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
【技术领域】
[0001] 本发明涉及星图识别的技术领域，具体涉及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。
【背景技术】
[0002] 姿态测量是卫星和飞船控制的重要任务之一，深空导航任务尤其倚仗自主姿态测 量技术。星敏感器是一种高精度航天器自主姿态测量元件，具有精度高、无漂移、不需要先 验姿态等优点，被广泛应用在各类航天器中。
[0003] 星图识别算法大致可以分为2类。第一类是子图同构类算法。在这种算法中星点 被看作多边形的顶点，两颗星点之间的角距被看作是多边形的边，如果观测星图中的多边 形可以和数据库中的某一个多边形唯一匹配，则该观测星图成功识别。此类算法识别时间 会因为虚假匹配数目增加而快速增加。而且为了提高识别率，此类算法必须存储大量的角 距值，导航数据库容量巨大。
[0004] 模式识别算法是指利用根据每一颗星点的周围的星点的几何分布，为其构造独一 无二特征模式，并通过在星库中寻找与其模式最为接近的星点来进行识别。此类算法存在 以下几方面的缺点：①对位置噪声和星等噪声的鲁棒性不足，在噪声水平上升时识别率下 降很快；②存在大量的冗余匹配，特别当视场中存在假星时，候选匹配星点集数目增大，星 点匹配复杂程度会大大提高，同时导致识别时间急剧增加。
[0005] HMM是处理时间序列信号方面非常有用的模型，是一种高效的，鲁棒的模式识别算 法，在语音识别，手势识别以及手写字母识别等方面取得了成功地应用。目前星图识别领域 虽然提出了多种模式识别算法，但没有一种算法是基于HMM模型来进行识别。
【发明内容】
[0006] 本发明的目的在于：星图模式识别算法逐渐成为星图识别算法的主要研宄方向之 一，但是目前的模式类星图识别算法依旧存在对星点位置噪声、星等噪声，和假星的鲁棒性 较差，冗余匹配数量较多等缺点。本发明提出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的两层结构一一隐藏层和观察层一一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 证算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。
[0007] 本发明采用的技术方案为：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，该方法的步骤如下：
[0008] 步骤1).挑选合适的星点作为导航参考星和邻域星；
[0009] 步骤2).导航参考星点HMM模式构建
[0010] 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；
[0011] 步骤3). HMM训练与样本采集
[0012] 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：
[0013] 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；
[0014] 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；
[0015] 步骤4).在观测星图中寻找待识别的观测参考星和邻域星；
[0016] 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；
[0017] 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：
[0018] 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；
[0019] 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；
[0020] 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 另IJ，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。
[0021] 其中，在步骤1)中，所述的导航参考星和邻域星是从天球中挑选的；具体的，
[0022] 从星表中挑选星等小于等于一定星等的星点作为导航参考星，并删除双星和过于 1?、集的星点；
[0023] 寻找导航参考星模式半径范围内的星等小于或等于一定星等的星点作为导航邻 域星的候选星点；
[0024] 将所有的候选星点按照离参考星的角距从小到大排序，并选择最近的三颗，依次 记为邻域星1，2, 3。
[0025] 其中，在步骤3)的步骤I中，所述的鲁棒性偏移特征序列集合是利用鲁棒性偏移 参数处理特征序列生成的样本集合，其中：
[0026] ε+:正向鲁棒性偏移参数，若一个离散后的特征序列中的某一个角距去整后的小 数部分大于ε+时，该角距对应的观察值加1，其他位不变，构成一个全新的观察值序列；
[0027] ε?负向鲁棒性偏移参数，类似于ε +，当离散后的角距去整后的小数部分小于 ε1寸，对应观察值减去1构成新的观察值序列；
[0028] 将基本特征序列经过离散和化整后转换成基本观察值序列，并对其逐位应用鲁棒 性偏移法则来生成新的观察序列；
[0029] 训练好的所有的导航参考星点的HMM模型，并在HMM数据库中存储其星表编号，邻 域星星表标号和HMM参数，用作后续搜索匹配。
[0030] 其中，在步骤4)中，所述的观测参考星和邻域星是从星图中挑选的；
[0031] 将所有星图中的星点按照离图像中心的距离从小到大排序，首先挑选第一颗星点 为观测参考星，以观测参考星为中心，找到观测参考星对应的三颗最近的邻域星。
[0032] 其中，在步骤6)中，所述的粗分类逐位退出是指比较星图中观测参考星的观察值 序列和HMM数据库中的每一个HMM的观察值序列，从首位开始，如果两者值相差土 δ以上， 则判定为此HMM不符合观察值序列，直接退出比较，进行下一个HMM比较；
[0033] 只有所有位的观察值的比较结果差值均在土 δ以内，则计算此HMM产生观察值序 列的对数似然概率；
[0034] 挑选概率的最大的HMM模型作为匹配的模型，观测参考星和邻域星就是最佳HMM 模型对应的导航参考星和邻域星，此时星图识别完成；
[0035] 若遍历HMM数据库没有匹配的HMM模型，当前的星图中观测参考星和邻域星无法 识别。
[0036] 本发明的星图识别方法具有以下优点：
[0037] (1)本发明创建基于HMM特征序列模式特征，利用HMM的两层结构设计了星点的两 层特征模型，特征的观察值序列充分考虑了星点位置噪声、星等噪声对星点模式的影响，因 而星图识别算法对星点位置噪声和星等噪声有较好的鲁棒性。此外，本方法对假星也有很 好的鲁棒性。
[0038] (2)本发明鲁棒性偏移很好的解决了 HMM模型训练中样本的获得和对总体特征的 包含问题，偏移得到的训练集数目少，训练效率高。
[0039] (3)本发明对观察值序列进行粗分类逐位退出大大提高了算法的识别速度，本方 法的平均识别时间远远优于一般的模式识别方法。
【附图说明】
[0040]