CN112377332A - 一种基于计算机视觉的火箭发动机极性测试方法及系统 - Google Patents

Abstract

本发明公开了一种基于计算机视觉的火箭发动机极性测试方法及系统，该方法包括如下步骤：形成的抖动平滑图像；拟合提取火箭发射喷管在去除由于摄像头移动而形成的抖动的平滑图像中的轮廓和特征点；得到火箭喷管的粗略位置；离线训练得到训练后的极性光流预测模型；对训练后的极性光流预测模型进行精简压缩得到可实时运行的极性判别光流模型；根据可实时运行的极性光流预测模型得到去除由于摄像头移动而形成的抖动的平滑图像的极性判别光流场；得到火箭喷管的运动光流，通过火箭喷管的运动光流对时间的积分得到火箭喷管的运动极性。本发明有效的提升了极性判别系统的运行速度、准确性及可拓展性。

Description

一种基于计算机视觉的火箭发动机极性测试方法及系统

技术领域

本发明属于图像识别领域在火箭发射可靠性保障技术领域，尤其涉及一种基于计算机视觉的火箭发动机极性测试方法及系统。

背景技术

运载火箭通过各级发动机喷管的摆动来实现对俯仰、偏航和滚转火箭姿态的控制。当控制系统下达指令通过多个伺服装置改变喷管方向使之不再平行于火箭飞行方向的时候，发动机喷管向下喷射的高速气体就会产生相对应的力矩来改变火箭姿态。发动机的极性测试涉及从惯性器件到控制指令，从控制指令到伺服机构，从伺服机构到喷管摆动方向这一整套回路控制流程进行测试演练，中间任何环节的细小错误都可能会致使各级发动机的各个喷管不能按照既定方向摆动，即极性不正确。运载火箭发动机喷管摆动极性正确性直接影响任务成败，是全箭关键测试项目。

当前发动机极性测试依靠测试人员现场判读，属于“手模耳听”类测试项目。各个喷管摆幅较小、摆速较快，各级发动机处于不同楼层，人眼很难同时在现场有效的观测整体流程，判断各个喷管的摆动方向是否正确，测试的有效性与覆盖性存在差距且可追溯性差，由此带来的教训也十分让人痛心。

发明内容

本发明解决的技术问题是：克服现有技术的缺陷，提供了一种基于计算机视觉的火箭发动机极性测试方法及系统，有效的提升极性判别系统的运行速度、准确性及可拓展性。

本发明目的通过以下技术方案予以实现：一种基于计算机视觉的火箭发动机极性测试方法，所述方法包括如下步骤：步骤一：将预设含有火箭喷管的视频图像根据线性规划方法优化路径的一阶、二阶、三阶微分方程得到平滑摄像头路径，根据平滑摄像头路径得到去除由于摄像头移动而形成的抖动平滑图像；步骤二：将步骤一中的去除由于摄像头移动而形成的抖动的平滑图像使用以椭圆检测法为基础的在线识别跟踪算法拟合提取火箭发射喷管在去除由于摄像头移动而形成的抖动的平滑图像中的轮廓和特征点；根据火箭喷管在去除由于摄像头移动而形成的抖动的平滑图像中的轮廓和特征点得到火箭喷管的粗略位置；步骤三：将步骤一中的去除由于摄像头移动而形成的抖动的平滑图像进行深度学习的光流预测模型的离线训练得到训练后的极性光流预测模型；对训练后的极性光流预测模型进行精简压缩得到可实时运行的极性判别光流模型；根据可实时运行的极性光流预测模型得到去除由于摄像头移动而形成的抖动的平滑图像的极性判别光流场；步骤四：根据步骤三去除由于摄像头移动而形成的抖动的平滑图像的光流场和步骤二中的火箭喷管的粗略位置得到火箭喷管的运动光流，通过火箭喷管的运动光流对时间的积分得到火箭喷管的运动极性。

上述基于计算机视觉的火箭发动机极性测试方法中，在步骤三中，对训练后的极性光流预测模型进行精简压缩得到可实时运行的极性判别光流模型包括如下步骤：(31)对训练后的光流预测模型的权重参数矩阵W和输入特征x进行张量化得到高维张量表示的模型参数和输入特征；根据高维张量表示的模型参数和输入特征得到用高维张量表示参数的深度极性光流预测模型；其中，(32)对步骤(31)中的用高维张量表示参数的深度极性光流预测模型进行火车张量化分解得到权重参数张量火车分解后的深度极性光流预测模型；(33)对权重参数张量火车分解后的深度极性光流预测模型进行模型低比特量化精简得到量化后的深度极性光流模型；通过逐次渐进低比特量化模型压缩方法，压缩量化后的深度极性光流模型得到可实时运行的极性判别光流模型。

上述基于计算机视觉的火箭发动机极性测试方法中，在步骤(31)中，预设权重参数矩阵W，通过矩阵分解和形变操作将W张量化表示为d维的张量参数

。

上述基于计算机视觉的火箭发动机极性测试方法中，在步骤(31)中，预设输入特征x，同样通过矩阵分解和形变操作将x张量化为d维的张量特征

上述基于计算机视觉的火箭发动机极性测试方法中，在步骤(32)中，火车张量化分解包括：

预设张量化表示的d维张量参数

其中，使用d个张量核

的集合进行分解和表示，其中l_k代表每一维度张量的大小，r_k表示分解秩同样为分解后矩阵的维度大小，k∈[1，d]；

中每一个元素都通过如下方式重建：

其中，p_k表示矩阵中某一维度切片的序号，p_k∈[1，l_k]。

上述基于计算机视觉的火箭发动机极性测试方法中，在步骤(33)中，量化后的深度极性光流模型为：

其中，

是极性光流计算输出，

是4维张量核，

是张量特征，

是张量化偏置，i_m和j_n均为多维张量中维度的序号，m＝1、2、……、d，n＝1、2、……、d。

上述基于计算机视觉的火箭发动机极性测试方法中，在步骤三中，极性光流预测模型为采用CNN网络基于梯度下降逐次拟合训练高效光流场预测追踪模型。

一种基于计算机视觉的火箭发动机极性测试系统，包括：第一模块，用于将预设含有火箭喷管的视频图像根据线性规划方法优化路径的一阶、二阶、三阶微分方程得到平滑摄像头路径，根据平滑摄像头路径得到去除由于摄像头移动而形成的抖动平滑图像；第二模块，用于将第一模块中的去除由于摄像头移动而形成的抖动的平滑图像使用以椭圆检测法为基础的在线识别跟踪算法拟合提取火箭发射喷管在去除由于摄像头移动而形成的抖动的平滑图像中的轮廓和特征点；根据火箭喷管在去除由于摄像头移动而形成的抖动的平滑图像中的轮廓和特征点得到火箭喷管的粗略位置；第三模块，用于将第一模块中的去除由于摄像头移动而形成的抖动的平滑图像进行深度学习的光流预测模型的离线训练得到训练后的极性光流预测模型；对训练后的极性光流预测模型进行精简压缩得到可实时运行的极性判别光流模型；根据可实时运行的极性光流预测模型得到去除由于摄像头移动而形成的抖动的平滑图像的极性判别光流场；第四模块，用于根据第三模块去除由于摄像头移动而形成的抖动的平滑图像的光流场和步骤二中的火箭喷管的粗略位置得到火箭喷管的运动光流，通过火箭喷管的运动光流对时间的积分得到火箭喷管的运动极性。

上述基于计算机视觉的火箭发动机极性测试系统中，对训练后的极性光流预测模型进行精简压缩得到可实时运行的极性判别光流模型包括如下步骤：(31)对训练后的光流预测模型的权重参数矩阵W和输入特征x进行张量化得到高维张量表示的模型参数和输入特征；根据高维张量表示的模型参数和输入特征得到用高维张量表示参数的深度极性光流预测模型；(32)对步骤(31)中的用高维张量表示参数的深度极性光流预测模型进行火车张量化分解得到权重参数张量火车分解后的深度极性光流预测模型；(33)对权重参数张量火车分解后的深度极性光流预测模型进行模型低比特量化精简得到量化后的深度极性光流模型；通过逐次渐进低比特量化模型压缩方法，压缩量化后的深度极性光流模型得到可实时运行的极性判别光流模型。

上述基于计算机视觉的火箭发动机极性测试系统中，在步骤(31)中，预设权重参数矩阵W，通过矩阵分解和形变操作将W张量化表示为d维的张量参数

本发明与现有技术相比具有如下有益效果：

(1)深度极性判别光流模型的简洁性。通过深度张量火车压缩技术，将深度极性光流模型权重参数数据中的多个高维权重核(kernel)分解成为一个低维矩阵序列的乘积。此低维矩阵序列可近似拟合模型中的权重大小，并将权重参数数量大幅缩小，将模型计算复杂度从幂指数降低为线性。通过深度张量压缩技术压缩深度光流模型，可以使得火箭喷管极性识别系统中采用的极性光流场预测追踪模型大小压缩3倍以上，模型的训练时间减小4倍。

(2)深度极性判别光流模型的高效性。通过深度学习极性光流预测模型的应用，可以实现实时准确的极性光流场预测，运行速度达到30fps以上。进一步的通过深度模型压缩技术，使得光流预测模型的体积大幅减小，运行速度大幅提升。使得本系统可运行于低功耗，低空间占用的移动端平台，可有效的节省电力、空间体积等资源消耗。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1是本发明实施例提供的基于计算机视觉的火箭发动机极性测试方法的流程图；

图2是本发明实施例提供的椭圆检测法流程图；

图3是本发明实施例提供的光流法原理示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

图1是本发明实施例提供的基于计算机视觉的火箭发动机极性测试方法的流程图。如图1所示，该方法包括如下步骤：

步骤一：将预设含有火箭喷管的视频图像根据线性规划方法优化路径的一阶、二阶、三阶微分方程得到平滑摄像头路径，根据平滑摄像头路径得到去除由于摄像头移动而形成的抖动平滑图像；

步骤二：将步骤一中的去除由于摄像头移动而形成的抖动的平滑图像使用以椭圆检测法为基础的在线识别跟踪算法拟合提取火箭发射喷管在去除由于摄像头移动而形成的抖动的平滑图像中的轮廓和特征点；

根据火箭喷管在去除由于摄像头移动而形成的抖动的平滑图像中的轮廓和特征点得到火箭喷管的粗略位置；

步骤三：将步骤一中的去除由于摄像头移动而形成的抖动的平滑图像进行深度学习的光流预测模型的离线训练得到训练后的极性光流预测模型；

对训练后的极性光流预测模型进行精简压缩得到可实时运行的极性判别光流模型；

根据可实时运行的极性光流预测模型得到去除由于摄像头移动而形成的抖动的平滑图像的极性判别光流场；其中，

极性光流预测模型为采用CNN网络基于梯度下降逐次拟合训练高效光流场预测追踪模型。

步骤四：根据步骤三去除由于摄像头移动而形成的抖动的平滑图像的光流场和步骤二中的火箭喷管的粗略位置得到火箭喷管的运动光流，通过火箭喷管的运动光流对时间的积分得到火箭喷管的运动极性。

在步骤三中，对训练后的极性光流预测模型进行精简压缩得到可实时运行的极性判别光流模型包括如下步骤：

(31)对训练后的光流预测模型的权重参数矩阵W和输入特征x进行张量化得到高维张量表示的模型参数和输入特征；根据高维张量表示的模型参数和输入特征得到用高维张量表示参数的深度极性光流预测模型；其中，

(32)对步骤(31)中的用高维张量表示参数的深度极性光流预测模型进行火车张量化分解得到权重参数张量火车分解后的深度极性光流预测模型；

(33)对权重参数张量火车分解后的深度极性光流预测模型进行模型低比特量化精简得到量化后的深度极性光流模型；通过逐次渐进低比特量化模型压缩方法，压缩量化后的深度极性光流模型得到可实时运行的极性判别光流模型。

在步骤(31)中，预设权重参数矩阵W，通过矩阵分解和形变操作将W张量化表示为d维的张量参数

预设输入特征x，同样通过矩阵分解和形变操作将x张量化为d维的张量特征

在步骤(32)中，火车张量化分解包括：

预设张量化表示的d维张量参数

其中，使用d个张量核

的集合进行分解和表示，其中l_k代表每一维度张量的大小，r_k表示分解秩同样为分解后矩阵的维度大小，k∈[1，d]；

中每一个元素都通过如下方式重建：

其中，p_k表示矩阵中某一维度切片的序号，p_k∈[1，l_k]。

在步骤(33)中，量化后的深度极性光流模型为：

其中，

是极性光流计算输出，

是4维张量核，

是张量特征，

是张量化偏置，i_m和j_n均为多维张量中维度的序号，m＝1、2、……、d，n＝1、2、……、d。

具体的，1)视频稳像技术，使用优化的平滑摄像头路径来重新合成稳像视频流。此方法可以有效去除视频流中由于摄像头移动而形成的抖动。将优化摄像头路径看作为静态、线性和二次曲线运动分割构成，即运动模型方程的一阶、二阶、三阶微分项等于零。然后通过线性规划方法优化路径的一阶、二阶、三阶微分方程，得到求解的平滑摄像头路径。

2)使用以椭圆检测法为基础的在线识别跟踪算法，通过灰度变换、滤波以及邻域聚类等步骤，拟合提取火箭发射喷管在图像中的轮廓和特征点，使得在监控视频的每帧图像中都可追踪到火箭发射喷管。

3)离线训练深度学习极性光流预测模型，通过大量的先验光流场数据，采用CNN网络基于梯度下降逐次拟合训练高效极性判别光流场预测追踪模型。训练好的深度极性光流预测模型可根据追踪匹配到的火箭喷管特征点或轮廓，推理预测极小时间差之内火箭喷管移动的光流场。

4)步骤三中训练后的极性光流预测模型的模型层数较深且参数矩阵(即多维的张量)较大，一定程度上影响了火箭喷管极性预测的速度。本步骤中通过深度模型张量压缩技术，对极性光流预测模型进行权重张量精简，以达到实时运行的目的。

具体的，对步骤三中的训练后的极性判别光流预测模型进行精简压缩得到可实时运行的光流预测模型包括如下步骤：

3.1、对步骤三中的训练后深度极性光流预测模型参数矩阵进行张量化表示，得到用高维张量表示的模型参数和输入特征。在深度极性光流模型的推理计算中，给定权重参数矩阵W，通过矩阵分解和形变操作将W张量化表示为d维的张量

其次，给定输入特征x，同样通过矩阵分解和形变操作将x张量化为d维的张量特征

3.2、对步骤3.1中的用高维张量表示参数的深度极性光流预测模型进行张量火车张量化分解，得到用低阶张量序列表示的参数张量化分解表示。通过使用张量分解，可以将高阶张量参数矩阵分解为一系列低阶张量的乘积。首先，给定张量化表示的d维张量参数

可以使用d个张量核

的集合进行分解和表示，其中l_k代表每一维度张量的大小，r表示分解秩同样为分解后矩阵的维度大小，k∈[1，d]。

中每一个元素都可以通过如下方式重建：

其中p_k表示矩阵中某一维度切片的序号，p_k∈[1，l_k]。通过上述分解公式的运算，可以使得构建d维张量

所需要的参数量从

减小到

其中l_k和r是分解后矩阵的大小。

3.3、对步骤3.1和3.2得到的，权重参数张量火车分解后的深度极性光流预测模型，进行深度极性光流张量化推理计算，得到深度极性光流场。根据神经网络的普适计算y＝Wx+b，可将基于张量火车压缩的模型计算最终表示为：

其中

是极性光流计算输出，

到

是4维张量核，

是张量化特征，

是张量化偏置，i和j是多维张量中维度的序号且i_k×j_k＝p_k。

3.4、对步骤3.3得到的权重参数张量火车分解后的深度极性光流预测模型进行模型低比特量化精简，得到量化后的深度极性光流模型。最后，通过逐次渐进低比特量化模型压缩技术，压缩深度光流网络数据模型到8-bit整型，使得极性光流网络数据模型大小进一步减小，移动端监控运行速度提升。

3.5、采用基于深度压缩的极性光流网络，进行极性的预测和判别。通过深度光流预测追踪网络，预测火箭喷管在极小时间内运动的光流，通过光流对时间的积分得到火箭喷管的运动极性。

视频稳像技术

本系统算法中使用的处理视频稳像技术分为3个步骤：a)估计原始摄像头路径C；b)估计出新的平滑摄像头路径P；c)使用优化的平滑摄像头路径来重新合成稳像视频流。最终形成的需要优化最小值的目标方程为：

O(P)＝ω₁|D(P)|₁+ω₂|D²(P)|₁+ω₃

式中P为新的平滑路径；O表示目标方程；ω₁，ω₂，ω₃分别为预设的超参数。

椭圆检测法

图2为发动机极性测试系统中椭圆检测法的具体流程。首先对实时视频流进行一系列图像预处理，之后通过角点、边界检测与过滤提取出散态圆弧，然后通过多尺度聚类算法的拟合得到喷管底部的位置，从而获得各喷管的极性信息。

取候选椭圆弧和候选椭圆弧对应的边界列，采用对椭圆缺损不敏感的直接最小二乘法计算所有候选椭圆的参数(p，q，r₁，r₂，θ)。候选椭圆并非真实椭圆，对于任一候选椭圆，采用下式判断边界像素是否在候选椭圆上：

式中p，q为候选椭圆圆心坐标；r₁，r₂，θ分别为候选椭圆长、短半径及圆弧夹角。

设定边界像素数量为ε₁，像素总数为ε₂，统计ε₂％<d_i<ε₁时，则判定该候选椭圆真实存在。取ε₁为2～4，ε₂为45时，筛选效果良好

特征点提取

本系统选取Harris角点与FAST关键点作为特征点对每一帧视频图像进行特征点提取。该方法计算图像上所有像素点灰度的二阶导数，因为得到的二阶导数图像源于二维Hessian矩阵：

式中p为特征点；I为灰度值。

在Hessian图像的自相关矩阵上有两个最大特征值的位置就是Harris角点。如果对应到原图像上，这个位置实际上是表示以此点为中心，周围至少存在两个不同方向的边缘(或者纹理)的地方，也就是拐角的位置。一阶导数对均匀变化的梯度会产生响应，而二阶导数对均匀变化梯度不产生响应，故Harris角点能够克服均匀变化梯度产生的影响，同时，由于Harris角点通过Hessian图像的自相关矩阵计算得到，所以满足旋转不变性，能提高检测的鲁棒性。

FAST特征点是Rosten等提出的一种快速角点特征检测算子，FAST特征点检测具有很强的实时性。FAST特征点的提取是针对每个像素点m，考虑以m为中心的离散圆上的点。若存在圆上点和其直径方向上的对应点与m点的灰度值相近，则认为m不是特征点。由下式可近似：

式中Ra为离散圆半径；τ为选取的阈值。

若点m满足上式，则点m不是特征点。其中dR_a＝(R cosα，R sinα)，R为圆半径；α取值范围为[0，π]。将图像离散化，实际并非将图像上2个直径相对的点进行比较，而是与其直径相邻的点比较。

Lucas-Kanade光流算法

光流是空间运动物体在观察成像平面上的像素运动的瞬时速度，是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性得到上一帧与当前帧之间存在的对应关系，从而计算出相邻帧之间物体运动信息的一种方法。

如图3所示，光流方法基于亮度一致性假设。考虑输入视频帧I_i(i＝1,…,n)，假设在连续图像I_i和I_i+1中，在I_i中位于(x,y,t)的像素移动到I_i+1中的(x+Δx,y+Δy,t+Δt)点。由于假设对象的像素强度在连续帧之间不发生变化，因此可以得出以下公式：

I_i(x,y,t)＝I_i+1(x+Δx,y+Δy,t+Δt)

由于可以假设光流帧之间的移动很小，因此基于泰勒级数，可以获得：

f_xu+f_yv+f_t＝0

其中

并且u＝d_x/d_t,v＝d_y/d_t。f_x,f_y,f_t是沿水平轴，垂直轴和时间的图像梯度。对于多个点有：

x，y分别表示x和y轴上的求导。把上式改写为F_xu＝F_t的形式，则

也即：

这样就可以得到一系列的光流追踪点。

本发明可以有效的进行同步视频监测和多媒体记录并通过计算机视觉算法判断出各喷管摆动轨迹与极性，以辅助地面测试人员完成对模飞过程中全箭极性正确与否的判读。具备测试结果可复查确认、可事后追溯的能力。从而提高了测试效率、覆盖率，使测试过程可追溯，保证了测量的可靠性，减少了人工参与环节从而离火箭发射测试的无人值守目标更近了一步。本发明完成的总体框架如图1所示，其中以深度学习光流特征法为代表的计算机视觉技术为本自动化框架提供了准确性以及实时性的光流预测；进一步的，通过张量压缩等模型压缩优化技术，使得模型参数量和大小大幅减少，模型运行速度和资源消耗大大减少，提高了模型的整体性能，使得火箭极性判别系统更加自动高效。

本实施例采用深度计算机视觉算法的压缩技术与各模型的模块化设计将有效的提升极性判别系统的运行速度、准确性及可拓展性，其优点为：

1)深度极性判别光流模型的简洁性。通过深度张量火车压缩技术，将深度极性光流模型权重参数数据中的多个高维权重核(kernel)分解成为一个低维矩阵序列的乘积。此低维矩阵序列可近似拟合模型中的权重大小，并将权重参数数量大幅缩小，将模型计算复杂度从幂指数降低为线性。通过深度张量压缩技术压缩深度光流模型，可以使得火箭喷管极性识别系统中采用的极性光流场预测追踪模型大小压缩3倍以上，模型的训练时间减小4倍。

2)深度极性判别光流模型的高效性。通过深度学习极性光流预测模型的应用，可以实现实时准确的极性光流场预测，运行速度达到30fps以上。进一步的通过深度模型压缩技术，使得光流预测模型的体积大幅减小，运行速度大幅提升。使得本系统可运行于低功耗，低空间占用的移动端平台，可有效的节省电力、空间体积等资源消耗。

3)深度极性判别系统模块化设计。通过对各算法的通用模块化设计和建立一套算法阈值分析机制，系统可以自动的根据不同的发动机特点选取不同的算法模块组合，为后续系统在其他型号任务中的开展打下基础。

本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

Claims (10)

1.一种基于计算机视觉的火箭发动机极性测试方法，其特征在于，所述方法包括如下步骤：

步骤一：将预设含有火箭喷管的视频图像根据线性规划方法优化路径的一阶、二阶、三阶微分方程得到平滑摄像头路径，根据平滑摄像头路径得到去除由于摄像头移动而形成的抖动平滑图像；

步骤二：将步骤一中的去除由于摄像头移动而形成的抖动的平滑图像使用以椭圆检测法为基础的在线识别跟踪算法拟合提取火箭发射喷管在去除由于摄像头移动而形成的抖动的平滑图像中的轮廓和特征点；

根据火箭喷管在去除由于摄像头移动而形成的抖动的平滑图像中的轮廓和特征点得到火箭喷管的粗略位置；

步骤三：将步骤一中的去除由于摄像头移动而形成的抖动的平滑图像进行深度学习的光流预测模型的离线训练得到训练后的极性光流预测模型；

对训练后的极性光流预测模型进行精简压缩得到可实时运行的极性判别光流模型；

根据可实时运行的极性光流预测模型得到去除由于摄像头移动而形成的抖动的平滑图像的极性判别光流场；

步骤四：根据步骤三去除由于摄像头移动而形成的抖动的平滑图像的光流场和步骤二中的火箭喷管的粗略位置得到火箭喷管的运动光流，通过火箭喷管的运动光流对时间的积分得到火箭喷管的运动极性。

2.根据权利要求1所述的基于计算机视觉的火箭发动机极性测试方法，其特征在于：在步骤三中，对训练后的极性光流预测模型进行精简压缩得到可实时运行的极性判别光流模型包括如下步骤：

(31)对训练后的光流预测模型的权重参数矩阵W和输入特征x进行张量化得到高维张量表示的模型参数和输入特征；根据高维张量表示的模型参数和输入特征得到用高维张量表示参数的深度极性光流预测模型；

(32)对步骤(31)中的用高维张量表示参数的深度极性光流预测模型进行火车张量化分解得到权重参数张量火车分解后的深度极性光流预测模型；

(33)对权重参数张量火车分解后的深度极性光流预测模型进行模型低比特量化精简得到量化后的深度极性光流模型；通过逐次渐进低比特量化模型压缩方法，压缩量化后的深度极性光流模型得到可实时运行的极性判别光流模型。

3.根据权利要求2所述的基于计算机视觉的火箭发动机极性测试方法，其特征在于：在步骤(31)中，预设权重参数矩阵W，通过矩阵分解和形变操作将W张量化表示为d维的张量参数

4.根据权利要求3所述的基于计算机视觉的火箭发动机极性测试方法，其特征在于：在步骤(31)中，预设输入特征x，同样通过矩阵分解和形变操作将x张量化为d维的张量特征

5.根据权利要求4所述的基于计算机视觉的火箭发动机极性测试方法，其特征在于：在步骤(32)中，火车张量化分解包括：

预设张量化表示的d维张量参数

其中，使用d个张量核

的集合进行分解和表示，其中l_k代表每一维度张量的大小，r_k表示分解秩同样为分解后矩阵的维度大小，k∈[1,d]；

中每一个元素都通过如下方式重建：

其中，p_k表示矩阵中某一维度切片的序号，p_k∈[1,l_k]。

6.根据权利要求5所述的基于计算机视觉的火箭发动机极性测试方法，其特征在于：在步骤(33)中，量化后的深度极性光流模型为：

其中，

是极性光流计算输出，

是4维张量核，

是张量特征，

是张量化偏置，i_m和j_n均为多维张量中维度的序号，m＝1、2、……、d，n＝1、2、……、d。

7.根据权利要求5所述的基于计算机视觉的火箭发动机极性测试方法，其特征在于：在步骤三中，极性光流预测模型为采用CNN网络基于梯度下降逐次拟合训练高效光流场预测追踪模型。

8.一种基于计算机视觉的火箭发动机极性测试系统，其特征在于包括：

第一模块，用于将预设含有火箭喷管的视频图像根据线性规划方法优化路径的一阶、二阶、三阶微分方程得到平滑摄像头路径，根据平滑摄像头路径得到去除由于摄像头移动而形成的抖动平滑图像；

第二模块，用于将第一模块中的去除由于摄像头移动而形成的抖动的平滑图像使用以椭圆检测法为基础的在线识别跟踪算法拟合提取火箭发射喷管在去除由于摄像头移动而形成的抖动的平滑图像中的轮廓和特征点；

根据火箭喷管在去除由于摄像头移动而形成的抖动的平滑图像中的轮廓和特征点得到火箭喷管的粗略位置；

第三模块，用于将第一模块中的去除由于摄像头移动而形成的抖动的平滑图像进行深度学习的光流预测模型的离线训练得到训练后的极性光流预测模型；

对训练后的极性光流预测模型进行精简压缩得到可实时运行的极性判别光流模型；

根据可实时运行的极性光流预测模型得到去除由于摄像头移动而形成的抖动的平滑图像的极性判别光流场；

第四模块，用于根据第三模块去除由于摄像头移动而形成的抖动的平滑图像的光流场和步骤二中的火箭喷管的粗略位置得到火箭喷管的运动光流，通过火箭喷管的运动光流对时间的积分得到火箭喷管的运动极性。

9.根据权利要求8所述的基于计算机视觉的火箭发动机极性测试系统，其特征在于：对训练后的极性光流预测模型进行精简压缩得到可实时运行的极性判别光流模型包括如下步骤：

(31)对训练后的光流预测模型的权重参数矩阵W和输入特征x进行张量化得到高维张量表示的模型参数和输入特征；根据高维张量表示的模型参数和输入特征得到用高维张量表示参数的深度极性光流预测模型；

(32)对步骤(31)中的用高维张量表示参数的深度极性光流预测模型进行火车张量化分解得到权重参数张量火车分解后的深度极性光流预测模型；

(33)对权重参数张量火车分解后的深度极性光流预测模型进行模型低比特量化精简得到量化后的深度极性光流模型；通过逐次渐进低比特量化模型压缩方法，压缩量化后的深度极性光流模型得到可实时运行的极性判别光流模型。

10.根据权利要求9所述的基于计算机视觉的火箭发动机极性测试系统，其特征在于：在步骤(31)中，预设权重参数矩阵W，通过矩阵分解和形变操作将W张量化表示为d维的张量参数

Images