[发明专利]一种载人航天器AIT过程超高清全景图像配准技术

权利要求书

1.一种载人航天器AIT过程超高清全景图像配准技术，其特征在于，包括如下步骤：

S1：利用单站点采集的原始数据构建特定目标检测的训练样本集；

S2：基于Haar特征级联分类器训练检测模型；

S3：基于SIFT方法确定图像匹配点对；

S4：利用感知哈希算法(Perceptual hash algorithm，PHA)对匹配点对进行粗提纯；

S5：基于检测模型去除特定目标上的匹配点对；

S6：构建图像变换模型。

2.根据权利要求1所述的载人航天器AIT过程超高清全景图像配准技术，其特征在于，所述S1：利用单站点采集的原始图像构建特定目标检测的训练样本集，具体包括步骤S11和步骤S12，

S11：根据载人航天器舱外的结构确定不同位置存在目标一致的特定目标；

S12：构建特定目标检测的训练样本集；

所述训练样本集由正样本集和负样本集构成，利用单站点采集的原始图像构建所述训练样本集，假设待拼接图像的尺度大小为M×N，从待拼接图像序列中截取每个特定目标的正视图，并将每个正视图缩小c倍，缩小后的尺寸为u×u。

3.根据权利要求2所述的载人航天器AIT过程超高清全景图像配准技术，其特征在于，对每个所述特定目标的1张正视图进行三维旋转和改变亮度等方式扩充正样本集，根据所述特定目标在载人航天器上的状态确定目标在三维旋转时的旋转角度范围，通过随机改变正视图的三维旋转角度和亮度构建每个特定目标的T个正样本集；通过从待拼接图像序列中随机选取不包含特定目标的区域构成T个负样本集，并将每个负样本集缩小c倍，缩小后的尺寸为w×w(w＞u)。

4.根据权利要求3所述的载人航天器AIT过程超高清全景图像配准技术，其特征在于，所述S2：基于Haar特征级联分类器训练检测模型，具体为利用基于Haar特征的级联分类器训练检测模型，利用积分图方法计算Haar特征值，利用Adaboost算法训练出每一个弱分类器，然后把每一个弱分类器按照一定的组合策略得到一个强分类器，通过训练多个强分类器并按照级联的方式组合在一起得到级联分类器，所述特定目标包括σ个目标，以每个特定目标的所述正样本集和所述负样本集分别训练得到3个强分类器，一共训练得到3σ个强分类器，3σ个强分类器级联在一起构成最终的分类器，先利用强分类器1、强分类器2和强分类器3实现第一个特定目标的检测，对检测出来的非目标区域利用强分类器4、强分类器5和强分类器6实现第二个特定目标的检测，以此类推完成σ个特定目标的检测。

5.根据权利要求1所述的载人航天器AIT过程超高清全景图像配准技术，其特征在于，所述S3：基于SIFT方法确定图像匹配点对包括步骤S31和步骤S32，

S31：特征检测

所述步骤S31基于SIFT方法得到待拼接图像序列中所有图像的特征点和特征描述符；

S32：特征配准

所述步骤S32利用近似最近邻(Best-Bin-First，BBF)算法进行特征配准得到图像匹配点对，将待拼接图像序列的所有匹配点对构成图像匹配点对数据集{X₁,X₂,...,X_n-1,X_n}，其中n表示匹配点对的数量，X_i＝{p,q,x_p,y_p,x_q,y_q}表示第i个匹配点对的信息，其中p表示匹配点对中第一个匹配点所在图像的序列号，x_p和y_p表示第一个匹配点在图像上的位置坐标，q表示匹配点对中第二个匹配点所在图像的序列号，x_q和y_q表示第二个匹配点在图像上的位置坐标。

6.根据权利要求1所述的载人航天器AIT过程超高清全景图像配准技术，其特征在于，所述S4:利用感知哈希算法对匹配点对进行粗提纯，具体为对每一个匹配点对进行粗提纯，提取匹配点对周围区域的图像，利用感知哈希算法计算两个匹配点周围区域图像的相似度，当相似度小于设定的阈值时，去除对应的匹配点对。