一种基于多尺度边缘提取的陨石坑检测算法

针对星体表面的陨石坑可用于探测器的自主导航、障碍识别等任务,提出一种基于多尺度边缘提取的陨石坑检测算法。该算法首先利用高斯金字塔得到不同尺度的陨石坑图像;其次,针对不同尺度的陨石坑图像,利用EDPF边缘提取算法对陨石坑进行边缘提取,并连接关键边缘像素点为直线段来近似表示图像边缘;然后将具有相同偏转方向的边缘直线段连接成圆弧,并将有相似半径和中心的圆弧拟合成候选圆和椭圆;最后对候选圆、椭圆进行验证。该算法的优点在于,能够准确地检测出陨石坑,有较高的检测率,且对存在较多陨石坑的图像有较好的检测结果。     

一种高效准确的视觉SLAM闭环检测算法

同步定位与地图构建（SLAM）是视觉导航领域的关键技术之一，闭环检测是SLAM的基础问题。针对视觉SLAM闭环检测准确率不高的问题，提出一种高效准确的闭环检测算法。该算法由词袋模型、图像结构校验、跟踪预测模型3个模块构成。首先，将局部特征与全局特征相结合，设计了词袋模型与图像结构校验模块。词袋模型通过视觉单词比较图像之间的相似性，得到闭环候选帧。然后，图像结构校验模块灰度化、归一化当前图像与闭环候选图像。归一化之后的图像被直接作为局部特征的邻域，计算得到全局描述符，通过全局描述符判断闭环候选帧是否为有效的闭环。最后，针对传统闭环检测算法耗时随图像数量增加而显著增加的问题，设计了跟踪预测模块，以提高计算效率。实验中，与主流的DBoW算法相比，提出的闭环检测算法的准确率提升了20%以上，实时性也有更好的表现。      

一种面向空间飞行器视觉导航的椭圆检测算法

基于椭圆特征的空间飞行器视觉导航技术是一种新颖的高精度空间探测自主导航方法,如何对空间目标的环形边缘进行精准提取和高效拟合是实现空间飞行器视觉导航的必要条件。针对该问题,提出一种面向空间飞行器视觉导航的椭圆检测算法。利用多项式逼近导航图像连续边缘段的方式提取椭圆弧段;通过基于极大似然假设检验理论构建的模型选择判据,对来自同一个椭圆的椭圆弧段进行准确合并;对合并后的椭圆弧段进行拟合,得到空间飞行器视觉导航的椭圆检测结果。大量的仿真实验表明：与传统的椭圆检测算法相比,所提算法具有较高的精度和更高的鲁棒性,可以广泛应用于空间飞行器视觉导航图像椭圆检测,为空间飞行器视觉导航算法提供精准的二次曲线输入。     

基于CNN的多尺寸航拍图像定位方法的研究与实现

图像定位常用于无人机视觉导航,传统的无人机视觉导航广泛采用景象匹配导航方式,随着计算机技术的不断发展,深度学习技术为视觉导航的实现提供了新途径。以无人机的垂直侦查为背景,将飞行区域的航拍图像划分成大小相同的若干网格,每个网格代表一类区域,用网格图像制作数据集训练卷积神经网络（CNN）。基于AlexNet设计了一种融合显著性特征的全卷积网络模型,有效实现了一个基于CNN的多尺寸输入的滑动窗口分类器,并提出了一种邻域显著性参照定位策略来筛选分类结果,从而实现多尺寸航拍图像的定位。      

基于Gabor滤波器的航空图像居民区域提取

中低分辨率航空图像中居民区域的自动提取对地理信息系统更新和无人机导航具有重要作用.详细分析了Gabor滤波器参数对纹理提取的影响,提出了一种基于Gabor滤波器的居民区快速提取算法.算法包含4步:运用Gabor滤波器分析图像纹理,采用核密度估计生成居民区域置信图像,进而计算自适应阈值分割置信图得到候选区域,最后根据区域几何形状去除干扰得到居民区.算法平均运算时间为0.42s,实验结果表明了算法的高效性和准确性.     

基于深度学习的大型陨石坑识别方法研究

陨石坑是天体表面最为显著的地形特征，传统陨石坑识别方法主要是对小型陨石坑正负样本的二分类问题研究，且效率和精度均不高。以星体宏观视角下的大型陨石坑作为研究对象，结合图像处理和神经网络等方面的知识，创建了来自不同数据源的陨石坑样本数据库，研究了数据源对网络模型泛化能力的影响，提出了一种效率更高的陨石坑多分类识别方法。在非极大值抑制（NMS）算法基础上，提出了一种精度更高的陨石坑检测算法。经过参数优化和实验验证，构建的基于深度学习的多尺度多分类陨石坑自动识别网络框架取得了较高的准确率，在同源验证集上识别率可达0.985，在异源验证集上识别率可达0.863，并且有效改善了目标检测时检测框冗余及误检测的问题。      

一种基于方差的自适应火星图像阈值选取算法

在基于光学成像的深空探测自主导航中,图像边缘处理直接影响视线矢量的提取,从而对自主导航的精度产生较大影响。传统的Otsu算法更侧重同区域灰度的均匀性,适用于图像中目标区域和背景区域面积相差不大的情况,因此在自主导航初始阶段,导航精度较低。根据深空探测巡航段拍摄到的火星图像的特点,基于已有火星探测任务的实拍图像,在Otsu算法的基础上,重新设计准则函数,提出了一种基于方差的火星图像阈值自适应选取算法。该算法将灰度值高于待定阈值的区域的方差表示为待定阈值的函数,以函数一阶微分的最大值对应的灰度值作为最优阈值。该方法具有计算量小、图像分割精确的优点。仿真结果表明,相较于传统的Otsu算法,通过该算法得到的图像阈值能够实现更高的视线矢量提取精度及自主导航精度。     

遥感图像的显著-概要特征提取与目标检测

针对巨幅遥感图像的目标检测问题,提出了一种基于显著-概要特征的遥感图像自动目标检测算法.采用滑动窗口将巨幅遥感图像划分为若干个小尺度的区域,针对各个小尺度分块图像,借鉴人类视觉生理功能特性之原理,提取其显著特征和概要特征,其中的显著特征代表了图像中的显著信息及显著区域空间分布和关联信息,概要特征可从整体上反映该区域的背景/目标关联信息.通过对分块区域图像的分类鉴别以实现目标检测.实验结果表明:此方法能以高可靠性和高精确度检测出巨幅遥感图像中的目标.     

一种可变锚框候选区域网络的目标检测方法

目标检测作为计算机视觉领域的热点问题，目前基于深度学习的目标检测方法可以分为2类:两步检测和一步检测，前者有着较高准确性，后者有着较好速度，但是为提高检测的性能两者都引入了锚机制。为提高目标检测系统的性能，基于深度卷积神经网络的两步检测算法引入了注意力引导（AG）模块，通过对候选区域网络（RPN）的锚机制进行引导，使得对于预选锚框形状的选择更具有多样性；同时针对传统的后处理方式非极大值抑制（NMS）算法存在的误检和漏检的问题，提出了一种置信度因子的NMS（Cf-NMS）算法，对于模型的整体性能有着很大的贡献。实验结果说明，所提方法虽然在速度性能上有略微的下降，但是无论是在RPN变体还是现有的先进算法在准确性方面都有提升。      

一种基于卷积神经网络的地磁基准图构建方法

地磁匹配导航技术是一种重要的辅助导航制导方法，地磁基准图的构建精度对地磁匹配制导的精准度起着决定性作用。针对现有地磁基准图构建精度难以满足实际地磁匹配导航需求的问题，提出了一种基于卷积神经网络的地磁基准图构建方法。首先，利用卷积层提取低分辨率基准图中的特征图像块；然后，利用基于学习的阈值收缩算法（LISTA）实现图像块的稀疏表示；最后，利用三通道的地磁信息得到重建后的高分辨率基准图。实验结果表明:所提方法对地磁基准图具有更高的构建精度，同时对噪声有更好的鲁棒性，各种客观评价指标均高于现有的超分辨率重建方法。      

Crater detection via genetic search methods to reduce image features

Recent approaches to crater detection have been inspired by face detection’s use of gray-scale texture features. Using gray-scale texture features for supervised machine learning crater detection algorithms provides better classification of craters in planetary images than previous methods. When using Haar features it is typical to generate thousands of numerical values from each candidate crater image. This magnitude of image features to extract and consider can spell disaster when the application is an entire planetary surface. One solution is to reduce the number of features extracted and considered in order to increase accuracy as well as speed. Feature subset selection provides the operational classifiers with a concise and denoised set of features by reducing irrelevant and redundant features. Feature subset selection is known to be NP-hard. To provide an efficient suboptimal solution, four genetic algorithms are proposed to use greedy selection, weighted random selection, and simulated annealing to distinguish discriminate features from indiscriminate features. Inspired by analysis regarding the relationship between subset size and accuracy, a squeezing algorithm is presented to shrink the genetic algorithm’s chromosome cardinality during the genetic iterations. A significant increase in the classification performance of a Bayesian classifier in crater detection using image texture features is observed.     

A machine learning approach to crater detection from topographic data

Craters are distinctive features on the surfaces of most terrestrial planets. Craters reveal the relative ages of surface units and provide information on surface geology. Extracting craters is one of the fundamental tasks in planetary research. Although many automated crater detection algorithms have been developed to exact craters from image or topographic data, most of them are applicable only in particular regions, and only a few can be widely used, especially in complex surface settings. In this study, we present a machine learning approach to crater detection from topographic data. This approach includes two steps: detecting square regions which contain one crater with the use of a boosting algorithm and delineating the rims of the crater in each square region by local terrain analysis and circular Hough transform. A new variant of Haar-like features (scaled Haar-like features) is proposed and combined with traditional Haar-like features and local binary pattern features to enhance the performance of the classifier. Experimental results with the use of Mars topographic data demonstrate that the developed approach can significantly decrease the false positive detection rate while maintaining a relatively high true positive detection rate even in challenging sites.     

A new approach based on crater detection and matching for visual navigation in planetary landing

This paper provides an approach of crater detection and matching to visual navigation in planetary landing missions. The approach aims to detect craters on the planetary surface and match them to a landmark database during the descent phase of a planetary landing mission. Firstly an image region pairing method is proposed to detect the crater by using an image region feature detector. Then a WTA-rule is adopted to match the detected crater to the crater in database. To further reduce the false matching rate, an efficient method for reducing false matches using parameters of crater in 3-D database is proposed. Real images of planetary terrain and a semi-physical planetary landing simulation platform are utilized to test the performance of the approach, simulation results show the proposed approach is able to match the required number of craters to the database for pin-point planetary landing with a low rate of false detection and false matching, which will lead to an improved planetary landing precision.     

一种基于多虚拟观测量的组合导航自主完好性监测方法

完好性用于导航系统出现故障的情况下提供及时的告警，是生命安全类用户需要考虑的重要性能指标。基于惯性导航系统（INS）辅助的卫星导航自主完好性监测算法，提出了一种利用INS构造3颗虚拟卫星观测量的组合导航系统自主完好性监测方法，通过构造视线方向相互垂直的3颗卫星，最大限度利用组合导航中INS的导航信息，在2颗可见星条件下就能实现故障检测。相比传统接收机自主完好性监测(RAIM)方法，该方法提高了检测算法可用性。在GPS单星座且INS定位误差方差σ_s=1m条件下，加入35m单星故障幅值，传统加权RAIM故障检测概率为48.51%，本文算法检测概率为95.21%，检测性能提升47%；与INS辅助的卡尔曼滤波残差检测法相比，在相同INS精度等级条件下该方法也具有更高的检测概率。此外，仿真分析了不同INS精度等级对该方法故障检测性能的影响，结果表明INS精度越高，该方法检测性能越好。     

基于三维点云模型的空间目标光学图像生成技术

空间探测任务中大量先验图像数据的缺乏，使得基于光学图像的态势感知和导航算法无法被有效定量测试和评估。针对此问题，提出了一种基于三维点云模型和射影变换基本理论的空间目标光学图像生成方法。在完成对空间目标三维点云模型和仿真摄像机模型构建基础之上，利用射影变换基本理论依次计算像平面所有像素点与空间目标三维点云模型空间点的对应关系，并基于Lambertian漫反射模型和相对应空间目标三维点云模型空间点的光照方向，得到所有像素点的灰度值，从而生成给定空间目标的光学图像。大量仿真实验表明:与传统的基于解析模型的仿真图像生成方法相比，所提的空间目标光学图像生成技术能够以更快的速度生成更加真实的仿真图像，且生成的仿真图像可以广泛应用于椭圆拟合、陨石坑检测、着陆器视觉导航、航天器交会对接、空间目标跟踪等典型空间应用算法的定性与定量评估。