[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

摘要

本发明公开了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该方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。

主权项

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，其特征在于：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。