一种基于蜘蛛网模式和卷积神经网络的星图识别方法技术

本发明专利技术公开一种基于蜘蛛网模式和卷积神经网络的星图识别方法。包括：构建一种利用主星和伴星间相对位置关系和伴星间的角距关系并带有颜色信息的蜘蛛网模式星图，利用星表制作蜘蛛网模式星图的训练集和测试集，提出一种适用于蜘蛛网模式的卷积神经网络。采用本发明专利技术能在较大星点位置噪声和星等噪声情况下获得较高的正确识别率，并且当导航星点模式半径内的伴随星点较少时，保证得到匹配星点。

A method of star map recognition based on spider network pattern and convolution neural network

The invention discloses a star pattern recognition method based on the spider network pattern and the convolution neural network. Including: Construction of a star and the companion by relative positional relationship between the angular relationship and companion star and cobweb model with color information, training set and testing production of cobweb model using star catalog, for a spider web pattern of convolutional neural network. The present invention can get a high correct recognition rate under the situation of larger star position noise and magnitude noise, and ensure that the matching star points are ensured when the accompanying star points are less in the navigation star mode radius.

【技术实现步骤摘要】
一种基于蜘蛛网模式和卷积神经网络的星图识别方法
本专利技术涉及星图识别领域，具体涉及一种基于蜘蛛网模式和卷积神经网络的星图识别方法。
技术介绍
对星敏感器观测的星点图像进行识别，找出图像星点在全天球星库中对应的位置是星敏感器三大关键技术之一。星图识别的正确与否直接决定星敏感器能否正确输出航天器的姿态，星图识别的速度和鲁棒性也直接决定输出姿态的实时性和可靠性。目前星图识别算法大致可以分为两类：子图同构类算法和模式识别类算法。子图同构类算法把星点看作图的顶点，视场内星点之间的角距作为图的边，直接或者间接使用星对角距，以线段(角距)、三角形、四边形等作为基本的匹配元素，从天球数据库中寻找一个与观测星图相同的子图，把子图顶点对应的星点作为观测星点的匹配星点。星敏感器星点光斑的质心定位存在误差，会出现较多星库中的星对或者三角形与观测星对或者三角形相似的情况，即冗余匹配。冗余匹配的数量会随着观测子图被匹配而逐渐下降，最终得到唯一的匹配子图。这类算法对星点位置噪声、星等噪声比较敏感，并且星图中星点信息利用不足、天球数据库容量庞大。模式识别类算法主要利用一定模式半径内星点的相对分布，为单颗星点建立唯一的模式特征，通过从特征数据库中搜索最相似的模式，并把此模式对应的星点作为单颗星点的匹配星点，完成星图识别。这类算法的特征数据库通常会包含查找表，以便快速搜索最相似的模式。相对于其它星图识别算法而言，模式识别类算法的主要优点在于其特征数据库容量较小，能够快速搜索得到匹配星点。模式识别类算法需要观测星图中存在较多的星点才能建立独特的星点模式，因此当观测星图中星点数量较少时，模式识别类算法的性能会明显下降，并且模式识别类算法对位置噪声和假星比较敏感。
技术实现思路
本专利技术是一种基于蜘蛛网模式和卷积神经网络的星图识别方法，主要解决以下问题：能在较大星点位置噪声和星等噪声情况下有很好的鲁棒性，并且获得较高的识别率，视场内的伴星星点较少时，保证得到匹配星点，对于少量的假星依然可以获得较高的识别率。本专利技术采用的技术方案为：一种基于蜘蛛网模式和卷积神经网络的星图识别方法，该识别方法步骤如下：步骤一、针对目前模式识别类算法的问题，本专利技术提出了一种蜘蛛网模式星图，其构造过程如下：a)确定主星及模式半径，该主星的模式由模式半径所确定的邻域内的伴星所构成。b)将主星进行平移，使主星位于视场中央位置。c)依次将伴星与主星用白色线段连接，并计算相邻伴星间的角距。d)为增加不同主星的模式的区分度以及星图内信息，将相邻的伴星根据角距的大小用不同颜色的线段连接，主星与相邻的伴星的连线构成不同形状的蜘蛛网模式星图，如图1所示。本专利技术中的蜘蛛网模式星图的测试集和训练集，以及待识别的星图，均按照此步骤构造蜘蛛网模式星图。步骤二、构建蜘蛛网模式星图的训练集和测试集：训练集的构造：采用星表作为建立导航基准星点特征数据库的数据基础，选取亮度大于6Mv的星作为导航星，选取一定角度(4°～12°)的模式半径，除去视场中只有一颗星和两颗星的情况，再每隔一定角度(0°～60°)将星图旋转一次，每个角度的星图随机加入若干次(5～20)若干个(1～2)假星，按照步骤一的方法构造蜘蛛网模式星图，构成蜘蛛网模式星图的训练集。测试集的构造：因为星点的相对位置固定不变，主要的变换在于旋转和假星，为检测不同旋转角度下模型的识别精度，将导航星的星图每隔与训练集中的角度不同的任意角度旋转一次，每个角度的星图随机加入(3～10)若干次若干个(1～2)假星，按照步骤一的方法构造蜘蛛网模式星图，构成蜘蛛网模式星图的测试集。步骤三、构建一种适用于蜘蛛网模式的卷积神经网络模型：本专利技术针对蜘蛛网模式星图，提出了一种的8层卷积神经网络模型，蜘蛛网模型，该模型的网络结构如图2所示。蜘蛛网模型的前六层分别为卷积层与池化层交错而成，第七层和第八层为全连接层，最后一层为输出层。本专利技术在卷积层加入了batchnormalization以加快训练速度，每个卷积层加入激活函数，并在全连接层中用了dropout减少了模型的过拟合。并利用步骤二的训练集和测试集训练蜘蛛网模型，得到该模型内部的参数。步骤四、将星图中待识别的主星按照步骤一中的蜘蛛网模式构造星图，再将构造好的蜘蛛网模式星图利用步骤三中训练好的蜘蛛网模型进行识别，识别主星成功后，再利用角距信息识别出蜘蛛网模式星图中的伴星。本专利技术与现有技术相比，其优点和有益效果是：(1)本专利技术对位置噪声，星等噪声有很好的鲁棒性。(2)本专利技术对少量的假星有很好的鲁棒性。(3)本专利技术在视场内有少量星点时依然能保持较高的识别率。附图说明图1为蜘蛛网模式示意图。图2为蜘蛛网模型结构示意图。图3为位置噪声对识别率的影响。图4为星等噪声对识别率的影响。图5为星图正确识别率与视场星点数量的关系。图6为星图识别率与虚假星点的关系。具体实施方式下面结合附图及具体实施例对本专利技术再作进一步详细的说明。1.构造蜘蛛网模式，方法如下：a)确定主星及模式半径，该主星的模式由模式半径所确定的邻域内的伴星所构成。b)将主星进行平移，使主星位于视场中央位置。c)依次将伴星与主星用彩色线段连接，并计算相邻伴星间的角距。d)为增加不同主星的模式的区分度以及星图内信息，将相邻的伴星根据角距的大小用6种不同颜色的线段连接，角距对应的颜色如下表所示，主星与两颗相邻的伴星的连线组成不同形状的蜘蛛网模式星图，如图1所示。表1角距与线段颜色对应表角距/°0～22～44～66～88～1010～12颜色红绿蓝黄青紫对于相邻很近的两颗主星，两颗星的视场半径内同样有6颗伴星，如图1中星点A和星点B所示，如果未用线段连接，卷积神经网络会认为只是做了图像的平移，加入不同颜色的线段连接后，两颗待识别的主星的蜘蛛网模式星图有了明显的区分度。对于邻域伴星分布近似的两颗主星，如图1中星点C和星点D所示，如果未用线段连接，卷积神经网络会认为只是做了图像的缩放，根据不同角距，加入不同颜色的线段后，星点C和星点D的蜘蛛网模式星图有了明显的区分度。2.构造蜘蛛网模式的训练集和测试集训练集的构造：本专利技术采用Smithsonian宇航星表(SAO星表)，作为建立导航基准星点特征数据库的数据基础。选取亮度大于6Mv的星作为导航星，因为目前常用星敏感器的视场范围为8°～25°，所以模式半径的范围为视场的一半，即4°～12°，本实施方式中选取模式半径为6度，除去视场中只有一颗星和两颗星的情况，共有4051颗星。为增加模型的泛化能力，使每一颗主星的训练集包括尽量多的旋转角度，所以旋转角度范围选为：0°～60°，本实施方式中每隔30度将星图旋转一次，共有12个角度的星图，经大量实验表明，每个角度的星图的训练集在5幅到20幅之间训练精度最高，且模型收敛最快，本实施方式中每个角度的星图分别随机加入10次1～2个假星，由于模型需要对假星有鲁棒性，而假星数量的增加会影响训练精度，经大量实验表明，假星数量在1～2颗内识别精度最高，按照步骤1中的蜘蛛网模式构造星图，一个角度对应10幅训练星图，一颗星对应120幅训练星图，训练集总共有幅486120星图，4051类。测试集的构造：因为星点的相对位置固定不变，主要的变换在于旋转和假星，为检测不同旋转角度下模型的识别精度，为检测算法的本文档来自技高网...

【技术保护点】
一种基于蜘蛛网模式和卷积神经网络的星图识别方法，其特征在于：该识别方法步骤如下：步骤一、构建一种蜘蛛网模式星图，其构造如下：a)确定主星及模式半径，该主星的模式由模式半径所确定的邻域内的伴星所构成；b)将主星进行平移，使主星位于视场中央位置；c)依次将伴星与主星用彩色线段连接，并计算相邻伴星间的角距；d)为增加不同主星的模式的区分度以及星图内信息，将相邻的伴星根据角距的大小用不同颜色的线段连接，主星与相邻的伴星的连线构成不同形状的蜘蛛网模式星图；步骤二、构建蜘蛛网模式的训练集和测试集，其构造如下：训练集的构造：采用星表作为建立导航基准星点特征数据库的数据基础，选取亮度大于6Mv的星作为导航星，选取一定角度的模式半径，除去视场中只有一颗星和两颗星的情况，再每隔一定角度将星图旋转一次，每个角度的星图随机加入若干次若干个假星，按照步骤一的方法构造蜘蛛网模式星图，构成蜘蛛网模式星图的训练集；测试集的构造：因为星点的相对位置固定不变，主要的变换在于旋转和假星，为检测不同旋转角度下模型的识别精度，将导航星的星图每隔与训练集中的角度不同的任意角度旋转一次，每个角度的星图随机加入若干次若干个假星，按照步骤一的方法构造蜘蛛网模式星图，构成蜘蛛网模式星图的测试集；步骤三、构建一种适用于蜘蛛网模式的卷积神经网络模型，其构造如下：根据步骤二中的训练集和测试集，构建一种适用于蜘蛛网模式的卷积神经网络模型，即蜘蛛网模型，蜘蛛网模型的前六层为卷积层与池化层交错而成，第七层和第八层为全连接层，最后一层为输出层，在卷积层中加入了batch normalization以加快训练速度，每个卷积层加入激活函数，并在全连接层中用了dropout减少了模型的过拟合，并利用步骤二中的训练集和测试集训练蜘蛛网模型，得到该模型内部的参数；步骤四、将需要识别的星图中待识别的主星按照步骤一中的蜘蛛网模式构造星图，再将构造好的蜘蛛网模式星图利用步骤三中训练好的蜘蛛网模型进行识别，识别主星成功后，再利用角距信息识别出蜘蛛网模式星图中的伴星。...

【技术特征摘要】
1.一种基于蜘蛛网模式和卷积神经网络的星图识别方法，其特征在于：该识别方法步骤如下：步骤一、构建一种蜘蛛网模式星图，其构造如下：a)确定主星及模式半径，该主星的模式由模式半径所确定的邻域内的伴星所构成；b)将主星进行平移，使主星位于视场中央位置；c)依次将伴星与主星用彩色线段连接，并计算相邻伴星间的角距；d)为增加不同主星的模式的区分度以及星图内信息，将相邻的伴星根据角距的大小用不同颜色的线段连接，主星与相邻的伴星的连线构成不同形状的蜘蛛网模式星图；步骤二、构建蜘蛛网模式的训练集和测试集，其构造如下：训练集的构造：采用星表作为建立导航基准星点特征数据库的数据基础，选取亮度大于6Mv的星作为导航星，选取一定角度的模式半径，除去视场中只有一颗星和两颗星的情况，再每隔一定角度将星图旋转一次，每个角度的星图随机加入若干次若干个假星，按照步骤一的方法构造蜘蛛网模式星图，构成蜘蛛网模式星图的训练集；测试集的构造：因为星点的相对位置固定不变，主要的变换在于旋转和假星，为检测不同旋转角度下模型的识别精度，将导航星的星图每隔与训练集中的角度不同的任意角度旋转一次，每个角度的星图随机加入若干次若干个假星，按照步骤一的方法构造蜘蛛网模式星图，构成蜘蛛网模式星图的测试集；步骤三...

【专利技术属性】
技术研发人员：江洁，刘雷，张广军，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11