CN102313549A - 一种基于惯性比特征的三角形星图识别方法 - Google Patents

Abstract

本发明公开了一种基于惯性比特征的三角形星图识别方法，包括：构造并存储包含导航三角形的形心惯性比值及所述导航三角形的一个边的角距值的导航特征库；依据视场内观测星的数目，确定观测三角形，之后确定所有观测三角形的形心惯性比及与导航特征库保存的属性相同的边的角距值；将确定的所有观测三角形的形心惯性比及所述边的角距值与导航特征库中的形心惯性比及边的角距值进行匹配，确定与观测三角形匹配的导航三角形；利用所述匹配的导航三角形产生参考星图，并与观测星图进行星点匹配，完成识别过程。采用本发明的方法，能在减少存储空间的同时，提高匹配速度。

Description

一种基于惯性比特征的三角形星图识别方法

技术领域

本发明涉及星图识别技术，特别是指一种基于惯性比特征的三角形星图识别方法。

背景技术

星敏感器作为一种航天器姿态测量仪器，由于具有自主性强、无误差积累、以及精度高等优点，因此已广泛应用于航天领域，而星图识别是星敏感器完成航天器姿态测量的关键技术之一。

三角形星图识别方法是目前应用较为成熟的全天自主星图识别方法。三角形星图识别方法的基本原理为：在观测星图中选定三颗观测星构成三角形，以两两观测星之间的角距作为匹配特征量，在导航星库中寻找最接近的三角形进行匹配识别。但是，在传统的三角形星图识别方法中，将导航星所有能构成的导航三角形都存储起来，以供匹配识别，如此，会导致导航三角形的数目过于庞大，从而会造成占用的存储空间较大；并且，过多的导航三角形会包含大量的冗余信息，如此，会造成识别的时间长、识别率低等问题。这里，传统的三角形星图识别方法详见Liebe C C.，Star trackers for attitude determination，IEEETrans on Aerospace and Electronic System，1995，31(1)：10-16。

为解决上述问题，申请号为200410102585.4、发明名称为“一种基于三角形特征的星图识别方法”的中国专利提出了一种技术方案，该技术方案包括：首先，从观测星图中挑选出最亮的六颗星，若不足六颗，则选所有星组成观测三角形；然后，利用星对角距与星对数据库中角距进行匹配，在匹配过程中设置状态标识，实现快速搜索识别；最后，利用匹配的导航三角形计算出的姿态值产生一幅参考星图与原始的观测星图进行比较验证，若二者一致，则识别成功。仿真实验表明，该方法与传统的三角形星图识别方法相比，在抗星点位置噪声和星等噪声干扰能力、识别时间、以及存储空间等方面均具有较大的优势。但是，随着视场的增大，采用该方法需要存储的角距范围仍会急剧增大，从而造成存储的信息量急剧增大，进而会导致该方法中星对数据库所需的存储空间快速增大；并且，当星点位置噪声标准偏差大于1个像素时，识别率下降也会比较快。

发明内容

有鉴于此，本发明的主要目的在于提供一种基于惯性比特征的三角形星图识别方法，能在减少存储空间的同时，实现快速匹配的目的。

为达到上述目的，本发明的技术方案是这样实现的：

本发明提供了一种基于惯性比特征的三角形星图识别方法，该方法包括：

构造并存储包含导航三角形的形心惯性比值及所述导航三角形的一个边的角距值的导航特征库；

依据视场内观测星的数目，确定观测三角形，之后确定所有观测三角形的形心惯性比及与导航特征库保存的属性相同的边的角距值；

将确定的所有观测三角形的形心惯性比及所述边的角距值与导航特征库中的形心惯性比及边的角距值进行匹配，确定与观测三角形匹配的导航三角形；

利用所述匹配的导航三角形产生参考星图，并与观测星图进行星点匹配，完成识别过程。

上述方案中，所述构造并存储包含导航三角形的形心惯性比值及所述导航三角形的一个边的角距值的导航特征库，为：

设星敏感器的视场为M°×N°，其中，M≥N；

以基本星表中每个导航星的视轴为中心，生成半径为M°/2的圆形视场；

依据生成的圆形视场内的导航星的数目，确定导航特征库中的导航三角形；依据公式 $\mathrm{\μ}=\mathrm{sign}\×\frac{I_c}{I_{\mathrm{rc}}}=\mathrm{sign}\×\frac{a^2+c^2-a\sqrt{c^2-h^2}}{3(a^2+h^2)},$ 确定所述导航特征库中的每个导航三角形的形心惯性比值，并确定一个边的角距值，将确定的所述所有导航三角形的形心惯性比值及一个边的角距值保存至导航特征库；

其中，将导航三角形的三条边的角距值，按照降序进行排列，如果三条边排列时成逆时针方向，则sign＝1，如果三条边排列时成顺时针方向，则sign＝-1，I_c表示导航三角形的形心极惯性矩，I_rc表示导航三角形对应的最小包络矩形的形心极惯性矩，a表示导航三角形的最长边的边长，c表示导航三角形除最长边外两条边中的任意一条边的边长，h表示导航三角形的最长边上的高。

上述方案中，所述依据生成的圆形视场内的导航星的数目，确定导航特征库中的导航三角形，为：

如果所述圆形视场内的导航星的数目小于等于p1，则选择所述圆形视场内所有的导航星组成导航三角形；

如果所述圆形视场内的导航星的数目大于p1且小于等于p2，则选取所述圆形视场内最亮的p1颗导航星组成导航三角形；

如果所述圆形视场内的导航星的数目大于p2，则按照距离所述圆形视场中心的距离大小升序，将所述圆形视场内所有的导航星进行排序；之后选取所述圆形视场内距离所述圆形视场中心的距离最近的p2颗导航星中最亮的p1颗导航星组成导航三角形；其中，p1＜p2。

上述方案中，在组成导航三角形时，该方法进一步包括：

组成的导航三角形的最短边的角距值大于设置的域值。

上述方案中，在将确定的所述所有导航三角形的所述形心惯性比值及一个边的角距值保存至导航特征库时，该方法进一步包括：

将所有导航三角形的确定的所述边的角距值，按照大小进行排序，并以A弧度为单位，对所有导航三角形的确定的所述边的角距值进行块划分，将所有导航三角形划分为n个子块，为每个子块从零开始进行编号。

上述方案中，所述依据视场内观测星的数目，确定观测三角形，为：

判断视场内观测星的数目是否大于P，如果大于P，则挑选出一颗观测星作为主星，将距离所述主星最近的Q颗观测星作为辅星，由主星及Q颗辅星组成观测三角形，如果小于等于P，则选择视场内所有的观测星组成观测三角形。

上述方案中，所述确定所有观测三角形的形心惯性比，为：

依据公式 $\mathrm{\μ}=\mathrm{sign}\×\frac{I_c}{I_{\mathrm{rc}}}=\mathrm{sign}\×\frac{a^2+c^2-a\sqrt{c^2-h^2}}{3(a^2+h^2)},$ 确定所有观测三角形的形心惯性比。

上述方案中，在将确定的所有观测三角形的形心惯性比及所述边的角距值与导航特征库中的形心惯性比、以及边的角距值进行匹配之前，该方法进一步包括：

采用散列函数的数据查找方式搜索导航特征库。

上述方案中，所述采用散列函数的数据查找方式搜索导航特征库，为：

依据公式确定所述观测三角形所需要匹配的导航三角形所属的子块编号；

依据子块编号，查找到所述需要匹配的导航三角形所属的子块；其中，l₀≤min(l)，n(l)表示观测三角形所需要匹配的导航三角形所属的子块编号，l表示观测三角形的边的角距值，

表示向下取整，min表示导航特征库中边的角距值的最小值。

上述方案中，所述确定与观测三角形匹配的导航三角形，为：

将满足公式 $\left\{\begin{array}{c}|\mathrm{\μ}-{\mathrm{\μ}}_1|\≤B\\ |l-l_1|\≤A\end{array}\right.$ 的导航三角形确定为匹配的导航三角形；

其中，μ表示观测三角形的形心惯性比，μ₁表示导航三角形的形心惯性比，l表示观测三角形的边的角距值，l₁表示导航三角形的边的角距值。

本发明提供的基于惯性比特征的三角形星图识别方法，构造并存储包含导航三角形的形心惯性比值及所述导航三角形的一个边的角距值的导航特征库；依据视场内观测星的数目，确定观测三角形，之后确定所有观测三角形的形心惯性比及与导航特征库保存的属性相同的边的角距值；将确定的所有观测三角形的形心惯性比及所述边的角距值与导航特征库中的形心惯性比及边的角距值进行匹配，确定与观测三角形匹配的导航三角形；利用所述匹配的导航三角形产生参考星图，并与观测星图进行星点匹配，完成识别过程，由于将三角形的特征量的维数缩减至2维，即：三角形的特征量为三角形的形心惯性比值及所述导航三角形的一个边的角距值，如此，能减少存储空间，同时，还能提高匹配速度。

另外，采用散列函数的数据查找方式搜索导航特征库，如此，能进一步提高匹配速度。

除此以外，仿真实验表明，本发明提供的基于惯性比特征的三角形星图识别方法，能在保证识别率的前提下，对星点位置噪声及星等噪声均具有较强的抗干扰能力。

附图说明

图1为本发明基于惯性比特征的三角形星图识别的方法流程示意图；

图2为极惯性矩的原理示意图；

图3为三角形与对应的最小包络矩形示意图；

图4为本发明的导航特征库的数据结构示意图；

图5为实施例一进行匹配识别的方法流程示意图；

图6为实施例二对星点位置噪声的抗干扰能力示意图；

图7为实施例二对星等噪声的抗干扰能力示意图；

图8为实施例二外场的观测星图。

具体实施方式

下面结合附图及具体实施例对本发明再作进一步详细的说明。

本发明基于惯性比特征的三角形星图识别方法，如图1所示，包括以下步骤：

步骤100：构造并存储包含导航三角形的形心惯性比值及所述导航三角形的一个边的角距值的导航特征库；所述三角形的形心惯性比为：三角形的形心极惯性矩与对应的最小包络矩形的形心极惯性矩之比；

这里，所述导航三角形是指：由导航星组成的三角形。

一般，导航数据库包括：导航星表及导航特征库。其中，导航星表是从基本星表中挑选亮度大于星等值M_T的恒星来组成，这些恒星被称为导航星，导航星表包含导航星的序号、星等、赤经、赤纬等数据，这些数据是星图识别和姿态计算的基础；导航特征库包括：导航星表中导航星所组成的三角形的相关信息，即：导航三角形的形心惯性比和导航三角形的一个边的角距值、以及组成导航三角形的三颗导航星的序号。

这里，所述导航星的序号是指该导航星在导航星表中的排列顺序。在实际应用时，可以依据需要设置导航星表中的导航星的序号。

在构建导航三角形时，如果任意选取导航星表中的三颗导航星组成导航三角形，则三角形的数量会很庞大，举个例子来说，选取sao2000星表中不大于5.5等的导航星，则会有

个导航三角形，在这种情况下，即使加上视场的约束条件，导航三角形的数量也同样会很庞大，从而会造成星图识别时的内存开销非常大，并且，在后续进行匹配时，会造成导航三角形的冗余比较多。同时，为保证全天识别时导航三角形能够均匀分布在天球区域，且能够被选中，因此，本步骤的具体实现，包括：

设星敏感器的视场为M°×N°，其中，M≥N；

以基本星表中每个导航星的视轴为中心，生成半径为M°/2的圆形视场；

依据生成的圆形视场内的导航星的数目，确定导航特征库中的导航三角形；

依据公式 $\mathrm{\μ}=\mathrm{sign}\×\frac{I_c}{I_{\mathrm{rc}}}=\mathrm{sign}\×\frac{a^2+c^2-a\sqrt{c^2-h^2}}{3(a^2+h^2)},$ 确定所述导航特征库中的每个导航三角形的形心惯性比值，并确定一个边的角距值，将确定的所述所有导航三角形的形心惯性比值及一个边的角距值保存至导航特征库；

其中，将导航三角形的三条边的角距值，按照降序进行排列，如果三条边排列时成逆时针方向，则sign＝1，如果三条边排列时成顺时针方向，则sign＝-1，I_c表示导航三角形的形心极惯性矩，I_rc表示导航三角形对应的最小包络矩形的形心极惯性矩，a表示导航三角形的最长边的边长，c表示导航三角形除最长边外两条边中的任意一条边的边长，h表示导航三角形的最长边上的高。如果三条边排列时成逆时针方向，则sign＝1，如果三条边排列时成顺时针方向，则sign＝-1，如此，能减少观测三角形的冗余匹配。

其中，M与N的取值与采用的星敏感器的视场决定；可以依据星敏感器所能敏感的极限星等来确定M_T；其中，星敏感器所能敏感的极限星等的具体处理过程可采用现有技术；导航特征库还包括：组成导航三角形的三颗导航星的序号。

所述依据生成的圆形视场内的导航星的数目，确定导航特征库中的导航三角形，具体为：

如果所述圆形视场内的导航星的数目小于等于p1，则选择所述圆形视场内所有的导航星组成导航三角形；

如果所述圆形视场内的导航星的数目大于p1且小于等于p2，则选取所述圆形视场内最亮的p1颗导航星组成导航三角形；

如果所述圆形视场内的导航星的数目大于p2，则按照距离所述圆形视场中心的距离大小升序，将所述圆形视场内所有的导航星进行排序；之后选取所述圆形视场内距离所述圆形视场中心的距离最近的p2颗导航星中最亮的p1颗导航星组成导航三角形。

其中，p1＜p2；可以根据仿真结果对p1及p2进行取值，以便实现匹配精准的目的，这里，根据仿真结果对p1及p2进行取值的具体处理过程为本领域技术人员惯用技术手段。

在组成导航三角形时，该方法还可以进一步包括：

组成的导航三角形的最短边的角距值大于设置的域值，以避免双星距离太近，造成干扰；其中，可以根据仿真结果设置域值，根据仿真设置域值的具体处理过程为本领域技术人员惯用技术手段。

在确定一个边的角距值时，所有导航三角形均选取同一性质的边，比如：可以选取最长边，或者，可以选取最短边等。确定一个边的角距值的具体处理过程为现有技术，这里不再赘述。

惯性矩是一个通常用作表征物体抵抗扭动、扭转的能力的物理量。如图2所示，某个截面对于任何一点的极惯性矩，等于该截面对以该点为原点的任意一组正交坐标系的截面二次轴矩之和，即：

I_ρ＝∫_A(x²+y²)dA                (1)

其中，ρ表示微元距原点的距离，dA表示微元的面积，x表示微元距Y轴的距离，y表示微元距X轴的距离。

几何图形的最小包络矩形是指：一个完全包含了几何图形上所有的点及线、各边均与几何图形相接触、且面积最小的矩形。几何图形的最小包络矩形在一定程度上描述了几何图形的长和宽，且具有唯一性。

由于一个几何图形的惯性矩和极惯性矩的大小与该图形的相对原点位置有关，而形心极惯性矩是一个不变量，因此，可以选取几何图形的形心极惯性矩与对应的最小包络矩形的形心极惯性矩的比值来衡量一个几何图形的所具有的一个特征量，可以将该特征量定义为几何图形的形心惯性比。

根据几何图形的形心惯性比的定义可知，形心惯性比为一个无量纲、且有限的值，不受几何图形的位置及方位影响，因此，可以用它来有效地描述一个几何图形的特征，比如：三角形等规则的几何图形。

如图3所示，依据几何图形的形心极惯性矩的定义，则三角形的形心极惯性矩为：

$I_c=I_{\mathrm{cx}}+I_{\mathrm{cy}}$

$={\∫}_{-h/3}^{2h/3}{y}^2\·(\frac{2}{3}h-y)\frac{a}{h}\mathrm{dy}+{\∫}_0^a{x}^2\·\left(\frac{a-x}{a-\sqrt{c^2-h^2}}\right)\mathrm{hdx}$

$+{\∫}_0^{\sqrt{c^2-h^2}}{x}^2\·\left(\frac{\sqrt{c^2-h^2}-x}{\sqrt{c^2-h^2}}\right)\frac{\mathrm{ah}}{a-\sqrt{c^2-h^2}}\mathrm{dx}-\frac{\mathrm{ah}}{2}\·{\left(\frac{a+\sqrt{c^2-h^2}}{3}\right)}^2$

$=\frac{\mathrm{ah}}{36}(a^2+c^2-a\sqrt{c^2-h^2})---\left(2\right)$

其中，x表示微元距Y轴的距离，y表示微元距X轴的距离，a表示三角形的最长边的边长、h表示三角形最长边a上的高，c表示三角形的除最长边a外的两条边中的任意一条的边长。

经实验证实，所述三角形的最小包络矩形，为：由三角形的最长边a及最长边a上的高h组成的矩形；依据几何图形的形心极惯性矩的定义，则三角形的最小包络矩形的形心极惯性矩为：

$I_{\mathrm{rc}}=I_{\mathrm{rcx}}+I_{\mathrm{rcy}}$

$={\∫}_{-h/2}^{h/2}{y}^2\·\mathrm{ady}+{\∫}_{-a/2}^{a/2}{x}^2\·\mathrm{hdx}$

$=\frac{\mathrm{ah}}{12}(a^2+h^2)---\left(3\right)$

根据公式(2)及公式(3)，则三角形的形心惯性比为：

$\mathrm{\μ}=\mathrm{sign}\×\frac{I_c}{I_{\mathrm{rc}}}=\mathrm{sign}\×\frac{a^2+c^2-a\sqrt{c^2-h^2}}{3(a^2+h^2)}---\left(4\right)$

在将确定的所述所有导航三角形的所述形心惯性比值及一个边的角距值保存至导航特征库时，该方法进一步包括：

将所有导航三角形的确定的所述边的角距值，按照大小进行排序，并以A弧度为单位，对所有导航三角形的确定的所述边的角距值进行块划分，将所有导航三角形划分为n个子块，为每个子块从零开始进行编号。

其中，在进行排序时，可以按照升序的方式进行排列，也可以按照降序的方式进行排列；可以依据星点位置噪声水平确定A的取值，在星点位置噪声标准偏差不超过2个像素的情况下，A的取值可以为0.002，这里，依据星点位置噪声水平确定A的取值的具体处理过程为本领域技术人员惯用技术手段。在为每个子块进行编号时，可以从0开始，依次增加，最后一个子块的编号为n-1。

下面以星敏感器的视场为20°×20°，选取的导航三角形的一个边的角距值为最长边的角距值为例，详细说明构造导航特征库的过程。基本星表采用sao2000星表中不大于5.5等的恒星，以基本星表中每个导航星的视轴为中心，生成半径为M°/2＝20°/2＝10°的圆形视场；且p1＝5，p2＝10，并保证所选导航三角形的最短边的角距值大于0.5°，经过挑选，共有17394个导航三角形，将所有导航三角形的确定的所述边的角距值，按照大小进行排序，导航特征库中导航三角形的最长边角距值的范围为[0.0095 0.4578]，并以0.002弧度为单位，一共可以划分为225个子块，编号范围为0-224，将确定的所有导航三角形的形心惯性比值及最长边的角距值保存至导航特征库后，则形成如图4所示的数据结构。如图4所示，三颗导航星的序号分别为对应的导航星在导航星表中的排列顺序，即：导航特征库中导航星的序号与导航星表中对应的导航星的序号相同。

步骤101：依据视场内观测星的数目，确定观测三角形，之后确定所有观测三角形的形心惯性比及与导航特征库保存的属性相同的边的角距值；

这里，所述观测三角形是指有观测星组成的三角形。

所述依据视场内观测星的数目，确定观测三角形，具体为：

判断视场内观测星的数目是否大于P，如果是，则挑选出一颗观测星作为主星，将距离所述主星最近的Q颗观测星作为辅星，由主星及Q颗辅星组成观测三角形，否则，选择视场内所有的观测星组成观测三角形。

其中，P及Q的取值依据经验进行设置，一般，可以设置P为6，Q为4。在挑选主星时，先挑选出离视场中心最近的观测星作为主星，当挑选出离视场中心最近的观测星作为主星，且星图识别失败时，再挑选出离视场中心次近的观测星作为主星，以此类推，直至星图识别成功或所有观测星均处理完为止。

主星及Q颗辅星组成的观测三角形的个数为

所述确定所有观测三角形的形心惯性比，具体为：

依据公式 $\mathrm{\μ}=\mathrm{sign}\×\frac{I_c}{I_{\mathrm{rc}}}=\mathrm{sign}\×\frac{a^2+c^2-a\sqrt{c^2-h^2}}{3(a^2+h^2)},$ 确定所有观测三角形的形心惯性比；其中，确定观测三角形的形心惯性比时的c的属性与确定导航三角形的形心惯性比时的c的属性完全相同，举个例子来说，当确定导航三角形的形心惯性比时，c为导航三角形的最短边，则确定观测三角形的形心惯性比时，c也为观测三角形的最短边；当确定导航三角形的形心惯性比时，c为导航三角形的次短边，则确定观测三角形的形心惯性比时，c也为观测三角形的次短边。

确定观测三角形的与导航特征库保存的属性相同的边的角距值是指：当导航特征库保存的边的角距值为最长边的角距值时，则确定观测三角形的边的角距值为最长边的角距值，当导航特征库保存的边的角距值为最短边的角距值时，则确定观测三角形的边的角距值为最短边的角距值，当导航特征库保存的边的角距值为次长边的角距值时，则确定观测三角形的边的角距值为次长边的角距值。

确定观测三角形的边的角距值的具体处理过程为现有技术，这里不再赘述。

步骤102：将确定的所有观测三角形的形心惯性比及所述边的角距值与导航特征库中的形心惯性比及边的角距值进行匹配，确定与观测三角形匹配的导航三角形；

这里，在将确定的所有观测三角形的形心惯性比及所述边的角距值与导航特征库中的形心惯性比、以及边的角距值进行匹配之前，该方法还可以进一步包括：

采用散列函数的数据查找方式搜索导航特征库；

具体地，依据公式

确定所述观测三角形所需要匹配的导航三角形所属的子块编号；

依据子块编号，查找到所述需要匹配的导航三角形所属的子块；其中，l₀≤min(l)，n(l)表示观测三角形所需要匹配的导航三角形所属的子块编号，l表示观测三角形的边的角距值，表示向下取整，min表示导航特征库中边的角距值的最小值。

相应的，找到所述子块后，与所述子块中的导航三角形的形心惯性比、以及边的角距值进行匹配。

所述确定与观测三角形匹配的导航三角形，具体为：

将满足公式 $\left\{\begin{array}{c}|\mathrm{\μ}-{\mathrm{\μ}}_1|\≤B\\ |l-l_1|\≤A\end{array}\right.$ 的导航三角形确定为匹配的导航三角形；

其中，μ表示观测三角形的形心惯性比，μ₁表示导航三角形的形心惯性比，l表示观测三角形的边的角距值，l₁表示导航三角形的边的角距值。依据星点位置噪声水平确定B的取值，在星点位置噪声标准偏差不超过2个像素的情况下，B的取值可以为0.0004；这里，依据星点位置噪声水平确定B的取值的具体处理过程为本领域技术人员惯用技术手段。

这里，与观测三角形匹配的导航三角形的个数可以为一个以上。

步骤103：利用所述匹配的导航三角形产生参考星图，并与观测星图进行星点匹配，完成识别过程。

这里，本步骤的具体实现可采用现有技术。

当所述匹配的导航三角形的个数为两个以上时，从所有所述匹配的导航三角形中任意选择一个导航三角形，并利用选出的导航三角形产生一幅参考星图，与观测星图进行星点匹配，如果能匹配，则表明完成识别过程，如果不能匹配，则从所有所述匹配的导航三角形中再任意选择一个导航三角形，并利用选出的导航三角形产生一幅参考星图，与观测星图进行星点匹配，以此类推，直至选出的导航三角形产生的参考星图能与观测星图匹配或所有所述匹配的导航三角形均处理完为止，这里，所述所有所述匹配的导航三角形均处理完是指：每个所述匹配的导航三角形产生的参考星图均与观测星图进行星点匹配；如果所有所述匹配的导航三角形产生的参考星图均与观测星图不能匹配，则说明本次识别失败。

这里，需要说明的是：利用三角形星图识别方法进行星图识别时，要求视场内观测星的数目为三颗以上，如果视场内观测星的数目小于三颗，则无法利用三角形星图识别方法进行识别及定姿。

星敏感器的工作模式可分为：全天自主识别模式及跟踪识别模式两种。其中，当星敏感器刚进入工作模式或初始姿态丢失时，需要进行全天自主星图识别，即：星敏感器的工作模式为全天自主识别模式，计算出当前姿态，从而进入后续的跟踪星图识别，即：星敏感器的工作模式为跟踪识别模式。本发明提供的方法属于全天自主星图识别的方法。

下面结合实施例对本发明再作进一步详细的描述。

实施例一

在本实施例中，已采用本发明的方法构造并存储了包含导航三角形的形心惯性比值及所述导航三角形的一个边的角距值的导航特征库，并生成了导航数据库；P的取值为6，Q的取值为4，A的取值为0.002，B的取值为0.0004。本实施例进行匹配识别的方法，如图5所示，包括以下步骤：

步骤501：观测到星后，判断视场内观测星的数目是否大于6，如果是，则执行步骤502，否则，执行步骤504；

步骤502：进一步判断视场内的所有星是否均处理过，如果是，则执行步骤510，否则，执行步骤503；

这里，判断视场内的所有星是否均处理过是指：视场内的所有星均作为过主星。

步骤503：挑选出一颗观测星作为主星，将距离所述主星最近的4颗观测星作为辅星，由主星及4颗辅星组成观测三角形，之后执行步骤505；

步骤504：选择视场内所有的观测星组成观测三角形，之后执行步骤505；

步骤505：确定所有观测三角形的形心惯性比及与导航特征库保存的属性相同的边的角距值；

步骤506：采用散列函数的数据查找方式搜索导航特征库，将确定的所有观测三角形的形心惯性比及所述边的角距值与导航特征库中的形心惯性比及边的角距值进行匹配，确定与观测三角形匹配的导航三角形，并将确定的导航三角形保存至待验证的导航三角形集合中；

这里，所述采用散列函数的数据查找方式搜索导航特征库，具体为：

具体地，依据公式确定所述观测三角形所需要匹配的导航三角形所属的子块编号；

依据子块编号，查找到所述需要匹配的导航三角形所属的子块。

所述确定与观测三角形匹配的导航三角形，具体为：

将满足公式 $\left\{\begin{array}{c}|\mathrm{\μ}-{\mathrm{\μ}}_1|\≤0.0004\\ |l-l_1|\≤0.002\end{array}\right.$ 的导航三角形确定为匹配的导航三角形。

步骤507：从待验证的导航三角形集合中任意选择一个导航三角形，计算出星敏感器的姿态，并根据计算出的姿态产生一幅参考星图，并与观测星图进行星点匹配，如果匹配，则执行步骤510，否则，执行步骤508；

步骤508：从待验证的导航三角形集合中再任意选择一个导航三角形，计算出星敏感器的姿态，并根据计算出的姿态产生一幅参考星图，并与观测星图进行星点匹配，如果匹配，则执行步骤510，否则，执行步骤509；

步骤509：再次判断视场内观测星的数目是否大于6，如果是，则执行步骤502，否则，执行步骤510；

这里，如果视场内观测星的数目小于6，则说明星点匹配失败，即：识别失败。

步骤510：结束当前处理流程。

实施例二

在本实施例中，采用Monte Carlo方法产生1000幅模拟星图，通过星点位置噪声、星等噪声对识别的影响进行了仿真实验。表1给出了仿真实验的各项参数。

表1

为了考察本发明提供的星图识别方法对星点位置噪声的抗干扰能力，现对星图中星点位置加上均值为0，标准差σ从0到2个像素变化的高斯噪声，识别结果如图6所示。从图6中可以看出，当星点位置噪声标准差σ等于2个像素时，采用本发明提供的方法，识别率可以达到99％以上。这表明，本发明提供的方法，对星点位置噪声具有较强的抗干扰能力。

同样，对星图中星点加上均值为0，标准差σ从0到0.8星等变化的高斯噪声，识别结果如图7所示。从图7中可以看出，由于没有利用亮度信息作为特征量，当星等噪声小于或等于0.8星等时，采用本发明提供的方法，识别率可以达到99％以上的识别率。这表明，本发明提供的方法，对星等噪声具有较强的抗干扰能力。

在Intel P4_2.80GHz Windows XP的计算机平台下，对1000幅模拟星图进行了识别，平均识别时间为1.25ms，导航数据库的存储空间大小为0.498Mb。

同时，图8为外场的观测星图，采用本发明的方法对图8所示的外场的观测星图进行了识别。表2给出了识别结果。

表2

从识别结果可以看出，本发明提供的方法，能够正确识别出视场内所有的观测星，并计算出姿态信息。

以上所述，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。

Claims (10)

1.一种基于惯性比特征的三角形星图识别方法，其特征在于，该方法包括：构造并存储包含导航三角形的形心惯性比值及所述导航三角形的一个边的角距值的导航特征库；该方法还包括：

依据视场内观测星的数目，确定观测三角形，之后确定所有观测三角形的形心惯性比及与导航特征库保存的属性相同的边的角距值；

将确定的所有观测三角形的形心惯性比及所述边的角距值与导航特征库中的形心惯性比及边的角距值进行匹配，确定与观测三角形匹配的导航三角形；

利用所述匹配的导航三角形产生参考星图，并与观测星图进行星点匹配，完成识别过程。

2.根据权利要求1所述的方法，其特征在于，所述构造并存储包含导航三角形的形心惯性比值及所述导航三角形的一个边的角距值的导航特征库，为：

设星敏感器的视场为M°×N°，其中，M≥N；

以基本星表中每个导航星的视轴为中心，生成半径为M°/2的圆形视场；

依据生成的圆形视场内的导航星的数目，确定导航特征库中的导航三角形；

依据公式 $\mathrm{\μ}=\mathrm{sign}\×\frac{I_c}{I_{\mathrm{rc}}}=\mathrm{sign}\×\frac{a^2+c^2-a\sqrt{c^2-h^2}}{3(a^2+h^2)},$ 确定所述导航特征库中的每个导航三角形的形心惯性比值，并确定一个边的角距值，将确定的所述所有导航三角形的形心惯性比值及一个边的角距值保存至导航特征库；

其中，将导航三角形的三条边的角距值，按照降序进行排列，如果三条边排列时成逆时针方向，则sign＝1，如果三条边排列时成顺时针方向，则sign＝-1，I_c表示导航三角形的形心极惯性矩，I_rc表示导航三角形对应的最小包络矩形的形心极惯性矩，a表示导航三角形的最长边的边长，c表示导航三角形除最长边外两条边中的任意一条边的边长，h表示导航三角形的最长边上的高。

3.根据权利要求2所述的方法，其特征在于，所述依据生成的圆形视场内的导航星的数目，确定导航特征库中的导航三角形，为：

如果所述圆形视场内的导航星的数目小于等于p1，则选择所述圆形视场内所有的导航星组成导航三角形；

如果所述圆形视场内的导航星的数目大于p1且小于等于p2，则选取所述圆形视场内最亮的p1颗导航星组成导航三角形；

如果所述圆形视场内的导航星的数目大于p2，则按照距离所述圆形视场中心的距离大小升序，将所述圆形视场内所有的导航星进行排序；之后选取所述圆形视场内距离所述圆形视场中心的距离最近的p2颗导航星中最亮的p1颗导航星组成导航三角形；

其中，p1＜p2。

4.根据权利要求3所述的方法，其特征在于，在组成导航三角形时，该方法进一步包括：

组成的导航三角形的最短边的角距值大于设置的域值。

5.根据权利要求2所述的方法，其特征在于，在将确定的所述所有导航三角形的所述形心惯性比值及一个边的角距值保存至导航特征库时，该方法进一步包括：

将所有导航三角形的确定的所述边的角距值，按照大小进行排序，并以A弧度为单位，对所有导航三角形的确定的所述边的角距值进行块划分，将所有导航三角形划分为n个子块，为每个子块从零开始进行编号。

6.根据权利要求1至5任一项所述的方法，其特征在于，所述依据视场内观测星的数目，确定观测三角形，为：

判断视场内观测星的数目是否大于P，如果大于P，则挑选出一颗观测星作为主星，将距离所述主星最近的Q颗观测星作为辅星，由主星及Q颗辅星组成观测三角形，如果小于等于P，则选择视场内所有的观测星组成观测三角形。

7.根据权利要求6所述的方法，其特征在于，所述确定所有观测三角形的形心惯性比，为：

依据公式 $\mathrm{\μ}=\mathrm{sign}\×\frac{I_c}{I_{\mathrm{rc}}}=\mathrm{sign}\×\frac{a^2+c^2-a\sqrt{c^2-h^2}}{3(a^2+h^2)},$ 确定所有观测三角形的形心惯性比。

8.根据权利要求1至5任一项所述的方法，其特征在于，在将确定的所有观测三角形的形心惯性比及所述边的角距值与导航特征库中的形心惯性比、以及边的角距值进行匹配之前，该方法进一步包括：

采用散列函数的数据查找方式搜索导航特征库。

9.根据权利要求8所述的方法，其特征在于，所述采用散列函数的数据查找方式搜索导航特征库，为：

依据公式

确定所述观测三角形所需要匹配的导航三角形所属的子块编号；

依据子块编号，查找到所述需要匹配的导航三角形所属的子块；其中，l₀≤min(l)，n(l)表示观测三角形所需要匹配的导航三角形所属的子块编号，l表示观测三角形的边的角距值，

表示向下取整，min表示导航特征库中边的角距值的最小值。

10.根据权利要求6所述的方法，其特征在于，所述确定与观测三角形匹配的导航三角形，为：

将满足公式 $\left\{\begin{array}{c}|\mathrm{\μ}-{\mathrm{\μ}}_1|\≤B\\ |l-l_1|\≤A\end{array}\right.$ 的导航三角形确定为匹配的导航三角形；

其中，μ表示观测三角形的形心惯性比，μ₁表示导航三角形的形心惯性比，l表示观测三角形的边的角距值，l₁表示导航三角形的边的角距值。

Images