CN116659485A - 一种快速鲁棒的全局星图识别方法 - Google Patents
一种快速鲁棒的全局星图识别方法 Download PDFInfo
- Publication number
- CN116659485A CN116659485A CN202310937469.7A CN202310937469A CN116659485A CN 116659485 A CN116659485 A CN 116659485A CN 202310937469 A CN202310937469 A CN 202310937469A CN 116659485 A CN116659485 A CN 116659485A
- Authority
- CN
- China
- Prior art keywords
- star
- main
- navigation
- order
- mode
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000003384 imaging method Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001629 suppression Effects 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
- G01C21/025—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by astronomical means with the use of startrackers
-
- 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
- G01C21/24—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for cosmonautical navigation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种快速鲁棒的全局星图识别方法,涉及高精度天文导航的技术领域,包括如下步骤:(1)根据视场内恒星的亮度与中心距,定义恒星的置信度,并完成导航星筛选。(2)将星图中的每颗导航星视为顶点,导航星间的像素距离视为边权重,并选择中心距最近的导航星作为主星,构建最大生成树特征。(3)结合K矢量算法,建立快速索引机制,得到候选星集合。(4)利用多阶连续角特征从候选星集合中确定主星及其邻星。该方法的优势在于充分利用导航星间的全局信息,在保证识别速度的同时提高识别准确率。
Description
技术领域
本发明涉及高精度天文导航的技术领域,具体涉及一种快速鲁棒的全局星图识别方法。
背景技术
星图识别是寻找捕获星图与预存星库中导航星间的对应关系,并为航天器的高精度姿态测量做准备。目前,星图识别技术主要分为两大类,即子图同构类和模式识别类,而这两大类算法面临的两大难点有:识别速度慢,易受噪声干扰。子图同构类的代表性算法为三角形算法,算法原理简单且易于实现,但是其缺点也很明显:特征维度低,且星三角的存储量极大,易导致误匹配。在此基础上发展出了很多基于星三角的改进算法,但是均未解决存储量大,识别速度慢的问题。模式识别类最具代表性的算法是栅格法,它将导航星投影在栅格上的位置视为模式特征,构建栅格向量,提升了模式特征维度。但是它过于依赖基准星的选取,导致其性能极易受噪声影响。在此基础上的变种算法也未能解决基准星的依赖问题。
发明内容
本发明针对现有星图识别算法识别速度慢,易受噪声干扰的问题,提供了一种快速鲁棒的全局星图识别方法,其是一种基于模式类算法的方法。该方法利用定义的导航星置信度,可为主星筛选高可靠性,分布均匀的导航星,这大大增加了后续模式的可辨识性。该方法建立的MST与多阶CA模式,无需确定起始点或起始边,即可完成对视场中导航星的全局识别,本算法的识别精度与效率明显高于一些基线类算法。本发明定义的置信度保证了算法对噪声的抑制能力。然后,MST与K矢量算法的结合,有效的实现了主星的快速搜索。最后,多阶CA巧妙地利用了导航星间的全局几何关系,能有效抑制噪声的干扰。
为达到上述目的,本发明采用的技术方案如下:
一种快速鲁棒的全局星图识别方法,包括如下步骤:
步骤1、为每颗导航星定义置信度,并根据置信度/>完成邻星的筛选;
步骤2、根据图论相关定义,为主星构建MST模式;所述MST模式为最大生成树模式;
步骤3、为每颗主星及邻星构建多阶CA模式;所述多阶CA模式为多阶连续角模式;
步骤4、根据步骤1、步骤2和步骤3完成的星图识别算法中的识别模式构建,通过构建的识别模式对视场中筛选出的N颗星进行识别。
进一步地,所述步骤1包括:
步骤11、根据导航星的自身星等及距离中心的中心距的综合特征,为视场中的每颗导航星定义置信度,计算公式如下:
,
其中,为第/>颗导航星的星等,/>和/>分别为星库中最小和最大星等值,/>为第i颗导航星的中心距,/>为最大成像平面像素尺寸;
步骤12、以距离视场中心最近的星为主星,并将其邻星按置信度降序排列,筛选前N颗星作为该主星的邻星。
进一步地,所述步骤2包括:
步骤21、将筛选出来的所有星视为图的顶点V,顶点间的连线视为图的边E,连线的欧几里得距离视为边权重d(u,v),计算公式如下:
,
其中,(),(/>)分别为视场中的两颗导航星像平面坐标;
步骤22、采用Prim算法为星库中每颗主星构建MST模式:首先,随机选择一顶点作为起点,计算它与其他顶点的边权重,并取最大值作为最大生成树的第一条边,记为;随后,计算与第一条边相连的另一顶点与其他顶点的边权值,取最大值作为最大生成树的第二条边,记为/>;按照上述步骤,及任意三个顶点不成环的规则,完成所有顶点的最大生成树的构建(/>),其中N是邻星个数;
步骤23、根据上述生成的最大生成树的边权重,计算主星的MST模式如下:
,
其中,j是MST的第j条边权重。
进一步地,所述步骤3包括:
步骤31、一阶连续角定义为相邻邻星连线间的夹角,计算公式为:
,
其中,()为主星在成像面上的坐标,(/>)代表视场中第i颗星在成像面上坐标, (/>)代表视场中第N颗星在成像面上坐标;
步骤32、 根据步骤31中的一阶连续角为每颗邻星构建多阶连续角/>,令,计算如下:
,
其中,符号“>>”代表将向量循环右移;
步骤33、根据步骤32中的每颗邻星将多阶连续角构建为主星多阶连续角矩阵,计算如下:
,
其中,矩阵A的每列代表1到N-1阶连续角,矩阵A的每行代表每颗邻星的多阶连续角。
进一步地,所述步骤4包括:
步骤41、根据步骤2中的主星的MST模式,结合K矢量算法,为主星建立快速索引,从LUT中快速搜索得到候选主星集合:
,
其中,代表LUT中的候选主星,/>代表LUT中的MST模式值,/>代表捕获星图的MST模式,/>代表动态阈值,/>代表候选星数目;
步骤42、从候选集合中确定正确主星:计算捕获星图与 SPD中的候选主星多阶连续角矩阵A的Jaccard相似系数,计算如下:
,
其中,SPD表示星模式库;和/>分别代表捕获星图与第k颗候选主星的多阶连续角矩阵,z代表阶数, 符号/>和/>分别代表两个集合间的交集和并集;
步骤43、采用重复投票策略确定正确主星:通过步骤42得到各阶Jaccard相似系数后,取每阶最大值进行候选星投票,投票数最大者为正确主星,表达如下:
,
其中,函数代表最大Jaccard相似系数对应的候选主星的投票数加一,argmax代表取投票数最大者;
步骤44、通过步骤43确定正确主星后,将正确识别的主星与捕获星图中主星的多阶连续角矩阵进行行对齐,对筛选出来的邻星进行全局识别。
本发明与现有技术相比的有益效果在于:
(1)本发明提供了一种新的导航星筛选方法,增加了模式的可辨识度;
(2)本发明提出的MST模式与多阶CA模式,有效地解决了噪声干扰下的星图识别问题;
(3)本发明具有较高的识别精度,计算复杂度低,识别速度快。
附图说明
图1为本发明的一种快速鲁棒的全局星图识别方法流程图;
图2为本发明的MST模式构建示意图;其中,(a)表示随机选择作为起点,并计算
它与其他顶点的欧几里得距离;(b)表示选择距离最大的边作为第一条边的权重;(c)表
示选择连接到的另一个顶点作为第二个顶点;类似地,选择第二条边的权重;
(d)代表所有顶点的MST边权重;
图3为本发明的多阶CA模式构建示意图;其中,(a)表示一阶CA模式图;(b)表示的多阶CA模式图;(c)表示/>的多阶CA模式图。
具体实施方式
以下结合具体实施例对本发明作进一步详细描述。
本发明的一种快速鲁棒的全局星图识别方法首先对原理SAO星表进行星等阈值划分和双星剔除,得到4956颗导航星组成的星库。不同视场下的星数变化如图2所示,图2中代表主星的8颗邻星;/>代表主星MS的权重边。其中图2中的(a)表示随机选择/>作为起点,并计算它与其他顶点的欧几里得距离;图2中的(b)表示选择距离最大的边作为第一条边的权重/>(比如选择/>为第一顶点,选择/> 为第一条边);图2中的(c)表示选择连接到第一条边的另一个顶点/>作为第二个顶点,选择/> 为第二条边;类似地,选择第二条边的权重/>;图2中的(d)代表所有顶点的MST边权重,即直到9个顶点全部被最大生成树连接;
从图2中发现,在20°视场下,视场内导航星冗余度过高,这将导致模式区分度降低。星敏感器具体参数如表1所示。
表1 星敏感器实验参数
本发明主要包括离线与在线两大部分,离线部分主要包括导航星查找表(LUT)与星模式库(SPD)构建。其中,LUT由最大生成树(MST)模式组成,SPD由多阶连续角(CA)模式组成;在线部分主要基于LUT与SPD完成对捕获星图中主星及邻星的识别。离线部分与在线部分的技术途径一致,本发明以在线部分为例进行说明。
如图1所示,本发明的一种快速鲁棒的全局星图识别方法具体包括如下步骤:
步骤1、从捕获星图中确定主星,为每颗导航星定义置信度,并根据置信度完成
邻星的筛选,具体包括:
步骤11、根据导航星的自身星等及距离中心的中心距的综合特征,为视场中的每颗导航星定义置信度,计算公式如下:
,
其中,为第/>颗导航星的星等,/>和/>分别为星库中最小星等值和最大星等值,/>为第i颗导航星的中心距,/>为最大成像平面像素尺寸。
步骤12、以距离视场中心最近的星为主星,并将其邻星按置信度降序排列,筛选
前N颗星作为该主星的邻星。
步骤2、根据图论相关定义,为主星构建最大生成树(MST)模式,包括:
步骤21、视星图为图结构,即将筛选出来的所有星视为图的顶点 V,顶点间的连线视为图的边E,连线的欧几里得距离视为边权重d(u,v),计算公式如下:
,
其中,(),(/>)分别为视场中的两颗导航星像平面坐标。
步骤22、采用Prim算法为星库中每颗主星构建MST模式。首先,随机选择一顶点作为起点,计算它与其他顶点的边权重,并取最大值作为MST的第一条边的权重,记为;随后,计算与第一条边相连的另一顶点与其他顶点的边权值,取最大值作为MST的第二条边的权重,记为/>;按照上述步骤,及任意三个顶点不成环的规则,完成所有顶点的最大生成树的构建(/>),N是主星的邻星数。
步骤23、根据上述生成的最大生成树的边权重,计算主星的MST模式如下:
,
其中,j表示MST的第j条边。
步骤3、为每颗主星及邻星构建多阶连续角,包括:
步骤31、一阶连续角定义为相邻邻星连线间的夹角,计算公式为:
,
其中,()为主星在成像面上的坐标,(/>)代表视场中第i颗星在成像面上坐标,(/>)代表视场中第N颗星在成像面上坐标。
步骤32、根据步骤31中的一阶连续角为每颗邻星构建多阶连续角/>,令,计算如下:
,
其中,符号“>>”代表将向量循环右移。
步骤33、根据步骤32中的每颗邻星将多阶连续角构建为主星多阶连续角矩阵,计算如下:
,
其中,矩阵A的每列代表1到N-1阶连续角,A的每行代表每颗邻星的多阶连续角。
步骤4、根据步骤1、步骤2和步骤3完成的星图识别算法中的识别模式构建,通过构建的模式来对视场中筛选出的N颗星进行识别,包括:
步骤41、根据步骤2中的主星的MST模式,结合K矢量算法,为主星建立快速索引,从LUT中快速搜索得到候选主星集合。
,
其中,代表LUT中的候选主星,/>代表LUT中的MST模式值,/>代表捕获星图的MST模式,/>代表候选星数目,/>代表动态阈值。
步骤42、从候选主星集合中确定正确主星。计算捕获星图与星模式库(SPD)中的候选主星多阶连续角矩阵A的Jaccard相似系数,计算如下:
,
其中,和/>分别代表捕获星图与第k颗候选主星的多阶连续角矩阵,z代表阶数, 符号/>和/>分别代表两个集合间的交集和并集。
步骤43、采用重复投票策略确定正确主星。通过步骤42得到各阶Jaccard相似系数后,取每阶最大值进行候选星投票,投票数最大者为正确主星,表达如下:
,
其中, ()函数代表最大Jaccard相似系数对应的候选主星的投票数加一,argmax代表取投票数最大者。
步骤44、通过步骤43确定正确主星后,将正确识别的主星与捕获星图中主星的多阶连续角矩阵进行行对齐,即可对筛选出来的邻星进行全局识别。
实施例:
(1)实验条件:CPU采用Intel Core i7-6500U,主频2.5 GHz,内存12Gb,程序使用Matlab 2018a编写,实验参数如表1所示。
为体现本方法的贡献,在此将提出的方法与三种常用的星图识别算法在三种噪声干扰下的识别率和识别时间进行了对比测试,对比实验条件分别为:0-1像素的高斯位置噪声干扰,0-5颗假星干扰,0-0.5的高斯星等噪声干扰。对比算法主要包括:GMV , Pyramid ,RCP。Proposed代表本发明提出的方法。
精度对比结果如表2所示,主要指标包括平均识别率(AIA)以及最大噪声干扰下的识别率(MIA)。
表2 识别精度对比结果
识别时间对比结果如表3所示,主要指标包括平均识别时间(AIT)以及最大噪声干扰下的识别时间(MIT)。
表3 识别时间对比结果
本发明提出了一种快速鲁棒的全局星图识别方法,首先通过置信度为主星筛选出高可靠性,近似均匀分布的邻星,这大大提高模式可辨别性。然后构建MST与CA模式(如图3所示,图3的图(a)表示一阶CA模式图;图3的图(b)表示的多阶CA模式图;图3的图(c)表示/>的多阶CA模式图。)分别保证了在星图识别下的快速性与鲁棒性,解决了目前星图识别领域面临的两大难点。
本发明未详述部分属于本技术领域的公知技术。以上所述仅为本发明的具体实例而已,并不用于以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种快速鲁棒的全局星图识别方法,其特征在于,包括如下步骤:
步骤1、为每颗导航星定义置信度,并根据置信度/>完成邻星的筛选;
步骤2、根据图论相关定义,为主星构建MST模式;所述MST模式为最大生成树模式;
步骤3、为每颗主星及邻星构建多阶CA模式;所述多阶CA模式为多阶连续角模式;
步骤4、根据步骤1、步骤2和步骤3完成的星图识别算法中的识别模式构建,通过构建的识别模式对视场中筛选出的N颗星进行识别。
2.根据权利要求1所述的一种快速鲁棒的全局星图识别方法,其特征在于,所述步骤1包括:
步骤11、根据导航星的自身星等及距离中心的中心距的综合特征,为视场中的每颗导航星定义置信度,计算公式如下:
,
其中,为第/>颗导航星的星等,/>和/>分别为星库中最小和最大星等值,/>为第i颗导航星的中心距,/>为最大成像平面像素尺寸;
步骤12、以距离视场中心最近的星为主星,并将其邻星按置信度降序排列,筛选前N颗星作为该主星的邻星。
3.根据权利要求2所述的一种快速鲁棒的全局星图识别方法,其特征在于,所述步骤2包括:
步骤21、将筛选出来的所有星视为图的顶点V,顶点间的连线视为图的边E,连线的欧几里得距离视为边权重d(u,v),计算公式如下:
,
其中,(),(/>)分别为视场中的两颗导航星像平面坐标;
步骤22、采用Prim算法为星库中每颗主星构建MST模式:首先,随机选择一顶点作为起点,计算它与其他顶点的边权重,并取最大值作为最大生成树的第一条边,记为;随后,计算与第一条边相连的另一顶点与其他顶点的边权值,取最大值作为最大生成树的第二条边,记为/>;按照上述步骤,及任意三个顶点不成环的规则,完成所有顶点的最大生成树的构建(/>),其中N是邻星个数;
步骤23、根据上述生成的最大生成树的边权重,计算主星的MST模式如下:
,
其中,j是MST的第j条边权重。
4.根据权利要求3所述的一种快速鲁棒的全局星图识别方法,其特征在于,所述步骤3包括:
步骤31、一阶连续角定义为相邻邻星连线间的夹角,计算公式为:
;
其中,()为主星在成像面上的坐标,(/>)代表视场中第i颗星在成像面上坐标, (/>)代表视场中第N颗星在成像面上坐标;
步骤32、根据步骤31中的一阶连续角为每颗邻星构建多阶连续角/>,令,计算如下:
;
其中,符号“>>”代表将向量循环右移;
步骤33、根据步骤32中的每颗邻星将多阶连续角构建为主星多阶连续角矩阵,计算如下:
,
其中,矩阵A的每列代表1到N-1阶连续角,矩阵A的每行代表每颗邻星的多阶连续角。
5.根据权利要求4所述的一种快速鲁棒的全局星图识别方法,其特征在于,所述步骤4包括:
步骤41、根据步骤2中的主星的MST模式,结合K矢量算法,为主星建立快速索引,从LUT中快速搜索得到候选主星集合:
;
其中,代表LUT中的候选主星,/>代表LUT中的MST模式值,/>代表捕获星图的MST模式,/>代表动态阈值,/>代表候选星数目;
步骤42、从候选集合中确定正确主星:计算捕获星图与 SPD中的候选主星多阶连续角矩阵A的Jaccard相似系数,计算如下:
,
其中,SPD表示星模式库;和/>分别代表捕获星图与第k颗候选主星的多阶连续角矩阵,z代表阶数, 符号/>和/>分别代表两个集合间的交集和并集;
步骤43、采用重复投票策略确定正确主星:通过步骤42得到各阶Jaccard相似系数后,取每阶最大值进行候选星投票,投票数最大者为正确主星,表达如下:
,
其中,函数代表最大Jaccard相似系数对应的候选主星的投票数加一,argmax代表取投票数最大者;
步骤44、通过步骤43确定正确主星后,将正确识别的主星与捕获星图中主星的多阶连续角矩阵进行行对齐,对筛选出来的邻星进行全局识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310937469.7A CN116659485A (zh) | 2023-07-28 | 2023-07-28 | 一种快速鲁棒的全局星图识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310937469.7A CN116659485A (zh) | 2023-07-28 | 2023-07-28 | 一种快速鲁棒的全局星图识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116659485A true CN116659485A (zh) | 2023-08-29 |
Family
ID=87720976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310937469.7A Pending CN116659485A (zh) | 2023-07-28 | 2023-07-28 | 一种快速鲁棒的全局星图识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116659485A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116952206A (zh) * | 2023-09-19 | 2023-10-27 | 中国科学院光电技术研究所 | 一种基于星光测姿的空间目标检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107608065A (zh) * | 2017-10-18 | 2018-01-19 | 中国科学院光电技术研究所 | 一种运动平台下基于allan方差分析的望远镜自动指向修正方法 |
CN109813303A (zh) * | 2019-03-08 | 2019-05-28 | 北京航空航天大学 | 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 |
CN111412915A (zh) * | 2020-04-21 | 2020-07-14 | 中国科学院光电技术研究所 | 一种基于平均速度的卷帘曝光星敏感器星点位置校正方法 |
CN114001756A (zh) * | 2021-11-03 | 2022-02-01 | 中国科学院光电技术研究所 | 一种小视场星敏感器外场地面寻星方法 |
CN115290100A (zh) * | 2022-05-30 | 2022-11-04 | 中国人民解放军火箭军工程大学 | 一种基于姿态信息的分区快速星图识别方法 |
-
2023
- 2023-07-28 CN CN202310937469.7A patent/CN116659485A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107608065A (zh) * | 2017-10-18 | 2018-01-19 | 中国科学院光电技术研究所 | 一种运动平台下基于allan方差分析的望远镜自动指向修正方法 |
CN109813303A (zh) * | 2019-03-08 | 2019-05-28 | 北京航空航天大学 | 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 |
CN111412915A (zh) * | 2020-04-21 | 2020-07-14 | 中国科学院光电技术研究所 | 一种基于平均速度的卷帘曝光星敏感器星点位置校正方法 |
CN114001756A (zh) * | 2021-11-03 | 2022-02-01 | 中国科学院光电技术研究所 | 一种小视场星敏感器外场地面寻星方法 |
CN115290100A (zh) * | 2022-05-30 | 2022-11-04 | 中国人民解放军火箭军工程大学 | 一种基于姿态信息的分区快速星图识别方法 |
Non-Patent Citations (1)
Title |
---|
ZIJIAN ZHU等: "An Autonomous Global Star Identification Algorithm Based on the Fast MST Index and Robust Multi-Order CCA Pattern", 《REMOTE SENSING》, pages 1 - 25 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116952206A (zh) * | 2023-09-19 | 2023-10-27 | 中国科学院光电技术研究所 | 一种基于星光测姿的空间目标检测方法 |
CN116952206B (zh) * | 2023-09-19 | 2024-02-02 | 中国科学院光电技术研究所 | 一种基于星光测姿的空间目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | A novel neural network for remote sensing image matching | |
CN110335319B (zh) | 一种语义驱动的相机定位与地图重建方法和系统 | |
Kolomenkin et al. | Geometric voting algorithm for star trackers | |
CN108010045A (zh) | 基于orb的视觉图像特征点误匹配提纯方法 | |
CN110132263B (zh) | 一种基于表示学习的星图识别方法 | |
CN112084869B (zh) | 一种基于紧致四边形表示的建筑物目标检测方法 | |
CN107329962B (zh) | 图像检索数据库生成方法、增强现实的方法及装置 | |
CN105844669A (zh) | 一种基于局部哈希特征的视频目标实时跟踪方法 | |
CN103136525B (zh) | 一种利用广义Hough变换的异型扩展目标高精度定位方法 | |
CN113223068B (zh) | 一种基于深度全局特征的多模态图像配准方法及系统 | |
CN109117851A (zh) | 一种基于网格统计约束的视频图像匹配方法 | |
CN116659485A (zh) | 一种快速鲁棒的全局星图识别方法 | |
Yin et al. | Fast sequence-matching enhanced viewpoint-invariant 3-d place recognition | |
CN110008900A (zh) | 一种由区域到目标的可见光遥感图像候选目标提取方法 | |
CN107423771B (zh) | 一种两时相遥感图像变化检测方法 | |
Huang et al. | A low-dimensional binary-based descriptor for unknown satellite relative pose estimation | |
CN114972947A (zh) | 一种基于模糊语义建模的深度场景文本检测方法和装置 | |
CN108320310A (zh) | 基于图像序列的空间目标三维姿态估计方法 | |
CN113483751B (zh) | 一种基于径向三角形映射矩阵的星图识别方法 | |
Yang et al. | Robust and efficient star identification algorithm based on 1-D convolutional neural network | |
CN112729277B (zh) | 基于动态夹角匹配的星敏感器星图识别方法 | |
CN112179335B (zh) | 一种基于最简一般子图的星图识别方法 | |
CN111174776B (zh) | 一种基于径向与动态环向模式的星图识别方法 | |
CN113704276A (zh) | 地图更新方法、装置、电子设备及计算机可读存储介质 | |
Cassinis et al. | Comparative assessment of image processing algorithms for the pose estimation of uncooperative spacecraft |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20230829 |