【摘要】利用星點間拓?fù)浣Y(jié)構(gòu)相對穩(wěn)定不變的特性，本文提出了一種基于拓?fù)浣Y(jié)構(gòu)信息的星圖識別算法。在星圖預(yù)處理的基礎(chǔ)上利用廣義似然比檢測算法提取包括恒星在內(nèi)的目標(biāo)，經(jīng)交叉投影獲取目標(biāo)在視場中的位置，根據(jù)目標(biāo)與星及星與星之間的運動連續(xù)性差異選取馬氏距離與歸一化相關(guān)系數(shù)作為結(jié)構(gòu)相似性測度來表征星點間的結(jié)構(gòu)信息，通過結(jié)構(gòu)信息的變化來判斷是星點還是目標(biāo)，依據(jù)一定的變化準(zhǔn)則將目標(biāo)與星區(qū)分開，從而達到星圖識別的目的。通過仿真實驗分析驗證算法的有效性和合理性。

【關(guān)鍵詞】星圖識別；拓?fù)浣Y(jié)構(gòu)信息；結(jié)構(gòu)相似性測度

1.引言

星敏感器以天空中的恒星作為參照物，利用攝像頭探測單元某一時刻直接捕獲星圖，經(jīng)過數(shù)據(jù)處理單元對星圖進行恒星質(zhì)心提取，星圖識別，跟蹤姿態(tài)計算等一系列處理，確定出星敏感器視軸在天體空間的瞬時指向，經(jīng)過一定的坐標(biāo)轉(zhuǎn)換，最終給出空間飛行器的姿態(tài)。

星圖識別是基于星敏感器來確定空間飛行器姿態(tài)的關(guān)鍵步驟，對于完全自主式星敏感器來說更是如此。對星圖識別算法的研究已經(jīng)開展了近30年，到目前為止，面向星敏感器提出的星圖識別算法有概率統(tǒng)計算法[1]、三角形算法[2]、匹配組算法[3]、柵格算法[4]、奇異值分解算法[5]、基于遺傳算法的方法和基于神經(jīng)網(wǎng)絡(luò)的算法[6]。

這些算法中大部分是基于將星敏感器視場中觀測星組成的觀測星圖與星表中導(dǎo)航星組成的星圖根據(jù)某種特征進行匹配最終確定觀測星與導(dǎo)航星之間對應(yīng)關(guān)系的原理識別星圖。由于天空中恒星數(shù)目眾多，需要存儲的導(dǎo)航星容量很大，同時將耗費大量的時間進行冗余匹配，對于缺少導(dǎo)航信息的全天自主星圖識來說，它是在星敏感器進入工作狀態(tài)的初始時刻或者由于故障導(dǎo)致姿態(tài)丟失，完全沒有先驗姿態(tài)信息的情況下進行初始姿態(tài)的捕獲，將耗費大量的時間和運算量。為了減少存儲量和運算量，本文提出一種基于拓?fù)浣Y(jié)構(gòu)信息的星圖識別算法，基本思想是在在觀測時間間隔一定及運動平臺姿態(tài)一定的條件下，依據(jù)視場內(nèi)的恒星相對運動的目標(biāo)其運動狀態(tài)幾乎不變或變化很小的特性，利用運動連續(xù)性差異將星與目標(biāo)區(qū)分開，從而提取出固定天域的星圖。

2.基于星及目標(biāo)的拓?fù)浣Y(jié)構(gòu)變化差異的識別算法

理想條件下，在固定星域中，星點位置相對固定，星與星之間的拓?fù)浣Y(jié)構(gòu)信息不隨太陽光照度變化、觀測平臺姿態(tài)變化而變化，且通過星圖多幀累積，能夠屏蔽噪聲干擾。而目標(biāo)與星之間的拓?fù)浣Y(jié)構(gòu)信息則隨目標(biāo)的運動而發(fā)生改變，可以利用星與星及目標(biāo)與星之間的這種結(jié)構(gòu)變化差異將其分開，最終提取出固定位置處的星點，并以此星點組成的星圖作為掩膜星圖對實時星圖中的星點進行星背景抑制，以提取出運動目標(biāo)。

然而實際場景中，在某固定星域，即使星點數(shù)目恒定，但星圖中星點亮度由于光照變化、量化噪聲的影響而發(fā)生改變，星點數(shù)目成變化狀態(tài)，加之觀測平臺抖動有可能出現(xiàn)新的星點進入視場，而存在的星點從視場消失，從而引起星點的虛假運動。因此，如何有效利用拓?fù)浣Y(jié)構(gòu)信息來區(qū)分這種星點的虛假運動及目標(biāo)的真實運動，對后續(xù)的星圖識別及目標(biāo)提取至關(guān)重要。

2.1 星圖預(yù)處理

在星圖預(yù)處理階段主要解決去噪、星點及運動目標(biāo)的檢出及提取。由于大部分星圖噪聲處于低頻部分，而目標(biāo)及星點處于高頻部分，用低通濾波器去除大部分噪聲，同時實現(xiàn)星圖背景的非均勻性校正。之后通過多幀累積利用基于廣義似然比判決算法[7]檢出星點及運動目標(biāo)，再利用質(zhì)心提取算法獲得目標(biāo)及星點在視場中的位置。本文利用交叉投影質(zhì)心提取算法[8]對提取星圖中的星點及目標(biāo)。該算法分別對圖像在兩個方向上進行投影實現(xiàn)星點及目標(biāo)的粗定位，然后再應(yīng)用質(zhì)心法、灰度值加權(quán)質(zhì)心法[9]、平方加權(quán)質(zhì)心法、雙線性插值質(zhì)心法等星點細分定位法實現(xiàn)星體目標(biāo)點的精確測量。

2.2 拓?fù)浣Y(jié)構(gòu)信息表征量的選取

一個好的拓?fù)浣Y(jié)構(gòu)信息表征量對提高目標(biāo)及星點區(qū)分精度至關(guān)重要，要不受星域中光照變化的影響、不隨觀測平臺姿態(tài)改變而發(fā)生變化，應(yīng)具有平移不變性和旋轉(zhuǎn)不變性，對照度變化及噪聲具有魯棒性。文獻[10]指出，Mahalanobis距離不受特征量綱的影響，具有平移不變性，對一切非奇異性線性變換都是不變的，它是Euclidean距離的擴展，可有效解決坐標(biāo)軸之間由于不垂直或相關(guān)帶來的影響。去中心化相關(guān)系數(shù)對于坐標(biāo)仿射變化具有不變性。故本文選用Mahalanobis距離及去中心化相關(guān)系數(shù)作為結(jié)構(gòu)信息表征量。它們的定義如下所示：

（1）Mahalanobis Distance

Mahalanobis Distance作為一種距離測度，其定義如下：

設(shè)n維矢量xi和xj是矢量集{x1，x2，…，xm}中的兩個矢量，它們的馬氏距離d定義為：

d2（xi，xj）=（xi-xj）TV-1（xi-xj） （1）

其中：

（2）

（2）去中心化相關(guān)系數(shù)（Correlation Coef-fiicient）

夾角余弦可用以表征兩個矢量間的相似性，矢量x和y之間的夾角余弦為：

（3）

去中心化相關(guān)系數(shù)是數(shù)據(jù)中心化了的矢量夾角余弦，定義如下：

（4）

x、y為兩個數(shù)據(jù)樣本，x、y分別是這兩個數(shù)據(jù)集的平均矢量。

2.3 基于拓?fù)浣Y(jié)構(gòu)變化差異的星圖識別

假定k時刻星圖中存在5顆星或目標(biāo)，其坐標(biāo)為（x1k，y1k），（x2k，y2k），（x3k，y3k），（x4k，y4k），（x5k，y5k），分別計算它們兩兩間的Mahalanobis Distance及去中心化相關(guān)系數(shù)：，，其中，且，并分別利用它們構(gòu)造各自的Mahalanobis矩陣Mk及去中心化相關(guān)矩陣Ck，其中：

（5）

（6）

Mk及Ck均為實對稱矩陣。識別算法具體流程如下：

Step1：對這五顆星，按（5）式及（6）式構(gòu)造Mk及Ck，并為每顆星設(shè)定計數(shù)器K1（i）=0，K2（i）=5，i=1，…，5。

Step2：利用星圖預(yù)處理算法提取第k+1幀的星點，并與k幀中的星點進行關(guān)聯(lián)。若關(guān)聯(lián)成功，則轉(zhuǎn)Step3，否則轉(zhuǎn)Step5。

Step3：利用k+1幀的星點信息計算Mk及Ck，并計算兩個時刻不同星點見的時刻的Mahalanobis Distance差值及去中心化相關(guān)系數(shù)差值的絕對值：

，，。

若：且，則令：K1（i）++，若對所有j，或不成立，則令：K2（i）--。

Step4：提取k+1時刻與k+2時刻的星圖，重復(fù)Step3，對連續(xù)五幀圖像進行判斷。

Step5：判定五幀連續(xù)圖像，若有三幀不滿足，則該點有可能是目標(biāo)點，將其剔除。

之后判斷K1（i）的取值情況。由于固定星點之間的結(jié)構(gòu)相對穩(wěn)定，計算出的Mahalanobis距離與去中心化相關(guān)系數(shù)在給定的容差范圍內(nèi)，而運動目標(biāo)與星點間的結(jié)構(gòu)信息由于變化至少使這兩個條件有一個不滿足，第i個星點與另外四個星點經(jīng)過一輪比較后K1（i）=K1（i）+4。運動目標(biāo)與星點間的結(jié)構(gòu)特征發(fā)生改變，每一輪比較后K2（i）=K2（i）-1。經(jīng)過四輪比較，若，則第i個星點為真正的星點，若，則第j個星點為目標(biāo)點或噪聲點。

3.實驗仿真驗證

假定星圖中有四個固定星點和一個運動目標(biāo)，如圖2所示。設(shè)目標(biāo)在x方向每幀恒定運動兩個像素，y方向每幀運動不超過1.9個像素，觀測平臺抖動致使星偏移中心一個像素。連續(xù)生成五幀仿真星圖，同時計算計算M及C。表1給出了第一個星點與其它星點（也包含目標(biāo)）在第k幀與第k+1幀時的Mahalanobis距離和去中心化相關(guān)系數(shù)值及差值的絕對值。由此表可直觀看出由于目標(biāo)運動，第一個星點與目標(biāo)點之間的Mahalanobis距離變化值均比其它星點間的Mahalanobis距離變化值要大。

圖2 含有運動小目標(biāo)的星圖

Fig.2 The star image within moving target

圖3 第一個星點與其它星點的距離增量和相關(guān)系數(shù)增量

Fig.3 The increment of the distance and correlation between the first star and other stars

圖4 第二個星點與其它星點的距離增量和相關(guān)系數(shù)增量

Fig.4 The increment of the distance and correlation between the second star and other stars

計算五幀圖像之間距離增量及相關(guān)系數(shù)增量，并將其圖形化。圖4給出了連續(xù)五幀圖像中第一個星點與其它星點的Mahalanobis距離與去中心化相關(guān)系數(shù)增量的變化關(guān)系。圖5給出了連續(xù)五幀圖像中第二個星點與其它星點的Mahalanobis距離增量與去中心化相關(guān)系數(shù)增量的變化關(guān)系。由圖可知，連續(xù)圖像序列中固定星點間的Mahalanobis距離變化量很小，不超過0.2，而固定星點與目標(biāo)點間的變化量比固定星點間的變化量大，均超過0.2，二者差別比較明顯。而去中心化相關(guān)系數(shù)增量的變化在經(jīng)過二次比較后也呈現(xiàn)Mahalanobis距離變化特性。第一次比較固定星點與目標(biāo)點之間的差異不太明顯，這說明僅依賴單次判決比較可能存在誤判，多次比較后才能提高判決的準(zhǔn)確性。在判定次數(shù)大于2的情況下，固定點與固定點之間以及固定點與運動目標(biāo)點之間的馬氏距離與相關(guān)系數(shù)的變化比較明顯，只要取定合適的容差門限，此例中取Mahalanobis距離容差值，相關(guān)系數(shù)容差，就可以將運動目標(biāo)與固定星點分開，達到恒星識別的目的。此例中第五個點在每次比較中計算得到的測度值均比其他個點的變化大，而其他幾個點之間的測度值基本保持不變，由此可以判定第五個點為運動目標(biāo)，其他四個點為固定星點。

4.結(jié)論

本文利用固定星點間拓?fù)浣Y(jié)構(gòu)相對穩(wěn)定不變的特性，提出了一種基于拓?fù)浣Y(jié)構(gòu)信息變化的星圖識別方法，該方法主要用于識別固定星點與運動目標(biāo)，應(yīng)用運動連續(xù)性差異將目標(biāo)剔除，得到只含有星點的星圖，該算法不需要事先在星載設(shè)備中存入導(dǎo)航星數(shù)據(jù)庫，這樣就避免耗費大量時間和資源進行星圖匹配運算，加快識別速度，降低星圖識別所需的特征維數(shù)，降低對星圖進行錯誤識別的可能性。

參考文獻

[1]Daniel S.Clouse，and Curtis W.Padgett.Small Field-of-View Star Identification Using Bayesian Decision Theory[J].IEEE Transactions on Aerospace and Electronic Systems，2000，34（3）：773-783.

[2]Padgett，C，et al.Evaluation of star identification techniques.Journal of Guidance Control Dynamics， 1997，20（2）：259-267.

[3]Padgett，C.，et al.（1997） Evaluation of star identification techniques.Journal of Guidance Control Dynamics，1997， 20（2）：259-267.

[4]Curtis Padgett，and Kenneth Kreutz-Delgado.A Grid Algorithm for Autonomous Star Identification.IEEE Transactions on Aerospace and Electronic Systems，1997，33（1）：202-213.

[5]Jer-Nan Juang，Hye Young Kim，and John L.Junkins.An Efficient and Robust Singular Value Method for Star Recognition and Attitude Determination.NASA/TM-2003-212142.

[6]Greg Bardwell，On-Board Artificial Neural Network Multi-StarIdentification System for 3-Axis Attitude Determination，1995，Vol.35，Suppl，pp.753-761.

[7]趙鋒，畢莉，閔濤，王雪松，肖順平.一種空間不可分辨多目標(biāo)存在性檢測的新方法[J].電子學(xué)報，2010，38（10）：2258-2263.

[8]王兆魁，張育林.一種CCD星圖星點快速定位算法[J].空間科學(xué)學(xué)報，2006，26（3）：209-214.

[9]張桂林，陳益新，曹偉烜，李強.基于跑長碼的連通區(qū)域標(biāo)記算法[J].華中理工大學(xué)學(xué)報，1994，22（5）：11-14.

[10]吳宏明，基于結(jié)構(gòu)信息的港口艦船目標(biāo)變化檢測[D].長沙：國防科學(xué)技術(shù)大學(xué)，2008.

作者簡介：肖保良（1981—），男，碩士，工程師，主要研究方向：光電系統(tǒng)設(shè)計與數(shù)據(jù)處理。