CN111174776A - 一种基于径向与动态环向模式的星图识别方法 - Google Patents
一种基于径向与动态环向模式的星图识别方法 Download PDFInfo
- Publication number
- CN111174776A CN111174776A CN202010074251.XA CN202010074251A CN111174776A CN 111174776 A CN111174776 A CN 111174776A CN 202010074251 A CN202010074251 A CN 202010074251A CN 111174776 A CN111174776 A CN 111174776A
- Authority
- CN
- China
- Prior art keywords
- star
- mode
- navigation
- satellite
- radial
- 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.)
- Granted
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
- 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
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于径向与动态环向模式的星图识别方法,确保在位置噪声与亮度噪声存在情况下以及视场中星点数目较少情况下均具有对星图较高的正确识别率。该方法的主要实现步骤为:1、建立导航星对应的径向与动态环向模式;2、创建若干颗导航星的导航星数据库;3、建立观测星对应的径向模式与动态环向模式;4、初始识别;5、精确识别。
Description
技术领域
本发明属于星图识别领域,特别涉及一种基于径向与动态环向模式的星图识别方法,应用于星敏感器位姿计算。
背景技术
星敏感器作为导航控制系统的重要组成,由于其高可靠性,高精度,自主性强以及无误差积累等优点,已广泛应用于航天器的姿态测量,其工作原理为:星敏感器通过其前端成像系统获取当前视场范围内的星空图像(简称星图),提取星图中恒星所在位置坐标与亮度信息,并由星图识别算法完成观测星与数据库中导航星的对应匹配,最终利用匹配星对计算得到星敏感器的三轴姿态信息。上述工作流程中,星图识别算法是星敏感器完成位姿测量的核心部分。
现有星图识别方法可分为三大类:子图同构算法(如三角形算法,金字塔算法,最大匹配组算法,几何投票法等)、人工智能算法(如遗传算法,自适应蚁群算法等)与模式识别算法(如栅格算法,主星环形模式算法等)。
子图同构类算法在星图匹配过程中一般利用角距作为识别特征,此类算法易于实现,但在噪声存在环境中的识别率低,运行时间长,且算法所需数据库容量较大。
人工智能算法主要利用神经元网络与仿生智能算法对星点周围的几何分布特征进行识,此类算法数据库容量小,在线匹配速度快,但算法计算复杂度高,训练时间长以及要求大量的并行运算等缺陷限制了它的工程应用价值。
模式识别类算法作为目前星图识别领域的发展趋势,其典型代表有栅格算法,其内容详见文献[Padgett,C.,and K.Kreutz-Delgado."A grid algorithm for autonomousstar identification."IEEE Transactions on Aerospace and Electronic Systems33.1(1996):202-213]与主星环形模式算法其,内容详见文献[Silani,E.and M.Lovera."Star identification algorithms:novel approach&comparison study."IEEETransactions on Aerospace and Electronic Systems 42.4(2006):1275-1288],这两种算法均具有较高的识别率与运行效率。但是,栅格算法中定位星的选取正确率较低,会生成错误的栅格模式特征而造成识别失败,而主星环形模式算法仅在部分程度上描述了近邻星的分布特征,这导致算法中冗余匹配的概率升高,因此,这些缺陷在一定程度上影响了模式识别类算法的性能。
发明内容
为了解决现有星图识别方法存在的噪声环境中的识别率低、算法计算复杂度高等问题,本发明提供了一种基于径向与动态环向模式的星图识别方法,确保在位置噪声与亮度噪声存在情况下以及视场中星点数目较少情况下均具有对星图较高的正确识别率。
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径向与动态环向模式的星图识别方法,该方法包括以下步骤:
步骤1:建立导航星对应的径向与动态环向模式
在原始星表中选定若干颗导航星,根据若干颗导航星分别与其周围近邻星的位置分布特征,建立若干颗导航星对应的径向模式与动态环向模式;
步骤2:创建若干颗导航星的导航星数据库
所述导航星数据库包括参考星表与模式数据库;参考星表存储了选定的若干颗导航星的编号、赤经、赤纬信息;模式数据库存储选定的若干颗导航星对应的径向模式与动态环向模式;
步骤3:建立观测星对应的径向模式与动态环向模式
拍摄实际星图,在星图中选定若干颗亮度最大的星点作为观测星,根据若干颗观测星与其周围近邻星的位置分布特征,采用与步骤1相同的方式建立若干颗观测星对应的径向模式与动态环向模式;
步骤4:初始识别
依据若干颗观测星对应的径向模式与动态环向模式,使用查找导航星数据库与最大累加比对算法的方式,从导航数据库中选出观测星对应的导航星作为初始候选匹配星,并记录相关信息于初始匹配表中,完成初始识别;
步骤5:精确识别
使用视场约束规则,从初始匹配表记录的全部初始候选匹配星中选出正确的候选匹配星作为最终星图识别结果。
进一步地,上述步骤1中选定若干颗导航星的原则是:采取全天球扫描法对原始星表进行扫描,选取每个视场中最亮的10颗星点作为导航星。
进一步地,上述步骤1中导航星的径向模式建立具体步骤为:
步骤A1:选取若干颗导航星中任意一颗导航星X,在原始星点数据库以导航星X为中心,br=0.3和Rr=10作为半径作两个同心圆,将同心圆范围中星等低于6.0Mv的星点作为导航星X的近邻星;
步骤A2:计算所述导航星X与其全部近邻星的星间角距,并对星间角距进行离散化,从而建立出导航星X的径向模式。
进一步地,上述步骤1中导航星动态环向模式建立的具体步骤为:
步骤B1:选取导航星X的任意一颗近邻星作为模式参考星Y,以模式参考星Y为起点,逆时针方向依次计算各个近邻星之间的夹角,获得夹角序列θ;
步骤B2:对夹角序列θ进行离散化,得到最终的夹角离散模式,并将该夹角离散模式定义为导航星动态环向模式;
进一步地,上述步骤4的具体实现步骤为:
步骤4.1:为导航星数据库中每颗导航星分配一个计数器,所述计数器记录的数值为导航星与观测星的径向模式相似度;
步骤4.2:径向模式匹配;
利用观测星的径向模式,通过比对导航星数据库中存储的导航星径向模式,筛选出所有计数器中数值最大的导航星为侯选匹配星,且最大计数器的数值必须大于等于径向模式匹配阈值min_mat_rad,否则,选择下一颗观测星进行识别;其中,min_mat_rad的取值为4;
若侯选匹配星数目为1,则将该候选匹配星作为最终星图识别结果输出;
若侯选匹配星数目≥2,则进行观测星动态环向模式匹配;
步骤4.2:动态环向模式匹配;
利用最大累加比对算法计算观测星与全部候选匹配星之间的动态环向模式相似度,若符合动态环向模式匹配输出要求,则最大相似度对应的侯选匹配星作为观测星的侯选匹配星,否则,选择下一颗观测星进行识别,具体过程为:
步骤4.2.1:设cyc_pats=<s1,s2,s3...sm-1,sm>,代表观测星的动态环向模式,其中m代表观测星对应动态环向模式中包含的近邻星数目;
cyc_patc=<c1,c2,c3...cn-1,cn>,代表导航星数据库中候选匹配星的动态环向模式,n代表导航星数据库中候选匹配星对应动态环向模式中包含的近邻星数目;
步骤4.2.2:确定Cyc_pats与Cyc_patc模式向量中对应的起始元素sp与cq,两者需满足以下要求:
|sp-cq|≤error
其中,error为误差判定阈值,取值为3.0;
步骤4.2.3:对Cyc_pats与Cyc_patc进行循环移位,将起始元素sp与cq分别移动到各自向量的第一个位置,将完成循环移位后的观测星的动态环向模式Cyc_pats与候选匹配星的动态环向模式Cyc_patc分别表示为<α1,α2,α3...αm-1,αm>和<b1,b2,b3...bn-1,bn>,其中
步骤4.2.4:分别构建动态环向模式Cyc_pats与候选匹配星的动态环向模式Cyc_patc各自对应的累加向量vec_pats=<ω1,ω2,ω3...ωm-1,ωm>,vec_patc=<ψ1,ψ2,ψ3...ψn-1,ψn>,其元素定义如下:
步骤4.2.5:比对vec_patc与vec_pats向量的相似度,若vec_pats中的元素ωi与vec_patc中的元素ψj之差小于阈值ε,ε=15,则认为这两个元素匹配;依次选取vec_pats向量中的元素,查找vec_patc向量中位于上一个匹配元素之后的所有剩余元素中,是否存在与被选取元素相匹配的元素,重复以上过程,直至vec_pats向量中的最后一个元素结束,匹配元素的对数即为累加向量vect_pats与vect_patc之间的相似度值;
步骤4.2.6:若两个待比对动态环向模式存在多对起始元素,在此,按照上述步骤4.2.1至4.2.5分别计算不同起始元素对应的累加向量的相似度值,取相似度值中的最大值定义为Cyc_pats与Cyc_patc模式的相似度;
步骤4.2.7,若最大相似度数值大于等于动态环向模式匹配阈值Min_mat_cyc,其中Min_mat_cyc取值为4,且最大相似度数值对应的候选匹配星数目为1时,完成动态环向模式匹配;
步骤4.3:相关信息记录于初始匹配表中
初始匹配表中记录的相关信息包括Sensor star项、Candidate Star Index项、以及Centroids项;
Sensor star项为星图中识别观测星序号;
Candidate Star Index项为候选匹配星编号;
Centroids项为观测星坐标。
进一步地,上述原始星表包括美国史密森天文台的SAOJ2000星表、欧空局的依巴谷星表、哈弗大学天文台的HD星表。
本发明的有益效果在于:
1、本发明所提供的基于径向与动态环向模式的星图识别方法,对导航星周围的近邻星位置分布特征进行了描述,建立了导航星的径向与动态环向模式,进而创建导航数据库;利用星图中亮星与其周围近邻星的位置分布特征,计算星图中亮度较高星点对应的径向与动态环向模式;依据所述星图中亮星的径向与动态环向模式,分别使用查找表与最大累加比对算法,从导航数据库中选出所述星图亮星对应的候选匹配星,完成初始匹配;使用FOV约束,从所有初始匹配星对中筛选出正确匹配作为最终识别输出。径向模式与动态环向模式在构建过程中,充分考虑了模式特征对于星点位置噪声与亮度噪声等干扰因素的鲁棒性,因而本发明所提供的星图识别方法在星点位置噪声与星等噪声较高情况下,依旧维持了较高的识别成功率。
2、本发明通过在识别过程中引入动态环向模式,准确全面的描述了近邻星之间的几何分布,降低了径向模式相似时发生冗余匹配的可能性,且最大累加比对算法的引入,最大程度上避免了由于缺失星与伪星对环向模式匹配的影响,因此本发明的识别方法在视场中星点数目较少时,能够较好的完成星图中星点的识别任务。
附图说明
图1为本发明星图识别方法流程示意图。
图2为导航星的径向模式特征建立示意图。
图3为导航星的动态环向模式特征建立示意图。
图4为不同识别方法在不同星点位置噪声下的识别率曲线对比图。
图5为不同识别方法在不同星点亮度噪声下的识别率曲线对比图。
图6为不同识别方法在视场中不同数目星点下的识别率曲线对比图。
具体实施方式
为使本发明的目的、优点和特征更加清楚,以下结合附图、具体实施例以及试验验证对本发明提出的基于径向与动态环向模式的星图识别方法作进一步详细说明。
本发明的基本实现原理是:
利用导航星与其周围近邻星的位置分布特征,建立导航星对应的径向与动态环向模式,再创建导航数据库;利用星图中亮星与其周围近邻星的位置分布特征,计算星图中亮度较高星点对应的径向与动态环向模式;依据所述星图中亮星的径向与动态环向模式,分别使用查找表与最大累加比对算法,从导航数据库中选出所述星图亮星对应的候选匹配星,并记录相关信息于初始匹配表中,完成初始识别;使用FOV约束,从初始匹配表记录的全部匹配星对中选出正确的匹配星点作为最终星图识别结果。
实施例
根据上述基本实现原理,现根据一个具体实施例对本方法作进一步的介绍,如图1所示,该方法包括以下步骤:
步骤1:建立导航星对应的径向与动态环向模式采取全天球扫描法对原始星表进行扫描,选取每个视场中最亮的10颗星点作为导航星,根据10颗导航星分别与其周围近邻星的位置分布特征,建立若干颗导航星对应的径向模式与动态环向模式;本实施例中所用到的原始星表为美国史密森天文台的SAOJ2000星表,当然也可用欧空局的依巴谷星表、哈弗大学天文台的HD星表或者也可用其他已有星表;
如图2所示,导航星对应的径向模式建立具体步骤为:
步骤A1:选取若干颗导航星中任意一颗导航星X,在原始星点数据库以导航星X为中心,br=0.3和Rr=10作为半径作两个同心圆,将同心圆范围中星等低于6.0Mv的星点作为导航星X的近邻星;
步骤A2:计算所述导航星X与其全部近邻星的星间角距,并对星间角距进行离散化,从而建立出导航星X的径向模式。
如图3所示,导航星动态环向模式建立的具体步骤为:
步骤B1:选取导航星X的任意一颗近邻星作为模式参考星Y(即图3中的1号星点),以模式参考星Y(1号星点)为起点,逆时针方向依次计算各个近邻星之间的夹角(θ12,θ23,θ34,θ45,θ56,θ67,θ71),获得夹角序列θ;
步骤B2:对夹角序列θ进行离散化,得到最终的夹角离散模式,并将该夹角离散模式定义为导航星动态环向模式;
步骤2:创建导航星数据库
所述导航星数据库包括参考星表与模式数据库;参考星表存储了选定的若干颗导航星的编号、赤经、赤纬信息;模式数据库存储选定的若干颗导航星对应的径向模式与动态环向模式;
步骤3:建立观测星对应的径向模式与动态环向模式
拍摄实际星图,在星图中选定15颗亮度最大的星点作为观测星,根据15颗观测星与其周围近邻星的位置分布特征,采用与步骤1相同的方式建立若干颗观测星对应的径向模式与动态环向模式,此处不再赘述(即就是说:观测星对应的径向模式与动态环向模式构建方法与导航星相同);
步骤4:初始识别
依据若干颗观测星对应的径向模式与动态环向模式,使用查找导航星数据库与最大累加比对算法的方式,从导航数据库中选出观测星对应的导航星作为初始候选匹配星,并记录相关信息于初始匹配表中,完成初始识别;
具体实现步骤如下:
步骤4.1:为导航星数据库中每颗导航星分配一个计数器,所述计数器记录的数值为导航星与观测星的径向模式相似度;
步骤4.2:径向模式匹配;
利用观测星的径向模式,通过比对导航星数据库中存储的导航星径向模式,筛选出所有计数器中数值最大的导航星为侯选匹配星,且最大计数器的数值必须大于等于径向模式匹配阈值min_mat_rad,否则,选择下一颗观测星进行识别;其中,min_mat_rad的取值为4;
若侯选匹配星数目为1,则将该候选匹配星作为最终星图识别结果输出;
若侯选匹配星数目≥2,则进行观测星动态环向模式匹配;
步骤4.2:动态环向模式匹配;
利用最大累加比对算法计算观测星与全部候选匹配星之间的动态环向模式相似度,若符合动态环向模式匹配输出要求,则最大相似度对应的侯选匹配星作为观测星的侯选匹配星,否则,选择下一颗观测星进行识别,具体过程为:
步骤4.2.1:设cyc_pats=<s1,s2,s3...sm-1,sm>,代表观测星的动态环向模式,其中m代表观测星对应动态环向模式中包含的近邻星数目;
cyc_patc=<c1,c2,c3...cn-1,cn>,代表导航星数据库中候选匹配星的动态环向模式,n代表导航星数据库中候选匹配星对应动态环向模式中包含的近邻星数目;
步骤4.2.2:确定Cyc_pats与Cyc_patc模式向量中对应的起始元素sp与cq,两者需满足以下要求:
|sp-cq|≤error
其中,error为误差判定阈值,取值为3.0;
步骤4.2.3:对Cyc_pats与Cyc_patc进行循环移位,将起始元素sp与cq分别移动到各自向量的第一个位置,将完成循环移位后的观测星的动态环向模式Cyc_pats与候选匹配星的动态环向模式Cyc_patc分别表示为<α1,α2,α3...αm-1,αm>和<b1,b2,b3...bn-1,bn>,其中
步骤4.2.4:分别构建动态环向模式Cyc_pats与候选匹配星的动态环向模式Cyc_patc各自对应的累加向量vec_pats=<ω1,ω2,ω3...ωm-1,ωm>,vec_patc=<ψ1,ψ2,ψ3...ψn-1,ψn>,其元素定义如下:
步骤4.2.5:比对vec_patc与vec_pats向量的相似度,若vec_pats中的元素ωi与vec_patc中的元素ψj之差小于阈值ε,ε=15,则认为这两个元素匹配;依次选取vec_pats向量中的元素,查找vec_patc向量中位于上一个匹配元素之后的所有剩余元素中,是否存在与被选取元素相匹配的元素,重复以上过程,直至vec_pats向量中的最后一个元素结束,匹配元素的对数即为累加向量vect_pats与vect_patc之间的相似度值;
步骤4.2.6:若两个待比对动态环向模式存在多对起始元素,在此,按照上述步骤4.2.1至4.2.5分别计算不同起始元素对应的累加向量的相似度值,取相似度值中的最大值定义为Cyc_pats与Cyc_patc模式的相似度;
步骤4.2.7,若最大相似度数值大于等于动态环向模式匹配阈值Min_mat_cyc,其中Min_mat_cyc取值为4,且最大相似度数值对应的候选匹配星数目为1时,完成动态环向模式匹配;
步骤4.3:相关信息记录于初始匹配表中
初始匹配表中记录的相关信息位初始识别阶段的候选匹配星信息,其存储内容包括Sensor star项、Candidate Star Index项、以及Centroids项;Sensor star项为星图中识别观测星序号;Candidate Star Index项为候选匹配星编号;Centroids项为观测星坐标。
步骤5:精确识别
使用视场约束规则,从初始匹配表记录的全部初始候选匹配星中选出正确的候选匹配星作为最终星图识别结果。
试验验证
为评估本发明方法的性能,采用SAOJ2000星表进行仿真验证,仿真中星敏感器平台参数与算法关键参数如下表所示。
星敏感器像面大小 | 1024像素×1024像素 |
星敏感器像元大小 | 0.015毫米×0.015毫米 |
焦距 | 73.07毫米 |
视场大小 | 12度×12度 |
最小敏感星等 | 6.0星等 |
径向模式半径 | Rr=10度 |
径向模式离散单元 | Er=0.05度 |
环向模式半径 | Rc=6.0度 |
环向模式离散单元 | Ec=0.1度 |
径向模式匹配阈值 | Min_mat_rad=4 |
环向模式匹配阈值 | Min_mat_cyc=4 |
本文仿真实验主要就星点位置噪声,亮度噪声,视场中星点数目对算法性能的影响进行讨论。噪声测试中,保持一种噪声源在典型的数值,而另一种噪声源线性变换,同时,算法参数在全部测试中为恒定值。在每种情况下,采取10000次蒙特卡洛测试,统计算法的测试性能。
由于光学畸变,亚像元定位算法误差,噪声等因素的影响,造成了实际星图中星点位置偏离理论位置,即引入了星点位置噪声。为模拟位置噪声,仿真星图生成过程中,在星点理论位置上添加高斯随机噪声,同时,恒星的光谱分布,探测器的光谱响应以及星敏感器的固有噪声等诸多因素的影响,造成了恒星亮度在实际工程中无法精确测量,存在一定范围的不确定度,因此,仿真实验中在星点亮度数值上亦添加高斯随机噪声,作为星图中星点的亮度值。
星点亮度噪声标准差0.3Mv,位置噪声标准差由0pixel增长至1pixel时,三种星图识别算法识别率的变化曲线如图4所示。当星点位置噪声标准差较小时(<0.4pixel),本发明方法的正确识别率达到95.5%以上;当星点位置噪声增长到中等强度水平时(=0.6pixel),本发明方法能够达到95.25%的正确率;当星点位置噪声较大时(=1pixel),本发明方法依旧保持了94.95%的识别成功率。当星点位置噪声标准差从0pixel增长至1pixel时,主星环形模式算法与栅格算法则的识别正确率分别由93.3%降低为92.87%,93.067%降低为90.070%。本发明方法相比栅格算法与主星环形模式算法而言,对星点位置噪声具有更高的鲁棒性。
星点位置噪声标准差0.5pixel,亮度噪声标准差由0Mv增长至0.4Mv时,本发明方法,栅格算法,主星环形模式算法的识别正确率测试结果如图5所示。当星点亮度噪声标准差从0Mv增长至0.4Mv时,本发明方法的识别率由98.62%降低为94.74%,相比之下,主星环形模式算法与栅格算法随着亮度噪声的增长迅速下降,分别由97.70%降低为91.41%,96.82%降低为90.96%。因此,本发明方法在不同强度星点亮度噪声存在情况下的识别正确率优于栅格算法与主星环形算法。
视场中的星点数目对于星图识别算法的识别率具有很大影响,尤其是在星点数目较少的情况下,模式类算法识别成功率下降很快。当星敏感器视轴指向星点稀少天区时,探测到的星点数目较少,星图识别算法很可能无法正确识别出至少两颗星点,造成位姿计算失败。图6所示为星点亮度噪声标准差0.3Mv,位置噪声标准差0.5pixel时,本发明方法,栅格算法,主星环形模式算法在不同视场星点数目条件下的识别率测试结果。当视场中的星点数目较多(大于15颗)时,它们的识别成功率均接近100%;在星点数目中等(8颗)条件下,本发明方法识别成率达到96.43%,而主星环形模式算法与栅格算法的识别成功率分别为93.54%,65.87%;当星点数目进一步减少至6颗时,本发明方法识别率为58.80%,主星环形模式算法与栅格算法的识别成功率分别降低为32.07%与28.69%。本发明方法在视场中星点密度较低情况下,相比于其它算法,对星图的识别正确率更高。
以上实施例仅是对本发明技术方案的举例说明,不应视为对本发明权利要求保护范围的限制,其它的任何未背离本发明的精神实质与原理下所作的修改、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.一种基于径向与动态环向模式的星图识别方法,其特征在于,包括以下步骤:
步骤1:建立导航星对应的径向与动态环向模式
在原始星表中选定若干颗导航星,根据若干颗导航星分别与其周围近邻星的位置分布特征,建立若干颗导航星对应的径向模式与动态环向模式;
步骤2:创建若干颗导航星的导航星数据库
所述导航星数据库包括参考星表与模式数据库;参考星表存储了选定的若干颗导航星的编号、赤经、赤纬信息;模式数据库存储选定的若干颗导航星对应的径向模式与动态环向模式;
步骤3:建立观测星对应的径向模式与动态环向模式
拍摄实际星图,在星图中选定若干颗亮度最大的星点作为观测星,根据若干颗观测星与其周围近邻星的位置分布特征,采用与步骤1相同的方式建立若干颗观测星对应的径向模式与动态环向模式;
步骤4:初始识别
依据若干颗观测星对应的径向模式与动态环向模式,使用查找导航星数据库与最大累加比对算法的方式,从导航数据库中选出观测星对应的导航星作为初始候选匹配星,并记录相关信息于初始匹配表中,完成初始识别;
步骤5:精确识别
使用视场约束规则,从初始匹配表记录的全部初始候选匹配星中选出正确的候选匹配星作为最终星图识别结果。
2.根据权利要求1所述的基于径向与动态环向模式的星图识别方法,其特征在于:所述步骤1中选定若干颗导航星的原则是:采取全天球扫描法对原始星表进行扫描,选取每个视场中最亮的10颗星点作为导航星。
3.根据权利要求2所述的基于径向与动态环向模式的星图识别方法,其特征在于:所述步骤1中导航星的径向模式建立具体步骤为:
步骤A1:选取若干颗导航星中任意一颗导航星X,在原始星点数据库以导航星X为中心,br=0.3和Rr=10作为半径作两个同心圆,将同心圆范围中星等低于6.0Mv的星点作为导航星X的近邻星;
步骤A2:计算所述导航星X与其全部近邻星的星间角距,并对星间角距进行离散化,从而建立出导航星X的径向模式。
5.根据权利要求4所述的基于径向与动态环向模式的星图识别方法,其特征在于:所述步骤4的具体实现步骤为:
步骤4.1:为导航星数据库中每颗导航星分配一个计数器,所述计数器记录的数值为导航星与观测星的径向模式相似度;
步骤4.2:径向模式匹配;
利用观测星的径向模式,通过比对导航星数据库中存储的导航星径向模式,筛选出所有计数器中数值最大的导航星为侯选匹配星,且最大计数器的数值必须大于等于径向模式匹配阈值min_mat_rad,否则,选择下一颗观测星进行识别;其中,min_mat_rad的取值为4;
若侯选匹配星数目为1,则将该候选匹配星作为最终星图识别结果输出;
若侯选匹配星数目≥2,则进行观测星动态环向模式匹配;
步骤4.2:动态环向模式匹配;
利用最大累加比对算法计算观测星与全部候选匹配星之间的动态环向模式相似度,若符合动态环向模式匹配输出要求,则最大相似度对应的侯选匹配星作为观测星的侯选匹配星,否则,选择下一颗观测星进行识别,具体过程为:
步骤4.2.1:设cyc_pats=<s1,s2,s3...sm-1,sm>,代表观测星的动态环向模式,其中m代表观测星对应动态环向模式中包含的近邻星数目;
cyc_patc=<c1,c2,c3...cn-1,cn>,代表导航星数据库中候选匹配星的动态环向模式,n代表导航星数据库中候选匹配星对应动态环向模式中包含的近邻星数目;
步骤4.2.2:确定Cyc_pats与Cyc_patc模式向量中对应的起始元素sp与cq,两者需满足以下要求:
|sp-cq|≤error
其中,error为误差判定阈值,取值为3.0;
步骤4.2.3:对Cyc_pats与Cyc_patc进行循环移位,将起始元素sp与cq分别移动到各自向量的第一个位置,将完成循环移位后的观测星的动态环向模式Cyc_pats与候选匹配星的动态环向模式Cyc_patc分别表示为<α1,α2,α3...αm-1,αm>和<b1,b2,b3...bn-1,bn>,其中
步骤4.2.4:分别构建动态环向模式Cyc_pats与候选匹配星的动态环向模式Cyc_patc各自对应的累加向量vec_pats=<ω1,ω2,ω3...ωm-1,ωm>,vec_patc=<ψ1,ψ2,ψ3...ψn-1,ψn>,其元素定义如下:
步骤4.2.5:比对vec_patc与vec_pats向量的相似度,若vec_pats中的元素ωi与vec_patc中的元素ψj之差小于阈值ε,ε=15,则认为这两个元素匹配;依次选取vec_pats向量中的元素,查找vec_patc向量中位于上一个匹配元素之后的所有剩余元素中,是否存在与被选取元素相匹配的元素,重复以上过程,直至vec_pats向量中的最后一个元素结束,匹配元素的对数即为累加向量vect_pats与vect_patc之间的相似度值;
步骤4.2.6:若两个待比对动态环向模式存在多对起始元素,在此,按照上述步骤4.2.1至4.2.5分别计算不同起始元素对应的累加向量的相似度值,取相似度值中的最大值定义为Cyc_pats与Cyc_patc模式的相似度;
步骤4.2.7,若最大相似度数值大于等于动态环向模式匹配阈值Min_mat_cyc,其中Min_mat_cyc取值为4,且最大相似度数值对应的候选匹配星数目为1时,完成动态环向模式匹配;
步骤4.3:相关信息记录于初始匹配表中
初始匹配表中记录的相关信息包括Sensor star项、Candidate Star Index项、以及Centroids项;
Sensor star项为星图中识别观测星序号;
Candidate Star Index项为候选匹配星编号;
Centroids项为观测星坐标。
6.根据权利要求1-5任一权利要求所述的基于径向与动态环向模式的星图识别方法,其特征在于:所述原始星表包括美国史密森天文台的SAOJ2000星表、欧空局的依巴谷星表、哈弗大学天文台的HD星表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010074251.XA CN111174776B (zh) | 2020-01-22 | 2020-01-22 | 一种基于径向与动态环向模式的星图识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010074251.XA CN111174776B (zh) | 2020-01-22 | 2020-01-22 | 一种基于径向与动态环向模式的星图识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111174776A true CN111174776A (zh) | 2020-05-19 |
CN111174776B CN111174776B (zh) | 2020-11-03 |
Family
ID=70656569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010074251.XA Active CN111174776B (zh) | 2020-01-22 | 2020-01-22 | 一种基于径向与动态环向模式的星图识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111174776B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112729277A (zh) * | 2020-12-29 | 2021-04-30 | 中国科学院微小卫星创新研究院 | 基于动态夹角匹配的星敏感器星图识别方法 |
CN114543789A (zh) * | 2021-12-27 | 2022-05-27 | 浙江众星志连科技有限责任公司 | 一种基于一维卷积神经网络的星图识别方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02130417A (ja) * | 1988-11-10 | 1990-05-18 | Nec Corp | 惑星間航法装置 |
US20060235614A1 (en) * | 2005-04-14 | 2006-10-19 | Starvision Technologies Inc. | Method and Apparatus for Automatic Identification of Celestial Bodies |
CN108195370A (zh) * | 2017-12-05 | 2018-06-22 | 北京空间机电研究所 | 一种星相机星图识别方法 |
-
2020
- 2020-01-22 CN CN202010074251.XA patent/CN111174776B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02130417A (ja) * | 1988-11-10 | 1990-05-18 | Nec Corp | 惑星間航法装置 |
US20060235614A1 (en) * | 2005-04-14 | 2006-10-19 | Starvision Technologies Inc. | Method and Apparatus for Automatic Identification of Celestial Bodies |
CN108195370A (zh) * | 2017-12-05 | 2018-06-22 | 北京空间机电研究所 | 一种星相机星图识别方法 |
Non-Patent Citations (2)
Title |
---|
张广军: "《光电测试技术与系统》", 31 March 2010, 北京航空航天大学出版社 * |
鹿瑶: "基于冗余递减匹配的星图识别方法", 《天文学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112729277A (zh) * | 2020-12-29 | 2021-04-30 | 中国科学院微小卫星创新研究院 | 基于动态夹角匹配的星敏感器星图识别方法 |
CN112729277B (zh) * | 2020-12-29 | 2023-05-26 | 中国科学院微小卫星创新研究院 | 基于动态夹角匹配的星敏感器星图识别方法 |
CN114543789A (zh) * | 2021-12-27 | 2022-05-27 | 浙江众星志连科技有限责任公司 | 一种基于一维卷积神经网络的星图识别方法及系统 |
CN114543789B (zh) * | 2021-12-27 | 2024-05-24 | 浙江众星志连科技有限责任公司 | 一种基于一维卷积神经网络的星图识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111174776B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110132263B (zh) | 一种基于表示学习的星图识别方法 | |
Padgett et al. | Evaluation of star identification techniques | |
CN109813303B (zh) | 一种基于角模式簇投票的不依赖标定参数的星图识别方法 | |
Zhang et al. | Full-sky autonomous star identification based on radial and cyclic features of star pattern | |
CN107816986B (zh) | 一种星敏感器全天球快速星图识别方法 | |
CN111174776B (zh) | 一种基于径向与动态环向模式的星图识别方法 | |
Li et al. | Iterative algorithm for autonomous star identification | |
Xu et al. | RPNet: A representation learning-based star identification algorithm | |
Zhao et al. | Star identification algorithm based on K–L transformation and star walk formation | |
CN103148852A (zh) | 一种基于有向环的星图识别方法 | |
CN107907126B (zh) | 一种基于三角形匹配的星图识别方法、装置及系统 | |
CN112729277B (zh) | 基于动态夹角匹配的星敏感器星图识别方法 | |
Pham et al. | A star pattern recognition algorithm for satellite attitude determination | |
CN112179335B (zh) | 一种基于最简一般子图的星图识别方法 | |
CN113483751B (zh) | 一种基于径向三角形映射矩阵的星图识别方法 | |
CN114166211B (zh) | 一种双视场星敏感器星图识别方法 | |
CN115761441A (zh) | 一种基于模糊神经网络的星图识别方法 | |
Wei et al. | Star identification algorithm based on oriented singular value feature and reliability evaluation method | |
CN115797742A (zh) | 图像融合方法和检测模型的训练方法及系统 | |
Xie et al. | An autonomous star identification algorithm based on the directed circularity pattern | |
CN115638796A (zh) | 一种基于折射星/非折射星信息融合与预测的快速星图识别方法 | |
Fan et al. | A voting-based star identification algorithm utilizing local and global distribution | |
CN115290100A (zh) | 一种基于姿态信息的分区快速星图识别方法 | |
CN115507844A (zh) | 一种适用于超大视场的星图识别方法 | |
CN108195370B (zh) | 一种星相机星图识别方法 |
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 |