本發(fā)明屬于空間在軌服務(wù)技術(shù)領(lǐng)域，具體涉及一種基于立體視覺的空間非合作目標(biāo)位姿測量方法。

背景技術(shù)：

近年來，人類航天活動不斷增加，每年發(fā)射的航天器也越來越多。隨著時間的消逝，眾多航天器中就會產(chǎn)生一些廢棄航天器、故障航天器以及空間碎片等，從而影響其他航天器的安全；另外，空間中一些特殊軌道資源是有限的，如地球靜止軌道GEO，一旦航天器出現(xiàn)故障或報廢，不僅會造成經(jīng)濟(jì)損失，同時還會占用相應(yīng)的軌道資源。因此，以航天器在軌維護(hù)、廢棄航天器清理、空間攻防等為目的的空間在軌服務(wù)技術(shù)已成為航天領(lǐng)域的重點研究方向。

根據(jù)在軌服務(wù)的目標(biāo)能否提供有效的合作信息，空間在軌服務(wù)技術(shù)分為合作目標(biāo)在軌服務(wù)和非合作目標(biāo)在軌服務(wù)兩類。目前，國內(nèi)外對非合作目標(biāo)還沒有統(tǒng)一的定義?？偨Y(jié)目前在研的空間非合作目標(biāo)，其非合作特性的表征和程度有所不同，但大都具有以下特點：1)無法利用星間鏈路來直接傳輸其位置和姿態(tài)信息；2)沒有安裝用于輔助測量的合作光學(xué)標(biāo)志器和特征塊等；3)運動狀態(tài)、空間結(jié)構(gòu)等信息完全未知或部分未知。從目前的航天技術(shù)發(fā)展情況來看，空間合作目標(biāo)的在軌服務(wù)技術(shù)已相對成熟，并已成功應(yīng)用于一些航天器在軌維護(hù)項目，如日本的ETS-VII、美國的“軌道快車”等；而空間非合作目標(biāo)的在軌服務(wù)技術(shù)還不是很成熟，現(xiàn)在還沒有國家能夠?qū)崿F(xiàn)空間非合作目標(biāo)在軌服務(wù)的演示驗證。

非合作目標(biāo)在軌服務(wù)是一項十分艱巨的任務(wù)，擺在面前的難點是如何在目標(biāo)運動情況和空間結(jié)構(gòu)未知的情況下精確獲取其位置和姿態(tài)信息。國內(nèi)外學(xué)者針對非合作目標(biāo)位姿測量問題展開了大量研究，當(dāng)前主要的非合作目標(biāo)位姿測量手段有微波雷達(dá)測量、激光雷達(dá)測量以及光學(xué)成像測量等。與其他幾種方法比較，基于視覺的光學(xué)成像測量以其體積小、質(zhì)量低、壽命長和穩(wěn)定性好等優(yōu)點，已成為逼近階段非合作目標(biāo)位姿獲取的重要途徑。然而，基于視覺的非合作目標(biāo)位姿測量仍然面臨以下問題：1)空間環(huán)境比較復(fù)雜，獲取的非合作目標(biāo)圖像存在一定程度的退化，影響目標(biāo)識別及特征提取精度。2)圖像處理算法復(fù)雜度較高，影響算法實時性。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明的目的是提供一種基于立體視覺的空間非合作目標(biāo)位姿測量方法，以有效解決空間復(fù)雜環(huán)境造成的圖像退化問題以及降低圖像處理算法的復(fù)雜度，實現(xiàn)空間非合作目標(biāo)位姿的高精度高效測量。

本發(fā)明的一種基于立體視覺的空間非合作目標(biāo)位姿測量方法，采用兩個攝像機(jī)對空間非合作目標(biāo)進(jìn)行拍攝，將兩個攝像機(jī)分別定義為左攝像機(jī)和右攝像機(jī)，獲得的目標(biāo)圖像分別定義為左圖像和右圖像，包括如下步驟：

步驟1、對左圖像和右圖像分別進(jìn)行預(yù)處理，以減少噪聲干擾，增強圖像特征信息；

步驟2、對其中左圖像進(jìn)行目標(biāo)特征識別，得到左圖像中的特征點；

步驟3、立體匹配與三維重構(gòu)，具體為：

S301、針對左圖像中的任意一個特征點，定義為p_l，連接p_l與左攝像機(jī)的光心O，得到光線在該光線上找到特征點p_l在空間中對應(yīng)的物點，定義為空間點P₀；并得到該空間點在世界坐標(biāo)系X_wY_wZ_w中的三維坐標(biāo)空間三維坐標(biāo)P₀(x₀,y₀,z₀)，再假設(shè)空間點P₀的Z_w軸坐標(biāo)值容差為Δz，在光線上取Z_w軸坐標(biāo)分別為(z₀-Δz)和(z₀+Δz)的兩個空間點P_min和P_max；

S302、在左圖像中，選取以特征點p_l為中心的窗口W；在線段上任意選擇一個空間點，作為參照空間點，將窗口W投影到右圖像上，獲得p_l在右圖像中的相應(yīng)的匹配窗口；獲得窗口W和對應(yīng)的匹配窗口之間的相關(guān)系數(shù)NCC，如下式所示：

其中，m×n表示窗口W的大小，s為位于左圖像的窗口W中的像點，s(z_w)為右圖像中相應(yīng)匹配窗口中的像點；I_l和I_r分別表示左圖像和右圖像中像點的灰度；表示窗口W中的像點的平均灰度值，表示窗口W的匹配窗口內(nèi)像點的平均灰度值；

S303、按照S302的方法，遍歷線段上所有空間點，將每一個空間點分別作為參照空間點，在右圖像中分別找到窗口W的匹配窗口，并分別計算相關(guān)系數(shù)NCC，則相關(guān)系數(shù)NCC最大時對應(yīng)的空間點即為特征點p_l的匹配點，同時獲得特征點p_l對應(yīng)的空間點的空間三維坐標(biāo)；

步驟4、位姿參數(shù)解算，具體為：

S401、在左圖像中提取的所有目標(biāo)特征點中任意選取三個不共線的目標(biāo)特征點，分別定義為P₁,P₂,P₃；

S402、建立目標(biāo)坐標(biāo)系，取P₁為目標(biāo)坐標(biāo)系的原點，為目標(biāo)坐標(biāo)系的y軸方向，特征點P₁,P₂,P₃所在平面的法向量為目標(biāo)坐標(biāo)系的z軸方向，根據(jù)右手定則確定目標(biāo)坐標(biāo)系的x軸方向；

S403、根據(jù)步驟S301的方法得到目標(biāo)特征點P₁,P₂,P₃在世界坐標(biāo)系中的三維坐標(biāo)后，則獲得目標(biāo)坐標(biāo)系與世界坐標(biāo)系之間的旋轉(zhuǎn)矩陣R與平移向量T；

S404、姿態(tài)歐拉角通過旋轉(zhuǎn)矩陣R求出，相對位置由平移向量T給出；由此，得到非合作目標(biāo)的位置和姿態(tài)。

所述圖像預(yù)處理包括進(jìn)行自適應(yīng)平滑濾波與Wallis濾波，其中，自適應(yīng)平滑濾波算法為迭代算法，設(shè)迭代次數(shù)為T，則基本迭代步驟為：

(a)以圖像I中各像點I(x,y)為中心分別確定窗口Q，計算像點I(x,y)的梯度：

(b)計算窗口權(quán)系數(shù)w(x,y)：

其中，k為平滑參數(shù)，取值為：

k²＝E(I(x,y)-E(I(x,y)))²；

(c)根據(jù)以下公式對圖像中的像點灰度值進(jìn)行更新；

(d)根據(jù)步驟(c)中更新后的圖像I的像點灰度值，采用步驟(a)和(b)的方法，得到梯度和窗口權(quán)系數(shù)，再利用步驟(c)的方法再次對圖像中的像點灰度值進(jìn)行更新，反復(fù)執(zhí)行步驟(a)、(b)和(c)，直到迭代次數(shù)滿足要求。

目標(biāo)特征識別的方法為：利用Canny算法對目標(biāo)邊緣信息進(jìn)行提取，然后利用Hough變換與最小二乘擬合算法提取目標(biāo)直線特征和橢圓邊界特征，最終結(jié)合提取的直線特征與橢圓邊界特征實現(xiàn)對目標(biāo)特征的識別。

本發(fā)明具有如下有益效果：

(1)本發(fā)明無需任何輔助測量工具，也無需知道目標(biāo)的幾何尺寸，直接識別非合作目標(biāo)自身的固有特征實現(xiàn)對目標(biāo)位置姿態(tài)參數(shù)的測量；(2)采用“自適應(yīng)平滑濾波+Wallis濾波”的圖像預(yù)處理框架，解決空間復(fù)雜環(huán)境造成的圖像退化問題，提高非合作目標(biāo)識別與特征提取精度；(3)采用一種基于空間幾何約束的特征匹配算法，將像平面內(nèi)的極線約束推廣到空間，在完成特征匹配的同時直接獲取其三維信息，降低圖像處理算法的復(fù)雜度。

附圖說明

圖1為本發(fā)明基于立體視覺的空間非合作目標(biāo)位姿測量流程圖；

圖2為空間幾何約束示意圖；

圖3為雙目立體視覺特征三維重構(gòu)原理圖；

圖4為本發(fā)明基于空間幾何約束的圖像特征匹配圖。

圖5為本發(fā)明的目標(biāo)坐標(biāo)系與世界坐標(biāo)系相互關(guān)系示意圖。

具體實施方式

下面結(jié)合附圖并舉實施例，對本發(fā)明進(jìn)行詳細(xì)描述。

基于立體視覺的空間非合作目標(biāo)位姿測量方法，對左、右攝像機(jī)同步采集到的圖像進(jìn)行處理，并計算非合作目標(biāo)的相對位置姿態(tài)參數(shù)，主要步驟如下：

步驟1、圖像預(yù)處理：分別對左、右攝像機(jī)圖像進(jìn)行自適應(yīng)平滑濾波與Wallis濾波，以減少噪聲干擾，增強圖像特征信息。

自適應(yīng)平滑濾波算法為迭代算法，設(shè)迭代次數(shù)為T，則基本迭代步驟為：

(a)以影像I中各像點I(x,y)為中心分別確定窗口Q，計算像點I(x,y)的梯度，如下式所示：

(b)計算窗口權(quán)系數(shù)w(x,y)

其中，k為平滑參數(shù)，k的大小決定了平滑過程中圖像細(xì)節(jié)的保留程度。如果k的取值過大，則圖像中的各個邊緣也將被平滑掉，這將和傳統(tǒng)的加權(quán)平均平滑算法沒有什么區(qū)別；如果k的取值過小，圖像中所有的邊緣都將被保留，這其中也包括噪聲，相當(dāng)于沒有對圖像進(jìn)行平滑。k的取值可用圖像的方差來計算：

k²＝E(I(x,y)-E(I(x,y)))²

(c)卷積計算

根據(jù)上式對圖像中的像點灰度值進(jìn)行更新；

(d)根據(jù)步驟(c)中更新后的圖像I的像點灰度值，采用步驟a、b的方法，得到梯度和窗口權(quán)系數(shù)，利用c的方法再次對圖像中的像點灰度值進(jìn)行更新，反復(fù)執(zhí)行步驟(a)、(b)和(c)，直到迭代次數(shù)滿足要求。

Wallis濾波的實現(xiàn)步驟如下：

(a)把數(shù)字圖像分為若干矩形區(qū)域，每個矩形區(qū)域互不重疊，并且每個矩形區(qū)域都有自己要增強的紋理模式尺度；

(b)在各矩形區(qū)域中計算其相應(yīng)的灰度均值與方差；

(c)為各矩形區(qū)域灰度均值與方差設(shè)定期望的數(shù)值，其中方差的值應(yīng)隨著區(qū)域尺度的減小而減小，以防止大量像素的灰度值被飽和(即落于[0,255]之外)，然后計算出各矩形區(qū)域的Wallis濾波器的乘性系數(shù)r₁和加性系數(shù)r₀；

(d)由于各矩形區(qū)域互不重疊，因此數(shù)字圖像的任一像素的乘性系數(shù)r₁和加性系數(shù)r₀均可采用雙線性內(nèi)插得到，并根據(jù)下式計算出所有像素新的灰度值：

f(x,y)＝g(x,y)r₁+r₀

r₁＝(cs_f)/(cs_g+s_f/c),r₀＝bm_f+(1-b-r₁)m_g

其中，g(x,y),f(x,y)分別表示濾波前后的圖像，參數(shù)r₁,r₀分別為乘性系數(shù)和加性系數(shù)。

步驟2、對左圖像進(jìn)行目標(biāo)特征識別：利用Canny算法對目標(biāo)邊緣信息進(jìn)行提取，然后利用Hough變換與最小二乘擬合算法提取目標(biāo)直線特征和橢圓邊界特征，最終結(jié)合提取的直線特征與橢圓邊界特征實現(xiàn)對目標(biāo)被測特征如太陽能帆板支架、遠(yuǎn)地點發(fā)動機(jī)以及星箭對接環(huán)等的識別。

Canny邊緣提取算法的步驟如下：(a)用高斯濾波器平滑圖像；(b)用一階偏導(dǎo)的有限差分來計算梯度的幅值和方向；(c)對梯度幅值應(yīng)用非極大值抑制；(d)用雙閾值算法檢測和連接邊緣。

在利用Canny算法提取出目標(biāo)邊緣信息后，利用Hough變換提取目標(biāo)直線特征。Hough變換算法的步驟如下：(a)適當(dāng)?shù)亓炕瘏?shù)空間；(b)假定參數(shù)空間的每一個單元都是一個累加器，把累加器初始化為零；(c)對圖像空間的每一點，在其滿足的參數(shù)方程對應(yīng)的累加器上加1；(d)累加器陣列的最大值對應(yīng)模型的參數(shù)。

同時，利用最小二乘擬合算法提取目標(biāo)橢圓邊界特征。最小二乘擬合算法的步驟如下：(a)將橢圓參數(shù)的確定轉(zhuǎn)化為多變量約束最優(yōu)化問題的求解；(b)利用Newton迭代法求解上述最優(yōu)化問題，確定橢圓最優(yōu)參數(shù)；(c)利用橢圓判別式判斷是否為橢圓。

步驟3、立體匹配與三維重構(gòu)：為了降低圖像處理算法的復(fù)雜度，在進(jìn)行目標(biāo)特征匹配與三維重構(gòu)時，采用一種基于空間幾何約束的特征匹配算法。該算法將像平面內(nèi)的極線約束推廣到空間，放棄傳統(tǒng)的基于像平面的匹配策略，采用基于像-物空間關(guān)系的匹配策略。在匹配過程中運用空間幾何約束條件引導(dǎo)匹配，減少匹配時間，提高匹配的可靠性和精度，并且可在完成匹配的同時獲取特征的三維信息，提高效率。

如圖2所示，在雙目立體視覺中，左圖像中的像點pl對應(yīng)的空間點位于該像點與左攝像機(jī)光心連線上，設(shè)空間點用P表示，可將空間點P投影到右圖像上，得到像點pr，當(dāng)沿著左圖像像點的光線移動空間點，即升降空間點的z軸坐標(biāo)，同時把空間點投影到右圖像上，從而得到一系列像點的軌跡，將其稱之為空間投影曲線?？臻g投影曲線與像平面內(nèi)的極線有類似的性質(zhì)，將其稱為空間幾何約束。

在立體視覺中，特征三維重構(gòu)原理如圖3所示，重構(gòu)公式如下式所示：

其中，(x_w，y_w，z_w)表示特征點對應(yīng)的空間點在世界坐標(biāo)系中的坐標(biāo)，(X_l,Y_l)表示左圖像中特征點的圖像坐標(biāo)，(X_r,Y_r)表示特征點在右圖像中的圖像坐標(biāo)，表示攝像機(jī)標(biāo)定外參數(shù)旋轉(zhuǎn)矩陣；表示攝像機(jī)標(biāo)定外參數(shù)平移向量；f_l和f_r分別表示左、右攝像機(jī)焦距。

在左圖像中，選取以特征點p_l為中心的窗口W。對于給定的空間點，根據(jù)上述空間幾何約束，將窗口W投影到右圖像上，獲得p_l在右圖像中的相應(yīng)的匹配窗口。當(dāng)移動空間點，則可以在右圖像中得到不同的匹配窗口。關(guān)于點p_l在左圖像I_l和右圖像I_r中相對應(yīng)的匹配窗口之間的相似性測度定義為歸一化相關(guān)系數(shù)NCC，如下式所示：

其中，m×n表示窗口W的大小，窗口W根據(jù)匹配精度和匹配時間共同確定。精度要求高，則窗口W取值大，反之，窗口W取值小；當(dāng)要求匹配時間短時，要求窗口W取值小，反之亦然。s為位于左圖像的窗口W中的像點，s(z_w)為右圖像中相應(yīng)匹配窗口中的像點；I_l和I_r分別表示左圖像和右圖像中像點的灰度；表示窗口W中的像點的平均灰度值，表示窗口W的匹配窗口內(nèi)像點的平均灰度值。

由歸一化相關(guān)系數(shù)NCC公式可以看出，這里NCC不同于傳統(tǒng)的歸一化相關(guān)系數(shù)，它是像點p_l和其空間z_w(z_w∈[z₀-Δz,z₀+Δz])坐標(biāo)的函數(shù)。由此，給定左圖像上的特征點p_l和其相應(yīng)的空間z_w坐標(biāo)的概略值z₀和Δz，使NCC達(dá)到最大值時的z_w正是給定點p_l的正確空間z_w坐標(biāo)，同時也得到了p_l在右圖像上的最佳匹配位置。點p_l在右圖像上的搜索范圍由初始容差Δz確定。初始容差Δz根據(jù)匹配時間共同確定。要求匹配時間短時，要求Δz取值小，反之Δz取值大。為保證匹配的可靠性，在匹配過程中為歸一化相關(guān)系數(shù)NCC設(shè)定一定的閾值，只有匹配像對的NCC大于給定的閾值才認(rèn)為該匹配像對是一對正確的匹配，否則，認(rèn)為該匹配像對是誤匹配，拋棄該匹配像對。

左右攝像機(jī)圖像構(gòu)成立體像對I_l-I_r，p_l為左圖像I_l上的一個給定特征點，根據(jù)透視投影模型可知，光線一定通過p_l在空間中的對應(yīng)點(O表示左攝像機(jī)光心)。對于像點p_l，假設(shè)其對應(yīng)空間點三維坐標(biāo)中z_w的估計值為z₀，則根據(jù)重構(gòu)公式可得p_l點的空間三維坐標(biāo)P₀(x₀,y₀,z₀)，再假設(shè)p_l點給定z_w值的容差為Δz，可得光線上的兩個空間點P_min和P_max，則像點p_l所對應(yīng)的空間點一定位于線段上。接下來通過相關(guān)攝像機(jī)標(biāo)定參數(shù)將線段投影到右圖像I_r上，得到左圖像中點p_l在右圖像中的近似極線線段。根據(jù)極線的性質(zhì)，點p_l在右圖像I_r中的匹配點一定位于該線段上，如圖4所示。然后，利用歸一化相關(guān)系數(shù)NCC公式，使NCC取值最大的點即為點p_l的匹配點，同時獲得點p_l的空間z坐標(biāo)，進(jìn)而根據(jù)重構(gòu)公式即可得到點p_l相應(yīng)的空間三維坐標(biāo)。

步驟4、位姿參數(shù)解算：在完成目標(biāo)特征匹配與三維重構(gòu)后，在所有提取的目標(biāo)特征點中任意選取三個不共線的目標(biāo)特征點P₁,P₂,P₃建立目標(biāo)坐標(biāo)系，取P₁為目標(biāo)坐標(biāo)系的原點，為目標(biāo)坐標(biāo)系的y軸方向，特征點P₁,P₂,P₃所在平面的法向量為目標(biāo)坐標(biāo)系的z軸方向，根據(jù)右手定則確定目標(biāo)坐標(biāo)系的x軸方向。建立的目標(biāo)坐標(biāo)系與世界坐標(biāo)系的關(guān)系如圖5所示。根據(jù)步驟3的方法得到目標(biāo)特征點P₁,P₂,P₃在世界坐標(biāo)系中的三維坐標(biāo)后，則可獲得目標(biāo)坐標(biāo)系與世界坐標(biāo)系之間的旋轉(zhuǎn)矩陣R與平移向量T。非合作目標(biāo)的位置姿態(tài)參數(shù)可通過旋轉(zhuǎn)矩陣R與平移向量T獲得。

設(shè)(x_wi,y_wi,z_wi)(i＝1,2,3)表示目標(biāo)特征點在世界坐標(biāo)系中的坐標(biāo)，r_ij(i,j＝1,2,3)表示旋轉(zhuǎn)矩陣R的元素，則旋轉(zhuǎn)矩陣R與平移向量T的計算公式如下：

其中，與分別為在目標(biāo)坐標(biāo)系x軸與y軸上的分量。

姿態(tài)歐拉角可通過旋轉(zhuǎn)矩陣R求出，相對位置由平移向量T給出。至此，非合作目標(biāo)的位置姿態(tài)均已測出。

綜上所述，以上僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。