基于双目视觉的无人机编队相对定位算法

针对无人机编队飞行时双目视觉定位精确性差、计算量大、实时性不高的技术现状,对基于特征点的FAST定位和BRIEF旋转(Oriented fast and rotated brief,ORB)算法进行了改进,提出了一种适用于无人机双目视觉定位的算法。在改进ORB算法中,采用提取目标区域、最近邻约束和随机抽样一致(Random sampling consensus,RANSAC)方法,提高了特征点提取与匹配效率,也提高了特征点匹配质量;对于双目视觉定位,提出了适用条件更加宽泛的双目视觉定位模型,并保证了模型的定位精度;最后使用卡尔曼滤波算法对无人机的定位信息进行估计,进一步提高了无人机的定位精度。实验表明,算法具有较高的精确性和实时性,满足无人机间的相对定位要求。     

一种基于SIFT和KLT相结合的特征点跟踪方法研究

在目标发生明显姿态和大小变化条件下,为了利用基于特征点的跟踪算法实现对目标可靠、稳定跟踪,提出了一种SIFT算法和KLT(Kanade-Lucas-Tomasi)匹配算法相结合的特征点跟踪方法。通过对SIFT算法进行优化,使得到特征点分布相对均匀,同时不存在聚集现象;通过对KLT匹配算法进行分层迭代设计,提高了目标作快速运动时的匹配精度;最后根据特征点匹配结果,结合Greedy算法得到目标的准确位置。实验结果表明：该算法能够很好地适应目标姿态和大小的变化,实现对结构复杂目标的稳定跟踪;比KLT跟踪算法具有更好的鲁棒性和稳定性,能得到更加准确的目标位置。      

CMOS探测器星敏感器的跟踪窗口星图处理方法

近年来，商业航天微小卫星已经实现了轻小型化、低成本、快速研制等目标，但是在卫星姿态控制方面受制于星敏感器等测量敏感器的精度水平，无法实现高精度的测量与控制。为满足微小卫星在轨飞行中高精度姿态测量和大角速度运动的要求，本文提出了适用于CMOS探测器星敏感器的跟踪窗口星图处理算法方案，设计了基于姿态信息和导航星库，通过坐标系旋转和透视投影变换，预测探测星点成像位置，设置CMOS探测器跟踪窗口的方法，根据跟踪窗口设置，完成预测恒星所在图像子区域的像素灰度数据采集和背景灰度值的计算。采用这种方法后，恒星成像质心精度得到了提高，加快了星点提取质心的图像处理速度。通过试验室动态光星模和外场观星试验验证。试验结果表明:该算法提升了星敏感器的精度( )和动态性能(3 (°)/s)，同时提高了全天识别的概率和跟踪数据有效率。     

一种具有实时性的SIFT特征提取算法

针对尺度不变特征变换(SIFT)算法实时性差和在生成灰度图时信息丢失的问题,提出一种对比度增强和使用DAISY描述符的SIFT特征提取算法。首先,通过彩色图和原始灰度图计算像素的颜色调整值和曝光调整值,根据调整值与原灰度级获得对比度增强的灰度图。其次,使用改进后的灰度图提取SIFT特征点,并根据邻域灰度级计算不同高斯核和方向下的卷积方向图。最终,由特征点和采样点不同方向的偏导数值获得DAISY描述符,该描述符结构简单,便于计算。对由标准图像数据集提取的特征点使用K近邻(KNN)算法进行匹配,以评价在不同变化下算法的准确率。试验结果表明,该算法能够获得更多的特征点,并且在保证准确率的同时降低描述符生成部分和特征匹配部分的时间。     

“资源三号”卫星图像影像特征匹配方法研究

随着中国遥感卫星的迅速发展,要求影像几何质量评价方法可以在待评图像和参考图像间提取出精确且分布均匀的控制点信息。文章提出一种基于多源、高精度遥感图像的特征点匹配方法。该方法首先用加速稳健特征（Speeded Up Robust Features,Surf）算法对＂资源三号＂卫星图像和参考图像进行粗匹配以建立两幅图像间的整体几何关系,通过对相同区域进行wallis滤波增强图像纹理信息,然后用Surf算法进行特征点的提取和匹配,最后利用对极几何约束剔除误匹配点。试验结果表明,该方法可以全自动、快速和精确的提取影像控制点。     

惯性组合导航系统中的快速景象匹配算法研究

在景象匹配辅助导航中,特征点的选取是提高图像匹配速度、精度和鲁棒性的关键之 一。景象匹配中要求提取出的特征是那些可靠性高、辨别性强、计算量小的不变特征。提出 了基于SIFT特征的导航用快速景象匹配算法。算法首先针对惯性组合导航的工作特点, 对SIFT特征点检测及特征点匹配进行了优化设计,然后用RANSAC方法过滤掉错误匹配点,最 后,进行最小二乘精确匹配算法获取航向和位置偏差信息。实验分析了算法对不同分辨率图 像和不同区域的匹配适应性,抗噪声性能,匹配精度以及实时性,并与基于部分Hausdorff 距离的边缘特征景象匹配算法进行了对比。实验结果表明,算法的性能优越,在匹配速度、 精度和鲁棒性方面都优于部分Hausdorff距离算法,可以满足景象匹配导航系统匹配修正的 高性能要求。
     

基于数论法的跟踪门计算方法研究

根据测量误差和状态估计误差,采用数论法、随机点集包络法和数据拟合方法计算测量状态的跟踪门形状和大小.跟踪门是多传感器多目标关联算法的首要技术,实质是对多目标进行分布范围划分,减小目标的无效检测率.现有跟踪门的门限算法以各个测量分量或分量函数具有正态分布特性为前提,加之规范的形状,具有特定的局限性.数论法根据误差源的概率分布采用在weyl意义偏差较小的均匀分布点集来模拟误差源的统计分布.该方法适合于三维空间跟踪门计算,计算量小,过程简单,不仅可得到跟踪门形状,而且可对跟踪门的大小进行计算,达到减少交叉跟踪门总数、交叉跟踪门内目标总数的日的.     

遥感图像中基于Hough变换的直线提取算法

针对遥感图像中大型目标的直线特征提取问题,设计了一种基于类直线提取的改进霍夫(Hough)变换算法。类直线的提取相当于Hough变换的预处理,既约束了Hough变换所使用的直线上的特征点,改进了直接进行Hough变换时不同直线的特征点互相干扰的缺点,又降低了计算量。对图像空间的每条类直线分别进行Hough变换,改进投票过程的映射方式,寻找类直线中最多特征点所在的那条直线,只取一个投票峰值,在减小了计算复杂度的同时又去掉了虚假峰值的影响。实验结果表明,改进Hough变换直线特征提取算法性能好、效率高,可用于遥感图像处理领域。     

弹道导弹关机点偏导数计算/校验的新算法

对摄动制导的弹道导弹而言,关机点偏导数和全导数计算及其校验是导弹诸元计算中的重要环节。本文利用相对系运动参数和绝对系运动参数之间的关系,推导了弹道导弹关机点偏导数计算的三组新的计算公式,这些公式均建立在严格证明的基础上,它们构成了完整的、高精度偏导数计算/校验算法。和定型的算法相比,文中的算法具有数学描述简洁,计算方便,校验可靠、精度高的优点。可满足弹道式导弹精确诸元解算/校验的要求。     

一种基于Star算法的多路视频稳像方法研究

目前，基于特征点匹配的稳像算法中存在特征点提取速度慢、误匹配率高，以及多目相机的多路视频稳像太过耗时、实时性不好的问题，提出了一种基于Star特征点提取算法的多路视频快速稳像方法。首先采用Star算法提取视频当前帧特征点，然后采用光流法结合当前帧特征点信息跟踪预测下一帧对应的特征点，以加快特征点提取速度，同时减少所提取的特征点错误匹配率。通过对匹配的特征点求取相应的仿射变换矩阵获取帧间运动矢量，进而采用卡尔曼滤波器对帧间运动矢量进行滤波处理，以滤除其中的相机随机抖动矢量并保留相机的主观运动矢量。最后依据滤波后的运动矢量进行图像补偿得到稳定的图像序列。针对复眼导引头存在的多路视频抖动情况，基于OpenMP并行开发库，利用多核处理器的优势，实现了多路抖动视频的并行实时稳像。所设计的数字稳像算法在PC平台下对4路抖动视频（OTB100的BlurCar系列视频，分辨率为640×480，帧率为30 FPS）并行稳像的结果参数为：峰值信噪比 （Peak Signal-to-Noise Ratio，PPSNR）平均提升了4.62 dB，单帧耗时平均为14.51 ms。经仿真实验证实，算法的计算效率和特征点匹配正确率高，可实现多路输入视频的实时稳像。     

GEO非合作目标超近距相对位姿视觉测量

提出一种基于几何特征综合匹配的双目超近距相对位姿视觉测量方法。首先,将失效卫星的矩形太阳帆板作为几何特征,采用综合匹配方法实现了双目图像的高精度匹配,随后基于几何特征指标参数判别和ROI检测方法,实现了卫星太阳帆板特征点组的识别与提取,在此基础上,进一步建立了目标坐标系,通过三维重建完成了超近距阶段失效卫星的相对位姿高精度解算。最后建立了高精度双目视觉超近距相对测量实验系统,结合所提出的综合匹配算法和相对位姿解算方法,完成了动态非合作目标的相对位姿测量实验,实验结果说明所提出的方法具有较好的实时性和较高的精度。     

可重复使用运载器的再入制导(英文)

提出了一种针对可重复使用运载器的再入制导算法。算法可分为轨迹规划算法和轨迹跟踪算法。较之经典的规划阻力的航天飞机制导方法,此算法最显著的特点在于轨迹规划与轨迹跟踪都直接在高度-速度空间里进行。在规划算法中,所有的轨道不等约束都可用高度-速度空间里的上下边界来表示,之后基于此边界采用线性化插值的方法来产生标称轨迹族,最后根据末端约束(末端能量管理)和航程约束来选择所需的标称轨迹。跟踪算法则采用反馈线性化来跟踪此标称轨迹进而满足所有的约束条件。此算法另一有别于传统方法的特点在于算法可使用一个航迹角控制器来增加航程,以满足大航程需要。适当地结合规划-跟踪算法和航迹角控制器可给再入制导带来极大的灵活性和适应性。另外,算法对各种建模误差与噪声的鲁棒性经验证也是符合要求的。     

一种基于角点提取的遥感影像地面控制点自适应匹配算法

提出基于特征角点的控制点自适应匹配算法：依据图像数据灰度特征自动确定相应阈值，从基准影像上提取控制点。采用动态模板进行不等距搜索，确定潜在目标控制点；构建三角网，利用等角变换判别目标控制点；构建仿射变换方程来筛选目标控制点。该算法无需设定灰度相关系数最大值阈值即可判别目标控制点。选取ASTER和TM两种成像差异显著的图像数据，对该算法进行试验，结果表明。该算法可以准确提取有价值的特征角点，具有较高的控制点识别精度和运算效率，具有较强的适应性和应用价值，较之传统匹配算法有明显优势。     

一种地球紫外中心快速提取方法

针对地球紫外中心指向高精度提取问题,提出一种基于梯度统计的快速、低存储需求的紫外地平圆盘中心提取算法。首先,考虑到星载计算机与高内存消耗的滤波算法、实时导航需求的冲突,采用结合Sobel边缘算子与局部二值模式（LBP）算子的改进边缘快速提取方法,有效剔除背景噪声并准确提取地球紫外临边特征。然后对非完整临边边缘采用最小二乘拟合得到中心的精确位置。实验结果表明,该方法抗噪声,可实现亚像素级地球中心提取,并显著降低存储需求和计算时间开销。对于1046×746的图像,该算法需要的存储空间仅为1100kByte,运算时间在20ms内,满足自主导航的需求。     

W波段UAV MISAR实时成像运动补偿方法

建立了实时成像正侧视合成孔径雷达(SAR)运动误差模型,采用了一种基于惯导和相位梯度自聚焦(PGA)运动误差估计的中心波束平面运动补偿算法。该算法对回波包络和相位进行分开补偿,利用惯导数据把带有运动误差的回波包络拉直,再利用相位梯度自聚焦算法对回波进行相位误差估计并补偿。针对实时成像的时间少、运算量大、运算资源受限等特点,该算法取消了距离徙动校正的步骤,将运动误差矢量在斜距平面投影并完成包络校正和相位误差估计。该方法运算量小,同时能满足分辨率要求。仿真结果表明:该方法能够得到质量较高的SAR图像。     

基于改进SSD算法的航拍目标检测算法研究

研究基于深度学习技术的无人机航拍图像目标检测算法，首先介绍目标检测算法SSD（Single Shot MultiBox Detector），并对其特征提取网络进行改进，采用稠密特征提取网络替换原网络的主干特征提取网络，提高算法的特征提取能力，从而提升了算法的检测精度。针对网络实时性问题，在算法中引入分组卷积，极大地减少了网络参数量，提升了网络推理速度。为解决训练中出现的正负样本不均衡问题，利用焦点损失（Focal Loss）改进了原算法的损失函数，进一步提升了网络的收敛速度和精度。最后，通过仿真验证了改进算法在目标检测精度上的优越性。     

天基光学传感器动态成像配准方法研究

图像配准是天基光学动态成像处理中的关键技术,在遥感侦察等领域有着重要应用。对星空背景和地球大气背景下天基目标探测中的图像配准问题进行研究。针对星图配准建立了部分平均Hausdorff距离(PMHD),并定义了一种新的相似性匹配测度,利用序贯岭回归估计方法实现快速配准;针对地球大气背景图像配准,通过改进的Harris角点检测亚像素定位提取特征点集,基于PMHD利用粒子群优化(PSO)算法实现图像的精确配准。仿真实验表明:提出的星图配准方法具有实时性和亚象元配准精度,联合PMHD和PSO的大气图像配准具有良好的配准精度和较强的抗噪干扰能力。     

基于点云深度学习的对称结构空间目标相对位姿测量

针对对称结构空间目标相对位姿解算过程中点云误匹配带来的误差问题，提出一种基于点云深度学习的对称结构空间目标相对位姿测量方法。首先设计空间目标点云特征提取网络及关键点回归网络，将位姿测量问题转换为空间目标点云关键点回归问题，通过两个并行的回归网络分别输出空间目标平移向量和具有固定标签的目标点云三维边界框角点；其次利用具有连续稳定标签的角点求解目标姿态，可有效解决目标的对称结构导致的点云误配准问题；最后通过仿真数据集的实验表明，该方法相比于传统的点云配准方法有更高的准确率，能够精确求解具有对称结构的空间目标相对位姿。     

基于压缩感知理论的合成孔径激光雷达成像算法

合成孔径激光雷达是一种主动式有源激光成像雷达,它具有远高于微波合成孔径雷达的成像分辨率,能够实现对远距离目标的精细成像。由于激光信号的带宽极大,普通的硬件设备难以满足奈奎斯特采样定理的要求。提出一种基于压缩感知理论的合成孔径激光雷达成像算法,该方法利用光外差方法探测回波信号,在此基础上通过对外差信号进行随机采样提取信号中的有效信息,使用正交匹配追踪算法实现对目标高分辨距离像图像的重构,最后结合频率变标算法得到目标的高分辨二维图像。仿真结果表明运用新算法对合成孔径激光雷达的回波信号进行采样,能使用远低于奈奎斯特定理所规定的采样率完成信号采样,并有效压低信号旁瓣,实现对目标的超高分辨成像。