[发明专利]一种基于双目立体匹配的空间非合作目标位姿估计与三维重建方法及系统

说明书

本发明涉及一种基于双目立体匹配的空间非合作目标位姿估计与三维重建方法及其系统，所述方法包括以下步骤：S1、采集获取空间非合作目标双目图像、并进行校正；S2、基于双目立体匹配深度神经网络模型的无监督深度学习，利用空间非合作目标双目图像计算得到空间非合作目标视差图；S3、计算空间非合作目标点云数据；S4、计算得到空间非合作目标待配准点云，并初始化空间非合作目标参考点云；S5、利用ICP算法进行配准，解算出旋转角和平移量；S6、将当前双目图像中新的点云数据加入到参考点云，作为后续配准时新的参考点云；S7、在计算位姿的同时加入新的点云数据，完成三维重建。有益效果是准确进行空间非合作目标位姿估计与三维重建。

【技术领域】

本发明涉及空间图像处理技术领域，具体涉及一种基于双目立体匹配的空间非合作目标位姿估计与三维重建方法及系统。

【背景技术】

迭代就近点法ICP(Iterative Closest Point)，以点集对点集(PSTPS)配准方法为基础，即基于四元数的点集到点集配准方法，从测量点集中确定其对应的就近点点集后，运用Faugera和Hebert提出的方法计算新的就近点点集；进行迭代计算，直到残差平方和所构成的目标函数值不变，结束迭代过程。ICP算法主要用于解决基于自由形态曲面的配准问题。双目立体匹配是双目视觉研究热点，双目相机拍摄同一场景的左、右两幅视点图像，运用立体匹配算法获取视差图，进而获取深度图。双目立体匹配一般可划分为四个步骤：匹配代价计算、代价聚合、视差计算和视差优化。

深度学习(DL，Deep Learning)是机器学习(ML，Machine Learning)领域中一个研究方向，引入机器学习使其更接近于最初的目标-人工智能(AI，ArtificialIntelligence)。深度神经网络(Deep Neural Networks，简称DNN)是深度学习的基础，DNN有时也叫做多层感知机(Multi-Layer perceptron，MLP)，从DNN按不同层的位置划分，DNN内部的神经网络层可以分为三类，输入层，隐藏层和输出层。有监督学习是从标签化训练数据集中推断出函数的机器学习任务。无监督学习是根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题。

近年来，卫星自主在轨服务受到各国的关注度越来越高，已逐渐成为研究的热点。目前，面向合作航天器的在轨服务技术已比较成熟，然而在轨服务对象中，有相当一部分属于非合作目标，如空间碎片、故障卫星、火箭上面级及非合作航天器等。受目标非合作性、复杂性及现有技术限制，目前仍未有完全自主实现非合作航天器在轨服务的先例，研究空间非合作目标的自主在轨服务技术具有十分重要的意义和应用价值。

经过检索分析，现有技术相关专利及其缺陷如下：发明公布文献CN105976353A，发明名称《基于模型和点云全局匹配的空间非合作目标位姿估计方法》使用了ICP算法进行位姿估计，但缺陷是需要使用深度相机、需要已知目标模型点云，而这在非合作目标的情况下往往是不可能的，且不包含对非合作目标进行三维重建的功能；发明公布文献CN106679634A，发明名称《一种基于立体视觉的空间非合作目标位姿测量方法》使用了立体视觉进行位姿估计，但缺陷是需要提取边缘信息，过程繁琐，三维重构可用点少，重构模型不精确；发明公布文献CN113313821A，发明名称《一种快速三维重建系统和方法》对目标进行了三维重建，但缺陷是需要使用深度相机，且需要使用多个相机。

本发明针对上述现有技术的缺陷，对空间非合作目标位姿估计与三维重建作了技术改进。

【发明内容】

本发明的目的是，提供一种准确进行空间非合作目标位姿估计与三维重建的方法。

为实现上述目的，本发明采取的技术方案是一种基于双目立体匹配的空间非合作目标位姿估计与三维重建方法，包括以下步骤：

S1、在双目相机对非合作目标进行绕飞的过程中，利用双目相机、即左相机和右相机采集获取空间非合作目标双目图像、即空间非合作目标左图像和右图像，并使用双目相机的标定数据对空间非合作目标双目图像进行校正；