皮盼资讯网移动版

基于机器学习算法的位姿参数辨识系统主要利用图像处理及参数解算的相关理论，实现对非合作航天器进行特征提取、特征匹配、位姿解算等，研究工作主要包含以下三个方面：

（1）相机测量模型及相机标定，采用单目摄像头采集图像信息，需要考虑当前的环境信息，对相机进行参数标定，得到较为准确的相机模型。

（2）深度神经网络训练及关键点提取，构建深度神经网络，针对性进行参数训练，得到鲁棒性较好的网络和关键点提取结果。

（3）位姿参数解算，利用PNP位姿参数解算算法，输入测量到的特征点坐标值，得到相对位置及转角参数辨识结果。

2.1图像采集系统设计

2.1.1坐标系定义

2.1.2 坐标系转换关系

（1）图像物理坐标系转换相机坐标系

相机坐标系到图像物理坐标系属于透视投影关系，使用针孔相机模型，从3D转换到2D，满足三角形相似原理，如图4所示。

（2）世界坐标系转换图像像素坐标系

根据上述坐标系的变化关系可得公式：

2.1.3 相机标定方法

相机标定方法有：传统相机标定法、主动视觉相机标定方法、相机自标定法。

传统相机标定法需要使用尺寸已知的标定物，通过建立标定物上坐标已知的点与其图像点之间的对应，利用一定的算法获得相机模型的内外参数。根据标定物的不同可分为三维标定物和平面型标定物。三维标定物可由单幅图像进行标定，标定精度较高，但高精密三维标定物的加工和维护较困难。

目前出现的自标定算法中主要是利用相机运动的约束。相机的运动约束条件太强，因此使得其在实际中并不实用。利用场景约束主要是利用场景中的一些平行或者正交的信息。其中空间平行线在相机图像平面上的交点被称为消失点，它是射影几何中一个非常重要的特征，所以很多学者研究了基于消失点的相机自标定方法。自标定方法灵活性强，可对相机进行在线定标。但由于它是基于绝对二次曲线或曲面的方法，其算法鲁棒性差。

基于主动视觉的相机标定法是指已知相机的某些运动信息对相机进行标定。该方法不需要标定物，但需要控制相机做某些特殊运动，利用这种运动的特殊性可以计算出相机内部参数。基于主动视觉的相机标定法的优点是算法简单，往往能够获得线性解，故鲁棒性较高，缺点是系统的成本高、实验设备昂贵、实验条件要求高，而且不适合于运动参数未知或无法控制的场合。

本文主要采用张正友标定法，一种利用平面棋盘格进行相机标定的实用方法。该方法介于摄影标定法和自标定法之间，既克服了摄影标定法需要的高精度三维标定物的缺点，又解决了自标定法鲁棒性差的难题。标定过程仅需使用一个打印出来的棋盘格，并从不同方向拍摄几组图片即可，任何人都可以自己制作标定图案，不仅实用灵活方便，而且

2.2深度神经网络设计

本文采用Mask R-CNN网络模型[8]，网络结构图如图5所示。

.