面向深空探測著陸過程中的陸標自動提取方法

陶江 曹云峰 丁萌 莊麗葵 張洲宇 鐘佩儀

?

面向深空探測著陸過程中的陸標自動提取方法

陶江 曹云峰 丁萌 莊麗葵 張洲宇 鐘佩儀

（南京航空航天大學，南京 210016）

基于光學圖像的地形匹配導航方法是目前深空探測任務中實現精確著陸的一種主要方法，通過天體表面光學圖像得到的陸標能夠獲取完備的探測器位置和姿態信息。因此，天體表面陸標提取技術是實現精確著陸的關鍵技術。為此，提出了一種陸標自動提取方法。首先，利用AKAZE特征檢測子對天體表面圖像進行多尺度特征點檢測，該特征點對圖像尺度變化、旋轉都具有一定的魯棒性；然后，引入密度聚類理論，結合DBSCAN聚類算法對AKAZE特征點進行聚類得到多個不同的聚類族；最后，通過設定閾值確定候選陸標和最終陸標，并提出了一種陸標提取性能評價方法。試驗結果表明，該方法能夠提取出具有較好的抗旋轉性能和抗尺度變化性能的陸標特征，能為火星著陸過程中光學敏感器可能出現的多尺度、多視點變化帶來的匹配魯棒性差的問題提供相應的解決方案，對深空探測過程中實現精確著陸具有一定的參考意義。

特征檢測 密度聚類 陸標提取 精確著陸 深空探測

0 引言

隨著航天技術，如自主導航與控制技術、推進技術等技術的發展，深空探測成為當前世界航天領域發展的趨勢[1]。其中，著陸實地探測是獲取有價值的科學數據最直接有效的方式。在已成功實現著陸的深空探測任務中，探測器所采用的導航方式大多為慣性導航，但其誤差會隨時間增加而增大[2]，因此后來出現了多傳感器融合的導航方式，改善了導航定位的精度。特別是地形匹配導航（Terrain Relative Navigation，TRN）輔助慣性導航的組合導航方法在深空探測著陸任務中被越來越多的采用以提高著陸精度[3]，如美國NASA近年來一直研究的ALHAT（Autonomous Landing Hazard Avoidance Technology）工程以及未來的“MARS2020”火星探測任務都將地形匹配導航作為主要的導航方式之一。地形匹配導航是指通過將安裝在探測器上的激光雷達或光學相機在下降過程中所感知到的著陸區域地形特征與包含全局位置信息的著陸區域地形數據進行匹配，來獲取探測器著陸過程中相對于著陸點的位置信息的導航方式[4]。由于激光雷達質量較大、構成復雜、技術相較于相機不夠成熟等缺點[5]，目前的研究多為基于光學圖像的地形匹配導航。

文獻[6]的幾何可觀性分析表明，當存在3個及3個以上的不共面方向矢量測量時，相機載體的位姿即可唯一確定。對于降落圖像，當檢測到至少3個不共線且位置已知的陸標時，即可根據幾何關系確定著陸器位姿信息。因此，天體表面圖像導航陸標特征的提取是實現地形匹配的前提也是基于光學圖像自主導航關鍵技術之一[7]。2005年，美國噴氣推進實驗室（Jet Propulsion Laboratory，JPL）在文獻[8]將火星表面上大量存在的撞擊坑作為陸標，并對其進行檢測與匹配實現探測器實時定位，但是并不能保證每個著陸點附近都具有足夠的撞擊坑來保證著陸（如火星極地），并且撞擊坑密度過大、模糊的邊緣、撞擊坑陰影等因素都會影響匹配性能。文獻[9]用尺度不變特征轉換（Scale Invariant Feature Transform，SIFT）來提取陸標，可以不依賴撞擊坑等具有特定幾何形狀的地貌，然而該方法計算復雜，不滿足著陸所需的實時性。文獻[10]采用HARRIS檢測子，能對任何具有豐富紋理的地形提取陸標（Mapped Landmarks，MLs），但是該算法不具備尺度不變性。為此，本文采用具有較好旋轉不變性和尺度不變性且較為快速的AKAZE特征來作為提取陸標的特征點。

在實際的著陸任務中，由于降落相機所拍攝圖像的地面分辨率單元（Ground Resolution Cell，GRC）不斷變化，特別是著陸的初始階段降落相機圖像與衛星圖像分辨率差異過大導致無法匹配，此時需要采用相關匹配進行著陸定位，相關匹配過程中的模板即為陸標。根據特征點制備陸標的傳統方法為迭代搜索[11]，首先基于HARRIS特征點提取出圖像高對比度像素點，再迭代選出以高對比度像素點為中心的模板作為陸標。由于該方法需要事先劃分網格，模板分布位置固定，使得提取的陸標無法準確反映圖像的特征。為此，本文提出了一種基于密度聚類的陸標提取方法，實驗結果表明，本文方法能夠得到圖像特征信息較為完備的陸標。

1 著陸過程中天體表面圖像特性分析

1.1 深空探測著陸過程中的天體表面圖像特點

深空探測著陸過程中，探測器通常會面臨嚴峻的著陸環境，如火星復雜多變的氣候，小行星較低的引力，月球表面遍布的撞擊坑等，都會對探測器著陸造成嚴重的影響。特別是著陸過程中探測器的高度、姿態變化范圍大，導致探測器所載光學敏感器獲取的天體表面圖像尺度、視點變化范圍大，給導航陸標特征提取帶來困難進而影響后續的陸標匹配定位。因此，本文從圖像尺度變化和視點變化的角度考慮，結合目前特征點檢測算法研究的新進展，找到一種抗尺度變化、抗旋轉變化性能較好的特征檢測算法。此外，由于導航陸標的提取發生在地形匹配導航階段[7,10-11]，而在該高度范圍內的天體表面圖像通常呈現大尺度地貌特征[12]，也即預選著陸區域的地貌特征，而著陸點附近往往選在地形地貌復雜的地方，如撞擊坑、峽谷、槽溝，因為具有科學價值的地方一般是地貌特征較為豐富的地方[13]。而這些地貌特征的所呈現的圖像都具有紋理豐富的特點，有利于特征點的檢測。

1.2 天體表面圖像陸標表征

圖1 特征檢測及其對比度分布

1.3 陸標特征提取性能評估

2 AKAZE特征點檢測算法

本文采用AKAZE特征檢測算法得到的特征作為提取陸標的特征點，由文獻[16]可知，該特征點檢測算法具有非常優異的抗旋轉變化和抗尺度變化性能。該算法通過將快速顯式擴散（Fast Explicit Diffusion，FED）融入到金字塔框架，極大提高了非線性尺度空間中的特征檢測的速度。AKAZE特征檢測算法首先用FED建立非線性尺度空間，對于一個尺度空間有如下定義：

對濾波后的圖像在非線性尺度空間計算Hessian矩陣，并對其歸一化得到：

3 基于密度聚類的陸標自動提取算法

3.1 DBSCAN密度聚類原理

3.2 基于DBSCAN密度聚類的陸標提取方法

1）用AKAZE特征檢測算法對降落相機圖像檢測得到特征點；

4 實驗結果與分析

為驗證本文方法的有效性和可靠性，選取了四種典型的地外天體地貌進行聚類分析。實驗所用處理器平臺為Intel(R) Core(TM) i7-4910 CPU@3.60GHz，在MatlabR2017a軟件中進行仿真實驗。

圖2 著陸點四種典型地貌圖像

圖3 著陸點圖像特征點檢測

圖4 著陸點圖像特征點密度聚類

圖5 著陸點圖像陸標提取

為評估本文陸標提取方法的魯棒性，對上述四種著陸點地貌圖像分別進行尺度縮放和旋轉變化，按照本文提出的陸標提取性能評價指標進行評估，尺度縮放倍數為0.1到3，間隔為0.1；旋轉角度為0°到180°，間隔為5°。同時和傳統的基于HARRIS角點特征得到的陸標進行對比，得到如圖6和圖7所示的評估結果。由圖6可知，在地貌圖像的尺度不斷變大的情況下，對于撞擊坑地貌本文陸標提取算法性能明顯高于傳統的基于HARRIS特征點的陸標提取算法。對于深谷地貌本文算法性能略高于后者，而槽溝地貌和高原地貌則差別不大。由圖7可知，在地貌圖像發生旋轉的情況下，對于槽溝地貌本文算法性能明顯高于傳統算法，對于深谷地貌本文算法性能略高于傳統算法，而對于撞擊坑地貌和高原地貌，本文算法和傳統算法無明顯差別。故從總體上看，無論是抗旋轉變化性能還是抗尺度變化性能，本文算法均優于傳統的基于HARRIS特征點提取陸標的方法。

圖6 尺度變化下陸標提取性能評估

圖7 旋轉角度變化下陸標提取性能評估

5 結束語

本文通過對深空探測著陸過程中的地外天體圖像的特點進行分析，將密度聚類思想引入陸標提取，提出了一種基于密度聚類的陸標自動提取方法，并選取了四種典型的著陸點地貌類型進行實驗驗證。此外，還提出了一種陸標提取性能評價方法，并利用該評價方法與將本文算法與傳統方法進行對比實驗。實驗結果表明：本文的陸標提取方法具備較好的抗旋轉變化和抗尺度變化性能，在四種著陸地貌類型的陸標提取性能均優于傳統的基于HARRIS特征點的陸標提取方法。

[1] 孫澤洲, 孟林智. 中國深空探測現狀及持續發展趨勢[J]. 南京航空航天大學學報, 2015, 47(6): 785-791. SUN Zezhou, MENG Linzhi. Current Situation and Sustainable Development Trend of Deep Space Exploration in China[J]. Jounal of Nanjing Unicersity of Aeronautics & Astronautics, 2015, 47(6): 785-791. (in Chinese)

[2] 賈賀, 榮偉. 火星探測器減速著陸技術分析[J]. 航天器返回與遙感, 2010, 31(3): 6-14. JIA He, RONG Wei. Mars Exploration Deceleration Landing Technology[J]. Spacecraft Recovery & Remote Sensing, 2010, 31(3): 6-14. (in Chinese)

[3] GONZALEZ F F. Terrain-relative Optical Navigation by Means of Monocular Visual Odometry[D]. Sweden: Lulea University of Technology, 2015: 26.

[4] STEINER T J, BRADY T M, HOFFMAN J A. Graph-based Terrain Relative Navigation with Optimal Landmark Database Selection[C]//2015 IEEE Aerospace Conference, 2015: 1-12.

[5] JOHNSON A E, MONTGOMERY J F. Overview of Terrain Relative Navigation Approaches for Precise Lunar Landing[C]//Aerospace Conference, 2008: 1-10.

[6] SUN D, CRASSIDIS J L. Observability Analysis of Six-degree-of-freedom Configuration Determination Using Vector Observations[J]. Journal of Guidance, Control, and Dynamics, 2002, 25(6): 1149-1157.

[7] 王大軼, 徐超, 黃翔宇. 深空探測著陸過程序列圖像自主導航綜述[J]. 哈爾濱工業大學學報, 2016, 48(4): 1-12. WANG Dayi, XU Chao, HUANG Xiangyu. Overview of Autonomous Navigation Based on Sequential Images for Planetary Landing[J]. Journal of Harbin Institute of Technology, 2016, 48(4): 1-12. (in Chinese)

[8] CHENG Y, ANSAR A. Landmark Based Position Estimation for Pinpoint Landing on Mars[C]//IEEE International Conference on Robotics and Automation. IEEE, 2006: 1573-1578.

[9] TRAWNY N, MOURIKIS A I, ROUMELIOTIS S I, et al. Vision-aided Inertial Navigation for Pin-point Landing Using Observations of Mapped Landmarks[J]. Journal of Field Robotics, 2010, 24(5): 357-378.

[10] MOURIKIS A I, TRAWNY N, ROUMELIOTIS S I, et al. Vision-aided Inertial Navigation for Spacecraft Entry, Descent, and Landing[J]. IEEE Transactions on Robotics, 2009, 25(2): 264-280.

[11] JOHNSON A E, CHENG Y, MONTGOMERY J, et al. Design and Analysis of Map Relative Localization for Access to Hazardous Landing Sites on Mars[C]//AIAA Guidance, Navigation, and Control Conference. 2016: 3-5.

[12] ALEXANDER J, CHENG Y, ZHENG W, et al. A Terrain Relative Navigation Sensor Enabled by Multi-core Processing[C]//Aerospace Conference, 2012 IEEE. IEEE, 2012, 186(6): 1-11.

[13] ACIKMESE B, CASOLIVA J, CARSON J M, et al. G-fold: A Real-time Implementable Fuel Optimal Large Divert Guidance Algorithm for Planetary Pinpoint Landing[J]. Concepts & Approaches for Mars Exploration, 2012, 1679(43): 4193.

[14] STEINER T J, BRADY T M, HOFFMAN J A. Graph-based Terrain Relative Navigation with Optimal Landmark Database Selection[C]//Aerospace Conference, 2015: 1-12.

[15] SOUBANNAVONG F, LEMARECHALC, REMETEAN, et al. Visual Odometry for Autonomous Localization on Mars[J]. European Journal of Teacher Education, 2008, 32(113): 65-66.

[16] ALCANTARILL P F, SOLUTIONS T V. Fast ExplicitDiffusion for Accelerated Features in Nonlinear Scale Spaces[C]//British Machine Vision Conference, 2013: 13.1-13.11.

[17] WEICKERT J, ROMENY B M T H, VIERGEVER M A. Efficient an D Reliable Schemes for Nonlinear Diffusion Filtering[J]. IEEE Transactions on Image Processing, 1998, 7(3): 398-410.

[18] 周志華. 機器學習[M]. 北京: 清華大學出版社, 2016: 211-212. ZHOU Zhihua. Machine Learning[M]. Beijing: Tsinghua University Press, 2016: 211-212. (in Chinese)

[19] CAMPELLO R J G B, MOULAVI D, SANDER J. Density-based Clustering Based on Hierarchical Density Estimates[C]//Pacific-Asia Conference on Knowledge Discovery and Data Mining, 2013: 160-172.

[20] LISTED N. Planning for Mars Returned Sample Science: Final Report of the MSR End-to-end International Science Analysis Group (E2E-iSAG)[J]. Astrobiology, 2012, 12(3): 175-230.

（編輯：劉穎）

Land Mark Automatic Extraction Algorithm for Planetary Landing

TAO Jiang CAO Yunfeng DING Meng ZHUANG Likui ZHANG Zhouyu ZHONG Peiyi

（Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China）

The terrain matching navigation method based on optical image is one of the main methods to realize accurate landing in deep space exploration task. The landmarks obtained by the celestial surface optical image can produce complete detector position and attitude information. Therefore, the extraction technology of the celestial surface landmark is the key technology to achieve accurate landing. To this end, a robust automatic method to extract roadmap is proposed in the paper. Firstly, the multi-scale feature points of the celestial surface image are detected using the AKAZE feature detector. The feature points have some robustness to the image distortion and rotation. Then, by introducing the density clustering theory and combining with the DBSCAN clustering algorithm, the AKAZE feature points are clustered to get a number of different clusters. Finally, the candidate signs and final landmarks are determined by setting thresholds. And then an evaluation method of landmark extraction performance is proposed. The experimental results show that this method have good anti-rotation and anti-scale performance in extracting the landmark characteristics, and can provide strong technical support for the multi-scale and multi-view changes that the optical sensor may appear during the landing on Mars, and it is of theoretical significance to realize the accurate landing in deep space exploration.

feature detection; density clustering; landmark extraction; accurate landing; deep space explore

V448.2

A

1009-8518(2018)01-0112-09

10.3969/j.issn.1009-8518.2018.01.014

陶江，男，1991年生，南京航空航天大學航天學院導航、制導與控制專業博士研究生。研究方向為深空探測。E-mail：tjnuaa@nuaa.edu.cn。

2018-01-06

國家自然科學基金（No. 61673211）；中國運載火箭技術研究院高校聯合創新基金