CN104406594A - 交会对接航天器相对位姿的测量算法 - Google Patents

Abstract

本发明公开了一种交会对接航天器相对位姿的测量算法，包含如下步骤：航天器的相机采集交会目标航天器的图像；对所述的采集的对接口图像进行预处理；通过OTSU算法对图像进行目标分割，得出感兴趣区域；对分割得到的感兴趣区域的边界点进行亚像素特征点提取，进行基于亚像素特征点的位姿测量。本发明解决了视觉导航过程中高精度特征检测与位姿测量问题。

Description

交会对接航天器相对位姿的测量算法

技术领域

本发明涉及卫星相对导航技术，特别涉及一种交会对接航天器相对位姿的测量算法。

背景技术

航天器与目标航天器的空间对接中，需要对航天器与目标航天器之间的相对位置和姿态参数进行精确测量。基于视觉的测量方式具有非接触、精度较高、稳定性好等特点。在非合作的目标视觉测量实现过程中，通过实现对被测目标的特征进行准确的提取，为后续的空间位姿解算提供基础。

空间相对位姿的高精度测量是交会对接的关键步骤，但是在交会对接过程中，由于空间环境的复杂性，会对图像造成各种干扰，如运动和散焦模糊、复杂噪声和杂散光的干扰等。如何对图像进行有效的预处理以提高图像质量，和高精度的特征提取和匹配，成为对接技术中相对位姿超高精度测量中的关键问题。 

发明内容

本发明的目的是提供一种交会对接航天器相对位姿的测量算法，解决了视觉导航过程中高精度特征检测与位姿测量问题。

为了实现以上目的，本发明是通过以下技术方案实现的：

一种交会对接航天器相对位姿的测量算法，包含如下步骤：

航天器的相机采集交会目标航天器的图像；

对所述的采集的对接口图像进行预处理；

通过OTSU算法对图像进行目标分割，得出感兴趣区域；

对分割得到的感兴趣区域的边界点进行亚像素特征点提取，进行基于亚像素特征点的位姿测量。

所述的采集图像的相机采用双目相机，采集时分别得到左图像和右图像。

所述的对接口图像预处理包含如下子步骤：

分别对左图像和右图像进行去模糊处理； 

对去模糊处理的图像进行降噪处理。

所述的去模糊处理采用总变分最小化模糊图像反卷积处理的方法。

所述的降噪处理基于SUSAN滤波。

在基于SUSAN滤波时，区分特征目标和背景的阈值的选值范围为                                               。

所述的进行基于亚像素特征点的位姿测量包含如下子步骤：

在提取得到的亚像素特征点中进行双向极线约束特征点匹配，得到同名点对；

若提取的同名点对数量大于3对，采用基于双目视觉的位姿测量方法计算位姿参数；若提取的同名点对数量小于等于3对，采用基于单目视觉的位姿测量方法计算位姿参数。

所述的双向极线约束特征点匹配的步骤为：

以左图像或右图像的某图像上的特征点为起始点集，遍历该某图像上的特征点，计算与之对应的另一图像的特征点，得到初始同名点对集合；

以初始同名点对集合中的另一图像上的特征点为起始，遍历初始同名点对集合中该图像的特征点，计算与之对应的某图像特征点，若得到的某图像特征点不在初始同名点对集合中，更新初始同名点对集合中某图像的特征点坐标，得到最优的同名点对。

本发明与现有技术相比，具有以下优点：

解决了视觉导航过程中高精度特征检测与位姿测量问题。

附图说明

图1为本发明交会对接航天器相对位姿的测量算法的方法流程图。 

具体实施方式

以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。

如图1所示，一种交会对接航天器相对位姿的测量算法，包含如下步骤：

航天器的相机采集交会目标航天器的图像，采集图像的相机采用双目相机，采集时分别得到左图像和右图像；

对所述的采集的对接口图像进行预处理，首先分别对左图像和右图像进行去模糊处理，采用总变分最小化模糊图像反卷积处理的方法，计算公式为：

其中：F(u,v)为去模糊后图像，G(u,v)为原始图像的傅里叶变换，计算公式为：，其中I(x,y)为原始图像，(x,y)表示图像像素坐标，范围为[1,…,M]，M为图像宽和高，p和q为常数，取值范围为[1,…,M]。

H(u,v)为退化的传递函数，H^*(u,v)表示H(u,v)的复共轭，计算公式为：，其中real(H(u,v))为H(u,v)函数的实部，imag(H(u,v))为H(u,v)函数的虚部。

的计算公式为：，其中H*(u,v)表示H(u,v)的复共轭。

取0.3，表示原始图像的功率谱，计算公式为：

其中：N为图像宽度，M为图像高度，x，y表示图像坐标，表示图像自相关函数，计算公式如下：

其中：N为图像宽度，M为图像高度，m，n为图像坐标，I为原始图像。

根据得到的去模糊后图像，进一步基于SUSAN滤波进行降噪处理，计算公式为：

其中：I(x,y)为原始图像，J(x,y)为降噪后图像，(x,y)为表示图像像素坐标，范围为[1,…,M]。

E的计算公式为：，其中，(i,j)为表示图像像素坐标在x方向和y方向上的位移量，σ为高斯平滑滤波器的标准差，取值4，t为区分特征目标和背景的阈值，选值范围为，在本实施例中，特征目标为图像中的目标航天器。

通过OTSU算法对去模糊和降噪后的图像进行目标分割，得出感兴趣区域，在本实施例中，感兴趣区域指的是目标航天器；分割阈值的计算公式为：

其中：k为灰度阈值，取值范围为[1,m]，m为图像上灰度级，μ为整幅图像灰度均值，计算公式为：，其中i为图像中灰度值，取值范围为[1,m]，m为图像上灰度级。p_i为灰度值为i的像素在整幅图像中的概率，计算公式为：，n为图像中总像素数量，n_i为图像中灰度值为i的像素数量。ω₀为图像所有像素灰度值小于k 的概率，计算公式为：，其中i为图像中灰度值，取值范围为[1,k-1]，k为图像灰度级阈值，p_i为灰度值为i的像素在整幅图像中的概率。ω₁为图像所有像素灰度值大于等于k 的概率，计算公式为：，其中i为图像中灰度值，取值范围为[k, m]，k为图像灰度级阈值，m为图像灰度级上限，p_i为灰度值为i的像素在整幅图像中的概率。

μ₀为图像中所有像素灰度值小于k的平均值，计算公式为：

其中i为图像中灰度值，取值范围为[k, m]，k为图像灰度级阈值，m为图像灰度级上限，p_i为灰度值为i的像素在整幅图像中的概率。

μ₁为图像中所有像素灰度值大于等于k的平均值，计算公式为：，其中i为图像中灰度值，取值范围为[k, m]，k为图像灰度级阈值，m为图像灰度级上限，p_i为灰度值为i的像素在整幅图像中的概率。

对分割得到的感兴趣区域的边界点进行亚像素特征点提取，在本实施例中，基于灰度值的亚像素特征点插值计算公式为：，其中：

(x,y)为图像特征点整像素坐标，坐标范围为图像的宽和高，f(x,y)表示图像坐标为(x,y)的像素点的灰度值。(u,v)为计算的亚像素图像坐标，符号[]表示向下取整。α为图像特征点在x方向坐标取整后的余数，β为图像特征点在y方向坐标取整后的余数。

在通过上述方法，提取得到的亚像素特征点中进行双向极线约束特征点匹配，以左图像或右图像的某图像（以左图像为例）上的特征点为起始点集，遍历左图像上的特征点，计算与之对应的右图像的特征点，得到初始同名点对集合CP；再以CP中的右图像上的特征点为起始，遍历CP中右图像的特征点，计算与之对应的左图像特征点，若得到的左图像特征点不在CP中，更新CP中左图像的特征点坐标，得到最优的同名点对。

左右图像中同名点对匹配的判据是点间的相对距离最小，点间距离计算方法为：，其中，(X_right,Y_right)为右图像上的提取的亚像素特征点在右图像上的坐标，(X_left,Y_left)为左图像上的提取的亚像素特征点在左图像上的坐标。在确定以某一幅图像为基准（以左图像为例），则计算左图像上的亚像素特征点在右图像上的对应特征点的搜索中心与搜索范围，搜索中心计算公式为：

其中(X_right,Y_right)为左图像上的提取的亚像素特征点在左图像上的坐标，B为两相机基线距，H_D为相机距基准面距离，f为相机焦距（左右相机具有相同焦距参数），Z_p为特征点对应实物上的点距基准面的距离。搜索范围计算公式为：。

在(X_right,Y_right)为中心，S_range为搜索范围内的所有特征点中，距离D最小的点为(X_left,Y_left)的同名点对，计算公式为：，其中(X_right,Y_right)为右图像上的与左图像(X_left,Y_left)对应的搜索中心，S_range为搜索范围，D为搜索空间中所有符合要求的点间距离。

若提取的同名点对数量大于3对，采用基于双目视觉的位姿测量方法计算位姿参数；若提取的同名点对数量小于等于3对，采用基于单目视觉的位姿测量方法计算位姿参数。

其中，基于双目视觉的位姿测量计算方法为：

其中(X₁,Y₁)为右图像上特征点坐标，(X_r,Y_r)为与之对应的左图像同名点坐标，f₁为相机焦距（左右相机设置为相同焦距），为左相机坐标系与右相机坐标系之间的旋转矩阵；为左相机坐标系原点与右相机坐标系原点之间的平移变换矢量。

假设共有N对同名点对，每对同名点对在目标坐标系下对应为同一点，(X_tj,Y_tj,Z_tj)为同名点在目标坐标系下的坐标，则每对同名点在目标坐标系下的坐标向量是M_tj=(X_tj,Y_tj,Z_tj)，其中，j=1,2,3,…N。从同名点对集合CP中任取三对，以M_t1,M_t2,M_t3为例，要求三点不共线，可得：

 

 。

旋转矩阵计算公式为： 。

遍历同名点对集合，使用个的均值减小测量误差，旋转矩阵的计算公式为：，其中，N表示同名点数量，ijk分别为选取的同名点标号，表示ijk三个同名点计算得到的旋转矩阵，符号∑表示求和。

滚转角φ、偏航角Ψ、俯仰角θ的公式分别为：

其中δ₁₃为旋转矩阵的第一行第三列，δ₂₃为旋转矩阵的第二行第三列，δ₁₂为旋转矩阵的第一行第二列。

平移向量，计算公式为：，其中Z_p、Z_T分别指同名点在摄像机坐标系下和在目标坐标系下的坐标，为旋转矩阵。

基于单目视觉的位姿测量计算方法如下所示：

利用透视投影原理，通过迭代收敛得到目标的位姿解。收敛判据为ε，ε趋近于0。

前述步骤得到同名点三个，记为P₁,P₂,P₃，构建矩阵：

其中G为6×7矩阵，P_i为3个同名点，i = 1,2,3， r_i为同名点在图像上像元大小与焦距间比例值，α_i为变量。

计算方阵I：I=G*G^T，其中，符号*表示矩阵乘积，符号上标T表示矩阵的转置。

对方阵I进行奇异值分解，得到分量V：I=U*A*V^T，其中，符号*表示矩阵乘积，符号上标T表示矩阵的转置。U，V为7×7矩阵，A为对角阵。

变量α_i的计算公式为：

 

 

 

其中V_j为矩阵V的第j个值，x_i,y_i,z_i为三个同名点在目标坐标系下的坐标，i=1,2,3。迭代过程中α_i变化导致V矩阵最后一个量V₄₉的变化，收敛条件为：V₄₉<ε。收敛后，滚转角φ、偏航角Ψ、俯仰角θ的计算公式分别为：

其中V_j为矩阵V的第j个值。

综上所述，本发明交会对接航天器相对位姿的测量算法，解决了视觉导航过程中高精度特征检测与位姿测量问题。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (8)

1.一种交会对接航天器相对位姿的测量算法，其特征在于，包含如下步骤：

航天器的相机采集交会目标航天器的图像；

对所述的采集的对接口图像进行预处理；

通过OTSU算法对图像进行目标分割，得出感兴趣区域；

对分割得到的感兴趣区域的边界点进行亚像素特征点提取，进行基于亚像素特征点的位姿测量。

2.如权利要求1所述的交会对接航天器相对位姿的测量算法，其特征在于，所述的采集图像的相机采用双目相机，采集时分别得到左图像和右图像。

3.如权利要求2所述的交会对接航天器相对位姿的测量算法，其特征在于，所述的对接口图像进行预处理包含如下子步骤：

分别对左图像和右图像进行去模糊处理； 

对去模糊处理的图像进行降噪处理。

4.如权利要求3所述的交会对接航天器相对位姿的测量算法，其特征在于，所述的去模糊处理采用总变分最小化模糊图像反卷积处理的方法。

5.如权利要求3所述的交会对接航天器相对位姿的测量算法，其特征在于，所述的降噪处理基于SUSAN滤波。

6.如权利要求5所述的交会对接航天器相对位姿的测量算法，其特征在于，在基于SUSAN滤波时，区分特征目标和背景的阈值的选值范围为                                               。

7.如权利要求1所述的交会对接航天器相对位姿的测量算法，其特征在于，所述的进行基于亚像素特征点的位姿测量包含如下子步骤：

在提取得到的亚像素特征点中进行双向极线约束特征点匹配，得到同名点对；

若提取的同名点对数量大于3对，采用基于双目视觉的位姿测量方法计算位姿参数；若提取的同名点对数量小于等于3对，采用基于单目视觉的位姿测量方法计算位姿参数。

8.如权利要求7所述的交会对接航天器相对位姿的测量算法，其特征在于，所述的双向极线约束特征点匹配的步骤为：

以左图像或右图像的某图像上的特征点为起始点集，遍历该某图像上的特征点，计算与之对应的另一图像的特征点，得到初始同名点对集合；

以初始同名点对集合中的另一图像上的特征点为起始，遍历初始同名点对集合中该图像的特征点，计算与之对应的某图像特征点，若得到的某图像特征点不在初始同名点对集合中，更新初始同名点对集合中某图像的特征点坐标，得到最优的同名点对。