一种融合深度学习与弧段组合的卫星对接环识别方法与流程

本发明涉及空间智能操控领域，具体涉及一种融合深度学习与弧段组合的卫星对接环识别方法。

背景技术：

1、椭圆检测是计算机视觉领域的热点问题，基于椭圆特征的视觉导航已经成为航天器、行星探测器等空间飞行器执行交汇对接、行星软着陆等空间探测任务过程中的一种重要自主导航方式，其位姿计算精度高度依赖于导航图像中椭圆检测和拟合的精度。

2、目前，椭圆检测主要有3种成熟的方法，基于椭圆点投票或拟合的检测方法、基于弧段组合的椭圆检测方法和深度学习方法。霍夫变换是最早用于椭圆检测的方法，它主要包括标准霍夫变换方法、随机霍夫变换方、概率霍夫随机变换方法pht、迭代式等，与标准的sht相比，基于sht的改进方法均试图降低对内存空间需要，但无法彻底克服这个问题，并且，这些算法的检测精度会随着图像中椭圆数量的增加而急剧下降。基于弧段组合的椭圆检测算法不再以像素为基本处理单元，而是通过对椭圆弧段整体的几何特征分析实现椭圆检测，其中，椭圆弧段属于椭圆边缘的一部分，包含多个连续的像素点。所以，基于弧段特征的椭圆检测算法通常具有较高的精度和鲁棒性，并且不需要处理高维的参数空间，极大的削弱了算法对内存空间的需求。基于弧段组合的椭圆检测方法通常引入弧段的几何约束,以减少候选弧的数量进而提高椭圆检测的速度。此外，在凸包约束的基础上将弧段建模为有向图，或者引入二次曲线约束筛选椭圆弧的组合，使椭圆检测效率有了大幅提升。基于深度学习的椭圆检测方法，其用mask r-cnn和u-net处理图像并获得特征图谱，然后使用2个分支分别判定椭圆区域和回归椭圆的5个参数。

3、空间导航图像除了具有普通光学图像的通用特点外，还具有自己独特的特点：由于太空光照条件恶劣、背景噪声严重，飞行器、陨石坑等空间目标的环形边缘会出现严重的断裂，导致这些导航图像中的椭圆边缘不完整并存在干扰噪声点和毛刺点，这使得导航图像椭圆检测困难较大。此外，航天器可能处于自旋运动状态，尺度变化明显。面向空间飞行器视觉导航的椭圆检测算法必须能够有效处理椭圆边缘被分割为多段的情况，并能够解决干扰像素点多、椭圆弧段不清晰等问题。

技术实现思路

1、本发明的目的是解决现有技术中导航图像椭圆检测困难较大的技术问题。

2、为了达到上述目的，本发明提供了一种融合深度学习与弧段组合的卫星对接环识别方法，包含以下步骤：

3、步骤s1，自作航天器对接环的数据集，改进yolov3的darknet-53网络结构，将darknet-53网络11层、28层、36层、81层进行融合，将其余darknet-53主干网络使用shufflenet进行轻量化重改，使用航天器对接环的数据集训练改进后的yolov3网络；

4、步骤s2，将含有对接环的航天器图像输入到yolov3网络进行对接环的二维检测框定位，将对接环的二维检测框定义为活跃集b，将此活跃集裁剪出来，计算活跃集区域的二维信息熵，将所述二维信息熵的值作为canny检测算子的边长阈值th，舍去长度小于th的边；

5、步骤s3，使用douglas-poiker算法将边拟合成弧段，使用特征数去除曲率过于直、长度较小的弧段；

6、步骤s4，使用椭圆的凹凸性和平滑性检验一弧段的任意6个交点是否存在断点，若存在断点，则删除断点后的弧段，保留断点前的弧段；

7、步骤s5，依据canny算子检测边缘的梯度将所有弧段分类到四个象限，属于同一象限的弧段首尾直接连接，属于不同象限的弧段使用连接矩阵判断是否形成一个椭圆；

8、步骤s6，使用帕斯卡定理的椭圆内接六边形检验椭圆的完整性，椭圆内接六边形中，六个顶点的连线将与椭圆的中心线相交于3个点，利用这个3个点的特征数是否等于-1的性质判断椭圆完整性；其中，若3个点的特征数等于-1，则所提取的对接环完整，若3个点的特征数不等于-1，则所提取的对接环椭圆特征存在虚假。

9、较佳地，所述步骤s1包含以下步骤：

10、步骤s1.1，通过数学仿真和半物理两种方式采集航天器图像，将图像缩放为3通道长宽均为416的统一形式；

11、步骤s1.2，对航天器的对接环，使用标签工具为每张图像赋予二维边界框；

12、步骤s1.3，改进yolov3的darknet-53网络结构，将darknet-53网络11层、28层、36层、81层进行融合，将其余darknet-53主干网络使用shufflenet进行轻量化重改，使用航天器对接环的数据集训练改进后的yolov3网络；

13、较佳地，所述步骤s2包含以下步骤：

14、步骤s2.1，将含有对接环的航天器图像输入到yolov3网络进行对接环的二维检测框定位；

15、步骤s2.2，将对接环的二维检测框定义为活跃集b；

16、步骤s2.3，将此活跃集裁剪出来，计算活跃集区域的二维信息熵其中l∈[0,255]表示经过11×11滤波后的匹配对，m，n分别表示二维检测框的长和宽；将所述二维信息熵的值作为canny检测算子的边长阈值th＝h，舍去长度小于th的边。

17、较佳地，所述步骤s3包含以下步骤：

18、步骤s3.1，使用douglas-poiker算法将相邻的直线连接，组成弧段；

19、步骤s3.2，使用特征数去除曲率过于直的弧段，对于弧段，es，em，ee分别表示共线的三个点，若es，em，ee满足

20、

21、其中，p＝{p1,p2,p3}表示三条两两相交的直线，e＝{es，em，ee}，

22、表示系数，若cn(p,ei)＝-1则表示曲率过于直，需要删除；

23、步骤s3.3，使用特征数去弧段长度较小的弧段，若es，em，ee满足

24、(cn(p,e)/τ)≤tcn；则表示曲率过于小，需要删除；τ表示弧段的长度，tcn为阈值，p＝{p1,p2,p3}表示三条两两相交的直线，e＝{es，em，ee}，表示系数。

25、较佳地，所述步骤s4包含以下步骤：

26、步骤s4.1，将弧段表示为有一系列直线段组成，计算相邻直线的夹角，定义弧段sk可以表示为{ak|k＝1,2,...,n}，其中ak两条直线的交点，vk＝ak+1-ak两个交点间的直线，两条直线间的夹角定义为{θi|i＝1,2,...,n-1,θi∈(-π,π)}，θi表示顺时针从vk到vk+1的夹角，n弧段数量；

27、步骤s4.2，检验一段弧是否存在6个交点，若交点小于6，则删除此弧段，若大于6个交点，则执行后续步骤；

28、步骤s4.3，使用椭圆的凹凸性和平滑性检验一弧段是否存在断点，若存在断点，则删除断点后的弧段，保留断点前的弧段；凹凸性定义为sign(θi)＝sign(θi+1)，平滑性定义为|θi|＜θarc，其中θarc表示阈值。

29、较佳地，所述步骤s5包含以下步骤：

30、步骤s5.1，依据canny算子检测边缘的梯度(xi,yi)将段分类到四个象限，其中xi表示x方向梯度，yi表示y方向梯度，第一象限内的弧段，其梯度满足第四象限内的弧段，其梯度满足

31、步骤s5.2，定义连接矩阵为对称矩阵cm，矩阵的元素属于cmi,j∈{-1,1}，对于任意弧段表示的正数第i个节点，表示的倒数第i个节点，定义表示到的距离，定义弧段首尾的距离，如果d(i,j)＜d(i,i)，则表示与相连，因此，对于cm中的元素，若cmi,j＝-1表示不相连且不属于同一个椭圆，若cmi,j＝-1表示是相连的；

32、步骤s5.3，若属于同一象限，则临近弧段首与尾直接连接，属于不同象限的弧段使用连接矩阵判断是否形成一个椭圆。

33、较佳地，所述步骤s6包含以下步骤：

34、步骤s6.1，对所检测的椭圆内部找到一个内接六边形；

35、步骤s6.2，将六边形的顶点定义为a0、b0、c0、d0、e0、f0；

36、步骤s6.3，使a0e0、b0d0相交于m1，a0f0、c0d0相交于m2，b0f0、c0e0相交于m3；

37、步骤s6.4，利用m1、m2、m3这个3个点的特征数是否等于-1的性质判断椭圆完整性；若3个点的特征数等于-1，则所提取的对接环完整；若3个交点的特征数不等于-1，则所提取的对接环椭圆特征存在虚假。

38、相较于现有技术，本发明至少具有以下有益效果：

39、仿真工具与半物理方式制作对接环的数据集，增强了数据集的多样性，减少了深度学习训练过程中的过拟合问题，在深度学习检测过程中，改进了yolov3网络结构，提高了航天器组件时存在准确率低和漏检概率高的问题；本发明精简了yolov3网络结构，使其轻量化，改进的yolov3网络的感受野越大，使其对小目标敏感；将二维检测框提取后，作为活跃集用于后续弧段检测，提高了计算效率，降低了图像参与运动的复杂度，基于活跃集的二维信息熵作为阈值，提高了canny算子在复杂光照环境的适应性，此外减少了噪声、短边对算法的干扰；基于特征数的弧段约简，降低了直弧和短弧，提高了后续弧段拟合的效率；本发明采用象限划分弧段的方法，提高了同一象限内弧段连接的快速性，基于连接矩阵判断相邻弧段的连接性，更加直接。基于六边形顶点验证椭圆，属于几何验证，具有快速性。本发明充分利用了深度学习检测方法的快速性和基于弧段方法的鲁棒性，属于由粗到细的两阶段检测方法，也具有可移植性的优势。