[发明专利]一种基于离散马尔科夫特征序列模型的星图模式识别方法

说明书

技术领域

本发明涉及星图识别的技术领域，具体涉及一种基于离散马尔科夫特征序列模型的星图模式识别方法。

背景技术

姿态测量是卫星和飞船控制的重要任务之一，深空导航任务尤其倚仗自主姿态测量技术。星敏感器是一种高精度航天器自主姿态测量元件，具有精度高、无漂移、不需要先验姿态等优点，被广泛应用在各类航天器中。

星图识别算法大致可以分为2类。第一类是子图同构类算法。在这种算法中星点被看作多边形的顶点，两颗星点之间的角距被看作是多边形的边，如果观测星图中的多边形可以和数据库中的某一个多边形唯一匹配，则该观测星图成功识别。此类算法识别时间会因为虚假匹配数目增加而快速增加。而且为了提高识别率，此类算法必须存储大量的角距值，导航数据库容量巨大。

模式识别算法是指利用根据每一颗星点的周围的星点的几何分布，为其构造独一无二特征模式，并通过在星库中寻找与其模式最为接近的星点来进行识别。此类算法存在以下几方面的缺点：①对位置噪声和星等噪声的鲁棒性不足，在噪声水平上升时识别率下降很快；②存在大量的冗余匹配，特别当视场中存在假星时，候选匹配星点集数目增大，星点匹配复杂程度会大大提高，同时导致识别时间急剧增加。

HMM是处理时间序列信号方面非常有用的模型，是一种高效的，鲁棒的模式识别算法，在语音识别，手势识别以及手写字母识别等方面取得了成功地应用。目前星图识别领域虽然提出了多种模式识别算法，但没有一种算法是基于HMM模型来进行识别。

发明内容

本发明的目的在于：星图模式识别算法逐渐成为星图识别算法的主要研究方向之一，但是目前的模式类星图识别算法依旧存在对星点位置噪声、星等噪声，和假星的鲁棒性较差，冗余匹配数量较多等缺点。本发明提出一种基于离散马尔科夫(DHMM)特征序列模型的星图模式识别方法，根据HMM的两层结构——隐藏层和观察层——建立星点几何分布的两层特征结构，并构建几何分布为星点HMM隐藏层，隐藏状态描述参考星点及其邻域星点的几何分布；构建角距特征为星点HMM观察层，对应的特征序列为观察值序列。在识别过程中,产生某一特定观察序列的概率最大的星点HMM模型将会被唯一匹配，产生该序列的观测星点对应产生该模型的导航星点。基于HMM原理，利用特征角距序列构建的星点模型保证算法在星点位置噪声和星等噪声增大时依然有较高的识别率，提高了对假星的鲁棒性，大大减小了候选星点集和匹配的复杂度，同时也降低了算法平均识别时间。

本发明采用的技术方案为：一种基于离散马尔科夫特征序列模型的星图模式识别方法，该方法的步骤如下：

步骤1).挑选合适的星点作为导航参考星和邻域星；

步骤2).导航参考星点HMM模式构建

利用导航参考星和邻域星来构建HMM模型的两层结构——隐藏层和观察层；导航参考星将作为HMM的源，是模式识别的核心；导航参考星点及其邻域星点的几何分布映射为HMM的隐藏层，隐藏层描述假设的马尔科夫过程中隐藏状态的变化；导航参考星和邻域星的星对角距经过离散和化整后构成的特征序列作为HMM观察层的观察值序列；

步骤3).HMM训练与样本采集

星点HMM模型的训练是指根据观察到的序列样本集来找到一个最有可能的HMM(Baum-Welch algorithm)，并求出HMM的参数；具体如下：

I.利用得到的导航参考星的特征序列，构造鲁棒性特征序列集合作为训练样本；

II.利用Baum-Welch算法来计算局部最佳的HMM模型参数，进行HMM的训练和学习；

步骤4).在观测星图中寻找待识别的观测参考星和邻域星；

步骤5).计算星图中观测参考星的特征序列，然后将特征序列经过离散化整转换为观察值序列；

步骤6).根据观察值序列，在HMM数据库中寻找最优匹配的模型；其中：

首先，利用粗分类逐位退出原则找到HMM数据库中可能和当前观察序列匹配的一个极小的子集；

然后，计算子集中所有HMM模型产生该序列的概率，概率最大的一个HMM模型为最优匹配模型；

步骤7).若当前观测导航星点正确识别，算法结束；若当前观测导航星点无法识别，则选下一颗星点作为参考星，返回步骤5)继续进行识别；当星图中所有星点均无法识别时，整幅图像识别失败。

其中，在步骤1)中，所述的导航参考星和邻域星是从天球中挑选的；具体的，

从星表中挑选星等小于等于一定星等的星点作为导航参考星，并删除双星和过于密集的星点；