[发明专利]一种大尺度不变性的深空小天体图像匹配的方法

说明书

本发明涉及一种大尺度不变性的深空小天体图像匹配的方法，所述方法包括：仿真生成不同轨道绕飞小天体时拍摄的图像，建立训练数据集和测试数据集；然后构建深空尺度估计网络模型，使用训练数据集对网络模型进行训练，通过测试数据集获得输入的测试图像之间的尺度分布，进而实现深空小天体图像匹配；深空尺度估计网络模型包括全局注意力密集ASPP模块和相关感知分布预测模块；全局注意力密集ASPP模块，用于获取相关特征图；相关感知分布预测模块基于Transformer结构的下采样模块建立，用于对相关特征图进行处理得到尺度分布；将尺度分布转换为尺度因子，根据尺度因子实现大尺度变化下的图像匹配。本发明解决了小天体图像在发生大尺度变化时无法正确匹配的问题。

技术领域

本发明涉及图像特征提取和匹配领域，具体涉及一种大尺度不变性的深空小天体图像匹配的方法。

背景技术

小天体探测任务近些年越来越受到关注，考虑到可靠性和安全性，现有很多任务仍需要地面操作人员进行，然而由于小天体一般距地球较远，通讯延迟长，因此数据经过有带宽限制的传输难以完成实时观测、着陆，也无法及时应对各类突发状况。因此未来的小天体探测器需要具备高度自主探测能力，以实现在深空的智能探测。

自主视觉导航是小天体探测任务中的重要技术手段之一，其中图像特征的提取和匹配是视觉导航的基础和前提，其精度直接影响导航的精度和性能。但小天体不同于地面场景，从绕飞到降落的过程中高度变化剧烈，图像会产生非常大程度的特征变化，如在20km观测到的小天体特征与500m的时候完全不同。甚至在距离很远时，小天体只占据画面中的几十个像素点。同时由于小天体探测任务周期长，参考图像和导航图像的光照情况可能差异很大。尺度和光照的变化改变图像特征，影响匹配的鲁棒性，进而影响着陆导航精度。

现有的一些具有光照和尺度不变性的特征方法如SIFT，SURF在深空场景的研究中应用广泛，它们能适应一定范围内尺度的变化，但是对于大于10倍的大范围尺度变化检测能力有限，当光照发生较为强烈的变化时，无法有效匹配对应点。为了解决图像匹配中尺度、光照、视角的鲁棒性，在图像特征提取和匹配领域一些基于深度学习的方法被提出，这些方法通过卷积层提取特征，再利用传统匹配方法或者图神经网络等对特征进行匹配，然而它们在图像发生大尺度变化时表现差强人意。针对大尺度变化的问题，也有一些方法提出先估计大尺度变化图像间的尺度因子，随后将图像变换到相同的尺度层级，进而提高匹配精度。但这些方法能解决的最大尺度范围也不适用于小天体场景。

发明内容

与现有技术的方法不同，针对小天体图像特征匹配中面临的大尺度变化导致的无法有效匹配问题，本发明提出了一种适用于大尺度变化下的小天体图像匹配方法，并设计了一个基于注意力机制的深空尺度估计网络模型用于估计图像的尺度因子，这是第一个应用于深空大尺度图像匹配的方法。大尺度下两张图像无法正确匹配的原因主要是：两张图像的特征金字塔所在级别相距较远，导致无法正确匹配对应的特征描述子。本发明通过深空尺度估计网络模型获得的尺度因子将两张图像调整到相似的尺度层级，能进一步提高大尺度图像的匹配精度。为了适用于深空图像中远大于地面场景的尺度跨度，本发明将全局注意力机制与密集ASPP(Atrous Spatial Pyramid Pooling，空洞空间卷积池化金字塔)结合设计了全局注意力密集ASPP模块(Global Attention-DenseASPP，GA-DenseASPP)用于提取特征，它能融合更大的感受野，全局注意机制融合信道和空间信息的能力以及ASPP的密集连接被证明可以提高网络对深空背景等大尺度场景的特征提取能力；并构建了基于Transformer的相关感知分布预测模块(Correlation-Aware Distribution Predictor，CADP)用于提高尺度分布度量精度，这是首次将Transformer应用到尺度估计问题，并且成功获得了比传统CNN(Convolutional Neural Networks,卷积神经网络)更加准确的效果。在实验结果部分，通过本发明仿真的数据对比了所提出方法和现有匹配方法的性能，所提方法皆达到了SOTA，同时也研究了本发明方法的边界条件，包括尺度跨度和像素占比。本发明方法对小天体表面的不同光照变化更加鲁棒，并且可以从绕飞的不同角度准确预测。