针对天基序列星图配准存在的效率和精度问题, 提出了一种天基序列星图高精度在轨实时配准方法。对基准图和待配准图进行分块, 通过预设搜索框的方式, 采用归一化相关系数匹配法, 获得整像素精度的子图匹配结果; 对该结果的小邻域进行二次曲面拟合, 获得亚像素精度的匹配对点; 使用单应变换模型求解星图的变换关系, 完成单帧星图的配准; 使用基于末帧的窗口滑动方式, 实现序列星图的连续实时配准。实验结果表明, 所提方法可以避免恒星质心提取误差和天基平台长时间运动对配准精度造成的影响, 相比标准的块匹配, 对于16位4096×4096的真实天基星图, 所提方法的子图匹配计算效率提升98.7%, 配准时间缩短了89.0%, 单帧配准的峰值信噪比平均提升了将近0.20; 所提序列星图的连续配准方式, 速度达到了0.040秒/帧, 配准结果的峰值信噪比为6.765, 能满足高精度和高实时性要求, 通过适当移植优化有望应用于后续的天基平台的弱小目标检测。

对星图识别算法的应用背景进行介绍, 就其优势进行了简述。重点对目前主流的三类星图识别算法进行了综述, 介绍了子图同构类算法、模式识别类算法以及人工智能类算法, 并进行了分析和比较;对星图识别算法研究的评估进行了说明;对星图识别算法的未来发展进行了展望, 提到了非可见光条件下的星图识别、高动态复杂环境下的星图识别和考虑气动光学效应的星图识别等相关未来的研究重点。

为了解决脉冲星识别研究局限在常规分类算法的视野中而缺乏针对性的问题, 文章针对脉冲星数据集的特点, 挖掘其内在特征与其他研究领域的关联性, 发现了脉冲星数据与长尾分布之间存在的联系, 探求脉冲星数据与长尾分布的特征一致性, 首次将脉冲星数据分布看作长尾分布的一种特例。并从长尾视觉识别视角中的优化训练策略角度出发, 提出了一种基于解耦训练策略的脉冲星识别算法。算法采用解耦训练策略, 在操作上简捷高效, 具备更强的可移植性。经过数据集的验证, 算法能有效改善决策边界, 在HTRU_bands和HTRU_ints数据集的召回率相较于对比方法分别提升了11.8%和13%, 是一种性价比较高的有效识别算法。