申请/专利权人：中国科学院光电技术研究所

申请日：2023-05-24

公开（公告）日：2023-10-20

公开（公告）号：CN116912667A

主分类号：G06V20/00

分类号：G06V20/00;G06V10/82;G06F16/51;G06F16/55;G06V10/764;G06V10/80;G06V10/40;G06N3/088

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.11.07#实质审查的生效;2023.10.20#公开

摘要：本发明公开了一种基于神经网络与Hausdorff距离融合的星图识别方法，属于天文导航、制导与控制领域。该方法包括以下几个步骤：构建导航特征数据库和邻星索引库；搭建自组织竞争神经网络，并将Hausdorff距离的计算方式融入到神经元中；训练神经网络模型；星图识别，对观测星采用与导航星相同的特征提取方式，提取观测星特征向量并输入神经网络得到星图识别结果。本发明将神经网络与Hausdorff距离各自在星图识别领域的优势结合起来，导航星的特征信息完备充分，匹配过程简单，在星敏感器内参数偏差、星点位置偏差、星等偏差、假星等干扰因素的影响下，具有很强的鲁棒性以及很高的识别成功率。

主权项：1.一种基于神经网络与Hausdorff距离融合的星图识别方法，其特征在于，该方法包括如下步骤：1.1构建导航特征数据库，包括下列步骤：从SAO星表中筛选出符合要求的导航星，让每一颗导航星依次成为主星，以主星为中心，沿其径向方向出发，按照角距选取距离主星最近的n颗邻星，将主星和n颗邻星由天球坐标系变换到某一虚拟图像坐标系上；沿其环向方向，任选一颗邻星作为起始点，依次计算n颗邻星到主星的距离ri,并计算相邻邻星到主星距离的比值同时计算相邻邻星间的夹角的余弦值cosθi，以此作为导航星的特征向量，即1.2构建邻星索引库，记录下与主星距离由近到远的n颗邻星的星号，构建初步的邻星索引库，将相邻邻星间的夹角θi的由小到大或由大到小排列，依据θi的排序方式改变初步的邻星索引库中邻星星号的顺序，构成最终的邻星索引库；1.3搭建神经网络模型，采用自组织竞争神经网络，该网络共有两层，第一层为输入层，神经元的个数与导航星特征向量的长度相同，竞争层的输出节点数与要分类的导航星的总数量相同；并将部分Hausdorff距离融合到每个神经元的计算方式中；1.4训练神经网络，竞争层的每个神经元对应一个导航星的类别，每个神经元的权值向量与相对应的导航星的特征向量一一对应，因此将导航星的特征数据库赋值给神经网络的权值矩阵即完成训练任务；1.5星图识别，包括以下步骤：1.5.1对观测星进行筛选；进行星点质心提取后，将星点质心距离小于等于4像素的星点视为双星，并锁定双星中亮度较低的一颗星去除；1.5.2观测星特征向量提取；将各观测星依据到主点的距离远近从小到大排序，将各观测星依次作为观测主星，由观测主星的径向方向，取距离观测主星最近的n颗邻星，依次计算n颗观测邻星到观测主星的距离bi；沿以逆时针为正方向的环向方向，以观测主星为中心，计算相邻邻星到主星距离的比值同时计算相邻观测邻星间的夹角的余弦值以此观测星的特征向量，即1.5.3建立观测星邻星索引库；记录下观测主星及其邻星的序号，该序号表示观测星与主点的距离由近及远的顺序，将邻星的序号按照观测邻星到观测主星的距离由近到远进行第一次排序；以逆时针为正方向，将观测邻星的序号按照的大小由小到大或由大到小的顺序进行二次排列，构成观测星邻星索引库；1.5.4观测主星匹配；将观测星特征向量输入已经训练好的神经网络，竞争层每个神经元计算输入向量与自身权值向量的部分Hausdorff距离，神经元的权值向量与输入向量部分Hausdorff距离最小的赢得竞争；神经元的序号与导航星星号是一一对应的，查询输出为1的神经元，找到与该观测星一一对应的导航星；1.5.5观测邻星匹配；当观测主星得到识别后，查询导航星邻星索引库中该星对应的n颗导航邻星，与该星在观测星邻星索引库中的n颗邻星一一对应，即实现观测邻星匹配对应的导航邻星。

全文数据：

权利要求：

百度查询： 中国科学院光电技术研究所 基于神经网络与Hausdorff距离融合的星图识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD