徐俁長(zhǎng),張 揚(yáng),葉志龍,謝鳳英,臧云朝,楊 光,袁 洪

(1. 中國(guó)科學(xué)院空天信息創(chuàng)新研究院,北京 100094;2. 中國(guó)科學(xué)院大學(xué)電子電氣與通信工程學(xué)院,北京 100094;3. 上海交通大學(xué)電子信息與電氣工程學(xué)院,上海 200240;4. 上海航天控制技術(shù)研究所,上海 201109;5. 北京航空航天大學(xué)宇航學(xué)院,北京 100191;6. 哈爾濱工業(yè)大學(xué)空間光學(xué)工程研究中心,哈爾濱 150001)

0 引言

天文導(dǎo)航是一種自主性強(qiáng)、隱蔽性高、不易受外界干擾且可以提供高精度姿態(tài)信息的自主導(dǎo)航方式[1],廣泛應(yīng)用于衛(wèi)星、飛機(jī)及導(dǎo)彈等飛行器,同時(shí)也是深空探測(cè)領(lǐng)域中一種有效的自主導(dǎo)航方案[2]。星圖識(shí)別是天文導(dǎo)航中的關(guān)鍵技術(shù)之一[3],主要完成對(duì)觀測(cè)星圖中的星點(diǎn)提取及識(shí)別,根據(jù)星圖識(shí)別確定的星圖坐標(biāo)及其對(duì)應(yīng)導(dǎo)航星的天文坐標(biāo)即可得到星敏感器的姿態(tài),因此星圖識(shí)別成功率及準(zhǔn)確率將直接影響飛行器導(dǎo)航定位及姿態(tài)確定性能。由于星圖識(shí)別算法在天文導(dǎo)航應(yīng)用中發(fā)揮著重要作用,因此得到了學(xué)者的廣泛研究。

目前針對(duì)星圖識(shí)別的研究主要集中在子圖同構(gòu)和模式識(shí)別兩類算法及其改進(jìn)方面。子圖同構(gòu)類算法是在觀測(cè)星圖中選定多顆恒星星點(diǎn),基于星點(diǎn)幾何分布構(gòu)造匹配特征,并在導(dǎo)航星庫(kù)中進(jìn)行特征匹配實(shí)現(xiàn)星圖識(shí)別[4]。子圖同構(gòu)類算法中三角形算法[5]最具代表性,該算法的優(yōu)點(diǎn)是可靠性高、工程應(yīng)用廣泛[6],但算法識(shí)別特征維度低、計(jì)算冗余度高,且識(shí)別成功率易受噪聲影響。模式識(shí)別類算法是分別構(gòu)造觀測(cè)星和導(dǎo)航星的模式向量,并根據(jù)兩者的模式向量匹配結(jié)果完成星圖識(shí)別。柵格算法[7]是一種典型的模式識(shí)別類算法,通過(guò)對(duì)星圖劃分柵格,根據(jù)柵格中是否存在星點(diǎn)構(gòu)建特征模式,應(yīng)用模式識(shí)別進(jìn)行導(dǎo)航星匹配。柵格算法相較于三角形算法等子圖同構(gòu)類算法具有存儲(chǔ)空間需求小,運(yùn)行速度快等優(yōu)勢(shì),但易受鄰域星點(diǎn)分布的影響導(dǎo)致識(shí)別率下降甚至誤匹配[8],且主要適用于大視場(chǎng)星敏感器中的星圖識(shí)別。近年來(lái)對(duì)于柵格算法的改進(jìn)研究不斷深入,錢華明等[9]提出了一種擴(kuò)充柵格算法并將算法的應(yīng)用推廣至觀測(cè)星點(diǎn)數(shù)目少的小視場(chǎng)星敏感器中;為了提高星圖識(shí)別的準(zhǔn)確性,錢華明等[10]提出了通過(guò)構(gòu)建特征模式的度量函數(shù)來(lái)反映柵格算法特征模式的內(nèi)在相似程度,從而減小位置誤差對(duì)星圖識(shí)別的影響;李立宏等[11]針對(duì)柵格算法應(yīng)用時(shí)觀測(cè)星需求大的問(wèn)題,提出了主星的概念并減少冗余模式,提高了算法的魯棒性和實(shí)時(shí)性。

本文聚焦于大視場(chǎng)星圖識(shí)別中柵格算法對(duì)近鄰星依賴性較強(qiáng)、易受鄰域星點(diǎn)分布影響等問(wèn)題,提出了在柵格算法的基礎(chǔ)上引入星角距特征對(duì)受近鄰星影響的觀測(cè)星進(jìn)行再識(shí)別的改進(jìn)方法,進(jìn)一步提升算法的星圖識(shí)別率,并且由于結(jié)合了柵格算法的高效性和角距特征的可靠性,改進(jìn)算法具有更佳的綜合性能。

1 改進(jìn)柵格算法原理

改進(jìn)柵格算法是一種在原柵格算法的基礎(chǔ)上,通過(guò)設(shè)計(jì)和應(yīng)用星角距識(shí)別模式對(duì)柵格識(shí)別模式的失效場(chǎng)景進(jìn)行再識(shí)別的方法。

1.1 柵格模式構(gòu)建流程

柵格算法是通過(guò)對(duì)星圖劃分柵格來(lái)構(gòu)造主星唯一的模式向量以實(shí)現(xiàn)星點(diǎn)的匹配識(shí)別,其實(shí)現(xiàn)流程包括參考基準(zhǔn)統(tǒng)一、柵格模式構(gòu)建、柵格模式匹配三部分內(nèi)容。

1.1.1 參考基準(zhǔn)統(tǒng)一

由于導(dǎo)航星和觀測(cè)星所處的坐標(biāo)基準(zhǔn)不同,在使用柵格算法時(shí)首先需要進(jìn)行參考基準(zhǔn)統(tǒng)一,先通過(guò)坐標(biāo)轉(zhuǎn)換和投影及平移變換將導(dǎo)航星位置矢量由天球坐標(biāo)系(記為i系)轉(zhuǎn)換到星敏感器成像平面坐標(biāo)系(記為p系)。天球坐標(biāo)系到星敏感器坐標(biāo)系(記為s系)的姿態(tài)轉(zhuǎn)換矩陣Tsi如式(1)所示

(1)

其中,(α0,δ0)為選定作為星敏感器視軸指向的導(dǎo)航星赤經(jīng)、赤緯,且設(shè)定滾轉(zhuǎn)角為0°。星敏感器坐標(biāo)系s系到p系的投影和平移變換如式(2)所示

(2)

式中,(xp,yp)表示p系下的星點(diǎn)坐標(biāo);f表示焦距;a表示像元大小;(Xs,Ys,Zs)表示s系下的星點(diǎn)坐標(biāo);(x0,y0)表示星敏感器成像平面中心點(diǎn)的位置;m×n表示星敏感器成像平面的分辨率。通過(guò)計(jì)算式(1)和式(2),即可得到由i系轉(zhuǎn)換到p系下的導(dǎo)航星的坐標(biāo)。

1.1.2 柵格模式構(gòu)建

在將導(dǎo)航星和觀測(cè)星位置矢量統(tǒng)一到p系后,即可進(jìn)行觀測(cè)星和導(dǎo)航星柵格模式的構(gòu)建,具體構(gòu)建流程如下:

1)以模式構(gòu)建對(duì)象為主星,確定主星模式半徑pr(pattern radius)范圍內(nèi)的鄰域星點(diǎn);

2)將主星及其鄰域星點(diǎn)進(jìn)行平移,移至主星位于視場(chǎng)中心,根據(jù)緩沖半徑br(buffer radius)確定近鄰星;

3) 以主星為中心,主星和近鄰星連線作為坐標(biāo)軸旋轉(zhuǎn)星圖,至該坐標(biāo)軸與x軸重合;

4)在星圖中劃分g×g柵格,柵格中若存在鄰域星點(diǎn)則記cell(i,j)=1,反之則記cell(i,j)=0,根據(jù)g2個(gè)柵格的標(biāo)記構(gòu)造主星的特征模式向量p,具體表示為p=[c1,c2,…,ck,…,cg2-1,cg2],其中ck可由式(3)得到

(3)

其中,(i,j)表示柵格位置坐標(biāo),i∈[1,g],j∈[1,g];ck表示向量p的第k個(gè)元素值;k與i,j的關(guān)系式為k=(i-1)×g+j。整個(gè)構(gòu)建過(guò)程如圖1所示。

(a) 確定主星鄰域星點(diǎn)范圍

1.1.3 柵格模式匹配

在分別構(gòu)建導(dǎo)航星和觀測(cè)星模式向量后,即可計(jì)算導(dǎo)航星與觀測(cè)星的模式匹配結(jié)果,如式(4)所示

(4)

其中,pi表示觀測(cè)星模式向量;pj表示導(dǎo)航星模式向量;M(pi,pj)表示一對(duì)觀測(cè)星與導(dǎo)航星模式匹配結(jié)果。最終匹配結(jié)果是找到各觀測(cè)星與導(dǎo)航星特征模式向量按位求與所得結(jié)果的最大值,即確定與觀測(cè)星模式最接近的導(dǎo)航星結(jié)果。以觀測(cè)星1為例,其最佳匹配導(dǎo)航星計(jì)算過(guò)程如式(5)所示

M(p1,pm)=max(M(p1,pj)),j=1,2,…,n

(5)

式中,m表示與觀測(cè)星1最佳匹配的導(dǎo)航星下標(biāo);n表示導(dǎo)航星數(shù)目總數(shù)。

1.2 柵格算法性能影響因素及失效場(chǎng)景分析

由1.1節(jié)可知,影響柵格算法性能的關(guān)鍵參數(shù)包括:柵格數(shù)目g、模式半徑pr以及緩沖半徑br。柵格數(shù)目g過(guò)小,則易出現(xiàn)多顆恒星位于同一柵格之中,導(dǎo)致模式特征數(shù)量減少;當(dāng)柵格數(shù)目g過(guò)大,則無(wú)效模式特征維數(shù)增加,從而增加額外的運(yùn)算時(shí)間。模式半徑pr決定了恒星鄰域的范圍,一般為了增加鄰域星點(diǎn)的數(shù)目,選取1～2倍星敏感器視場(chǎng)半徑作為pr的值[10-11]。緩沖半徑br主要用來(lái)確定近鄰星的位置,由于觀測(cè)星圖中存在噪聲星點(diǎn),因此易導(dǎo)致觀測(cè)星圖和導(dǎo)航星圖中的近鄰星選擇不一致,則兩圖旋轉(zhuǎn)后的星圖不一致,從而造成匹配失敗。

基于上述分析,柵格算法失效主要包括以下三種情況:一是位于星圖邊界的星點(diǎn),這些觀測(cè)星的鄰域星點(diǎn)數(shù)目較少,因此可能由于特征維數(shù)小而導(dǎo)致誤匹配;二是近鄰星選擇錯(cuò)誤,則導(dǎo)致旋轉(zhuǎn)后的模式結(jié)果與匹配導(dǎo)航星模式結(jié)果不一致使得該星對(duì)無(wú)法匹配;三是由于柵格劃分不當(dāng)使得多顆鄰域星點(diǎn)位于同一柵格,從而導(dǎo)致特征向量維數(shù)低,與匹配導(dǎo)航星模式不匹配。柵格算法各影響因素與其失效場(chǎng)景的對(duì)應(yīng)關(guān)系圖如圖2所示。

圖2 柵格算法影響因素與其失效場(chǎng)景的對(duì)應(yīng)關(guān)系圖

上述三種柵格算法失效的情況在模式識(shí)別過(guò)程中的表現(xiàn)為在遍歷導(dǎo)航星庫(kù)后,觀測(cè)星的最大特征匹配值相較于正常觀測(cè)星的匹配值低。從柵格算法原理可知,觀測(cè)星的特征模式圖一般是對(duì)應(yīng)匹配導(dǎo)航星特征模式圖的子圖,一顆觀測(cè)星的理論最大匹配值應(yīng)與其鄰域星點(diǎn)數(shù)目一致。考慮到實(shí)際情況中可能存在缺失星、偽星等影響匹配星點(diǎn)數(shù)目的因素,因此本文將觀測(cè)星鄰域星點(diǎn)數(shù)目的1/2作為臨界條件,當(dāng)觀測(cè)星的最大特征匹配值大于臨界值則說(shuō)明匹配成功,反之則認(rèn)為是上述三種匹配失效的情況,需再進(jìn)一步識(shí)別。角距特征按照幾何原理進(jìn)行匹配,不易受鄰域星點(diǎn)分布、近鄰星位置以及特征維數(shù)的影響,因此將角距特征引入再識(shí)別過(guò)程,可以有效解決上述三種引起柵格算法失效的問(wèn)題,接下來(lái)介紹星角距模式的特征向量構(gòu)建。

1.3 星角距模式特征向量構(gòu)建

星角距模式是以角距為分量的星點(diǎn)特征模式,其構(gòu)建過(guò)程如圖3所示。首先以主星為中心,以模式半徑pr為半徑確定主星的鄰域星點(diǎn);然后依次將主星和鄰域星點(diǎn)組成星對(duì),計(jì)算星對(duì)角距值記為d,并依次記錄整理成一維向量v=[d1,d2,…,dn],其中n表示鄰域星點(diǎn)數(shù)目;最后對(duì)向量v的元素進(jìn)行排序得到主星的星角距模式,其模式特征向量的表達(dá)式pi為

圖3 星角距模式特征向量構(gòu)建圖

pi=[di1,di2,…,din]

(6)

其中,din表示第i顆主星與第n個(gè)鄰星之間的角距。

角距匹配條件如式(7)所示,其中ε表示角距閾值,符合式(7)則認(rèn)為觀測(cè)星角距與導(dǎo)航星角距匹配。星角距模式匹配過(guò)程則是對(duì)星角距模式向量中的匹配角距元素計(jì)數(shù),取與觀測(cè)星元素匹配數(shù)目最多的導(dǎo)航星作為匹配導(dǎo)航星。

(7)

(8)

其中,si和sj為導(dǎo)航星在天球坐標(biāo)系下的位置矢量,計(jì)算公式為

(9)

其中,(α,δ)為導(dǎo)航星的赤經(jīng)、赤緯。

觀測(cè)星星對(duì)角距計(jì)算公式為

(10)

其中,cm和cn為觀測(cè)星在星敏感器成像坐標(biāo)系下的方向矢量,計(jì)算公式為

(11)

在1.2節(jié)柵格算法性能下降的場(chǎng)景下,引入星角距模式對(duì)判定為柵格算法失效的觀測(cè)星遍歷匹配。在柵格算法的基礎(chǔ)上進(jìn)行角距匹配,可以大量減少待匹配觀測(cè)星即減少比較匹配過(guò)程,在不顯著增加時(shí)間消耗的同時(shí)提高了算法的識(shí)別率,同時(shí)可以提高算法的可靠性。

2 改進(jìn)柵格算法的流程

改進(jìn)的柵格算法以傳統(tǒng)柵格算法為基礎(chǔ),通過(guò)對(duì)柵格算法失效場(chǎng)景引入星角距模式進(jìn)行再識(shí)別來(lái)提高算法的識(shí)別率,算法流程如圖4所示。在柵格模式下的星點(diǎn)匹配過(guò)程中,遍歷比較各導(dǎo)航星的模式匹配值找到觀測(cè)星的最佳匹配結(jié)果,若柵格模式下最佳匹配結(jié)果的最大特征匹配值大于觀測(cè)星鄰域星點(diǎn)數(shù)目的一半則視為匹配成功,反之則進(jìn)入星角距模式進(jìn)行再識(shí)別。在星角距模式下的星點(diǎn)匹配過(guò)程中,先將角距模式向量中的角距進(jìn)行排序,再查找匹配角距,具體過(guò)程為將導(dǎo)航星和觀測(cè)星的模式向量中的角距作差,若其差值小于角距閾值則認(rèn)為角距匹配成功,最后選擇匹配角距數(shù)目最多的導(dǎo)航星作為匹配結(jié)果。改進(jìn)柵格算法的結(jié)果由兩部分組成:對(duì)于有效的柵格算法保留其匹配結(jié)果,對(duì)于判斷為失效的柵格模式下的觀測(cè)星將進(jìn)行角距模式再識(shí)別,記錄角距模式下的結(jié)果,兩者共同組成觀測(cè)星圖的星點(diǎn)匹配結(jié)果。

圖4 改進(jìn)柵格算法流程圖

改進(jìn)的柵格算法綜合了柵格算法的快速性和角距類算法的穩(wěn)定性,同時(shí)又規(guī)避了由柵格數(shù)目、近鄰星選擇不當(dāng)?shù)纫饢鸥袼惴ㄕ`識(shí)別的問(wèn)題,提高了算法的識(shí)別率。

3 算法試驗(yàn)及性能分析

3.1 試驗(yàn)設(shè)計(jì)

為了系統(tǒng)評(píng)估本文改進(jìn)柵格算法的性能,分別設(shè)計(jì)了改進(jìn)柵格算法識(shí)別效果測(cè)試試驗(yàn)、算法性能對(duì)比測(cè)試試驗(yàn)和算法環(huán)境適應(yīng)性測(cè)試試驗(yàn)。其中改進(jìn)柵格算法的識(shí)別效果測(cè)試主要是通過(guò)開展傳統(tǒng)柵格算法和改進(jìn)柵格算法的星圖識(shí)別試驗(yàn)并對(duì)識(shí)別結(jié)果進(jìn)行對(duì)比分析,以檢驗(yàn)改進(jìn)柵格算法的有效性和相較于柵格算法的識(shí)別能力的提升效果;改進(jìn)柵格算法性能對(duì)比測(cè)試是從識(shí)別效率、存儲(chǔ)容量和識(shí)別率等性能指標(biāo)出發(fā),進(jìn)行改進(jìn)柵格算法與三角形算法[5]、徑向模式算法[12]、改進(jìn)的對(duì)數(shù)極坐標(biāo)變換(log-polar transformation, LPT)算法[13]以及星輻射模式匹配識(shí)別算法[14]等的星圖識(shí)別試驗(yàn)和性能對(duì)比分析;算法環(huán)境適應(yīng)性測(cè)試是通過(guò)在測(cè)試星圖中考慮位置噪聲、缺失星和偽星等干擾因素,從識(shí)別率的角度分析改進(jìn)柵格算法的環(huán)境適應(yīng)性及算法魯棒性。

試驗(yàn)測(cè)試星圖采用不同視軸指向下的仿真星圖,其中星圖仿真參數(shù)設(shè)置信息如表1所示,星表選擇第谷2導(dǎo)航星表(Tycho-2)提供的導(dǎo)航星信息。

表1 仿真星圖基本信息

改進(jìn)前后柵格算法參數(shù)設(shè)置如表2所示。

表2 仿真試驗(yàn)中算法參數(shù)設(shè)計(jì)

3.2 試驗(yàn)結(jié)果分析

3.2.1 改進(jìn)柵格算法識(shí)別效果分析

隨機(jī)選取同一張仿真星圖,分別應(yīng)用傳統(tǒng)柵格算法和改進(jìn)的柵格算法進(jìn)行星圖識(shí)別處理。使用傳統(tǒng)柵格方法得到的鄰域星點(diǎn)分析結(jié)果如圖5所示。其中圖5(a)表示以觀測(cè)星鄰域星點(diǎn)數(shù)目的一半作為判斷閾值時(shí)輸出的匹配成功的星點(diǎn)數(shù)目,由圖可知該條件可以有效地將柵格算法是否失效的觀測(cè)星區(qū)分開,證明了閾值設(shè)置的合理性。圖5(b)表示各觀測(cè)星的鄰域星點(diǎn)數(shù)目和使用柵格算法得到的最大匹配值的對(duì)應(yīng)關(guān)系,圖中點(diǎn)狀標(biāo)記表示匹配失敗的星點(diǎn),表明柵格算法失效的觀測(cè)星點(diǎn)多為最大匹配值較小且與鄰域星點(diǎn)數(shù)目差異較大的觀測(cè)星點(diǎn)。

(a) 判斷條件與匹配結(jié)果關(guān)系圖

改進(jìn)前后的柵格算法星圖匹配結(jié)果如圖6所示。圖6(a)為傳統(tǒng)柵格算法的匹配結(jié)果,圖6(b)為改進(jìn)柵格算法的匹配結(jié)果,其中紅色星點(diǎn)表示正確識(shí)別結(jié)果,白色星點(diǎn)則表示誤匹配結(jié)果。由圖可知,由于邊界星點(diǎn)在構(gòu)造柵格模式時(shí)鄰域星點(diǎn)分布集中在一側(cè),易導(dǎo)致匹配失敗,而這些星點(diǎn)經(jīng)過(guò)改進(jìn)算法中的角距匹配后,在圖6(b)中可全部得到正確匹配。表明采用本文改進(jìn)的柵格算法有利于邊界星點(diǎn)的識(shí)別,增加了星圖中星點(diǎn)正確識(shí)別的數(shù)目、擴(kuò)大了星點(diǎn)正確識(shí)別的星圖范圍。

3.2.2 算法性能測(cè)試結(jié)果對(duì)比

在不考慮環(huán)境干擾的情況下,基于仿真星圖進(jìn)行改進(jìn)柵格算法與三角形算法等5種典型星圖識(shí)別算法性能對(duì)比試驗(yàn)。其中測(cè)試環(huán)境為:硬件平臺(tái)性能為(CPU:Intel(R) Core(TM) i5-9300H,8 GB),軟件平臺(tái)為MATLAB 2018。識(shí)別時(shí)間、空間占用及識(shí)別率統(tǒng)計(jì)結(jié)果如表3所示。對(duì)比表中的算法識(shí)別率可知,本文提出的改進(jìn)的柵格算法的識(shí)別率可達(dá)98.88%,優(yōu)于其他幾種典型星圖識(shí)別算法,其中高出原柵格算法7.87%;在識(shí)別效率和存儲(chǔ)消耗方面,改進(jìn)柵格算法由于增加了角距模式構(gòu)建和角距識(shí)別環(huán)節(jié),識(shí)別時(shí)間和空間占用均稍高于原柵格算法,但顯著低于三角形算法。

表3 不同星圖識(shí)別算法性能對(duì)比

3.2.3 算法環(huán)境適應(yīng)性試驗(yàn)結(jié)果分析

在仿真星圖的星點(diǎn)上疊加方差為0～0.5像素的位置偏差來(lái)模擬位置噪聲,開展考慮位置噪聲干擾下的算法識(shí)別率性能測(cè)試,識(shí)別結(jié)果如圖7所示。由圖可知,在不同位置噪聲的干擾下,改進(jìn)后的柵格算法識(shí)別率保持在95%以上,均顯著高于原柵格算法,且隨著位置噪聲的增加,改進(jìn)后的柵格算法相較于角距類算法星圖識(shí)別率變化幅度更小,說(shuō)明改進(jìn)柵格算法抗位置噪聲影響能力更強(qiáng),魯棒性更佳。

圖7 位置噪聲影響下的星圖識(shí)別率

不僅如此,由于星點(diǎn)的位置誤差直接影響著角距的結(jié)果,因此三角形算法等角距類星圖識(shí)別算法識(shí)別率波動(dòng)較大,但如柵格算法等模式識(shí)別類算法由于是根據(jù)一定角距區(qū)間內(nèi)是否存在星點(diǎn)而構(gòu)建模式特征進(jìn)行識(shí)別,識(shí)別率受位置噪聲影響較小。本文改進(jìn)的柵格算法具有柵格算法的優(yōu)勢(shì),在位置噪聲影響下具有較好的性能結(jié)果,并且還通過(guò)角距二次識(shí)別提高了算法的識(shí)別率。

在仿真星圖中隨機(jī)去除1～5個(gè)已成功提取出的星點(diǎn),來(lái)模擬缺失星存在的情況,開展考慮缺失星干擾下的算法識(shí)別率性能測(cè)試,識(shí)別率結(jié)果如圖8 所示。由圖可知,改進(jìn)的柵格算法在存在不同數(shù)目的缺失星條件下識(shí)別率變化趨勢(shì)平緩,下降率較低,在1～5個(gè)缺失星下識(shí)別率均可達(dá)到95%以上,相較于原始柵格算法及其他算法性能較優(yōu)。

圖8 缺失星影響下的星圖識(shí)別率

此外,整體而言,相較于柵格算法,角距類算法受缺失星影響較小。主要是由于缺失星使得柵格算法的模式特征維數(shù)下降,導(dǎo)致誤匹配增加,識(shí)別率會(huì)隨著缺失星數(shù)量的增加而顯著下降。本文改進(jìn)的柵格算法由于加入了星角距識(shí)別模式,可以充分利用角距類算法的優(yōu)勢(shì)對(duì)受缺失星影響而匹配失敗的星點(diǎn)進(jìn)行再匹配,因此算法的魯棒性和識(shí)別率均處于較高水平。

在仿真星圖中隨機(jī)添加1～5個(gè)不存在的星點(diǎn),來(lái)模擬偽星干擾場(chǎng)景下的星圖結(jié)果,開展考慮偽星干擾下的算法識(shí)別率性能測(cè)試,算法識(shí)別結(jié)果如圖9所示。由圖可知,改進(jìn)的柵格算法在偽星干擾下識(shí)別率始終高于原柵格算法和三角形算法,但識(shí)別率受偽星數(shù)目增加的影響較大。主要是由于改進(jìn)的柵格算法結(jié)合了角距類算法和柵格算法的特點(diǎn),其中偽星會(huì)影響角距特征向量構(gòu)建從而影響星點(diǎn)的識(shí)別,同時(shí)會(huì)使得柵格模式向量中不匹配星對(duì)的匹配維數(shù)增加從而引起誤匹配。因此改進(jìn)柵格算法的識(shí)別率雖優(yōu)于三角形算法和原柵格算法,但偽星仍然對(duì)算法識(shí)別率有一定的影響,且在穩(wěn)定性方面略低于徑向模式算法。對(duì)于這一問(wèn)題,在實(shí)際應(yīng)用改進(jìn)柵格算法時(shí),可以在星點(diǎn)提取環(huán)節(jié)中采用多幀對(duì)比的方法濾除偽星點(diǎn)[15],以減小偽星對(duì)星圖識(shí)別算法識(shí)別率的影響。

圖9 偽星影響下的星圖識(shí)別率

4 結(jié)論

本文提出的結(jié)合角距特征的改進(jìn)柵格算法,通過(guò)引入星角距模式對(duì)柵格算法誤匹配的觀測(cè)星進(jìn)行再識(shí)別,解決了柵格算法識(shí)別率易受觀測(cè)星鄰域星點(diǎn)影響的問(wèn)題,主要結(jié)論如下:

1)改進(jìn)的柵格算法識(shí)別率可達(dá)98.88%,相較于傳統(tǒng)柵格算法的識(shí)別率提升了7.87%;

2)在考慮位置噪聲、缺失星和偽星等干擾條件下,算法識(shí)別率均高于原柵格算法且魯棒性更強(qiáng),體現(xiàn)出了很好的環(huán)境適應(yīng)性。

下一步將圍繞算法輕量化及高效性等方面進(jìn)行數(shù)據(jù)處理流程和參數(shù)優(yōu)化設(shè)計(jì),以適應(yīng)航空航天等平臺(tái)應(yīng)用的資源約束。