基于迁移学习的空间目标自主识别方法、电子设备和存储介质技术

本发明专利技术公开了一种基于迁移学习的空间目标自主识别方法、电子设备和存储介质，所述方法包括：实时获取若干帧未知空间目标的图像数据；根据若干帧前序时刻的所述未知空间目标的图像数据对当前时刻的所述未知空间目标的图像数据进行特征补偿，得到经所述特征补偿的当前时刻的未知空间目标特征图；对经所述特征补偿的当前时刻的未知空间目标特征图采用预先训练好的神经网络进行识别，得到识别结果。本发明专利技术解决了非合作空间目标先验信息缺失，所导致的样本数量和种类不够丰富的问题。

Autonomous recognition of spatial objects, electronic devices and storage media based on Transfer Learning

【技术实现步骤摘要】
基于迁移学习的空间目标自主识别方法、电子设备和存储介质
本专利技术涉及空间
，特别涉及一种基于迁移学习的空间目标自主识别方法、电子设备和存储介质。
技术介绍
空间目标航天器可分为合作目标与非合作目标。合作目标是指具备已知的目标图像库或三维模型库，或能够与追踪飞行器进行通信的目标飞行器；非合作目标是指客体航天器没有专门的用于对接的接口或识别标志器，在对其追踪、操控过程中不会主动为服务航天器提供相关信息。目前，对于空间合作目标的在轨操控技术已经相对成熟。然而对于空间非合作目标，对其在轨状态认知、抓捕对接、服务操作等均是世界难题。主要原因如下：(1)目标先验信息缺失、状态不稳定。非合作目标的外形尺寸、材质特性、动力学参数等均为未知状态。空间非合作目标可能处于姿态不稳定状态，如失效卫星可能绕某一轴高速旋转，翻滚速度可达数十度每秒。(2)杂散光干扰。相机镜头安装在航天器舱体外面，受到空间光场环境的干扰，包括阳光直射镜头以及星体相关装置、零部件的漫反射影响。目前通用的基于深度学习的目标识别方法需要巨量的、类别丰富的数据集作为支撑。然而由于航天任务的特殊性，非合作目标样本稀少，在轨验证成本过大。因此，需要通过基于深度迁移学习的空间非合作目标自主识别方法，减少神经网络训练过程中需要的样本数量，构建待识别目标独立于地面训练环境与空间测试环境的迁移模型，实现针对多种空间目标的普适性识别，为空间碎片清除、燃料加注和设备更换等在轨服务任务提供基础技术支撑。
技术实现思路
本专利技术的目的在于提供一种基于迁移学习的空间目标自主识别方法、电子设备和存储介质，可以有效解决非合作目标样本稀少，在轨验证成本过大、地面难以完全模拟空间实际环境的等问题，提升空间目标识别模型针对不同任务场景的自适应性，显著提高针对空间未知目标的识别准确率和成功率。为了解决以上问题，本专利技术通过以下技术方案实现：一种基于迁移学习的空间目标自主识别方法，包括：步骤S1、实时获取若干帧未知空间目标的图像数据。步骤S2、根据若干帧前序时刻的所述未知空间目标的图像数据对当前时刻的所述未知空间目标的图像数据进行特征补偿，得到经所述特征补偿的当前时刻的未知空间目标特征图。步骤S3、对经所述特征补偿的当前时刻的未知空间目标特征图采用预先训练好的神经网络进行识别，得到识别结果。进一步的，还包括步骤S4：对所述识别结果进行人工判别，得到判别结果；将所述判别结果与所述识别结果进行比较，若不一致，则存储所述判别结果并将其反馈至所述神经网络，以迭代训练所述神经网络。可选的，所述步骤S2包括：采用特征提取网络提取出与每帧所述未知空间目标的图像数据相对应的所述未知空间目标特征图。采用特征关联方法，将所述当前时刻的未知空间目标特征图与所述前序时刻的未知空间目标特征图进行关联，建立特征图之间的光流场。基于所述光流场将所述前序时刻的未知空间目标特征图进行特征变换。通过特征融合方法，将变换后的所述前序时刻的未知空间目标特征图的特征嵌入所述当前时刻的未知空间目标特征图中。得到所述经所述特征补偿的当前时刻的未知空间目标特征图。可选的，所述基于所述光流场将所述前序时刻的未知空间目标特征图进行特征变换的步骤包括：对未知空间目标位置、姿态和帆板展开状态的特征的变换。可选的，在执行所述步骤S1之前，需预先训练所述神经网络，所述预先训练所述神经网络的步骤包括：分别获取已知空间目标的图像数据集和未知空间目标的图像数据集；分别提取已知空间目标的图像数据集和未知空间目标的图像数据集的特征图数据集。将已知空间目标图像的图像数据集及其特征图数据集设为源域；将未知空间目标的图像数据集及其特征图数据集设为目标域，求解源域个体特征图至目标域个体特征图之间的转换矩阵。利用多个所述转换矩阵的加权叠加，生成所述源域至所述目标域的特征变换矩阵，通过所述特征变换矩阵将已知空间目标的特征与未知空间目标的特征进行关联。利用所述特征变换矩阵分别将所述源域和所述目标域的特征变换到相同的特征空间，提取所述源域与所述目标域中存在的共同特征。利用所述共同特征对应的共享参数去训练所述神经网络，使得所述神经网络将在所述源域中学习到的知识向所述目标域中迁移。可选的，所述已知空间目标特征图用于描述已知空间目标的三维几何特征、表面材质特征和纹理特征中的一种或多种；所述未知空间目标特征图用于描述未知空间目标的三维几何特征、表面材质特征和纹理特征中的一种或多种。另一方面，本专利技术还提供一种电子设备，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上文所述的方法。再一方面，本专利技术还提供一种可读存储介质，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现如上文所述的方法。本专利技术与现有技术相比，具有以下优点：本专利技术一种基于迁移学习的空间目标自主识别方法，包括：步骤S1、实时获取若干帧未知空间目标的图像数据；步骤S2、根据若干帧前序时刻的所述未知空间目标的图像数据对当前时刻的所述未知空间目标的图像数据进行特征补偿，得到经所述特征补偿的当前时刻的未知空间目标特征图；步骤S3、对经所述特征补偿的当前时刻的未知空间目标特征图采用预先训练好的神经网络进行识别，得到识别结果。由此可知，本专利技术解决了非合作空间目标(未知空间目标)先验信息缺失，所导致的样本数量和种类不够丰富的问题。针对多种类非合作空间目标的识别需求，提升了空间目标识别方法(模型)针对不同任务场景的自适应性。可实现针对多种在轨操控任务下的多类未知空间目标的普适性识别。本专利技术通过对所述识别结果进行人工判别，得到判别结果；将所述判别结果与所述识别结果进行比较，若不一致，则存储所述判别结果并将其反馈至所述神经网络，以迭代训练所述神经网络。由此可知，本专利技术构建了非合作空间目标样本独立于训练环境(地面)与测试环境(空间)的样本迁移模型，解决了地面训练样本相对单一和有限，难以完全模拟空间实际环境的问题，增强了复杂光照环境下识别的稳定性和鲁棒性。附图说明图1为本专利技术一实施例提供的一种基于迁移学习的空间目标自主识别方法的流程示意图；图2为本专利技术一实施例提供的一种基于迁移学习的空间目标自主识别方法中的已知空间目标与未知空间目标的关联特征获取的过程示意图；图3为本专利技术一实施例提供的一种基于迁移学习的空间目标自主识别方法中的目标不变特征补偿过程示意图。具体实施方式以下结合附图1～3和具体实施方式对本专利技术提出的一种基于迁移学习的空间目标自主识别方法、电子设备和存储介质作进一步详细说明。根据下面说明，本专利技术的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本专利技术实施方式的目的。为了使本专利技术的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本专利技术实施的本文档来自技高网...

【技术保护点】
1.一种基于迁移学习的空间目标自主识别方法，其特征在于，包括：/n步骤S1、实时获取若干帧未知空间目标的图像数据；/n步骤S2、根据若干帧前序时刻的所述未知空间目标的图像数据对当前时刻的所述未知空间目标的图像数据进行特征补偿，得到经所述特征补偿的当前时刻的未知空间目标特征图；/n步骤S3、对经所述特征补偿的当前时刻的未知空间目标特征图采用预先训练好的神经网络进行识别，得到识别结果。/n

【技术特征摘要】
1.一种基于迁移学习的空间目标自主识别方法，其特征在于，包括：
步骤S1、实时获取若干帧未知空间目标的图像数据；
步骤S2、根据若干帧前序时刻的所述未知空间目标的图像数据对当前时刻的所述未知空间目标的图像数据进行特征补偿，得到经所述特征补偿的当前时刻的未知空间目标特征图；
步骤S3、对经所述特征补偿的当前时刻的未知空间目标特征图采用预先训练好的神经网络进行识别，得到识别结果。


2.如权利要求1所述的基于迁移学习的空间目标自主识别方法，其特征在于，还包括步骤S4：对所述识别结果进行人工判别，得到判别结果；
将所述判别结果与所述识别结果进行比较，若不一致，则存储所述判别结果并将其反馈至所述神经网络，以迭代训练所述神经网络。


3.如权利要求2所述的基于迁移学习的空间目标自主识别方法，其特征在于，所述步骤S2包括：
采用特征提取网络提取出与每帧所述未知空间目标的图像数据相对应的所述未知空间目标特征图；
采用特征关联方法，将所述当前时刻的未知空间目标特征图与所述前序时刻的未知空间目标特征图进行关联，建立特征图之间的光流场；
基于所述光流场将所述前序时刻的未知空间目标特征图进行特征变换；
通过特征融合方法，将变换后的所述前序时刻的未知空间目标特征图的特征嵌入所述当前时刻的未知空间目标特征图中；
得到所述经所述特征补偿的当前时刻的未知空间目标特征图。


4.如权利要求3所述的基于迁移学习的空间目标自主识别方法，其特征在于，所述基于所述光流场将所述前序时刻的未知空间目标特征图进行特征变换的步骤包括：对未知空间目标位置、姿态和帆板展开状态的特征的变换。

...

【专利技术属性】
技术研发人员：梁彦，孙俊，陈赟，刘珊珊，韩飞，
申请(专利权)人：上海航天控制技术研究所，
类型：发明
国别省市：上海;31