基于改进RANSAC校验的空间失效卫星回环检测方法

基于改进ransac校验的空间失效卫星回环检测方法
技术领域
1.本发明涉及一种基于改进ransac校验的空间失效卫星回环检测方法，属于视觉导航位姿估计与优化技术领域。


背景技术：

2.随着航天科技的发展，卫星数目飞速增加。如何为卫星提供在轨服务，实现故障卫星的修理、废弃卫星的清除，保证卫星在复杂环境中持久、平稳的运行，是目前空间技术发展的重要方向，空间卫星在长期失效后，由于能量的不断耗散，会围绕最大惯性主轴进行缓慢的自旋运动。搭载有视觉传感器的服务航天器需识别失效卫星并估计其位姿后，才能为其提供在轨服务。而在求解位姿的过程中，当前帧的位姿是根据上一帧位姿递推解算而来，长时间连续观测会带来累积误差增大、位姿解算不收敛等难题。回环检测是消除累积误差的有效手段。同时，利用回环检测粗略求得失效卫星的自旋角速度，对后续的接近或抓捕很有必要。
3.目前，低照度图像处理搭配改进的bow算法是失效卫星回环检测的主流。但该方法仍存在一些问题：(1) bow算法的性能严重依赖预训练的字典库，面对变化场景的适用性差；(2) bow回环检测算法面对空间光照变化的鲁棒性差；而为此加入的图像处理使算法复杂度增大，消耗计算资源。随着深度学习技术的广泛应用，基于深度学习的回环检测受到关注。此类方法应用至失效卫星中依旧存在较多缺陷。原因是：（1）深度学习提取出的全局特征维数高，计算量大；（2）部分失效卫星的受观测面相似度高。在卫星周期性旋转进出视场时，深度学习提取的全局特征会因忽略局部空间关系导致误检测。
4.基于此，研究一种针对空间失效卫星的特殊应用场景，且适应性强、效率高的回环检测方法，是行业发展的需要。


技术实现要素：

5.本发明的目的是针对现有失效卫星回环检测方法适应性差、效率低的问题，提供一种基于改进ransac校验的空间失效卫星回环检测方法，该方法通过深度学习提取全局和局部特征，利用全局特征进行图像相似度对比，并借助图像检索领域的 hnsw（hierarchical navigable small world）算法，快速进行图像对比，建立图像回环帧候选集合，引入改进 ransac 算法利用局部特征进行回环候选帧校验，提高回环检测在复杂场景下的准确性和鲁棒性。
6.上述的目的通过以下技术方案实现：基于改进ransac校验的空间失效卫星回环检测方法，该方法包括如下步骤：（1）利用视觉相机在实验室仿真环境中以固定频率拍摄运动的失效卫星模型，制作失效卫星图像数据集，将失效卫星图像数据集依照拍摄时间排序，依次将图像ii输入进深度学习网络中，输出图像的三种特征：特征点pi，局部特征向量li，全局特征向量gi，i=1,2
…
,q，q为该数据集图像ii序列的长度；
（2）将输入的前30帧图像得到的全局特征向量依次插入并构建hnsw图数据库；（3）将图像ii（i》30）的全局特征gi在步骤（2）构建的hnsw图数据库中展开检索，使用余弦距离，比较当前特征和图中储存特征的相似度；（4）记录与图像ii（i》30）具有最高相似度的6幅图像的图像索引，建立图像ii（i》30）的回环候选帧集合；（5）将图像ii（i》30）的全局特征向量gi插入步骤（2）构建的hnsw图数据库，更新hnsw图数据库；（6）利用步骤（4）得到的图像ii（i》30）回环候选帧集合，以及步骤（1）获得的特征点与局部特征向量，将图像ii（i》30）与图像ii（i》30）回环候选帧集合中的每一帧图像ig（g=1,2
…
,6），进行暴力匹配获取初始匹配点数；（7）将图像ii（i》30）与图像ii（i》30）回环候选帧集合中每一帧图像ig（g=1,2
…
,6），进行网格划分与网格支持度计算，保留支持度高于临界阈值的匹配点对；（8）利用ransac算法，从保留下来的匹配点对中随机抽取特征点作为样本点，再对样本点进行迭代计算，最终求得图像的单应矩阵及对应正确匹配点数；（9）图像ii分别与图像ii（i》30）回环候选帧集合中的每一帧图像ig（g=1,2
…
,6）重复步骤（6）-（8），计算每一帧图像正确匹配点数占据步骤（6）中初始匹配点数的百分比，即回环权重，权重最高的图像帧ig（g=1,2
…
,6）即为最优回环帧；（10）对数据集中图像重复步骤（1）-（9），直至完成数据库中所有图像的对比。
7.所述的基于改进ransac校验的空间失效卫星回环检测方法，步骤（1）的具体方法是：使用步骤（1）中所述深度学习网络采用hf-net多任务网络，所述hf-net多任务网络使用superpoint提取图像ii的关键点pi与局部特征li，使用netvlad提取全局特征gi，并将两者整合在一起；其中，每张图像的特征点数目为500，特征点对应局部特征li的维数为256，全局特征gi的维数为4096。
8.所述的基于改进ransac校验的空间失效卫星回环检测方法，步骤（2）的具体方法是：将输入的前30帧图像的全局特征向量看做独立的元素，逐个插入hnsw（hierarchical navigable small world，分层的可导航小世界）图数据库时，从目标图层的一个随机元素出发，查找到与新输入的全局特征向量距离最近的元素，组成集合，即最近邻元素集合；将新输入的全局特征向量看作独立元素插入hnsw图数据库中，并连接到最近邻元素，完成图数据库构建与更新；hnsw算法是一个结合了跳表思想的层级结构，对于输入的前30帧图像的全局特征向量，由指数衰减概率函数得出其最高投影到第几图层，在hnsw图数据库中，第0层包含图中所有元素，向上元素数依次减少，从而使得后续查找更加快速。
9.所述的基于改进ransac校验的空间失效卫星回环检测方法，步骤（3）的具体方法是：将图像ii（i》30）的全局特征向量gi在步骤（2）中构建的hnsw图数据库进行快速对比，检索时遵循从高层向底层的规则，先贪婪遍历来自高层的元素，直至达到局部最小值；之后，切换到较低层，从高层最小值对应的低层元素重新开始遍历；hnsw图数据库中的元素即为图像的全局特征向量，假设当前输入的全局特征向量
g1=(u1,u2,
…
,ud)；hnsw图数据库中待检索的全局特征为 g2=(v1,v2,
…
,vd)，d为全局特征向量的维度，此处为4096，u,v均为全局特征向量分量，利用余弦距离对比元素相似度：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）其中， 代表两全局特征向量的余弦相似度，u,v均为全局特征向量分量，d=1,2,
…
，d，d为全局特征向量维度。
10.所述的基于改进ransac校验的空间失效卫星回环检测方法，步骤（4）的具体方法是：比较步骤（3）获得的余弦相似度，记录余弦相似度最高的前六位图像的索引，按照余弦值从大到小排序，建立当前图像的回环候选帧集合。
11.所述的基于改进ransac校验的空间失效卫星回环检测方法，步骤（5）的具体方法是：将当前图像的全局特征向量插入hnsw图数据库，更新数据库，具体方法是将当前图像的全局特征向量看做独立的元素，插入hnsw图数据库时，从目标图层的一个随机元素出发，查找到与新输入的全局特征距离最近的元素，组成集合，即最近邻元素集合；将新输入的全局特征向量看作独立元素插入hnsw图数据库中，并连接到最近邻元素，完成图数据库构建与更新；hnsw算法是一个结合了跳表思想的层级结构，对于输入图像的全局特征向量，由指数衰减概率函数得出其最高投影到第几图层，在hnsw图数据库中，第0层包含图中所有元素，向上元素数依次减少，从而使得后续查找更加快速。
12.所述的基于改进ransac校验的空间失效卫星回环检测方法，步骤（6）的具体方法是：将图像ii（i》30）的所有特征点与其对应的局部特征向量，与回环候选帧集合中图像ig（g=1,2
…
,6）的所有特征点与局部特征向量，逐个进行匹配测试，获得匹配度最高的匹配特征点对，完成暴力匹配。
13.所述的基于改进ransac校验的空间失效卫星回环检测方法，步骤（7）的具体方法是：根据网格打分器，剔除低分网格的匹配，保留高分网格中的匹配；首先，需将图像进行网格化，利用网格支持度对网格打分，网格支持度定义如下：假定一组待匹配图像ia和图像ib，两幅图像的特征点集合分别为，匹配点集合为 ，n代表匹配点对数，每一个匹配xm代表一对相互匹配的特征点。在图像ia中随机设置一区域a，在图像ib中随机设置一区域b，c
ab
代表区域的匹配,用sm表示xm匹配邻域支持度，则有：由大数定律可知，当特征点数目足够多时，正确匹配与错误匹配的分布会遵从某一规律。假设每一对匹配都是独立的，通过计算得到匹配xm邻域支持度sm是一个二项分布，具体形式如下：
其中，n代表邻域匹配点对数，p
t
代表ab区域为正确匹配区域时a区域匹配点落在b中的概率，pf代表ab区域为错误匹配区域时a区域匹配点落在b中的概率。
14.以上推导成立的前提是区域足够小。因此，将区域ab划分为k个极小区域，区域ab上存在一足够小的区域对，此时支持度sm的概率分布为：相应的均值和标准差通过如下方式计算：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）其中，为支持度sm分布的正确匹配的均值；为该分布的正确匹配的标准差； 则为发生错误匹配的均值和标准差。
15.实际操作中，区域ab的获取由图像网格划分实现。将图像划分为均匀的15
×
15的网格，因网格区域依旧与“极小区域”这一理想条件差距较大，此时将每一个大网格继续划分成3
×
3的小网格，对于小网格对，则该小网格的支持度分数 为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）其中，w=1,2,
…
，9，分别代表3
×
3区域中的每个小网格，代表区域中每个小网格所包含的匹配点集合；通过选取合适的临界值来剔除误匹配率较高的网格区域，由公式（4）代表的二项分布规律，设置临界为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6）为发生错误匹配的均值和标准差，n为大网格内匹配点数目，为权重因子，一般取10，则有当 时，可认为该区域误匹配率较低。反之，则该区域误匹配率较高，应当剔除。因此，将高分网格内的匹配点对保留，低分网格的匹配剔除，从而能够获取较高正确率的匹配对。
16.所述的基于改进ransac校验的空间失效卫星回环检测方法，步骤（8）的具体方法是：利用网格支持度剔除掉劣质点后，利用ransac算法，从保留下来的匹配中抽取优质特征点作为样本点，再对样本点进行迭代计算，最终求得图像的单应矩阵及对应匹配点。
17.所述的基于改进ransac校验的空间失效卫星回环检测方法，步骤（9）确定最优回
环帧的具体方法是：在步骤（4）中，为方便算法排序，每一帧输入图像都会构建与之相对应的回环候选帧集合，即使该集合所有图像的余弦相似度不高；因此在校验过程中，当前图像与每一个回环候选帧匹配时，首先使用运行速度较快的网格打分器进行筛选；若剔除劣质点后剩余点不足初始点数的十分之一，则停止匹配校验，回环权重置0，从而防止后续ransac 计算出大量无效模型，浪费计算资源。若剩余点符合条件，则继续利用 ransac 进行计算；最后，计算正确匹配对数占据初始点数的百分比，即回环权重，权重最高的图像帧即为最优回环帧。
18.所述的基于改进ransac校验的空间失效卫星回环检测方法，步骤（10）的具体方法是：重复步骤（1）-（9），前30帧图像仅用于图数据库构建，不参与回环；其后每输入一张图像，在更新hnsw图数据库的同时，进行快速对比与图像校验，完成回环检测。
19.本发明的有益效果是：本发明通过深度学习提取图像特征，提升了算法在极端光照条件下的稳定性。并且，构建hnsw图数据库对高维全局特征进行快速对比，记录高相似度图像索引作为回环候选帧集合。采用改进ransac算法进行回环候选帧校验，从而提高回环检测在复杂场景下的准确性和鲁棒性。
附图说明
20.图1本发明具体实施方式的流程框图；图2为new college left数据集的准确率-召回率曲线；图3为new college right数据集的准确率-召回率曲线；图4为city center left数据集的准确率-召回率曲线；图5为city center right数据集的准确率-召回率曲线；图6为失效卫星数据集的回环检测结果。
具体实施方式
21.如图1所示，本发明提供了基于改进ransac校验的空间失效卫星回环检测方法，包括如下步骤：（1）利用视觉相机在实验室仿真环境中以固定频率拍摄运动的失效卫星模型，制作失效卫星图像数据集，将失效卫星图像数据集依照拍摄时间排序，依次将图像ii输入进深度学习网络中，输出图像的三种特征：特征点pi，局部特征向量li，全局特征向量gi，i=1,2
…
,n，n为该数据集图像ii序列的长度；（2）将输入的前30帧图像得到的全局特征向量依次插入并构建hnsw图数据库；（3）将图像ii（i》30）的全局特征gi在步骤（2）构建的hnsw图数据库中展开检索，使用余弦距离，比较当前特征和图中储存特征的相似度；（4）记录与图像ii（i》30）具有最高相似度的6幅图像的图像索引，建立图像ii（i》30）的回环候选帧集合；（5）将图像ii（i》30）的全局特征向量gi插入步骤（2）构建的hnsw图数据库，更新hnsw图数据库；（6）利用步骤（4）得到的图像ii（i》30）回环候选帧集合，以及步骤（1）获得的特征点与局部特征向量，将图像ii（i》30）与图像ii（i》30）回环候选帧集合中的每一帧图像ig（g=
1,2
…
,6），进行暴力匹配获取初始匹配点数；（7）将图像ii（i》30）与图像ii（i》30）回环候选帧集合中每一帧图像ig（g=1,2
…
,6），进行网格划分与网格支持度计算，保留支持度高于临界阈值的匹配点对；（8）利用ransac算法，从保留下来的匹配点对中随机抽取特征点作为样本点，再对样本点进行迭代计算，最终求得图像的单应矩阵及对应正确匹配点数；（9）图像ii分别与图像ii（i》30）回环候选帧集合中的每一帧图像ig（g=1,2
…
,6）重复步骤（6）-（8），计算每一帧图像正确匹配点数占据步骤（6）中初始匹配点数的百分比，即回环权重，权重最高的图像帧ig（g=1,2
…
,6）即为最优回环帧；（10）对数据集中图像重复步骤（1）-（9），直至完成数据库中所有图像的对比。
22.步骤一、使用所述深度学习hf-net多任务网络，所述hf-net多任务网络使用superpoint提取图像ii的关键点pi与局部特征li，使用netvlad提取全局特征gi，并将两者整合在一起；其中，每张图像的特征点数目为500，特征点对应局部特征li的维数为256，全局特征gi的维数为4096。
23.步骤二、将输入的前30帧图像的全局特征向量看做独立的元素，逐个插入hnsw（hierarchical navigable small world，分层的可导航小世界）图数据库时，从目标图层的一个随机元素出发，查找到与新输入的全局特征向量距离最近的元素，组成集合，即最近邻元素集合；将新输入的全局特征向量看作独立元素插入hnsw图数据库中，并连接到最近邻元素，完成图数据库构建与更新；hnsw算法是一个结合了跳表思想的层级结构，对于输入的前30帧图像的全局特征向量，由指数衰减概率函数得出其最高投影到第几图层，在hnsw图数据库中，第0层包含图中所有元素，向上元素数依次减少，从而使得后续查找更加快速。
24.步骤三、将图像ii（i》30）的全局特征向量gi在步骤（2）中构建的hnsw图数据库进行快速对比，检索时遵循从高层向底层的规则，先贪婪遍历来自高层的元素，直至达到局部最小值；之后，切换到较低层，从高层最小值对应的低层元素重新开始遍历；hnsw图数据库中的元素即为图像的全局特征向量，假设当前输入的全局特征向量g1=(u1,u2,
…
,ud)；hnsw图数据库中待检索的全局特征向量为 g2=(v1,v2,
…
,vd)，d为全局特征向量的维度，此处为4096，u,v均为全局特征向量分量，利用余弦距离对比元素相似度：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）其中， 代表两全局特征向量的余弦相似度，u,v均为全局特征向量分量，d=1,2,
…
，d，d为全局特征向量维度。
25.步骤四、比较步骤（3）获得的余弦相似度，记录余弦相似度最高的前六位图像的索引，按照余弦值从大到小排序，建立当前图像的回环候选帧集合。
26.步骤五、将当前图像的全局特征插入hnsw图数据库，更新数据库，具体方法是将当前图像的全局特征向量看做独立的元素，逐个插入hnsw图数据库时，从目标图层的一个随机元素出发，查找到与新输入的全局特征距离最近的元素，组成集合，即最近邻元素集合；
将新输入的全局特征向量看作独立元素插入hnsw图数据库中，并连接到最近邻元素，完成图数据库构建与更新；hnsw算法是一个结合了跳表思想的层级结构，对于输入图像的全局特征向量，由指数衰减概率函数得出其最高投影到第几图层，在hnsw图数据库中，第0层包含图中所有元素，向上元素数依次减少，从而使得后续查找更加快速。
27.步骤六、将图像ii（i》30）的所有特征点与其对应的局部特征向量，与回环候选帧集合中图像ig（g=1,2
…
,6）的所有特征点与局部特征向量，逐个进行匹配测试，获得匹配度最高的匹配特征点对，完成暴力匹配。
28.步骤七、根据网格打分器，剔除低分网格的匹配，保留高分网格中的匹配；首先，需将图像进行网格化，利用网格支持度对网格打分，网格支持度定义如下：假定一组待匹配图像ia和图像ib，两幅图像的特征点集合分别为，匹配点集合为，n代表匹配点对数，每一个匹配xm代表一对相互匹配的特征点。在图像ia中随机设置一区域a，在图像ib中随机设置一区域b，c
ab
代表区域的匹配点集合,用sm表示xm匹配邻域支持度，则有：由大数定律可知，当特征点数目足够多时，正确匹配与错误匹配的分布会遵从某一规律。假设每一对匹配都是独立的，通过计算得到匹配xm支持度sm是一个二项分布，具体形式如下：其中，n代表区域匹配点对数，p
t
代表ab区域为正确匹配区域时a区域匹配点落在b中的概率，pf代表ab区域为错误匹配区域时a区域匹配点落在b中的概率；为满足上述推导，区域ab越小越好。普通的区域ab通常达不到这一标准。因此，将区域ab划分为k个极小区域，现假设区域ab上一足够小的区域对，此时支持度sm的概率分布为：相应的均值和标准差通过如下方式计算：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）其中，为支持度sm分布的正确匹配的均值；为该分布的正确匹配的标准差； 则为发生错误匹配的均值和标准差。
29.实际操作中，区域ab的获取由图像网格划分实现。将图像划分为均匀的15
×
15网格，因网格区域依旧与“极小区域”这一理想条件差距较大，此时将每一个大网格继续划分
成3
×
3的小网格网格，对于小网格对，则该小网格的支持度分数为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）其中，w=1,2,
…
，9，分别代表3
×
3区域中的每个小网格，代表区域中每个小网格所包含的匹配点集合；通过选取合适的临界值来剔除误匹配率较高的网格区域，由公式（4）代表的二项分布规律，设置临界为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6）为发生错误匹配的均值和标准差，n为大网格内匹配点数目，为权重因子，一般取10，则有当时，可认为该区域误匹配率较低；反之，则该区域误匹配率较高，应当剔除。因此，将高分网格内的匹配点对保留，低分网格的匹配剔除，从而能够获取较高正确率的匹配对。
30.步骤八、利用网格支持度剔除掉劣质点后，利用ransac算法，从保留下来的匹配中抽取优质特征点作为样本点，再对样本点进行迭代计算，最终求得图像的单应矩阵及对应匹配点。
31.步骤九、确定最优回环帧最终回环结果的具体方法是：在步骤（4）中，为方便算法排序，每一帧输入图像都会构建与之相对应的回环候选帧集合，即使该集合所有图像的余弦相似度不高；因此在校验过程中，当前图像与每一个回环候选帧匹配时，首先使用运行速度较快的网格打分器进行筛选；若剔除劣质点后剩余点不足初始点数的十分之一，则停止匹配校验，回环权重置0，从而防止后续ransac 计算出大量无效模型，浪费计算资源。若剩余点符合条件，则继续利用 ransac 进行计算；最后，计算正确匹配对数占据初始点数的百分比，即回环权重，权重最高的图像帧即为最优回环帧。
32.步骤十、重复步骤（1）-（9），前30帧图像仅用于图数据库构建，不参与回环；其后每输入一张图像，在更新hnsw图数据库的同时，进行快速对比与图像校验，完成回环检测。
33.仿真实验：（1）为验证本文回环算法对不同场景具有高适应性，本实例使用牛津大学公开的两个数据集new college和city center进行地面环境实验。除图像数据外，数据集还包含一份储存真实回环信息的mat文件。该文件的行、列编号均代表图像索引，若两张图像构成回环，行列对应位置为1；不构成回环，则为0。这一设置是该数据集的特色。每个牛津数据集分为左右相机拍摄而成的两组。为了方便表述，将new college数据集分割成两个子数据集new college-left与new college-right；同理，将city center数据集分割成两个子数据集city center-left与city center-right。
34.使用hf-net算法代指本文算法去掉ransac校验时的回环算法。为进一步证明本实施例算法的有效性，将本方法与bow算法、hf-net算法的性能进行对比。本实施例以图片为单位，使用mat真值文件更直观地展示回环检测算法的效果，即准确率-召回率曲线。准确率
precision与召回率recall定义如下：precision=tp/(tp fp)； recall=tp/(tp fn)。其中，tp代表算法检测到的回环数目中正确回环的数目；fp为算法检测到的回环中并非真实回环的数目；hn则为算法未检测出的真实回环的数目。因此，tp fp则为算法检测到的回环数目；tp fn则为真实的回环数目。
35.如图2，图3分别为new college-left、new college-right的准确率-召回率曲线；图4，图5分别为city center-left、city center-right的准确率-召回率曲线。
36.准确率是回环检测最看重的指标。比较三种算法在四个数据集100%准确率下的最大召回率可得：如图2所示，new college-left下本方法、bow及hf-net在100%准确率下的最大召回率55.8%、46.2%、32.9%；new college-right下本方法、bow及hf-net在100%准确率下的最大召回率67.7%、24.6%、49.8%；如图3所示，city center-left下本方法、bow及hf-net在100%准确率下的最大召回率79.9%、55.9%、56.2%；city center-right下本方法、bow及hf-net在100%准确率下的最大召回率84.7%、50.4%、54.1%。其中，本文算法表现均为最优，与hf-net相比，局部特征的加入使得算法性能提升良好。bow算法需随场景变化不断更新词典库，且在实际工程使用时，往往伴随关键帧选择、图像增强、图像去噪等针对性操作。因此在本实验中，bow算法表现一般。
37.（2）使用失效卫星数据集进行回环检测实验。在失效卫星数据集制作方面，通过设置较为逼真的采集环境，以此模拟真实的空间光照环境。采用奥比中光 astra s相机，使用1:5的缩小卫星模型来模拟空间失效卫星。模型表面贴有热控多层反光材料，采用交叉亮度光源照射表面，以此展现复杂的太空光照环境。将卫星模型固定在高精度三轴转台上，以不同角速度绕竖直轴匀速运动，模拟失效卫星自旋运动状态。视觉相机捕捉的每张图像分辨率为 640
×
480，整理获得失效卫星图像数据集。该数据集中，卫星模型以5deg/s，8deg/s，10 deg/s，12 deg/s，20 deg/s的角速度匀速运动。
38.因失效卫星稳定自旋，回环数目即为失效卫星的旋转周数。各算法检测出的回环数目以及真实回环数目如图4所示。其中，hf-net算法检测出的回环数目高于真实数目。是因为失效卫星的左右两侧面高度相似。当失效卫星周期性自旋进入观测视场时，在不进行图像匹配校验的情况下，误检率较高。bow算法实验结果分析如下：（1）本数据集中失效卫星始终是图像主体，背景干扰少。同时，利用2000张失效卫星图片对bow词典库进行了预训练。针对性训练的词典库使得bow取得了较好的回环检测结果，但这一方法的数据成本较高。（2）数据集中存在因运动导致模糊及剧烈光照的情况，会导致特征提取失败，后续计算无法进行。因此使12deg/s时出现一次漏检。本文算法则能成功检测出所有回环，且无需预先训练。
39.如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。