小視場星敏感器中星點(diǎn)提取與星圖識別算法的深度剖析與創(chuàng)新研究一、引言1.1研究背景與意義在航天領(lǐng)域，航天器的精確姿態(tài)測量和導(dǎo)航至關(guān)重要，這直接關(guān)乎航天任務(wù)的成敗。小視場星敏感器作為一種高精度的姿態(tài)測量儀器，憑借其高測量精度、強(qiáng)自主性以及高可靠性等顯著優(yōu)勢，成為了航天器姿態(tài)確定系統(tǒng)中的核心部件，在各類航天任務(wù)中發(fā)揮著不可替代的關(guān)鍵作用。小視場星敏感器的工作原理基于對恒星的觀測，通過識別和跟蹤恒星的位置來確定航天器在空間中的姿態(tài)。在實(shí)際應(yīng)用中，小視場星敏感器首先利用其光學(xué)系統(tǒng)對星空進(jìn)行成像，將恒星的光線聚焦到圖像傳感器上，生成星圖圖像。隨后，星點(diǎn)提取算法會從這些星圖圖像中準(zhǔn)確地識別出星點(diǎn)，并精確計算出其位置信息。這些星點(diǎn)位置信息是后續(xù)星圖識別的重要基礎(chǔ)，星圖識別算法通過將觀測到的星點(diǎn)與預(yù)先存儲在星庫中的參考星進(jìn)行匹配，從而確定星敏感器的姿態(tài)，進(jìn)而為航天器提供精確的姿態(tài)信息。星點(diǎn)提取與星圖識別算法作為小視場星敏感器的核心技術(shù)，對其性能起著決定性的影響。一方面，準(zhǔn)確高效的星點(diǎn)提取算法是獲取精確星點(diǎn)位置信息的關(guān)鍵前提。在復(fù)雜的太空環(huán)境下，星圖圖像往往會受到各種噪聲的干擾，如宇宙射線、熱噪聲等，同時還可能存在星點(diǎn)重疊、模糊等問題。這些因素都會給星點(diǎn)提取帶來極大的挑戰(zhàn)，如果星點(diǎn)提取算法的精度和可靠性不足，就會導(dǎo)致提取出的星點(diǎn)位置存在誤差，甚至出現(xiàn)漏提或誤提星點(diǎn)的情況，從而嚴(yán)重影響后續(xù)的星圖識別和姿態(tài)確定精度。另一方面，快速準(zhǔn)確的星圖識別算法是實(shí)現(xiàn)小視場星敏感器實(shí)時性和高精度姿態(tài)測量的關(guān)鍵保障。在航天器的實(shí)際運(yùn)行過程中，需要星敏感器能夠快速地對觀測到的星圖進(jìn)行識別和處理，及時為航天器提供準(zhǔn)確的姿態(tài)信息。然而，由于星庫中的參考星數(shù)量眾多，且星圖匹配過程涉及到復(fù)雜的計算和比較，傳統(tǒng)的星圖識別算法往往難以滿足實(shí)時性和準(zhǔn)確性的要求，容易出現(xiàn)誤匹配或匹配失敗的情況，導(dǎo)致姿態(tài)測量誤差增大。隨著航天技術(shù)的不斷發(fā)展，對小視場星敏感器的性能要求也越來越高。在未來的深空探測任務(wù)中，航天器需要在更廣闊的宇宙空間中進(jìn)行長時間的飛行，面臨更加復(fù)雜和惡劣的空間環(huán)境，這就要求小視場星敏感器具備更高的精度、更強(qiáng)的抗干擾能力和更好的實(shí)時性。例如，在火星探測任務(wù)中，航天器需要精確地控制姿態(tài)，以確保探測器能夠準(zhǔn)確地進(jìn)入火星軌道，并在火星表面進(jìn)行科學(xué)探測。此時，小視場星敏感器的性能直接影響到探測任務(wù)的成敗。此外，在衛(wèi)星通信、地球觀測等領(lǐng)域，也對小視場星敏感器的性能提出了更高的要求。為了滿足這些不斷增長的需求，研究和改進(jìn)星點(diǎn)提取與星圖識別算法具有重要的現(xiàn)實(shí)意義。通過深入研究和創(chuàng)新算法，可以提高星點(diǎn)提取的精度和效率，增強(qiáng)星圖識別的準(zhǔn)確性和實(shí)時性，從而提升小視場星敏感器的整體性能，為航天事業(yè)的發(fā)展提供更強(qiáng)大的技術(shù)支持。在民用領(lǐng)域，小視場星敏感器的相關(guān)技術(shù)也有著廣泛的應(yīng)用前景。在天文觀測領(lǐng)域，小視場星敏感器可以用于高精度的天體測量和觀測，幫助天文學(xué)家更準(zhǔn)確地研究天體的位置、運(yùn)動和演化規(guī)律。例如，在對星系的觀測中，小視場星敏感器可以提供精確的姿態(tài)信息，使得望遠(yuǎn)鏡能夠更穩(wěn)定地跟蹤星系，獲取更清晰的圖像和數(shù)據(jù)。在航空導(dǎo)航領(lǐng)域，小視場星敏感器可以作為輔助導(dǎo)航設(shè)備，提高飛機(jī)的導(dǎo)航精度和安全性。特別是在一些特殊情況下，如衛(wèi)星信號受到干擾或遮擋時，小視場星敏感器可以為飛機(jī)提供可靠的姿態(tài)信息，確保飛行安全。此外，在自動駕駛、機(jī)器人視覺等領(lǐng)域，小視場星敏感器的星點(diǎn)提取和圖像識別技術(shù)也可以為其提供重要的技術(shù)借鑒，推動這些領(lǐng)域的發(fā)展。例如，在自動駕駛中，可以借鑒星點(diǎn)提取算法來識別道路標(biāo)志和障礙物，提高自動駕駛系統(tǒng)的準(zhǔn)確性和可靠性。綜上所述，小視場星敏感器的星點(diǎn)提取與星圖識別算法研究具有重要的理論意義和實(shí)際應(yīng)用價值，對于推動航天技術(shù)的發(fā)展以及拓展相關(guān)技術(shù)在民用領(lǐng)域的應(yīng)用具有重要的推動作用。1.2國內(nèi)外研究現(xiàn)狀1.2.1星點(diǎn)提取算法研究現(xiàn)狀星點(diǎn)提取作為小視場星敏感器圖像處理的基礎(chǔ)環(huán)節(jié)，其算法的優(yōu)劣直接影響后續(xù)星圖識別與姿態(tài)確定的精度和效率。多年來，國內(nèi)外學(xué)者圍繞星點(diǎn)提取算法展開了廣泛深入的研究，提出了眾多各具特色的算法，每種算法都有其獨(dú)特的原理、優(yōu)缺點(diǎn)及應(yīng)用場景。掃描法是一種基礎(chǔ)且常用的星點(diǎn)提取算法，其原理是對星圖進(jìn)行逐行或逐列掃描，通過設(shè)定合適的灰度閾值，將高于閾值的像素點(diǎn)判定為潛在星點(diǎn)。這種算法的優(yōu)點(diǎn)是原理簡單、易于實(shí)現(xiàn)，經(jīng)過一次閾值掃描就能夠確定星圖中潛在的星點(diǎn)目標(biāo)。然而，它對噪聲的敏感度極高，如果星圖中存在較高水平的噪聲，掃描結(jié)果中將會出現(xiàn)大量的虛假目標(biāo)，嚴(yán)重干擾后續(xù)的星圖識別和姿態(tài)解算工作。例如，在實(shí)際的太空觀測環(huán)境中，宇宙射線、熱噪聲等噪聲源會使星圖的背景噪聲增大，此時掃描法提取出的虛假星點(diǎn)數(shù)量會顯著增加，導(dǎo)致后續(xù)處理的計算量大幅上升，且容易產(chǎn)生錯誤的識別結(jié)果。矢量法是在掃描法基礎(chǔ)上發(fā)展而來的一種改進(jìn)算法，它創(chuàng)新性地引入了兩個整數(shù)矢量。在掃描星圖時，利用這兩個矢量可以快速獲取所有候選星點(diǎn)目標(biāo)的位置信息，相較于掃描法，其速度有了明顯提升。但矢量法也存在局限性，它能提取的星點(diǎn)數(shù)量是固定的，當(dāng)噪聲較大或分割閾值不合適時，提取出的星點(diǎn)目標(biāo)數(shù)量會迅速達(dá)到上限，進(jìn)而影響后續(xù)的識別性能。比如，在噪聲干擾嚴(yán)重的情況下，大量虛假星點(diǎn)被誤提取，使得星點(diǎn)存儲數(shù)量很快飽和，真正的星點(diǎn)反而可能無法被準(zhǔn)確提取，降低了星圖識別的成功率。高通濾波法首先采用高通濾波對星圖進(jìn)行處理，通過高通濾波可以增強(qiáng)星點(diǎn)與背景之間的對比度，突出星點(diǎn)的邊緣和細(xì)節(jié)信息。然后，再采用bernsen動態(tài)閾值對處理后的星圖中的候選星點(diǎn)目標(biāo)進(jìn)行提取。然而，該算法存在一定的缺陷，如果星圖中存在較多的虛假星點(diǎn)目標(biāo)，就需要對每個窗口內(nèi)的候選星點(diǎn)目標(biāo)進(jìn)行二次提取，這不僅大大增加了算法的時間復(fù)雜度，降低了算法效率，而且在背景起伏較大的情況下，提取效果也不盡如人意。例如，當(dāng)星圖受到雜散光的影響，背景灰度值出現(xiàn)較大波動時，高通濾波法很難準(zhǔn)確地提取出星點(diǎn)，容易出現(xiàn)漏提或誤提的情況。局部熵法是依據(jù)星圖局部熵的變化來獲取各個星點(diǎn)的目標(biāo)區(qū)域。該算法的核心思想是利用星點(diǎn)與背景在熵值上的差異，通過計算局部區(qū)域的熵值來確定星點(diǎn)的位置。但這種方法需要提前獲知星點(diǎn)目標(biāo)的個數(shù)，這在實(shí)際應(yīng)用中往往難以滿足，因為在復(fù)雜的太空環(huán)境下，星圖中的星點(diǎn)數(shù)量是不確定的。而且其定位精度也受到局部窗口大小的影響，如果星點(diǎn)目標(biāo)恰好分布在多個局部窗口內(nèi)，將會產(chǎn)生很大的定位誤差。例如，當(dāng)星點(diǎn)分布較為密集時，由于局部窗口的限制，可能會將一個星點(diǎn)誤判為多個星點(diǎn)，或者將多個星點(diǎn)合并為一個星點(diǎn)，導(dǎo)致定位精度嚴(yán)重下降。在實(shí)際應(yīng)用中，不同的星點(diǎn)提取算法適用于不同的場景。掃描法和矢量法雖然存在對噪聲敏感等問題，但在噪聲較小、星點(diǎn)分布較為稀疏的情況下，仍然可以快速地提取出星點(diǎn)；高通濾波法在背景較為均勻、噪聲相對較小的環(huán)境中，能夠較好地提取星點(diǎn)；局部熵法在已知星點(diǎn)數(shù)量且星點(diǎn)分布較為規(guī)則的情況下，能夠發(fā)揮其優(yōu)勢。隨著航天任務(wù)對星敏感器性能要求的不斷提高，單一的星點(diǎn)提取算法往往難以滿足復(fù)雜多變的太空環(huán)境需求，因此，研究人員開始致力于將多種算法相結(jié)合，取長補(bǔ)短，以提高星點(diǎn)提取的精度和效率。例如，將掃描法與矢量法相結(jié)合，先利用掃描法快速獲取潛在星點(diǎn)，再利用矢量法對這些潛在星點(diǎn)進(jìn)行進(jìn)一步篩選和精確定位；或者將高通濾波法與局部熵法相結(jié)合，先通過高通濾波增強(qiáng)星點(diǎn)與背景的對比度，再利用局部熵法準(zhǔn)確地確定星點(diǎn)的位置。此外，隨著人工智能技術(shù)的發(fā)展，基于深度學(xué)習(xí)的星點(diǎn)提取算法也逐漸成為研究熱點(diǎn)，這類算法能夠自動學(xué)習(xí)星點(diǎn)的特征，在復(fù)雜環(huán)境下表現(xiàn)出更好的適應(yīng)性和準(zhǔn)確性，但目前仍面臨著訓(xùn)練數(shù)據(jù)需求大、計算資源消耗高等挑戰(zhàn)。1.2.2星圖識別算法研究現(xiàn)狀星圖識別算法作為小視場星敏感器實(shí)現(xiàn)高精度姿態(tài)測量的關(guān)鍵技術(shù)之一，其作用是將星敏感器觀測到的星圖與預(yù)先存儲在星庫中的參考星圖進(jìn)行匹配，從而確定星敏感器的姿態(tài)。經(jīng)過多年的發(fā)展，已經(jīng)涌現(xiàn)出多種成熟的星圖識別算法，每種算法都有其獨(dú)特的原理、應(yīng)用場景及面臨的挑戰(zhàn)。三角形算法是目前應(yīng)用最為廣泛的星圖識別算法之一。其基本原理是通過測量三個已知星點(diǎn)之間的角度和距離，構(gòu)建三角形特征。在觀測星圖中，同樣提取星點(diǎn)并構(gòu)建三角形，然后將觀測三角形與星庫中預(yù)先生成的三角形進(jìn)行匹配。通過多組三角形測量，可以計算出未知星點(diǎn)的坐標(biāo)，進(jìn)而確定星圖的姿態(tài)。該算法具有高精度的優(yōu)點(diǎn)，通過精確的三角形匹配，能夠有效地定位和識別目標(biāo)。同時，它對噪聲和圖像失真也有一定的抵抗能力，具有較好的魯棒性，適用于多種應(yīng)用場景，如天文研究、衛(wèi)星跟蹤、導(dǎo)彈制導(dǎo)等領(lǐng)域。然而，三角形算法也存在一些明顯的缺點(diǎn)。首先，其計算復(fù)雜度較高，特別是基于像素的算法，在處理大量星點(diǎn)時，需要進(jìn)行大量的三角形構(gòu)建和匹配計算，這會消耗大量的計算資源和時間。其次，該算法對圖像預(yù)處理要求較高，為了獲取良好的識別效果，通常需要對原始星圖進(jìn)行復(fù)雜的預(yù)處理操作，如降噪、圖像增強(qiáng)等。此外，如果目標(biāo)形狀與理想三角形相差較大，例如在星點(diǎn)受到遮擋或星圖存在嚴(yán)重畸變的情況下，識別效果可能會下降。模式識別算法通過建立星座模式庫，將待識別星圖與模式庫中的星座模式進(jìn)行比對，找到最佳匹配的星座模式。該算法通常使用特征提取和分類器的方法，如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等。在特征提取階段，會提取星圖中的各種特征，如星點(diǎn)的位置、亮度、星等、角距等；然后在分類器中，將這些特征與模式庫中的特征進(jìn)行比較和匹配，從而實(shí)現(xiàn)星圖的識別。模式識別算法適用于對實(shí)時性要求較高、星圖特征較為明顯的場景，如一些需要快速確定航天器大致姿態(tài)的任務(wù)中。但是，該算法也面臨著一些挑戰(zhàn)。一方面，建立準(zhǔn)確且全面的星座模式庫需要大量的先驗知識和數(shù)據(jù)，構(gòu)建過程較為復(fù)雜。另一方面，當(dāng)星圖受到噪聲干擾、星點(diǎn)缺失或存在虛假星點(diǎn)時，可能會導(dǎo)致特征提取不準(zhǔn)確，從而影響識別的準(zhǔn)確性。例如，在實(shí)際的太空環(huán)境中，宇宙射線等噪聲可能會使星點(diǎn)的亮度和位置發(fā)生變化，導(dǎo)致提取的特征與模式庫中的特征不匹配，進(jìn)而出現(xiàn)誤識別的情況。除了上述兩種算法，還有直方圖匹配算法、模板匹配算法等。直方圖匹配算法通過計算待識別星圖和已知星圖之間的直方圖相似度，來確定最佳匹配的星圖，通常使用顏色或亮度直方圖進(jìn)行比較。這種算法計算相對簡單，但對星圖的細(xì)節(jié)特征利用不足，容易受到光照變化等因素的影響，識別準(zhǔn)確率相對較低。模板匹配算法則是通過將已知星圖的模板與待識別星圖進(jìn)行比對，找到最佳匹配的位置，通常使用相關(guān)性或差異性度量來評估匹配程度。該算法對模板的依賴性較強(qiáng)，當(dāng)星圖出現(xiàn)旋轉(zhuǎn)、縮放等變化時，匹配效果會受到較大影響。隨著航天技術(shù)的不斷發(fā)展，對星圖識別算法的性能要求也越來越高。未來的研究方向主要集中在以下幾個方面：一是算法優(yōu)化，通過改進(jìn)算法結(jié)構(gòu)和計算方法，減少計算復(fù)雜度，提高識別速度，同時保持高精度；二是深度學(xué)習(xí)融合，結(jié)合深度學(xué)習(xí)技術(shù)，如卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等，利用其強(qiáng)大的特征學(xué)習(xí)能力，提升算法的自適應(yīng)能力和泛化能力，使其能夠更好地處理復(fù)雜多變的星圖；三是多模態(tài)融合，結(jié)合顏色、紋理、邊緣等多種信息，充分利用星圖的各種特征，提高識別的魯棒性和準(zhǔn)確性；四是實(shí)時處理，針對實(shí)時應(yīng)用需求，開發(fā)適用于嵌入式系統(tǒng)的輕量化算法，滿足航天器對實(shí)時性和低功耗的要求。例如，在一些深空探測任務(wù)中，航天器需要在短時間內(nèi)快速準(zhǔn)確地確定姿態(tài)，這就要求星圖識別算法能夠在有限的計算資源下，實(shí)現(xiàn)快速、準(zhǔn)確的星圖識別。1.3研究內(nèi)容與創(chuàng)新點(diǎn)本研究聚焦于小視場星敏感器的星點(diǎn)提取與星圖識別算法，致力于提升小視場星敏感器在復(fù)雜太空環(huán)境下的測量精度和實(shí)時性。研究內(nèi)容涵蓋了星點(diǎn)提取算法的優(yōu)化以及星圖識別算法的改進(jìn)與創(chuàng)新。在星點(diǎn)提取算法方面，深入研究了當(dāng)前主流的掃描法、矢量法、高通濾波法和局部熵法等算法。通過對這些算法的原理、優(yōu)缺點(diǎn)進(jìn)行細(xì)致分析，發(fā)現(xiàn)它們在實(shí)際應(yīng)用中存在對噪聲敏感、星點(diǎn)提取數(shù)量受限、計算復(fù)雜度高以及定位精度受局部窗口影響等問題。針對這些問題，提出了一種融合多算法優(yōu)勢的改進(jìn)星點(diǎn)提取算法。該算法首先利用矢量法快速獲取候選星點(diǎn)目標(biāo)的位置信息，初步確定潛在星點(diǎn)；然后引入高通濾波法對星圖進(jìn)行處理，增強(qiáng)星點(diǎn)與背景的對比度，進(jìn)一步篩選出真實(shí)星點(diǎn)；最后采用基于自適應(yīng)窗口的局部熵法，根據(jù)星圖局部熵的變化來獲取各個星點(diǎn)的目標(biāo)區(qū)域，實(shí)現(xiàn)星點(diǎn)的精確定位。通過這樣的融合策略，充分發(fā)揮各算法的長處，有效提高了星點(diǎn)提取的精度和效率，降低了噪聲和背景起伏對星點(diǎn)提取的影響。在星圖識別算法方面，重點(diǎn)研究了三角形算法和模式識別算法。三角形算法雖然精度高、魯棒性好，但計算復(fù)雜度高、對圖像預(yù)處理要求高；模式識別算法實(shí)時性較好，但建立星座模式庫復(fù)雜，且對噪聲敏感。為了克服這些缺點(diǎn)，提出了一種基于改進(jìn)三角形算法與深度學(xué)習(xí)相結(jié)合的星圖識別方法。在改進(jìn)三角形算法部分，通過優(yōu)化三角形構(gòu)建和匹配策略，減少了不必要的計算量，提高了算法的運(yùn)行速度。具體來說，采用了基于星點(diǎn)亮度和分布密度的三角形篩選策略，優(yōu)先選擇亮度較高、分布較為均勻的星點(diǎn)構(gòu)建三角形，避免了大量無效三角形的計算。在深度學(xué)習(xí)部分，引入卷積神經(jīng)網(wǎng)絡(luò)（CNN）對星圖進(jìn)行特征提取和分類。CNN能夠自動學(xué)習(xí)星圖中的復(fù)雜特征，對噪聲和圖像畸變具有更強(qiáng)的適應(yīng)性。通過將改進(jìn)三角形算法與CNN相結(jié)合，實(shí)現(xiàn)了優(yōu)勢互補(bǔ)，既提高了星圖識別的準(zhǔn)確性和魯棒性，又保證了算法的實(shí)時性。本研究的創(chuàng)新點(diǎn)主要體現(xiàn)在以下兩個方面。一是算法融合創(chuàng)新，將多種星點(diǎn)提取算法和星圖識別算法進(jìn)行有機(jī)融合，充分發(fā)揮各算法的優(yōu)勢，彌補(bǔ)單一算法的不足，從而提升了小視場星敏感器的整體性能。這種融合策略為星點(diǎn)提取與星圖識別算法的研究提供了新的思路和方法。二是引入深度學(xué)習(xí)技術(shù)，利用深度學(xué)習(xí)強(qiáng)大的特征學(xué)習(xí)能力，對星圖進(jìn)行更深入、更全面的特征提取和分析。通過將深度學(xué)習(xí)與傳統(tǒng)星圖識別算法相結(jié)合，有效提高了算法對復(fù)雜星圖的適應(yīng)能力和識別準(zhǔn)確率，為星圖識別技術(shù)的發(fā)展開辟了新的方向。二、小視場星敏感器工作原理與系統(tǒng)構(gòu)成2.1工作原理小視場星敏感器作為航天器姿態(tài)測量的關(guān)鍵設(shè)備，其工作原理基于對恒星的精確觀測和復(fù)雜的數(shù)據(jù)處理，涉及光學(xué)成像、圖像處理、模式識別等多個領(lǐng)域的技術(shù)融合。從物理過程來看，小視場星敏感器首先利用光學(xué)鏡頭收集恒星發(fā)出的光線。在浩瀚的宇宙中，恒星作為相對穩(wěn)定的光源，其光線攜帶了關(guān)于恒星位置和方向的信息。光學(xué)鏡頭就如同一個精密的聚光器，將這些來自遙遠(yuǎn)恒星的微弱光線聚焦到圖像傳感器的靶面上。這一過程類似于我們?nèi)粘Ｊ褂玫南鄼C(jī)鏡頭，通過特定的光學(xué)結(jié)構(gòu)和參數(shù)設(shè)置，確保光線能夠準(zhǔn)確地投射到圖像傳感器上，形成清晰的星點(diǎn)圖像。圖像傳感器則是實(shí)現(xiàn)光信號到電信號轉(zhuǎn)換的關(guān)鍵部件，它將接收到的光能量轉(zhuǎn)化為電信號，這些電信號以像素的形式記錄了星點(diǎn)在圖像傳感器靶面上的位置和亮度信息，從而完成了恒星成像的初步過程。在完成恒星成像后，星點(diǎn)提取算法開始發(fā)揮作用。星點(diǎn)提取的目的是從包含大量背景噪聲和其他干擾信息的星圖中，準(zhǔn)確地識別出星點(diǎn)，并計算出其精確位置。在實(shí)際的太空環(huán)境中，星圖會受到多種因素的干擾，如宇宙射線、熱噪聲、航天器自身的振動等，這些干擾會使星圖中的星點(diǎn)變得模糊、微弱，甚至被噪聲淹沒。為了克服這些困難，星點(diǎn)提取算法采用了多種技術(shù)手段。例如，通過設(shè)定合適的灰度閾值，將高于閾值的像素點(diǎn)判定為潛在星點(diǎn)，從而初步篩選出可能的星點(diǎn)目標(biāo)；利用圖像濾波技術(shù)，去除噪聲干擾，增強(qiáng)星點(diǎn)與背景的對比度，使星點(diǎn)更加清晰可辨；采用亞像元定位算法，對星點(diǎn)的位置進(jìn)行精確計算，將星點(diǎn)定位精度提高到亞像元級別，從而獲得星點(diǎn)在圖像傳感器靶面上的高精度位置信息。通過這些技術(shù)手段的綜合應(yīng)用，星點(diǎn)提取算法能夠在復(fù)雜的星圖中準(zhǔn)確地提取出星點(diǎn)，并為后續(xù)的星圖識別提供可靠的數(shù)據(jù)基礎(chǔ)。星圖識別是小視場星敏感器工作原理中的核心環(huán)節(jié)之一。其主要任務(wù)是將星點(diǎn)提取階段得到的觀測星點(diǎn)與預(yù)先存儲在星庫中的參考星進(jìn)行匹配，以確定觀測星點(diǎn)對應(yīng)的真實(shí)恒星，進(jìn)而確定星敏感器的姿態(tài)。星庫中存儲了大量恒星的位置、亮度、星等、角距等特征信息，這些信息是通過長期的天文觀測和研究積累得到的。在星圖識別過程中，首先需要從觀測星點(diǎn)中提取出與星庫中參考星相匹配的特征信息，如星點(diǎn)之間的角距、星等分布等。然后，利用這些特征信息，通過特定的匹配算法，在星庫中搜索與之匹配的參考星。常見的匹配算法包括三角形算法、模式識別算法、直方圖匹配算法等，每種算法都有其獨(dú)特的原理和適用場景。例如，三角形算法通過構(gòu)建觀測星點(diǎn)之間的三角形，并將其與星庫中參考星構(gòu)成的三角形進(jìn)行匹配，利用三角形的幾何特征來確定觀測星點(diǎn)與參考星的對應(yīng)關(guān)系；模式識別算法則是通過建立星座模式庫，將觀測星圖與模式庫中的星座模式進(jìn)行比對，找到最佳匹配的星座模式，從而實(shí)現(xiàn)星圖識別。通過星圖識別算法的處理，能夠準(zhǔn)確地確定觀測星點(diǎn)對應(yīng)的真實(shí)恒星，為姿態(tài)解算提供關(guān)鍵的輸入信息。姿態(tài)解算是小視場星敏感器工作原理的最后一個重要環(huán)節(jié)。在確定了觀測星點(diǎn)對應(yīng)的真實(shí)恒星后，姿態(tài)解算算法利用這些恒星的位置信息和星敏感器的幾何模型，通過數(shù)學(xué)計算來確定星敏感器的三軸姿態(tài)，即俯仰角、偏航角和滾動角。姿態(tài)解算的數(shù)學(xué)模型通?；谙蛄窟\(yùn)算和坐標(biāo)變換，通過將恒星在慣性坐標(biāo)系中的位置向量與星敏感器坐標(biāo)系中的向量進(jìn)行轉(zhuǎn)換和計算，得到星敏感器相對于慣性坐標(biāo)系的姿態(tài)矩陣，進(jìn)而解算出三軸姿態(tài)角。在實(shí)際應(yīng)用中，為了提高姿態(tài)解算的精度和可靠性，通常會采用多顆恒星進(jìn)行聯(lián)合解算，并對解算結(jié)果進(jìn)行濾波和優(yōu)化處理，以減小誤差和噪聲的影響。例如，采用卡爾曼濾波算法對姿態(tài)解算結(jié)果進(jìn)行濾波，通過對系統(tǒng)狀態(tài)的預(yù)測和測量值的更新，不斷優(yōu)化姿態(tài)解算結(jié)果，提高姿態(tài)測量的精度和穩(wěn)定性。通過姿態(tài)解算，小視場星敏感器能夠為航天器提供高精度的姿態(tài)數(shù)據(jù)，為航天器的導(dǎo)航、控制和科學(xué)探測任務(wù)提供重要的支持。2.2系統(tǒng)構(gòu)成小視場星敏感器作為一種精密的航天器姿態(tài)測量儀器，其系統(tǒng)構(gòu)成涵蓋了多個關(guān)鍵部件，每個部件都在實(shí)現(xiàn)高精度姿態(tài)測量的過程中發(fā)揮著不可或缺的作用。這些部件相互協(xié)作，共同完成從星光采集到姿態(tài)信息輸出的復(fù)雜任務(wù)。遮光罩是小視場星敏感器抵御雜光干擾的重要防線。在太空中，除了恒星的光線外，還存在著大量來自太陽、地球反射光以及其他天體的雜散光。這些雜散光如果進(jìn)入星敏感器的光學(xué)系統(tǒng)，會在圖像傳感器上形成噪聲信號，嚴(yán)重影響星點(diǎn)成像的質(zhì)量，導(dǎo)致星點(diǎn)的亮度、位置信息失真，進(jìn)而干擾星點(diǎn)提取和星圖識別的準(zhǔn)確性。遮光罩通過特殊的結(jié)構(gòu)設(shè)計和材料選擇，能夠有效地阻擋和吸收雜散光。其內(nèi)部通常采用吸光性能良好的材料，如黑色陽極氧化處理的金屬材料，以減少光線的反射；結(jié)構(gòu)上則設(shè)計成多層、多角度的擋光葉片，確保不同方向入射的雜散光都能被遮擋，為光學(xué)鏡頭提供一個純凈的星光采集環(huán)境。光學(xué)鏡頭是小視場星敏感器的光學(xué)核心部件，其作用是將遙遠(yuǎn)恒星發(fā)出的微弱光線準(zhǔn)確地聚焦到圖像傳感器的靶面上，形成清晰的星點(diǎn)圖像。為了實(shí)現(xiàn)這一目標(biāo)，光學(xué)鏡頭需要具備高精度的光學(xué)設(shè)計和制造工藝。在光學(xué)設(shè)計方面，需要考慮多種像差的校正，如球差、色差、彗差等，以確保光線在成像過程中的準(zhǔn)確性和一致性。采用多片不同折射率、色散特性的光學(xué)鏡片組合，通過精確計算鏡片的曲率、厚度和間距，來校正各種像差，使星點(diǎn)在圖像傳感器上呈現(xiàn)出最小的彌散斑。在制造工藝上，對鏡片的表面精度、鍍膜質(zhì)量等要求極高。鏡片表面的微小瑕疵或粗糙度都會影響光線的傳播和聚焦，導(dǎo)致成像質(zhì)量下降。而高質(zhì)量的鍍膜可以提高鏡片對星光的透過率，減少光線的反射損失，增強(qiáng)星點(diǎn)的成像亮度。圖像傳感器是實(shí)現(xiàn)光信號到電信號轉(zhuǎn)換的關(guān)鍵器件，它將光學(xué)鏡頭聚焦的星點(diǎn)圖像轉(zhuǎn)化為電信號，以便后續(xù)的電路處理和分析。常見的圖像傳感器有電荷耦合器件（CCD）和互補(bǔ)金屬氧化物半導(dǎo)體（CMOS）。CCD具有較高的靈敏度和良好的圖像質(zhì)量，能夠精確地捕捉星點(diǎn)的微弱光線，并將其轉(zhuǎn)化為穩(wěn)定的電信號。其工作原理是利用光電效應(yīng)，當(dāng)星光照射到CCD的像素單元上時，光子激發(fā)產(chǎn)生電子-空穴對，這些電子被收集并存儲在像素單元中，通過電荷轉(zhuǎn)移的方式依次輸出，形成與星點(diǎn)圖像對應(yīng)的電信號序列。CMOS圖像傳感器則具有功耗低、集成度高、讀取速度快等優(yōu)點(diǎn)，更適合一些對功耗和數(shù)據(jù)處理速度有要求的應(yīng)用場景。CMOS傳感器每個像素單元都包含一個光電二極管和一個放大器，光電二極管將光信號轉(zhuǎn)化為電信號后，放大器直接對信號進(jìn)行放大和處理，然后通過數(shù)字電路輸出數(shù)字信號，方便后續(xù)的數(shù)字化處理和存儲。成像電路負(fù)責(zé)實(shí)現(xiàn)圖像傳感器的成像驅(qū)動和時序控制，確保圖像傳感器能夠按照預(yù)定的方式工作，準(zhǔn)確地采集和輸出星點(diǎn)圖像數(shù)據(jù)。成像電路需要為圖像傳感器提供合適的工作電壓、時鐘信號和控制信號。工作電壓的穩(wěn)定性直接影響圖像傳感器的性能，如靈敏度、噪聲水平等。不穩(wěn)定的電壓可能導(dǎo)致圖像傳感器的像素響應(yīng)不一致，產(chǎn)生圖像噪聲和失真。時鐘信號則用于同步圖像傳感器內(nèi)部的各種操作，如電荷轉(zhuǎn)移、信號讀取等，確保每個像素的信號采集和處理都能按照正確的時序進(jìn)行。控制信號用于設(shè)置圖像傳感器的工作模式，如曝光時間、增益等參數(shù)，根據(jù)不同的觀測條件和應(yīng)用需求，靈活調(diào)整圖像傳感器的工作狀態(tài)，以獲取最佳的星點(diǎn)圖像。圖像處理電路是小視場星敏感器數(shù)據(jù)處理的核心部分，承擔(dān)著對星敏感器圖像和數(shù)據(jù)進(jìn)行處理的重要任務(wù)。在星點(diǎn)提取階段，圖像處理電路通過各種算法對原始星圖進(jìn)行預(yù)處理，去除噪聲干擾，增強(qiáng)星點(diǎn)與背景的對比度。采用中值濾波、高斯濾波等算法去除圖像中的隨機(jī)噪聲，利用直方圖均衡化、對比度拉伸等方法增強(qiáng)星點(diǎn)的亮度和邊緣信息，使星點(diǎn)更容易被識別和提取。然后，運(yùn)用特定的星點(diǎn)提取算法，如基于閾值分割的算法、基于邊緣檢測的算法等，從預(yù)處理后的星圖中準(zhǔn)確地識別出星點(diǎn)，并計算其位置和亮度信息。在星圖識別階段，圖像處理電路將提取到的星點(diǎn)信息與預(yù)先存儲在星庫中的參考星信息進(jìn)行匹配。通過計算星點(diǎn)之間的角距、星等分布等特征，并與星庫中的參考星特征進(jìn)行比對，找到最匹配的參考星，從而確定星敏感器的姿態(tài)。圖像處理電路還需要具備高效的數(shù)據(jù)處理能力，能夠在短時間內(nèi)完成大量的圖像和數(shù)據(jù)處理任務(wù)，以滿足航天器對實(shí)時性的要求。電源和數(shù)據(jù)接口是小視場星敏感器與外部系統(tǒng)進(jìn)行交互的重要橋梁。電源接口負(fù)責(zé)為星敏感器提供穩(wěn)定的電力供應(yīng)，確保各個部件能夠正常工作。在航天器的復(fù)雜電源環(huán)境下，電源接口需要具備良好的電源適應(yīng)性和抗干擾能力，能夠?qū)⒑教炱魈峁┑碾娫催M(jìn)行轉(zhuǎn)換和穩(wěn)壓，為星敏感器的各個部件提供符合要求的直流電源。同時，電源接口還需要具備過壓保護(hù)、過流保護(hù)等功能，防止因電源異常而損壞星敏感器。數(shù)據(jù)接口則用于實(shí)現(xiàn)星敏感器與航天器其他系統(tǒng)之間的數(shù)據(jù)通訊，將星敏感器處理得到的姿態(tài)信息傳輸給航天器的控制系統(tǒng)，為航天器的導(dǎo)航、控制提供關(guān)鍵數(shù)據(jù)支持。常見的數(shù)據(jù)接口有RS-422、CAN、以太網(wǎng)等，不同的數(shù)據(jù)接口具有不同的傳輸速率、協(xié)議和電氣特性，根據(jù)航天器的系統(tǒng)架構(gòu)和數(shù)據(jù)傳輸需求進(jìn)行選擇。機(jī)殼作為小視場星敏感器的物理載體，不僅為內(nèi)部的各個部件提供了機(jī)械支撐和保護(hù)，還對星敏感器的整體性能有著重要影響。機(jī)殼需要具備足夠的強(qiáng)度和剛度，以承受航天器發(fā)射、運(yùn)行過程中的各種力學(xué)載荷，如振動、沖擊等，確保內(nèi)部部件的相對位置和工作狀態(tài)不受影響。機(jī)殼的材料通常選擇高強(qiáng)度、低密度的金屬材料，如鋁合金、鈦合金等，這些材料在保證結(jié)構(gòu)強(qiáng)度的同時，減輕了星敏感器的整體重量，有利于航天器的發(fā)射和運(yùn)行。機(jī)殼還需要具備良好的熱管理性能，能夠有效地傳導(dǎo)和散發(fā)內(nèi)部部件產(chǎn)生的熱量，保持星敏感器在適宜的工作溫度范圍內(nèi)。在太空中，溫度變化范圍很大，機(jī)殼的熱設(shè)計需要考慮到散熱、隔熱等多方面因素，采用熱傳導(dǎo)材料、隔熱材料以及散熱鰭片等結(jié)構(gòu)，確保星敏感器內(nèi)部的溫度穩(wěn)定，避免因溫度過高或過低而影響部件的性能和壽命。三、星點(diǎn)提取算法研究3.1常見星點(diǎn)提取算法分析星點(diǎn)提取作為小視場星敏感器圖像處理的關(guān)鍵環(huán)節(jié)，其算法的優(yōu)劣直接關(guān)系到星圖識別和姿態(tài)確定的精度。在過去的幾十年里，研究人員提出了多種星點(diǎn)提取算法，每種算法都有其獨(dú)特的原理、優(yōu)勢和局限性。下面將對幾種常見的星點(diǎn)提取算法進(jìn)行詳細(xì)分析。3.1.1掃描法掃描法是一種基礎(chǔ)且常用的星點(diǎn)提取算法，其原理相對簡單直觀。在處理星圖時，掃描法對星圖進(jìn)行逐行或逐列掃描，通過設(shè)定一個合適的灰度閾值，將灰度值高于該閾值的像素點(diǎn)判定為潛在星點(diǎn)。這種算法的優(yōu)勢在于實(shí)現(xiàn)過程簡便，僅需一次閾值掃描，就能快速確定星圖中潛在的星點(diǎn)目標(biāo)。例如，在一幅簡單的星圖中，通過設(shè)定合適的閾值，掃描法能夠迅速將星點(diǎn)從背景中初步分離出來，為后續(xù)的處理提供基礎(chǔ)。然而，掃描法的缺點(diǎn)也較為明顯，它對噪聲的敏感度極高。在實(shí)際的太空環(huán)境中，星圖不可避免地會受到各種噪聲的干擾，如宇宙射線、熱噪聲等。這些噪聲會使星圖的背景變得復(fù)雜，當(dāng)背景噪聲較大時，掃描法的掃描結(jié)果中將會出現(xiàn)大量的虛假目標(biāo)。這些虛假目標(biāo)與真實(shí)星點(diǎn)在灰度值上可能較為接近，難以通過簡單的閾值分割進(jìn)行區(qū)分，從而導(dǎo)致后續(xù)聚類過程耗時增加。而且，部分虛假星點(diǎn)的形狀和特征可能與真實(shí)星點(diǎn)相似，通過常規(guī)的偽星判別方法難以有效剔除，這些虛假星點(diǎn)一旦參與到后續(xù)的星圖識別過程中，將會對識別成功概率產(chǎn)生嚴(yán)重影響，導(dǎo)致姿態(tài)解算出現(xiàn)偏差。因此，掃描法在噪聲較大的星圖處理中存在較大的局限性，通常適用于噪聲水平較低的場景。3.1.2矢量法矢量法是在掃描法基礎(chǔ)上發(fā)展起來的一種改進(jìn)算法，其在提高星點(diǎn)提取速度方面做出了重要改進(jìn)。矢量法的核心原理是引入了兩個整數(shù)矢量，通過巧妙利用這兩個矢量，在對星圖進(jìn)行掃描時，能夠快速獲取所有候選星點(diǎn)目標(biāo)的位置信息。相較于掃描法，矢量法在掃描過程中可以更高效地篩選出潛在星點(diǎn)，大大減少了不必要的計算量，從而顯著提高了星點(diǎn)提取的速度。盡管矢量法在速度上具有優(yōu)勢，但它也存在一些局限性。矢量法能提取的星點(diǎn)數(shù)量是固定的，這在實(shí)際應(yīng)用中可能會帶來問題。當(dāng)星圖中的噪聲較大或分割閾值設(shè)置不合適時，提取出的星點(diǎn)目標(biāo)數(shù)量會迅速達(dá)到上限。例如，在噪聲干擾嚴(yán)重的情況下，大量虛假星點(diǎn)被誤提取，使得星點(diǎn)存儲數(shù)量很快飽和，而此時真正的星點(diǎn)可能由于存儲空間已滿而無法被準(zhǔn)確提取，進(jìn)而影響后續(xù)的星圖識別性能。此外，矢量法對圖像背景噪聲也很敏感，與掃描法類似，在噪聲較大的情況下，虛假星點(diǎn)的增加會降低星點(diǎn)提取的準(zhǔn)確性和可靠性。因此，矢量法在應(yīng)用時需要根據(jù)星圖的實(shí)際情況，合理設(shè)置參數(shù)，以盡量減少噪聲和固定星點(diǎn)數(shù)量限制對星點(diǎn)提取的影響。3.1.3高通濾波法高通濾波法是一種較為復(fù)雜的星點(diǎn)提取算法，它結(jié)合了高通濾波和bernsen動態(tài)閾值的技術(shù)。首先，高通濾波法采用高通濾波對星圖進(jìn)行處理。高通濾波器的作用是允許高于某一截頻的頻率通過，而大大衰減較低頻率的信號。在星圖處理中，高通濾波能夠增強(qiáng)星點(diǎn)與背景之間的對比度，突出星點(diǎn)的邊緣和細(xì)節(jié)信息，使得星點(diǎn)在圖像中更加明顯，便于后續(xù)的提取操作。在完成高通濾波后，高通濾波法采用bernsen動態(tài)閾值對處理后的星圖中的候選星點(diǎn)目標(biāo)進(jìn)行提取。bernsen動態(tài)閾值能夠根據(jù)圖像的局部特征自適應(yīng)地調(diào)整閾值，提高星點(diǎn)提取的準(zhǔn)確性。然而，該算法存在一定的缺陷。如果星圖中存在較多的虛假星點(diǎn)目標(biāo)，由于這些虛假目標(biāo)的干擾，需要對每個窗口內(nèi)的候選星點(diǎn)目標(biāo)進(jìn)行二次提取。這一過程不僅大大增加了算法的時間復(fù)雜度，降低了算法效率，而且在背景起伏較大的情況下，提取效果也不盡如人意。例如，當(dāng)星圖受到雜散光的影響，背景灰度值出現(xiàn)較大波動時，bernsen動態(tài)閾值難以準(zhǔn)確地適應(yīng)這種變化，導(dǎo)致無法準(zhǔn)確地提取出星點(diǎn)，容易出現(xiàn)漏提或誤提的情況。因此，高通濾波法在背景復(fù)雜、噪聲較多的情況下，其性能會受到較大影響，需要謹(jǐn)慎使用。3.1.4局部熵法局部熵法是一種基于圖像局部特征的星點(diǎn)提取算法，其依據(jù)星圖局部熵的變化來獲取各個星點(diǎn)的目標(biāo)區(qū)域。熵是信息論中的一個重要概念，它反映了信號的不確定性或混亂程度。在星圖中，星點(diǎn)區(qū)域的灰度分布相對不均勻，其局部熵值與背景區(qū)域存在明顯差異。局部熵法正是利用這一特性，通過計算星圖中各個局部區(qū)域的熵值，來確定星點(diǎn)的位置和范圍。具體來說，局部熵法首先將星圖劃分為多個局部窗口，然后計算每個窗口內(nèi)的熵值。當(dāng)某個窗口內(nèi)的熵值超過一定閾值時，該窗口被判定為可能包含星點(diǎn)目標(biāo)的區(qū)域。接著，通過進(jìn)一步的處理，如形態(tài)學(xué)操作、質(zhì)心計算等，來精確確定星點(diǎn)的位置和形狀。然而，局部熵法存在一些不足之處。它需要提前獲知星點(diǎn)目標(biāo)的個數(shù)，這在實(shí)際應(yīng)用中往往難以滿足。在復(fù)雜的太空環(huán)境下，星圖中的星點(diǎn)數(shù)量是不確定的，而且隨著觀測條件的變化，星點(diǎn)數(shù)量也可能發(fā)生改變。此外，局部熵法的定位精度受到局部窗口大小的影響。如果星點(diǎn)目標(biāo)恰好分布在多個局部窗口內(nèi)，將會產(chǎn)生很大的定位誤差。例如，當(dāng)星點(diǎn)分布較為密集時，由于局部窗口的限制，可能會將一個星點(diǎn)誤判為多個星點(diǎn)，或者將多個星點(diǎn)合并為一個星點(diǎn)，導(dǎo)致定位精度嚴(yán)重下降。因此，局部熵法在應(yīng)用時需要充分考慮星點(diǎn)數(shù)量的不確定性和窗口大小的選擇，以提高星點(diǎn)提取的準(zhǔn)確性。3.2改進(jìn)的星點(diǎn)提取算法3.2.1基于動態(tài)視覺傳感的高動態(tài)星點(diǎn)提取算法在航天器的實(shí)際運(yùn)行過程中，高動態(tài)環(huán)境是一個常見且極具挑戰(zhàn)性的工況。當(dāng)航天器處于高速機(jī)動、快速變軌等狀態(tài)時，恒星與星敏感器之間會產(chǎn)生顯著的相對運(yùn)動。在傳統(tǒng)成像模式下，星敏感器為了能夠拍攝到能量較低的恒星，通常需要較長的曝光時間。然而，在高動態(tài)情況下，較長的曝光時間會導(dǎo)致恒星在曝光過程中發(fā)生位移，使得星圖上出現(xiàn)星點(diǎn)拖尾現(xiàn)象。這種星點(diǎn)拖尾會嚴(yán)重降低星圖的信噪比，使得星點(diǎn)的特征變得模糊，從而極大地增加了星點(diǎn)質(zhì)心提取的難度，甚至可能導(dǎo)致提取失敗，最終限制了星敏感器的動態(tài)性能。為了有效解決高動態(tài)環(huán)境下的星點(diǎn)提取問題，基于動態(tài)視覺傳感的高動態(tài)星點(diǎn)提取算法應(yīng)運(yùn)而生。該算法充分利用了動態(tài)視覺傳感器的獨(dú)特優(yōu)勢，為星點(diǎn)提取提供了新的解決方案。動態(tài)視覺傳感器，也被稱為事件相機(jī)，其工作原理與傳統(tǒng)圖像傳感器有著本質(zhì)的區(qū)別。傳統(tǒng)圖像傳感器以固定的幀率輸出強(qiáng)度圖像幀，在每一幀中，所有像素點(diǎn)同時曝光，記錄下該時刻整個視場的光強(qiáng)信息。而動態(tài)視覺傳感器則只檢測視場中的亮度變化，當(dāng)某個像素點(diǎn)的亮度變化超過一定閾值時，該像素點(diǎn)就會輸出一個異步事件，這些事件構(gòu)成了事件流。每個事件包含了像素點(diǎn)的位置、時間戳和極性（表示亮度是增加還是減少）等信息，這種輸出方式使得動態(tài)視覺傳感器具有時間分辨率高、延遲低、動態(tài)范圍高以及無運(yùn)動模糊等優(yōu)點(diǎn)，非常適合在高動態(tài)環(huán)境下進(jìn)行星點(diǎn)提取。在基于動態(tài)視覺傳感的高動態(tài)星點(diǎn)提取算法中，事件流降噪是關(guān)鍵的第一步。星點(diǎn)事件流中不可避免地會存在噪聲，這些噪聲的來源多種多樣，包括傳感器自身的熱噪聲、宇宙射線等。噪聲的存在會干擾星點(diǎn)的識別和質(zhì)心提取，因此必須對其進(jìn)行有效的降噪處理?；跁r空密度的星點(diǎn)事件流降噪方法是一種有效的降噪策略，該方法主要分為兩步。第一步，利用事件之間的時空相關(guān)性來去除大部分噪聲事件。由于星點(diǎn)事件是由恒星的真實(shí)亮度變化產(chǎn)生的，它們在時間和空間上具有一定的連續(xù)性和相關(guān)性；而噪聲事件往往是隨機(jī)產(chǎn)生的，缺乏這種時空相關(guān)性。通過分析事件之間的時間間隔和空間距離，可以識別出那些不符合星點(diǎn)事件時空相關(guān)性的噪聲事件，并將其去除。第二步，針對時空相關(guān)性濾波無法去除事件流初始部分噪聲的問題，根據(jù)事件流的疏密程度對事件流進(jìn)一步降噪。在事件流的初始階段，由于數(shù)據(jù)量較少，時空相關(guān)性濾波可能無法有效地識別和去除噪聲。此時，通過統(tǒng)計事件流中一定時間窗口內(nèi)的事件數(shù)量，判斷事件流的疏密程度。如果事件流較為稀疏，說明可能存在較多噪聲，進(jìn)一步降低事件的閾值，以去除更多的噪聲事件。針對不同動態(tài)條件下事件流疏密程度不同導(dǎo)致時間鄰域發(fā)生改變的問題，根據(jù)事件流中事件的個數(shù)和首末事件的時間戳之差自適應(yīng)地調(diào)整時間鄰域大小。在高動態(tài)情況下，事件流的變化速度較快，時間鄰域需要相應(yīng)地減?。欢诘蛣討B(tài)情況下，時間鄰域可以適當(dāng)增大，以更好地利用事件之間的相關(guān)性進(jìn)行降噪。通過這種自適應(yīng)調(diào)整時間鄰域大小的方式，可以有效地提高降噪效果，確保在不同動態(tài)條件下都能準(zhǔn)確地去除噪聲，為后續(xù)的星點(diǎn)質(zhì)心提取提供干凈的事件流數(shù)據(jù)。在完成事件流降噪后，需要從降噪后的事件流中提取星點(diǎn)質(zhì)心。由于傳統(tǒng)基于圖像幀的星點(diǎn)質(zhì)心提取算法是基于圖像的灰度信息進(jìn)行計算的，而事件流是由離散的事件組成，不具備傳統(tǒng)圖像的灰度特征，因此傳統(tǒng)算法難以直接應(yīng)用在星點(diǎn)事件流上。基于事件的星點(diǎn)質(zhì)心提取方法則是專門針對事件流設(shè)計的一種有效方法，該方法主要分為兩步。第一步，根據(jù)角速度確定時間切片大小，截取星點(diǎn)事件流。在高動態(tài)環(huán)境下，恒星的運(yùn)動速度不同，因此需要根據(jù)角速度來合理地確定時間切片大小。角速度越大，時間切片大小應(yīng)越小，以確保在一個時間切片內(nèi)恒星的運(yùn)動距離不會過大，從而保證星點(diǎn)事件的完整性。通過截取星點(diǎn)事件流，得到一系列包含星點(diǎn)信息的事件簇。然后，通過均值漂移聚類實(shí)現(xiàn)星點(diǎn)事件簇的粗定位，確定星點(diǎn)事件簇的個數(shù)以及每個事件簇中的事件數(shù)量。均值漂移聚類是一種基于密度的聚類算法，它通過不斷地計算數(shù)據(jù)點(diǎn)的密度估計，并將數(shù)據(jù)點(diǎn)向密度最大的方向移動，從而實(shí)現(xiàn)聚類。在星點(diǎn)事件流中，星點(diǎn)事件簇的密度相對較高，通過均值漂移聚類可以有效地將星點(diǎn)事件簇從噪聲事件中分離出來，初步確定星點(diǎn)的位置。第二步，進(jìn)行星點(diǎn)質(zhì)心細(xì)分定位。根據(jù)星點(diǎn)事件簇中每個事件的坐標(biāo)值和事件的個數(shù)，計算事件簇的中心作為星點(diǎn)事件簇的質(zhì)心。具體來說，將星點(diǎn)事件簇中所有事件的橫坐標(biāo)和縱坐標(biāo)分別進(jìn)行加權(quán)求和，權(quán)重為每個事件的個數(shù)，然后再分別除以事件的總個數(shù)，得到的結(jié)果即為星點(diǎn)事件簇的質(zhì)心坐標(biāo)。通過這種兩步式的質(zhì)心提取方法，可以在高動態(tài)條件下準(zhǔn)確地提取出星點(diǎn)質(zhì)心，為后續(xù)的星圖識別和姿態(tài)解算提供高精度的星點(diǎn)位置信息。例如，在某航天器的高動態(tài)飛行實(shí)驗中，采用基于動態(tài)視覺傳感的高動態(tài)星點(diǎn)提取算法，成功地在高速機(jī)動過程中提取出星點(diǎn)質(zhì)心，平均誤差小于0.1pixels，當(dāng)角速度達(dá)到一定程度時，仍能穩(wěn)定地提取出星點(diǎn)質(zhì)心，相比傳統(tǒng)成像模式下的星點(diǎn)提取算法，極大地提高了星敏感器的動態(tài)性能，為航天器在高動態(tài)環(huán)境下的姿態(tài)測量提供了可靠的技術(shù)支持。3.2.2改進(jìn)游程編碼的FPGA快速星點(diǎn)提取算法在小視場星敏感器的星點(diǎn)提取過程中，如何在保證精度的前提下實(shí)現(xiàn)快速處理是一個關(guān)鍵問題?，F(xiàn)場可編程門陣列（FPGA）作為一種具有強(qiáng)大并行處理能力的硬件平臺，為星點(diǎn)提取算法的快速實(shí)現(xiàn)提供了有力的支持。結(jié)合星點(diǎn)目標(biāo)的特點(diǎn)與FPGA的并行處理能力，改進(jìn)傳統(tǒng)游程編碼算法，可以有效地實(shí)現(xiàn)快速準(zhǔn)確地提取星點(diǎn)質(zhì)心坐標(biāo)。星點(diǎn)目標(biāo)在星圖中具有一些獨(dú)特的特征。星點(diǎn)通常呈現(xiàn)為亮度較高的孤立點(diǎn)，其周圍的像素灰度值相對較低。而且星點(diǎn)的形狀近似為圓形，具有一定的對稱性。這些特征為星點(diǎn)提取算法的設(shè)計提供了重要的依據(jù)。傳統(tǒng)游程編碼算法是一種常用的圖像壓縮和分析算法，它通過對圖像中連續(xù)相同像素的行程進(jìn)行編碼，從而達(dá)到壓縮數(shù)據(jù)和提取圖像特征的目的。在星點(diǎn)提取中，傳統(tǒng)游程編碼算法可以用于快速檢測星點(diǎn)的位置，但它在處理星圖時存在一些局限性。傳統(tǒng)游程編碼算法在處理復(fù)雜星圖時，可能會因為噪聲和星點(diǎn)的重疊等問題，導(dǎo)致提取的星點(diǎn)位置不準(zhǔn)確，而且算法的計算復(fù)雜度較高，難以滿足星敏感器對實(shí)時性的要求。為了克服傳統(tǒng)游程編碼算法的不足，改進(jìn)游程編碼的FPGA快速星點(diǎn)提取算法對傳統(tǒng)算法進(jìn)行了多方面的優(yōu)化。在算法的預(yù)處理階段，針對星圖中可能存在的噪聲干擾，采用了一種自適應(yīng)的中值濾波算法。該算法能夠根據(jù)星圖的局部特征自適應(yīng)地調(diào)整濾波窗口的大小，在有效地去除噪聲的同時，最大限度地保留星點(diǎn)的細(xì)節(jié)信息。通過對星圖進(jìn)行自適應(yīng)中值濾波，可以提高星點(diǎn)與背景的對比度，為后續(xù)的游程編碼處理提供更清晰的圖像。在游程編碼過程中，改進(jìn)算法采用了一種基于并行處理的游程識別策略。利用FPGA的并行處理能力，將星圖劃分為多個子區(qū)域，每個子區(qū)域同時進(jìn)行游程編碼。在每個子區(qū)域內(nèi)，通過并行比較相鄰像素的灰度值，快速識別出星點(diǎn)的游程。當(dāng)檢測到一個像素的灰度值高于設(shè)定的閾值，且其相鄰像素的灰度值低于閾值時，就開始一個新的游程；當(dāng)遇到灰度值低于閾值的像素時，游程結(jié)束。通過這種并行游程識別策略，可以大大提高游程編碼的速度，減少算法的處理時間。在星點(diǎn)質(zhì)心計算階段，改進(jìn)算法采用了一種基于加權(quán)平均的質(zhì)心計算方法?？紤]到星點(diǎn)的亮度分布對質(zhì)心位置的影響，在計算質(zhì)心時，對星點(diǎn)游程內(nèi)的每個像素賦予一個與亮度相關(guān)的權(quán)重。亮度越高的像素，其權(quán)重越大，這樣可以更準(zhǔn)確地反映星點(diǎn)的能量分布，從而提高質(zhì)心計算的精度。具體計算時，先計算星點(diǎn)游程內(nèi)所有像素的橫坐標(biāo)和縱坐標(biāo)的加權(quán)和，權(quán)重為每個像素的亮度值，然后再分別除以星點(diǎn)游程內(nèi)所有像素的亮度總和，得到的結(jié)果即為星點(diǎn)的質(zhì)心坐標(biāo)。通過這種基于加權(quán)平均的質(zhì)心計算方法，可以在保證計算速度的同時，提高星點(diǎn)質(zhì)心的定位精度。為了進(jìn)一步提高算法的效率，改進(jìn)游程編碼的FPGA快速星點(diǎn)提取算法還采用了流水線技術(shù)。將整個星點(diǎn)提取過程劃分為多個階段，如預(yù)處理階段、游程編碼階段、質(zhì)心計算階段等，每個階段在FPGA的不同邏輯單元中并行執(zhí)行。前一個階段的輸出作為后一個階段的輸入，通過流水線的方式實(shí)現(xiàn)數(shù)據(jù)的快速傳輸和處理。這種流水線技術(shù)可以充分利用FPGA的硬件資源，提高算法的執(zhí)行效率，減少數(shù)據(jù)處理的延遲。例如，在某小視場星敏感器的實(shí)際應(yīng)用中，采用改進(jìn)游程編碼的FPGA快速星點(diǎn)提取算法，與傳統(tǒng)算法相比，星點(diǎn)提取的速度提高了數(shù)倍，同時質(zhì)心定位精度也得到了顯著提升，有效地滿足了星敏感器對實(shí)時性和精度的要求，為星圖識別和姿態(tài)解算提供了高效準(zhǔn)確的星點(diǎn)提取結(jié)果。四、星圖識別算法研究4.1常見星圖識別算法分析4.1.1三角形算法三角形算法作為當(dāng)前應(yīng)用最為廣泛的星圖識別算法之一，其原理基于三角形的幾何特性。在實(shí)際應(yīng)用中，首先在導(dǎo)航星庫中構(gòu)建大量的特征三角形，這些特征三角形由三顆導(dǎo)航星組成，通過精確測量三顆星之間的星角距來確定三角形的形狀和大小。在觀測星圖時，同樣提取星點(diǎn)并構(gòu)建觀測三角形，然后將觀測三角形的三對角距與特征三角形的角距進(jìn)行比對。如果三對角距對應(yīng)的誤差在一個設(shè)定的不確定度范圍內(nèi)，則認(rèn)為觀測三角形與特征三角形匹配，從而實(shí)現(xiàn)觀測星與導(dǎo)航星的對應(yīng)。然而，三角形算法存在一些顯著的缺點(diǎn)。在構(gòu)建特征三角形時，由于導(dǎo)航星的數(shù)量眾多，組合方式繁雜，導(dǎo)致構(gòu)建的特征三角形數(shù)量極為龐大。這使得在星圖識別過程中，冗余匹配的情況大量出現(xiàn)。每次進(jìn)行匹配時，算法需要在海量的特征三角形中進(jìn)行搜索和比對，這無疑大大增加了計算量和計算時間。例如，在一個包含數(shù)千顆導(dǎo)航星的星庫中，構(gòu)建的特征三角形數(shù)量可能達(dá)到數(shù)百萬甚至更多，當(dāng)觀測星圖中的星點(diǎn)與這些特征三角形進(jìn)行匹配時，計算量呈指數(shù)級增長，嚴(yán)重影響了星圖識別的效率。此外，三角形算法對噪聲的魯棒性較差。在實(shí)際的太空環(huán)境中，星圖不可避免地會受到各種噪聲的干擾，如宇宙射線、熱噪聲等。這些噪聲可能會導(dǎo)致星點(diǎn)的位置發(fā)生微小偏移，或者產(chǎn)生虛假星點(diǎn)，從而使觀測三角形的角距發(fā)生變化。當(dāng)噪聲干擾較大時，三角形算法可能會將錯誤的特征三角形識別為匹配三角形，導(dǎo)致星圖識別失敗，影響航天器姿態(tài)測量的準(zhǔn)確性。4.1.2模式識別算法模式識別算法是另一種常見的星圖識別方法，其基本原理是為每顆星構(gòu)造獨(dú)特的星模式，然后將這些星模式與導(dǎo)航星表中的星模式進(jìn)行匹配。在構(gòu)造星模式時，通常會考慮星點(diǎn)的多種特征，如星點(diǎn)的位置、亮度、星等以及星點(diǎn)之間的角距等。通過對這些特征的綜合分析和處理，形成具有唯一性的星模式。例如，可以以某顆星為中心，計算它與周圍其他星點(diǎn)之間的角距和亮度比值，將這些信息組合成一個特征向量，作為該星的星模式。在進(jìn)行星圖識別時，將觀測星圖中提取的星模式與導(dǎo)航星表中的星模式進(jìn)行逐一匹配。通過計算兩者之間的相似度，找到相似度最高的星模式，從而確定觀測星對應(yīng)的導(dǎo)航星。然而，模式識別算法存在一些局限性。首先，該算法的計算復(fù)雜度較高。構(gòu)造星模式和進(jìn)行匹配的過程都涉及到大量的數(shù)學(xué)計算，尤其是在處理復(fù)雜星圖時，星點(diǎn)數(shù)量較多，特征維度增加，計算量會急劇增大。例如，在一個包含大量星點(diǎn)的星圖中，為每顆星構(gòu)造星模式時，需要計算它與其他眾多星點(diǎn)之間的各種特征關(guān)系，這需要消耗大量的計算資源和時間。其次，模式識別算法對噪聲較為敏感。噪聲可能會導(dǎo)致星點(diǎn)的特征發(fā)生變化，從而使構(gòu)造的星模式與實(shí)際情況產(chǎn)生偏差。當(dāng)噪聲干擾較大時，星模式的準(zhǔn)確性會受到嚴(yán)重影響，導(dǎo)致匹配失敗或誤匹配的情況發(fā)生。此外，模式識別算法對導(dǎo)航星表的依賴性較強(qiáng)，如果導(dǎo)航星表中的星模式不準(zhǔn)確或不完整，也會影響星圖識別的效果。4.1.3子圖同構(gòu)算法子圖同構(gòu)算法將觀測星圖視為全天星圖的子圖，通過尋找觀測星圖與全天星圖中匹配的區(qū)域來實(shí)現(xiàn)星圖識別。在子圖同構(gòu)算法中，通常以星點(diǎn)之間的角距、星等、位置等信息作為基本元素來構(gòu)建子圖。將觀測星圖中的星點(diǎn)按照一定的規(guī)則連接成子圖，這些子圖包含了星點(diǎn)之間的幾何關(guān)系和特征信息。然后，在全天星圖中搜索與觀測星圖子圖同構(gòu)的區(qū)域，即找到那些具有相同拓?fù)浣Y(jié)構(gòu)和特征的子圖。通過這種方式，確定觀測星圖中星點(diǎn)與全天星圖中星點(diǎn)的對應(yīng)關(guān)系，從而實(shí)現(xiàn)星圖識別。然而，子圖同構(gòu)算法也存在一些問題。錯誤匹配是子圖同構(gòu)算法面臨的主要挑戰(zhàn)之一。由于星圖中星點(diǎn)的分布較為復(fù)雜，可能存在多個子圖在局部特征上相似，但實(shí)際上并不對應(yīng)相同的恒星。在匹配過程中，算法可能會將這些相似但錯誤的子圖識別為匹配子圖，從而導(dǎo)致錯誤匹配。這種錯誤匹配會嚴(yán)重影響星圖識別的準(zhǔn)確性和可靠性，進(jìn)而影響航天器姿態(tài)測量的精度。此外，子圖同構(gòu)算法的計算復(fù)雜度也較高。在搜索匹配子圖的過程中，需要對大量的子圖進(jìn)行比較和判斷，計算量隨著星點(diǎn)數(shù)量的增加而迅速增長。例如，在一個包含大量星點(diǎn)的全天星圖中，搜索與觀測星圖子圖同構(gòu)的區(qū)域時，需要遍歷各種可能的子圖組合，這會消耗大量的計算時間和資源。而且，子圖同構(gòu)算法對星圖的噪聲和畸變較為敏感，當(dāng)星圖受到噪聲干擾或發(fā)生畸變時，子圖的特征會發(fā)生變化，增加了匹配的難度，容易導(dǎo)致匹配失敗。4.2改進(jìn)的星圖識別算法4.2.1基于姿態(tài)信息輔助的小視場星敏感器星圖識別算法在小視場星敏感器的星圖識別過程中，基于姿態(tài)信息輔助的算法是一種極具創(chuàng)新性和高效性的方法。傳統(tǒng)的三角形算法雖然在星圖識別領(lǐng)域應(yīng)用廣泛，但存在諸多弊端，如構(gòu)建的特征三角形數(shù)量龐大，導(dǎo)致在星圖識別時冗余匹配現(xiàn)象嚴(yán)重，計算量劇增，運(yùn)行時間長，且對噪聲的抵抗能力較差。而基于姿態(tài)信息輔助的星圖識別算法則巧妙地利用姿態(tài)先驗信息，從根源上解決了這些問題，顯著提升了星圖識別的效率和準(zhǔn)確性。該算法的核心在于利用姿態(tài)先驗信息對候選星進(jìn)行篩選。星敏感器在運(yùn)行過程中，其姿態(tài)并非是完全隨機(jī)變化的，而是具有一定的連續(xù)性和相關(guān)性?；谶@一特性，我們可以利用星敏感器上一時刻的姿態(tài)信息，結(jié)合航天器的運(yùn)動模型，來估計當(dāng)前時刻星敏感器光軸的指向。通過這種方式，能夠確定當(dāng)前視場內(nèi)可能出現(xiàn)的恒星范圍，將這些恒星作為候選星。與傳統(tǒng)三角形算法中與導(dǎo)航星庫中所有定位恒星進(jìn)行匹配不同，基于姿態(tài)信息輔助的算法只需要將圖像上觀測到的星點(diǎn)信息與篩選出的候選星進(jìn)行匹配。由于候選星的數(shù)量相對于導(dǎo)航星庫中的恒星數(shù)量大幅減少，從而極大地減少了冗余匹配的可能性，降低了計算量和運(yùn)算時間。以某航天器的實(shí)際應(yīng)用場景為例，在傳統(tǒng)三角形算法中，星圖識別時需要在包含數(shù)萬顆恒星的導(dǎo)航星庫中進(jìn)行匹配，每次匹配的計算量巨大，平均識別時間長達(dá)數(shù)秒。而采用基于姿態(tài)信息輔助的星圖識別算法后，通過姿態(tài)先驗信息篩選出的候選星數(shù)量僅為數(shù)百顆。在同樣的星圖識別任務(wù)中，匹配計算量大幅降低，平均識別時間縮短至幾十毫秒，識別效率得到了顯著提升。同時，由于減少了與大量無關(guān)恒星的匹配過程，避免了因噪聲干擾導(dǎo)致的錯誤匹配，增強(qiáng)了識別率和對噪聲的魯棒性。在實(shí)際實(shí)現(xiàn)過程中，基于姿態(tài)信息輔助的小視場星敏感器星圖識別算法主要包括以下幾個關(guān)鍵步驟。首先，構(gòu)建鄰域區(qū)塊索引表。將天球劃分為若干個等面積的區(qū)塊，每個區(qū)塊都有唯一的編碼。根據(jù)每個區(qū)塊中心的赤經(jīng)赤緯，查找與每個中央?yún)^(qū)塊相鄰的8個區(qū)塊，并將相鄰區(qū)塊的索引號存儲于鄰域區(qū)塊索引表的相應(yīng)列中。同時，篩選出位于中央?yún)^(qū)塊里的導(dǎo)航星，將導(dǎo)航星在導(dǎo)航星表中的起始地址和末尾地址存儲到鄰域區(qū)塊索引表的特定列中，從而完成鄰域區(qū)塊索引表的構(gòu)建。這一索引表的建立為后續(xù)快速查找候選星提供了便利，大大提高了篩選效率。接著，查找光軸指向所在區(qū)塊對應(yīng)的8個鄰域區(qū)塊的編碼。利用星敏感器上一時刻的姿態(tài)信息，結(jié)合航天器的運(yùn)動參數(shù)，計算出當(dāng)前時刻光軸指向所在的區(qū)塊編碼。然后，通過鄰域區(qū)塊索引表，快速獲取該區(qū)塊對應(yīng)的8個鄰域區(qū)塊的編碼。分別獲取這9個區(qū)塊對應(yīng)的導(dǎo)航星庫的起始地和末尾地，將9個區(qū)塊包含的恒星作為候選星，根據(jù)導(dǎo)航星表，得到全部候選星序號的集合。這一步驟實(shí)現(xiàn)了基于姿態(tài)信息的候選星初步篩選，將搜索范圍從整個導(dǎo)航星庫縮小到了與當(dāng)前光軸指向相關(guān)的局部區(qū)域，有效減少了后續(xù)匹配的計算量。之后，對于圖像上的兩個星點(diǎn)，由圖像坐標(biāo)計算得到s系內(nèi)的星光矢量。根據(jù)星點(diǎn)在圖像傳感器上的坐標(biāo)信息，結(jié)合相機(jī)的主點(diǎn)和焦距等參數(shù)，利用幾何光學(xué)原理，可以計算出這兩個星點(diǎn)對應(yīng)的星光矢量。兩個星點(diǎn)之間星角距計算公式為[具體公式]，通過該公式計算出兩個星點(diǎn)之間的星角距。對于計算得到的余弦值cosθ12，利用k矢量查找表對應(yīng)的線性映射k，定位導(dǎo)航星庫的搜索區(qū)間上限k[cosθ12-δ]和下限k[cosθ12+δ]，得到定位恒星序號。其中，δ為設(shè)定的誤差值，該誤差值的設(shè)定需要綜合考慮星點(diǎn)提取精度等因素，一般取值在0.5×10-6～4×10-6之間。通過合理設(shè)置誤差值，既能保證搜索到足夠數(shù)量的潛在匹配恒星，又能避免搜索范圍過大導(dǎo)致計算量增加。將定位出的恒星序號與候選星序號的集合取交集后，使用三角形算法完成星表的匹配，完成星圖識別。在這個過程中，通過與候選星集合取交集，進(jìn)一步縮小了匹配范圍，提高了匹配的準(zhǔn)確性和效率。利用三角形算法進(jìn)行最終的匹配，充分發(fā)揮了三角形算法在星圖識別中的高精度優(yōu)勢，確保了星圖識別的準(zhǔn)確性?；谧藨B(tài)信息輔助的小視場星敏感器星圖識別算法通過巧妙地利用姿態(tài)先驗信息，對候選星進(jìn)行篩選，有效地減少了冗余匹配，提高了識別準(zhǔn)確率和速度，為小視場星敏感器在復(fù)雜航天環(huán)境下的高效、準(zhǔn)確運(yùn)行提供了有力支持。4.2.2基于深度學(xué)習(xí)的星圖識別算法隨著深度學(xué)習(xí)技術(shù)的飛速發(fā)展，其在星圖識別領(lǐng)域的應(yīng)用也逐漸成為研究熱點(diǎn)。基于深度學(xué)習(xí)的星圖識別算法通過引入卷積神經(jīng)網(wǎng)絡(luò)（CNN）等深度學(xué)習(xí)模型，能夠自動學(xué)習(xí)星圖中的復(fù)雜特征，從而在復(fù)雜環(huán)境下展現(xiàn)出卓越的識別性能。傳統(tǒng)的星圖識別算法，如三角形算法和模式識別算法，在面對復(fù)雜的星圖時存在一定的局限性。三角形算法計算復(fù)雜度高，對噪聲敏感；模式識別算法構(gòu)建星座模式庫復(fù)雜，且對噪聲魯棒性差。而深度學(xué)習(xí)算法則具有強(qiáng)大的特征學(xué)習(xí)能力，能夠自動從大量的星圖數(shù)據(jù)中學(xué)習(xí)到星點(diǎn)的位置、亮度、形狀以及它們之間的空間關(guān)系等特征，從而對星圖進(jìn)行準(zhǔn)確的識別。卷積神經(jīng)網(wǎng)絡(luò)是基于深度學(xué)習(xí)的星圖識別算法的核心。CNN由多個卷積層、池化層和全連接層組成。在星圖識別中，卷積層通過卷積核在星圖上滑動，提取星圖的局部特征，如星點(diǎn)的邊緣、角點(diǎn)等。池化層則對卷積層提取的特征進(jìn)行下采樣，減少特征圖的尺寸，降低計算量，同時保留重要的特征信息。全連接層將池化層輸出的特征圖進(jìn)行扁平化處理，并通過一系列的神經(jīng)元進(jìn)行分類，最終輸出星圖的識別結(jié)果。以一個典型的基于CNN的星圖識別模型為例，該模型首先輸入原始的星圖圖像。在卷積層中，采用不同大小的卷積核，如3×3、5×5等，對星圖進(jìn)行多次卷積操作。較小的卷積核可以提取星圖的細(xì)節(jié)特征，而較大的卷積核則可以提取星圖的全局特征。通過多層卷積操作，模型能夠逐步學(xué)習(xí)到星圖中星點(diǎn)的各種特征。例如，在第一個卷積層中，卷積核可能會提取到星點(diǎn)的邊緣信息，隨著卷積層的加深，模型能夠?qū)W習(xí)到星點(diǎn)之間的相對位置關(guān)系等更復(fù)雜的特征。池化層采用最大池化或平均池化的方式，對卷積層輸出的特征圖進(jìn)行下采樣。例如，采用2×2的最大池化核，將特征圖的尺寸縮小為原來的四分之一，同時保留特征圖中的最大值或平均值，從而減少特征圖的冗余信息，提高模型的計算效率。在全連接層中，將池化層輸出的特征圖進(jìn)行扁平化處理，將其轉(zhuǎn)化為一維向量，然后通過多個全連接神經(jīng)元進(jìn)行分類。全連接層中的神經(jīng)元通過權(quán)重矩陣與輸入向量進(jìn)行乘法運(yùn)算，并加上偏置項，然后通過激活函數(shù)進(jìn)行非線性變換，最終輸出星圖的識別結(jié)果。在訓(xùn)練過程中，通過大量的標(biāo)注星圖數(shù)據(jù)對模型進(jìn)行訓(xùn)練，利用反向傳播算法不斷調(diào)整模型的參數(shù)，使得模型能夠準(zhǔn)確地識別不同的星圖。為了提高基于深度學(xué)習(xí)的星圖識別算法的性能，還可以采用一些優(yōu)化策略。數(shù)據(jù)增強(qiáng)是一種常用的優(yōu)化策略，通過對原始星圖數(shù)據(jù)進(jìn)行旋轉(zhuǎn)、縮放、平移、添加噪聲等操作，生成更多的訓(xùn)練數(shù)據(jù)，從而增加數(shù)據(jù)的多樣性，提高模型的泛化能力。例如，將原始星圖進(jìn)行隨機(jī)旋轉(zhuǎn)0-360度，縮放0.8-1.2倍，平移一定的像素數(shù)量，以及添加不同強(qiáng)度的高斯噪聲等，使得模型能夠?qū)W習(xí)到星圖在不同變換下的特征，增強(qiáng)模型對復(fù)雜環(huán)境的適應(yīng)性。模型融合也是一種有效的優(yōu)化策略，將多個不同的深度學(xué)習(xí)模型進(jìn)行融合，如將多個不同結(jié)構(gòu)的CNN模型進(jìn)行融合，或者將CNN模型與循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）模型進(jìn)行融合，通過綜合多個模型的預(yù)測結(jié)果，提高星圖識別的準(zhǔn)確性。例如，可以采用投票的方式，讓多個模型對同一星圖進(jìn)行識別，然后根據(jù)各個模型的投票結(jié)果來確定最終的識別結(jié)果；或者采用加權(quán)平均的方式，根據(jù)各個模型的性能表現(xiàn)為其分配不同的權(quán)重，然后對各個模型的預(yù)測結(jié)果進(jìn)行加權(quán)平均，得到最終的識別結(jié)果。基于深度學(xué)習(xí)的星圖識別算法在復(fù)雜環(huán)境下展現(xiàn)出了強(qiáng)大的優(yōu)勢，能夠有效地提高星圖識別的準(zhǔn)確性和魯棒性，為小視場星敏感器在各種復(fù)雜航天任務(wù)中的應(yīng)用提供了更可靠的技術(shù)支持。隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展和創(chuàng)新，相信基于深度學(xué)習(xí)的星圖識別算法將在未來的航天領(lǐng)域中發(fā)揮更加重要的作用。五、算法性能評估與實(shí)驗驗證5.1評估指標(biāo)為了全面、客觀地評估改進(jìn)后的星點(diǎn)提取與星圖識別算法的性能，需要確定一系列科學(xué)合理的評估指標(biāo)。這些指標(biāo)涵蓋了星點(diǎn)提取精度、星圖識別準(zhǔn)確率、識別時間等多個關(guān)鍵方面，從不同角度反映了算法的優(yōu)劣。星點(diǎn)提取精度是衡量星點(diǎn)提取算法性能的重要指標(biāo)之一，它直接影響后續(xù)星圖識別和姿態(tài)解算的準(zhǔn)確性。在實(shí)際應(yīng)用中，星點(diǎn)提取精度通常以星點(diǎn)質(zhì)心定位誤差來衡量。星點(diǎn)質(zhì)心定位誤差是指提取出的星點(diǎn)質(zhì)心位置與真實(shí)星點(diǎn)質(zhì)心位置之間的偏差，其單位通常為像素。例如，在某小視場星敏感器的星點(diǎn)提取實(shí)驗中，通過對大量已知星點(diǎn)位置的星圖進(jìn)行處理，計算提取出的星點(diǎn)質(zhì)心與真實(shí)星點(diǎn)質(zhì)心之間的歐氏距離，得到平均星點(diǎn)質(zhì)心定位誤差為0.2像素。這個誤差值越小，說明星點(diǎn)提取算法能夠更準(zhǔn)確地確定星點(diǎn)的位置，為后續(xù)的星圖識別提供更精確的數(shù)據(jù)基礎(chǔ)。在高動態(tài)環(huán)境下，星點(diǎn)的運(yùn)動和變形會增加星點(diǎn)質(zhì)心定位的難度，此時星點(diǎn)提取精度的評估尤為重要。如果星點(diǎn)質(zhì)心定位誤差過大，可能導(dǎo)致星圖識別錯誤，進(jìn)而影響航天器的姿態(tài)測量精度，對航天任務(wù)的安全性和準(zhǔn)確性造成嚴(yán)重威脅。星圖識別準(zhǔn)確率是評估星圖識別算法性能的核心指標(biāo)，它反映了算法在將觀測星圖與星庫中的參考星圖進(jìn)行匹配時的準(zhǔn)確性。星圖識別準(zhǔn)確率通常以正確識別的星圖數(shù)量與總識別星圖數(shù)量的比值來表示，用百分比來衡量。例如，在對100幅不同的觀測星圖進(jìn)行識別實(shí)驗中，算法正確識別出了95幅星圖，則星圖識別準(zhǔn)確率為95%。高的星圖識別準(zhǔn)確率意味著算法能夠準(zhǔn)確地將觀測星圖中的星點(diǎn)與星庫中的參考星對應(yīng)起來，從而為姿態(tài)解算提供可靠的依據(jù)。在實(shí)際的航天應(yīng)用中，星圖識別準(zhǔn)確率直接關(guān)系到航天器能否準(zhǔn)確地確定自身的姿態(tài)，對于航天器的導(dǎo)航、控制和科學(xué)探測任務(wù)具有至關(guān)重要的意義。如果星圖識別準(zhǔn)確率較低，可能會導(dǎo)致航天器的姿態(tài)解算出現(xiàn)偏差，影響航天器的正常運(yùn)行，甚至導(dǎo)致任務(wù)失敗。識別時間也是評估星圖識別算法性能的重要指標(biāo)之一，它反映了算法的實(shí)時性。在航天器的實(shí)際運(yùn)行過程中，需要星圖識別算法能夠快速地對觀測星圖進(jìn)行處理，及時為航天器提供姿態(tài)信息。識別時間通常以算法完成一次星圖識別所需的時間來衡量，單位可以是毫秒（ms）或秒（s）。例如，某星圖識別算法在處理一幅星圖時，平均識別時間為50ms，這個時間越短，說明算法的運(yùn)行速度越快，能夠更好地滿足航天器對實(shí)時性的要求。在一些需要快速響應(yīng)的航天任務(wù)中，如航天器的快速機(jī)動、緊急避障等，識別時間的長短直接影響到任務(wù)的執(zhí)行效果。如果識別時間過長，航天器可能無法及時調(diào)整姿態(tài)，導(dǎo)致任務(wù)失敗或出現(xiàn)安全事故。除了上述三個主要指標(biāo)外，還可以考慮其他一些指標(biāo)來全面評估算法的性能。例如，算法的抗噪聲能力，它反映了算法在受到噪聲干擾時的魯棒性。在實(shí)際的太空環(huán)境中，星圖不可避免地會受到各種噪聲的干擾，如宇宙射線、熱噪聲等，因此算法的抗噪聲能力是評估其性能的重要因素之一?？梢酝ㄟ^在星圖中添加不同強(qiáng)度的噪聲，然后測試算法的星點(diǎn)提取精度和星圖識別準(zhǔn)確率，來評估算法的抗噪聲能力。算法的復(fù)雜度也是一個重要的評估指標(biāo)，它反映了算法在計算過程中所需的計算資源和時間。較低的算法復(fù)雜度意味著算法可以在有限的計算資源下快速運(yùn)行，提高算法的效率和實(shí)用性?？梢酝ㄟ^分析算法的時間復(fù)雜度和空間復(fù)雜度來評估其復(fù)雜度。5.2實(shí)驗設(shè)計為了全面驗證改進(jìn)后的星點(diǎn)提取與星圖識別算法的性能，精心設(shè)計了一系列實(shí)驗。實(shí)驗主要分為模擬星圖實(shí)驗和實(shí)際星敏感器數(shù)據(jù)實(shí)驗兩部分，通過對不同類型數(shù)據(jù)的處理和分析，深入評估算法在不同場景下的表現(xiàn)。模擬星圖實(shí)驗的目的是在可控的環(huán)境下，對算法進(jìn)行初步測試和性能評估。首先，利用專業(yè)的星圖模擬軟件生成模擬星圖。在生成模擬星圖時，考慮了多種因素對星圖的影響。例如，設(shè)置不同的噪聲水平來模擬太空環(huán)境中的噪聲干擾，包括高斯噪聲、椒鹽噪聲等，以測試算法在不同噪聲強(qiáng)度下的抗干擾能力；模擬不同的星等分布，涵蓋了亮星、暗星以及不同星等比例的組合，以檢驗算法對不同亮度星點(diǎn)的提取和識別能力；引入星點(diǎn)的不同分布情況，如均勻分布、聚類分布等，以評估算法在不同星點(diǎn)分布場景下的適應(yīng)性。生成的模擬星圖中包含了豐富的信息，如星點(diǎn)的位置、亮度、星等、角距等，這些信息與實(shí)際星圖中的特征相似，為算法的測試提供了可靠的數(shù)據(jù)源。實(shí)際星敏感器數(shù)據(jù)實(shí)驗則是利用真實(shí)的小視場星敏感器采集的數(shù)據(jù)進(jìn)行算法驗證。實(shí)驗采用的小視場星敏感器安裝在模擬航天器的實(shí)驗平臺上，該平臺能夠模擬航天器在太空中的各種運(yùn)動狀態(tài)，如勻速直線運(yùn)動、旋轉(zhuǎn)運(yùn)動、加速運(yùn)動等，以獲取不同運(yùn)動狀態(tài)下的星圖數(shù)據(jù)。在數(shù)據(jù)采集過程中，嚴(yán)格控制實(shí)驗條件，確保數(shù)據(jù)的準(zhǔn)確性和可靠性。同時，記錄下星敏感器的姿態(tài)信息、采集時間等相關(guān)參數(shù)，以便后續(xù)與算法處理結(jié)果進(jìn)行對比分析。在實(shí)驗過程中，按照以下步驟進(jìn)行操作。對于模擬星圖實(shí)驗，首先將生成的模擬星圖輸入到改進(jìn)后的星點(diǎn)提取算法中，運(yùn)行算法提取星點(diǎn)，并記錄提取出的星點(diǎn)數(shù)量、位置信息以及提取過程中消耗的時間。然后，將提取出的星點(diǎn)數(shù)據(jù)輸入到改進(jìn)后的星圖識別算法中，進(jìn)行星圖識別操作，記錄識別出的星圖數(shù)量、識別準(zhǔn)確率以及識別時間。對于每一幅模擬星圖，重復(fù)上述操作多次，以獲取穩(wěn)定的實(shí)驗數(shù)據(jù)。對于實(shí)際星敏感器數(shù)據(jù)實(shí)驗，首先對采集到的原始星圖數(shù)據(jù)進(jìn)行預(yù)處理，包括去噪、圖像增強(qiáng)等操作，以提高星圖的質(zhì)量。然后，將預(yù)處理后的星圖數(shù)據(jù)輸入到星點(diǎn)提取算法和星圖識別算法中，同樣記錄下相關(guān)的實(shí)驗數(shù)據(jù)。在整個實(shí)驗過程中，對實(shí)驗數(shù)據(jù)進(jìn)行詳細(xì)的記錄和整理，為后續(xù)的算法性能評估提供充分的數(shù)據(jù)支持。5.3實(shí)驗結(jié)果與分析通過對模擬星圖實(shí)驗和實(shí)際星敏感器數(shù)據(jù)實(shí)驗的結(jié)果進(jìn)行詳細(xì)分析，全面評估改進(jìn)后的星點(diǎn)提取與星圖識別算法的性能。在模擬星圖實(shí)驗中，改進(jìn)后的星點(diǎn)提取算法展現(xiàn)出了卓越的性能。在不同噪聲水平的模擬星圖中，基于動態(tài)視覺傳感的高動態(tài)星點(diǎn)提取算法能夠有效地降低噪聲對星點(diǎn)提取的影響。在添加高斯噪聲，標(biāo)準(zhǔn)差為10的情況下，傳統(tǒng)掃描法提取出的星點(diǎn)存在大量誤提和漏提現(xiàn)象，平均誤提率達(dá)到30%，漏提率達(dá)到20%；而改進(jìn)算法通過基于時空密度的星點(diǎn)事件流降噪方法，能夠準(zhǔn)確地去除噪聲，星點(diǎn)誤提率降低至5%，漏提率降低至3%，大大提高了星點(diǎn)提取的準(zhǔn)確性。在星等分布和星點(diǎn)分布復(fù)雜的模擬星圖中，改進(jìn)算法同樣表現(xiàn)出色。在模擬包含多種星等且星點(diǎn)呈聚類分布的星圖時，改進(jìn)游程編碼的FPGA快速星點(diǎn)提取算法能夠準(zhǔn)確地提取星點(diǎn)質(zhì)心坐標(biāo)。與傳統(tǒng)算法相比，該算法的星點(diǎn)質(zhì)心定位誤差從0.5像素降低至0.2像素，提高了星點(diǎn)提取的精度，為后續(xù)的星圖識別提供了更準(zhǔn)確的數(shù)據(jù)基礎(chǔ)。在星圖識別實(shí)驗中，基于姿態(tài)信息輔助的小視場星敏感器星圖識別算法和基于深度學(xué)習(xí)的星圖識別算法均取得了顯著的成果。在與傳統(tǒng)三角形算法的對比中，基于姿態(tài)信息輔助的算法優(yōu)勢明顯。在模擬星圖識別實(shí)驗中，傳統(tǒng)三角形算法平均識別時間為200ms，而基于姿態(tài)信息輔助的算法平均識別時間僅為50ms，識別時間大幅縮短。同時，基于姿態(tài)信息輔助的算法的識別準(zhǔn)確率達(dá)到98%，相比傳統(tǒng)三角形算法