《Sensors》:A Polygon-Based Joint Feature Construction and Matching Algorithm for Star Identification in Star Sensors
编辑推荐:
针对传统基于几何特征的星图识别算法在噪声下特征鉴别能力不足且易误匹配的问题,提出了一种融合多特征的多边形星图识别算法。该算法联合星间角距、相邻边夹角、相对星等差值和多阶相似不变量构造联合多边形特征,采用马氏距离(Mahalanobis distance)进行匹
针对传统基于几何特征的星图识别算法在噪声下特征鉴别能力不足且易误匹配的问题,提出了一种融合多特征的多边形星图识别算法。该算法联合星间角距、相邻边夹角、相对星等差值和多阶相似不变量构造联合多边形特征,采用马氏距离(Mahalanobis distance)进行匹配判决,阈值由卡方分布(chi-square distribution)确定,并设计优先使用五星星多边形、辅以四星星多边形的优化检索策略。以372幅实测星图为基础构建11种测试条件,将所提算法与三角形算法、金字塔算法和传统几何多边形算法进行逐帧比较,各算法均完成4092次逐帧求解。结果表明:在所有非光度扰动条件下,所提算法的识别率在四种算法中最高,为84.14%~92.74%;在1.0 px星点位置噪声和20%星点丢失条件下的识别率分别为92.20%和86.02%,均超过三种对比算法;在全天球丢失在轨(lost-in-space, LIS)条件下,各环境中正确识别帧的求解时间第95百分位数均低于1 s,平均求解时间相对上述三种算法分别降低41.5%、94.6%和82.1%。该算法具有良好的噪声容忍度和识别效率,可为全天球丢失在轨星图识别提供方法支撑。
基于多边形联合特征构建与匹配的星敏感器星图识别算法解读
星敏感器是航天器姿态确定的核心光学传感器,具有角秒级测量精度。全天球丢失在轨识别(lost-in-space, LIS)仅利用单帧星图匹配恒星身份,是星敏感器自主性的关键体现。在轨条件下,高动态引起的质心提取误差、空间辐射损伤导致的噪声和星点遮挡、强背景下出现的假星与漏星均会改变观测星图的局部结构,错误匹配向姿态确定传播错误惯性参考,后果比单次识别失败更严重。传统方法主要利用星间角距、夹角等旋转不变几何量构造特征,如三角形算法和金字塔算法;它们虽不断改进几何匹配可靠性,但判别信息仍集中于少量低维几何量,在恒星星等密集分布或不同天区出现相似构型时,增大匹配容差会引入多个目录候选,减小容差则降低对噪声的容忍度。多边形方法将多边形压缩为少量低维不变量,损失了区分不同构型的信息,且决策仍主要依赖几何一致性。此外,匹配决策常使用固定容差或欧氏距离,当星间角距、夹角、星等差值、复数不变量等具有不同物理量纲和测量精度的特征联合参与决策时,简单距离度量会使贡献取决于数值尺度而非实际可靠性。因此,需要构造联合误差模型并形成指定虚警概率下的统一决策。
研究人员提出了一种基于多边形联合特征构建与匹配的星敏感器星图识别算法。以参考星及其邻星构成的多边形为基本识别单元。特征构建方面,将星间角距、切平面相邻边夹角、相对星等差值以及多阶复数相似不变量的实部和虚部组装成实值联合特征向量,以增强对多边形构型的描述能力和候选模式间的判别能力。匹配决策方面,分别建立几何、光度和不变量三类特征的误差模型,用块对角协方差矩阵描述联合特征的统计结构,基于联合马氏距离构建匹配准则,并在近似高斯误差模型下依据卡方分布和指定决策参数设定接受阈值;各协方差块由原始星图局部背景和星斑拟合估计的测量不确定性传播得到。候选检索方面,采用“不变空间k-d树粗筛+联合特征精判”的层次流程,优先使用五星星多边形缩减候选空间,当五星星无法提供可靠识别时回退到四星星索引,并利用第五颗星进行一致性验证。实验基于372幅实测星图构建11种测试环境,与三角形、金字塔、几何多边形算法逐帧比较,每种算法完成4092次逐帧求解。
主要关键技术方法包括:第一,联合特征向量构建,将几何、光度和多阶相似不变量特征串联,形成五星星17维、四星星12维的特征描述;第二,统计误差建模与协方差传播,从原始星图局部背景和星斑拟合估计坐标及光通量测量不确定性,分别传播至三类特征得到块对角协方差矩阵;第三,马氏距离匹配判决,以块对角协方差归一化不同物理量纲的残差,并利用卡方分布设定阈值;第四,层次化候选检索,五星星优先、四星星回退并辅以第五星验证;第五,样本与比较设置,使用2025年11月28日固定地面站获取的372幅实测星图,构造无扰动、质心噪声、星点丢失、假星注入、光度扰动和复合扰动共11种环境。
研究结果方面:
运行时间统计:在无扰动条件下,所提算法的典型求解时间P
50/P
95为241.4/274.2 ms,相对三角形算法降低20.5%和49.6%,相对金字塔算法降低86.3%和97.9%;在300 ms内完成97.3%帧的求解,在1 s内完成99.7%帧,最大单帧耗时仅1.1 s。这表明层次检索有效避免了候选组合爆炸。
十一数据环境识别性能:除了单独光度扰动条件外,所提算法在无扰动及其他七种几何扰动条件下识别率均最高。无扰动识别率为92.74%,分别超出三角形、金字塔和几何多边形算法26.07、7.79和11.29个百分点;在1.0 px质心噪声和20%假星条件下保持92.20%;在10%和20%漏星时分别为88.98%和86.02%;在复合扰动下为84.14%。四种算法共4092次求解中,所提算法正确识别3581次(87.51%),误匹配6次(0.15%),无超时;金字塔算法无误匹配但有9次超时,三角形算法误匹配257次。这验证了联合特征和统计判决的有效性。
求解时间分布与搜索开销:所提算法在所有环境中的正确帧P
95时间均低于1 s,中位时间为0.140–0.299 s;在假星和复合扰动下P
95增至0.715 s和0.426 s,仍保持短尾。搜索路径统计显示,81.16%的帧通过五星星直接路径完成,18.50%进入四星星回退,0.34%因可用星不足而拒绝;正确帧的全场验证次数中位数为1,表明层次检索有效压缩了候选集。
代表性帧机制分析:通过四个典型帧展示了所提算法能够纠正三角形算法的误匹配(验证1个候选取0.240 s,正确匹配17颗真星)、降低金字塔算法的拒绝(通过回退路径在0.418 s内正确匹配8颗星)、优于几何多边形算法(九星全部正确匹配,耗时0.534 s)以及排除假星(在含1颗假星的情况下正确匹配8颗真星)。这说明联合特征约束和回退验证机制在具体工况中有效。
讨论与结论部分指出,光度扰动会改变观测星与目录星的相对亮度关系,降低光度特征的判别可靠性,协方差归一化可调整光度残差贡献但无法恢复扰动信息,表现为拒绝增多和识别率下降;在10%漏星、20%假星和复合扰动下所提算法分别出现1、3和2帧误匹配,误匹配控制仍需改进。研究结论可归纳为:(1)所提算法在十一环境中识别率为77.96%–92.74%,在无扰动等八种非光度扰动条件下优于三种对比算法,证明了候选判别和多星一致性约束的有效性;在光度扰动σ
F=0.30、0.50、1.00下识别率分别为82.80%、81.18%、77.96%,与不使用光度特征的几何多边形算法相比,弱扰动下略高或接近,强扰动下有所下降。(2)算法在所有条件下正确帧P
95时间低于1 s,无扰动下相对三角形、金字塔和几何多边形算法分别降低41.5%、94.6%和82.1%;4092次求解中仅6次误匹配、无超时,失败主要体现为可检测的拒绝,是四种算法中唯一同时实现低失败率和短运行时间的算法。(3)算法适用于视场内有效星充足的单帧丢失在轨识别,对强光度扰动适应性有限;现有实验主要覆盖静止或小角度转动观测,快速旋转和强杂光条件尚未验证。(4)未来工作包括优化低可靠性光度信息的使用、连续跟踪识别测试、双传感器双视场同步识别系统级仿真。