基于視覺(jué)的非合作衛(wèi)星帆板特征點(diǎn)提取方法研究

摘 要：延長(zhǎng)失效衛(wèi)星壽命的方法是發(fā)射追蹤衛(wèi)星與其對(duì)接，并對(duì)其補(bǔ)充燃料或進(jìn)行維修。目前，在空間中有許多失效衛(wèi)星都是非合作衛(wèi)星，這些衛(wèi)星不能有效傳遞位姿信息，因此很難完成對(duì)接。為了更好地完成對(duì)接，本文以非合作衛(wèi)星的太陽(yáng)能帆板為研究對(duì)象，研究了基于視覺(jué)的特征點(diǎn)提取方法。首先，本文制作了衛(wèi)星模型，其次，根據(jù)太陽(yáng)能帆板通常為矩形的特點(diǎn)設(shè)計(jì)了邊緣檢測(cè)、霍夫變換和最小二乘法相結(jié)合的方法，最后，對(duì)矩形頂點(diǎn)進(jìn)行準(zhǔn)確識(shí)別。本文對(duì)采集的衛(wèi)星圖像進(jìn)行測(cè)試，太陽(yáng)能帆板的外邊框頂點(diǎn)均得到識(shí)別，該方法對(duì)非合作衛(wèi)星的特征點(diǎn)提取具有參考價(jià)值。

關(guān)鍵詞：非合作衛(wèi)星；特征點(diǎn)提??；邊緣檢測(cè)；霍夫變換

中圖分類(lèi)號(hào)：TP 391 " " " " " " 文獻(xiàn)標(biāo)志碼：A

隨著人類(lèi)探索的宇宙空間越來(lái)越大，人造衛(wèi)星發(fā)射數(shù)量迅速增加，在空間中失效衛(wèi)星的數(shù)量逐年增加，延長(zhǎng)衛(wèi)星壽命以及清除軌道上的太空垃圾已經(jīng)成為重要的研究方向[1]。部分失效衛(wèi)星是非合作衛(wèi)星，這類(lèi)衛(wèi)星不能提供位姿信息，對(duì)非合作衛(wèi)星尺寸和位姿的視覺(jué)測(cè)量是各國(guó)研究的熱點(diǎn)[2]。

非合作衛(wèi)星有一些特征是視覺(jué)測(cè)量中的常見(jiàn)特征，例如星箭對(duì)接環(huán)、太陽(yáng)能帆板等。由于外部干擾等因素的影響，因此非合作衛(wèi)星的特征點(diǎn)提取成為一項(xiàng)具有挑戰(zhàn)性的任務(wù)[3]。

HU[4]研究了一種基于視覺(jué)的在軌服務(wù)非合作目標(biāo)位置位姿確定算法，先使用Canny邊緣檢測(cè)算法提取非合作衛(wèi)星星箭對(duì)接環(huán)的邊緣，在假設(shè)已經(jīng)有特征點(diǎn)的前提下，利用極線校正對(duì)左右圖像進(jìn)行匹配。蔡晗[5]使用Harris角點(diǎn)檢測(cè)結(jié)合高斯曲面擬合的方法，當(dāng)目標(biāo)和相機(jī)的距離為0～4m時(shí)，得到的位置累計(jì)誤差比例均小于3.5%。

太陽(yáng)能帆板是視覺(jué)測(cè)量中的顯著特征，使用傳統(tǒng)的特征點(diǎn)提取方法難以提取太陽(yáng)能帆板的特征點(diǎn)。因此，本文設(shè)計(jì)了一種方法，采用邊緣檢測(cè)和霍夫變換的復(fù)合算法來(lái)提取太陽(yáng)能帆板特征點(diǎn)。

1 方法

針對(duì)失效衛(wèi)星的特征點(diǎn)提取，本文以矩形的太陽(yáng)能帆板為研究對(duì)象。采用邊緣檢測(cè)和霍夫變換相結(jié)合的方法識(shí)別矩形目標(biāo)，該算法的目標(biāo)是識(shí)別太陽(yáng)能帆板最外側(cè)的2個(gè)頂點(diǎn)P1、P2。本文特征點(diǎn)提取算法均在MATLAB 2021a中運(yùn)行。太陽(yáng)能帆板頂點(diǎn)如圖1所示，本文采集的圖像為灰度圖像。

1.1 模型制作

為了更深入地研究衛(wèi)星在太空中的行為，須在地面模擬空間環(huán)境進(jìn)行各種測(cè)試，本文構(gòu)建一個(gè)1∶5等比例縮小的簡(jiǎn)易衛(wèi)星模型，如圖2所示。該模型搭配驅(qū)動(dòng)電機(jī)來(lái)對(duì)衛(wèi)星姿態(tài)進(jìn)行控制，可模擬真實(shí)衛(wèi)星翻滾等動(dòng)態(tài)行為。

衛(wèi)星模型的結(jié)構(gòu)包括太陽(yáng)能帆板、主體框架以及模擬的儀器模塊，每個(gè)部分都按照真實(shí)衛(wèi)星的相應(yīng)比例進(jìn)行了精確縮小。選擇材料，保證結(jié)構(gòu)強(qiáng)度的同時(shí)減輕重量，使模型在外型和質(zhì)量分布方面與實(shí)際衛(wèi)星相似，有助于模擬翻滾運(yùn)動(dòng)。

驅(qū)動(dòng)電機(jī)安裝在衛(wèi)星模型的關(guān)節(jié)部位，可以提供旋轉(zhuǎn)力矩來(lái)模擬衛(wèi)星在失穩(wěn)或故意操控情況下的姿態(tài)變化。利用編程控制電機(jī)運(yùn)動(dòng)，使翻滾模式不同，觀察并分析這些運(yùn)動(dòng)對(duì)衛(wèi)星操作和穩(wěn)定性的影響。

1.2 圖像預(yù)處理

為了方便后續(xù)處理，應(yīng)對(duì)圖像進(jìn)行預(yù)處理，如圖3所示。本文使用OTSU法對(duì)圖像進(jìn)行二值化，將圖像由灰度圖像轉(zhuǎn)為二值圖像，再刪除小對(duì)象，即刪除連通域較小的區(qū)域，這樣可以刪除圖像中細(xì)小的噪聲。

1.3 邊緣檢測(cè)

邊緣檢測(cè)的CANNY算子是CANNY[6]在1986年提出的，先采用二維的高斯函數(shù)沿隨便一個(gè)方向的一階方向?qū)?shù)與圖像像素進(jìn)行卷積濾波，再在濾波后的圖像中尋覓圖像梯度變化的部分最大值，最大值處便是邊緣。圖像在（x，y）點(diǎn)處的邊緣強(qiáng)度為A（x，y），圖像在（x，y）點(diǎn)處的沿法線方向的矢量為θ。再使用非極大值抑制確定邊緣。

本文使用CANNY邊緣算子進(jìn)行邊緣檢測(cè)，將檢測(cè)的所有邊緣點(diǎn)存放在一個(gè)集合里，邊緣檢測(cè)如圖4所示。已經(jīng)對(duì)較小的連通域進(jìn)行刪除，因此此時(shí)邊緣檢測(cè)得到的邊緣點(diǎn)都是太陽(yáng)能帆板的邊框與周?chē)忻黠@灰度值變化的點(diǎn)。

1.4 邊緣點(diǎn)分組

霍夫變換方法運(yùn)用參數(shù)空間進(jìn)行坐標(biāo)轉(zhuǎn)換，采用累計(jì)投票方法得到最終的直線檢測(cè)結(jié)果。

對(duì)邊緣檢測(cè)后的圖像進(jìn)行霍夫變換，得到若干直線，根據(jù)直線和x軸方向的夾角大小將直線分為2組，一組為矩形的長(zhǎng)邊，另一組為寬邊。

使用霍夫變換方法進(jìn)行檢測(cè)，得到多條位置未知的直線，因此須對(duì)這些直線進(jìn)行定位。

在這2組直線中，每組各取最長(zhǎng)的1條線作為初始線，計(jì)算邊緣點(diǎn)集合中每個(gè)邊緣點(diǎn)至這條線的距離，以較長(zhǎng)的1組為例進(jìn)行可視化分析（如圖5所示）。

假設(shè)邊緣點(diǎn)為P（x0，y0），直線L的解析式為y=kx+b，點(diǎn)P到直線L的距離d如公式（1）所示。

（1）

在這個(gè)步驟中，設(shè)距離初始線小于0.8 ppi的點(diǎn)為這條線對(duì)應(yīng)的邊緣點(diǎn)，將邊緣點(diǎn)至直線的距離稱為點(diǎn)線距，即點(diǎn)線距小于0.8 ppi的點(diǎn)。

如圖6所示，此時(shí)找到了距離初始線小于0.8 ppi的邊緣點(diǎn)。根據(jù)該方法，利用初始線向左右兩側(cè)進(jìn)行平行陣列，找到該組的其他直線。具體方法如下。

根據(jù)初始線向兩側(cè)做平行線，即保持斜率k不變，不斷修改截距b，使2條平行線之間的距離為2.0 ppi，再計(jì)算點(diǎn)線距，邊緣點(diǎn)對(duì)每條平行線的點(diǎn)線距小于0.8 ppi的進(jìn)行分組。

因?yàn)檫吘夵c(diǎn)都分布在太陽(yáng)能帆板的邊框上，大量的平行線不會(huì)落在邊框附近，所以這些平行線對(duì)應(yīng)的邊緣點(diǎn)的數(shù)量會(huì)明顯減少，甚至沒(méi)有。根據(jù)這個(gè)特點(diǎn)可以按邊緣點(diǎn)數(shù)量來(lái)找到太陽(yáng)能帆板的長(zhǎng)邊邊框?qū)?yīng)的平行線，即設(shè)置1個(gè)比例閾值，邊緣點(diǎn)數(shù)量超過(guò)這個(gè)閾值則認(rèn)為是邊框?qū)?yīng)的平行線，而且同組符合要求的平行線中距離最遠(yuǎn)的一對(duì)線即為邊框?qū)?yīng)的直線。

1.5 最小二乘法擬合直線

根據(jù)前一個(gè)步驟，可以找到2組線對(duì)應(yīng)的邊緣點(diǎn)，用這些點(diǎn)進(jìn)行最小二乘擬合，可以擬合邊框的邊緣點(diǎn)對(duì)應(yīng)的直線，該直線代表對(duì)應(yīng)的邊框。

最小二乘法（又稱最小平方法）使用最小化誤差的平方和尋找數(shù)據(jù)的最佳函數(shù)匹配。利用最小二乘法可以簡(jiǎn)便地計(jì)算未知的數(shù)據(jù)，使這些數(shù)據(jù)與實(shí)際數(shù)據(jù)之間誤差的平方和最小。

已找到2組對(duì)應(yīng)的直線，最小二乘法擬合直線如圖7所示。

1.6 亞像素級(jí)角點(diǎn)計(jì)算

在圖像處理和計(jì)算機(jī)視覺(jué)中，特征點(diǎn)提取是理解場(chǎng)景結(jié)構(gòu)的關(guān)鍵步驟之一。一種有效的方法是檢測(cè)直線之間的交點(diǎn)來(lái)提取太陽(yáng)能帆板矩形物體的特征點(diǎn)。需要使用邊緣檢測(cè)算法來(lái)識(shí)別圖像中的直線段，對(duì)這些直線進(jìn)行組合，計(jì)算它們之間所有可能的交點(diǎn)。

為了從這些交點(diǎn)中選擇太陽(yáng)能帆板外邊框的頂點(diǎn)來(lái)代表特征點(diǎn)，本文采用的策略是計(jì)算所有交點(diǎn)至圖像中心的距離，距離最遠(yuǎn)的2個(gè)點(diǎn)為特征點(diǎn)。需要找到2個(gè)距離最遠(yuǎn)且位于帆板不同側(cè)的交點(diǎn)。計(jì)算每個(gè)交點(diǎn)至圖像中心的歐氏距離，選擇距離最遠(yuǎn)的2個(gè)交點(diǎn)，即該太陽(yáng)能帆板的頂點(diǎn)。進(jìn)行擬合直線迭代后，得到亞像素級(jí)角點(diǎn)P1、P2，如圖8所示。

2 測(cè)試

在衛(wèi)星模型翻滾過(guò)程中，使用灰度相機(jī)采集50組圖像，對(duì)每組圖像使用本文設(shè)計(jì)的算法進(jìn)行特征點(diǎn)提取，記錄每組圖像能否識(shí)別太陽(yáng)能帆板的頂點(diǎn)。矩形外邊框頂點(diǎn)識(shí)別情況見(jiàn)表1，識(shí)別率為100%，未出現(xiàn)未識(shí)別或偽識(shí)別的情況。

部分識(shí)別結(jié)果如圖9所示，由圖9可知，本文使用的方法針對(duì)太陽(yáng)能帆板特征點(diǎn)提取具有很高的可行性和魯棒性。

3 結(jié)語(yǔ)

在空間垃圾清理、在軌維護(hù)和衛(wèi)星服務(wù)等操作中，非合作目標(biāo)的特征點(diǎn)提取是空間任務(wù)中的一個(gè)挑戰(zhàn)。各國(guó)學(xué)者致力于研究有效的特征點(diǎn)提取技術(shù)來(lái)解決這個(gè)問(wèn)題。本文提出一種創(chuàng)新的基于太陽(yáng)能帆板的矩形特征點(diǎn)提取方法，該方法使用圖像處理技術(shù)識(shí)別太陽(yáng)能帆板中矩形結(jié)構(gòu)的頂點(diǎn)。試驗(yàn)結(jié)果表明，該算法能夠準(zhǔn)確定位這些特征點(diǎn)，說(shuō)明其測(cè)量具有準(zhǔn)確性和可行性。這個(gè)成果對(duì)提高非合作目標(biāo)的空間態(tài)勢(shì)感知能力和執(zhí)行精準(zhǔn)操作具有重要意義。

未來(lái)筆者計(jì)劃繼續(xù)深入研究，針對(duì)更多種類(lèi)的非合作衛(wèi)星設(shè)計(jì)更通用的特征點(diǎn)提取方法，利用深度學(xué)習(xí)、3D重建和模式識(shí)別等先進(jìn)技術(shù)來(lái)提升算法性能，使其能夠在復(fù)雜多變的太空環(huán)境中穩(wěn)定工作。經(jīng)過(guò)不斷技術(shù)創(chuàng)新和試驗(yàn)，為在軌服務(wù)、空間監(jiān)控和衛(wèi)星維護(hù)等領(lǐng)域提供強(qiáng)有力的技術(shù)支持。

參考文獻(xiàn)

[1]束安，裴浩東，丁雷，等.空間非合作目標(biāo)的雙目視覺(jué)位姿測(cè)量方法[J].光學(xué)學(xué)報(bào)，2020，40（17）：107-117.

[2]任宇琪.面向空間非合作目標(biāo)捕獲的位姿測(cè)量方法研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2015.

[3]夏慶.非合作相對(duì)位姿測(cè)量跟蹤研究及設(shè)計(jì)[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2014.

[4]HU H， WANG D， GAO H， et al.Vision-based position and pose determination of non-cooperative target for on-orbit servicing[J]. Multimedia tools and applications， 2020（79）： 14405-14418.

[5]蔡晗.基于雙目視覺(jué)的非合作目標(biāo)相對(duì)測(cè)量實(shí)驗(yàn)研究[D].北京：北京理工大學(xué)，2015.

[6]CANNY J. A computational approach to edge detection[J].IEEE Transactions on pattern analysis and machine intelligence， 1986（6）：679-698.