[发明专利]一种深空球形目标被动测距方法

说明书

本发明公开了一种深空球形目标被动测距方法，对原始的目标图像进行分割形成二值化的图像；通过游程对分割得到的目标和其它干扰物编码，并剔除干扰物；生成二值化目标图像；计算目标边缘信息，包括坐标和梯度方向；识别阳照区；根据边缘和阳照区信息迭代拟合圆方程；通过实验室已经标定光学观测相机的内方位元素和目标实际尺寸反演观测平台与目标的距离。该方法具备非常强的鲁棒性，对目标内部的孔洞纹理不敏感；对因为光照原因造成目标图像分割碎片化不敏感；对不规则的干扰物不敏感；对因光照导致目标成像背阳面轮廓形变不敏感，且能自动识别阳照面；具备非常高的目标拟合精度，适合快速高精度距离测量。

技术领域

本发明属于航空航天测量领域，具体涉及一种深空球形目标被动测距方法。

背景技术

在深空探测的捕获阶段，以火星为例(赤道半径：3396.2km,两极半径：3376.2km,可近似认为一球体)，需要通过火星图像提取有效的导航信息，其中深空探测平台与火星的距离为一重要的参数，自主导航光学导航中对图像处理算法的要求快速并准确地从光学图像中提取出距离信息。由于深空环境复杂，图像会受到各种干扰，光照条件千变万化，使得提取的目标图像非常不规则，除了目标实际轮廓边缘，还有目标表面的坑洞纹理、背照区的不规则等特征而存在错误的边缘点，这些野值点会严重干扰目标轮廓边缘的拟合，进而很难获得距离信息。

为了解决以上问题，典型的方法包括随机抽样一致性算法(Random SampleConsensue,RANSAC)——随机选择拟合参数，并选择理论数据附近一定范围内的边缘点(内点)作为支集，具有最大支集元素数目的拟合认为是鲁棒拟合；最小中值平方法(LeastMedian of Squares,LMS)，将所有拟合结果的残差中值的极小者作为最优拟合；另一个方法是神经网络算法，通过大规模样本训练达到最优拟合。这些方法虽然简单、能够应对大比例的野值点，但是随机选择抽样和最小中值平方法的参数搜索过程是没有意义的，是无所谓的耗时工作；而神经网络算法需要大规模样本训练，对硬件提出很高的要求。

发明内容

本发明的目的是：提供一种强鲁棒性、运算速度快、精度高、易于硬件实现的已知尺寸的深空球形目标被动测距方法，为深空探测提供一定的导航信息。

本发明采用的技术方案是：一种深空球形目标被动测距方法，通过光学观测相机的光学系统参数标定和校准、对目标进行成像、图像分割、边缘提取、目标阳照区识别、边缘点梯度和与拟合中心距离约束、图形拟合、结合目标先验的尺寸信息反演距离等方法，步骤如下(参见图3)：

步骤1、光学观测相机的光学系统参数标定，包括主点位置和主距；必要时对畸变进行补偿；

步骤2、对目标进行成像，并进行图像分割和边缘提取；

步骤3、初始化目标轮廓点集合为目标二值化提取的所有边缘点Ω₀＝Ω_all，阳照区为平面全集设置拟合圆方程的点集Ω＝Ω₀∩Ω_s，迭代次数k＝0。

步骤4、将拟合圆方程的点集Ω带入拟合的圆方程：

其中，N＝#{(x_i,y_i)∈Ω}为点集Ω的元素数目，(x_i,y_i)分别表示第i个轮廓坐标点的行坐标和列坐标，a,b,c为轮廓拟合圆方程的参数。通过线性拟合算法求解圆参数：

其中，a^*,b^*,c^*为轮廓拟合圆方程的最佳参数。

分别对圆参数变量a,b,c求导数，并令其为零，化简后有：

其中，Σ表示对属于点集Ω的元素进行求和。