为实现大面阵CCD航拍图像准确快速匹配, 提出一种局部多特征哈希学习LMFH(local multi-feature hashing)方法。依据航向重叠率构建预测区域, 在预测区域内检测特征点并进行多特征描述, 以现有上万幅航拍图像为训练样本, 通过哈希函数将高维的特征描述向量映射为紧凑的二进制哈希编码, 在汉明空间通过汉明距离实现特征点的快速匹配。实验结果表明, 相对于SURF算子, LMFH算法在准确度上提高了10%, 匹配时间上减少了0.2 s。LMFH算法可更快更准确地实现CCD航拍图像的匹配。

针对传统的基于径向特征的星图识别算法在构建星模式的过程中由于位置噪声的干扰导致识别率较低的问题, 本文提出一种添加补偿码的快速径向伴星星图识别算法。该算法以比特向量的形式构建基于径向特征的特征向量, 同时将伴星间的角距信息以及位置噪声的补偿信息添加到特征向量中, 从而有效地减小了特征库的容量, 提高了星图识别算法的稳定性和识别率。最后本文根据比特向量的特点采用最小相似差方法快速完成观测星与导航星之间的初匹配, 再根据同一视场内星点位置信息的相关性完成对观测星的唯一识别。实验仿真结果表明, 在位置噪声为0.5像素的情况下星图识别成功率达到97.8%; 在星等噪声为0.8 Mv的情况下星图识别成功率达到96.4%; 当以真实星图为实验对象时, 星图识别的成功率达到94.2%。与传统的三角形算法以及未添加补偿码的径向特征星图识别算法相比, 本文算法在识别成功率和识别时间上均有着不同程度的提高。