一种基于图注意力网络的星图识别方法

本发明涉及星图识别领域，特别是涉及一种基于图注意力网络的星图识别方法。

背景技术：

1、在通信、对地观测、空间探测、天体导航等航天器任务中都需要姿态信息，星敏感器是一种用于确定航天器姿态的精密装置，通过星图识别技术对星点进行识别匹配，根据其在星图上的坐标和天球坐标计算拍摄时刻星敏感器的姿态，进而根据星敏感器的安装角计算卫星姿态，是目前应用最广泛的天体导航仪器。星图识别是星敏感器工作过程中最重要的过程之一，星图识别的准确度、实时性和鲁棒性也直接影响航天器的导航定位。目前，实现星图识别的算法有子图同构类算法和模式识别类算法等。

2、子图同构类算法倾向于将星图识别作为子图同构的一个实例，将拍摄到的星图视为全天星图的一个子图，直接或间接使用星间角距进行匹配，最具代表性的算法是三角形算法和金字塔算法。子图同构类算法易于实现，但特征维度低，依赖高精度的角距信息，在特征选择过程中筛选的特征较多，运行速度慢，对位置噪声和假星比较敏感。模式识别类算法是另一类恒星识别算法，它将主恒星及其邻近恒星的几何分布作为恒星模式，并以此来区分主恒星与其他恒星，最具代表性的算法是网格算法。网格算法在存在位置噪声的情况下表现良好，并且拥有较小的数据库，可缩短搜索的时间，但容易受到视场中的星等噪声、缺星和假星的影响，对星图中恒星的数目也有较高的敏感性，如果星点数量少，会明显影响算法的性能。

3、需要说明的是，在上述背景技术部分公开的信息仅用于对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本发明的主要目的在于克服上述背景技术的缺陷，提供一种基于图注意力网络的星图识别方法。

2、为实现上述目的，本发明采用以下技术方案：

3、一种基于图注意力网络的星图识别方法，包括：

4、将待识别星图中的每个星点视为一个图节点，提取星图的拓扑图数据，其中，所述拓扑图数据包括星图中所有星点的特征构成的特征矩阵，以及用于表征星图中的星点之间的连接关系及权重的邻接矩阵；

5、将所述拓扑图数据输入经训练的图注意力网络，通过所述图注意力网络识别星图中的主星；其中，所述图注意力网络包含基于掩膜图注意力机制的图注意力层，所述特征矩阵和所述邻接矩阵输入所述图注意力层后，使用通过掩膜图注意力机制计算得到的自注意力指标矩阵，对所述邻接矩阵进行掩膜处理得到注意力矩阵，以所述注意力矩阵代替所述邻接矩阵，通过所述注意力矩阵实现对每个星点特征之间的消息聚合。

6、进一步地：

7、所述提取星图的拓扑图数据包括：对星图中的每个星点的位置坐标和星等进行联合编码，形成每个星点的特征描述，作为拓扑图结构中节点的特征，所有节点的特征构成所述特征矩阵。

8、所述联合编码为极坐标编码、哈希编码或通过神经网络进行深度特征融合的编码。

9、所述提取星图的拓扑图数据包括：将每个星点与其他所有星点相连，构建全连接无向图；根据星间角距定义所述全连接无向图中的边的权重，使用最小生成树算法对拓扑图进行简化，获得所述邻接矩阵。

10、定义边的权重为星间角距的倒数，并按照所述邻接矩阵的行进行归一化处理。

11、所述图注意力网络包含依次连接的两个图注意力层、全局特征层、全连接层和输出层；其中，所述两个图注意力层均通过所述掩膜图注意力机制得到所述注意力矩阵，对所有节点的特征进行消息聚合，使每个节点的特征受到其相邻节点特征的影响；所述全局特征层对星图中所有星点的特征根据星等进行加权平均，作为星图的全局特征输入所述全连接层进行匹配识别，由所述输出层输出识别出主星的置信度。

12、所述图注意力层通过如下公式求解出节点之间的注意力系数：

13、

14、其中，为节点i与节点j的注意力系数，为节点的特征，w为可学习的特征映射矩阵，为注意力核，双竖线“”表示向量的粘合，为激活函数；

15、根据上式求解注意力系数，得到所述自注意力指标矩阵；

16、使用所述自注意力指标矩阵，通过如下公式对所述邻接矩阵进行掩膜过滤和归一化处理，以获得注意力矩阵：

17、

18、其中，为节点聚合后的特征向量，求和符号表示对所有与节点 i 相连的节点 j 进行聚合。

19、在对待识别星图进行识别时，先对星图进行图像预处理，得到星点在图像上的特征，并优先选择靠近图像几何中心的星点作为待识别的主星，将图像进行平移变换，使所述主星作为坐标原点，提取星图的拓扑图数据，输入所述图注意力网络进行识别，如果识别成功，则输出主星的匹配结果，否则选择星图中的其他星点作为主星继续识别。

20、在使用星图训练数据训练所述图注意力网络时，对星图中的导航星及其伴星施加星等噪声和位置噪声，并加入若干颗假星。

21、一种计算机可读存储介质，存储有计算机程序，所述计算机程序由处理器执行时，实现所述的基于图注意力网络的星图识别方法。

22、本发明具有如下有益效果：

23、本发明提供一种基于图注意力网络的星图识别方法，针对星点之间存在很强的拓扑位置关系，将图注意力网络引入星图识别，对星图提取图结构信息，引入掩膜图注意力机制并利用具有消息聚合特点的图注意力网络进行分类，相比传统方法，本发明能够在较大的位置噪声和星等噪声的情况下具有很好的鲁棒性和识别准确率，视场内星点较少时也能够稳定匹配，对于少量假星依然可以获得较高的识别率。

24、在星图识别这个场景下，星点之间存在很强的拓扑位置关系，本发明创新地将图神经网络与星图识别算法结合起来，将每个星点视为一个图节点，能够构建出唯一（在一个给定的无向图中，最小生成树是唯一的）的类型图结构，由此转化为图识别问题，并利用本发明的图神经网络有效解决了星图识别问题。

25、本发明采用图注意力网络作为图神经网络，引入掩膜图注意力机制，使模型能够自动关注星图中重要的星点和连接，有助于提高模型对关键信息的捕获能力，同时减弱对噪声和干扰的敏感性，提升星图识别的鲁棒性。

26、在优选方案中，本发明在星点特征构建上结合了恒星的坐标和亮度（星等）信息。在全局特征构建方面，本发明模拟人眼对亮星关注度高的这一生理特点，采用了基于星等的加权平均法。本发明充分利用了星图的位置和亮度信息，增加特征的维度和可区分性，提高了星图识别的准确率。

27、本发明实施例中的其他有益效果将在下文中进一步述及。

技术特征：

1.一种基于图注意力网络的星图识别方法，其特征在于，包括：

2.如权利要求1所述的基于图注意力网络的星图识别方法，其特征在于，所述提取星图的拓扑图数据包括：对星图中的每个星点的位置坐标和星等进行联合编码，形成每个星点的特征描述，作为拓扑图结构中节点的特征，所有节点的特征构成所述特征矩阵。

3.如权利要求2所述的基于图注意力网络的星图识别方法，其特征在于，所述联合编码为极坐标编码、哈希编码或通过神经网络进行深度特征融合的编码。

4.如权利要求1所述的基于图注意力网络的星图识别方法，其特征在于，所述提取星图的拓扑图数据包括：将每个星点与其他所有星点相连，构建全连接无向图；根据星间角距定义所述全连接无向图中的边的权重，使用最小生成树算法对拓扑图进行简化，获得所述邻接矩阵。

5.如权利要求4所述的基于图注意力网络的星图识别方法，其特征在于，定义边的权重为星间角距的倒数，并按照所述邻接矩阵的行进行归一化处理。

6.如权利要求1至5任一项所述的基于图注意力网络的星图识别方法，其特征在于，所述图注意力网络包含依次连接的两个图注意力层、全局特征层、全连接层和输出层；其中，所述两个图注意力层均通过所述掩膜图注意力机制得到所述注意力矩阵，对所有节点的特征进行消息聚合，使每个节点的特征受到其相邻节点特征的影响；所述全局特征层对星图中所有星点的特征根据星等进行加权平均，作为星图的全局特征输入所述全连接层进行匹配识别，由所述输出层输出识别出主星的置信度。

7.如权利要求1至5任一项所述的基于图注意力网络的星图识别方法，其特征在于，所述图注意力层通过如下公式求解出节点之间的注意力系数：

8.如权利要求1至5任一项所述的基于图注意力网络的星图识别方法，其特征在于，在对待识别星图进行识别时，先对星图进行图像预处理，得到星点在图像上的特征，并优先选择靠近图像几何中心的星点作为待识别的主星，将图像进行平移变换，使所述主星作为坐标原点，提取星图的拓扑图数据，输入所述图注意力网络进行识别，如果识别成功，则输出主星的匹配结果，否则选择星图中的其他星点作为主星继续识别。

9.如权利要求1至5任一项所述的基于图注意力网络的星图识别方法，其特征在于，在使用星图训练数据训练所述图注意力网络时，对星图中的导航星及其伴星施加星等噪声和位置噪声，并加入若干颗假星。

10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序由处理器执行时，实现如权利要求1至9任一项所述的基于图注意力网络的星图识别方法。

技术总结
一种基于图注意力网络的星图识别方法，包括：将待识别星图中的每个星点视为一个图节点，提取星图的拓扑图数据，拓扑图数据包括星图中所有星点的特征构成的特征矩阵，以及用于表征星图中的星点之间的连接关系及权重的邻接矩阵；将拓扑图数据输入经训练的图注意力网络，通过图注意力网络识别星图中的主星；图注意力网络包含基于掩膜图注意力机制的图注意力层，特征矩阵和邻接矩阵输入图注意力层后，使用通过掩膜图注意力机制计算得到的自注意力指标矩阵，对邻接矩阵进行掩膜处理得到注意力矩阵，以注意力矩阵代替邻接矩阵，实现对每个星点特征之间的消息聚合。该星图识别方法具有很好的鲁棒性和识别准确率，视场内星点较少时也能够稳定匹配。

技术研发人员：陈波,孟欣,张亚民,魏小峰,王一
受保护的技术使用者：哈尔滨工业大学（深圳）（哈尔滨工业大学深圳科技创新研究院）
技术研发日：
技术公布日：2024/3/21