皮盼资讯网移动版

位姿参数是空间中物体运动状态表征的核心参数，对其进行有效高精度的测量对军事、航天等领域都有重大意义。位姿测量方法分成以下三类：（1）基于目标模型的方法[3]——通过将局部或全部特征与先验模型进行模板匹配，该方法解算精度高、鲁棒性好，但需要先验信息。（2）基于三维点云的方法[4]——通过建立非合作目标表面的三维点云与已知目标三维模型进行迭代配准，该方法精度高但算法复杂、计算量大、实时性差。（3）基于目标特征的方法[5]——通过对目标上的特征进行识别从而估算目标位姿，该方法精度和鲁棒性较差，但是计算量小、实时性高。通过选择合适的特征表示能够大幅的提高精度和鲁棒性，是现在的研究重点。

基于目标特征的视觉测量过程主要可以分为目标检测和位姿解算两个部分，目标检测用来提取被测目标的几何特征或是语义信息；位姿解算根据提取到的目标特征，通过几何变换得到被测目标的位置及姿态信息，下面仅对目标检测方法的研究现状进行综述。

传统的目标检测方法[6]，例如 SIFT、HOG和DPM等，这些方法可以通过先验知识来设计合适的识别特征，在特定的场景下，能够达到较高的检测精度，并且速度较快。但是，由于传统目标检测方法特别依赖先验知识，需要通过先验知识对应设计识别特征，不具备适应性和泛化性。

基于深度学习的目标检测方法能够通过输入自适应的提取目标的特征，可以采用预训练，并且能够将训练好的模型应用在不同的场景中，能够有效提高模型的泛化性。

根据分类回归与区域提取是否分开，基于深度学习的目标检测模型可以分为基于回归的目标检测模型和基于区域候选的目标检测模型。

（1）基于回归的目标检测模型[7]：基于回归的目标检测方法是根据特征映射图预先划分默认框，根据默认框对目标进行分类，典型的回归目标检测方法有YOLO、SSD及相应的改进算法等，以上算法均采用回归的思想，先提取边界的回归框，再进行迭代。基于回归的目标检测算法的优点是检测速度快，但是检测精度较差；

（2）基于区域候选的目标检测模型：基于区域候选的目标检测方法首先是对特征映射图进行边界框提取，然后再将边界框提取结果与特征映射图一起输入至感兴趣区域的池化层，实现对目标分类和定位。基于区域候选的目标检测算法的优点是检测精度较高，但是速度较回归模型慢。

R-CNN[8]模型是将深度学习区域候选方法引入目标检测任务的开创者，能够实现目标的自适应检测。在R-CNN的基础上，SPP-net[9]在R-CNN中引入了空间金字塔池化层，检测精度有所提升。Fast R-CNN[10]在SPP-net的基础上进行优化，检测速度加快。Faster R-CNN[11]算法在Fast R-CNN的基础上进行改进，在提取候选区域的过程中引入了区域建议网络，从而实现了端对端的训练，极大地提高了候选区域提取的精度以及网络训练的速度。Mask R-CNN[12]改进Faster R-CNN中的感兴趣区域池化层为感兴趣区域对齐，并且采用“双线性插值法”，有效降低了边界回归框的位置误差。此外，Mask R-CNN算法生成了掩膜，能够完成实例分割任务。

1.4 项目研究内容及意义

本课题重点开展基于机器学习的航天器位姿参数辨识算法研究，并搭建仿真及地面试验系统展开验证，首先，利用相机阵采集不同角度的模拟卫星的图像，构建训练数据集；其次，利用语义分割算法划分目标图像块，提取关键点，进而解算目标位姿；最后，与传统方法得到的位姿结果进行比较，分析测量精度。主要研究内容如图1所示。

在对项目需求和研究现状分析的基础上，本文给出可一种基于机器学习算法的位姿参数智能辨识系统设计方案。主要采用单目摄像头进行图像采集，利用深度神经网络进行图像关键点提取，利用PNP位姿解算方法得到位姿参数辨识结果。

1.5 参考文献

陈凤，朱洁，顾冬晴，王盈，刘玉. 基于激光成像雷达的空间非合作目标相对导航技术[J]. 红外与激光工程，2016,(10):202-208.

王珂，陈小梅，韩旭. 具有同心圆特征的非合作目标超近距离姿态测量[J]. 光电工程，2018,45(8):180-183.

杨阳. 基于模型的双目位姿测量方法研究与实现[D]. 西安电子科技大学:2015,12.

杨帆. 基于点云融合的双目线结构光三维测量系统的研究与应用[D]. 华南理工大学:2018,4.

于占海. 面向非合作目标的双目视觉运动估计及三维重构方法研究[D]. 哈尔滨工业大学:2017,6.

卢湖川，李佩霞，王栋. 目标跟踪算法综述[J]. 模式识别与人工智能2018, (1) :30-33.

黄杰军，呼吁，周斌，明德列. 基于改进YOLO的双模目标识别方法研究[J]. 计算机与数字工程，2018,4(342):808-811.

Ross Girshick, Jeff Donahue, Trevor Darrell, Jitendra Malik. Rich feature hierarchies for accurate object detection and semantic segmentation[J]. In CVPR, 2014,10,22.

KaimingHe，Xiangyu Zhang, Shaoqing Ren, Jian Sun. Spatial Pyramid Pooling in Deep ConvolutionalNetworks for Visual Recognition[J]. In ECCV, 2014.

Ross Girshick. Fast R-CNN[J]. In ICCV, 2015,9,27.

Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks[J]. In IEEE, 2016,1,6.

Kaiming He, Georgia Gkioxari, Piotr Dollar, Ross Girshick. Mask R-CNN[J]. In IEEE, 2018,1,24.

白宝林. 基于改进的Mask R-CNN的车辆识别及检测[D]. 安徽大学:2018,4.

Rublee E, Rabaud V, Konolige K, et al. ORB: An efficient alternative to SIFT or SURF[C] IEEE International Conference on Computer Vision. IEEE, 2012:25642571.

王鹏，赵汗青，王江峰，刘红彬，陈伟. 基于单目视觉的相机位姿计算[J]. 电子科技，2017, 12(5):75-78.

2. 项目方案