一种基于深度学习的空间非合作目标相对位姿估计方法技术

本发明专利技术公开了一种基于深度学习的空间非合作目标相对位姿估计方法，包括步骤：利用软件制作非合作目标的数据集，并扩充数据集；设计基于卷积神经网络的目标检测网络，判断是否为非合作目标，并且检测出非合作目标周围的2D边界框；围绕2D边界框分割非合作目标，基于基尔霍夫寻找非合作目标的中心，估计非合作目标中心到相机的深度，结合深度值将2D像素坐标转换为3D坐标；设计关键点提取网络，提取非合作目标的角点和三轴端点等关键点，从关键点回归得到旋转四元数表示旋转；通过迭代优化微调估计的相对位姿。本发明专利技术能够处理重度遮挡、传感器噪声、物体对称时估计精度较低等情况，同时还能满足实时的速度要求。

【技术实现步骤摘要】
一种基于深度学习的空间非合作目标相对位姿估计方法
本专利技术属于航天器导航领域，特别涉及一种基于深度学习的空间非合作目标相对位姿估计方法。
技术介绍
姿态确定是在拥有星敏感器和陀螺的情况下对本体进行定姿，而目前面临的多是失效航天器维护和失控航天器抓捕等任务，所针对的研究对象是空间非合作目标。这类空间非合作目标往往在空间失控快速翻滚，因而需要在外形特征未知、无应答、无标识的情况下获取该非合作目标的位置和姿态。通过单目相机对非合作目标进行图像采集，提供大量实时图像，然后利用采集到的图像信息对目标的结构和运动进行估计，现有方法通过相机和计算机便可实现对非合作目标的测量，从而直接或者间接对非合作目标进行位姿估计，具有低成本、低功耗、非接触等优点，但是存在无法实时性估计以及无法处理噪声和光线条件改变的情况，并且现有方法的自主性较低。传统的视觉测量方法是首先从数据中人工提取特征，进而对提取的特征完成对应的匹配分组和假设验证。然而，对手动特征的依赖和固定的匹配程序限制了传统的视觉测量方法在重度遮挡、光照变化环境以及模型结构复杂等具有挑战性环境下的表现本文档来自技高网...

【技术保护点】
1.一种基于深度学习的非合作目标相对位姿估计方法，其特征在于，包括如下步骤：/nS1：构建非合作目标3D模型并使构建的非合作目标3D模型自由翻转，获取非合作目标的姿态列表，同时将合成图片与实际相机拍摄图象结合获取非合作目标的空间图像，利用所获取的姿态列表和空间图像建立数据集，并将其分成训练集和测试集；/nS2：基于步骤S1中建立的训练集，设计基于卷积神经网络的非合作目标检测网络，以从含有背景空间的空间图像中识别出非合作目标，并将背景空间与非合作目标分割，获得包含非合作目标的2D边界框；/nS3:在步骤S2中从含有背景空间的空间图像中识别出非合作目标并将背景空间与非合作目标分割的基础上，利用基尔...

【技术特征摘要】
1.一种基于深度学习的非合作目标相对位姿估计方法，其特征在于，包括如下步骤：
S1：构建非合作目标3D模型并使构建的非合作目标3D模型自由翻转，获取非合作目标的姿态列表，同时将合成图片与实际相机拍摄图象结合获取非合作目标的空间图像，利用所获取的姿态列表和空间图像建立数据集，并将其分成训练集和测试集；
S2：基于步骤S1中建立的训练集，设计基于卷积神经网络的非合作目标检测网络，以从含有背景空间的空间图像中识别出非合作目标，并将背景空间与非合作目标分割，获得包含非合作目标的2D边界框；
S3:在步骤S2中从含有背景空间的空间图像中识别出非合作目标并将背景空间与非合作目标分割的基础上，利用基尔霍夫投票估计非合作目标中心，计算非合作目标中心到相机坐标系的相对位移；
S4：设计深度卷积神经网络，提取非合作目标的特征点，通过特征点估计非合作目标的旋转四元数；
S5:设计迭代优化过程，对步骤S3中计算的相对位移和步骤S4中估计的旋转四元数进行微调，提高相对位姿估计的精度。


2.根据权利要求1所述的方法，其特征在于，步骤S1具体过程如下：
S11：应用3DMax软件构建非合作目标3D模型；
S12：利用OpenGL开放图形库编写脚本使所构建的非合作目标3D模型自由翻转，同时实时输出真实旋转四元数，进行姿态的批量标注以获取姿态列表，构建数据集，并且按照2:8的比例将数据集分成训练集和测试集；
S13：对训练集中的空间图像进行预处理，利用数据工具包对空间图像进行随机亮度和对比度设置、添加高斯噪声、数据归一化以及裁剪，以使空间图像适合输入卷积神经网络的尺寸，以扩充训练集。


3.根据权利要求2所述的方法，其特征在于，步骤S2具体过程如下：
S21：基于步骤S1中建立的训练集，设计多个卷积层、激活函数以及池化层，最后连接全连接层，输入训练集中的空间图像，输出空间图像对应的全局特征图；
S22：设计不同尺寸和长宽比例的K个窗口，将全局特征图上的特征点映射回输入的空间图像当作基准点，围绕基准点结合K个窗口，在图像上选择候选区域，计算所选候选区域与包含非合作目标的最小矩形的IOU值；当IOU值大于设定的高阈值时，非合作目标存在于所选候选区域，记所选候选区域为正样本；当IOU值小于设定的低阈值时，则非合作目标不存在于所选候选区域，记所选候选区域为负样本，舍弃所计算的IOU值介于所述高阈值和所述低阈值之间的候选区域；
判断正样本中候选框中的物体是否为非合作目标，判断结果只有两种情况：是非合作目标或者不是非合作目标；此时损失函数L1为：



其中，yi表示样本i的label，正样本为1，负样本为0；ρi表示样本i预测为正的概率；N表示空间图像像素点个数；
S23：利用候选区域边界框回归修正窗口，获得包含非合作目标的精确的2D边界框，其中位置损失函数为损失函数L2：

【专利技术属性】
技术研发人员：胡庆雷，郇文秀，郑建英，郭雷，
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