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。     

Comparison of residual and dense neural network approaches for building extraction from high-resolution aerial images

Applications including change detection, disaster management, and urban planning require precise building information, and therefore automatic building extraction has become a significant research topic. With the improvements in sensor and satellite technologies, more data has become available, and with the increased computational power, deep learning methods have emerged as successful tools. In this study, U-Net and FPN architectures using four different backbones (ResNet-50, ResNeXt-50, SE-ResNext-50, and DenseNet-121), and an Attention Residual U-Net approach were used for building extraction from high-resolution aerial images. Two publicly available datasets, Inria Aerial Image Labeling Dataset and Massachusetts Buildings Dataset were used to train and test the models. According to the results, Attention Residual U-Net model has the highest F1 score with 0.8154, IoU score with 0.7102, and test accuracy with 94.51% on the Inria dataset. On the Massachusetts dataset, FPN Dense-Net-121 model has the highest F1 score with 0.7565 and IoU score with 0.6188, and Attention Residual U-Net model has the highest test accuracy with 92.43%. It has been observed that, FPN with DenseNet backbone can be a better choice when working with small size datasets. On the other hand, Attention Residual U-Net approach achieved higher success when a sufficiently large dataset is provided.     

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。     

一种基于改进太阳子午线拟合方法的仿生偏振光定向系统

为设计一种自主性强、精度高、抗电磁干扰能力强的定向系统,以昆虫获取大气偏振模式的感知机理为基础,设计了一种新型的成像式仿生偏振光定向系统.该系统使用具有微偏振阵列结构的CMOS相机作为主要的偏振信息采集设备,使用DSP/ARM架构的NVIDIA JETSON TX2嵌入式处理器进行信息解算,具有体积小、运算能力强等优点.通过研究大气偏振模式中偏振度和偏振角图像的对称性,针对已有航向角解算方法在太阳子午线提取精度方面的不足,设计了一种对称轴粗提取之后通过连续旋转法精确提取太阳子午线的算法,最终实现定向精度0.3335°,在最小二乘对称轴粗提取法的基础上定向精度提升了19.05％.     

“珠海一号”高光谱数据城市不透水面提取研究

不透水面是评估城市化进程和评价城市环境的重要参考指标，研究城市不透水面的空间覆盖程度对城市生态环境保护、宜居城市建设具有重要意义。本文以“珠海一号”高光谱影像为数据源、珠海市陆域为研究区域，选取支持向量机和随机森林机器学习算法，结合光谱特征，实现城市不透水面信息提取。结果表明：使用“珠海一号”高光谱数据提取不透水面可行性较强，且支持向量机算法更适用于“珠海一号”不透水面提取，总体精度和Kappa系数分别达到92.4%、0.78；基于“珠海一号”高光谱数据进行城市不透水面提取，可为城市规划建设、分析城市土地扩张、评估城市灾害风险提供可靠理论依据和数据支撑。