪及投票的仿真实例,表格中的“-”表示相应星点已被筛除
为了评估本发明方法的性能,对本方法进行了仿真实验和在轨真实场景验证。在仿真实验中,生成仿真星图时采用的光学***参数如表2所示,算法自身的参数如表3所示。
表2仿真平台光学***参数
参数 | 数值 |
视场 | φ14.5° |
焦距 | 44mm |
成像器件分辨率 | 2048×2048 |
最大可观测星等 | 6.0等 |
表3算法包含的参数
参数 | 描述 | 取值 |
δ<sub>1</sub> | 星点跟踪半径 | 0.125° |
δ<sub>2</sub> | 角距筛选门限 | 20″ |
N | 最小真星数量 | 4 |
仿真星图的生成过程可分为两条主线:真星生成主线首先生成一个随机姿态,而后每帧星图的姿态在前一帧姿态的基础上旋转一个固定角度Δq(其中Δq为四元数),并根据姿态从星库中获取所有真星的星矢量;假星生成主线首先随机生成一组假星的位置,而后每帧星图中的假星除在前一帧星图基础上旋转一个固定角度Δq外,再随机漂移一个角度,得出所有假星的星矢量。最后,将真星和假星叠加在一起,投影到像平面坐标系,得到仿真星图。
为了考察本方法对假星个数的适应能力,对假星个数在10~1000范围的情况进行了仿真验证。生成仿真星图时,星敏感器转动角速度固定为0.16°/s,假星每帧随机漂移的角度服从均值为0,标准差为25″的正态分布。每种假星个数随机生成1000组连续星图,统计算法的收敛概率pc和收敛所需的帧数fc。图3、图4分别为pc和fc的仿真结果。
如图3所示,随假星个数的增加,算法收敛成功率逐渐下降。在100颗假星内,算法成功收敛率可达100%;在600颗假星内,算法成功收敛率在98%以上;在1000颗假星时,成功率仍可达87%以上。
如图4所示,随假星个数的增加,收敛所需的平均帧数缓慢上涨,最大帧数始终保持在20帧以内,表明算法的收敛速度比较稳定。
为了考察本方法对假星漂移速度的适应能力,对假星每帧漂移角度的标准差从5″~125″的情况进行了仿真验证。其中星敏感器转动角速度固定为0.16°/s,假星总数为500颗。每种漂移角度随机生成1000组连续星图,统计算法的收敛概率pc和收敛所需的帧数fc。图5、图6分别为pc和fc的仿真结果。
由图5、图6可知,当假星每帧的漂移角度标准差仅为5″时,算法的收敛成功率约为85%,最大收敛帧数则达到168帧。而随着漂移速度的提高,算法收敛所需的帧数迅速下降,收敛成功率也因此迅速提高,在漂移速度大于等于15″后,收敛成功率稳定保持在99%以上,收敛所需平均帧数也下降至20帧以内。
为了考察本方法对星敏感器转动角速度的适应能力,对星敏感器旋转角速度在0°/s~1.2°/s范围内的情况进行了验证。其中假星总数为500颗,假星每帧随机漂移的角度服从均值为0,标准差为25″的正态分布。每种漂移角度随机生成1000组连续星图,统计算法的收敛概率pc和收敛所需的帧数fc。图7、图8分别为pc和fc的仿真结果。
如图7所示,当星敏感器旋转角速度不大于0.6°/s时,算法的收敛成功率始终保持在99.5%以上;角速度在0.7°/s~1.1°/s直接时,算法成功率稍有下降,但也保持在98%以上;当角速度达到1.2°/s时,算法成功率显著下降至91%左右。
由图8可知,算法收敛所需的帧数随星敏感器旋转角速度变化不大。
为进一步验证算法的实用性,用一组在轨星图对算法进行了验证。这组星图由连续40帧组成,其中包含4颗真星和若干假星。本节采用与仿真实验相同的参数,用本方法对这组星图进行了处理。表4列出了本方法每一步迭代后的结果。
表4本文算法对在轨星图的处理结果
帧号 | 星点总个数 | 真星个数 | 假星个数 |
1 | 14 | 4 | 10 |
2 | 9 | 4 | 5 |
3 | 8 | 4 | 4 |
4 | 6 | 4 | 2 |
5 | 4 | 4 | 0 |
如表4所示,在迭代到第5帧时,所有假星均被筛除,迭代收敛成功。在对假星个数适应能力的仿真实验中,由图4可知,本方法在10颗假星的情况下的平均迭代次数为5次,与在轨实验的结果一致。
Claims (5)
1.一种基于角距筛选的星敏感器假星筛除方法,利用真星与假星运动规律不同的特点实现对假星的筛除,其特征在于,包括:
将第1帧作为初始帧,将其中所有星点记录为初始星点,并初始化角距筛选矩阵;
从第2帧开始,利用星跟踪方法建立每个星点与初始星点的对应关系;
比较每帧与初始帧的角距,根据角距变化对角距进行筛选,并更新角距筛选矩阵;
利用通过筛选的角距对应的星对对每个星点投票,筛除得票数过低的星点;
每帧将经过筛选的星点输出,送入后续的星图识别模块。
2.根据权利要求1所述的基于角距筛选的星敏感器假星筛除方法,其特征在于,所述将初始帧中所有星点记录为初始星点,并初始化角距筛选矩阵,包括:
以第1帧为初始帧建立初始星矢量集合用于记录初始帧中所有星点的星矢量;建立假星集合{bi},用于记录后续过程中所有被判定为假星的星,并将其初始化为空集;
建立角距筛选矩阵F=[hij],其第i行第j列的元素表示星点的角距是否在所有帧中均保持不变;矩阵所有元素初始化为1,若某个星对的角距在某帧中发生改变,则对应元素置为0,否则保持为1。
3.根据权利要求1所述的基于角距筛选的星敏感器假星筛除方法,其特征在于,所述从第2帧开始,利用星跟踪方法建立每个星点与初始星点的对应关系,包括:
对于第2帧,计算第2帧与第1帧中每对星矢量的角距并与给定门限比较,若该角距值小于给定门限,则说明这两颗星足够接近,并将其序号加入星对集合;
对于第k(k≥3)帧,计算第k帧与第k-1帧中每对星矢量的角距并与给定门限比较,若该角距值小于给定门限,则说明这两颗星足够接近;此时已找到第k帧与第k-1帧中星点的对应关系,在根据第k-1帧与初始帧中星点的对应关系,找到第k帧与初始帧中星点的对应关系,并将其序号加入星对集合。
4.根据权利要求1所述的基于角距筛选的星敏感器假星筛除方法,其特征在于,所述比较每帧与初始帧的角距,根据角距变化对角距进行筛选,并更新角距筛选矩阵,包括:
在第k帧到来时,对任意两个已跟踪星点的角距进行筛选,筛选步骤为:
a)根据权利要求3中描述的星跟踪方法找到当前第k帧中两个已跟踪星点对应的初始帧星点,其在角距筛选矩阵中的元素需为1,即该角距在新帧k到来之前相对初始帧始终保持不变;
b)分别计算这两个已跟踪星点的角距及其对应的初始帧星点的角距,若二者的差值小于给定阈值,则认为该角距在新帧中相对初始帧保持不变,对应角距筛选矩阵中的元素保持为1,否则将其设置为0。
5.根据权利要求3所述的基于角距筛选的星敏感器假星筛除方法,其特征在于,所述利用通过筛选的角距对应的星对对每个星点投票,筛除得票数过低的星点,包括:
建立投票向量,其每个分量为对应星点的得票数,初始值均为0,若第k帧中的两个星点通过角距筛选,则向两个星点各投一票,即两个星点对应的投票向量元素加1;当所有星对完成角距筛选及投票后,统计投票向量中每个分量的值,若某个值小于给定阈值,则将其对应的星点判定为假星,并根据所述的星跟踪方法找到该星点对应的初始帧星点,将其加入假星集合中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910150094.3A CN109724591B (zh) | 2019-02-27 | 2019-02-27 | 一种基于角距筛选的星敏感器假星筛除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910150094.3A CN109724591B (zh) | 2019-02-27 | 2019-02-27 | 一种基于角距筛选的星敏感器假星筛除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109724591A true CN109724591A (zh) | 2019-05-07 |
CN109724591B CN109724591B (zh) | 2021-03-05 |
Family
ID=66301712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910150094.3A Active CN109724591B (zh) | 2019-02-27 | 2019-02-27 | 一种基于角距筛选的星敏感器假星筛除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109724591B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126131A (zh) * | 2019-10-30 | 2020-05-08 | 北京控制工程研究所 | 一种高效率暗弱空间目标识别方法 |
CN112595312A (zh) * | 2020-11-09 | 2021-04-02 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种大视场星敏感器伪星目标滤除方法及*** |
CN113739791A (zh) * | 2021-08-04 | 2021-12-03 | 北京航天自动控制研究所 | 基于矢量描述的导航星集确定方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254147A (zh) * | 2011-04-18 | 2011-11-23 | 哈尔滨工业大学 | 一种基于星图匹配的远距离空间运动目标识别方法 |
CN108519083A (zh) * | 2018-03-06 | 2018-09-11 | 北京控制工程研究所 | 一种空间非合作多目标捕获与跟踪算法 |
-
2019
- 2019-02-27 CN CN201910150094.3A patent/CN109724591B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254147A (zh) * | 2011-04-18 | 2011-11-23 | 哈尔滨工业大学 | 一种基于星图匹配的远距离空间运动目标识别方法 |
CN108519083A (zh) * | 2018-03-06 | 2018-09-11 | 北京控制工程研究所 | 一种空间非合作多目标捕获与跟踪算法 |
Non-Patent Citations (4)
Title |
---|
HAILONG ZHU ET AL: "A robust and fast star identification algorithm based on an ordered set of points pattern", 《ACTA ASTRONAUTICA》 * |
张学阳等: "基于运动信息的视频图像空间目标检测", 《海军航空工程学院学报》 * |
贾蒙杨: "空间暗弱慢速目标的捕获跟踪控制技术研究", 《航天器工程》 * |
赵启坤等: "基于帧间角距匹配的跟踪模式星图识别", 《导航与控制》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126131A (zh) * | 2019-10-30 | 2020-05-08 | 北京控制工程研究所 | 一种高效率暗弱空间目标识别方法 |
CN111126131B (zh) * | 2019-10-30 | 2021-08-10 | 北京控制工程研究所 | 一种高效率暗弱空间目标识别方法 |
CN112595312A (zh) * | 2020-11-09 | 2021-04-02 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种大视场星敏感器伪星目标滤除方法及*** |
CN112595312B (zh) * | 2020-11-09 | 2022-07-05 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种大视场星敏感器伪星目标滤除方法及*** |
CN113739791A (zh) * | 2021-08-04 | 2021-12-03 | 北京航天自动控制研究所 | 基于矢量描述的导航星集确定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109724591B (zh) | 2021-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109724591A (zh) | 一种基于角距筛选的星敏感器假星筛除方法 | |
US10755120B2 (en) | End-to-end lightweight method and apparatus for license plate recognition | |
US4806936A (en) | Method of determining the position of multiple targets using bearing-only sensors | |
CN100504300C (zh) | 一种非标定的星图识别方法 | |
EP1505543A2 (en) | Video object tracking | |
CN104835159A (zh) | 用于连续变焦距光学成像***的数字图像校正方法 | |
CN108917753B (zh) | 基于从运动恢复结构的飞行器位置确定方法 | |
Lin et al. | Road detection and tracking from aerial desert imagery | |
Rousseau et al. | Star recognition algorithm for APS star tracker: oriented triangles | |
CN114581887B (zh) | 车道线的检测方法、装置、设备和计算机可读存储介质 | |
CN104778465A (zh) | 一种基于特征点匹配的目标跟踪方法 | |
CN111354022A (zh) | 基于核相关滤波的目标跟踪方法及*** | |
CN112346104A (zh) | 一种无人机信息融合定位方法 | |
CN108225276B (zh) | 一种单星成像目标运动特性反演方法及*** | |
CN107588785A (zh) | 一种考虑像点误差的星敏感器内外参数简化标定方法 | |
CN108447024B (zh) | 基于在轨恒星数据的人工智能畸变自校正方法 | |
CN112649803B (zh) | 一种基于互相关系数的摄像机与雷达目标匹配方法 | |
CN117079196B (zh) | 基于深度学习以及目标运动轨迹的无人机识别方法 | |
CN111523392B (zh) | 一种基于卫星正射影像全姿态的深度学习样本制备方法及识别方法 | |
EP4303827A1 (en) | Automated change assessment of target objects during a dynamic isr mission | |
CN103940432A (zh) | 一种星敏感器的姿态确定方法 | |
CN111174776A (zh) | 一种基于径向与动态环向模式的星图识别方法 | |
CN113686361B (zh) | 火星探测天地协同导航地面验证***及方法 | |
CN115507844A (zh) | 一种适用于超大视场的星图识别方法 | |
Yan et al. | Horizontal velocity estimation via downward looking descent images for lunar landing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |