[发明专利]空间非合作目标位姿测量方法、装置、计算机设备及介质

说明书

本发明提出一种空间非合作目标位姿测量方法、装置、计算机设备及介质，其涉及空间相对导航定位、计算机视觉领域中的非合作目标位姿测量领域选择空间非合作目标上的语义关键点，构建训练数据集，然后搭建深度神经网络预测语义关键点集合，使用训练数据集训练深度神经网络，完成深度神经网络训练后使用训练好的深度神经网络预测输入图像中的语义关键点集合，最后基于该预测建立带权重的N点透视问题，求解该问题得到输入图像中的非合作目标在相机坐标系下的位置和姿态。本发明能够适应复杂的空间非控制环境，实现可靠的空间非合作目标在相机坐标系下的位置和姿态预测。

技术领域

本发明主要涉及到雷达成像遥感技术领域，尤其是一种空间非合作目标位姿测量方法、装置、计算机设备及介质。

背景技术

随着空间技术的快速发展，例如编队飞行、失效卫星与空间碎片清除等任务中要求测量目标航天器相对于服务航天器的位置和姿态，现有方法通过预测在目标航天器上定义语义关键点在图像上位置，然后通过求解N点透视问题得到相对位置和姿态。

但是已有方法将每个关键点作为一个独立的目标，训练深度神经网络预测每个关键点在图像中的位置，缺少对航天器的整体建模，难以适应复杂的空间非控制环境。

发明内容

针对现有技术存在的技术问题，本发明提出一种空间非合作目标位姿测量方法、装置、计算机设备及介质。

为实现上述目的，本发明采用的技术方案如下：

一方面，本发明提供一种空间非合作目标位姿测量方法，包括：

获取空间非合作目标上各语义关键点在空间非合作目标体坐标系下的坐标；

获取包含空间非合作目标的样本图像，将各语义关键点在空间非合作目标体坐标系下的坐标投影到图像坐标系，得到每幅样本图像中各语义关键点的坐标，得到每幅样本图像上空间非合作目标的语义关键点真值集合并以此构建训练数据集；

构建预测语义关键点集合的深度神经网络；

使用所述训练数据集训练所述深度神经网络，直至训练收敛；

使用所述训练好的深度神经网络预测输入图像中空间非合作目标的语义关键点集合，得到预测的语义关键点集合中各语义关键点在图像坐标系的坐标与其在空间非合作目标体坐标系下的坐标的对应关系；

基于所述对应关系，求解输入图像中空间非合作目标在相机坐标系下的位置和姿态。

进一步地，本发明所述空间非合作目标上的语义关键点的数量大于等于4。

进一步地，本发明每幅样本图像上空间非合作目标的语义关键点真值集合由所有语义关键点元素组成，第个语义关键点元素由一个描述第个语义关键点元素与空间非合作目标体坐标系上语义关键点的对应关系的索引分类项、一个描述第个语义关键点元素在图像X轴上坐标的X轴图像坐标分类项和一个描述第个语义关键点元素在图像Y轴上坐标的Y轴图像坐标分类项组成。

进一步地，本发明所述深度神经网络包括特征提取网络、特征编码器、特征解码器和三个预测头，三个预测头分别是索引分类项预测头、X轴图像坐标分类项预测头、Y轴图像坐标分类项预测头；

所述特征提取网络用于从输入图像中提取特征地图；所述特征编码器用于对所提取的特征进行编码，得到全局信息编码后的特征地图；所述特征解码器用于以关键点查询向量作为输入，查询特征编码器编码后的特征地图，得到每个预测元素对应的解码后的特征；所述索引分类项预测头、X轴图像坐标分类项预测头、Y轴图像坐标分类项预测头接受特征解码器输出的解码后的特征，分别预测语义关键点元素的索引分类项、X轴图像坐标分类项、Y轴图像坐标分类项。

进一步地，本发明采用随机梯度下降法使用所述训练数据集训练所述深度神经网络。

进一步地，本发明训练所述深度神经网络，包括：