小天体光学导航特征识别与提取研究进展

崔平远，贾 贺，朱圣英，陆晓萱

(1. 北京理工大学深空探测技术研究所，北京100081；2. 深空自主导航与控制工信部重点实验室，北京100081；3. 飞行器动力学与控制教育部重点实验室，北京100081)

0 引 言

小天体(小行星和彗星)演化程度小，蕴含丰富的科学信息，因此小天体探测有助于人类了解宇宙的形成和演化，探索生命的起源和进化，寻找人类可利用的资源[1-2]；另一方面，小天体探测可以对地球有潜在风险的小天体进行表征和量化，有益于规避小天体对地球的碰撞，实现对小天体撞击的提前防御[3-4]。此外，小天体探测也是推进空间技术、尤其是深空探测技术发展的重要技术途径。因此小天体探测成为近些年世界各国的热点问题，具有重大的科学意义和工程价值。迄今为止，人类已经开展了近20次的小天体探测任务，获得了丰富的科学回报和技术突破，如美国的“近地小行星交会”(NEAR)任务[5]、欧西里斯(OSIRIS-REx)任务[6]，日本“隼鸟2号”(Hayabussa 2)任务[7]和欧洲空间局“罗塞塔”(Rosetta)任务[8]。

传统采用基于地面站观测的导航方法需要连续观测，并且存在较大的通信延时，很难满足小天体接近、着陆实时导航的需求[9-10]。自主光学导航可以降低操作的复杂性、减少任务成本，提高了完成深空探测任务的效率；即使探测器和地面通信中断，探测器仍然能够完成轨道确定、轨道控制和姿态控制[11]，已经发展成为深空探测主要的导航方式[12]。以往许多小天体探测任务在不同阶段都基于光学特征信息进行自主导航，证明了采用图像特征实现自主光学导航的可行性，同时也反映了目前特征识别与提取技术依然存在着很多技术困难[13]。小天体探测过程拍摄的图像包含小天体形貌结构、地表特征等光学导航信息，从图像中提取的导航特征信息的精度和有效性直接决定探测器导航的精度和可靠性。此外，随着高分辨率相机技术的快速发展，图像尺寸变得越来越大，图像处理算法的复杂性也越来越大。发展图像处理算法以满足实时高精度导航需求是一个挑战。如何利用不同阶段拍摄的不同尺度的图像获得更多有价值的特征信息对于实现小天体物理参数估计、提高小天体探测自主导航精度都是至关重要的，是小天体探测任务的关键技术之一。

根据我国未来深空探测的发展规划，开展光学导航特征识别与提取技术有重大的理论和现实意义。本文首先归纳了目前小天体光学导航特征识别与提取存在的主要问题，接着分析总结了小天体探测光学导航特征识别与提取涉及的关键技术，最后，针对存在的问题和未来发展需求，对小天体探测光学导航特征识别与提取的发展趋势进行了展望，为未来小天体探测任务提供参考。

1 导航特征识别与提取技术主要问题

导航特征的快速识别和精确提取是光学导航最关键的技术之一。光学导航特征识别与提取技术是指探测器利用光学敏感器获取的光学图像进行分析、处理，并对拍摄的目标进行识别或者与已有的先验信息进行匹配等手段来获取光学导航特征信息的技术[14]。基于深空小天体探测的特殊性，小天体探测光学导航特征识别与提取技术存在的主要问题如下：

1.1 环境摄动干扰多

小天体探测过程拍摄的图像受到多种噪声、天体自旋和环境摄动等因素的影响。不同大小和不同类型的噪声会对导航特征识别与提取带来不同程度的影响，环境摄动和探测器自身扰动也会对成像质量造成重大影响[15]。利用图像处理算法抑制噪声、排除干扰，提取视线和角度等有效观测信息是一项基本而重要的任务。

1.2 目标暗弱不规则

与火星等大天体不同，小天体亮度低，形状不规则，除自身的旋转外还受到其他摄动力的影响，暗弱和不规则的成像给小天体的识别与跟踪带来了很大困难。除此之外还要考虑太阳光照变化、阴影区域、地表形状崎岖不平等造成的遮挡问题[16]，这就对利用图像信息进行目标识别、小天体三维模型重构及光学导航特征识别与提取带来了更多困难和挑战。

1.3 地表特征复杂多样

小天体地表特征复杂，主要有陨石坑、岩石、斜坡、沟壑等地表特征。同时对多种特征信息进行识别匹配十分困难，很难保证提取精度和实时性[17]。因此，如何在复杂地表特征中选取最适当的特征区域，采用稳定、快速的高精度特征提取算法得到需要的特征信息是十分困难的。此外，多种针对不同特征的算法应用具有一定的局限性，所以实现小天体表面复杂特征的提取是一项挑战。

1.4 星载计算能力有限

由于星载计算能力的限制，实时性是急需解决的重要问题。图像处理和有效导航信息的提取通常需要相对较长的时间，这导致导航系统存在明显的时滞[18]。此外，光学特征信息的引入明显增加了图像雅可比矩阵和深度信息计算和估计的复杂度。图像处理速度是影响实时导航的主要挑战，需要研究更快速有效的算法以满足探测器的自主可靠和实时导航的需求。

2 导航特征识别与提取技术研究现状

目前，对于深空探测接近段，通过相机拍摄目标天体或导航星的照片，通过图像处理技术提取目标天体的光心或形心，以光心或形心代替质心坐标从而确定天体或导航星体的视线方向，实现光学导航特征提取。对于下降着陆段，小天体表面陨石坑、岩石等则是主要的光学导航特征。国内外学者从不同方面对小天体探测光学导航信息提取技术进行了系统且深入的研究。从目前研究来看，小天体探测光学导航信息提取所涉及的关键技术包括：目标特征识别图像预处理技术、星点图像导航特征提取技术、拖曳图像导航特征提取技术、不规则天体几何形心提取技术、天体形貌特征建模和表征技术、地表复杂特征识别与匹配技术等。

2.1 目标特征识别图像预处理技术

由于小天体探测相机拍摄原始图像受到随机干扰和各种条件限制，因此通常不能直接进行特征识别和提取，需要提前对小天体原始图像进行预处理。预处理过程通常忽略图像质量，而是有选择的突出感兴趣的特征，并抑制不必要的特征[19]。图像预处理主要包括图像增强、图像复原和噪声滤除技术。

图像增强技术主要分为空间域法和频率域法[20]。空间域法分为点运算和邻域运算两种。频率域法包括高通滤波、低通滤波、频率带通滤波、带阻滤波和同态滤波等。图像复原技术是利用图像的先验信息来修复退化图像的过程，首先需要先建立图像模型，然后反解退化过程并最终获得退化前的最佳图像[21]。

噪声滤除是图像预处理的重要步骤之一[22]。深空环境复杂，星图噪声主要来源于两个方面：1)星空背景噪声；2)感光元件产生的噪声，包括光子散粒噪声、机械噪声、暗电流噪声和成像噪声等。其中星空背景噪声是随机噪声，一般将其看作是椒盐噪声；成像产生的噪声大多呈高斯分布，所以可以认作高斯噪声。由于图像噪声为高频噪声，因此采用低通滤波来抑制噪声，包括中值滤波、加权平均滤波和高斯滤波等，可以根据具体星图特性选取合适的滤波方法[23]。另外，对于深空导航图像的非高斯噪声，可以采用阈值小波变换的方法去除噪声[24]。进行小波变换后，信号主要集中在低频，而噪声集中在高频上，进而设定适当阈值实现噪声滤除。

2.2 星点图像导航特征提取技术

探测器距离目标小天体较远时，探测器通过导航敏感器拍摄带有背景恒星的目标图像，通过图像处理技术从中提取出导航目标中心和背景恒星的像素坐标。目标小天体、恒星和行星等在光学相机和星敏感器等导航敏感器中的成像为一个亮点或一个小的亮斑，其所占的像素较少。针对该成像特点，图像处理过程中可以忽略目标图像尺寸，通过星点和背景的分割进而提取光心代替质心得到质心视线信息。

针对星点特征分离，可以采用阀值分割的方法实现。Ju[25]提出了一种星点提取过程的阈值确定方法，然后根据阈值进行二值化处理。李广泽等[26]提出了一种基于双正交小波的星点提取算法，利用双正交小波变换分解星图确定阈值，从而分割星点和背景。连通域标记法也是一种星点分离的常用算法[27]，具有原理简单，易实现的优点，但是算法速率相对较低，且容易发生标记冲突的问题。

针对光心精确定位，质心法和高斯拟合法是常用的提取算法。质心法基于星点像素灰度直方图分析定位误差，实现光心提取，但是需要多次采样以保证提取精度[28]。高斯拟合法及其改进算法则基于星点像素灰度直方图的形貌拟合提取光心，该方法提取精度较高，但计算量较大，且受星点灰度分布影响较大[29]。针对以上问题，Nightingale等[30]提出了基于Shack-Hartmann传感器波前定位的迭代加权质心法，通过多次迭代提高质心定位精度，并研究了迭代次数对提取精度的影响。除此之外，背景预测算法也是一种常用方法，王洪涛等[31]提出了一种基于自适应背景预测的星点特征提取算法，牺牲匹配速率以提高提取精度。

2.3 拖曳图像导航特征提取技术

远距离接近任务环境复杂，敏感器需要成像的范围越来越大，曝光时间越来越长。长时间的曝光下，深空探测器姿态扰动非常明显，加上热力缩涨，机械振动等多种因素影响，星载相机光轴可能会在曝光时间内产生不可估计的偏移，导致目标天体的图像不再是亮点而是一条轨迹线，即拖曳图像[32]。这种现象对于星等较弱的小天体影响更为明显，相机需要更长的曝光时间才能实现目标小天体的检测与识别。此时导航特征提取的关键是从长时间曝光过程形成的复杂的星光轨迹线中获得准确的相对角距，最终实现质心位置精确提取。

星迹图像处理一般采用基于模板匹配的图像处理方法，根据敏感器的初始状态估算星点瞬时位置，进而通过瞬时位置预估星点的动态位置，形成预测轨迹，进而将预测轨迹与实际图像进行比对得到小天体的空间指向等需要的特征信息[33]。通过预测得到星迹模板节点，在真实图像上按照节点位置选取窗口，匹配出真实星迹节点，得到多条轨迹上的多个节点，再用交叉互匹配修正多组节点间的相互位置，从而得到较为准确的角距信息进行导航[34]。由于传统多重互相关匹配方法并非完全自主，需要地面预先选定匹配模板，所以为了提升自主性，克服导航图像模糊的问题，可以采用图像复原的方法实现光学特征提取。

在图像恢复的框架中，模糊的导航图像可以解释为清晰图像和运动模糊核之间的卷积[35]。通常，根据运动模糊核是否已知，图像恢复方法可以分为盲复原和非盲复原两种。通常情况下非盲复原是首选方法，因为盲复原方法对于在轨实时的计算要求很高。确定运动模糊核是恢复拖尾导航图像最重要的步骤，具有良好实时性能的准确运动模糊核估计方法对于实际实施的成功至关重要[36]。现有方法主要利用陀螺仪的输出的角速度信息来估计运动模糊核，基于陀螺仪信息的拖曳星图特征提取技术是一种基于图像还原技术的星图特征复原方法，通过探测器的陀螺仪数据可以得到曝光时间内的三轴角速度就可以估计得到模糊核的具体形式。得到模糊核的具体形式后，可以采用维纳滤波器对模糊图像进行复原，但是应用该方法的前提需要在曝光时间内角速度是恒定的[37]。这些方法对于曝光时间在100 ms以下的场景非常准确，而当角速度在曝光过程中发生变化时则会导致复原精度下降，因此它们不适用于较长的曝光场景[38]。也有一些学者尝试通过图像处理算法来估计更复杂的运动模糊核。Zhao等[39]提出了一种基于星图像梯度稀疏性的深空巡航阶段运动模糊模型估计新方法，但考虑到机载环境，该算法的计算成本仍然很高。针对星载应用，文献[40]提出了一种基于盲复原的拖曳图像特征快速提取方法，仅利用图像灰度信息估计运动模糊核，在保证精度的基础上提高了特征提取速度。

2.4 不规则天体几何形心提取技术

随着向目标的不断接近，目标小天体占据的像素点逐渐增多，导航目标图像逐步从点目标成为面目标，导航目标不规则的几何成像形状进一步加剧了导航特征的提取难度。此时需要根据不同的成像特点实现对目标小天体的形心提取，进而得到探测器到导航天体的视线信息，实现接近段自主光学导航的测量信息提取。

对于规则的目标小天体，基于天体边缘进行椭圆拟合是实现形心提取的主要方法。主要包括3类:1)是基于Hough变换的椭圆拟合方法[41];2)基于不变矩的拟合方法[42];3)基于最小二乘的拟合方法[43]。Hough变换是一种用于图像分析、计算机视觉和数字图像处理的特征提取技术，该方法主要通过遍历参数空间得到满足要求的某一类对象，可以实现图像中线条、圆、椭圆等图形的识别[44]。Duda和Hart[45]在1972年提出了一种Hough圆(椭圆)检测方法，可以实现规则圆或椭圆图形的识别，从而得到导航所需的质心视线信息，之后Ballard又将变换进行推广，提出了一种广义霍夫变换方法(Generalizing the Hough transform, GHT)实现任意形状图形的检测[46]。椭圆拟合方法仅适用于真实天体边缘近似规则椭圆的情况，当天体边缘不规则时，则会存在较大误差，造成椭圆边缘的误匹配，从而得到误差较大的天体形心位置坐标。针对不规则的目标小天体，由于成像不规则，且无法提前获得精确的小天体模型，故不能直接采取边缘提取拟合的方法提取质心。此时采用区域质心提取的方法提取目标天体的光心，即亮度中心[47]，该方法首先需要确定包含提取光心的图像子区域，然后在子区域内提取所有超过设定亮度阈值的像素坐标，最终确定该区域的亮度中心，然后将光心近似看作小天体的质心，得到探测器到质心的视线方向。此外，文献[48]提出了一种基于小天体不规则度的形心提取算法，小天体不规则度可以评估小天体的不规则程度，并可以作为算法选取指标，选取最合适的提取方法，实现不规则小天体形心提取。

2.5 天体形貌特征建模和表征技术

形貌特征建模和表征技术是小天体探测光学特征识别与提取的关键技术之一，是探测器在目标附近进行高精度自主导航、安全自主附着的前提和保障。探测器搭载科学荷载主要有光学相机，激光测距仪等，探测器可以获得大量影像和激光测距数据，根据这些数据利用图像处理及计算机视觉算法可以实现对目标表面形貌的精确测绘和表征。

小天体形貌特征建模和表征技术利用多视点拍摄图像及激光测距等得到的距离信息实现小天体三维模型重构和地表形貌表征。小天体环绕段可以获得大量小天体表面图像，NEAR任务利用在轨测量数据构建了Eros小天体的三维形状、引力场等模型[49]，Gaskell[50]使用从近距离任务获得的大量立体图像数据，构建了Eros小天体的形状和地形模型，其平均分辨率为30 m，大部分区域分辨率为10～30 m。Maruya等[51]根据天体的表面特征点和侧面形状轮廓，构建了小天体的3D模型和表面高程图，并实现了对小天体附近环境的态势感知。Gaskell[52]还利用现有的小天体Itokawa的雷达观测模型，结合从Hayabussa任务获得的图像和高程数据，重构了具有地标的Itokawa三维仿真模型。Scheeres等[53]提出了一种利用环绕阶段测量得到的探测数据，对小天体的外部轮廓进行重构，从而进行进一步的导航测量。Sullivan等[54]使用伽利略拍摄的周期性图像研究了小天体的表面特征，尽管进行了粗略分析但是仍缺少具体算法的细节推导。因此有必要进行大量的研究以实现细节特征识别和小天体形貌特征建模和表征。

2.6 地表复杂特征识别与匹配技术

当捕获到导航目标详细表面特征图像时，可以采用图像匹配、图像特征点的提取和跟踪等多种处理方法获取导航信息。探测器通过检测识别暗弱目标表面丰富的地理特征，根据序列图像特征间的匹配，完成探测器在序列图像间的相对位置姿态估计。

小天体环绕和着陆到小天体的过程中，小天体的地表特征是最重要的导航信息。当基线较小且序列图像变化较小时，可以利用典型的Harris角点检测算法用于获取地表特征信息[55]。但是，该算法提取的特征点分布集中在岩石和陨石坑的边缘，因此只能匹配特征点的局部区域，影响3D模型重建精度[56]。基于尺度不变性的特征提取算法被广泛应用于特征识别和匹配中，Lowe[57]提出了一种SIFT算法，该算法具有强鲁棒性，受光照强度、图像噪声等影响较小，可以应用于序列图像特征变化较大的情况。另外，通过SIFT算法提取的特征点是基于图像金字塔提取的，因此与传统的Harris角点提取算法相比分布更均匀[58]。Ke和Sukthankar[59]提出了基于SIFT的改进算法PCA-SIFT。通过主元素分析方法将SIFT描述符减少到20维，提高执行速度，减少存储空间，并且可以实时估计探测器的运动状态。文献[60]提出了一种小天体表面阴影区的鲁棒匹配方法，采用多角度尺度不变特征变换(MA-SIFT)实现阴影区域特征识别和匹配，提高了图像间存在较大视角变化时的正确匹配率。

针对岩石和斜坡特征，通过光照产生的阴影可以作为岩石特征的识别和匹配的粗略辨别因素，但不能作为斜坡等障碍的判别方法。文献[61]提出了一种针对斜坡检测算法，Ma等[62]提出利用边缘光流算法进行岩石识别，该算法基于纹理的图像分割，受光照影响较大。探测器在小天体着陆时，如果探测器拍摄图像的视线方向变化较大时，可以根据探测器运动状态实现岩石和斜坡的检测和识别[63]。

针对陨石坑特征提取，边缘检测、梯度滤波和神经网络算法等是实现陨石坑检测的关键技术[64]。Cheng等[65]引入Canny算子边缘检测器来实现陨石坑边缘检测及相同陨石坑边缘匹配分组，这是陨石坑检测和匹配算法(Crater detection and matching algorithm, CDMA)发展的一个里程碑。陈建清等[66]提出了基于图像灰度特征的陨石坑检测与匹配方法，根据兴趣区域快速确定陨石坑边缘，进而实现陨石坑检测，避免了检测方法对图像太阳高度角的依赖。文献[67]提出了一种基于神经网络的陨石坑自动检测和分类方法，通过改进自适应增强算法(Adaboosting algorithm)提高了小型陨石坑检测和匹配的准确率。此外，Yang等[68]使用基于生物学启发的Haar特征检测天体表面上的陨石坑，结合生物学模型和Haar特征的优势，可以从检测到的陨石坑中获得判别信息；Yu等[17]提出了一种利用地形三维数据的图像区域特征匹配方法，通过图像区域特征检测器来检测陨石坑，然后将检测到的陨石坑与数据库中的陨石坑进行匹配，实现导航特征提取；田阳等[69]提出了一种三维地形特征提取和匹配方法，以特征间距离和方向为元素构成三维特征描述集合，提高了稀疏三维点云条件下地形特征的匹配率。Wokes等[70]提出了一种新型陨石坑识别匹配方法，该方法将检测到的陨石坑近似并重构为球形模型，从中提取陨石坑的位置信息，并将其用作陨石坑匹配的不变量，实现陨石坑特征的识别与匹配。

3 导航特征识别与提取技术展望

图像处理等导航信息处理技术是将观测信息转化为高精度导航信息的关键环节。现有技术尽管可以实现导航特征识别与提取，但是仍然有许多技术问题需要突破。面临未来更复杂的任务需求，本节对光学导航特征识别与提取技术未来发展方向进行总结。

3.1 不规则暗弱目标特征提取

小天体亮度较低，形状不规则且自旋较大，光学相机所拍摄的图像由于光照条件、成像角度及成像时间的不同变化较大，成像质量总体较低。目标暗弱不规则成像对目标的特征提取造成了极大困难。需要发展针对不规则暗弱目标的图像处理算法，得到精确的导航观测信息。首先需要实现暗弱目标识别与跟踪，从有限信息的图像中分割出有效特征。进而针对不规则暗弱目标有效特征，利用序列图像结合激光测距等其他敏感器的测量信息实现多源信息融合的特征提取。考虑不规则目标和目标表面特征成像特性，需要理论与实验仿真相结合，开展基于人工智能和机器学习的特征提取方法。针对匹配图像对间的旋转、尺度缩放及变形等问题，需要开展容错处理分析，研究目标特征正射投影的不变属性，减少特征误匹配。另外，小天体的不规则度概念在应用于不规则小天体导航特征提取时，如何针对小天体探测任务背景，合理有效地应用到小天体光心和形心提取、形貌建模与表征等多类型复杂任务中，也是未来特征识别与提取技术的重要研究方向。

3.2 多尺度多视点特征提取与匹配

目前，小天体附着光学导航特征识别，匹配和提取技术已取得了一定进展。但是，由于小天体附着过程中探测器运动变化，姿态控制，加之环境摄动等会导致图像特征匹配的稳定性下降，直接影响到特征提取精度。所以针对多种状态变化和扰动导致图像尺度和视点变化的问题，需要开展鲁棒性强的多尺度，多视点特征提取与匹配算法，提高特征提取与匹配的精度和可靠性。针对大范围变化的图像，需要开展基于机器学习的智能特征提取与匹配方法，以应对多阴影，多视点范围变化导致图像特征匹配准确率下降的问题。针对地表图像复杂多变的问题，如何选取和识别机会区域特征，实现目标特征的筛选和分类识别提取是未来研究的重点。针对多尺度多视点导致目标特征不明显的问题，需要从不同分辨率和多源观测信息融合的角度入手，合理利用图像和多源测量信息，实现特征提取、匹配和跟踪。

3.3 复杂特征稳定快速识别与匹配

小天体表面存在陨石坑，岩石等大量复杂形貌特征，需要发展不同类型特征的提取和识别方法，通过对图像中边缘、图像特征点、特征线、特征面的检测和分析，实现复杂表面特征的提取与跟踪。现有技术往往对单一导航特征进行识别与匹配，而由于实际任务中地表特征复杂，将导致特征识别困难并增大匹配误差。因此开展复杂特征的筛选分割实现特征有效识别是重要的研究方向。针对多种特征重合或不明显的问题，需要研究如何实现最优导航特征图像的获取方法。另外，在保证精度的前提下，如何简化计算，提高处理速度，形成在轨实时处理能力仍是自主导航特征识别与匹配的迫切需求。传统的图像处理算法，不论是基于尺度不变性的识别与匹配方法，还是基于地形数据库的特征识别与匹配方法都需要较长的图像处理时间，不能直接应用于自主导航系统。因此针对机载计算能力低，深空间的特殊性，基于硬件系统平台的处理算法是重要的研究方向，需要发展基于DSP和FPGA等硬件平台的实时处理算法。

4 结束语

小天体探测光学导航特征识别与提取是小天体探测领域的关键技术。小天体接近、附着等不同探测任务拍摄的图像受到多种环境摄动和扰动噪声等因素的影响，加之小天体本身暗弱不规则的特性和复杂多样的地表环境特征，给导航特征的识别、提取和匹配造成了很大困难。为了实现未来小天体探测精确导航和环境感知，需要进一步研究小天体光学导航特征识别与提取的关键技术，以提高特征识别、提取和匹配的精度和实时性。

现有技术对星点图像、拖曳图像、不规则天体图像和复杂地表图像等不同图像及不同光学导航特征识别与提取开展了深入研究，并取得了突破进展。然而导航目标不规则的几何成像形状依旧是导航特征的提取的难点。星表形貌特征复杂多样，不同高度、视角及运动状态所获取同一地形的观测数据特性迥异，这也导致星表特征的提取与匹配极为困难。因此如何在复杂光学图像中识别目标并快速准确提取导航特征，是未来研究的重点。