Line Extraction Method with Brightness-Weighted Partitions for Planetary Rover In-Orbit Calibration
-
摘要:
针对在轨标定时强光照条件造成直线提取效果较差的问题,提出了一种用于行星车在轨标定的亮度加权分区间直线提取方法。首先,对梯度幅值和梯度方向进行统计,获得梯度方向分布模型并根据高斯分布的标准差进行自适应区间划分;然后,以像素的亮度作为权重依据,确定各区间的梯度阈值并进行初始的边缘链提取;接着,根据梯度方向直方图确定各边缘链的种子点,通过动态跟踪完成直线的初步检测;最后,结合端点距离、重心一致性约束进行直线连接,利用亥姆赫兹准则完成直线验证。采用嫦娥三号的立体太阳能板导航影像开展了直线提取、匹配及直线约束下的在轨标定实验,并与经典的线段检测器(line segment detector,LSD)和边缘绘制线段检测(edge drawing lines,EDLines)方法进行了对比。结果表明,所提方法较LSD和EDLines方法正确直线提取分别最大提升了62.35%和43.21%,平均提升了37.96%和27.76%;采用直线约束开展立体视觉系统标定的精度提升了6.45%,较另外两种直线提取结果约束下的精度分别提升了4.38%和2.30%,表明所提的直线提取方法更优,可以辅助实现更高精度的行星车立体视觉系统的在轨标定。
Abstract:ObjectivesAiming at the problem that the straight line extraction effect is poor due to the strong illumination condition during the in-orbit calibration, so a brightness weighted inter-partition straight line extraction method for in-orbit calibration of planetary rover is proposed.
MethodsA line extraction method with brightness-weighted partitions for planetary rover in-orbit calibration is proposed. First, the gradient magnitude and direction are counted, the gradient direction distribution model is obtained, and the adaptive interval division is carried out according to the standard deviation of Gaussian distribution. Then, taking the brightness of pixels as the weight basis, the gradient threshold of each interval is determined and the initial edge chain is extracted. The seed points of each edge chain are determined according to the histogram of gradient direction, and the initial detection of straight lines are completed by dynamic tracking. Combining with the constraint of the final end point distance and the consistency of the center of gravity, the straight lines are connected, and the Helmholtz criterion is used to complete the straight lines verification. The solar panel navigation images of Chang'e-3 are used to carry out the experiments of line extraction, matching and in-orbit calibration under the constraint of lines compared with the classic line segment detector and edge drawing lines methods.
ResultsThrough several line extraction methods, the line extraction results of navigation images show that the correct straight line extraction of this method is improved by 62.35% and 43.21% at the maximum and 37.96% and 27.76% on average, and the accuracy of stereo vision system calibration with line constraint is improved by 6.45%, which is 4.38% and 2.30% higher than that with other two line extraction results.
ConclusionsThe line extraction method with brightness-weighted partitions can assist in the in-orbit calibration of planetary rover stereo vision system with higher accuracy.
-
低轨卫星在遥感、通信、导航等一系列科学研究和工程应用中发挥着不可或缺的作用。低轨卫星精密位置信息是完成上述任务的前提和基础。自GPS成功应用于TOPEX卫星精密定轨后[1-2],利用GPS进行低轨卫星定轨已广泛应用于重力场恢复和气候试验卫星(gravity recovery and climate experiment, GRACE)[3]、挑战性微型卫星载荷(challenging mini-satellite payload, CHAMP)[4-5]、海洋[6]、风云[7-8]等卫星。利用GPS精密轨道和钟差产品,低轨卫星浮点解定轨精度可达1~3 cm[9-10]。
固定载波相位模糊度[11-14]能够进一步提升定轨精度。为实现单接收机模糊度固定,国内外学者先后提出了小数周偏差法[15-16]、整数相位钟法[17]和解耦钟差法[18]。文献[19]利用美国喷气推进实验室(Jet Propulsion Laboratory, JPL)提供的相位偏差产品固定模糊度,实现Jason-2卫星径向定轨精度优于1 cm;文献[20]研究了固定模糊度的GRACE卫星运动学定轨,相对于浮点解,三轴精度提升19%~50%;文献[11]利用法国国家空间研究中心(Centre National d’Etudes Spatiales, CNES)发布的整数钟产品[21]对哨兵(Sentinel)-3A卫星模糊度进行固定,轨道重叠弧段和卫星激光测距(satellite laser ranging,SLR)检核精度均有明显提升;文献[14]实现了基于单接收机模糊度固定的GRACE后续星(GRACE follow‑on, GRACE-FO)简化动力学定轨,相对于浮点解,定轨精度提升18%;文献[22]利用CNES整数钟产品实现GRACE-FO卫星简化动力学和运动学定轨中模糊度参数的固定,相对于浮点解,固定解轨道重叠弧段精度提升20%。
上述研究多基于星载GPS观测数据,文献[7-8]研究了星载GPS/北斗卫星导航系统(BeiDou navigation satellite system, BDS)组合定轨,但尚未实现模糊度固定。Sentinel-6A卫星于2020年11月21日发射,旨在提供连续的海面测高数据,其轨道高度为1 336 km,轨道倾角为66°[23-24]。为满足精密定轨需求,Sentinel-6A卫星搭载了多普勒无线电定位定轨系统(Doppler orbitography and radio positioning integrated by sate‑llite, DORIS)、GPS/Galileo双模接收机和SLR反射棱镜[13]。星载GPS/Galileo数据为研究基于多模全球导航卫星系统(global navigation satellite system, GNSS)和单接收机模糊度固定的低轨卫星精密定轨提供了契机。文献[13]分别利用欧洲定轨中心(Center for Orbit Determination in Europe, CODE)和CNES产品开展多种模式的Sentinel-6A精密定轨,结果表明,固定模糊度后,单GPS与单Galileo简化动力学定轨结果与GPS/Galileo双系统组合定轨一致性优于1.0 cm;文献[25]利用星载GNSS数据开展基于广播星历的实时定轨研究,得益于Galileo较优的空间信号精度,Sentinel-6A三维实时定轨精度优于10 cm。
由于不依赖力学模型,运动学精密定轨信息可直接用于地球重力场反演,具有重要的科学意义和研究价值[20],同时运动学定轨算法简单、计算资源需求较小,适用于大规模星座自主运行管理。本文利用Sentinel-6A卫星实测数据开展精密定轨,在分析星载GPS、Galileo观测数据质量的基础上,分别利用CODE[26]、CNES[21]、德国地学研究中心[27](German Research Centre for Geosciences, GFZ)和中国武汉大学[28](Wuhan University, WHU)发布的观测值偏差(observation specific biases, OSB)及对应的轨道和钟差产品实现单接收机模糊度固定,研究多模GNSS以及模糊度固定对低轨卫星运动学定轨精度的影响。
1 星载GPS/Galileo模糊度固定
GNSS伪距和载波相位观测值可表示为[29]:
(1) 式中,
和 分别表示伪距和载波相位观测值; 和 分别表示星载接收机和卫星; 表示信号频率; 为接收机和卫星间的几何距离; 为光速, 和 分别为接收机和卫星钟误差; 为电离层延迟; 表示对流层延迟,对于低轨观测值,该项为零; 和 分别为接收机和卫星端伪距硬件偏差; 和 为载波相位硬件偏差,以周表示; 为频率 对应的载波波长; 为载波相位模糊度; 和 分别为伪距和载波观测值噪声。 构建无电离层组合观测值,以伪距为钟差基准,此时伪距硬件偏差被钟差吸收,式(1)可写为:
(2) 式中,
和 为无电离层组合伪距和载波相位观测值; 和 分别为吸收了伪距硬件偏差的接收机和卫星钟差; 为利用伪距和载波相位观测值定位定轨时解算得到的浮点解模糊度; 为无电离层组合模糊度; 和 分别为接收机和卫星端无电离层组合伪距硬件偏差; 和 为无电离层组合载波相位偏差。 无电离层组合模糊度
可分解为宽巷(wide-lane,WL)和窄巷(narrow-lane,NL)模糊度[29]: (3) 式中,
和 分别为载波 和 的频率; 和 分别为整数宽巷和窄巷模糊度; 和 分别为载波 和 的模糊度; 和 分别为接收机和卫星端伪距和载波硬件偏差的窄巷组合。整数宽巷模糊度 可利用Melbourne-Wübbena组合[30-31]解算: (4) 式中,
和 分别为接收机和卫星端宽巷硬件偏差; 为宽巷波长。分别对接收机和卫星端宽巷偏差进行改正,可实现宽巷模糊度固定。宽巷模糊度固定后,代入式(3)中可得: (5) 对接收机和卫星端窄巷偏差进行改正可以实现窄巷模糊度固定。实际处理时,卫星端宽巷和窄巷偏差可利用地面站网解算并向用户提供,用户端偏差可采用星间单差消除。固定星间单差宽巷和窄巷模糊度后,可根据式(6)恢复无电离层组合模糊度:
(6) 式中,
和 为导航卫星; 为单差无电离层组合模糊度; 和 分别为已固定的单差宽巷和窄巷模糊度; 为卫星端窄巷偏差的星间单差值。之后,利用恢复的单差无电离层组合模糊度作为虚拟观测值对非差模糊度进行约束,得到固定解轨道。 2 Sentinel-6A运动学定轨
2.1 数据源
Sentinel-6A卫星搭载了澳大利亚RUAG公司开发的PODRIX GPS/Galileo双模接收机[13],支持接收L1/E1、L2和L5/E5a信号,根据不同类型的GPS卫星输出不同的伪距观测值,具体观测数据类型及对应的接收机独立交换格式版本3(receiver independent exchange formation version 3, Rinex 3)标识见表1。由于缺乏Galileo E14和E18卫星的历书数据,接收机未跟踪该两颗卫星的信号[13]。
表 1 Sentinel-6A接收机输出的GPS和Galileo观测值类型Table 1. GPS and Galileo Observation Types Supported by Sentinel-6A ReceiverGNSS卫星 伪距 载波 GPS IIR C1C、C1W、C2W L1C、L2W GPS IIR-M、IIF、Ⅲ C1C、C2L L1C、L2L Galileo C1C、C5Q L1C、L5Q 利用2021年年积日第175—250天的GPS C1W、C2W、L1C、L2W和Galileo C1C、C5Q、L1C、L5Q观测数据进行运动学定轨。利用CODE的OSB产品将GPS IIR-M、IIF、Ⅲ卫星的C1C、C2L、L2L数据转换成C1W、C2W、L2W观测值。Sentinel-6A星载GNSS天线参考点、相位中心偏差(phase center offset, PCO)、卫星质心和SLR反射器在星固系下的坐标如表2所示[32]。
表 2 星载GNSS天线PCO、卫星质心和SLR反射器在星固系下的坐标/mmTable 2. Positions of Onboard GNSS Antenna, SLR Retroreflector and Center of Mass in Satellite Reference Frame/mm设备名称 X Y Z GNSS天线参考点 +2 474.8 +0.1 -1 080.3 GNSS天线GPS PCO 0 0 +75.0 GNSS天线Galileo PCO 0 0 +93.0 SLR 反射棱镜 +1 624.8 -400.6 +664.8 卫星质心 +1 533.0 -7.0 +37.0 伪距观测质量将影响定轨精度和模糊度固定效果[33]。利用Anubis软件[34]对GPS和Galileo
观测值伪距多径进行分析,结果如图1所示。可以看出,GPS C1W和C2W伪距多径均值分别为12.7和15.3 cm,Galileo C1C和C5Q伪距多径均值分别为7.4和3.9 cm,主要是由于Galileo E1和E5信号采用二进制偏置载波调制,相对于GPS采用的二进制相移键控调制,具有更强的抗干扰和多路径抑制能力[35]。Galileo较高伪距精度有利于后续模糊度的固定。
2.2 定轨策略
利用Sentinel-6A星载GPS/Galileo数据开展3种模式的运动学定轨,包括GPS单系统、Galileo单系统以及GPS/Galileo双系统组合定轨,其中每种定轨模式根据模糊度是否固定又分为浮点解和固定解。GPS和Galileo卫星轨道和钟差分别采用CODE[26]、CNES[21]、GFZ[27]以及WHU[28]分析中心发布的多模GNSS实验(multi-GNSS experiment, MGEX)产品,同时利用OSB产品对载波相位偏差进行改正,以实现模糊度的固定。定轨时首先基于无电离层组合观测值得到浮点解轨道,之后根据§1介绍的方法依次固定宽巷和窄巷模糊度并恢复无电离层组合模糊度,最终得到固定解轨道。Sentinel-6A卫星运动学定轨策略见表3。由于目前尚无机构提供Sentinel-6A精
表 3 Sentinel-6A卫星运动学定轨策略Table 3. Sentinel-6A Precise Orbit Determination Strategy Based on Kinematic Method模型 参数 说明 使用数据和产品 观测数据 非差无电离层组合 定轨弧长/h 24 采样间隔/s 10 截止高度角/(°) 3 GNSS轨道和钟差 CODE, CNES, GFZ, WHU MGEX产品 GNSS相位偏差 CODE, CNES, GFZ, WHU OSB产品 GNSS天线 igs14.atx 接收机天线 改正 相位缠绕 改正 相对论改正 IERS 2010 参数估计 卫星位置 随机游走,过程噪声5 m/s,每历元估计 接收机钟差 随机游走,过程噪声30 m/s,每历元估计 模糊度 常数,每跟踪弧段估计1个 密轨道产品,为评估不同模式运动学定轨精度,利用CODE产品开展GPS/Galileo组合简化动力学定轨并固定模糊度参数。
3 星载GPS/Galileo运动学定轨精度分析
3.1 可视卫星数和观测值残差
可视卫星数和位置精度衰减因子(position dilution of precision, PDOP)与运动学定轨精度密切相关,首先分析GPS/Galileo双系统组合对可视卫星数和PDOP值的影响。对75 d的观测数据进行统计,GPS平均可视卫星数为7.5颗,Galileo为6.4颗,主要是因为Galileo系统卫星数较少,且Sentinel-6A接收机未跟踪E14和E18卫星[13]。图2为运动学定轨中GPS单系统和GPS/Galileo组合系统的PDOP值分布,GPS单系统平均PDOP为2.2,Galileo单系统为2.5,双系统组合PDOP为1.5,显著提升了定轨的几何构型。
观测值残差能够反映所使用的模型和测量值之间的一致性。图3为使用CODE产品时GPS和Galileo运动学固定解定轨中伪距和载波相位残差均方根(root mean square,RMS)的全球分布图。图3(a)和图3(c)为伪距残差RMS,其中GPS为0.85 m,而Galileo为0.35 m,明显优于GPS,与图1中伪距多径分析结果一致。图3(b)和图3(d)为载波残差RMS值,GPS为5.5 mm,Galileo为4.8 mm,较小的观测值残差显示出Galileo较优的信号性能。
3.2 模糊度固定率
模糊度固定率为定轨弧段内固定为整数的模糊度数量与总的模糊度个数的比值,可以反映算法模型和定轨结果的正确性及精度。利用取整法[36]对浮点模糊度进行固定,宽巷、窄巷模糊度固定阈值均为0.2周。图4(a)、4(b)分别给出了使用CODE产品Sentinel-6A卫星宽巷和窄巷模糊度的固定率。红色、绿色和蓝色点分别表示GPS单系统(G_kin)、Galileo单系统(E_kin)和GPS/Galileo双系统组合(GE_kin)运动学定轨模糊度固定结果。GPS和Galileo宽巷模糊度固定率分别为99.6%和99.9%,双系统组合固定率为99.7%;GPS和Galileo窄巷固定率分别为93.5%和95.2%,双系统组合可进一步提升窄巷固定率至96.7%,原因在于双系统组合提升了运动学定轨精度以及浮点模糊度的估计精度。图4中同时给出了GPS/Galileo双系统组合动力学参考轨道(GE_dyn)的模糊度固定结果,以粉色点表示,宽巷和窄巷模糊度固定率分别为99.8%和97.9%。
图5(a)和图5(b)为使用各分析中心产品时GPS单系统运动学定轨中宽巷和窄巷模糊度固定率,红色、绿色、蓝色和粉色点分别对应CODE、CNES、GFZ和WHU分析中心产品结果,
GFZ从2021年年积日第190天开始提供OSB产品。各分析中心GPS宽巷模糊度固定率均优于98%(CODE产品为99.6%,GFZ为99.5%,CNES为99.6,WHU为98.5%),窄巷固定率优于92%(CODE产品为93.5%,GFZ为94.0%,CNES为93.0%,WHU为92.2%),体现出较好的产品性能。WHU产品宽巷固定率相较于其他分析中心低1%左右。图6(a)为Galileo单系统的宽巷模糊度固定率,其中基于CODE和CNES产品的固定率为99.9%,GFZ产品为99.7%。基于WHU产品的Galileo宽巷模糊度固定率偏低,为94%,并最终影响了窄巷模糊度的固定。图6(b)为Galileo窄巷模糊度固定率,CODE和CNES为95.3%,GFZ为95.2%,WHU为89.5%,由于宽巷模糊度固定直接采用Melbourne-Wübbena组合观测值,尚未涉及GNSS卫星轨道和钟差,因此原因可能是伪距OSB精度影响了WHU产品宽巷模糊度的固定。
为进一步验证WHU精密轨道、钟差以及窄巷模糊度固定性能,图7分别给出了使用CODE和WHU产品时Galileo的模糊度总数(图7(a))、固定的宽巷模糊度数(图7(b))以及固定的窄巷与宽巷模糊度个数的比值(图7(c))。可以看出,使用CODE和WHU产品时Galileo模糊度总数基本一致,使用WHU产品固定的宽巷模糊度明
显少于CODE产品,固定的窄巷与宽巷模糊度个数的比值为95%,说明WHU产品模糊度固定性能主要受伪距OSB影响,窄巷模糊度固定性能与CODE无明显差异。
3.3 与动力学定轨结果对比
以GPS/Galileo双系统组合动力学固定解轨道为参考,对不同模式的运动学定轨结果进行评估。图8为2021年年积日第175天使用CODE产品运动学浮点解轨道与参考轨道在切向、法向和径向的差异,其中红色、蓝色和绿色点分别表示GPS单系统(G)、Galileo单系统(E)和GPS/Galileo组合(GE)定轨结果。可以看出,相对于单系统,双系统浮点解定轨精度提升较为明显,Galileo单系统在14时和20时处可视卫星数只有4颗,导致定轨差异较大,双系统组合增加了可视卫星数,定轨结果较为平稳。
图9为2021年年积日第175—250天运动学浮点解轨道与参考轨道在切向(图9(a))、法向(图9(b))和径向(图9(c))的差异,三轴差异统计值在表4中列出。与参考轨道相比,运动学浮点解定轨结果系统性偏差较小,为1~4 mm,表明动力学定轨中的力学参数较好地描述了卫星的受力情况。GPS单系统(G)浮点解轨道三维精度为38.4 mm,Galileo单系统(E)为57.1 mm,双系统组合(GE)明显提升了浮点解定轨精度,三维精度优于30 mm,相对于GPS提升超过20%。在分析时段内双系统浮点解轨道未出现明显离散点,提升了运动学定轨的可用性。
表 4 使用CODE产品时运动学定轨结果与参考轨道差异统计值/mmTable 4. Statistics of Orbit Differences Between Kinematic Orbits and Reference Orbits Using CODE Product/mm定轨模式 切向 法向 径向 三维 GPS浮点解 -3.1±22.5 -0.1±18.9 -1.1±24.5 38.4 Galileo浮点解 -2.7±30.5 -3.7±31.5 3.1±36.2 57.1 GPS/Galileo浮点解 -2.9±16.2 -2.2±15.1 1.5±17.7 28.6 GPS固定解 0.4±9.5 -1.0±10.4 -1.5±20.3 24.8 Galileo固定解 -0.8±9.2 -0.7±12.0 1.7±23.8 28.3 GPS/Galileo固定解 -0.3±6.0 -0.9±7.8 1.2±13.1 16.5 为分析模糊度固定对运动学定轨精度的影响,图10给出了使用CODE产品时运动学固定解轨道与参考轨道的差异,三轴差异统计值也在表4中列出。与图9相比,固定模糊度后,定轨精度明显提升,浮点解轨道法向上的波动得到显著消除,同时与参考轨道切向和法向的系统性偏差在1 mm之内,径向小于2 mm。GPS(G)和Galileo(E)单系统固定解轨道三维精度分别为24.8和28.3 mm,相对于浮点解结果分别提升了35%和50%。双系统组合(GE)进一步提升定轨精度至16.5 mm,相对于GPS单系统提升超30%。
分别利用各分析中心产品进行Sentinel-6A卫星运动学定轨并固定模糊度,包括GPS单系
统、Galileo单系统以及GPS/Galileo双系统组合模式。图11为各分析中心不同模式运动学固定解轨道与参考轨道的三维差异。GPS/Galileo双系统组合明显提升了定轨精度,与参考轨道的三维差异优于20 mm,相对于GPS单系统平均提升30%。Galileo单系统定轨精度偏低,主要原因是Galileo可用卫星较少,导致DOP值偏大,基于WHU产品的Galileo固定解轨道由于模糊度固定率较低,导致与参考轨道差异较大。
3.4 SLR检核
Sentinel-6A卫星搭载了SLR反射器,SLR测距值可作为独立手段对卫星定轨结果进行评估。Sentinel-6A卫星激光反射棱镜阵列由一个中心棱镜和其周围的8个棱镜组成,对于波长532 nm的激光可产生约49 mm的系统性误差[13],文中计算SLR残差时对该系统性偏差进行改正。选取11个质量较好的SLR测站(Arequipa、Beijing、 Graz、Greenbelt、Haleakala、Hartebeesthoek、Herstmonceux、Mount Stromlo、Papeete、Wettzell、Yarragadee)对运动学定轨结果进行评估。
图12为使用CODE产品时GPS单系统(G_kin)、Galileo单系统(E_kin)以及GPS/Galileo双系统组合运动学(GE_kin)浮点解轨道的SLR残差。GPS和Galileo单系统浮点解轨道SLR残差的RMS分别为19和23 mm,双系统组合则优于15 mm,相对于GPS单系统提升了20%。图13为使用各分析中心产品时Sentinel-6A运动学固定解轨道SLR残差的RMS。与浮点解结果相比,固定模糊度可明显提升定轨精度。GPS单系统RMS为13~15 mm,GPS/Galileo双系统组合RMS为12~14 mm,相对单系统提升超10%。与前述分析一致,使用WHU产品的Galileo单系统定轨精度稍差,除此之外,各分析中心结果之间的差异小于1.5 mm。
4 结 语
Sentinel-6A卫星搭载的GPS/Galileo双模接收机为研究基于多模GNSS的低轨卫星精密定轨提供了数据支撑,使用2021年年积日第175—250天在轨实测数据,开展GPS单系统、Galileo单系统以及GPS/Galileo组合运动学定轨。同时,利用CODE、CNES、GFZ和WHU发布的GNSS精密轨道、钟差和OSB产品,实现单接收机模糊度固定。以动力学固定解轨道为参考,GPS/Galileo双系统组合运动学浮点解和固定解轨道三维精度分别优于30 和20 mm,相对于GPS单系统结果分别提升了20%和30%。基于CODE、CNES和GFZ分析中心产品的GPS模糊度固定率优于93%,Galileo优于95%,利用WHU产品的模糊度固定率则相对较低,具体原因需进一步分析。GPS单系统运动学固定解轨道SLR残差RMS为13~15 mm,双系统组合结果为12~14 mm,提升超过10%。相对于GPS单系统,GPS/Galileo组合能够显著提升低轨卫星运动学定轨的精度和可用性,对大规模低轨星座自主定轨和载荷研制具有借鉴意义。
http://ch.whu.edu.cn/cn/article/doi/10.13203/j.whugis20220475 -
表 1 本文方法与自适应Canny及ED drawing方法MSE计算结果
Table 1 MSE Calculation Results of the Proposed Method and Adaptive Canny and ED drawing Methods
图像 MSE/dB 降低比率1/% 降低比率2/% Canny ED drawing 本文方法 Z-L6 0.999 0.844 0.784 21.55 7.13 Z-R6 0.893 0.760 0.702 21.43 7.65 X-L2 0.972 0.813 0.751 22.71 7.58 X-R2 0.862 0.714 0.658 23.63 7.83 C-L3 0.722 0.601 0.548 24.14 8.90 C-R3 0.578 0.52 0.48 16.30 7.10 D-L4 0.688 0.630 0.589 14.48 6.56 D-R4 0.753 0.696 0.649 13.74 6.67 表 2 本文方法与自适应Canny及ED drawing方法PSNR计算结果
Table 2 PSNR Calculation Results of the Proposed Method and Adaptive Canny and ED drawing Methods
图像 PSNR/dB 提升比率1/% 提升比率2/% Canny ED drawing 本文方法 Z-L6 48.136 48.869 49.190 0.66 2.19 Z-R6 48.623 49.324 49.670 2.15 0.70 X-L2 48.254 49.030 49.372 2.32 0.70 X-R2 48.775 49.592 49.946 2.34 0.71 C-L3 49.544 50.339 50.744 2.36 0.80 C-R3 50.509 50.961 51.281 1.51 0.62 D-L4 49.753 50.138 50.432 1.37 0.59 D-R4 49.364 49.706 50.006 1.30 0.60 表 3 不同直线分布下相机标定中误差
Table 3 Mean Square Error of Camera Calibration Under Different Linear Distributions
标定方法 中误差 /像素 Z-L6R6 X-L2R2 C-L3R3 D-L4R4 BA 1.635 1.641 1.648 1.766 BA+LSD分布 1.620 1.635 1.604 1.683 BA+EDLines分布 1.586 1.611 1.562 1.644 BA+本文方法分布 1.552 1.560 1.541 1.602 表 4 不同标定模型下月球车视觉定位与实验场坐标真值偏差统计
Table 4 Statistics of True Value Deviation of Lunar Rover Visual Positioning and Experimental Field Coordinates Under Different Calibration Models
标定方法 相对误差均值/% 摄站A 摄站B 摄站C 摄站D BA 122.69 215.8 255.4 314.6 3.61 BA+LSD 118.90 207.5 253.7 304.8 3.51 BA+EDLines 111.52 197.4 241.0 283.7 3.31 灭点法 129.24 213.9 251.9 299.5 3.60 BA+本文方法 104.17 189.0 229.1 270.6 3.14 -
[1] 任天鹏, 路伟涛, 孔静, 等. “嫦娥五号” 深空干涉测量性能分析[J]. 深空探测学报(中英文), 2021, 8(6): 572-581. REN Tianpeng, LU Weitao, KONG Jing, et al. Perfermance Analysis of Deep-Space Interferometry in Chang’E-5 Mission[J]. Journal of Deep Space Exploration, 2021, 8(6): 572-581.
[2] 吴伟仁, 周建亮, 王保丰, 等. 嫦娥三号“玉兔号” 巡视器遥操作中的关键技术[J]. 中国科学: 信息科学, 2014, 44(4): 425-440. WU Weiren, ZHOU Jianliang, WANG Baofeng, et al. Key Technologies in the Teleoperation of Chang’E-3 “Jade Rabbit” Rover[J]. Scientia Sinica (Informationis), 2014, 44(4): 425-440.
[3] ILLINGWORTH J, KITTLER J. A Survey of the Hough Transform[J]. Computer Vision, Graphics, and Image Processing, 1988, 44(1): 87-116.
[4] FREEMAN H. Boundary Encoding and Processing[J]. Picture Processing & Psychopictorics, 1970(1): 241-263.
[5] 王琦, 宋伟东, 王竞雪. 基于Hough变换的直线提取方法及改进[J]. 测绘与空间地理信息, 2019, 42(6): 214-217. WANG Qi, SONG Weidong, WANG Jingxue. The Line Extraction Method and Improvement Based on Hough Transform[J]. Geomatics & Spatial Information Technology,2019,42(6):214-217.
[6] IQBAL B, IQBAL W, KHAN N, et al. Canny Edge Detection and Hough Transform for High Resolution Video Streams Using Hadoop and Spark[J]. Cluster Computing, 2020, 23(1): 397-408.
[7] JI J H, CHEN G D, SUN L N. A Novel Hough Transform Method for Line Detection by Enhancing Accumulator Array[J]. Pattern Recognition Letters, 2011, 32(11): 1503-1510.
[8] 戴激光, 张力, 李晋威, 等. 一种链码跟踪与相位验证相结合的直线提取方法[J]. 测绘学报, 2017, 46(2): 218-227. DAI Jiguang, ZHANG Li, LI Jinwei, et al. A Line Extraction Method for Chain Code Tracking with Phase Verification[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(2): 218-227.
[9] 魏小峰, 苗双喜, 濮国梁, 等. 应用于六边形网格的链码方法[J]. 武汉大学学报(信息科学版), 2019, 44(11): 1700-1707. WEI Xiaofeng, MIAO Shuangxi, PU Guoliang, et al. Chain Code Methods for Hexagonal Grids[J]. Geomatics and Information Science of Wuhan University, 2019, 44(11): 1700-1707.
[10] AKINLAR C, TOPAL C. EDLines: A Real-Time Line Segment Detector with a False Detection Control[J]. Pattern Recognition Letters, 2011, 32(13): 1633-1642.
[11] GROMPONE VON GIOI R, JAKUBOWICZ J, MOREL J M, et al. LSD: A Line Segment Detector[J]. Image Processing on Line, 2012, 2: 35-55.
[12] 曹义亲, 何恬, 刘龙标. 基于改进LSD直线检测算法的钢轨表面边界提取[J]. 华东交通大学学报, 2021, 38(3): 95-101. CAO Yiqin, HE Tian, LIU Longbiao. Rail Surface Boundary Extraction Based on Improved LSD Line Detection Algorithm[J]. Journal of East China Jiaotong University, 2021, 38(3): 95-101.
[13] 窦利军, 王涛, 张艳, 等. SAR影像的城市街区边缘直线特征提取算法研究[J]. 测绘科学技术学报, 2019, 36(6): 599-603. DOU Lijun, WANG Tao, ZHANG Yan, et al. Research on the SAR Image Edge Line Features Extraction Algorithm for Urban Blocks[J].Journal of Geomatics Science and Technology, 2019, 36(6): 599-603.
[14] YAMMINE G,WIGE E, SIMMET F, et al.Novel Similarity-Invariant Line Descriptor and Matching Algorithm for Global Motion Estimation[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2014, 24(8): 1323-1335.
[15] LIU Y, XIE Z W, LIU H. LB-LSD: A Length-Based Line Segment Detector for Real-Time Applications[J]. Pattern Recognition Letters, 2019, 128: 247-254.
[16] LEE J T, KIM H U, LEE C, et al. Semantic Line Detection and Its Applications[C]// IEEE International Conference on Computer Vision,Venice, Italy, 2017.
[17] ZHANG Z H, LI Z X, BI N, et al. PPGNet: Learning Point-Pair Graph for Line Segment Detection[C]// IEEE/CVF Conference on Computer Vision and Pattern Recognition, Long Beach,CA, USA,2019.
[18] LIU Y, CHENG M M, HU X W, et al. Richer Convolutional Features for Edge Detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2019, 41(8): 1939-1946.
[19] LIN Y C, PINTEA S L, VAN GEMERT J C. Deep Hough-Transform Line Priors[M]//Lecture Notes in Computer Science. Cham: Springer International Publishing, 2020: 323-340.
[20] ZHANG S, JIA Y, PENG S, et al. Self-calibration of the Stereo Vision System of the Chang’E-4 Lunar Rover Based on the Points and Lines Combined Adjustment[J].Photogrammetric Engineering & Remote Sensing, 2020, 86(3): 169-176.
[21] LIU X M, XIE N M. Grey-Based Approach for Estimating Software Reliability Under Nonhomogeneous Poisson Process[J]. Journal of Systems Engineering and Electronics, 2022, 33(2): 360-369.
[22] 邢承滨, 邓兴升, 李易馨. 基于置信区间估计理论的PTD算法种子点最优选择方法[J]. 测绘工程, 2020, 29(5): 27-32. XING Chengbin, DENG Xingsheng, LI Yixin. Seed Point Optimal Selection Method of PTD Algorithm Based on Confidence Interval Estimation Theory[J]. Engineering of Surveying and Mapping, 2020, 29(5): 27-32.
[23] 杨军, 周菊玲. 还原数学细节: 高斯推导正态分布概率密度函数的过程[J]. 统计与信息论坛, 2019, 34(6): 17-21. YANG Jun, ZHOU Juling. Restore of Mathematical Detail: The Process of Gauss Deriving the Probability Density Function of Normal Distribution[J]. Statistics & Information Forum,2019,34(6): 17-21.
[24] 张瑞峰, 李锵. 亥姆霍兹定理重要性分析[J]. 电气电子教学学报, 2019, 41(1): 61-64. ZHANG Ruifeng, LI Qiang. The Analysis on the Importance of Helmholtz Theorem[J].Journal of Electrical & Electronic Education,2019,41(1): 61-64.
[25] 张军, 刘百祥, 吴燕清, 等. 基于最小二乘多项式分段拟合的全区时间域电磁视电阻率直接计算[J]. 煤炭学报, 2019, 44(S1): 214-219. ZHANG Jun, LIU Baixiang, WU Yanqing, et al. Direct Calculation of Electromagnetic Apparent Resistivity in Whole Time Domain Based on Piecewise Fitting of Least Squares Polynomials[J]. Journal of China Coal Society, 2019, 44(S1): 214-219.
[26] ZHANG S, LIU S C, MA Y Q, et al. Self Calibration of the Stereo Vision System of the Chang’E-3 Lunar Rover Based on the Bundle Block Adjustment[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 128: 287-297.
[27] CANNY J. A Computational Approach to Edge Detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1986,PAMI-8(6):679-698.
[28] TOPAL C, AKINLAR C. Edge Drawing: A Combined Real-Time Edge and Segment Detector[J]. Journal of Visual Communication and Image Representation, 2012, 23(6): 862-872.
[29] 吴瀚霖, 李宛谕, 张立保. 跨尺度耦合的连续比例因子图像超分辨率[J]. 中国图象图形学报, 2022, 27(5): 1604-1615. WU Hanlin, LI Wanyu, ZHANG Libao. Cross-Scale Coupling Network for Continuous-Scale Image Super-Resolution[J].Journal of Image and Graphics, 2022, 27(5): 1604-1615.
[30] 何腕营, 王竞雪. 基于直线间几何属性特征相似性约束的组直线匹配算法[J]. 地球信息科学学报, 2020, 22(9): 1766-1778. HE Wanying, WANG Jingxue. Pair-Wise Line Matching Algorithm Based on Feature Similarity Constraints of Geometric Attributes Between the Lines[J]. Journal of Geo-information Science, 2020, 22(9): 1766-1778.
[31] XU X C, LIU M Y, PENG S, et al. An In-Orbit Stereo Navigation Camera Self-calibration Method for Planetary Rovers with Multiple Constraints[J]. Remote Sensing, 2022, 14(2): 402.
[32] CAPRILE B, TORRE V. Using Vanishing Points for Camera Calibration[J]. International Journal of Computer Vision, 1990, 4(2): 127-139.