1 中国科学院光场调控科学技术全国重点实验室,成都 610209
2 中国科学院空间光电精密测量技术重点实验室,成都 610209
3 中国科学院光电技术研究所,成都 610209
4 中国科学院大学 电子电气与通信工程学院,北京 100049
5 空军装备部驻成都地区第五军事代表室,成都 610042
星敏感器在太空作业时,易受到太阳光、月光和地气光等杂光的干扰,导致拍摄的星图灰度整体升高,背景均匀性较差,难以准确提取到星点坐标。针对上述问题并结合现有算法提出了一种复合型背景估计的杂光干扰下星图处理算法。首先,星点具有经点扩散成像后尺寸为直径3×3至7×7的特征,设计相应的背景估计模板,最后为提高算法鲁棒性,提高局部信息的利用率,再设计一个像素估计模板,两个估计模板同时计算后处理数据实现阈值分割;最后进行星点质心计算。通过试验证明该方法可以较好地抵抗杂光干扰,提高杂光背景下星点提取的精度。
星敏感器 星点提取 背景估计 star sensor star extraction background estimation
1 中国科学院光电技术研究所, 成都 610209
2 中国科学院大学, 北京 100049
3 中国科学院空间光电精密测量技术重点实验室, 成都 610209
针对在DSP中实现全天区星图识别算法耗时长导致实时性差, 提出并实现了一种基于FPGA的星辐射模式下的全天区星图识别算法。该方法利用FPGA并行性、高主频等特性, 在保证算法高精度、高准确度的前提下, 解决了全天区星图识别耗时长的问题。首先, 根据星点信息构建星辐射模式; 其次, 基于FPGA实现了星辐射模式下对应特征向量的计算; 最后, 提出了一种可预读、流水化的星辐射模式匹配算法, 极大地缩短了星辐射模式匹配的时间。在Xilinx公司的Xc7a75tfgg484-2平台上进行实验验证, 结果表明, 在相同时钟主频下, 基于FPGA的星图识别算法速度比基于DSP的算法速度快10.95倍以上, 而且在使用三组特征向量同时进行匹配时, 识别率超过99%。
星图识别 全天区 星辐射模式 star identification all-sky regions FPGA FPGA star radiation pattern
曾思康 1,2,3,*赵汝进 1,2,3马跃博 1,2,3朱自发 1,2,3[ ... ]朱梓建 1,2,3
1 中国科学院光电技术研究所,成都 610209
2 中国科学院大学,北京 100049
3 中国科学院空间光电精密测量技术重点实验室,成都 610209
针对传统帧模式星敏感器在高动态()下星点质心提取精度低或提取失败的问题,提出一种基于事件的高动态星敏感器星点提取方法。该方法基于事件相机低延迟、高时间分辨率的特性,解决了高动态条件下的运动模糊问题。首先,提出基于时空密度的噪声去除方法,针对事件流进行降噪处理,平均去噪精度在0.85以上,提高了事件信噪比。其次,提出基于均值漂移的星点定位方法,计算星点事件簇的中心作为星点质心。最后,通过不同条件下的仿真实验,验证了所提去噪方法的有效性和鲁棒性,且角速度达到时,仍可完成星点提取,角速度在3~时,平均质心误差小于0.04 pixel,角速度达到时,平均质心误差小于0.1 pixel。
星敏感器 事件相机 质心提取 高动态 时空密度 均值漂移 Star sensor Event camera Centroid extraction High dynamics Spatiotemporal density Mean shift
侯娅贤 1,2,3赵汝进 1,2,3马跃博 1,2,3何隆东 1,2,3朱自发 1,2,3
1 中国科学院光电技术研究所, 成都60209
2 中国科学院大学, 北京100049
3 中国科学院空间光电精密测量技术重点实验室, 成都610209
为了提高高动态环境下星敏感器的质心提取精度,提出了一种基于自适应滤波的在轨校正方法。该方法能够适应角速度变化的星敏感器,自适应的调整校正矩阵。使用提出的基于时空相关性的噪声估计滤波器跟随星点窗口实时更新校正矩阵,对星点准确校正。与传统地面校正方法相比,本文方法不仅减少了成本,且实时更新校正矩阵,校正更加可靠。通过实验验证了所提算法在高动态下对星敏感器校正的有效性,与现有只能低速星敏感器(≤0.1°/s)的在轨校正方法相比,本文方法能适应更大范围的角速度(0~3°/s),准确的校正高动态星敏感器,提高质心提取精度,对提高星敏感器的动态性能具有指导意义。
星敏感器 有源像素传感器 背景噪声 质心提取 高动态 Star sensor Active pixel sensor Background noise Centroid extraction High dynamic
红外与激光工程
2020, 49(5): 20190462
1 兰州交通大学电子与信息工程学院, 甘肃 兰州 730070
2 中国科学院光电技术研究所, 四川 成都 610209
在目标遮挡、光线变化等复杂的跟踪环境下,现有相关滤波跟踪算法无法对目标进行长时间实时稳定跟踪。提出一种基于模型更新与快速重检测的长时跟踪算法。首先,在现有的目标定位与尺度变化的相关滤波跟踪算法基础上搭建长时目标跟踪的框架,提出加入模型监测更新机制,根据最大响应和平均峰响应相关能量值判别进入更新或重检测环节;然后,基于提取描述子特征的重检测方法,将提取特征的比特维数统一降到512进行优化,加快重检测速率。所提算法选取OTB-100中20个有代表性的序列进行测试,成功率评估均值为0.706,精确度评估均值为0.805,平均速度为48.5 frame/s;在自采集的数据集上平均准确率能达到87.65%,能够在尺度变化、遮挡等复杂情况下满足长时跟踪的准确性和实时性要求。
机器视觉 目标跟踪 相关滤波 模型更新 在线重检测
1 中国科学院 光电技术研究所,四川 成都 610209
2 中国科学院大学, 北京 100190
针对基础矩阵估计过程中因受野值影响导致估计精度下降和稳定性不高等问题,本文提出了一种新的快速鲁棒的基础矩阵估计方法。该方法首先将野值去除融入到计算基础矩阵的过程中,而不再将它作为一个独立的处理步骤。通过迭代将潜在的错误对应点剔除,从而实现基础矩阵的稳定估计。然后,在每次迭代过程中,采用对极几何误差准则来识别野值,同时获得基础矩阵的估计结果。该迭代过程收敛较快,即使存在大量匹配野值的情况下,计算值也会很快趋于稳定。仿真和实际实验结果一致表明:所提出的算法在保证类似估计精度的同时还在计算效率方面有极大地提升,相比较快的M估计法有30%以上的速度提升,而相比于估计精度较优的MAPSAC算法甚至达到4倍以上。
计算机视觉 基础矩阵 对极几何 鲁棒性 computer vision fundamental matrix epipolar geometry robustness