一种基于蜘蛛网模式和卷积神经网络的星图识别方法

摘要

本发明公开一种基于蜘蛛网模式和卷积神经网络的星图识别方法。包括：构建一种利用主星和伴星间相对位置关系和伴星间的角距关系并带有颜色信息的蜘蛛网模式星图，利用星表制作蜘蛛网模式星图的训练集和测试集，提出一种适用于蜘蛛网模式的卷积神经网络。采用本发明能在较大星点位置噪声和星等噪声情况下获得较高的正确识别率，并且当导航星点模式半径内的伴随星点较少时，保证得到匹配星点。

说明书

技术领域

本发明涉及星图识别领域，具体涉及一种基于蜘蛛网模式和卷积神经网络的星图识别方法。

背景技术

对星敏感器观测的星点图像进行识别，找出图像星点在全天球星库中对应的位置是星敏感器三大关键技术之一。星图识别的正确与否直接决定星敏感器能否正确输出航天器的姿态，星图识别的速度和鲁棒性也直接决定输出姿态的实时性和可靠性。目前星图识别算法大致可以分为两类：子图同构类算法和模式识别类算法。

子图同构类算法把星点看作图的顶点，视场内星点之间的角距作为图的边，直接或者间接使用星对角距，以线段(角距)、三角形、四边形等作为基本的匹配元素，从天球数据库中寻找一个与观测星图相同的子图，把子图顶点对应的星点作为观测星点的匹配星点。星敏感器星点光斑的质心定位存在误差，会出现较多星库中的星对或者三角形与观测星对或者三角形相似的情况，即冗余匹配。冗余匹配的数量会随着观测子图被匹配而逐渐下降，最终得到唯一的匹配子图。这类算法对星点位置噪声、星等噪声比较敏感，并且星图中星点信息利用不足、天球数据库容量庞大。

模式识别类算法主要利用一定模式半径内星点的相对分布，为单颗星点建立唯一的模式特征，通过从特征数据库中搜索最相似的模式，并把此模式对应的星点作为单颗星点的匹配星点，完成星图识别。这类算法的特征数据库通常会包含查找表，以便快速搜索最相似的模式。相对于其它星图识别算法而言，模式识别类算法的主要优点在于其特征数据库容量较小，能够快速搜索得到匹配星点。模式识别类算法需要观测星图中存在较多的星点才能建立独特的星点模式，因此当观测星图中星点数量较少时，模式识别类算法的性能会明显下降，并且模式识别类算法对位置噪声和假星比较敏感。

发明内容

本发明是一种基于蜘蛛网模式和卷积神经网络的星图识别方法，主要解决以下问题：能在较大星点位置噪声和星等噪声情况下有很好的鲁棒性，并且获得较高的识别率，视场内的伴星星点较少时，保证得到匹配星点，对于少量的假星依然可以获得较高的识别率。

本发明采用的技术方案为：一种基于蜘蛛网模式和卷积神经网络的星图识别方法，该识别方法步骤如下：

步骤一、针对目前模式识别类算法的问题，本发明提出了一种蜘蛛网模式星图，其构造过程如下：

a)确定主星及模式半径，该主星的模式由模式半径所确定的邻域内的伴星所构成。

b)将主星进行平移，使主星位于视场中央位置。

c)依次将伴星与主星用白色线段连接，并计算相邻伴星间的角距。

d)为增加不同主星的模式的区分度以及星图内信息，将相邻的伴星根据角距的大小用不同颜色的线段连接，主星与相邻的伴星的连线构成不同形状的蜘蛛网模式星图，如图1所示。本发明中的蜘蛛网模式星图的测试集和训练集，以及待识别的星图，均按照此步骤构造蜘蛛网模式星图。

步骤二、构建蜘蛛网模式星图的训练集和测试集：

训练集的构造：采用星表作为建立导航基准星点特征数据库的数据基础，选取亮度大于 6Mv的星作为导航星，选取一定角度(4°～12°)的模式半径，除去视场中只有一颗星和两颗星的情况，再每隔一定角度(0°～60°)将星图旋转一次，每个角度的星图随机加入若干次 (5～20)若干个(1～2)假星，按照步骤一的方法构造蜘蛛网模式星图，构成蜘蛛网模式星图的训练集。

测试集的构造：因为星点的相对位置固定不变，主要的变换在于旋转和假星，为检测不同旋转角度下模型的识别精度，将导航星的星图每隔与训练集中的角度不同的任意角度旋转一次，每个角度的星图随机加入(3～10)若干次若干个(1～2)假星，按照步骤一的方法构造蜘蛛网模式星图，构成蜘蛛网模式星图的测试集。

步骤三、构建一种适用于蜘蛛网模式的卷积神经网络模型：

本发明针对蜘蛛网模式星图，提出了一种的8层卷积神经网络模型，蜘蛛网模型，该模型的网络结构如图2所示。蜘蛛网模型的前六层分别为卷积层与池化层交错而成，第七层和第八层为全连接层，最后一层为输出层。本发明在卷积层加入了batchnormalization以加快训练速度，每个卷积层加入激活函数，并在全连接层中用了dropout减少了模型的过拟合。并利用步骤二的训练集和测试集训练蜘蛛网模型，得到该模型内部的参数。

步骤四、将星图中待识别的主星按照步骤一中的蜘蛛网模式构造星图，再将构造好的蜘蛛网模式星图利用步骤三中训练好的蜘蛛网模型进行识别，识别主星成功后，再利用角距信息识别出蜘蛛网模式星图中的伴星。

本发明与现有技术相比，其优点和有益效果是：

(1)本发明对位置噪声，星等噪声有很好的鲁棒性。

(2)本发明对少量的假星有很好的鲁棒性。

(3)本发明在视场内有少量星点时依然能保持较高的识别率。

附图说明

图1为蜘蛛网模式示意图。

图2为蜘蛛网模型结构示意图。

图3为位置噪声对识别率的影响。

图4为星等噪声对识别率的影响。

图5为星图正确识别率与视场星点数量的关系。

图6为星图识别率与虚假星点的关系。

具体实施方式

下面结合附图及具体实施例对本发明再作进一步详细的说明。

1.构造蜘蛛网模式，方法如下：

a)确定主星及模式半径，该主星的模式由模式半径所确定的邻域内的伴星所构成。

b)将主星进行平移，使主星位于视场中央位置。

c)依次将伴星与主星用彩色线段连接，并计算相邻伴星间的角距。

d)为增加不同主星的模式的区分度以及星图内信息，将相邻的伴星根据角距的大小用6 种不同颜色的线段连接，角距对应的颜色如下表所示，主星与两颗相邻的伴星的连线组成不同形状的蜘蛛网模式星图，如图1所示。

表1角距与线段颜色对应表

角距/°0～22～44～66～88～1010～12颜色红绿蓝黄青紫

对于相邻很近的两颗主星，两颗星的视场半径内同样有6颗伴星，如图1中星点A和星点B所示，如果未用线段连接，卷积神经网络会认为只是做了图像的平移，加入不同颜色的线段连接后，两颗待识别的主星的蜘蛛网模式星图有了明显的区分度。

对于邻域伴星分布近似的两颗主星，如图1中星点C和星点D所示，如果未用线段连接，卷积神经网络会认为只是做了图像的缩放，根据不同角距，加入不同颜色的线段后，星点C和星点D的蜘蛛网模式星图有了明显的区分度。

2.构造蜘蛛网模式的训练集和测试集

训练集的构造：本发明采用Smithsonian宇航星表(SAO星表)，作为建立导航基准星点特征数据库的数据基础。选取亮度大于6Mv的星作为导航星，因为目前常用星敏感器的视场范围为8°～25°，所以模式半径的范围为视场的一半，即4°～12°，本实施方式中选取模式半径为6度，除去视场中只有一颗星和两颗星的情况，共有4051颗星。为增加模型的泛化能力，使每一颗主星的训练集包括尽量多的旋转角度，所以旋转角度范围选为：0°～60°，本实施方式中每隔30度将星图旋转一次，共有12个角度的星图，经大量实验表明，每个角度的星图的训练集在5幅到20幅之间训练精度最高，且模型收敛最快，本实施方式中每个角度的星图分别随机加入10次1～2个假星，由于模型需要对假星有鲁棒性，而假星数量的增加会影响训练精度，经大量实验表明，假星数量在1～2颗内识别精度最高，按照步骤1中的蜘蛛网模式构造星图，一个角度对应10幅训练星图，一颗星对应120幅训练星图，训练集总共有幅486120星图，4051类。

测试集的构造：因为星点的相对位置固定不变，主要的变换在于旋转和假星，为检测不同旋转角度下模型的识别精度，为检测算法的对不同角度的鲁棒性，将测试集的旋转角度与训练集设置为不同即可，本实施方式中将4051颗星的蜘蛛网模式星图每隔70度将星图旋转一次，共有6个角度的星图，由于测试集的图片数量可小于训练集，所以旋转的次数为训练集的一半即可，即3～10次，本实施方式中每个角度的星图随机加入5次1～2个假星，按照步骤1中的蜘蛛网模式构造星图，则一颗星对应30幅测试星图，则测试集共有121530幅星图。

3.一种适用于蜘蛛网模式的卷积神经网络模型，其构造如下：

针对蜘蛛网模式星图，提出了一种的8层卷积神经网络模型，蜘蛛网模型，该模型的网络结构如图2所示。蜘蛛网模型的前六层分别为卷积层与池化层交错而成，第七层和第八层为全连接层，最后一层为输出层。本发明在第二个和第三个卷积层加入了batchnormalization 以加快训练速度，每个卷积层的激活函数为Leaky RELU在全连接层中用了dropout减少了模型的过拟合。由于蜘蛛网模式星图中信息较少，而imagenet中的经典模型适用于内容复杂的自然场景的图像，所以现有的AlexNet，VGG～Net，GoogleNet等卷积核较多的模型并不适合蜘蛛网模式星图，会产生过拟合而降低准确率，不如较少卷积核的模型精度高。经过对不同卷积核数目的多次试验，本发明中蜘蛛网模型的第一个卷积层和第二个卷积层的卷积核数目为50，第三个卷积层包含200个卷积核。并利用步骤二的训练集和测试集训练蜘蛛网模型，得到该模型内部的参数。

4.一种基于蜘蛛网模式的星图识别方法

将星图中待识别的主星按照步骤一中的蜘蛛网模式构造星图，再将构造好的蜘蛛网模式星图利用步骤三中训练好的蜘蛛网模型进行识别，识别主星成功后，再利用角距信息识别出蜘蛛网模式星图中的伴星。

实施例效果

本发明选用SAO星表中小于6星等的4051颗星作为特征星库中的导航基准星,模拟生成星图。通过比较它们在噪声鲁棒性、观测星点数量，假星以及时间空间复杂度等方面的表现，从而整体评价本发明提出的星图识别算法。

位置噪声

计算本发明算法在星等噪声标准差保持为0.323Mv，星点位置噪声标准差从0.2像素等距离变化到1.6像素时的识别率的变化。从图6中可以看出:由于本发明算法将星图归一化到 64x64的图像中，所有对于1024x1024的图像，当位置噪声超过16个像素时，蜘蛛网模式星图才会有一个像素的偏差，而且卷积神经网络对图像的微小形变不敏感，所以本发明算法对位置噪声的鲁棒性很好，从质心位置噪声σ_p＝0.2像素到σ_p＝1.6像素时能够达到99.5％的正确识别率。如图3所示

星等噪声

计算本发明算法在星点位置噪声标准差保持为0.4pixel，星等噪声标准差从0.161Mv等距变化到0.969Mv时的识别率的变化。因为本发明提出的算法没有利用星等信息，所以星等的变化对本发明算法的正确识别率没有影响，在中等星等噪声σ_M＝0.646Mv时和较大星等噪声σ_M＝0.969Mv时，本发明的算法能够获得99.5％正确识别率。如图4所示。

星点数

图5中横坐标为星敏感器视场中星点的平均个数，纵坐标为星图正确识别率。因为当视场中星点个数少于3颗时，无法进行自主星图识别，所以必须要求视场中星点数量大于3颗才能进行全天球星图识别，从图3可以看出本发明算法在多星点视场(平均有33颗星点)中的正确识别率99.19％，在一般星点数量视场(平均有13颗星点)中的正确识别率为98.88％，在稀疏星点视场(平均有5颗以下星点)中的正确识别率为87.16％.

假星

图6表现了本发明算法针对假星的鲁棒性。星敏感器在外太空中由于太空碎片、行星以及星等亮度变化等影响，视场中会出现假星。向仿真星图中添加1颗或2颗假星。因为本发明算法在训练过程中加入了假星的情况，并且未利用星等信息，所以本发明算法在星图中无论加入1颗还是2颗假星时，识别率都98％以上。

计算时间

在本发明中，星图识别算法的识别时间指的是在质心定位确定星点坐标之后，从建立特征模型开始，经过星图识别直到图像中的星点被正确识别的这一段间。本发明算法的平均识别时间为1.9ms。本发明在10000次随机测试下单幅星图的平均识别时间为1.9ms,测试平台为一台主频2.7GHz的Corei5处理器，显卡为GTX1070的个人计算机。