CN112815936B - 一种对噪点鲁棒的快速全天域星图识别方法及*** - Google Patents
一种对噪点鲁棒的快速全天域星图识别方法及*** Download PDFInfo
- Publication number
- CN112815936B CN112815936B CN202011605130.XA CN202011605130A CN112815936B CN 112815936 B CN112815936 B CN 112815936B CN 202011605130 A CN202011605130 A CN 202011605130A CN 112815936 B CN112815936 B CN 112815936B
- Authority
- CN
- China
- Prior art keywords
- star
- distance
- mask
- template
- similarity
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/02—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by astronomical means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种对噪点鲁棒的快速全天域星图识别方法及***,所述星图识别方法包括以下步骤:S1,选择星图中待识别的主星;S2,构建近邻星候选集;S3,获取预处理星图;S4,获取预处理星图的距离掩模模式;S5,计算初始相似度,筛选出用于匹配的候选模板;S6,计算候选模板的综合相似度;S7,输出最终识别结果。依据本发明所述方法进行星图识别,能够缓解传统方法去中心化后视场内的大量星点变换到视场外的问题,提高可利用恒星数量;缓解传统方法近邻点选择错误率高导致后续匹配错误问题;同时面对存在缺星或伪星等噪点情况下的鲁棒性非常高。此外,本发明采用非迭代式验证,不需要引入额外星点识别进行确认,因而更为快速有效。
Description
技术领域
本发明属于星图识别技术领域,具体涉及一种对噪点鲁棒的快速全天域星图识别方法。
背景技术
星敏感器是航天器自主导航的核心部件,它通过观测太空中的恒星来实现高精度姿态测量。对天文导航而言,恒星可以看成是位于无穷远处的,近似静止不动的,具有一定光谱特性的理想点光源。如果没有可用的先前姿态信息,或者故障后重启,则星敏感器将以“捕获模式”运行,进行全天域星图识别。捕获模式下星敏感器首先识别图像中捕获的恒星,然后根据已识别恒星的位置测量值(存储在恒星目录中)计算姿态。目前可以通过现有的QUEST或TRIAD方法轻松完成计算姿态的工作,然而最具有挑战性的工作是如何在存在缺星、伪星等噪点的情况下正确识别所捕获图像中的恒星。
目前星图识别方法可以分为基于几何匹配和基于模式识别两大类。基于几何匹配的方法利用诸如多个星点所形成的角度和距离之类的特征来直接或者通过构造多边形来间接构建星图数据库以及进行识别。基于模式识别的方法则是利用星点及其周围其他的点构成特定模式与模板数据中预存的模式模板进行匹配来进行识别,典型代表是栅格法。
基于模式识别的方法相比基于几何匹配的方法具有模板数据库占内存较小,且对于位置噪声、星点噪声以及伪星、缺星等干扰星相对不敏感的优势。然而当前基于模式识别的方法也存在一些不足:待识别主星的选择使得视场内的大量星点变换到视场外,降低了可用星点数量,对星图中星点利用不足,让模式信息变得稀疏,不利于后续的模式匹配;在存在噪点的情况下,近邻点选择错误率高,导致后续匹配错误;提取的模式特征不能充分反映星图空间相似性,对噪点的鲁棒性不够;为了弥补近邻点选择错误率高等问题,验证步骤需要通过额外引入星图内多个星点的识别完成,计算复杂度高。
发明内容
本发明的主要目的是提供一种对噪点鲁棒的快速全天域星图识别方法,旨在解决现有同类方法识别率性能对噪点敏感的技术问题。
为实现上述目的,本发明提出一种对噪点鲁棒的快速全天域星图识别方法,步骤包括:
步骤S1,选择星图中待识别的主星:以星图提取的星点为基础,以保留视场中星点数量最多为条件选择星图中待识别的主星;
步骤S2,构建近邻星候选集:在与主星的距离大于距离阈值,且小于主星到视场边缘距离的所有星点中,选择与主星距离最小的星点作为第一近邻星,并设定距离误差范围,将与主星的距离在所述距离误差范围内的所有星点作为候选近邻星,加入到近邻星候选集中;
步骤S3,获取预处理星图:将星图进行平移旋转使得主星平移到视场中心,主星到近邻星的方向作为方向基准旋转到0°方向,得到预处理星图;
步骤S4,获取所述预处理星图的距离掩模模式:对所述预处理星图进行距离掩模特征提取,得到所述预处理星图的距离掩模模式;
步骤S5,计算初始相似度,筛选出用于匹配的候选模板:将预处理星图的距离掩模模式与模板数据库中的模板进行初始相似度计算,筛选出相似度最高的N个候选模板进行后续的匹配,其中N表示所述候选模板的数量,如果最大初始相似度高于初始阈值则直接输出对应的模板主星作为识别结果,快速结束识别,否则进入步骤S6;
步骤S6,计算所述候选模板的综合相似度:提取N个所述候选模板的逻辑掩模模式和距离掩模模式,与所述预处理星图先进行逻辑相似度和距离相似度的计算,然后再进行综合相似度计算;
步骤S7,输出最终识别结果:从所述候选模板中筛选出综合相似度最大的模板,如果对应的综合相似度大于终选阈值,则输出综合相似度最大的模板所对应的主星作为识别结果,否则对当前的星图进行拒识别,并结束识别。
进一步的,所述步骤S1的详细步骤包括以下子步骤S1.1~S1.3:
S1.1,提取捕获星图的所有星点;
S1.2,从提取星点中选择能保留视场内最多星点的点作为待识别的主星;
S1.3,计算待识别的主星到视场边缘的距离。
进一步的,所述步骤S4中的距离掩模模式是从图像中提取的、用于度量图像中星点分布局部特征的模式,所述预处理星图的距离掩模模式的获取方法为:先对预处理星图构建掩模,并对预处理星图进行归一化最短距离变换,再将掩模和归一化最短距离变换结果进行逻辑与运算;所述掩模是由0或1组成的二进制图像矩阵;所述归一化最短距离变换是先对图像进行最短距离变换,然后再进行归一化处理。
可选的,所述掩模的构造方法为:将以星点所在的像素点为中心,以尺寸k为半径范围内的所有元素均设为1,构建维度为(2k+1)×(2k+1)、全部元素均为1的方形矩阵作为掩模;所述掩模尺寸k的取值范围为20~80。
进一步的,所述步骤S5的详细步骤包括以下子步骤S5.1~S5.3:
S5.1,将预处理星图的距离掩模模式与模板数据库中的模板进行初始相似度计算;
所述初始相似度为预处理星图的星点分布与模板数据库中模板的星点分布在局部特征上的相似程度,其计算方法为:先将距离掩模模式与模板的对应元素进行逻辑与运算,得到中间模式,然后再将中间模式的所有元素进行求和运算;
S5.2,筛选出初始相似度最高的N个候选模板,其中N为候选模板的数量,所述候选模板的数量N的取值范围为50~200;
S5.3,如果最大初始相似度高于初始阈值则直接输出对应的模板主星作为识别结果,结束识别;所述模板主星是指与模板数据库中模板相对应的主星。
进一步的,所述步骤S6的详细步骤包括以下子步骤S6.1~S6.5:
S6.1,计算候选模板的逻辑掩模模式;
所述逻辑掩模模式是从图像中提取的、用于度量图像中星点分布全局特征的模式;所述的候选模板的逻辑掩模模式的计算方法为:让掩模在候选模板上滑动,使得掩模覆盖在候选模板的星点上,且星点位于掩模的中心位置,将掩模覆盖到的像素点赋值为1,而掩模没有覆盖到的像素点赋值为0;
S6.2,计算候选模板的距离掩模模式;
所述的候选模板的距离掩模模式的计算方法为:先对候选模板构建掩模,并对候选模板进行归一化最短距离变换,再将掩模和归一化最短距离变换结果进行逻辑与运算;
S6.3,计算候选模板的逻辑掩模模式与预处理星图的逻辑相似度;
所述候选模板的逻辑掩模模式与预处理星图的逻辑相似度的计算方法为:将候选模板的逻辑掩模模式与预处理星图的对应元素进行逻辑与运算,得到中间模式,然后再将中间模式的所有元素进行求和运算;
S6.4,计算候选模板的距离掩模模式与预处理星图的距离相似度;
所述的候选模板的距离掩模模式与预处理星图的距离相似度的计算方法为:将候选模板的距离掩模模式与预处理星图的对应元素进行逻辑与运算,得到中间模式,然后再将中间模式的所有元素进行求和运算;
S6.5,利用候选模板与预处理星图的逻辑相似度和距离相似度,计算候选模板与预处理星图的综合相似度;所述综合相似度为预处理星图的星点分布与模板数据库中模板的星点分布在全局特征和局部特征上的综合相似程度。
可选的,所述步骤S2中的距离误差范围为[drmin,drmin+d],其中,drmin为所述第一近邻星与主星的距离,d为设定的距离误差值。
此外,本发明还提供一种对噪点鲁棒的快速全天域星图识别***,包括计算机设备,该计算机被编程或配置以执行所述对噪点鲁棒的快速全天域星图识别方法的步骤,或该计算机设备的存储器上存储有被编程或配置以执行所述对噪点鲁棒的快速全天域星图识别方法的计算机程序。
进一步的,本发明还提供一种卫星,该卫星带有所述对噪点鲁棒的快速全天域星图识别***。
此外,本发明还提供一种计算机可读存储介质,该计算机可读存储介质上存储有被编程或配置以执行所述对噪点鲁棒的快速全天域星图识别方法的计算机程序。
与现有技术相比,本发明技术方案带有的有益技术效果主要有:
1、通过采用所述的先候选-再终选的分层识别结构、结合逻辑相似度和距离相似度的综合相似度匹配方法大大提高了星图识别方法对于缺星、伪星等噪点的鲁棒性,提高了在恶劣情况下的星图识别率。
2、通过采用以保留视场中星点数量最多为条件选择星图中待识别的主星的技术手段,缓解了现有的同类方法对星图中星点利用不足的缺点,提高了星点利用率和星图信息利用率,有利于后续的星图识别过程。
3、通过将满足离主星一定范围半径外,离主星最近、且距离小于主星到边缘距离的星点作为第一近邻星,将第一近邻星一定的距离范围内的所有星点都加入近邻星候选集,极大降低了近邻星选择错误率,为后续星图识别过程奠定了基础。
此外,本发明还将现有同类方法的单独验证步骤嵌入到步骤S7输出识别结果中,摒弃了传统低效的迭代式验证方法,进而发明并采用了一种非迭代式验证方法,具有不需要引入额外星点识别进行确认,快速有效的优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为星敏感器捕获星图存在伪星和缺星情况的示意图,其中(a)为理想星图,(b)为存在伪星和缺星问题的实际星图;
图2是传统方法去中心化后视场内的大量星点变换到视场外从而导致星点利用率低的问题展示图,其中(a)为原视场星图,(b)为将待识别星点平移置视场中心后的星图;
图3为近邻星不在视场导致近邻星选择错误的示意图,其中(a)为近邻星选择错误的情况,(b)为正确近邻星实际上在视场外的展示;
图4为星点距离相近和星点误差导致近邻星选择错误的示意图,其中(a)为近邻星选择错误的情况,(b)为正确近邻星与错误近邻星的距中心距离相近的情况展示;
图5为原星图星点进行去中心化和旋转校正得到预处理星图的示意图;
图6为归一化最短距离变换与掩模覆盖示意图;
图7为距离掩模模式与不同尺寸距离掩模示意图,其中(a)为距离掩模模式,(b)为不同尺寸距离掩模;
图8为相似度计算中的“与和”计算示意图;
图9为利用本发明所述方法以及传统方法的识别性能测试对比图;
图10为本发明所述对噪点鲁棒的快速全天域星图识别方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例不是本发明的全部实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
需要说明的是,本发明实施例中的所有标量、矢量名称,如“综合相似度”值,均出于描述方便而设定,同时本发明实施例中对某些变量,不能理解为指示或暗示其设计倾向性。为清晰起见,本说明书中所采用符号的物理含义如下表1所示。
表1本发明中采用的符号及其含义
在本发明中,除非另有明确的规定和限定,“平移”、“旋转”等用于描述空间相对位置关系的术语应做广义理解。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本发明所述的对噪点鲁棒的快速全天域星图识别方法与传统的星图识别方法不同,其核心思路包括图10所示的7个步骤。下面结合图1至图10,详细说明本发明提供的对于噪点鲁棒的快速全天域星图识别方法的步骤流程以及利用所述方法而取得的有益效果。
步骤S1,选择星图中待识别的主星;具体地,以星图提取的星点为基础,以保留视场中星点数量最多为条件选择星图中待识别的主星。
步骤S1具体包括以下子步骤S1.1~S1.3:
S1.1,通过中值滤波、二值化、形态学闭运算、8连通区域等操作提取捕获星图S的所有星点I。这些星点包含了位置误差、伪星、缺星等问题,请参阅图1。图1中,(a)为理想星图,(b)为存在伪星和缺星问题的实际星图;
S1.2,从提取星点I中选择能保留视场内最多星点的点作为待识别的主星r。
传统待识别点选择方法为选择离视场中心最近的点作为待识别点,但这会导致大量星点可能变换到视场外,导致星点利用率低的问题,请参见图2;在图2中,(a)为原视场星图,(b)为将待识别星点平移置视场中心后的星图。
S1.3,计算待识别的主星r到视场边缘的距离bo。
参见图3,其中(a)为近邻星选择错误的情况,(b)为正确近邻星实际上在视场外的展示。如果近邻星离主星的距离dr大于主星r到视场边缘的距离bo,就可能导致近邻星不在视场内,导致近邻星选择错误的问题。这里的计算的主星r到视场边缘的距离bo。将用于后续近邻星选择的条件筛选。
步骤S2,构建近邻星候选集;在与主星的距离大于距离阈值,且小于主星到视场边缘距离的所有星点中,选择与主星距离最小的星点作为第一近邻星,并设定距离误差范围,将与主星的距离在所述距离误差范围内的所有星点作为候选近邻星,加入到近邻星候选集中。
步骤S2的具体过程如下:
将所述距离阈值设为半径b,在与主星r的距离dr大于半径b,且小于主星到视场边缘距离bo的所有星点中,选择与主星r距离dr最小的星点作为第一近邻星,并将所述第一近邻星与主星r的距离记为drmin;
将所述的距离误差范围设为[drmin,drmin+d],其中,d为设定的距离误差值,将与主星的距离dr在所述距离误差范围内的所有星点,即满足dr∈[drmin,drmin+d]关系式的所有星点,作为候选近邻星,加入到近邻星候选集nbs中。
请参见图4,其中(a)为近邻星选择错误的情况,(b)为正确近邻星与错误近邻星的距中心距离相近的情况展示。星点距离差不多和星点误差也导致近邻星选择错误,因此在近邻星选择的时候需要将可能的选项都考虑进行,加入到一个集合中。通过后续的匹配来最终决定近邻星。
步骤S3,获取预处理星图;将星图进行平移旋转使得主星平移到视场中心,主星到近邻星的方向作为方向基准旋转到0°方向,得到预处理星图;
步骤S3的具体过程如下:以主星r为平移基准,主星r到近邻星nbs的向量为方向基准,将星图星点I进行平移和旋转校正,使得主星r位于视场中心,主星r到近邻星nbs的向量位于0°方向,得到校正后的视场内的星点,构成预处理星图Is。
参见图5,原星图星点进行去中心化和旋转校正得到预处理星图的示意图,由于模板都是以预定的规则生成的,因此需要将当前星图也按照预定的规则进行转换,以便与模板进行相似匹配。
假设主星r指向最邻近星点nbs的方向记为Vbase,则
那么方向旋转角可计算为
旋转矩阵可计算为
将该方向作为基准方向,用于捕获星图与模板的方向旋转校正。然后将星图平移,使得主星r位于图像中心,则平移向量Vshift可计算如下
平移后的星点坐标为
根据基准方向对星图进行旋转校正,可以得到旋转后的星点坐标为
保留依然位于星图视场范围内的星点:
这就是经过去中心化和基准方向校正后得到预处理星图Is。
步骤S4,获取预处理星图的距离掩模模式;对预处理星图进行距离掩模特征提取,得到预处理星图的距离掩模模式。所述距离掩模模式是从图像中提取的、用于度量图像中星点分布局部特征的模式,其包含了局部的距离信息。
步骤S4的具体过程如下:
计算预处理星图Is的距离掩模模式di1。所述的预处理星图的距离掩模模式的获取方法为:先对预处理星图构建掩模,并对预处理星图进行归一化最短距离变换,再将掩模和归一化最短距离变换结果进行逻辑与运算。
单纯的栅格只能用1或0来表示栅格内是否存在星点,而无法体现星点离该栅格的距离,忽视了星图的局部空间相似性。为解决此问题,构造一定尺寸的掩模和预处理星图Is的最短距离变换轮廓图。下面介绍的距离掩模模式的构造方法可以既可以用于预处理星图的距离掩模模式的构造,也可以用于步骤S6的S6.2中所述的候选模板的距离掩模模式的构造。
所述掩模是由0或1组成的二进制图像矩阵,掩模的构造是为了表征星点所在位置的误差范围。本实施例中,掩模在图像中每一个星点所在的像素点及其邻域定义,具体构造方法为:将以星点所在的像素点为中心,以尺寸k为半径范围内的所有元素均设为1,从而得到一个维度为(2k+1)×(2k+1)、全部元素均为1的方形矩阵1(2k+1)×(2k+1),并将它作为本实施例的掩模,其中k为掩模尺寸,如图6所示;图6中显示了k=2时的掩模示意图。在本实施例中,掩模尺寸k的取值范围为20~80。
所述的掩模的构造方法可以用于步骤S6的S6.1中所述的候选模板的逻辑掩模模式的构造。
所述归一化最短距离变换是先对图像进行最短距离变换,然后再进行归一化处理。最短距离变换是图像处理领域中常用的数学变换,在本实施例中将其具体定义为:在一幅图像所代表的所有像素点集合Ω中,对于其中包含的任意一个像素点p,其最短距离可以由图像中所有星点所占的像素点构成的子集Ωc定义如下:
D(p)=min{d(p,q)|q∈Ωc} (8)
其中,D(p)就是p点的最短距离,p是我们想要计算最短距离的像素点,q代表图像中一个星点所在的像素点,它属于图像中所有星点所占的像素点构成的子集Ωc。这里的距离定义为欧式距离,即
d(p,q)=(px-qx)2+(py-qy)2 (9)
该距离定义的好处在于其对于平移和旋转具有不变性。
然后对最短距离进行归一化,具体是利用掩模的尺寸k将距离星点所在像素最近的像素点,也就是星点所在像素自身的最短距离变换值归一化为1,周围的星点的最短距离变换值则随距离增大而依次递减,距离到达半径k时最短距离变换值为0,距离超过半径k时最短距离变换值小于0,因此归一化公式可以写为
其中,Ds(p)是p点归一化的最短距离变换值,D(p)就是p点的最短距离,p是我们想要计算最短距离的像素点,k是掩模的尺寸。
通过对图像进行归一化的最短距离变换,即计算图像中每一个像素点的归一化最短距离变换值,就可以得到一幅最短距离变换的轮廓图,如图6所示。可知,归一化最短距离变换值衡量了当前像素点是距离其最近的星点的可能性,如果p点就在星点所在像素点,则Ds(p)为1,代表可能性达到最大。
将一定尺寸的掩模在最短距离变换的轮廓图上滑动,使其覆盖在最短距离变换的轮廓图的每一个星点上,星点所在像素点位于一定尺寸的掩模的中心。这里的覆盖定义为逻辑与运算,没有覆盖到像素点的值变为0。通过所述的过程,得到了图像的距离掩模模式。
如图7中的(a)图所示,图像通过归一化的最短距离变换和掩模覆盖的方式,构造能够在星点及其邻域内度量像素点成为星点可能性的距离掩模模式。如图7中的(b)图所示,距离掩模模式中一个距离掩模的中心值为1代表距离相似度最高,周围像素点的值根据其与中心的距离的递增而递减,也表示距离相似度递减,当超出掩模尺寸k以后,相似度为0。因此距离掩模可以作为距离函数的近似,但是它的计算效率更高。此外,根据星图尺寸大小可以计算不同的星点距离度量掩模。
步骤S5,计算初始相似度,筛选出用于匹配的候选模板:将预处理星图的距离掩模模式与模板数据库中的模板进行初始相似度计算,筛选出相似度最高的N个候选模板进行后续的匹配,其中N表示候选模板的数量,如果最大初始相似度高于初始阈值则直接输出对应的模板主星作为识别结果,快速结束识别,否则进入步骤S6。
所述初始相似度为预处理星图的星点分布与模板数据库中模板的星点分布在局部特征上的相似程度。所述的模板主星是指与模板数据库中模板相对应的主星,每一个不同的模板对应一颗不同的主星。
步骤S5包含以下子步骤S5.1~S5.3:
S5.1,将预处理星图的距离掩模模式di1与模板库数据库SP中的模板进行初始相似度计算。
参见图8,初始相似度计算是通过将预处理星图的距离掩模模式di1与模板进行“与和”实现的。具体地,所述初始相似度的计算方法为:先将距离掩模模式di1与模板的对应元素进行逻辑与运算,得到中间模式,然后再将中间模式的所有元素进行求和运算。
假设距离掩模模式为patr,导航星表中所有导航星所构成的模板数据库为SP={pati},处理后的星图与模板进行基于“与和”的匹配操作实际就是计算下式:
其中,match(patr,pati)是预处理星图距离掩模模式为patr与模板pati的相似性。
S5.2,筛选出初始相似度最高的N个候选模板cds。N表示候选模板的数量;N的取值范围为50-200;本实施例中,N取100个。
将100个最大匹配度的模板参考星作为待识别主星的候选识别结果,用于进行后续的处理。
S5.3,如果最大初始相似度高于初始阈值th1则直接输出对应的模板主星作为识别结果,结束识别。所述初始阈值th1是对当前星图能否直接识别所设置的初始相似度临界值,本实施例中,所述初始阈值th1通过数值计算寻优得到。
步骤S6,计算所述候选模板的综合相似度;提取N个所述候选模板的逻辑掩模模式和距离掩模模式,与所述预处理星图先进行逻辑相似度和距离相似度的计算,然后再进行综合相似度计算;所述逻辑掩模模式是从图像中提取的、用于度量图像中星点分布全局特征的模式,其包含了星点全局分布的几何遮挡信息;所述综合相似度是预处理星图的星点分布与模板数据库中模板的星点分布在全局特征和局部特征上的综合相似程度。
步骤S6包含以下子步骤S6.1~S6.5:
S6.1,计算候选模板cds的逻辑掩模模式di2。
利用步骤S4中所述的一定尺寸的掩模构造方法,构造候选模板的逻辑掩模模式。具体地,所述候选模板的逻辑掩模模式的获取方法为:让一定尺寸的掩模在候选模板上滑动,使得一定尺寸的掩模覆盖在候选模板的星点上,且星点位于掩模的中心位置,将掩模覆盖到的像素点赋值为1,而掩模没有覆盖到的像素点赋值为0;这样就获得了候选模板cds的逻辑掩模模式di2。
S6.2,计算候选模板cds的距离掩模模式di3。
所述的候选模板的距离掩模模式的获取方法为:先对候选模板构建掩模,并对候选模板进行归一化最短距离变换,再将掩模和归一化最短距离变换结果进行逻辑与运算;
候选模板cds的距离掩模模式di3的构造与步骤S4中所述的距离掩模模式构造方法相同,只不过对象不再是预处理星图Is,而是候选模板cds。构造出的候选模板cds的距离掩模模式di3也与图7类似。
S6.3,计算候选模板cds的逻辑掩模模式di2和预处理星图Is的逻辑相似度sc1。
候选模板cds的逻辑掩模模式di2和预处理星图Is的逻辑相似度sc1的计算与步骤S5所述的初始相似度的计算方法相似,是通过进行候选模板cds的逻辑掩模模式di2和预处理星图Is的“与和”计算实现的。具体地,先将候选模板cds的逻辑掩模模式di2与预处理星图Is的对应元素进行逻辑与运算,得到中间模式,然后再将中间模式的所有元素进行求和运算。具体可参考公式(11)。
S6.4,计算候选模板cds的距离掩模模式di3和预处理星图Is的距离相似度sc2。
候选模板cds的距离掩模模式di3和预处理星图Is的逻辑相似度sc2的计算与步骤S5所述的初始相似度的计算方法相似,是通过进行候选模板cds的距离掩模模式di3和预处理星图Is的“与和”计算实现的。具体地,先将候选模板cds的距离掩模模式di3与预处理星图Is的对应元素进行逻辑与运算,得到中间模式,然后再将中间模式的所有元素进行求和运算。具体可参考公式(11)。
S6.5,计算候选模板cds与预处理星图Is的综合相似度ts。
候选模板cds与预处理星图Is的综合相似度ts是由所述的逻辑相似度sc1和距离相似度sc2所定义的,具体考虑了逻辑相似度sc1和距离相似度sc2的优先级。逻辑相似度sc1要优先于距离相似度sc2:如果候选模板cds的逻辑相似度sc1较大,则其综合相似度ts也较大;如果候选模板cds的逻辑相似度sc1较小,则其综合相似度ts也较小;如果候选模板cds的逻辑相似度sc1相等,则比较候选模板cds的距离相似度sc2,距离相似度sc2较大,则综合相似度ts较大。因此,候选模板cds与预处理星图Is的综合相似度ts定义为
ts=1000×sc1+sc2 (12)
这样就可以保证逻辑相似度sc1要优先于距离相似度sc2。定义综合相似度ts,是为了将2次分别对于逻辑相似度sc1和距离相似度sc2的比较运算变为了1次对于综合相似度的比较运算,优化了计算效率。
步骤S7,输出最终识别结果:从所述候选模板中筛选出综合相似度最大的模板,如果对应的综合相似度大于终选阈值,则输出综合相似度最大的模板所对应的主星作为识别结果,否则对当前的星图进行拒识别,并结束识别。
步骤S7的具体步骤如下:
首先,筛选出综合相似度ts最大的候选模板主星id,其综合相似度为sc。
然后,如果综合相似度sc大于终选阈值th2,则输出该模板主星id作为识别结果,否则对当前的星图进行拒识别,结束识别。所述终选阈值th2是对当前星图能否成功识别所设置的综合相似度临界值,本实施例中,终选阈值th2通过数值计算寻优得到。
为了验证所提方法的有效性,通过仿真对本发明所述方法与传统的方法的性能进行了测试,benchmark结果如图9所示,图9中的HDSC曲线是本发明所述方法的结果,GMV表示几何投票算法,STOD表示最优数据库搜索树算法,Polarstar表示极星算法。可见本发明所提方法对于存在噪点星图的识别率依然保持在较高水平,对噪点具有良好的鲁棒性。
综合以上分析,本发明所述对噪点鲁棒快速全天域星图识别方法的流程图如图10所示。本发明利用待识别主星的精选,星图中大部分星点在后续识别过程中得以保留,提高了星图星点的利用率;通过近邻点候选集合的构建,降低了星图近邻点选择的错误率;设计了距离掩模,让星图栅格点之间的空间关系得以充分利用,提高了对星点位置误差的鲁棒性;通过逻辑掩模模式相似度与距离掩模模式相似结合的综合相似度对比,能够直接输出识别或者拒识别结果,不需要额外引入识别点进行验证,快速有效。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效期望姿态设计,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (8)
1.一种对噪点鲁棒的快速全天域星图识别方法,其特征在于包括以下步骤:
步骤S1,选择星图中待识别的主星:以星图提取的星点为基础,以保留视场中星点数量最多为条件选择星图中待识别的主星;
步骤S2,构建近邻星候选集:在与主星的距离大于距离阈值,且小于主星到视场边缘距离的所有星点中,选择与主星距离最小的星点作为第一近邻星,并设定距离误差范围,将与主星的距离在所述距离误差范围内的所有星点作为候选近邻星,加入到近邻星候选集中;
步骤S3,获取预处理星图:将星图进行平移旋转使得主星平移到视场中心,主星到近邻星的方向作为方向基准旋转到0°方向,得到预处理星图;
步骤S4,获取所述预处理星图的距离掩模模式:对所述预处理星图进行距离掩模特征提取,得到所述预处理星图的距离掩模模式;
步骤S5,计算初始相似度,筛选出用于匹配的候选模板:将预处理星图的距离掩模模式与模板数据库中的模板进行初始相似度计算,筛选出相似度最高的N个候选模板进行后续的匹配,其中N表示所述候选模板的数量,如果最大初始相似度高于初始阈值则直接输出对应的模板主星作为识别结果,快速结束识别,否则进入步骤S6;
步骤S6,计算所述候选模板的综合相似度:提取N个所述候选模板的逻辑掩模模式和距离掩模模式,与所述预处理星图先进行逻辑相似度和距离相似度的计算,然后再进行综合相似度计算;
步骤S7,输出最终识别结果:从所述候选模板中筛选出综合相似度最大的模板,如果对应的综合相似度大于终选阈值,则输出综合相似度最大的模板所对应的主星作为识别结果,否则对当前的星图进行拒识别,并结束识别;
所述步骤S4中的距离掩模模式是从图像中提取的、用于度量图像中星点分布局部特征的模式,所述预处理星图的距离掩模模式的获取方法为:先对预处理星图构建掩模,并对预处理星图进行归一化最短距离变换,再将掩模和归一化最短距离变换结果进行逻辑与运算;所述掩模是由0或1组成的二进制图像矩阵;所述归一化最短距离变换是先对图像进行最短距离变换,然后再进行归一化处理;
所述步骤S6的详细步骤包括以下子步骤S6.1~S6.5:
S6.1,计算候选模板的逻辑掩模模式;
所述逻辑掩模模式是从图像中提取的、用于度量图像中星点分布全局特征的模式;所述的候选模板的逻辑掩模模式的计算方法为:让掩模在候选模板上滑动,使得掩模覆盖在候选模板的星点上,且星点位于掩模的中心位置,将掩模覆盖到的像素点赋值为1,而掩模没有覆盖到的像素点赋值为0;
S6.2,计算候选模板的距离掩模模式;
所述的候选模板的距离掩模模式的计算方法为:先对候选模板构建掩模,并对候选模板进行归一化最短距离变换,再将掩模和归一化最短距离变换结果进行逻辑与运算;
S6.3,计算候选模板的逻辑掩模模式与预处理星图的逻辑相似度;
所述候选模板的逻辑掩模模式与预处理星图的逻辑相似度的计算方法为:将候选模板的逻辑掩模模式与预处理星图的对应元素进行逻辑与运算,得到中间模式,然后再将中间模式的所有元素进行求和运算;
S6.4,计算候选模板的距离掩模模式与预处理星图的距离相似度;
所述的候选模板的距离掩模模式与预处理星图的距离相似度的计算方法为:将候选模板的距离掩模模式与预处理星图的对应元素进行逻辑与运算,得到中间模式,然后再将中间模式的所有元素进行求和运算;
S6.5,利用候选模板与预处理星图的逻辑相似度和距离相似度,计算候选模板与预处理星图的综合相似度;所述综合相似度为预处理星图的星点分布与模板数据库中模板的星点分布在全局特征和局部特征上的综合相似程度。
2.根据权利要求1所述的一种对噪点鲁棒的快速全天域星图识别方法,其特征在于,所述步骤S1的详细步骤包括以下子步骤S1.1~S1.3:
S1.1,提取捕获星图的所有星点;
S1.2,从提取星点中选择能保留视场内最多星点的点作为待识别的主星;
S1.3,计算待识别的主星到视场边缘的距离。
3.根据权利要求1所述的一种对噪点鲁棒的快速全天域星图识别方法,其特征在于,所述掩模的构造方法为:将以星点所在的像素点为中心,以尺寸k为半径范围内的所有元素均设为1,构建维度为(2k+1)×(2k+1)、全部元素均为1的方形矩阵作为掩模;所述掩模尺寸k的取值范围为20~80。
4.根据权利要求1所述的一种对噪点鲁棒的快速全天域星图识别方法,其特征在于,所述步骤S5的详细步骤包括以下子步骤S5.1~S5.3:
S5.1,将预处理星图的距离掩模模式与模板数据库中的模板进行初始相似度计算;
所述初始相似度为预处理星图的星点分布与模板数据库中模板的星点分布在局部特征上的相似程度,其计算方法为:先将距离掩模模式与模板的对应元素进行逻辑与运算,得到中间模式,然后再将中间模式的所有元素进行求和运算;
S5.2,筛选出初始相似度最高的N个候选模板,其中N为候选模板的数量,所述候选模板的数量N的取值范围为50~200;
S5.3,如果最大初始相似度高于初始阈值则直接输出对应的模板主星作为识别结果,结束识别;所述模板主星是指与模板数据库中模板相对应的主星。
5.根据权利要求1所述的一种对噪点鲁棒的快速全天域星图识别方法,其特征在于,所述步骤S2中的距离误差范围为[drmin,drmin+d],其中,drmin为所述第一近邻星与主星的距离,d为设定的距离误差值。
6.一种对噪点鲁棒的快速全天域星图识别***,包括计算机设备,该计算机被编程或配置以执行权利要求1~5中任意一项所述对噪点鲁棒的快速全天域星图识别方法的步骤,或该计算机设备的存储器上存储有被编程或配置以执行权利要求1~5中任意一项所述对噪点鲁棒的快速全天域星图识别方法的计算机程序。
7.一种卫星,该卫星带有权利要求6所述对噪点鲁棒的快速全天域星图识别***。
8.一种计算机可读存储介质,该计算机可读存储介质上存储有被编程或配置以执行权利要求1~5中任意一项所述对噪点鲁棒的快速全天域星图识别方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011605130.XA CN112815936B (zh) | 2020-12-29 | 2020-12-29 | 一种对噪点鲁棒的快速全天域星图识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011605130.XA CN112815936B (zh) | 2020-12-29 | 2020-12-29 | 一种对噪点鲁棒的快速全天域星图识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112815936A CN112815936A (zh) | 2021-05-18 |
CN112815936B true CN112815936B (zh) | 2022-08-02 |
Family
ID=75854652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011605130.XA Active CN112815936B (zh) | 2020-12-29 | 2020-12-29 | 一种对噪点鲁棒的快速全天域星图识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112815936B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113566815B (zh) * | 2021-08-16 | 2022-07-01 | 北京航空航天大学 | 一种星图识别导航三角形库构建方法及装置 |
CN114359696A (zh) * | 2022-01-07 | 2022-04-15 | 博微(宁波)新技术有限公司 | 一种天气图特征类型识别及相似度匹配***和方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100504300C (zh) * | 2007-01-22 | 2009-06-24 | 北京航空航天大学 | 一种非标定的星图识别方法 |
US8131074B2 (en) * | 2008-09-11 | 2012-03-06 | Raytheon Company | Specific emitter identification using histogram of oriented gradient features |
CN106289240A (zh) * | 2016-08-18 | 2017-01-04 | 中国人民解放军国防科学技术大学 | 一种基于主星的两步匹配星图识别方法 |
CN107816987B (zh) * | 2017-09-12 | 2020-07-31 | 北京航空航天大学 | 一种基于蜘蛛网模式和卷积神经网络的星图识别方法 |
-
2020
- 2020-12-29 CN CN202011605130.XA patent/CN112815936B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112815936A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021072879A1 (zh) | 证件中的目标文本提取方法、装置、设备及可读存储介质 | |
CN110032998B (zh) | 自然场景图片的文字检测方法、***、装置和存储介质 | |
US9396583B2 (en) | Method of modelling buildings on the basis of a georeferenced image | |
JP5487970B2 (ja) | 特徴点配置照合装置及び画像照合装置、その方法及びプログラム | |
US8285056B2 (en) | Method and apparatus for computing degree of matching | |
JP5468332B2 (ja) | 画像特徴点抽出方法 | |
CN112815936B (zh) | 一种对噪点鲁棒的快速全天域星图识别方法及*** | |
US20130089260A1 (en) | Systems, Methods, and Software Implementing Affine-Invariant Feature Detection Implementing Iterative Searching of an Affine Space | |
CN112348836B (zh) | 一种自动提取建筑物轮廓的方法及装置 | |
CN111696118A (zh) | 动态场景下基于语义分割与图像修复的视觉回环检测方法 | |
CN110544202B (zh) | 一种基于模板匹配与特征聚类的视差图像拼接方法及*** | |
CN110738216A (zh) | 基于改进surf算法的药品识别方法 | |
JP7451373B2 (ja) | 図面構造化システムおよび図面構造化方法 | |
Shi et al. | Robust image registration using structure features | |
JP2017151797A (ja) | 幾何検証装置、プログラム及び方法 | |
Castellani et al. | Statistical 3D shape analysis by local generative descriptors | |
CN113159103B (zh) | 图像匹配方法、装置、电子设备以及存储介质 | |
CN111915645B (zh) | 影像匹配方法、装置、计算机设备及计算机可读存储介质 | |
JP2011107878A (ja) | 位置検出装置、位置検出方法 | |
CN116681740A (zh) | 一种基于多尺度Harris角点检测的图像配准方法 | |
CN114626483A (zh) | 一种地标图像生成方法及装置 | |
JP5414631B2 (ja) | 文字列探索方法、文字列探索装置、記録媒体 | |
Phogat et al. | Different image registration methods—an overview | |
CN112215032A (zh) | 图像中的目标识别方法、装置、电子设备及程序介质 | |
CN114187294B (zh) | 基于先验信息的规则晶片定位方法 |
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 |