【技术实现步骤摘要】
本专利技术涉及一种航天目标六自由度位姿的智能测量方法及系统，属于航天目标位姿测量。
技术介绍
1、航天目标的相对位姿测量是实现空间临近操作如交会与捕获等在轨服务的重要部分。目前主要的方案是通过立体视觉系统、rgb-d相机或lidar获得的带有深度信息的数据(如点云)来估计航天器的位姿，与其相比，单目传感器在尺寸、质量、功耗、计算量、适应任务场景的灵活性和使用成本方面，均具有较大的优势。然而，由于单目相机不能直接测量相对距离，传统的单目位姿测量方法依赖于手工制作的2d或3d靶标，或用于处理表面纹理足够丰富的目标，但对于无法配置靶标的航天器，其表面常常是弱纹理甚至没有纹理的，这类方法就无法发挥作用。随着人工智能在物体识别方面的成功，深度学习也逐渐被应用于物体的位姿估计。多个基于卷积神经网络的算法如posenet、posecnn等被提出来直接从rgb图像估计物体的6d位姿，大幅提升了单目视觉姿态估计的精度。但这些深度学习的方法需要大量的训练数据来训练模型，而空间环境的特殊性导致其光照变化和成像背景难以在地面模拟，特别是对于航天器等大型目标，受到场地、复杂性、安全性等限制，要获取海量的、真实的训练数据几乎无法实现，这也就限制了深度学习方法在航天目标位姿测量中的应用。
2、综上，目前航天目标位姿测量方法存在的主要问题如下：
3、(1)专用的测量系统(如微波雷达、立体视觉系统)资源占用和使用成本高；
4、(2)传统的单目测量方法依赖于靶标和被测目标的纹理丰富性，精度难以保证；
5、(3)基于深
技术实现思路
1、本专利技术的技术解决问题是：克服现有技术的不足，提供了一种航天目标六自由度位姿的智能测量方法，解决航天目标低成本、多场景、高精度、快速的位姿测量问题。
2、本专利技术的技术解决方案是：
3、一种航天目标六自由度位姿的智能测量方法，包括地面训练和在轨测量两部分，
4、地面训练包括：
5、(1)建立目标的三维模型，包括点云模型、绿色模型和近真实模型；
6、(2)根据步骤(1)建立的三维模型生成训练数据；
7、(3)根据生成的训练数据训练网络，得到第一预测模型和第二预测模型；
8、在轨测量包括：
9、(4)在轨获得待测目标的图像之后，先进行图像的预处理；
10、(5)将预处理后的图像输入第二预测模型，获取掩膜图像mask；
11、(6)使用获取的掩膜图像mask，对原彩色图进行色彩标记；
12、(7)将获取的色彩标记后的图像输入第一预测模型，获取向量图，并通过ransac投票，获取n个二维关键点；
13、(8)根据求取的n个二维关键点的图像坐标和其对应的通过待测目标点云模型算出的n个三维关键点的三维坐标，使用epnp算法获得待测目标的位姿。
14、进一步的，所述建立目标的三维模型，具体为：
15、从航天器的proe模型中，提取待测目标的三维模型，仅使用目标三维模型的外表面信息，若待测目标的三维模型中含有内部设备或附属件，则将其删除以使模型轻量化，并将模型保存为三种形式：
16、点云模型：不含纹理信息；
17、绿色模型：外表面颜色设置为纯绿色，即r、g、b值分别为0、255、0；
18、近真实模型：外表面颜色按照真实航天器的外表面状态进行设置。
19、进一步的，所述生成训练数据具体为生成两种训练数据，用以训练不同的网络；
20、训练数据1使用绿色模型生成，包含位姿、图像和掩膜三种数据，三种数据一一对应，分别表示目标当前的位姿、在该位姿下所成的图像以及对应的掩膜图像；掩膜图像是二值化图像，只有目标所覆盖区域的图像数据为1，其它区域为0；
21、训练数据2使用近真实模型生成，包含图像和掩膜两种数据，两种数据也是一一对应。
22、进一步的，训练数据生成按照如下方式实现：
23、(a)读取约定的参数设定文件，其中包含相机参数、模型文件路径、数据集参数、位姿限定参数、光源参数以及背景图像与随机参数；
24、(b)通过模型文件路径找到对应的模型文件并载入，通过相机参数设定虚拟相机，根据数据集参数及位姿限定参数生成若干组模型在世界坐标系下的位姿数据，根据光源参数为每一组数据添加随机或恒定的平行光源；
25、(c)在虚拟相机、模型、位姿数据及光源均就绪后，通过渲染管线，使用bl inn-phong渲染模型，得到模拟成像结果；模拟成像结果中包含无背景的rgb图像数据，以及该图像对应的掩膜即模型所在像素的0/1二值mask图像；
26、(d)根据背景图像与随机参数为每一无背景的rgb图像添加背景，生成最终的rgb图像；将rgb图像、mask图像与位姿数据一一对应，构成一组数据，由若干组数据组成最终的数据集。
27、进一步的，mask图像生成具体为：
28、在光栅化后进行逐像素计算的过程中，所有需要计算的像素都是模型最终需要掩膜标注的像素；在计算前，将帧缓冲rgba四通道均设置为0；在计算时，rgb通道存放成像数据，将所有参与计算像素的a通道设置为1进行标注；在绘制结束后，将rgb通道导出为绘制图像，将a通道单独处理后导出为模型掩膜图像。
29、进一步的，所述根据生成的训练数据训练网络，得到第一预测模型和第二预测模型，具体为：
30、(a)根据目标的点云模型，使用fps算法，获得n个三维关键点，并使用训练数据1和点云模型训练pvnet网络得到第一预测模型；
31、(b)使用训练数据2训练siammask网络得到第二预测模型。
32、进一步的，所述进行图像的预处理，具体为：
33、首先将彩色图像i转为灰度图像igray，并对图像进行对比度增强；然后对增强后的图像进行自适应亮度调整，消除在轨成像时曝光参数变化的影响。
34、进一步的，对增强后的图像进行自适应亮度调整方法如下：
35、(a)设置全局系数u和局部系数v，全局系数u初始化为1，局部系数v小于1，具体数值由相机的曝光策略决定；
36、(b)求取当前图像igray的灰度均值，并与前一帧图像igray-1的灰度均值比较，若两者差值delta大于阈值th，则将当前图像乘以局部系数v，同时将全局系数u也乘以局部系数v；若两者差值小于-th，则将当前图像除以局部系数v,同时将全局系数u也除以局部系数v；
37、最终的图像如下：
38、
39、进一步的，进行图像色彩标记，具体为：
40、使用获取的掩膜图像mask，对原彩色图i进行色彩标记，具体如下：
41、ig＝ig·mask·255+ig；ir＝ir；ib＝ib
42本文档来自技高网...
【技术保护点】
1.一种航天目标六自由度位姿的智能测量方法，其特征在于：包括地面训练和在轨测量两部分，
2.根据权利要求1所述的一种航天目标六自由度位姿的智能测量方法，其特征在于：所述建立目标的三维模型，具体为：
3.根据权利要求2所述的一种航天目标六自由度位姿的智能测量方法，其特征在于：所述生成训练数据具体为生成两种训练数据，用以训练不同的网络；
4.根据权利要求3所述的一种航天目标六自由度位姿的智能测量方法，其特征在于：训练数据生成按照如下方式实现：
5.根据权利要求4所述的一种航天目标六自由度位姿的智能测量方法，其特征在于：mask图像生成具体为：
6.根据权利要求3所述的一种航天目标六自由度位姿的智能测量方法，其特征在于：所述根据生成的训练数据训练网络，得到第一预测模型和第二预测模型，具体为：
7.根据权利要求6所述的一种航天目标六自由度位姿的智能测量方法，其特征在于：所述进行图像的预处理，具体为：
8.根据权利要求7所述的一种航天目标六自由度位姿的智能测量方法，其特征在于：对增强后的图像进行自适应亮度调
9.根据权利要求7所述的一种航天目标六自由度位姿的智能测量方法，其特征在于：进行图像色彩标记，具体为：
10.一种航天目标六自由度位姿的智能测量系统，其特征在于包括：
...【技术特征摘要】
1.一种航天目标六自由度位姿的智能测量方法，其特征在于：包括地面训练和在轨测量两部分，
2.根据权利要求1所述的一种航天目标六自由度位姿的智能测量方法，其特征在于：所述建立目标的三维模型，具体为：
3.根据权利要求2所述的一种航天目标六自由度位姿的智能测量方法，其特征在于：所述生成训练数据具体为生成两种训练数据，用以训练不同的网络；
4.根据权利要求3所述的一种航天目标六自由度位姿的智能测量方法，其特征在于：训练数据生成按照如下方式实现：
5.根据权利要求4所述的一种航天目标六自由度位姿的智能测量方法，其特征在于：mask图像生成具体为：
...【专利技术属性】
技术研发人员：顾征，杨孟飞，陈丽平，李铁映，郑燕红，王彤，唐敏，徐宝碧，李炯卉，
申请(专利权)人：北京空间飞行器总体设计部，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。