CN103954280B - 一种快速和高鲁棒性自主恒星识别方法 - Google Patents
一种快速和高鲁棒性自主恒星识别方法 Download PDFInfo
- Publication number
- CN103954280B CN103954280B CN201410138623.5A CN201410138623A CN103954280B CN 103954280 B CN103954280 B CN 103954280B CN 201410138623 A CN201410138623 A CN 201410138623A CN 103954280 B CN103954280 B CN 103954280B
- Authority
- CN
- China
- Prior art keywords
- matching
- line
- star
- group
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims abstract description 93
- 238000012790 confirmation Methods 0.000 claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims description 19
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims 2
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims 1
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 22
- 230000008878 coupling Effects 0.000 abstract 4
- 238000010168 coupling process Methods 0.000 abstract 4
- 238000005859 coupling reaction Methods 0.000 abstract 4
- 238000012549 training Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
本发明是一种快速和高鲁棒性自主恒星识别方法，该方法包括下列步骤：首先从所有观测星对中找出与其匹配次数最多的导航星对，生成匹配矩阵；其次确认匹配矩阵中两两匹配对之间的匹配关系，生成匹配确认矩阵；最后依据匹配确认矩阵计算最大匹配组，得到识别结果。本发明具有识别速度快、鲁棒性好、识别概率高、误识别率低且算法实现的代价低，识别容错率高的优点。
Description
技术领域
本发明涉及一种快速和高鲁棒性自主恒星识别方法，属于星敏感器星图识别技术领域。
背景技术
星图识别算法是星敏感器的核心技术之一，是指在不知道星敏感器光轴指向的情况下，根据星敏感器拍摄到的星图，从中提取要识别的观测星及其特征(最常用的特征有恒星的星等、恒星间的角距、由多颗观测星构成的几何形状等)，并与星敏感器的导航星库相比较，建立起观测星与导航星的对应关系，为星敏感器的姿态计算做准备。星图识别根据有无粗姿态或粗位置可分为全天星图识别和局部星图识别。全天星图识别是星敏感器实现全天自主姿态输出的基础，识别难度比局部星图识别大很多，是星图识别的核心研究内容。
星图中可以提取的信息很少，主要有观测星的亮度、观测星对之间的角距、观测星组成的集合形状等，识别算法利用其中的一种或者多种识别特征对星图进行识别。其中星对角距是最主要的识别特征。根据识别时所采用的不同特征，目前最为常用主要有以下几类方法：三角形法、匹配组法、栅格算法、神经网络法和基于平面极坐标匹配组的星图识别法。
三角形算法是目前最成熟也是使用最广泛的星图识别算法，已经成功应用于星敏感器系统。三角形算法的特点是以三角形作为识别的基元，模式易于管理，通过建立从主星出发的星对树形结构，可以有效抑制星三角形的数量。但全天恒星可以组成的星三角形数量极多(个，n为全天可观测恒星总数)，可以通过判断同时出现在一个视场中的可能性，而剔除大量不实用的星三角形，需要存入导航星座数据库的星三角形也有相当大的数量，因此使用三角形算法需要较大的存储量，同时由于星三角形的数量很多，在匹配过程中出现冗余匹配的概率较大，冗余匹配导致算法的识别成功率迅速降低，同时算法对测量星点的位置精度和亮度精度的要求较高。
匹配组识别方法又称为主星识别法，该方法基本上不需要重复匹配，克服了三角形算法所具有的冗余匹配率高的缺点，在较高测量误差情况下仍能保持较高的识别成功率，而且适用于全天星图识别，识别速度快，识别率高。但也存在一些缺陷，在有许多颗星等相近的亮星的视域内，识别率严重降低。同样容易产生误识别。
栅格算法是一种典型的采用模式匹配策略的星图识别算法，其具有存储量小、成功率较高，实时性和鲁棒性较好的特点，算法对几何测量误差不敏感、识别中无需使用恒星亮度特征等优点，但主要的缺点是：在选定主星后，观测模式的建立完全取决于基准星，选择不同的基准星，则所建立的观测模式完全不同，而且彼此之间没有联系，如不能选择正确的基准星，对应的观测模式与导航模式将无法匹配。且栅格算法要求星敏感器视场内有较多的观测星，即要求星敏感器有较大的视场或者能捕获到星等较低的观测星，为此限制了该算法的应用范围。同时该方法一个主要问题在于网格图像必须要旋转角度一致才能实现完全匹配，其用待识别星最近一颗星作为标识来统一旋转角度，而该标识星的选择很容易受噪声影响，从而影响识别结果。
基于神经网络的星图识别方法，其模式特征表现为各神经元之间权值的连接强度，以权值矩阵代替了模式库。其识别过程只做一次匹配即可完成观测模式与众多模式的比较，无需迭代即可获得最终的识别结果，可以减小星载数据量和星图识别的时间。但其训练过程需要很大的训练集合，精度受训练集合大小和训练时间长短的影响，并且算法对硬件的要求比较高。
基于平面极坐标匹配组法的星图识别方法，其原理主要是：首先从所有观测星中选择一颗观测星作为参考星，以参考星为原点建立极坐标系，计算其他所有观测星的极坐标，之后以同样方法从导航星表中任选一颗作为主星M，找出星表中所有与主星M的空间矢量角角距小于限制角γ的导航星，得到基于主星M的导航星极坐标，最后将观测星座模板与导航星座模板以极坐标方式进行匹配，从而得出识别结果。
该方法的优点是：识别概率高，算法实现的代价低，识别容错率较高，但该识别方法的缺点是：需要选择参考星，以该参考星为基准建立极坐标模板，如不能选择正确的参考星，则观测模板与导航模板将无法匹配，且该识别方法需要对导航星表中每颗导航星分别建立极坐标模板，对于小视场、高灵敏度的小型星敏感器，其导航星表数量大，导航星的极坐标模板所需存储空间大，同时观测模板需与每一个导航模板进行一次模板匹配，所需的识别时间长，实时性较差。
上述识别方法中三角形法和匹配组法需要大量的前期准备工作，才能保证恒星识别的成功率，算法实现的代价较大。另一方面，由于匹配组法和三角形法仅使用了星对角距(边长)，来描述导航星座和观测星座的几何特征，从原理上无法防止“镜像误识别”的发生；同时，栅格算法、匹配组法和极坐标模板匹配法需要事先建立匹配模板，所需存储空间大，且在选定主星后，观测模式的建立完全取决于基准星或参考星，如不能选择正确的基准星或参考星，对应的观测模式与导航模式将无法匹配；神经网络识别算法需要很大的训练集合，实时性较差，且算法对硬件的要求比较高。尤其对于小视场、高灵敏度的小型星敏感器，其导航星表数量大，栅格算法、匹配组法和极坐标模板匹配法都需要事先建立模版，所需存储空间大，模版匹配时间长，实时性较差。
发明内容
本发明的技术解决问题是：克服现有技术的不足，提供一种快速和高鲁棒性的自主恒星识别方法，星图识别概率高、误识别率低、识别速度快和鲁棒性好，同时本发明实现的代价低，且识别容错率高的。
本发明的技术解决方案是：
一种快速和高鲁棒性自主恒星识别方法，包括步骤如下：
((1)根据星敏感器视场，选出导航星两两之间夹角小于等于星敏感器视场的导航星对，并计算每个导航星对的夹角余弦值，生成导航星对角距表；
(2)对所有观测星按能量从大到小进行排序，所述观测星为星图中用于与导航星进行匹配识别的星点；
(3)计算观测星两两之间的夹角余弦值，生成观测星对角距表；
(4)利用K矢量法选出与每个观测星对匹配的导航星对，其匹配的导航星对需同时满足以下两个条件：
a)导航星对角距与观测星对角距差的绝对值小于等于角距匹配阈值(根据系统需求设定角距匹配阈值)；
b)导航星对中的导航星星等与观测星对中观测星的星等差的绝对值小于等于星等匹配阈值(根据系统需求设定星等匹配阈值)；
满足上述条件的导航星对组成候选导航星对角距表；
(5)从候选导航星对角距表中找出与观测星对匹配次数最多的导航星对，组成匹配矩阵基；
(6)依据观测星个数确定匹配阈值，并根据匹配阈值计算匹配矩阵；
(7)根据匹配矩阵生成匹配确认矩阵，同时计算导航星对和观测星对匹配时的角距匹配误差矩阵；
(8)根据角距匹配误差矩阵计算匹配矩阵中每个匹配对的匹配误差平均值；
(9)根据匹配确认矩阵计算最大匹配组，所述最大匹配组为匹配矩阵中所有两两满足互匹配的匹配组中匹配组元素个数最大的匹配组，最大匹配组的最小维数为3；
(10)对最大匹配组进行判断，若最大匹配组存在，则识别成功，进入步骤(12)，否则进入步骤(11)；
(11)对步骤(6)中的匹配阈值进行如下判断：
若匹配阈值大于最小匹配阈值(根据系统需求进行确定)，则匹配阈值自动减1，并回到步骤(6)；
若匹配阈值小于等于最小匹配阈值，则最大匹配组不存在，识别失败，进入步骤(13)；
(12)根据最大匹配组计算最终匹配组，所述最终匹配组中元素为识别成功的匹配对的序号，与匹配矩阵中的匹配对序号相对应，查找匹配矩阵可得到识别成功的观测星序号及与其对应的导航星序号；
(13)结束本次识别。
所述步骤(5)中的匹配矩阵基的具体计算过程如下：
(1)首先对观测星对及与其匹配的导航星对进行匹配计数，生成匹配计数矩阵；
(2)对匹配计数矩阵进行统计，选出与每个观测星匹配的匹配次数最大的导航星序号及匹配次数；
(3)由观测星序号与其匹配的导航星序号及匹配次数最大值组成匹配矩阵基。
所述步骤(9)中最大匹配组的计算方式如下：
(1)根据匹配确认矩阵计算三角匹配组，其中三角匹配组为匹配矩阵中所有两两满足互匹配的匹配组中匹配组元素个数为3的匹配组；
(2)对三角匹配组的行数进行判断：
若三角匹配组的行数大于等于1，则执行步骤(3)，否则最大匹配组不存在并进入步骤(17)；
(3)初始化极大匹配组，并初始化极大匹配组的行数kc等于0，其中所述极大匹配组为基于三角匹配组(基于三角匹配组中任意一个匹配组的所有元素)查找的匹配确认矩阵中所有两两满足互匹配的匹配组；
(4)取出三角匹配组中第i行的元素记为line_i，其中i为正整数，并进行如下判断：
若kc大于0，且极大匹配组中任意一行的元素包含line_i，则执行步骤(14)，否则执行步骤(5)；
若kc等于0，执行步骤(5)；
(5)找出匹配确认矩阵中line_i的元素值对应的行中相同的元素记为line_com_i；
(6)找出line_com_i中除了line_i中元素之外的其他元素记为line_other_i，并进行如下判断：
若line_other_i为空，则将line_i的元素赋值给line_com，且kc自动加1，极大匹配组的第kc行等于line_com，并执行步骤(14)；
若line_other_i不为空，则执行步骤(7)；
(7)取出line_other_i中第j个元素与line_i组成line_j，其中j为line_other_i中的元素计数，j为正整数；
(8)找出匹配确认矩阵中line_j中元素对应的行中相同的元素组成line_sj，并进行如下判断：
若line_sj等于line_i，将line_i的元素赋值给line_com，且kc自动加1，极大匹配组的第kc行等于line_com，并执行步骤(13)；
若line_sj等于line_j，则line_j的元素赋值给line_com，且kc自动加1，极大匹配组的第kc行等于line_com，并执行步骤(13)；
若line_sj包含line_j，则执行步骤(9)；
(9)找出line_sj中除了line_j中元素之外的其他元素记为line_other_j；
(10)取出line_other_j中第k个元素与line_j组成line_k，其中k为line_other_j中的元素计数，k取正整数；
(11)找出匹配确认矩阵中line_k中元素对应的行中相同的元素组成line_sk，并进行如下判断：
若line_sk等于line_j，则line_j的元素赋值给line_com，且kc自动加1，极大匹配组的第kc行等于line_com，并执行步骤(12)；
若line_sk等于line_k，则line_k的元素赋值给line_com，且kc自动加1，极大匹配组的第kc行等于line_com，并执行步骤(12)；
若line_sk包含line_k，则line_k的元素赋值给line_j，line_sk元素赋值给line_sj，并执行步骤(6)；
(12)若k小于line_other_j元素个数，则k自动加1，并执行步骤(10)，否则执行步骤(13)；
(13)若j小于line_other_i元素个数，则j自动加1，并执行步骤(7)，否则执行步骤(14)；
(14)若i小于三角匹配组的行数，则i自动加1，并执行步骤(4)，否则执行步骤(15)；
(15)极大匹配组计算结束，进行如下判断：
若kc大于0，则执行步骤(16)；
若kc等于0，则最大匹配组不存在，执行步骤(17)；
(16)记极大匹配组中匹配组元素个数最大值为Nmax，选取极大匹配组中元素个数等于Nmax的匹配组，即为最大匹配组；
(17)结束计算。
所述步骤(12)中最终匹配组的计算方式如下：
(1)对最大匹配组进行判断，若最大匹配组唯一，则最终匹配组等于最大匹配组，否则进入步骤(2)；
(2)对最大匹配组的所有匹配组中相同元素个数进行判断，若相同元素个数大于等于3，则最终匹配组为所有最大匹配组中不同元素组成的匹配组；否则最终匹配组为最大匹配组中匹配误差最小的一组。
最大匹配组的计算方法中步骤(1)中三角匹配组的计算过程如下：
(1)在匹配确认矩阵中增加一列用来存储导航星和观测星匹配的匹配对的序号；
(2)将匹配确认矩阵中每一行的元素与其元素值相等的列序号相对应；
(3)找出匹配确认矩阵中满足任意三列元素的和与其对应的三列的列序号之和相等的匹配组，并且该匹配组中的元素分别与三列的列序号都相等，满足该条件的匹配组即为三角匹配组。
本发明与现有技术相比优点：
(1)本发明相对于三角形匹配法，其采用的观测星信息合理、全面，融合了观测星的角距信息、星等信息和相邻星之间的匹配关系，在观测星数量相同的情况下参与识别的信息增多，大大降低了误识别的概率。
(2)本发明依据星对之间两两匹配关系，并引入了最大匹配组的概念及其计算方法，相对于之前的星图识别方法，其在观测星数量相同的情况下，可极大程度上提高识别星数和识别概率。
(3)本发明利用k矢量法来查找满足角距匹配阈值的导航星对角距，大大减小了导航星对角距查找速度，提高了星图识别时间。
(4)本发明无需事先建立匹配导航模板，无需选择参考观测星或者基准星，不会因丢失任何一颗观测星而影响星图识别结果；上述栅格算法和匹配组法都会存在以下问题：若丢失的观测星恰好是基准星，则参考基准必然选错，导致观测星模板与预先存储的导航星模板无法匹配。
(5)对于小视场、高灵敏度的小型化星敏感器，其导航星表数量大，极坐标匹配法需要事先为每颗导航星建立极坐标模板，所需存储空间大，且其观测模板需与每一导航模板进行匹配，所需识别时间长，本发明在识别时引入了星等信息，且在导航星表很大的情况下，仍可达到存储空间小、识别速度快、识别概率高的效果；
(6)本发明引入了最大匹配组的概念，同时提出了一种快速、有效的计算最大匹配组的方法，可有效减少星图识别时间，提高星图识别速度。
附图说明
图1为本发明方法流程图；
图2为本发明采用的观测星与导航星示意图；
图3为本发明计算最大匹配组的流程图。
具体实施方式
下面结合附图进一步说明本发明的工作原理和工作过程。
如图1、2所示，本发明以图中观测星和导航星为例，来说明整个自主星图识别过程。图中选取的观测星为1、2、3、4、5、6、7，其对应的导航星序号依次为26、35、34、29、42、45和40。本发明一种快速和高鲁棒性自主恒星识别方法，包括步骤如下：
(1)根据星敏感器的视场，选出导航星之间夹角小于等于星敏感器视场的导航星对，并计算每个导航星对的夹角余弦值，生成导航星对角距表；
记星敏感器的全视场角为ω，取出导航星对夹角小于等于星敏感器视场角ω的导航星对，并计算每个导航星对的夹角余弦值，按夹角余弦值从小到大进行排序，生成导航星对角距表。
导航星对角距表包含满足星敏感器视场大小的所有导航星对之间的星对角距，以及组成星对的每颗导航星在导航星信息表中的存储位置即导航星序号。星对角距定义为两颗导航星相对于地心的夹角，通常用角距的余弦值来表示。
(2)对所有观测星按能量从大到小进行排序，所述观测星为星图中用于与导航星进行匹配识别的星点；
示例中视场内有7颗观测星，对这些观测星按能量从大到小进行排序，排序后观测星序号依次为1，2，3，4，5，6，7。
(3)计算观测星两两之间的夹角余弦值，生成观测星对角距表；
(4)利用K矢量法选出与每个观测星对匹配的导航星对，其匹配的导航星对需同时满足以下两个条件：
a)导航星对角距与观测星对角距差的绝对值小于等于角距匹配阈值(根据系统需求设定匹配阈值)；
b)导航星对中的导航星星等与观测星对中观测星的星等差的绝对值小于等于星等匹配阈值(根据系统需求设定匹配阈值)；
根据以上两个条件选出与每个观测星对匹配的导航星对，称为候选导航星对，同时记录每个匹配星对的匹配误差，存储在候选导航星对的最后一列，示例中候选导航星对示意如下：
表1候选导航星对内容示意
(5)从候选导航星对角距表中找出与观测星对匹配次数最多的导航星对，生成匹配矩阵基；
匹配矩阵基的计算过程如下：
a)对观测星对及与其匹配的导航星对进行匹配计数，生成匹配计数矩阵；
b)对匹配计数矩阵进行统计，选出与每个观测星匹配的匹配次数最大的导航星序号及匹配次数；
c)由观测星序号、与其匹配的导航星序号以及匹配次数最大值组成匹配矩阵基。
示例中计算的匹配矩阵基示意如下：
表2示例中的匹配矩阵基内容示意
(6)依据观测星个数确定匹配阈值，并根据匹配阈值计算匹配矩阵；
根据观测星个数选取匹配阈值：
匹配阈值＝(观测星个数/2)向下取整，可根据实际情况进行调整。
示例中观测星个数为7，则取匹配阈值等于3。
匹配阈值的最小值为2。
选出匹配矩阵基中满足匹配次数最大值≥匹配阈值的匹配对，组成匹配矩阵。示例中匹配矩阵的内容示意如下：
表3示例中计算的匹配矩阵内容示意
| 匹配对的序号 | 观测星序号 | 导航星序号 | 匹配次数 |
| 1 | 2 | 35 | 6 |
| 2 | 3 | 34 | 6 |
| 3 | 5 | 42 | 6 |
| 4 | 6 | 45 | 6 |
| 5 | 7 | 40 | 6 |
| 6 | 1 | 26 | 5 |
| 7 | 4 | 29 | 5 |
(7)对匹配矩阵中的匹配对进行匹配确认，即计算匹配确认矩阵Mat，同时计算匹配误差矩阵Mat_error，其中Mat与Mat_error的具体含义如下：
记观测星序号序列为OMAT，导航星序号序列为GMAT
Mat(m,n)：第m个匹配对当OMAT(m)与GMAT(m)进行第n次匹配时，其对应的另一对匹配对的序号；
Mat_error(m,n)：第m个匹配对，当OMAT(m)与GMAT(m)进行第n次匹配时的匹配误差；
示例中计算得匹配确认矩阵Mat内容示意如下：
表4示例中计算的匹配确认矩阵与匹配矩阵关系示意
(8)计算匹配矩阵中每个匹配对的匹配误差平均值；
(9)根据匹配确认矩阵和匹配矩阵计算最大匹配组；
以示例中匹配确认矩阵Mat为例来描述计算最大匹配组的具体过程，步骤如下：
1)根据匹配确认矩阵计算三角匹配组，其中三角匹配组为匹配矩阵中所有两两满足互匹配的匹配组中匹配组元素个数为3的匹配组；
2)对三角匹配组的行数进行判断：
若三角匹配组的行数大于等于1，则执行步骤3)，否则最大匹配组不存在并进入步骤17)；
3)初始化极大匹配组，并初始化极大匹配组的行数kc等于0，其中所述极大匹配组为基于三角匹配组(基于三角匹配组中任意一个匹配组的所有元素)查找的匹配确认矩阵中所有两两满足互匹配的匹配组；
4)取出三角匹配组中第i行的元素记为line_i，其中i为正整数，并进行如下判断：
若kc大于0，且极大匹配组中任意一行的元素包含line_i，则执行步骤14)，否则执行步骤5)；
若kc等于0，执行步骤5)；
5)找出匹配确认矩阵中line_i的元素值对应的行中相同的元素记为line_com_i；
6)找出line_com_i中除了line_i中元素之外的其他元素记为line_other_i，并进行如下判断：
若line_other_i为空，则将line_i的元素赋值给line_com，且kc自动加1，极大匹配组的第kc行等于line_com，并执行步骤14)；
若line_other_i不为空，则执行步骤7)；
7)取出line_other_i中第j个元素与line_i组成line_j，其中j为line_other_i中的元素计数，j为正整数；
8)找出匹配确认矩阵中line_j中元素对应的行中相同的元素组成line_sj，并进行如下判断：
若line_sj等于line_i，将line_i的元素赋值给line_com，且kc自动加1，极大匹配组的第kc行等于line_com，并执行步骤13)；
若line_sj等于line_j，则line_j的元素赋值给line_com，且kc自动加1，极大匹配组的第kc行等于line_com，并执行步骤13)；
若line_sj包含line_j，则执行步骤9)；
9)找出line_sj中除了line_j中元素之外的其他元素记为line_other_j；
10)取出line_other_j中第k个元素与line_j组成line_k，其中k为line_other_j中的元素计数，k取正整数；
11)找出匹配确认矩阵中line_k中元素对应的行中相同的元素组成line_sk，并进行如下判断：
若line_sk等于line_j，则line_j的元素赋值给line_com，且kc自动加1，极大匹配组的第kc行等于line_com，并执行步骤12)；
若line_sk等于line_k，则line_k的元素赋值给line_com，且kc自动加1，极大匹配组的第kc行等于line_com，并执行步骤12)；
若line_sk包含line_k，则line_k的元素赋值给line_j，line_sk元素赋值给line_sj，并执行步骤6)；
12)若k小于line_other_j元素个数，则k自动加1，并执行步骤10)，否则执行步骤13)；
13)若j小于line_other_i元素个数，则j自动加1，并执行步骤7)，否则执行步骤14)；
14)若i小于三角匹配组的行数，则i自动加1，并执行步骤4)，否则执行步骤15)；
15)极大匹配组计算结束，进行如下判断：
若kc大于0，则执行步骤16)；
若kc等于0，则最大匹配组不存在，执行步骤17)；
16)记极大匹配组中匹配组元素个数最大值为Nmax，选取极大匹配组中元素个数等于Nmax的匹配组，即为最大匹配组；
示例中匹配组元素个数最大值Nmax等于6，最大匹配组包括两组：1、2、3、4、5、6和1、2、3、4、5、7。
17)结束计算。
其中步骤1)中计算三角匹配组的过程如下：
a)首先在匹配确认矩阵中增加一列用来存储匹配对的序号；
示例中匹配确认矩阵具体内容如下表所示(最后一列为匹配对序号)；
表5增加匹配对序号后的匹配确认矩阵
b)将匹配确认矩阵中的每一行的元素与其列序号相对应；
即若某行中存在与其列序号相等的数，则将该数放在该行该列，若该行不存在与其列序号相等的数，则置该行该列的值为0。
对示例中匹配确认矩阵按列进行处理后，结果如下所示(匹配确认矩阵中第一行为列序号)：
表6对Mat进行按列处理后内容示意
c)找出匹配确认矩阵中满足任意三列的和与其对应的三列的列序号之和相等的匹配组，并且该匹配组中的元素分别与三列的列序号都相等，记满足该条件的匹配组为三角匹配组；
对示例中的匹配确认矩阵进行计算，得到满足该条件的匹配组共30个，即为得到的三角匹配组，内容示意如下表所示：
表7三角匹配组内容示意
(10)对最大匹配组进行判断，若最大匹配组存在，则识别成功，进入步骤(12)，否则进入步骤(11)；
示例中最大匹配组存在，且有两组，则执行步骤(12)。
(11)对步骤(6)中的匹配阈值进行如下判断：
若匹配阈值大于最小匹配阈值(根据系统需求进行确定)，则匹配阈值自动减1，并回到步骤(6)；
若匹配阈值小于等于最小匹配阈值，则最大匹配组不存在，识别失败，进入步骤(13)；
(12)根据最大匹配组计算最终匹配组；
最终匹配组的计算方式如下：
1)对最大匹配组进行判断，若最大匹配组唯一，则最终匹配组等于最大匹配组，否则进入步骤2)；
2)对最大匹配组的所有匹配组中相同元素个数进行判断，若相同元素个数大于等于3，则最终匹配组为所有最大匹配组中不同元素组成的匹配组；否则最终匹配组为最大匹配组中匹配误差最小的一组。
示例中的最大匹配组满足条件2)，最大匹配组中两个匹配组包含5个相同元素：1、2、3、4、5，则匹配组中相同元素个数大于3，则取两组中所有不同的元素组成最终匹配组，即最终匹配组中元素为1、2、3、4、5、6、7。
最终匹配组中元素为识别成功的匹配对的序号，查找相应的匹配矩阵可知，识别成功的观测星与其相应的导航星序号如下表所示：
表8识别成功的观测星与其相应的导航星的序号
| 匹配对序号 | 观测星序号 | 导航星序号 |
| 1 | 2 | 35 |
| 2 | 3 | 34 |
| 3 | 5 | 42 |
| 4 | 6 | 45 |
| 5 | 7 | 40 |
| 6 | 1 | 26 |
| 7 | 4 | 29 |
(13)结束本次识别。
本发明未详细描述的部分属于本领域公知技术。
Claims (6)
1.一种快速和高鲁棒性自主恒星识别方法，其特征在于包括步骤如下：
(1)根据星敏感器视场，选出导航星两两之间夹角小于等于星敏感器视场的导航星对，并计算每个导航星对的夹角余弦值，生成导航星对角距表；
(2)对所有观测星按能量从大到小进行排序，所述观测星为星图中用于与导航星进行匹配识别的星点；
(3)计算观测星两两之间的夹角余弦值，生成观测星对角距表；
(4)利用K矢量法选出与每个观测星对匹配的导航星对，其匹配的导航星对需同时满足以下两个条件：
a)导航星对角距与观测星对角距差的绝对值小于等于角距匹配阈值；
b)导航星对中的导航星星等与观测星对中观测星的星等差的绝对值小于等于星等匹配阈值；
满足上述条件的导航星对组成候选导航星对角距表；
(5)从候选导航星对角距表中找出与观测星对匹配次数最多的导航星对，组成匹配矩阵基；
(6)依据观测星个数确定匹配阈值，并根据匹配阈值计算匹配矩阵；
(7)根据匹配矩阵生成匹配确认矩阵，同时计算导航星对和观测星对匹配时的角距匹配误差矩阵；
(8)根据角距匹配误差矩阵计算匹配矩阵中每个匹配对的匹配误差平均值；
(9)根据匹配确认矩阵计算最大匹配组，所述最大匹配组为匹配矩阵中所有两两满足互匹配的匹配组中匹配组元素个数最大的匹配组，最大匹配组的最小维数为3；
(10)对最大匹配组进行判断，若最大匹配组存在，则识别成功，进入步骤(12)，否则进入步骤(11)；
(11)对步骤(6)中的匹配阈值进行如下判断：
若匹配阈值大于最小匹配阈值，则匹配阈值自动减1，并回到步骤(6)；
若匹配阈值小于等于最小匹配阈值，则最大匹配组不存在，识别失败，进入步骤(13)；
(12)根据最大匹配组计算最终匹配组，所述最终匹配组中元素为识别成功的匹配对的序号，与匹配矩阵中的匹配对序号相对应，查找匹配矩阵可得到识别成功的观测星序号及与其对应的导航星序号；
(13)结束本次识别。
2.根据权利要求1所述的一种快速和高鲁棒性自主恒星识别方法，其特征在于：所述步骤(5)中的匹配矩阵基的具体计算过程如下：
(1)首先对观测星对及与其匹配的导航星对进行匹配计数，生成匹配计数矩阵；
(2)对匹配计数矩阵进行统计，选出与每个观测星匹配的匹配次数最大的导航星序号及相应的匹配次数；
(3)由观测星序号、与其匹配的导航星序号及匹配次数最大值组成匹配矩阵基。
3.根据权利要求1所述的一种快速和高鲁棒性自主恒星识别方法，其特征在于：所述步骤(6)中匹配阈值的确定以及匹配矩阵的计算，其具体过程如下：
根据观测星个数选取匹配阈值，匹配阈值的初值＝(观测星个数/2)向下取整，在识别过程中根据识别结果可对匹配阈值进行调整，匹配阈值的最小值为2；
选出匹配矩阵基中满足观测星与导航星匹配的匹配次数最大值大于等于匹配阈值的匹配对，组成匹配矩阵。
4.根据权利要求1所述的一种快速和高鲁棒性自主恒星识别方法，其特征在于：所述步骤(9)中最大匹配组的计算方式如下：
a、根据匹配确认矩阵计算三角匹配组，其中三角匹配组为匹配矩阵中所有两两满足互匹配的匹配组中匹配组元素个数为3的匹配组；
b、对三角匹配组的行数进行判断：
若三角匹配组的行数大于等于1，则执行步骤c，否则最大匹配组不存在并进入步骤q；
c、初始化极大匹配组，并初始化极大匹配组的行数kc等于0，其中所述极大匹配组为基于三角匹配组查找的匹配确认矩阵中所有两两满足互匹配的匹配组；
d、取出三角匹配组中第i行的元素记为line_i，其中i为正整数，并进行如下判断：
若kc大于0，且极大匹配组中任意一行的元素包含line_i，则执行步骤n，否则执行步骤e；
若kc等于0，执行步骤e；
e、找出匹配确认矩阵中line_i的元素值对应的行中相同的元素记为line_com_i；
f、找出line_com_i中除了line_i中元素之外的其他元素记为line_other_i，并进行如下判断：
若line_other_i为空，则将line_i的元素赋值给line_com，且kc自动加1，极大匹配组的第kc行等于line_com，并执行步骤n；
若line_other_i不为空，则执行步骤g；
g、取出line_other_i中第j个元素与line_i组成line_j，其中j为line_other_i中的元素计数，j为正整数；
h、找出匹配确认矩阵中line_j中元素对应的行中相同的元素组成line_sj，并进行如下判断：
若line_sj等于line_i，将line_i的元素赋值给line_com，且kc自动加1，极大匹配组的第kc行等于line_com，并执行步骤m；
若line_sj等于line_j，则line_j的元素赋值给line_com，且kc自动加1，极大匹配组的第kc行等于line_com，并执行步骤m；
若line_sj包含line_j，则执行步骤i；
i、找出line_sj中除了line_j中元素之外的其他元素记为line_other_j；
j、取出line_other_j中第k个元素与line_j组成line_k，其中k为line_other_j中的元素计数，k取正整数；
k、找出匹配确认矩阵中line_k中元素对应的行中相同的元素组成line_sk，并进行如下判断：
若line_sk等于line_j，则line_j的元素赋值给line_com，且kc自动加1，极大匹配组的第kc行等于line_com，并执行步骤l；
若line_sk等于line_k，则line_k的元素赋值给line_com，且kc自动加1，极大匹配组的第kc行等于line_com，并执行步骤l；
若line_sk包含line_k，则line_k的元素赋值给line_j，line_sk元素赋值给line_sj，并执行步骤f；
l、若k小于line_other_j元素个数，则k自动加1，并执行步骤j，否则执行步骤m；
m、若j小于line_other_i元素个数，则j自动加1，并执行步骤g，否则执行步骤n；
n、若i小于三角匹配组的行数，则i自动加1，并执行步骤d，否则执行步骤o；
o、极大匹配组计算结束，进行如下判断：
若kc大于0，则执行步骤p；
若kc等于0，则最大匹配组不存在，执行步骤q；
p、记极大匹配组中匹配组元素个数最大值为Nmax，选取极大匹配组中元素个数等于Nmax的匹配组，即为最大匹配组；
q、结束计算。
5.根据权利要求4所述的一种快速和高鲁棒性自主恒星识别方法，其特征在于：所述步骤(1)中三角匹配组的计算过程如下：
a、在匹配确认矩阵中增加一列用来存储导航星和观测星匹配的匹配对的序号；
b、将匹配确认矩阵中每一行的元素与其元素值相等的列序号相对应；
c、找出匹配确认矩阵中满足任意三列元素的和与其对应的三列的列序号之和相等的匹配组，并且该匹配组中的元素分别与三列的列序号都相等，满足该条件的匹配组即为三角匹配组。
6.根据权利要求1所述的一种快速和高鲁棒性自主恒星识别方法，其特征在于：所述步骤(12)中最终匹配组的计算方式如下：
a、对最大匹配组进行判断，若最大匹配组唯一，则最终匹配组等于最大匹配组，否则进入步骤b；
b、对最大匹配组的所有匹配组中相同元素个数进行判断，若相同元素个数大于等于3，则最终匹配组为所有最大匹配组中不同元素组成的匹配组；否则最终匹配组为最大匹配组中匹配误差最小的一组。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410138623.5A CN103954280B (zh) | 2014-04-08 | 2014-04-08 | 一种快速和高鲁棒性自主恒星识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410138623.5A CN103954280B (zh) | 2014-04-08 | 2014-04-08 | 一种快速和高鲁棒性自主恒星识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103954280A CN103954280A (zh) | 2014-07-30 |
| CN103954280B true CN103954280B (zh) | 2016-09-21 |
Family
ID=51331590
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410138623.5A Active CN103954280B (zh) | 2014-04-08 | 2014-04-08 | 一种快速和高鲁棒性自主恒星识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103954280B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104567867B (zh) * | 2014-12-29 | 2017-05-10 | 北京控制工程研究所 | 一种星敏感器姿态稳定跟踪的方法 |
| CN105243075B (zh) * | 2015-08-07 | 2018-08-31 | 北京控制工程研究所 | 一种星敏感器全天球极大组识别的改进搜索方法 |
| CN107389057B (zh) * | 2017-06-26 | 2019-08-09 | 北京控制工程研究所 | 一种白昼环境导航星识别方法 |
| CN107941210B (zh) * | 2017-10-24 | 2020-11-24 | 中国科学院上海技术物理研究所 | 一种结合神经网络技术及三角形算法的星图识别方法 |
| CN108010028B (zh) * | 2017-12-27 | 2020-07-03 | 北京航空航天大学 | 一种用于静止轨道卫星探测仪的恒星检测方法及装置 |
| CN108731665B (zh) * | 2018-05-15 | 2019-10-18 | 北京控制工程研究所 | 一种全天球星图识别方法 |
| US10657371B1 (en) * | 2018-09-28 | 2020-05-19 | United States Of America As Represented By The Administrator Of Nasa | Miniaturized astrometric alignment sensor for distributed and non-distributed guidance, navigation, and control systems |
| CN109540113B (zh) * | 2018-12-26 | 2021-09-03 | 中国人民解放军战略支援部队信息工程大学 | 一种全站仪及其星图识别方法 |
| CN110411439B (zh) * | 2019-07-15 | 2021-07-09 | 北京控制工程研究所 | 一种根据星能量等级生成仿真星点的方法、装置及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6324475B1 (en) * | 1997-02-13 | 2001-11-27 | Centre National D'etudes Spatiales | Method for identifying in a pre-established catalogue stars detected by a star sensor |
| CN101034408A (zh) * | 2007-04-16 | 2007-09-12 | 北京航空航天大学 | 一种基于蚁群算法的星图匹配识别方法 |
| CN101441082A (zh) * | 2008-12-22 | 2009-05-27 | 中国科学院长春光学精密机械与物理研究所 | 快速三角形星图识别方法 |
| CN103335648A (zh) * | 2013-06-27 | 2013-10-02 | 北京航天自动控制研究所 | 一种自主星图识别方法 |
-
2014
- 2014-04-08 CN CN201410138623.5A patent/CN103954280B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6324475B1 (en) * | 1997-02-13 | 2001-11-27 | Centre National D'etudes Spatiales | Method for identifying in a pre-established catalogue stars detected by a star sensor |
| CN101034408A (zh) * | 2007-04-16 | 2007-09-12 | 北京航空航天大学 | 一种基于蚁群算法的星图匹配识别方法 |
| CN101441082A (zh) * | 2008-12-22 | 2009-05-27 | 中国科学院长春光学精密机械与物理研究所 | 快速三角形星图识别方法 |
| CN103335648A (zh) * | 2013-06-27 | 2013-10-02 | 北京航天自动控制研究所 | 一种自主星图识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 一种改进的快速星图识别算法;吕春红等;《计算机测量与控制》;20101231;第18卷(第6期);全文 * |
| 改进的基于主星的星图识别算法;王海涌等;《光学精密工程》;20090131;第17卷(第1期);全文 * |
| 适合微小卫星应用的星图识别算法综述;尹航等;《第三十二届中国控制会议论文集（D卷）》;20131231;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103954280A (zh) | 2014-07-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103954280B (zh) | 一种快速和高鲁棒性自主恒星识别方法 | |
| CN103868510B (zh) | 一种快速全天星图自主恒星识别方法 | |
| CN106096538B (zh) | 基于定序神经网络模型的人脸识别方法及装置 | |
| CN106355577B (zh) | 基于特征状态与全局一致性的快速图像匹配方法及系统 | |
| CN104036480B (zh) | 基于surf算法的快速消除误匹配点方法 | |
| CN104851095B (zh) | 基于改进型形状上下文的工件图像稀疏立体匹配方法 | |
| CN108416342A (zh) | 一种结合细节点和细线结构的指纹识别方法 | |
| CN109544612A (zh) | 基于特征点几何表面描述的点云配准方法 | |
| Yue et al. | Robust loop closure detection based on bag of superpoints and graph verification | |
| CN104063711B (zh) | 一种基于K‑means方法的走廊消失点快速检测算法 | |
| CN110175615A (zh) | 模型训练方法、域自适应的视觉位置识别方法及装置 | |
| CN108021890B (zh) | 一种基于plsa和bow的高分遥感影像港口检测方法 | |
| CN107958255A (zh) | 一种基于图像的目标检测方法及装置 | |
| CN103226584B (zh) | 形状描述符的构建方法及基于该描述符的图像检索方法 | |
| CN114694042B (zh) | 一种基于改进Scaled-YOLOv4的伪装人员目标检测方法 | |
| CN107590234B (zh) | 一种基于ransac的室内视觉定位数据库冗余信息减少的方法 | |
| CN100390023C (zh) | 一种快速星图识别方法 | |
| CN104899892A (zh) | 一种快速的星图图像星点提取方法 | |
| CN108460336A (zh) | 一种基于深度学习的行人检测方法 | |
| CN115439839A (zh) | 基于点云数据的多类型结构面分层识别方法 | |
| CN109325407B (zh) | 基于f-ssd网络滤波的光学遥感视频目标检测方法 | |
| CN108021878B (zh) | 一种等高线负向地貌智能识别方法 | |
| CN107941210B (zh) | 一种结合神经网络技术及三角形算法的星图识别方法 | |
| CN105956581A (zh) | 一种快速的人脸特征点初始化方法 | |
| CN112179335B (zh) | 一种基于最简一般子图的星图识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |