周嘯風(fēng)，汪 玲，劉寒寒，張 翔

(1.南京航空航天大學(xué) 電子信息工程學(xué)院，南京 211106；2.南京理工大學(xué) 機械工程學(xué)院，南京 210094)

0 引言

在軌服務(wù)、主動碎片探索等任務(wù)中，目標(biāo)飛行器或者衛(wèi)星的姿態(tài)估計[1]都是一個重要的問題。相對姿態(tài)估計對于衛(wèi)星之間交會、接近、對接是必不可少的。根據(jù)目標(biāo)是否是合作的，目標(biāo)可分為合作目標(biāo)和非合作目標(biāo)[4]。在非合作目標(biāo)的情況下(沒有任何人工標(biāo)記，結(jié)構(gòu)形狀大小全部未知)，一般采用基于視覺[7]的算法對衛(wèi)星進(jìn)行位姿估計。位姿估計一般分為特征提取、特征匹配、位姿計算三大步驟。特征提取的精度直接影響了位姿測量的準(zhǔn)確性。針對在太空中，受光照、復(fù)雜背景等影響提取特征困難的問題，本文的目標(biāo)是給出一套穩(wěn)健的特征提取方案，提取出非合作目標(biāo)的顯著特征。

在太空中，由于光照變化、背景中經(jīng)常出現(xiàn)地球等其它物體、距離太遠(yuǎn)等影響，特征提取難度增加，容易提取出錯誤的特征。傳統(tǒng)的特征提取算法，大多數(shù)是提取孤立的點、線特征。以提取特征點為主要特征的特征提取算法有ORB特征提取算法[9]、SIFT特征提取算法[10]、SURF特征提取算法[11]等等。以基于線段為主要特征的特征提取算法有HoughLines檢測算法、LSD算法等等。在Hough Lines檢測算法的基礎(chǔ)上前人也改進(jìn)了一些算法，比如多尺度霍夫變換算法[12]、累積霍夫變換算法[13]。上述的這些特征檢測算法都是傳統(tǒng)的特征檢測算法，已經(jīng)被廣泛地應(yīng)用到圖像處理領(lǐng)域。針對航天應(yīng)用背景，也出現(xiàn)了一些特征提取相關(guān)研究，例如文獻(xiàn)[14]采用基于Harris角點的特征提取算法用于后續(xù)空間目標(biāo)初始位姿估計；文獻(xiàn)[15]融合Shi-Tomasi角點檢測和SURF特征點檢測進(jìn)行特征提?。晃墨I(xiàn)[16]提出了一種融合多處理流的特征提取算法，該算法通過融合不同算法提取的特征點，繼而將特征點合并為線段特征結(jié)構(gòu)，提高了特征提取的穩(wěn)健性。國內(nèi)對特征提取算法也展開了相關(guān)的研究，例如文獻(xiàn)[17]提出了基于紋理邊界檢測的航天器橢圓特征提取算法，該算法對光照變換具有魯棒性，在光照變化和星體表面不均勻的情況下能準(zhǔn)確地提取特征。文獻(xiàn)[18]針對SIFT特征點提取算法實時性差的問題，提出了對比度增強和DAISY描述符的SIFT特征提取算法。文獻(xiàn)[19]提出了一種在月面環(huán)境下基于SIFT的特征提取算法。文獻(xiàn)[20]也提出了一種基于SIFT圖像特征提取與FLANN匹配的算法，該算法通過用SIFT特征提取算法提出特征點，然后用FLANN匹配算法對特征點進(jìn)行匹配，SIFT特征提取算法對于圖像的尺度變換、光照變換具有很強的適應(yīng)性。

上述研究除[16]之外都是提取點或線段特征，這些特征都比較孤立，無法形成一個有效的整體來表征真實的目標(biāo)結(jié)構(gòu)。而[16]則考慮提取能夠反映目標(biāo)結(jié)構(gòu)的特征信息，本文借鑒[16]提出的特征點融合的思想，給出一種基于線段融合的特征提取算法。鑒于HoughLines線段檢測算法效率高、抗干擾能力強、對噪聲不敏感，LSD線段檢測算法能夠提取亞像素精度的特征，Shi-Tomasi角點檢測算法可以檢測對特征跟蹤有意義的角點的優(yōu)勢，聯(lián)合采用這3種算法對特征點進(jìn)行提取，保證提取到所有關(guān)鍵的特征點。然后對特征點進(jìn)行篩選，保留能夠反映目標(biāo)特征的較少數(shù)量的特征點，之后進(jìn)行線段合成，并進(jìn)一步進(jìn)行線段融合。最后，設(shè)計了兩組實驗，對仿真圖像以及半物理仿真圖像進(jìn)行特征提取。仿真實驗和半物理仿真實驗結(jié)果表明，該特征提取方法的魯棒性強，在光照條件欠佳以及復(fù)雜背景環(huán)境下仍能穩(wěn)健地提取目標(biāo)特征。需要指出的是，本文與[16]采取了相同的多種特征提取算法并行處理然后融合的策略，但是不同的是，本文詳細(xì)給出了進(jìn)一步線段合成和融合的具體算法。

本文的結(jié)構(gòu)安排如下：第1節(jié)給出特征提取流程，第2節(jié)詳細(xì)闡述特征提取的主步驟，第3節(jié)為實驗驗證與分析，第4節(jié)是結(jié)束語。

1 特征提取流程

特征提取的整個流程大致分為背景濾除、特征點提取與融合、直線合成與融合三大步驟。在預(yù)處理過程中，首先對原始圖像進(jìn)行高斯濾波、灰度化處理，可以有效地減少噪聲對后續(xù)特征提取工作的影響。

在濾除背景的過程中，根據(jù)圖像的前景與背景灰度有較大差異的特點，本文采用基于圖像梯度閾值的方法對圖像進(jìn)行背景濾除。將濾除背景的圖像用3種特征點提取算法分別提取三組不同的特征點，將提取出來的特征點構(gòu)建K-D空間劃分樹，用K最近鄰搜索算法對特征點進(jìn)行融合，得到三組特征點的公共集合。

本文介紹了一種線段合成算法，通過計算兩點之間非零像素點個數(shù)占總個數(shù)的比值來判斷兩點之間有無合成線段的可能。最后，本文提出了一種基于線段端點的直線融合算法，通過線段端點的關(guān)系，判斷線段之間有無共線、重合、是否可以合并等情況，根據(jù)不同情況采取不同的融合策略，對線段進(jìn)行融合。特征提取的流程如圖1所示。

圖1 特征提取流程圖

2 特征提取步驟

2.1 背景濾除

從航天器中獲得的原始圖像，由于在采集、傳輸以及處理的過程中，容易受到噪聲的影響，對后續(xù)的背景濾除、特征提取工作造成影響，因此需要在開始的時候?qū)D像進(jìn)行一系列的預(yù)處理工作。預(yù)處理工作主要是對圖像進(jìn)行高斯濾波、灰度化處理。通過高斯濾波處理可以有效地降低圖像中的噪聲，灰度化處理可以將圖像轉(zhuǎn)換成灰度圖。

由于在太空中，背景比較復(fù)雜，圖像當(dāng)中常常會出現(xiàn)地球、云層、其它星球等復(fù)雜多樣的背景，這些背景會干擾特征提取，因此首先需要對圖像的背景進(jìn)行濾除。本文采用文獻(xiàn)[21]提出的基于Prewitt的梯度算法對背景進(jìn)行濾除。

在對圖像進(jìn)行濾波，灰度化處理后，圖像背景灰度與前景灰度往往會有較大的差異，這個差異可以用梯度來描述。該方法使用Prewitt算子計算每個像素點的梯度。首先，用兩個3×3的核與原始圖像進(jìn)行卷積，來計算水平導(dǎo)數(shù)與垂直導(dǎo)數(shù)的近似值。如果把輸入的圖像定義為F，圖像中每個點的水平方向的導(dǎo)數(shù)近似值為Gx，垂直方向的導(dǎo)數(shù)近似值為Gy。則Gx,Gy的計算公式如式(1)、(2)所示：

(1)

(2)

其中:*表示卷積。對于F中每一個像素點，可以通過式(3)得到梯度的近似值，式(3)如下所示：

|Gx(u,v)|+|Gy(u,v)|

(3)

通過上述公式，可以得到圖像中每一個點的梯度值。然后對這些梯度值進(jìn)行排序，均勻劃分成100個區(qū)間，構(gòu)建梯度直方圖，并將直方圖擬合成一條曲線。之后通過計算曲線積分，找到曲線所圍面積為總面積0.99對應(yīng)的梯度閾值點，最后將小于閾值的像素點濾除，即像素值設(shè)為0。圖2給出了對仿真的復(fù)雜背景圖像采用梯度方法進(jìn)行背景濾除的處理結(jié)果，其中圖2(a)是原始圖像，圖2(b)是背景濾除結(jié)果。

圖2 基于梯度的背景濾除算法處理結(jié)果

2.2 特征點并行提取與融合

HoughLines檢測算法[22](以下簡稱HLT)具有檢測效率高、抗干擾能力強、對噪聲不敏感的特點，已被用于衛(wèi)星目標(biāo)的特征提取。標(biāo)準(zhǔn)的HLT算法是提供一組角度和半徑的參數(shù)來表示檢測到的線段，而本文采用統(tǒng)計概率霍夫線變換算法，它可以返回檢測到的線段端點(x0,y0,x1,y1)來表示檢測到的線段。它在opencv中可以通過HoughLinesP函數(shù)實現(xiàn)。

LSD檢測算法[23]不需要調(diào)整參數(shù)、檢測速度快、可以返回亞像素精度的檢測結(jié)果，在opencv中主要是通過createLineSegmentDetector函數(shù)實現(xiàn)。相對于一般的點特征，HLT算法和LSD算法都是通過檢測線段，然后提取線段端點的方式提取特征點，線段特征對于光照變換具有更強的魯棒性，而Shi-Tomas角點檢測算法[24](以下簡稱S-T)主要檢測角特征，對特征跟蹤起到很大作用，在opencv中主要是通過goodFeaturesToTrack函數(shù)實現(xiàn)。鑒于這3種特征點提取算法的優(yōu)勢，本文使用這3種方法提取特征點。圖3給出了上述幾種方法的特征提取結(jié)果，圖3(a)～(c)分別為Shi-Tomas算法、LSD算法和HLT算法的處理結(jié)果。由圖可見，Shi-Tomas特征提取算法可以有效地提取出圖像角點，它提取出來的特征點分布在圖像四周。而LSD和HLT算法可以提取出線段的端點，它提取出來的特征點分布在線段周圍。

圖3 提取的三組特征點

由圖3(a)可見，Shi-Tomasi算法檢測出來的特征點比LSD、HLT算法檢測出來的特征點多，但是也檢測到周圍的噪聲點。由圖3(b)和圖3(c)可見，LSD算法和HLT算法檢測出的有些特征點不能較好地反映目標(biāo)的結(jié)構(gòu)特征，形成干擾。但是LSD算法檢測到的特征點不包含來自于HLT的錯誤端點，HLT算法檢測到的特征點不包含來自于LSD的錯誤端點。因此，融合三組特征檢測結(jié)果可以彌補3種特征提取算法各自的不足，保留反映目標(biāo)結(jié)構(gòu)特征的較少數(shù)量的關(guān)鍵特征，減少線段合成的運算量。本文采用K-D空間劃分樹和KNN算法[25]對3種算法的特征提取結(jié)果進(jìn)行融合。

K-D空間劃分樹是一種可以將K維點集進(jìn)行劃分的數(shù)據(jù)結(jié)構(gòu)。在二維平面中K就代表2，它是一個根據(jù)樹的深度輪流選擇軸作為分區(qū)面將一個平面劃分為兩個平面的過程。首先，將所有特征點按照橫坐標(biāo)的大小順序進(jìn)行排序，選擇橫坐標(biāo)的值是中位數(shù)的那個點當(dāng)作根節(jié)點，將所有小于根節(jié)點橫坐標(biāo)的點作為左子樹，所有大于根節(jié)點橫坐標(biāo)的點作為右子樹。這樣左右子樹就各自形成了兩個平面。然后以縱坐標(biāo)的大小為劃分依據(jù)對兩個平面做同樣的處理。以不斷輪換軸平面的方式對所有特征點進(jìn)行處理，這樣就能把一個點集構(gòu)建成一個K-D空間劃分樹。KNN算法指的是K最近鄰搜索算法，對于給定一個點，可以在K-D空間劃分樹中找到與這個點最近的點。因此，可以將提取到的點集構(gòu)建K-D空間劃分樹，選擇另一點集的點作為匹配點，找到兩個點集的重復(fù)點集。

由于可以控制用Shi-Tomasi方法提取出來的特征點的數(shù)目，因此先用LSD提取出來的特征點構(gòu)造K-D樹，然后用S-T提取出來的特征點逐個與K-D樹進(jìn)行匹配，篩選出重合的點，得到一個過濾點集。然后用HLT點構(gòu)造K-D樹，再用過濾點集來匹配，最后得到三組點的共同點。圖4給出了最后的過濾點集。

圖4 特征點融合結(jié)果

2.3 線段合成與融合

融合三組特征點之后，進(jìn)行線段合成，然后進(jìn)行篩選并融合成更高級的結(jié)構(gòu)。

1)線段合成：遍歷所有的特征點，判斷兩兩特征點之間能否構(gòu)成線段。具體做法是，兩個特征點之間每隔5個像素取出一個像素點，將像素點的個數(shù)記為A，計算這些像素點的灰度值是否大于閾值，將所有大于閾值的個數(shù)記為B。如果B/A的比值大于一定的比例，則這兩點連接合成一條線段，并將該線段存入容器A1中。

2)線段融合：第一步合成的線段可能會存在共線和重合，也可以形成更高級的折線特征，因此需要進(jìn)一步篩選并進(jìn)行融合。圖6給出了線段融合的算法流程。具體做法是，將所有待判斷的線段存入容器A1中，判斷過的線段存入容器A2中。將待判斷的線段與A2中線段進(jìn)行比較：如果與所有已判斷過的線段都不共線，將當(dāng)前待判斷的線段視作一條獨立的線段同時添加到A2中；如果存在共線的情況，繼續(xù)分為以下幾種情況進(jìn)行處理：

圖5 線段融合示意圖

圖6 線段融合流程圖

第一種情況：如果待判斷的線段兩個端點都在已經(jīng)判斷過的線段里面，這時已經(jīng)判斷過的線段就包含待判斷的線段，則不需要額外處理，直接進(jìn)入下一條線段的判斷。

第二種情況：如果已經(jīng)判斷過的線段兩個端點在待判斷的線段里面，這時待判斷的線段包含已經(jīng)判斷過的線段，此時用待判斷的線段替換這條已經(jīng)判斷過的線段。如圖5所示，待判斷線段p1p3包含了已判斷線段p1p2,因此將線段p1p3代替線段p1p2。

第三種情況：待判斷的線段和已判斷的線段有共線部分，則合并這兩條線段并替換原來的已判斷過的線段。如圖5所示，線段p4p6與線段p5p7有重合部分，因此將兩個線段合并成一條更長的線段p4p7，同時替換掉原來的線段p5p7。

第四種情況：待判斷的線段與已判斷的線段共線，但是沒有重合部分，且線段間有一段距離。如果距離小于閾值，則進(jìn)行線段合并和替換。如圖5所示，線段p8p9與線段p10p11可以合并成一條更長的線段p8p11。反之，將待判斷的線段視作一條新的線段。

在判斷兩條線段是否共線的時候，記已經(jīng)存儲的線段p1p2兩個端點分別為p1和p2，待判斷的線段p3p4的兩個端點分別為p3和p4。分別計算端點p3、p4到線段p1p2的法向距離Dp3、Dp4以及端點p1、p2到線段p3p4的法向距離Dp1、Dp2。法向距離Dp1計算如公式(1)所示，其中(x1,y1)是點p1的坐標(biāo)，(x3,y3)是點p3的坐標(biāo)，(x4,y4)是p4的坐標(biāo)。

(4)

如果Dp1、Dp2小于閾值或者Dp3、Dp4小于閾值，就將線段p1p2、p3p4視為共線。

但是經(jīng)過上述操作，可能仍存在遺漏，比如應(yīng)該合并的線段并沒有合并。為減少此類情況的發(fā)生，可改變線段的存儲順序，對上述流程進(jìn)行迭代，直到提取出來的線段數(shù)量不再增加。

對圖4中融合后的特征點進(jìn)行線段合成，結(jié)果如圖7所示，白色線段為提取出來的線段結(jié)構(gòu)。

圖7 線段合成和融合結(jié)果

3 實驗驗證

為了驗證特征提取的準(zhǔn)確度以及算法對于光照、復(fù)雜背景的魯棒性，本文設(shè)計了兩部分實驗進(jìn)行驗證。第一部分是為了驗證特征提取的準(zhǔn)確度，開展半物理仿真實驗，測量物體是一個立方星。該立方星的尺寸已知，實驗通過跟蹤檢測到的特征點，記錄特征點的坐標(biāo)信息，分析特征特征點的坐標(biāo)變化情況，同時跟蹤提取到的特征線段，計算提取的線段長度，與真實的線段長度進(jìn)行比較。從定量的角度來分析特征提取的精度。第二部分是為了驗證算法在不同背景情況下的魯棒性，開展了仿真實驗。為了驗證在復(fù)雜背景環(huán)境下的魯棒性，本文仿真了兩組在不同太空背景情況下的衛(wèi)星圖像，根據(jù)特征提取結(jié)果，從定性的角度分析特征提取對于復(fù)雜背景的魯棒性。

為了驗證特征提取算法的精度，開展半物理仿真實驗驗證。本文使用軟件Visual Studio 2017及Opencv3.4.2庫對圖像進(jìn)行特征提取工作。由于在特征提取過程中，提取出來的特征點，特征線段都很容易受到光照、環(huán)境變化的干擾，因此可以通過跟蹤特征明顯的點，記錄特征點的位置坐標(biāo)，以及提取出來的線段的長度來分析誤差。該實驗的目標(biāo)為立方星，如圖8所示，中間主體為長方體，尺寸為103.2 mm×103.2 mm×227 mm，兩個太陽翼的尺寸為82.802 mm×227 mm。

圖8 衛(wèi)星模型

設(shè)置不同光照條件、不同的相機距離和不同目標(biāo)位姿進(jìn)行圖像采集，共采集60張圖像，其中有6個強度的光照變換，相機距離變化為0.75～1.75 m，滾動角變化為-10～ 10°。

對其中10幅圖像進(jìn)行處理，提取兩條特征邊p1p2，p3p4(如圖8所示)，圖9給出了強光與弱光兩種情況下的特征提取結(jié)果，分別如圖9(b)和圖9(d)所示。

圖9 衛(wèi)星圖像特征提取結(jié)果

將提取到的線段長度與真實長度進(jìn)行對比，測量結(jié)果如圖10所示，其中圖10(a)是線段p1p2的測量結(jié)果，圖10(b)是線段p3p4的測量結(jié)果。記錄線段p1p2的端點p1，p2坐標(biāo)的測量結(jié)果，結(jié)果如圖11所示。其中圖11(a)是點p1在x軸坐標(biāo)系下的坐標(biāo)，圖11(b)是點p1在y軸坐標(biāo)系下的坐標(biāo),圖11(c)是點p2在x軸坐標(biāo)系下的坐標(biāo)，圖11(d)是點p2在y軸坐標(biāo)系下的坐標(biāo)。

圖10 兩條特征線段提取結(jié)果長度誤差圖

圖11 p1、p2在坐標(biāo)系下的坐標(biāo)

由圖9可知，在沒有背景干擾的情況下，在強光和弱光兩種情況下，都能提取出目標(biāo)的結(jié)構(gòu)特征，并且提取出來的特征結(jié)構(gòu)清晰，可以很好的表示原始目標(biāo)。由圖10可知，提取出來的線段p1p2平均長度為100.691 2 mm，實際長度為103.2 mm，平均誤差為2.509 mm，提取出來的線段p3p4平均長度為82.499 mm，實際長度為82.802 mm，平均誤差為2.551 57 mm，特征提取誤差小，滿足特征提取的精度要求。由圖11可知，特征點波動的最大誤差在3 mm以內(nèi)，波動誤差小。因此，特征提取算法對于特征點提取比較準(zhǔn)確，可以滿足特征提取的精度要求。

為了測試該算法在復(fù)雜背景情況下的魯棒性，本文開展仿真實驗，對背景中都是地球以及背景中部分出現(xiàn)地球兩種情況的衛(wèi)星圖像進(jìn)行特征提取，根據(jù)特征提取結(jié)果，從定性的角度分析特征提取的效果。對不同背景的衛(wèi)星仿真圖片進(jìn)行處理，處理結(jié)果如圖12所示。

圖12 不同背景的衛(wèi)星特征提取結(jié)果

從圖12可知，在背景中全都是地球以及部分是地球的兩種情況下，特征提取算法都能提取出目標(biāo)的關(guān)鍵特征，結(jié)果表明該算法也能很好地克服背景環(huán)境帶來地干擾，沒有提取出除目標(biāo)外的其它不重要特征。

4 結(jié)束語

針對在太空中對于非合作目標(biāo)受光照、背景等影響，特征提取困難的難題，本文給出了一種基于線段融合的特征提取算法。該算法首先通過基于梯度的背景濾除算法濾除背景，然后用3種不同的特征提取算法提取出三組不同的特征點，用K-D空間劃分樹以及KNN算法將三組特征點融合，最后進(jìn)一步進(jìn)行線段合成與融合。在半物理仿真實驗中，特征點的位置誤差在3 mm以內(nèi)，提取的兩條線段誤差分別為2.509 mm與2.551 57 mm。實驗結(jié)果表明，在光照變化等復(fù)雜背景條件下，該算法能夠穩(wěn)健地提取反映目標(biāo)結(jié)構(gòu)的線段特征，該算法將應(yīng)用于后續(xù)的位姿測量算法。同時，后續(xù)也會開展對其它特征結(jié)構(gòu)的特征提取工作。