鄭雨韻，黃翔宇，毛曉艷

（1.北京控制工程研究所，北京 100094；2.空間智能控制技術(shù)全國(guó)重點(diǎn)實(shí)驗(yàn)室，北京 100094）

引 言

太陽(yáng)系存在著數(shù)量龐大的小行星、彗星等小天體，小天體撞擊地球雖然概率極低，但一旦發(fā)生就會(huì)引發(fā)巨大災(zāi)難，對(duì)地球生物的生存造成巨大威脅[1]。針對(duì)近地小行星撞擊地球的威脅，國(guó)內(nèi)外學(xué)者提出了多種消除或降低威脅的策略，其中無(wú)核動(dòng)能高速撞擊是目前最為成熟、可行的一種策略。為驗(yàn)證這種動(dòng)能撞擊防御方式的可行性，美國(guó)和歐洲航天局（European Space Agency，ESA）開(kāi)展了雙小行星撞擊和偏移評(píng)估試驗(yàn)（Double Asteroid Redirection Test，DART）[2]，中國(guó)正在開(kāi)展相關(guān)演示驗(yàn)證任務(wù)的論證。為保證探測(cè)器能準(zhǔn)確地以最大動(dòng)能撞擊到小行星預(yù)定區(qū)域，需要實(shí)現(xiàn)探測(cè)器接近、逼近小行星過(guò)程的高精度自主導(dǎo)航與控制。

小行星的軌道和輪廓等信息對(duì)精確高速撞擊至關(guān)重要。地面對(duì)小行星的測(cè)量手段十分有限，小行星星歷信息精度較差（誤差一般200～1 000 km），需航天器利用導(dǎo)航敏感器對(duì)目標(biāo)小行星成像，根據(jù)圖像等信息估計(jì)小行星的軌道。目標(biāo)小行星的圖像識(shí)別是圖像導(dǎo)航估計(jì)的第一步。小行星尺寸小、亮度弱（一般10星等以上），導(dǎo)航敏感器需要具備暗弱目標(biāo)成像能力，才能對(duì)小行星成像。這導(dǎo)致導(dǎo)航敏感器會(huì)同時(shí)拍攝到大量暗弱的未知恒星，給目標(biāo)小行星精確識(shí)別帶來(lái)挑戰(zhàn)。傳統(tǒng)的目標(biāo)檢測(cè)包括基于特征的模板匹配和基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法。其中基于特征的模板匹配法需要較強(qiáng)的特征以區(qū)分目標(biāo)和背景，如DDIS（Deformable DIversity Similarity）[3]；基于深度學(xué)習(xí)的目標(biāo)檢測(cè)在卷積過(guò)程中極易丟失細(xì)節(jié)，卷積后難以保留目標(biāo)小行星的信息，如Faster R-CNN[4]、YOLOv3[5]。針對(duì)恒星抑制，常用星表匹配方法，如三角形匹配算法[6]和基于多特征匹配的快速星圖識(shí)別算法[7]，根據(jù)圖像上星點(diǎn)與星表中恒星之間的最小角距判斷該星點(diǎn)是否為恒星，該方法無(wú)法抑制未記錄在星表上的恒星，還需要進(jìn)一步區(qū)分未知的背景恒星和目標(biāo)小行星。

美國(guó)已完成多個(gè)小行星飛越、著陸、撞擊任務(wù)，如于2005年發(fā)射的“深度撞擊號(hào)”（Deep Impact）、2006年發(fā)射的“新地平線號(hào)”（New Horizons）、2016年發(fā)射的“歐西里斯–雷克斯號(hào)”（OSIRIS-Rex）、2021年發(fā)射的DART和“露西號(hào)”（Lucy）等。其中Deep Impact光學(xué)導(dǎo)航依托AutoNav系統(tǒng)[8]將相機(jī)的點(diǎn)擴(kuò)散函數(shù)近似為高斯函數(shù)，通過(guò)測(cè)量已知恒星的點(diǎn)擴(kuò)散以估計(jì)高斯函數(shù)的參數(shù)，在圖像上疊加該高斯函數(shù)并用最小二乘法調(diào)整位置，以此定位其它恒星和目標(biāo)物體的位置。KinetX開(kāi)發(fā)的圖像處理光學(xué)導(dǎo)航軟件套件KXIMP為New Horizons和OSIRIS-Rex等任務(wù)提供導(dǎo)航服務(wù)，根據(jù)探測(cè)器的相機(jī)姿態(tài)和視場(chǎng)，將圖像中星點(diǎn)像素坐標(biāo)映射到非線性探測(cè)器空間，比對(duì)星表從而確認(rèn)星點(diǎn)是否為恒星[9]。DART的小型機(jī)動(dòng)自主實(shí)時(shí)導(dǎo)航算法（SMARTNav）根據(jù)光斑識(shí)別視野中2個(gè)最大物體中的較小物體，即撞擊目標(biāo)Didymos-B[10]。Lucy的目標(biāo)小行星質(zhì)心定位方法與Stardust類(lèi)似，采用blobber技術(shù)搜索圖像中的亮像素，連續(xù)亮像素形成光斑，根據(jù)光斑大小篩選目標(biāo)[11]。對(duì)于遠(yuǎn)距離的目標(biāo)小行星識(shí)別，較多使用星表匹配法，該方法還存在無(wú)法篩除星表中未記錄的恒星、運(yùn)行時(shí)間長(zhǎng)等問(wèn)題。

本文針對(duì)目標(biāo)小行星圖像特征弱、未知背景恒星多的特點(diǎn)，研究了利用小行星與背景恒星相對(duì)運(yùn)動(dòng)特征的目標(biāo)識(shí)別方法。首先采取ORB“改進(jìn)的具有旋轉(zhuǎn)不變性的FAST和BRIEF算法”（Oriented FAST and Rotated BRIEF，ORB）特征點(diǎn)定位與BEBLID特征點(diǎn)描述結(jié)合的方法對(duì)幀間圖像進(jìn)行配準(zhǔn)，再基于閾值分割法識(shí)別星點(diǎn)，逐星點(diǎn)計(jì)算相應(yīng)窗口之間的結(jié)構(gòu)相似性指數(shù)，最后完成暗弱目標(biāo)小行星的檢測(cè)。

1 幀間恒星背景配準(zhǔn)

1.1 圖像匹配流程

由于探測(cè)器在不斷運(yùn)動(dòng)，探測(cè)器的相機(jī)坐標(biāo)系隨時(shí)間發(fā)生變化，幀間序列圖像上的恒星背景存在平移、旋轉(zhuǎn)等變換，可使用圖像配準(zhǔn)方法將前一幀圖像的坐標(biāo)系變換為與當(dāng)前幀圖像相同的坐標(biāo)系，當(dāng)前幀圖像如圖1所示。

配準(zhǔn)后的前一幀圖像與當(dāng)前幀圖像的同一恒星處于圖像的同一位置，而目標(biāo)小行星與背景恒星存在相對(duì)運(yùn)動(dòng)，因此可對(duì)配準(zhǔn)后的前一幀圖像與當(dāng)前幀圖像進(jìn)行逐一像素點(diǎn)比較，從而剔除背景恒星，保留目標(biāo)小行星。在接近段，探測(cè)器與目標(biāo)小行星的距離較遠(yuǎn)，目標(biāo)小行星在圖像上所占像素面積極小，目標(biāo)小行星的相對(duì)運(yùn)動(dòng)不會(huì)影響配準(zhǔn)結(jié)果。具體配準(zhǔn)流程如圖2所示。

1.2 ORB特征點(diǎn)定位

采用ORB對(duì)探測(cè)器連續(xù)拍攝的目標(biāo)小行星圖像進(jìn)行特征點(diǎn)定位。ORB是Rublee等[12]在2011年提出的一種計(jì)算成本低、計(jì)算速度遠(yuǎn)高于SURF[13]、配準(zhǔn)精度與SURF接近的特征提取算法，采用改進(jìn)的FAST（Features from Accelerated Segments Test）算法[14]進(jìn)行特征點(diǎn)定位。

1）對(duì)每一尺度的圖像進(jìn)行特征點(diǎn)定位。以圖像上的像素點(diǎn)p為例，以p為圓心，以3為半徑畫(huà)圓，比較p點(diǎn)灰度值Ip與經(jīng)過(guò)該圓的4個(gè)等距像素點(diǎn)的灰度值Ip1、Ip2、Ip3、Ip4。若這2個(gè)像素點(diǎn)至少存在一對(duì)連續(xù)的像素點(diǎn)灰度值與Ip的差值大于閾值h，即該點(diǎn)所處區(qū)域灰度值變化較快，該區(qū)域通常為某種邊緣，則確定p點(diǎn)為圖像一關(guān)鍵點(diǎn)，如圖3所示。

圖3 特征點(diǎn)定位（截取）Fig.3 Feature point localization (part)

2）基于Harris算法對(duì)關(guān)鍵點(diǎn)排序。以每個(gè)關(guān)鍵點(diǎn)為中心，分別取窗口，計(jì)算該窗口移動(dòng)(u,v)產(chǎn)生的灰度差值，灰度差值越大則該關(guān)鍵點(diǎn)越重要。定義Harris角點(diǎn)響應(yīng)值為[12]

其中：x、y分別為關(guān)鍵點(diǎn)p的橫縱坐標(biāo)；Ix和Iy分別為該像素點(diǎn)的水平差分和豎直差分；采用高斯函數(shù)為窗口內(nèi)每個(gè)像素點(diǎn)賦予權(quán)重w；設(shè)置k為0.04；選取角點(diǎn)響應(yīng)值較大的前500個(gè)關(guān)鍵點(diǎn)作為用于進(jìn)一步配準(zhǔn)的特征點(diǎn)。

使用ORB特征點(diǎn)定位的當(dāng)前幀圖像如圖4所示，只有部分亮度較高的背景恒星被定位，目標(biāo)行星過(guò)于暗弱，不會(huì)被視為特征點(diǎn)，因此目標(biāo)小行星在幀間圖像的位移大小不會(huì)影響后續(xù)配準(zhǔn)結(jié)果。

圖4 使用ORB特征點(diǎn)定位的當(dāng)前幀圖像（截取）Fig.4 Current frame image using ORB for feature point localization (part)

1.3 BEBLID描述符

2020年，Suárez等[15]提出了一種有效的學(xué)習(xí)型二進(jìn)制描述符BEBLID（Boosted Efficient Binary Local Image Descriptor），是對(duì)BELID[16]的一種改進(jìn)算法，通過(guò)比較特征點(diǎn)鄰域內(nèi)一系列像素點(diǎn)對(duì)所在方框的平均灰度值大小，得到該關(guān)鍵點(diǎn)的描述符，精度與速度均優(yōu)于ORB。

BEBLID特征點(diǎn)描述符在特征點(diǎn)鄰域內(nèi)選擇用于比較的512對(duì)方形區(qū)域，中心像素為p1、p2，邊長(zhǎng)為s。初始化每個(gè)弱學(xué)習(xí)器的閾值T，設(shè)置相同的權(quán)重，采用Adaboost算法不斷迭代p1、p2、s、T，最終輸出“1”和“0”，得到長(zhǎng)度為512位的二進(jìn)制描述符。BEBLID比較每一對(duì)方形區(qū)域的平均灰度值以生成描述符。經(jīng)過(guò)迭代部分方形區(qū)域包含了特征點(diǎn)鄰域內(nèi)的星點(diǎn)，即每個(gè)特征點(diǎn)的描述符提取的特征不是細(xì)微的角點(diǎn)特征，而是該星點(diǎn)鄰域內(nèi)其它星點(diǎn)的亮度與位置關(guān)系組成的特征，用于配準(zhǔn)的特征為星間結(jié)構(gòu)信息。

其中：γ為學(xué)習(xí)率，弱學(xué)習(xí)器hk的權(quán)重 αk取相同值。特征提取函數(shù)f(x)和閾值T組成弱學(xué)習(xí)器hk

特征提取函數(shù)為特征點(diǎn)鄰域內(nèi)被選擇的一對(duì)以p1、p2為中心像素，由s×s個(gè)像素組成的方形區(qū)域的平均灰度值之差

1.4 特征點(diǎn)匹配

遍歷前一幀圖像特征點(diǎn)與當(dāng)前幀圖像的特征點(diǎn)，由于BEBLID描述符為二進(jìn)制描述符，因此計(jì)算它們的漢明距離（兩個(gè)等長(zhǎng)字符串之間的漢明距離是兩個(gè)字符串對(duì)應(yīng)位置的不同字符的個(gè)數(shù)，即兩個(gè)二進(jìn)制描述符之間對(duì)應(yīng)位的值不同的個(gè)數(shù)）。對(duì)于當(dāng)前幀圖像的每一特征點(diǎn)，保留在前一幀圖像上與其漢明距離最近的特征點(diǎn)，作為正確匹配的特征點(diǎn)對(duì)。

1.5 仿射變換

由于探測(cè)器的運(yùn)動(dòng)，幀間序列圖像的恒星背景存在平移和旋轉(zhuǎn)，但恒星之間的相對(duì)位置不變，是不同時(shí)刻探測(cè)器相機(jī)坐標(biāo)系上的同一圖像。根據(jù)正確匹配的特征點(diǎn)對(duì)，對(duì)前一幀圖像進(jìn)行仿射變換，可將前一幀圖像的恒星轉(zhuǎn)換到當(dāng)前幀圖像上同一恒星的位置上，達(dá)到配準(zhǔn)的目的。

1）選取匹配最正確的3個(gè)特征點(diǎn)對(duì)。從所有特征點(diǎn)對(duì)中隨機(jī)選出3個(gè)特征點(diǎn)對(duì)，根據(jù)這3個(gè)特征點(diǎn)對(duì)計(jì)算一個(gè)變換矩陣。使用該變換矩陣對(duì)所有特征點(diǎn)對(duì)進(jìn)行轉(zhuǎn)換，若轉(zhuǎn)換后的點(diǎn)與原本對(duì)應(yīng)的點(diǎn)相差小于閾值，則視該特征點(diǎn)對(duì)為正確匹配點(diǎn)對(duì)，并記錄正確匹配點(diǎn)對(duì)的數(shù)量。重復(fù)上一過(guò)程，直至達(dá)到最大迭代次數(shù)，保留正確匹配點(diǎn)對(duì)數(shù)量最多的變換矩陣作為最終的變換矩陣。設(shè)置初始最大迭代次數(shù)為500，置信度為0.995，閾值為3，在迭代過(guò)程中，根據(jù)置信度、匹配個(gè)數(shù)、當(dāng)前正確匹配點(diǎn)對(duì)數(shù)量和當(dāng)前最大迭代次數(shù)動(dòng)態(tài)更新最大迭代次數(shù)。

2）計(jì)算仿射變換矩陣，通用的變換公式為[17]

使用前文選取的匹配最正確的3個(gè)特征點(diǎn)對(duì)計(jì)算6個(gè)未知數(shù)，得到坐標(biāo)系之間的轉(zhuǎn)換矩陣。

3）根據(jù)仿射變換矩陣對(duì)前一幀圖像進(jìn)行變換。將前一幀圖像的每一個(gè)像素點(diǎn)位置坐標(biāo)與仿射變換矩陣相乘，獲得與當(dāng)前幀圖像同一坐標(biāo)系的圖像，如圖5所示。配準(zhǔn)后的前一幀圖像與當(dāng)前幀圖像上的恒星背景重疊，目標(biāo)小行星存在位移。

圖5 前一幀圖像、當(dāng)前幀圖像、配準(zhǔn)后的前一幀圖像（截取）Fig.5 Previous frame image，current frame image and previous frame image after registration (part)

2 目標(biāo)小行星檢測(cè)

2.1 目標(biāo)小行星檢測(cè)流程

圖像中大部分面積是黑色背景，因此采用先分割再比較的方法，提取當(dāng)前幀圖像的所有星點(diǎn)，以每一星點(diǎn)為中心取包含該星點(diǎn)的小窗口，計(jì)算每一窗口截取的當(dāng)前幀圖像與配準(zhǔn)后的前一幀圖像之間的結(jié)構(gòu)相似性指數(shù)，根據(jù)結(jié)構(gòu)相似性指數(shù)判斷該窗口所包含的星點(diǎn)是否為目標(biāo)星點(diǎn)，完整流程如圖6所示。

2.2 基于閾值分割法的星點(diǎn)識(shí)別

1）對(duì)當(dāng)前幀圖像進(jìn)行二值化。根據(jù)導(dǎo)航敏感器的成像能力和已知的目標(biāo)小行星星等范圍，將圖像中像素值大于20的像素點(diǎn)賦予新值255，將其它像素點(diǎn)賦予新值0。

2）對(duì)二值化后的當(dāng)前幀圖像進(jìn)行輪廓檢測(cè)[18]。輪廓檢測(cè)的具體步驟：①初始化新邊界編號(hào)（Newest Border Districts，NBD）；②掃描二值化圖像，在掃描到相鄰像素值突變時(shí)，認(rèn)為該處像素點(diǎn)為外邊界起始點(diǎn)，并更新邊界編號(hào)為NBD+1，將該邊界點(diǎn)的像素值賦值為NBD；③檢查外邊界起始點(diǎn)鄰域上的非0像素，若存在非0像素，則將該點(diǎn)的像素值賦值為NBD，若不存在非0像素，則認(rèn)為該邊界點(diǎn)為外邊界終止點(diǎn)；④重復(fù)第2步的檢查方式，檢查每個(gè)新邊界點(diǎn)；⑤重復(fù)第2～4步，進(jìn)行全圖掃描。

3）計(jì)算輪廓的垂直邊界最小矩形。由于恒星與目標(biāo)小行星的成像均為星點(diǎn)，認(rèn)為輪廓的垂直邊界最小矩形的中心點(diǎn)為星點(diǎn)質(zhì)心。遍歷每個(gè)輪廓邊界，記錄同一邊界所有輪廓點(diǎn)的最大、最小橫縱坐標(biāo)，從而獲得矩形區(qū)域4個(gè)頂點(diǎn)的坐標(biāo)。記錄每個(gè)星點(diǎn)輪廓矩形的左上角頂點(diǎn)坐標(biāo)(x,y)、矩形寬度w、矩形高度h，并在圖7中繪出。

圖7 當(dāng)前幀圖像的所有星點(diǎn)（截?。〧ig.7 All star points in the current frame image(part)

2.3 基于結(jié)構(gòu)相似性的目標(biāo)小行星檢測(cè)

結(jié)構(gòu)相似性（Structural Similarity Index）是一種根據(jù)亮度、對(duì)比度和結(jié)構(gòu)3個(gè)指標(biāo)衡量2幅圖像相似度的指標(biāo)[19]。采用逐星點(diǎn)檢測(cè)的方法，逐個(gè)比對(duì)包含各個(gè)星點(diǎn)的窗口之間的結(jié)構(gòu)相似性指數(shù)。由于在該階段的圖像中目標(biāo)小行星僅占1～3個(gè)像素，w和h為1～2，且計(jì)算結(jié)構(gòu)相似性指數(shù)的滑動(dòng)窗口大小至少為3，因此設(shè)置包含各星點(diǎn)的窗口以每個(gè)星點(diǎn)輪廓矩形的中點(diǎn)(x+w/2,y+h/2)為中心，大小為(w+4)×(h+4)。計(jì)算每個(gè)窗口截取的當(dāng)前幀圖像與配準(zhǔn)后前一幀圖像之間的結(jié)構(gòu)相似性指數(shù)，記錄結(jié)構(gòu)相似性指數(shù)最小的窗口，初步認(rèn)為其包含的星點(diǎn)為目標(biāo)小行星。

由于恒星配準(zhǔn)精度足夠高，同一恒星之間的結(jié)構(gòu)相似性指數(shù)均大于0.4。目標(biāo)小行星的幀間位移大小不同，因此存在以下3種情況：①幀間位移遠(yuǎn)大于配準(zhǔn)誤差，此時(shí)最小的結(jié)構(gòu)相似性指數(shù)小于等于0.4，對(duì)應(yīng)的窗口包含目標(biāo)小行星；②幀間位移小于截取窗口邊長(zhǎng)，但仍大于配準(zhǔn)誤差，此時(shí)最小的結(jié)構(gòu)相似性指數(shù)大于0.4，對(duì)應(yīng)的窗口包含目標(biāo)小行星；③幀間位移小于配準(zhǔn)誤差，配準(zhǔn)后圖像中的目標(biāo)小行星與當(dāng)前幀圖像中的目標(biāo)小行星存在重疊，根據(jù)截取窗口大小和目標(biāo)小行星所占像素面積，包含目標(biāo)小行星的窗口對(duì)應(yīng)的結(jié)構(gòu)相似性指數(shù)大于0.85，此時(shí)最小的結(jié)構(gòu)相似性指數(shù)大于0.4，對(duì)應(yīng)的窗口包含配準(zhǔn)誤差較大的恒星，而非目標(biāo)行星。若探測(cè)器運(yùn)動(dòng)速度較慢，可以選取相隔幀數(shù)較多的2幀圖像進(jìn)行檢測(cè)，即可避免第2、3種情況；若探測(cè)器運(yùn)動(dòng)速度較快，則相隔幀數(shù)較多的2幀圖像之間恒星背景重復(fù)部分較少，難以實(shí)現(xiàn)正確的配準(zhǔn)，此時(shí)通過(guò)以下方法區(qū)分。

判斷最小的結(jié)構(gòu)相似性指數(shù)是否小于閾值0.4，若是，則認(rèn)為是第1種情況，確定該窗口包含的星點(diǎn)為目標(biāo)小行星，檢測(cè)正確；若不是，則進(jìn)一步判斷前一時(shí)刻正確檢測(cè)的目標(biāo)小行星是否位于當(dāng)前幀初步檢測(cè)的目標(biāo)小行星所在的截取窗口中。若是，則認(rèn)為是第2種情況，初步檢測(cè)的目標(biāo)小行星是正確檢測(cè)。若不是，則初步檢測(cè)的目標(biāo)小行星不是正確檢測(cè)，使用前一時(shí)刻正確檢測(cè)的目標(biāo)小行星所在窗口分割配準(zhǔn)后的前一幀圖像和當(dāng)前幀圖像，計(jì)算二者之間的結(jié)構(gòu)相似性指數(shù)。若大于閾值0.85，則認(rèn)為是第3種情況，保留前一時(shí)刻正確檢測(cè)的目標(biāo)小行星坐標(biāo)為當(dāng)前幀圖像正確檢測(cè)的目標(biāo)小行星坐標(biāo)。若3種情況均不是，則認(rèn)為未能檢測(cè)出目標(biāo)小行星。

2.4 檢測(cè)結(jié)果

使用上述方法對(duì)1 105張圖像進(jìn)行目標(biāo)小行星檢測(cè)，正確的檢測(cè)結(jié)果如圖8所示。

圖8 目標(biāo)小行星檢測(cè)結(jié)果Fig.8 Target asteroid detection results

3 仿真結(jié)果對(duì)比分析

用于實(shí)驗(yàn)的恒星背景由HIP星表和連續(xù)時(shí)刻下探測(cè)器的姿態(tài)生成，其中星等為0～9，視場(chǎng)角為6°以便捕獲目標(biāo)行星。共模擬了1 106張分辨率為1 080×1 080的圖像，其中每張圖像包含50～100顆恒星和1個(gè)半徑為1～3個(gè)像素的目標(biāo)小行星。從第2張圖像開(kāi)始，將前一時(shí)刻拍攝的圖像與當(dāng)前時(shí)刻拍攝的圖像進(jìn)行配準(zhǔn)，得到1 105張配準(zhǔn)后的圖像，從而進(jìn)行后續(xù)的目標(biāo)小行星檢測(cè)。

3.1 圖像配準(zhǔn)方法對(duì)比

傳統(tǒng)的圖像配準(zhǔn)方法有SURF、AKAZE[20]、ORB等，其中ORB速度最快，AKAZE的精度最高。分別使用傳統(tǒng)配準(zhǔn)算法和結(jié)合ORB特征點(diǎn)定位與BEBLID描述符的算法進(jìn)行配準(zhǔn)，并對(duì)使用4種方法配準(zhǔn)后的1 105張圖像進(jìn)行目標(biāo)小行星檢測(cè)。對(duì)檢測(cè)結(jié)果進(jìn)行評(píng)估，若檢測(cè)的目標(biāo)小行星與真實(shí)的目標(biāo)小行星像素距離小于等于3，則認(rèn)為檢測(cè)正確。對(duì)比ORB特征點(diǎn)定位結(jié)合BEBLID描述符的方法與傳統(tǒng)的圖像配準(zhǔn)方法SURF、AKAZE、ORB的檢測(cè)精度和配準(zhǔn)時(shí)間，使用i5-7200U處理器，2.5 GHz主頻，結(jié)果如表1所示。

表1 圖像配準(zhǔn)方法對(duì)比Table 1 Comparison of image registration methods

傳統(tǒng)的圖像配準(zhǔn)方法檢測(cè)正確率極低，難以應(yīng)用于序列星點(diǎn)圖像的配準(zhǔn)，因?yàn)楦鱾€(gè)細(xì)微星點(diǎn)是占像素面積極小的高斯彌散斑點(diǎn)，難以根據(jù)角點(diǎn)特征進(jìn)行匹配。而ORB與BEBLID結(jié)合的方法以星間結(jié)構(gòu)為特征信息進(jìn)行匹配，在速度和精度上均明顯優(yōu)于傳統(tǒng)算法，共檢測(cè)1 105張星點(diǎn)圖像，其中1 103張圖像檢測(cè)正確、2張圖像檢測(cè)錯(cuò)誤、0張圖像未能檢測(cè)。

3.2 目標(biāo)小行星檢測(cè)方法對(duì)比

基于圖像配準(zhǔn)的目標(biāo)檢測(cè)常用的方法是進(jìn)行幀間差分，該方法對(duì)配準(zhǔn)精度有極大精度要求，否則無(wú)法完全抑制恒星，易保留恒星邊緣。

另一常用方法是先比較再分割，使用固定大小的滑動(dòng)窗口對(duì)全圖進(jìn)行掃描，計(jì)算相應(yīng)部分之間的結(jié)構(gòu)相似度，得到配準(zhǔn)后的前一幀圖像與當(dāng)前幀圖像的混疊，最后使用閾值分割法定位目標(biāo)小行星。該方法存在以下缺點(diǎn)：①圖像大部分黑色背景消耗了較長(zhǎng)時(shí)間；②滑動(dòng)窗口大小難以選取，較大的滑動(dòng)窗口難以識(shí)別相對(duì)運(yùn)動(dòng)較小的目標(biāo)，較小的滑動(dòng)窗口會(huì)消耗較長(zhǎng)時(shí)間；③在目標(biāo)行星的相對(duì)運(yùn)動(dòng)較大時(shí)會(huì)識(shí)別出2個(gè)目標(biāo)，分別為配準(zhǔn)后前一幀圖像上的目標(biāo)和當(dāng)前幀圖像上的目標(biāo)，還需要進(jìn)一步區(qū)分；④在目標(biāo)行星的相對(duì)運(yùn)動(dòng)較小時(shí)，配準(zhǔn)后圖像上的目標(biāo)和當(dāng)前幀圖像的目標(biāo)在混疊后的圖像是部分重疊的，從而無(wú)法區(qū)分，且識(shí)別出的目標(biāo)坐標(biāo)存在一定誤差。

已發(fā)射的小行星探測(cè)任務(wù)在該階段多采用星表匹配法。首先根據(jù)探測(cè)器姿態(tài)等信息對(duì)星表進(jìn)行分區(qū)。定位圖像中的各個(gè)星點(diǎn)，根據(jù)相機(jī)視場(chǎng)角、圖像尺寸、相機(jī)安裝方向、探測(cè)器姿態(tài)，計(jì)算圖像上的星點(diǎn)在慣性坐標(biāo)系下的位置矢量，計(jì)算其與星表中各個(gè)恒星的夾角。根據(jù)視場(chǎng)角和圖像大小，設(shè)置閾值0.01°，若星表上存在一恒星，其慣性坐標(biāo)與該星點(diǎn)的慣性坐標(biāo)之間的夾角小于0.01°，則認(rèn)為該星點(diǎn)為該恒星。遍歷圖像上的每一個(gè)星點(diǎn)，從而篩除恒星，保留目標(biāo)小行星。

文中采用先分割再比較的方法與先比較再分割的方法相比，檢測(cè)速度快，且不需要極高的配準(zhǔn)精度即可完成檢測(cè)。星表匹配法的檢測(cè)時(shí)間受圖像中星點(diǎn)數(shù)量及相應(yīng)的星表區(qū)域大小影響，檢測(cè)時(shí)間長(zhǎng)。由于本文使用星表生成仿真圖像，檢測(cè)結(jié)果足夠精確，而在實(shí)際應(yīng)用中檢測(cè)精度會(huì)受姿態(tài)誤差、星表誤差等影響，且圖像中可能存在星表中未記錄的星點(diǎn)，則需要進(jìn)一步檢測(cè)目標(biāo)小行星。3種方法的檢測(cè)結(jié)果對(duì)比如表2所示。

表2 目標(biāo)小行星檢測(cè)方法對(duì)比Table 2 Comparison of target asteroid detection methods

4 結(jié) 論

針對(duì)小天體撞擊任務(wù)，采用ORB特征點(diǎn)定位與BEBLID特征點(diǎn)描述結(jié)合的方法進(jìn)行圖像配準(zhǔn)，相比傳統(tǒng)的圖像配準(zhǔn)方法具有更高的精度和速度；對(duì)于與恒星背景存在相對(duì)運(yùn)動(dòng)的目標(biāo)小行星，采用了先分割再比較的方法進(jìn)行檢測(cè)，相比先比較再分割速度更快，并對(duì)配準(zhǔn)精度具有更強(qiáng)的魯棒性。