多视场星敏感器中基于路径优化的星识别

摘要

星敏感器利用恒星的天文信息，通过识别恒星图像来确定航天器的姿态。针对低成本小视场星敏感器，对多视场观测图像进行融合，提出了一种基于随机分布蚁群路径优化的星敏感器识别算法。蚁群可以根据信息素的强度，不需要先确定起点，也不需要确定终点，就能自主地找出一条接近最优的路径。将引导模板中最优路径提取的特征模式与融合后的观测图像进行比较，进行星识别。通过该算法，路径优化的起始点不影响特征模式的提取。因此，由于提取的模式具有较高的稳定性，提高了星的识别率。仿真结果表明，该算法提高了多视场传感器的识别精度和抗噪声的鲁棒性。

1.介绍

航天器的天体姿态确定是通过天体传感器获取天体信息并计算航天器姿态的过程。在用于航天器姿态确定的各种天体传感器中，星敏感器的精度最高。星敏感器的工作模式包括星跟踪模式和全天星图像识别模式。对于后一种模式，星敏感器的工作独立于所有其他外部信息。这就提出了在姿态丢失或剧变的情况下快速识别恒星和航天器姿态重建的要求。

小视场星敏感器自主制导通常受到制导星数量不足的制约。为了突破这一限制，对多视场星敏感器的天体制导技术进行了研究和改进。

在多视场星敏感器识别领域，Ho等[1]提出了一种将扩展图像识别与组合图像识别相结合的识别算法。在他们的工作中，来自两个跟踪器的图像中的恒星被单独识别，然后剩余的恒星或扩展图像中的恒星被使用先前识别的恒星识别。李等人[2提出了一种新的双视场星敏感器识别算法。首先，单独获取各视场视场图像系统中的星点坐标;然后将第一个视场的星坐标转换为第二个视场的图像空间系统。然后，在第二视场图像空间系统中，对所有观测到的恒星进行分类，提取其模式特征进行识别。

对于恒星识别算法的改进，Hernandez等[3.]介绍了基于具有相似不变量的多边形的识别算法。它们使用相邻恒星作为顶点创建多边形，并将每个多边形映射到复数。该数字用作匹配的索引。Quan等人[4研究了基于自适应蚁群算法的识别方法。这个方法画圆，每个圆的中心是一个明亮的星点，半径是一个特殊的角距离。对于每个星点集中的恒星，计算星点集中任意一对星点的角距，以最接近星点集中中心的星点为起点。然后用AAC检索该星点集从起始点开始的最优路径。从最优路径中提取的特征用于识别。李等人[5]提出了一种改进的三角形全天识别算法。他们根据天子块选择导向星，优化观测三角形选择。然后他们利用恒星之间的角距离进行匹配识别。此外，新的识别算法和数据库形成方法[6- - - - - -18]它们是发达的。

提出了一种基于最优路径特征的多视场星敏感器全天自主识别算法。首先是融合不同小视场观测到的多幅图像的信息。然后在融合图像中获取最优遍历路径，该路径以恒星间的角度距离为权值遍历所有选定的恒星。我们使用每幅图像中的路径特征作为索引来完成识别。

2.明星的图像融合

2．1．理论

我们设置了FOV a和FOV b两种FOV星敏感器，每个FOV大小为8°× 8°，每个FOV观测图像大小为512×512像素。A和B的目视轴相对于彼此设置在固定的位置。在单视场较小的情况下，为了捕获足够多的引导星以保证识别率，采用双视场进行观测。为了实现双视场传感器的识别，首先我们需要融合两幅视场均为A和b的图像。在融合的第一步，我们选择同时识别两幅图像中同时出现的星星。

我们假设，在任何时刻，A的视线指向（赤经，赤纬）= 视场B的视线指向(赤纬，赤纬)= ．S为两视场同时观测的恒星，其在天球坐标系中的坐标为 ．它的坐标可以转换为视场坐标系 通过变换矩阵: 然后S在FOV坐标系中的坐标是 如果是视场A坐标系到视场B坐标系的变换矩阵，那么 根据(2)和(3.）， 然后我们有以下几点: 结论从(6)，如果A和B的视轴方向彼此保持一致，但 和 随着时间的推移而变化，变化。这意味着在FOV A图像平面上的S坐标与其在FOV B图像平面上的坐标之间的关系也将发生变化。因此，仅通过A和B的视觉轴之间的固定关系，不可能识别两幅图像中出现的恒星。

2．2．融合

根据以上结论，我们设法将A和B的两幅图像作为独立的图像来识别其中相同的恒星。我们在这两幅图像中局部建立三角形，并从A的图像和B的图像中匹配三角形。

例如，我们将A和B的视觉轴之间的偏角距离设置为1°，将赤经距离设置为5°。图1(一)和1 (b)图示A和B观测到的恒星图像。

在这两幅图像中，根据每2颗恒星之间的角度距离，将观测到的恒星分为3组。我们预先设定了角度距离范围8.5543°。在每组中，3个距离都在这个范围内。通过比较每两组从A和B的角度距离，我们可以找到在A和B观测到的相同的恒星1(一)和1 (b)展示5颗相同的星星。然后根据这两颗星在视场A像平面坐标系中的坐标与视场B像平面坐标系中的坐标之间的关系，对两幅图像进行融合。此外，我们以共同的恒星为基准，因此我们可以将两个视场中只有一个视场观测到的恒星添加到融合图像中。数字1 (c)说明了图中融合的图像1(一)和1 (b)．

3.基于蚁群路径优化的识别

3．1.方法

我们提出了一种基于路径优化的识别算法，在双视场融合图像中，利用虚拟蚁群算法创建连接所选恒星的最短遍历路径，从最优路径中提取特征模式，然后将观测图像的模式与导航星表的模拟模板进行匹配。

蚁群遍历优化是模拟自然界中蚂蚁将信息素留在路径上的迭代过程。在每一轮迭代中，假定蚂蚁经过每个目的地一次且仅一次，最终返回到初始位置。蚁群选择路径的概率由距离和正反馈原理决定。通过迭代，蚂蚁设法选择一个最短的遍历路径，连接它们所有的目的地。

根据(7)，只要确定星敏感器的视线方向，就可以仿真生成无噪声的星图。 为模拟图像坐标系中任意星星的坐标。是它的赤纬和赤纬就是它的赤经。 是星敏感器的CCD图像平面阵列的大小。是用来表示视线方向的偏角，以及是赤经。在模拟中，将指导星目录中所有恒星的赤纬和赤经输入(7)和它们在像面系统中的坐标输出。因此，坐标在像平面内的恒星被投影到模拟像中。

每次以指导星目录中的一颗星的赤纬和赤经为视场方向，生成一幅与观测图像像素相同的模拟图像。因此，每一颗恒星对应一个模拟图像。这些模拟的恒星图像被命名为指导模板。在每个导向模板中，它所对应的星位于其中心，而在中心星附近的星被作为蚁群穿越的目的地。在初始状态下，我们假设蚁群在这些目的地是随机分布的。每只蚂蚁都根据一个函数从初始位置出发，移动到下一个目的地。该函数由路径上的信息素和蚂蚁的位置与其他目的地之间的距离组成。将最优遍历路径的长度作为导向模板的特征。此外，还计算了中心星与其相邻两颗星在最优路径上的角距，形成特征图。

我们假设有蚂蚁和目的地，以及 目的地之间距离远吗和 ，也就是两颗星之间的角度距离。剩余的信息素强度在路径之间吗和 ．在初始时刻，所有路径上的信息素强度均为常数。在时刻 ，对蚂蚁 ，它的转移概率来是 在(8），是ant所在目的地的集合没有通过。启发式因子是期望的转移吗来 ，通常 ．信息素的重要性是和吗是启发式因素的重要性。每时每刻，所有路径上的信息素都在更新: 在(9）， 信息素的挥发系数是否在路径之间和 ． 信息素的变化是在两者之间的路径上吗和 ．在初始时刻, ．信息素是哪只蚂蚁树叶在小路之间和 ． ．总信息素是哪只蚂蚁叶子。路径长度是哪只蚂蚁传球。如果蚂蚁不经过这条路， ［19］．

3．2.特征提取

如图所示1 (c)，我们将距离图像中心最小的恒星定义为主星，并在一定距离范围内定义主星的邻域。附近所有的星星都是蚁群穿越的目的地。如图2显示,当= 1,= 1,=0.5,=100，最大迭代次数=100，且蚁群大小与目标恒星相同，则融合后可得到观测图像中最优穿越路径。对于任何观测到的图像，这条路径都是闭合曲线。对于观测图像，特征模式由最优路径长度和最优路径上主恒星与其相邻两颗恒星的角度距离组成。

同样，我们将中心星作为每个导向模板的主星，使用随机分布的蚁群算法计算出其中的最优路径，然后记录投影在图像平面上的最优路径长度、主星与其两个相邻星在路径上的夹角距离，作为导向模板的特征模式。

3．3.模式识别

根据导向模板和观测图像中最优路径的特点，可以识别出与观测图像匹配的导向模板。数字3.如图所示为与融合图像匹配的导向模板中的最优路径2成功。

4.模拟

我们所有的模拟都是在一个3.20 Ghz奔腾(R)桌面PC和Matlab环境中进行的。利用蒙特卡罗方法生成了1000对观测星图，验证了算法的可行性。每一对由双视场传感器的两个视场观测到的两幅图像组成。通过(7)，我们随机生成1000对方向的两个传感器的视线。这一代的前提是使两条线之间的赤纬距离， ，始终为1°，右赤经距离， ，总是5°。在这里和是两个传感器的视线指向的偏角，以及和是正确的提升。

单视场大小为8°×8°，单观测图像大小为512×512像素。完整的基础星库由《明亮星目录》中的9098颗星组成，不含变星和双星。对仿真图像进行融合后的识别，分别采用该算法、自适应蚁群算法和改进的三角形算法进行识别。将该算法与其他两种算法进行性能比较，以评估其效率。

4．1.噪声下的识别率

在融合后的1000幅模拟图像中加入伪星噪声、缺失星噪声、位置噪声和星等噪声，统计图像噪声增加后的总识别率。

以下4.4.1。位置噪声下的识别率

我们在观测图像中加入位置噪声来评估算法的鲁棒性。位置噪声的概率定义如下。位置噪声假定是由星像素以1/8的概率移动到其8个相邻像素中的任何一个而引起的。噪声的概率是该星点像素与图像中所有星点像素的比值。如果噪声的概率为0，则图像中的所有恒星都不会移动。如果它是1，每颗星移动到它的一个相邻像素。数字4显示了当位置噪声的概率从0增加到0.7时的识别率。

4.1.2。幅值噪声下的识别率

在观测图像中加入高斯幅值噪声来评估算法的鲁棒性。星等用星等等级表示。星等等级降低1级，星等增加2.51倍。我们假设当一颗星的灰度是255，它的星等等级是5，那么每颗星的星等等级以及它的灰度级可以根据需要相互转换 ．［20.震级噪声用震级水平的标准差表示。

三种算法的识别率如图所示5当位置噪声的概率保持在0.4不变，震级水平的标准差在0.5 ~ 2.5之间时。

4.1.3。假星和失踪星的影响

我们在每对融合图像中加入假星，即由观测误差产生的明亮像素，以评估该算法在特殊情况下的性能。在传感器图像上添加1 ~ 5颗假星，这些假星的位置可以设置在观测图像的任意像素上。假星有相同的星等等级，即5级。伪星观测图像的识别率如图所示6．

Missing stars是指那些应该被捕捉到但没有出现在FOV中的星星。我们从观测星图中随机去除1-5颗星，以测试算法的鲁棒性。观测到的缺星图像的识别率如图所示7．

4．2．识别时间

为了避免在完整的数据集上进行测试导致CPU占用过多，我们将1000对无噪声的观测图像平均分成10组，每组进行图像融合，每次识别一组。在每组10幅融合图像中，我们统计一次识别的平均时间。各组识别时间如表所示1．

表格1结果表明，该算法比自适应蚁群算法具有更高的识别速度，这是因为该算法不需要星点集和最优路径的起始点。改进的三角形算法的识别时间比其他两种算法略短，因为该算法改进了过程该算法将角距离按升序排列为导星特征目录，从而减少了在星表中查找的时间。

4．3．与单视场识别的比较

我们模拟了一个视场传感器。视场尺寸为8°×8°，平面阵列尺寸为512像素× 512像素。然后对上述双视场传感器和单视场传感器进行仿真，生成500个随机视场方向。我们对单视场传感器的观测图像和双视场传感器的融合图像都加入了相同的位置噪声。这个位置噪声的概率设置为0.2。

显然，观测到的星号会随着传感器的视线指向不同的偏角区域而变化。我们统计了双视场传感器每个视场的平均星号和单视场传感器每个视场的星号。然后利用所提出的算法在两个传感器上进行识别。识别结果表明表中显示了这些参数2．

我们可以从Table上看到2当视线指向观测恒星较少的赤纬区域时，识别就变得更加困难。但是，在缺少恒星的情况下(由于观测原因)，双视场传感器仍能比单视场传感器表现出更高的识别率。

4．4.分析

与其他两种算法相比，该算法具有更好的抗噪声性能。这是因为蚁群中的蚂蚁在初始时刻是随机分布在星星上的，而不是根据星星的位置和星等选择一个指定的点进行路径优化。从而消除了特征模式受起始点选择影响的情况。对于包含从指定点开始路径优化的方法，图像噪声会导致引导模板和观测图像从不同指定点开始路径优化。观测图像的特征模式与引导模板的特征模式存在差异，导致错误匹配。

在该算法中，特征模式由三个距离组成，这意味着不使用星体像素的大小来计算特征模式，从而增强了算法对大小噪声的稳定性。

从表2，在缺少观测恒星的情况下，多视场视角传感器可以提高识别性能。

5.结论

提出了一种低成本小视场星敏感器的全天空星识别算法，并讨论了多视场星敏感器中不同视场之间的识别问题。噪声条件下的仿真表明，基于随机分布蚁群路径优化的算法能够克服路径优化起始点指定的缺点，有效提高识别率。

数据可用性

亮星目录可以在http://tdc-www.harvard.edu/catalogs/bsc5.html上找到。

的利益冲突

作者声明本文的发表不存在利益冲突。

致谢

这项工作是由海军装备高级研究项目资助的[由于军事安全，批准号是保密的]。

参考文献

1. K. Ho和S. Nakasuka，“结合扩展视场的两星跟踪器的新型恒星识别方法”，在AIAA指南、导航和控制会议记录2010年8月，加拿大多伦多。浏览：谷歌学者
2. 李斌，孙青，张涛，“一种双视场星敏感器的星模式识别算法”，航空和电子系统杂志，第30卷，第2期8, pp. 24-31, 2015。浏览：谷歌学者
3. E. A. Hernández, M. A. Alonso, E. Chávez, D. H. Covarrubias, R. Conte，“基于相似不变量的鲁棒多边形识别方法应用于星形识别”，空间研究进展，第59卷，第59期4, pp. 1095-1111, 2017。浏览：出版商的网站|谷歌学者
4. “一种基于自适应蚁群算法的星敏感器识别方法，”传感器，第10卷，第5期。第3页，1955-1966,2010。浏览：出版商的网站|谷歌学者
5. X.-L。李,黄永发。Yang, L. Zhang, S. Li, G. Jin, and S. Zhi，“一种新的基于改进三角形算法的星型识别技术”，机械工程师学会学报，第G部分:航空航天工程学报第229卷，第229期9, pp. 1730-1739, 2015。浏览：出版商的网站|谷歌学者
6. M. Dorigo和L. M. Gambardella，《蚁群系统:解决旅行推销员问题的合作学习方法》，IEEE进化计算汇刊， vol. 1, no. 11，第53-66页，1997。浏览：出版商的网站|谷歌学者
7. 张刚，魏旭东，“基于星图径向和循环特征的全天空自主恒星识别”，图像与视觉计算第26卷第2期2，第891-897页，2008。浏览：出版商的网站|谷歌学者
8. J. Enright, G. McVittiey，和T. Dzambaz，《基于颜色的星追踪器匹配》2010年AIAA/AAS天体动力学专家会议记录2010年8月，加拿大多伦多。浏览：谷歌学者
9. T. Delabie, T. Durt，和J. Vandersteen，“基于最短距离变换的高度鲁棒空间丢失算法”，制导，控制和动力学杂志第36卷第2期2, pp. 476-484, 2013。浏览：出版商的网站|谷歌学者
10. G.-J。张,X.-G。Wei, and J. Jiang，“基于改进三角形算法的星图识别”，中国航空航天学报第27卷第2期6，页1150-1154,2006。浏览：谷歌学者
11. H. Yoon, Y. Lim, H. Bang，“利用相关方法确定航天器姿态的新恒星模式识别”，航天器与火箭学报，第48卷，第48期1，页182-186,2011。浏览：出版商的网站|谷歌学者
12. D.D.Needelman，J.P.Alstad，P.C.Lai和H.M.Elmasri，“用于星型识别的快速访问和低内存星对目录，”制导，控制和动力学杂志第33卷第3期5, pp. 1396-1403, 2010。浏览：出版商的网站|谷歌学者
13. “基于改进Hausdorff距离的星敏感器识别算法，”IEEE航空航天和电子系统交易，第49卷，第3期，第2101-21092013页。浏览：谷歌学者
14. 范博士，k - s。Low和S. Chen，“一种具有优化数据库的自主星识别算法”，IEEE航空航天和电子系统交易，第49卷，第49期。3, pp. 1467-1475, 2013。浏览：出版商的网站|谷歌学者
15. 王刚，李建伟，“基于哈希映射的星点识别方法”，传感器，第18卷，第4期，第1591-15992018页。浏览：出版商的网站|谷歌学者
16. V.Schiattarella，D.Spiller和F.Curti，“一种新的恒星识别技术，对高虚假物体的存在具有鲁棒性：多极算法，”空间研究进展，第59卷，第8期，第2133-2147页，2017年。浏览：出版商的网站|谷歌学者
17. M.Kolomenkin、S.Pollak、I.Shimshoni和M.Lindenbaum，“恒星跟踪器的几何投票算法，”IEEE航空航天和电子系统交易，第44卷，第2期，第441-456页，2008年。浏览：出版商的网站|谷歌学者
18. P.A.Servidia，“新的稳健恒星识别算法，”IEEE航空航天和电子系统交易，第42卷，第2期3，页1127-1131,2006。浏览：出版商的网站|谷歌学者
19. K.Ho，“使用低成本星体跟踪器进行恒星识别的算法综述，”《宇航学报，第73卷，第156-163页，2012。浏览：出版商的网站|谷歌学者
20. 萨曼硕士，使用递归质心和星识别实现更快更准确的星敏感器2003年，德克萨斯农工大学。

版权

版权所有©2018迪江等人。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。