[发明专利]天体表面障碍物识别方法和装置

权利要求书

1.一种天体表面障碍物识别方法，其特征在于，包括：

对深空探测巡视器获得的原始图像集进行障碍物标注，得到标注样本集；

将所述标注样本集中的每张图像均进行特征融合，得到融合后的所述标注样本集；

构建卷积神经网络，将融合后的所述标注样本集输入所述卷积神经网络，得到损失函数最小的训练模型；

将深空探测巡视器获得的待识别图像进行特征融合，并将融合后的所述待识别图像输入到所述训练模型中，得到障碍物的分割识别结果。

2.如权利要求1所述的天体表面障碍物识别方法，其特征在于，对每张待融合图像进行所述特征融合的方法，包括：

通过第一面积的圆形邻域的像素采样方法计算所述待融合图像的圆形LBP特征图，得到对应图像的第一窗口LBP特征图；

通过第二面积的圆形邻域的像素采样方法计算所述待融合图像的圆形LBP特征图，得到对应图像的第二窗口LBP特征图；

将所述待融合图像、第一窗口LBP特征图和第二窗口LBP特征图分别作为RGB通道的各通道图，得到所述待融合图像特征融合后的图像。

3.如权利要求1所述的天体表面障碍物识别方法，其特征在于，所述构建卷积神经网络，将融合后的所述标注样本集输入所述卷积神经网络，得到损失函数最小的训练模型，包括：

基于DeepLabv3+网络构建卷积神经网络，将融合后的所述标注样本集输入所述卷积神经网络，得到损失函数最小的训练模型。

4.如权利要求3所述的天体表面障碍物识别方法，其特征在于，所述基于DeepLabv3+网络构建卷积神经网络，将融合后的所述标注样本集输入所述卷积神经网络，得到损失函数最小的训练模型，包括：

基于DeepLabv3+网络构建骨干网络，并将融合后的所述标注样本集中的每张融合图像输入到所述骨干网络，得到与融合图像对应的第一层特征和第二层特征；其中，所述骨干网络为深度残差网络或轻量化网络；

空洞空间金字塔池化对每个所述第一层特征依次进行卷积和池化，得到与每个所述第一层特征对应的第一特征图；

通过残差上采样转换方法，对每张所述第一特征图进行上采样，得到对应的第二特征图，并将每张所述第二特征图与对应的所述第二层特征进行拼接，得到拼接后的特征图；

将所述拼接后的特征图进行上采样，得到所述训练样本的分割结果，根据所述分割结果确定损失函数最小的训练模型。

5.如权利要求4所述的天体表面障碍物识别方法，其特征在于，所述通过残差上采样转换方法，对每张所述第一特征图进行上采样，得到对应的第二特征图，包括：

依次通过

S_i,j＝F_sim(Q_j,K_i)＝-||Q_j-K_i||²

W_i,j＝F_w(S_i,j)

得到对应的第二特征图f_l^j；其中，C_q、C_k、C_v均表示一个卷积层，表示由所述第一特征图f_h上采样预设倍数获得的特征图，表示的第j个特征位置，表示所述第一特征图f_h的第i个特征位置，F_w表示sigmoid函数，F_mul表示点乘函数。

6.如权利要求1所述的天体表面障碍物识别方法，其特征在于，所述构建卷积神经网络，将融合后的所述标注样本集输入所述卷积神经网络，得到损失函数最小的训练模型，包括：

构建卷积神经网络，将融合后的所述标注样本集输入所述卷积神经网络，计算所述卷积神经网络的损失函数，并利用梯度下降的方法对所述卷积神经网络进行训练，得到损失函数最小的训练模型。