CN115507844A - 一种适用于超大视场的星图识别方法 - Google Patents

Abstract

本发明公开了一种适用于超大视场的星图识别方法，能够在保证识别精度和高识别率的前提下，提高识别效率、识别连续性。针对拍摄星图进行鱼眼畸变的校正处理，对校正后的图像进行滤波处理，随后对滤波处理后的图像，对比相邻帧的信息抑制空间目标带来的假星干扰，对剔除假星的图像进行分区和权重赋值，记录并剔除无效区域。进入到星图识别阶段，根据分区权重进行排序，优先选择权重较大的分区，随后在该分区内选择合适的导航星构建星模式特征并进行混合模式特征的神经网络星图识别。如果一次识别失败，则去除识别失败的分区，随后再次进行权重判断，选择较最高权重的分区重复进行星图识别，直到导航星识别成功或搜索完所有有效分区。

Description

一种适用于超大视场的星图识别方法

技术领域

本发明涉及超大视场天文导航***技术领域，具体涉及一种适用于超大视场的星图识别方法。

背景技术

关于超大视场的星图识别方法，尚未有公开专利。

根据检索，目前星图识别方法较为简单，将传感器拍摄的星点图像进行简单滤波处理即可进行快速的星图识别，但该方法主要限于小视场条件的天文导航测量。由于视场较小的关系，拍摄的图像畸变较小，并且同时可观测到的恒星数量有限。使用该方法设计出的星敏感器需要与伺服转台配合使用，以实现全天区星图识别及星跟踪。

鱼眼镜头由于其特殊的光学结构，使得其视场可以达到180°，因此可以在单次成像中获得整个天区的恒星图像。但是众所周知，随着视场的增加，光学***的几何像差就会随之变强，导致拍摄的图像产生更为严重的畸变。因此，需要对超大视场光学***的参数进行标定，利用校正模型修正相差对成像中产生的星点位置偏差，否则，可能会出现无法成功识别或者错误识别的情况。

此外，对于拍摄的全天区星图，图像中部分区域可能存在杂散光、云层或者其他目标的干扰，在这些干扰区域进行星图识别，其结果往往不可靠，因此需要利用算法识别并记录此类区域，在星图识别过程中将此类区域去除，以免影响识别效果。根据鱼眼图像的畸变模型，图像中不同区域的畸变程度也不尽相同，因此需要采用合理的分区算法并定义每个有效分区的识别优先级。并且，由于大气内及空间中存在很多非恒星干扰目标，其对太阳等星体的反射光可能会进入星敏感器中，产生假星干扰，因此需要设计合适的算法尽可能去除假星干扰，以提高识别准确性。

星图识别技术是将星敏感器拍摄星图中的恒星与导航星库中的恒星进行匹配识别，该技术是星敏感器实现定位定姿的关键前提。目前已有的星图识别算法大体上分为两大类：子图同构类算法利用三角形原理，通过计算三颗及以上恒星间的角距并与标准星表进行对比，由此实现恒星识别；模式识别算法以观测恒星一定领域范围内的其他恒星构造观测恒星的模式特征，通过搜索这种独一无二的模式特征实现恒星识别。

对星图识别算法的复杂度而言，全天区的星点数量众多，单幅图像内星点的数量能够达到传统星敏感器星图的数十倍以上，使用传统星图识别方法对超大视场星图数据进行处理会导致识别速度慢甚至无法成功识别的情况。因此，需要设计快速准确的星图识别算法以适用于超大视场条件。

综上所述，在目前星图识别的算法中，往往缺乏对超大视场条件下存在的图像畸变，环境干扰，计算及数据复杂度等问题的全面考虑。

发明内容

有鉴于此，本发明提供了一种适用于超大视场的星图识别方法，针对超大视场相机拍摄的星空图片进行滤波、校正、分区等一系列处理，随后进行全天区星图识别。在保证识别精度和高识别率的前提下，尽可能提高识别效率及识别连续性，并且减少识别时间。

为达到上述目的，本发明的技术方案包括如下步骤：

步骤一：获取拍摄星图，进行鱼眼畸变的校正处理，获得校正后的图像。

步骤二：对校正后的图像进行滤波处理，去掉部分背景噪声，随后对滤波处理后的图像，对比相邻帧的信息抑制空间目标带来的假星干扰，对剔除假星的图像进行分区和权重赋值，对无效区域进行记录，并剔除无效区域，执行步骤三。

步骤三：进入到星图识别阶段，根据分区权重进行排序，优先选择权重较大的分区，随后在该分区内选择合适的导航星构建星模式特征并进行混合模式特征的神经网络星图识别。

如果一次识别失败，则去除识别失败的分区，随后再次进行权重判断，选择较最高权重的分区重复进行星图识别，直到导航星识别成功或搜索完所有有效分区，如果遍历所有有效分区仍未成功识别，则本幅图像识别失败，进行下一幅图像的识别。

进一步地，步骤一，具体为：

针孔成像情况下图像传感器上像点到传感器中心的距离r与真实情况下图像传感器上像点到传感器中心的距离r_d的计算公式为

其中k_i为针对入射角θ的泰勒展开式的系数，i取值为[1,n]，n为泰勒展开式系数个数；完成超大视场拍摄星图的畸变校正。

进一步地，对于系数k_i，预先使用星敏感器拍摄标准棋盘格图像，然后通过标定算法计算得到。

进一步地，步骤二中，对剔除假星的图像进行分区和权重赋值，对无效区域进行记录，并剔除无效区域，具体为：

在完成假星剔除之后，需要将整幅星图划分为若干个圆形分区，这些圆形小区域的大小设定为保证范围内包含足够数目的恒星。

针对每个区域进行遍历，灰度均值超过设定值的分区记录为无效区域，并将其去除；将剩下的所有分区由内向外分别赋予由大到小的权值并按权值进行索引排序。

进一步地，步骤三中，星图识别阶段具体包括如下步骤：

步骤301：针对每一个圆形分区，构建特征向量，具体地通过以下步骤构建特征向量：

将圆形区域分为k个等间隔的环形区域，落入每个环形区域的伴星数目分别为N₁，N₂，……，N_k。

选择距离区域中心最近的观测星作为主星。

在主星的领域之外寻找与主星距离最近的两个伴星，T₁是主星距离最近伴星的角距，T₂是主星到次邻近星的角距，T₃是两邻近伴星间的角距。

由N₁，N₂，……，N_k和T₁、T₂、T₃共同构成该观测区域的特征向量。

步骤302：完成特征向量的构建后，将其输入到自组织竞争神经网络进行星图识别；所述自组织竞争神经网络参考人体神经元的侧抑制现象，即每次权值更新并不是更新整个网络的所有权值，而是仅更新获胜节点的权值。

步骤303：依据分区权重大小重复上述步骤301和步骤302识别过程，直到成功识别或搜索完所有分区，如果搜索完所有分区依然无法匹配，则从下一帧拍摄星图重新开始处理。

有益效果：

1、本发明旨在解决目前星图方法应用于超大视场情况下的诸多不足，提出一种适用于超大视场的星图识别方法。该方法能够解决超大视场拍摄星图的严重畸变问题，并且可以去除星图中不可靠的部分天区和可能存在的假星干扰，同时克服全天区星图数据量庞大的问题，实现复杂天空环境下的全天区快速星图识别。本发明适用于视场范围在120°至180°之间的鱼眼镜头获取的星图。

2、本星图识别方法通过鱼眼图像校正，图像分区加权，假星干扰剔除，神经网络识别实现了超大视场条件下的星图识别。鱼眼图像的处理过程中，通过直接构建校正模型缩短校正时间以提高处理速度。图像预处理过程中，通过将图像进行加权分区以去除无效区域，从而提高识别效率。利用帧间匹配技术去掉部分假星干扰从而提高识别准确率。采用混合模式特征的神经网络星图识别可以解决超大视场下导航星数目巨大的问题，很大程度上降低了搜索算法的时空复杂度。

3、本发明超大视场星图识别方法的建立，从根本上解决了轻小型、低成本天文导航装置的技术难题，不仅满足静态条件下的快速、准确测量，同时具备动态条件下快速、准确定位的能力，广泛适用于近地面各类天文位姿测量装置。完全可以解决小型定位导航设备在静态及动态条件下的测量和校准。

附图说明

图1为一种适用于超大视场星图识别方法流程图；

图2为鱼眼成像模型示意图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提供了一种适用于超大视场星图识别方法，适用于超大视场的星图识别方法的实现流程如图1所示，包括如下步骤：

步骤一：对拍摄星图进行鱼眼畸变的校正处理，该校正步骤首先利用预先标定好的鱼眼镜头模型直接对图像进行校正，随后使用优化算法进一步减少校正后依然存在的部分失真。

步骤二：在图像校正完成的基础之上，对校正后的图像进行滤波处理，去掉部分背景噪声，随后对无效区域进行记录以便在分区阶段中剔除，最后对比相邻帧的信息抑制空间目标带来的假星干扰。

在完成图像的滤波及处理之后，需要根据星点位置与图像中心的远近进行区域划分，并由近及远分别赋予由高至低的优先级，此步骤可以直接影响识别速度和识别结果的准确性。

步骤三：完成上述图像预处理之后，算法进入到星图识别阶段，该阶段首先根据分区权重进行排序，优先选择权重较大的分区，随后在该分区内选择合适的导航星构建星模式特征并进行混合模式特征的神经网络星图识别，该方法仅仅需要一次匹配即可完成观测星与众多导航星的匹配，因此对于星点数目较多的情况具有更高的识别准确率以及识别速度。

如果一次识别失败，则需要去除识别失败的分区，随后返回权重判断阶段，选择较最高权重的分区重复进行星图识别，直到导航星识别成功或搜索完所有有效分区，如果遍历所有有效分区仍未成功识别，则本幅图像识别失败，进行下一幅图像的识别。

具体地，步骤一采用如下步骤和原理：

根据鱼眼成像的原理，三维空间中的物点首先会线性投影到一个球面上，该球面的球心与成像中心重合，并且该球面为单位球面，此投影过程为线性投影，不会产生畸变。随后单位球面上的点会投影到图像传感器平面上，该过程为非线性过程，并且该过程产生的畸变随视场角的增大会变得更加严重。详细成像过程如图2所示，其中P代表空间中的某一物点，P_c为该物点投影到单位球面的点，X_c,Y_c,Z_c为相机坐标系，θ为入射角，θ_d为考虑畸变后的真实入射角，x,y为物理图像坐标系，u,v为图像传感器的像素坐标系，O为图像传感器中心，r为理想情况下图像传感器上像点到传感器中心的距离，r_d为真实情况下图像传感器上像点到传感器中心的距离，p为空间物点P在图像传感器上的像点。

目前现有的鱼眼镜头的成像模型主要有以下四种：

(1)等距投影模型：r_d＝fθ

(2)等立体角投影模型：

(3)立体视角投影模型：

(4)正交投影模型：r_d＝fsinθ

将上述四种模型包含θ的项进行泰勒展开，可得：

θ_d＝k₁θ+k₂θ³+L+k_nθ^2n-1,(n＝1,2,...) (1)

因此可以采用r_d＝fθ_d代表上述四种鱼眼投影模型。

对于普通针孔相机而言，其投影模型可表示为：

r＝ftanθ (2)

其中r代表针孔成像情况下图像传感器上像点到传感器中心的距离。

分析可得：

θ＝arctan(r/f)≈r/f (3)

将焦距f合并到泰勒展开式的系数k_i中可得：

联立(3)(4)两式并合并f可得：

由此可以得到针孔成像情况下图像传感器上像点到传感器中心的距离r与真实情况下图像传感器上像点到传感器中心的距离r_d的计算公式，从而完成超大视场拍摄星图的畸变校正。

对于公式(5)中的系数k_i，需要预先使用星敏感器拍摄标准棋盘格图像，然后通过标定算法计算得到。

步骤二中，对剔除假星的图像进行分区和权重赋值，对无效区域进行记录，并剔除无效区域，具体为：

星图预处理首先进行图像滤波，首先计算整幅图片的灰度平均值，将其作为图像滤波的阈值，即低于阈值的像素点赋值为0，高于阈值的像素点灰度值保持不变，经过滤波可以去除部分杂散光干扰。

滤波完成的图像将进行假星剔除，将当前帧与前一帧或多帧进行对比，由于干扰目标距离星敏感器的距离远小于恒星到星敏感器之间的距离，因此对于干扰目标来说，其在不同帧图像上的位置变化规律往往与正常导航星不同，部分速度较快的干扰目标甚至能够在图像上体现为一条短线。因此，利用帧间匹配及概率统计的方法可以有效剔除干扰目标并保留足够的导航星以便识别。

在完成假星剔除之后，需要将整幅星图划分为若干个圆形小区域，这些圆形小区域需要足够大以保证范围内包含足够数目的恒星，因为对于神经网络识别算法而言，更多的星点代表了更多的特征，可以在一定程度上提高识别准确性。之所以划分为圆形区域是为了使区域具有旋转不变性，可以减小算法的复杂度。由于拍摄星图视场接近甚至大于180°，视场中可能会出现建筑、树木、云层等大型干扰目标，因此对每个区域进行简单遍历，所有灰度均值过大的区域都可视为无效区域，并将其去除。将剩下的所有区域由内向外分别赋予由大到小的权值并按权值进行索引排序。

步骤三中的，星图识别阶段包括如下步骤：

识别算法利用临近三角形和径向分布向量组成混合特征构成特征向量，利用神经网络完成星图识别。

针对每一个圆形区域，都可由以下步骤构建特征向量：

(1)将圆形区域分为k个等间隔的环形区域，落入每个环形区域的伴星数目分别为N₁,N₂,LN_k。

(2)选择距离区域中心最近的观测星作为主星。

(3)在主星的领域之外寻找与主星距离最近的两个伴星，T₁是主星距离最近伴星的角距，T₂是主星到次邻近星的角距，T₃是两邻近伴星间的角距。

(4)由N₁,N₂,LN_k和T₁,T₂,T₃共同构成该观测区域的特征向量。

完成特征向量的构建后，将其输入到自组织竞争神经网络进行星图识别。该神经网络参考了人体神经元的侧抑制现象，即每次权值更新并不是更新整个网络的所有权值，而是仅更新获胜节点的权值，因此更类似于一种聚类方法。该方法不需要复杂的数据集进行训练，并且训练完成的网络可以直接用于星图识别。

依据分区权重大小重复上述识别过程，直到成功识别或搜索完所有分区，如果搜索完所有分区依然无法匹配，则从下一帧拍摄星图重新开始处理。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种适用于超大视场星图识别方法，其特征在于，包括如下步骤：

步骤一：获取拍摄星图，进行鱼眼畸变的校正处理，获得校正后的图像；

步骤二：对校正后的图像进行滤波处理，去掉部分背景噪声，随后对滤波处理后的图像，对比相邻帧的信息抑制空间目标带来的假星干扰，对剔除假星的图像进行分区和权重赋值，对无效区域进行记录，并剔除无效区域，执行步骤三；

步骤三：进入到星图识别阶段，根据分区权重进行排序，优先选择权重较大的分区，随后在该分区内选择合适的导航星构建星模式特征并进行混合模式特征的神经网络星图识别；

如果一次识别失败，则去除识别失败的分区，随后再次进行权重判断，选择较最高权重的分区重复进行星图识别，直到导航星识别成功或搜索完所有有效分区，如果遍历所有有效分区仍未成功识别，则本幅图像识别失败，进行下一幅图像的识别。

2.如权利要求1所述的超大视场的星图识别方法，其特征在于，所述步骤一，具体为：

针孔成像情况下图像传感器上像点到传感器中心的距离r与真实情况下图像传感器上像点到传感器中心的距离r_d的计算公式为

其中k_i为针对入射角θ的泰勒展开式的系数，i取值为[1,n]，n为泰勒展开式系数个数；完成超大视场拍摄星图的畸变校正。

3.如权利要求2所述的超大视场的星图识别方法，其特征在于，对于系数k_i，预先使用星敏感器拍摄标准棋盘格图像，然后通过标定算法计算得到。

4.如权利要求1～3任一所述的一种适用于超大视场星图识别方法，其特征在于，所述步骤二中，对剔除假星的图像进行分区和权重赋值，对无效区域进行记录，并剔除无效区域，具体为：

在完成假星剔除之后，需要将整幅星图划分为若干个圆形分区，这些圆形小区域的大小设定为保证范围内包含足够数目的恒星；

针对每个区域进行遍历，灰度均值超过设定值的分区记录为无效区域，并将其去除；将剩下的所有分区由内向外分别赋予由大到小的权值并按权值进行索引排序。

5.如权利要求4所述的一种适用于超大视场星图识别方法，其特征在于，所述步骤三中，星图识别阶段具体包括如下步骤：

步骤301：针对每一个圆形分区，构建特征向量，具体地通过以下步骤构建特征向量：

将圆形区域分为k个等间隔的环形区域，落入每个环形区域的伴星数目分别为N₁，N₂，……，N_k；

选择距离区域中心最近的观测星作为主星；

在主星的领域之外寻找与主星距离最近的两个伴星，T₁是主星距离最近伴星的角距，T₂是主星到次邻近星的角距，T₃是两邻近伴星间的角距；

由N₁，N₂，……，N_k和T₁、T₂、T₃共同构成该观测区域的特征向量；

步骤302：完成特征向量的构建后，将其输入到自组织竞争神经网络进行星图识别；所述自组织竞争神经网络参考人体神经元的侧抑制现象，即每次权值更新并不是更新整个网络的所有权值，而是仅更新获胜节点的权值；

步骤303：依据分区权重大小重复上述步骤301和步骤302识别过程，直到成功识别或搜索完所有分区，如果搜索完所有分区依然无法匹配，则从下一帧拍摄星图重新开始处理。

Images