[发明专利]一种基于星点重提取的大机动条件下星图识别算法

说明书

本发明公开了一种基于星点重提取的大机动条件下星图识别算法，涉及星图识别算法领域，所述算法包括以下步骤：步骤1、采用分块极值法提取星图的星点；步骤2、采用三角形算法识别所述星图；步骤3、采用QUEST算法估计姿态，得到所述姿态的估计值，并进行所述星点的重提取，重新估计所述姿态。本发明缩短了大机动条件下星图中星点提取的耗时，提高了姿态估计的准确性，具有大机动条件下的快速高精度的星点提取和星图识别效果。

技术领域

本发明涉及星图识别算法领域，尤其涉及一种基于星点重提取的大机动条件下星图识别算法。

背景技术

星敏感器的工作模式主要分为初始姿态捕获模式与星跟踪模式。其中在初始开机阶段，星敏感器不具备当前姿态信息，则进入初始捕获模式，通过对拍摄到的星图进行背景估计、去噪、星点提取、质心定位等操作后，通过得到的星点质心信息与导航星库星点信息进行匹配从而确定自身姿态。一旦得到初始姿态后，星敏感器便进入星跟踪模式，使得星敏感器能够稳定输出姿态。因此，在姿态捕获阶段，星图识别的正确率与快速性影响到整个姿态捕获与星跟踪的精度与稳定性。

根据各类研究成果，已有多项关于星图识别算法的专利。如专利1“一种基于混合粒子群算法的星图识别方法”(CN102840860A)包括建立导航星库和基于混合粒子群算法进行星图识别两个步骤，圆半径r通过自适应调整方法来确定，采用混合粒子群算法进行快速路径寻优，解决了大视场，高灵敏度恒星敏感器条件下，星图识别率低，对噪声鲁棒性差的缺点。专利2“一种快速全天星图自主恒星识别方法”(CN103868510A)基于改进型K矢量法对观测星三角形进行三角形匹配识别，节省了存储空间，减小了星图识别时间，提高了识别正确率，具有很好的实用价值。专利3“一种结合神经网络技术及三角形算法的星图识别方法”(CN107941210A)根据每颗星的邻近星的分布特点，构造特征向量，采用神经网络技术构建分类网络，具有存储量小、识别速度快、识别率高、抗干扰性强等优点。

但是，在初始入轨、大角度调姿等大机动条件下时，将会出现积分时间内星点位移形成轨迹，导致星点质心定位精度下降；星图背景复杂，信噪比降低，部分星点难以提取成功；杂光影响加剧，导致部分杂光被当作星点错误提取。此时，上述传统的星图提取、识别算法将难以满足快速性、准确性需求。

因此，本领域的技术人员致力于开发一种应用于大机动条件下的快速高精度的星点提取、星图识别算法。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何在大机动条件下实现快速高精度的星点提取和星图识别。

为实现上述目的，本发明提供了一种基于星点重提取的大机动条件下星图识别算法，所述算法包括以下步骤：

步骤1、采用分块极值法提取星图的星点；

步骤2、采用三角形算法识别所述星图；

步骤3、采用QUEST算法估计姿态，得到所述姿态的估计值，并进行所述星点的重提取，重新估计所述姿态。

进一步地，在所述步骤1中，所述分块极值法将所述星图的整个像平面以1°的视场角范围划分为多个像素分块。

进一步地，在所述每个像素分块内仅提取一颗所述星点。

进一步地，在所述每个像素分块内仅提取的一颗所述星点是最亮的一颗。

进一步地，在所述步骤2中，所述三角形算法将提取出的所有所述星点按照亮度降序排列。

进一步地，所述三角形算法根据木桶原理依次选取三颗所述星点组成星点三角形。

进一步地，所述三角形算法在所有角距划分范围为0.02°的所述导航星库中选取范围为0.06°的相邻三个所述像素分块进行匹配。