一种融合深度学习与弧段组合的卫星对接环识别方法

技术领域

本发明涉及空间智能操控领域，具体涉及一种融合深度学习与弧段组合的卫星对接环识别方法。

背景技术

椭圆检测是计算机视觉领域的热点问题，基于椭圆特征的视觉导航已经成为航天器、行星探测器等空间飞行器执行交汇对接、行星软着陆等空间探测任务过程中的一种重要自主导航方式，其位姿计算精度高度依赖于导航图像中椭圆检测和拟合的精度。

目前，椭圆检测主要有3种成熟的方法，基于椭圆点投票或拟合的检测方法、基于弧段组合的椭圆检测方法和深度学习方法。霍夫变换是最早用于椭圆检测的方法，它主要包括标准霍夫变换方法、随机霍夫变换方、概率霍夫随机变换方法PHT、迭代式等，与标准的SHT相比，基于SHT的改进方法均试图降低对内存空间需要，但无法彻底克服这个问题，并且，这些算法的检测精度会随着图像中椭圆数量的增加而急剧下降。基于弧段组合的椭圆检测算法不再以像素为基本处理单元，而是通过对椭圆弧段整体的几何特征分析实现椭圆检测，其中，椭圆弧段属于椭圆边缘的一部分，包含多个连续的像素点。所以，基于弧段特征的椭圆检测算法通常具有较高的精度和鲁棒性，并且不需要处理高维的参数空间，极大的削弱了算法对内存空间的需求。基于弧段组合的椭圆检测方法通常引入弧段的几何约束,以减少候选弧的数量进而提高椭圆检测的速度。此外，在凸包约束的基础上将弧段建模为有向图，或者引入二次曲线约束筛选椭圆弧的组合，使椭圆检测效率有了大幅提升。基于深度学习的椭圆检测方法，其用Mask R-CNN和U-Net处理图像并获得特征图谱，然后使用2个分支分别判定椭圆区域和回归椭圆的5个参数。

空间导航图像除了具有普通光学图像的通用特点外，还具有自己独特的特点：由于太空光照条件恶劣、背景噪声严重，飞行器、陨石坑等空间目标的环形边缘会出现严重的断裂，导致这些导航图像中的椭圆边缘不完整并存在干扰噪声点和毛刺点，这使得导航图像椭圆检测困难较大。此外，航天器可能处于自旋运动状态，尺度变化明显。面向空间飞行器视觉导航的椭圆检测算法必须能够有效处理椭圆边缘被分割为多段的情况，并能够解决干扰像素点多、椭圆弧段不清晰等问题。

发明内容

本发明的目的是解决现有技术中导航图像椭圆检测困难较大的技术问题。

为了达到上述目的，本发明提供了一种融合深度学习与弧段组合的卫星对接环识别方法，包含以下步骤：

步骤S1，自作航天器对接环的数据集，改进YOLOv3的Darknet-53网络结构，将Darknet-53网络11层、28层、36层、81层进行融合，将其余Darknet-53主干网络使用ShuffleNet进行轻量化重改，使用航天器对接环的数据集训练改进后的YOLOv3网络；

步骤S2，将含有对接环的航天器图像输入到YOLOv3网络进行对接环的二维检测框定位，将对接环的二维检测框定义为活跃集B，将此活跃集裁剪出来，计算活跃集区域的二维信息熵，将所述二维信息熵的值作为Canny检测算子的边长阈值T

步骤S3，使用Douglas-Poiker算法将边拟合成弧段，使用特征数去除曲率过于直、长度较小的弧段；

步骤S4，使用椭圆的凹凸性和平滑性检验一弧段的任意6个交点是否存在断点，若存在断点，则删除断点后的弧段，保留断点前的弧段；

步骤S5，依据Canny算子检测边缘的梯度将所有弧段分类到四个象限，属于同一象限的弧段首尾直接连接，属于不同象限的弧段使用连接矩阵判断是否形成一个椭圆；

步骤S6，使用帕斯卡定理的椭圆内接六边形检验椭圆的完整性，椭圆内接六边形中，六个顶点的连线将与椭圆的中心线相交于3个点，利用这个3个点的特征数是否等于-1的性质判断椭圆完整性；其中，若3个点的特征数等于-1，则所提取的对接环完整，若3个点的特征数不等于-1，则所提取的对接环椭圆特征存在虚假。

较佳地，所述步骤S1包含以下步骤：

步骤S1.1，通过数学仿真和半物理两种方式采集航天器图像，将图像缩放为3通道长宽均为416的统一形式；

步骤S1.2，对航天器的对接环，使用标签工具为每张图像赋予二维边界框；

步骤S1.3，改进YOLOv3的Darknet-53网络结构，将Darknet-53网络11层、28层、36层、81层进行融合，将其余Darknet-53主干网络使用ShuffleNet进行轻量化重改，使用航天器对接环的数据集训练改进后的YOLOv3网络；

较佳地，所述步骤S2包含以下步骤：

步骤S2.1，将含有对接环的航天器图像输入到YOLOv3网络进行对接环的二维检测框定位；

步骤S2.2，将对接环的二维检测框定义为活跃集B；

步骤S2.3，将此活跃集裁剪出来，计算活跃集区域的二维信息熵

较佳地，所述步骤S3包含以下步骤：

步骤S3.1，使用Douglas-Poiker算法将相邻的直线连接，组成弧段；

步骤S3.2，使用特征数去除曲率过于直的弧段，对于弧段，e

其中，P＝{P

表示系数，若CN(P,e

步骤S3.3，使用特征数去弧段长度较小的弧段，若e

(CN(P,e)/τ)≤T

较佳地，所述步骤S4包含以下步骤：

步骤S4.1，将弧段表示为有一系列直线段组成，计算相邻直线的夹角，定义弧段sk可以表示为{A

步骤S4.2，检验一段弧是否存在6个交点，若交点小于6，则删除此弧段，若大于6个交点，则执行后续步骤；

步骤S4.3，使用椭圆的凹凸性和平滑性检验一弧段是否存在断点，若存在断点，则删除断点后的弧段，保留断点前的弧段；凹凸性定义为sign(θ

较佳地，所述步骤S5包含以下步骤：

步骤S5.1，依据Canny算子检测边缘的梯度(x

步骤S5.2，定义连接矩阵为对称矩阵CM，矩阵的元素属于CM

步骤S5.3，若属于同一象限，则临近弧段首与尾直接连接，属于不同象限的弧段使用连接矩阵判断是否形成一个椭圆。

较佳地，所述步骤S6包含以下步骤：

步骤S6.1，对所检测的椭圆内部找到一个内接六边形；

步骤S6.2，将六边形的顶点定义为a

步骤S6.3，使a

步骤S6.4，利用m

相较于现有技术，本发明至少具有以下有益效果：

仿真工具与半物理方式制作对接环的数据集，增强了数据集的多样性，减少了深度学习训练过程中的过拟合问题，在深度学习检测过程中，改进了Yolov3网络结构，提高了航天器组件时存在准确率低和漏检概率高的问题；本发明精简了Yolov3网络结构，使其轻量化，改进的YOLOv3网络的感受野越大，使其对小目标敏感；将二维检测框提取后，作为活跃集用于后续弧段检测，提高了计算效率，降低了图像参与运动的复杂度，基于活跃集的二维信息熵作为阈值，提高了Canny算子在复杂光照环境的适应性，此外减少了噪声、短边对算法的干扰；基于特征数的弧段约简，降低了直弧和短弧，提高了后续弧段拟合的效率；本发明采用象限划分弧段的方法，提高了同一象限内弧段连接的快速性，基于连接矩阵判断相邻弧段的连接性，更加直接。基于六边形顶点验证椭圆，属于几何验证，具有快速性。本发明充分利用了深度学习检测方法的快速性和基于弧段方法的鲁棒性，属于由粗到细的两阶段检测方法，也具有可移植性的优势。

附图说明

图1为本发明的一种融合深度学习与弧段组合的卫星对接环识别方法的简单流程图。

具体实施方式

以下结合附图和实施例对本发明的技术方案做进一步的说明。

本发明提出一种融合深度学习与弧段组合的卫星对接环识别方法，属于一种由粗到细的两阶段椭圆检测算法。在粗定位阶段，使用改进的Yolov3方法检测航天器的组件，通过组件的检测结果筛选出对接环二维框所在的区域，并将此区域的像素定义为活跃集；在细定位阶段，在活跃集基础上，使用Douglas-Poiker算法将边拟合成弧段，使用特征数去除曲率过于直、长度较小的弧段，显著减少了最终拟合的候选圆弧数量。接着，联合使用椭圆的凹凸性和平滑性检验一弧段的任意6个交点是否存在断点，若存在断点，则删除断点后的弧段，保留断点前的弧段。接着，依据Canny算子检测边缘的梯度将所有弧段分类到四个象限，属于同一象限的弧段首尾直接连接，属于不同象限的弧段使用连接矩阵判断是否形成一个椭圆。最后，使用帕斯卡定理的椭圆内接六边形的检验椭圆的完整性。

如图1所示，本发明提供了一种融合深度学习与弧段组合的卫星对接环识别方法，包含以下步骤：

步骤S1，自作航天器对接环的数据集，改进YOLOv3的Darknet-53网络结构，将Darknet-53网络11层、28层、36层、81层进行融合，将其余Darknet-53主干网络使用ShuffleNet进行轻量化重改，使用航天器对接环的数据集训练改进后的YOLOv3网络；

步骤S2，将含有对接环的航天器图像输入到YOLOv3网络进行对接环的二维检测框定位，将对接环的二维检测框定义为活跃集B，将此活跃集裁剪出来，计算活跃集区域的二维信息熵，将所述二维信息熵的值作为Canny检测算子的边长阈值T

步骤S3，使用Douglas-Poiker算法将边拟合成弧段，使用特征数去除曲率过于直、长度较小的弧段；

步骤S4，使用椭圆的凹凸性和平滑性检验一弧段的任意6个交点是否存在断点，若存在断点，则删除断点后的弧段，保留断点前的弧段；

步骤S5，依据Canny算子检测边缘的梯度将所有弧段分类到四个象限，属于同一象限的弧段首尾直接连接，属于不同象限的弧段使用连接矩阵判断是否形成一个椭圆；

步骤S6，使用帕斯卡定理的椭圆内接六边形检验椭圆的完整性，椭圆内接六边形中，六个顶点的连线将与椭圆的中心线相交与3个点，利用这个3个点的特征数是否等于-1的性质判断椭圆完整性；其中，若3个点的特征数等于-1，则所提取的对接环完整，若3个点的特征数不等于-1，则所提取的对接环椭圆特征存在虚假。

所述的步骤S1中，自作航天器对接环的数据集，改进YOLOv3的Darknet-53网络结构，选择将Darknet-53网络的第36层和11层进行拼接融合到小目标检测层，在Darknet-53主干网络中额外增加2个1×1和3×3的卷积层。使用航天器对接环的数据集训练改进后的YOLOv3网络。

步骤S1.1，通过数学仿真和半物理两种方式采集航天器图像，将图像缩放为3通道长宽均为416的统一形式；

步骤S1.2，对航天器的对接环，使用标签工具为每张图像赋予二维边界框；

步骤S1.3，改进YOLOv3的Darknet-53网络结构，将Darknet-53网络11层、28层、36层、81层进行融合，将其余Darknet-53主干网络使用ShuffleNet进行轻量化重改，使用航天器对接环的数据集训练改进后的YOLOv3网络；

所述的步骤S2中，将含有对接环的航天器图像输入到YOLOv3网络进行对接环的二维检测框定位，将对接环的二维检测框定义为活跃集B，将此活跃集裁剪出来，计算活跃集区域的二维信息熵，将此二维信息熵的值作为Canny检测算子的边长阈值T

所述的步骤S2包含以下步骤：

步骤S2.1，将含有对接环的航天器图像输入到YOLOv3网络进行对接环的二维检测框定位；

步骤S2.2，将对接环的二维检测框定义为活跃集B；

步骤S2.3，将此活跃集裁剪出来，计算活跃集区域的二维信息熵

所述的步骤S3中，使用Douglas-Poiker算法将边拟合成弧段，使用特征数去除曲率过于直、长度较小的弧段。

所述的步骤S3包含以下步骤：

步骤S3.1，使用Douglas-Poiker算法将相邻的直线连接，组成弧段；

步骤S3.2，使用特征数去除曲率过于直的弧段，对于弧段，e

其中，P＝{P

步骤S3.3，使用特征数去弧段长度较小的弧段，若e

所述的步骤S4中，使用椭圆的凹凸性和平滑性检验一弧段的任意6个交点是否存在断点，若存在断点，则删除断点后的弧段，保留断点前的弧段。

所述的步骤S4包含以下步骤：

步骤S4.1，将弧段表示为有一系列直线段组成，计算相邻直线的夹角，定义弧段s

步骤S4.2，检验一段弧是否存在6个交点，若交点小于6，则删除此弧段，若大于6个交点，则执行后续步骤；

步骤S4.3，使用椭圆的凹凸性和平滑性检验一弧段是否存在断点，若存在断点，则删除断点后的弧段，保留断点前的弧段；凹凸性定义为sign(θ

所述的步骤S5中，依据Canny算子检测边缘的梯度将所有弧段分类到四个象限，属于同一象限的弧段首尾直接连接，属于不同象限的弧段使用连接矩阵判断是否形成一个椭圆。

所述的步骤S5包含以下步骤：

步骤S5.1，依据Canny算子检测边缘的梯度(x

步骤S5.2，定义连接矩阵为对称矩阵CM，矩阵的元素属于CM

步骤S5.3，若属于同一象限，则临近弧段首与尾直接连接，属于不同象限的弧段使用连接矩阵判断是否形成一个椭圆。

所述的步骤S6中，使用帕斯卡定理的椭圆内接六边形检验椭圆的完整性，椭圆内接六边形中，六个顶点的连线将与椭圆的中心线相交于3个点，利用这个3个点的特征数是否等于-1的性质判断椭圆完整性；其中，若3个点的特征数等于-1，则所提取的对接环完整，若3个点的特征数不等于-1，则所提取的对接环椭圆特征存在虚假。

所述的步骤S6包含以下步骤：

步骤S6.1，对所检测的椭圆内部找到一个内接六边形；

步骤S6.2，将六边形的顶点定义为a

步骤S6.3，使a

步骤S6.4，利用m

综上所述，本发明提供了一种融合深度学习与弧段组合的卫星对接环识别方法，属于一种由粗到细的两阶段检测方法，首先使用改进的Yolov3方法检测航天器的组件，通过组件的检测结果筛选出对接环二维框所在的区域，并将此区域的像素定义为活跃集；使用活跃集区域的二维信息熵作为Canny算子的阈值，并检测活跃集内的边缘；使用Douglas-Poiker算法将边拟合成弧段，使用特征数去除曲率过于直、长度较小的弧段，显著减少了最终拟合的候选圆弧数量；联合使用椭圆的凹凸性和平滑性检验一弧段的任意6个交点是否存在断点，若存在断点，则删除断点后的弧段，保留断点前的弧段；依据Canny算子检测边缘的梯度将所有弧段分类到四个象限，属于同一象限的弧段首尾直接连接，属于不同象限的弧段使用连接矩阵判断是否形成一个椭圆；使用帕斯卡定理的椭圆内接六边形检验椭圆的完整性。本发明的方法与传统的方法相比，将航天器的对接环识别的准确性提高20％，快速性提高4倍。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。