[整理版]基于不变特征描述符实现星点匹配

[整理版]基于不变特征描述符实现星点匹配 文章编号:gxjmgc2012-0503 基于不变特征描述符的星点匹配方法 *翟优 曾峦 熊伟 (装备学院 重点实验室，北京 101416) 摘要:为了能够在星图存在旋转角度情况下，自动快速的完成星图匹配，为星点识别、相机定向和星敏感器在轨校准奠定基 础，提出一种基于不变特征描述符的旋转不变匹配方法，将不变特征描述符应用于星点特征描述和匹配。首先对星图进行图 像分割，进行非极大值抑制， 检测 工程第三方检测合同工程防雷检测合同植筋拉拔检测方案传感器技术课后答案检测机构通用要求培训 星点;然后为计算星点分布尺度因子s，在半径为6s的圆形邻域内为每个星点计算主方向， 之后将20s×20s的邻域与主方向对准，在该邻域内为每个星点计算SURF描述符。最后基于透视投影模型的匹配策略，提纯 星点，计算匹配星图之间的变换矩阵。实验结果表明该方法能够鲁棒的提取星点，并在图像存在旋转、平移及部分视角变化 的情况下，完成星图匹配，仿真实验的匹配星点的误差均在1个像素以下，实拍星图实验的匹配星点的误差均在1.5个像素 以下。表明为每个星点建立描述符，进行匹配识别的思路是可行的。 关键词:星点检测; 星点匹配; SURF描述符;SIFT描述符 中图分类号: 文献标识码:A Star matching based on invariant feature descriptor *ZHAI You ZENG Luan XIONG Wei (Key Lab, Academy of Equipment, Beijing 101416, China) Abstract:In order to automatically fulfill stellar image matching between rotated images, a rotation invariant matching method based on invariant feature descriptor is proposed. Invariant feature descriptor is used to describe and match star features for the first time. First, stellar image is segmented, and then non-maxima suppression is carried out to extract star points in stellar image. Second, Star distribution scale factor s is calculated;a dominant orientation is calculated in a circle region with radius set to 6s and then 20s×20s local region is rotated to the dominant orientation. In the local region SURF descriptor is calculated for each star. Finally, an automatic matching strategy based on difference of dominant orientation is proposed. In this method, the threshold is calculated automatically and the transform matrix is given. The experiments results show that the proposed method can robust detect star features and achieve high precision stellar image matching between images with rotation, translation and perspective change. Simulating experiment results show that correspondent stars errors is below 1 pixels; real images matching results show that correspondent stars errors is below 1 pixels. According to the matches transform matrix is computed, and the average errors between the transformed image and the matching image are below 1 pixel. It indicates that it is feasible to apply SURF descriptor to star matching and recognition. Key words: star extraction; star matching; SURF;SIFT 传统的星图匹配方法主要分为两步:星点检测0引言 和星点匹配。星点检测方法的研究较多，主要通过星图是以恒星为观测目标所获得的星空图片。 图像处理(如图像分割、图像形态学操作)获得星相对于地球范围内的观测者而言，恒星可以看做是 点初始位置，然后亚像素定位星点位置，根据亚像无穷远的、具有一定光谱特性的点光源。恒星在 素定位方法的不同，主要分为空间曲面拟合法和质CCD像平面上表现为较暗背景上的点状光斑，光斑 [1]心法。空间曲面拟合法主要采用一定的模型作为星直径大小一般为3~5个像素。 点能量扩散函数，相比于质心法，精度高，计算量 大。如王海涌等人基于高斯规律建立了一个分段函 [2]数实现偏差精定位，提出的高斯质心定位方法;本文对星空背景图像的匹配进行了研究，将不质心法具有运算简介的优点，在某些情况下具有较变特征描述符应用于星点匹配。不变特征匹配方法高的精度，计算速度快。如刘太阳等人在分析了过具有很强的鲁棒性，对于一般的图像平面旋转、尺曝光星像存在及区域分布的基础上，提出的多步变度和光照变化具有一定不变性。很难想象将这种方 [3]权重复合的通用星点聚心法;孙瑾秋等人分析了法应用到星点匹配上所带来的好处。目前不变特征 [14]影响定位精度的主要因素，提出了一种基于能量累的匹配方法中典型方法:SIFT算法和SURF算法 [4][15]加的空间目标质心定位方法。李真真等人在亮背，已在目标识别、图像拼接、三维重建等领域获景下，提出了基于形态学运算的星点目标质心提取得了广泛应用。该类算法主要由特征检测器和特征[1]算法。这些方法精度都达到亚像素，有的甚至达描述符两部分构成。SIFT算法和SURF算法特征检到千分之一像素。星图匹配主要分为多边形角距匹测器所提取特征没有明确的几何意义，不适合星点 [5]配算法、多边形角度匹配算法和三角形匹配算法。特征提取(不能提取星点)，所提取的SIFT的特征如张磊等人提出的改进的三角形识别算法，提高了和SURF特征并不是星点，不能用于星点匹配。但 [6,7]三角形识别算法的识别成功率;王海涌等人设计是该类方法的特征描述符具有很好的平面旋转及一了一种以主星与邻星角距为识别特征的星图识别算定的尺度及光照不变性，能够很好的满足图像匹配 [8]法，对位置和噪声都有很好的鲁棒性。刘朝山等的要求。而目前星点检测方法发展很成熟，能够比人提出了一种适用于星光制导的凸多边形算法，合较容易的检测到星点，各种方法只是精度有所不同。 [9]因此理论上可以将星点作为特征点构建描述符，但理减少了匹配的星对角距数目。目前的星点匹配 方法主要利用几何信息实现星点匹配。是局部描述符不能直接应用于星图匹配，后面的实 验证明了这一点。因为星点特征的局部邻域为黑色 星空，图像灰度几乎不变，局部描述符是很难适应星图本质上也是一种图像，但是由于星图缺少 缺少纹理的图像匹配。 纹理，很难匹配，目前的研究还比较少。在作者所 知的范围内，目前仅文献[10]将SIFT特征应用于星本文对如何构建基于星点特征的描述符进行了云图像匹配，首先检测SIFT特征，然后构建SIFT研究，受现有星点匹配方法的启发，提出了一种大描述符进行匹配，所提取特征不具有明确几何意义。邻域星点描述符。与局部邻域不同，大邻域的边长文献[10]是从宏观上来对星图进行识别，适合于稠在几百个像素，而局部邻域边长为几十个像素。大密星云的匹配，而本文方法是从微观的角度进行匹邻域内不仅包含星点本身，还包含其他星点，所构配，适合稀疏星点的匹配。建的描述符是一种星点与其附近星点几何及灰度模 式的反映。本文主要工作如下:本文所指星图匹配指星点图像的匹配，与传统 的星图匹配概念稍有不同，本文首先检测星点，然 后为每个星点构建星点描述符，最后根据描述符进1. 提出了一种简单，但是比较有效的星点检测 方法，用于提取星点特征，构建星点描述符。因为行星点的匹配识别。下面所指星图匹配均指星点图 本文重点不是星点检测，星点检测只是为了验证本像匹配。基于图像的星图匹配研究具有一定意义， 通过为导航星建立描述符，与在轨实拍星图的星点文基于不变特征描述符的星点匹配方法，因此该方建立描述符进行匹配识别，只是现阶段受限于星载法并没有精确到亚像素; 计算机的存储和计算能力，这种方法还有待改善，2. 根据星点特征构建星点描述符，将不变特征与传统方法相比实时性差;通过星图匹配可以获得描述符应用于星点特征描述，以星点为中心在一定不同时刻星图之间的单应矩阵，该单应矩阵反映了尺度上构建SURF描述符。 不同时刻时相机的姿态差别，进而可以用于调整相3. 最后提出了一套鲁棒的自动匹配策略，用于机姿态，实现对指定空域的连续监视;通过星图匹提纯星点匹配对，计算匹配图像之间的变换矩阵。 配，完成星图高精度配准，为目标检测跟踪奠定基 础;此外通过对星敏感器获取星图的匹配，可以得 到星敏感器在不同视点处星空图像的之间基础矩1星点检测及星点描述符[11,12]阵，而基础矩阵是基于本质矩阵和Kruppa方程 [13]等摄像机自标定方法的基础。摄像机自标定方法 是解决星敏感器内外参数标定的一种可行方法。1.1星点检测 星点检测指采用图像处理的方法提取星点在图 像中的位置，本文方法 流程 快递问题件怎么处理流程河南自建厂房流程下载关于规范招聘需求审批流程制作流程表下载邮件下载流程设计 如下所示: 第一，对图像进行高斯平滑滤波，突出星点， 减弱噪声点的影响，高斯滤波 模板 个人简介word模板免费下载关于员工迟到处罚通告模板康奈尔office模板下载康奈尔 笔记本 模板 下载软件方案模板免费下载 的大小为3×3。 第二，对滤波后的星图进行图像分割，根据公 式(1)，当图像点(i,j)灰度低于T时，该点灰度取0 值，否则保持原有灰度不变，该阈值T设为50(图 像灰度)。图2检测结果 Fig. 2 Star point detection result fijfT(,),,, (1)fij(,),,1.2构建星点描述符 0,fT,,, SURF和SIFT特征描述符具有很好的旋转不变 第三，在分割后图像上进行星点检测，满足条性，但是这些局部描述符不能直接应用于星空背景 图像的描述匹配。局部描述符的邻域通常较小，一件的点为候选特征点，在候选特征点的fijT(,),般描述符在边长约为几十个像素的正方形邻域内计l×l的邻域内，进行非极大值抑制，如果算。例如SURF描述符的邻域为20s*20s的正方形 11邻域，s为SURF特征点的尺度因子，一般在1.6~6.4fijfij(,)max((,)),，则点(i,j)11iiijjj,,,，,,,，55,55之间取值，此时SURF描述符的邻域大小即为星点。因为一般星点图像的直径在3-5个像素，32*32~128*128，这样尺寸的邻域对于具有丰富纹理中l取为20，20*20模板可以完全覆盖大部分的文图像的匹配中已经很大，进一步增大邻域尺寸，描星点，该模板可以有效减少在一个星点图像处检测述符的匹配性能就会下降。但是对于星点匹配而言，到多个星点的情况，增强检测星点的独特性。该邻域不够大。由图3可知，小邻域只包含了星点 本身或者为数不多的其它星点，而星图通常具有上 按照上述方法对实拍星图1进行星点检测，图百，甚至上千的星点，这些星点从局部邻域来看，1所示为北斗七星的实拍星空背景图，检测结果如十分相似，很难有效的区分。星点A与星点B在小图2所示，检测出90%以上的图像星点，检测星点邻域十分相似，很难有效区分，但是从更大的邻域的数目由图像分割阈值T及检测模板边长l的决定，来看二者是不同的，大邻域能够包含较多的星点，减小阈值T和检测模板边长l可以有效增加检测到这些星点足以形成用于构建星点描述符所需的纹理星点的数目。但是当阈值T和检测模板边长l过低特征，因此星点描述符的邻域必须是大邻域。 时检测到的星点受噪声影响较大，独特性差。 图3 大邻域与小邻域的区别 Fig. 3 Difference of large region and local region 图1 实拍北斗七星图像 Fig. 1 Real image of Big dipper 本文在构建星点描述符时，适当增大特征点邻 域的边长，将SURF描述符用于星点描述。在这个 邻域内，不应仅仅包含星点本身，还应包含此星点 外的其它星点，大邻域描述符本质上是星点灰度分 布的位置方向直方图。 将图1所示星图旋转60?，然后与图1进行匹 配，不断增大尺度因子s(星点邻域为20s*20s)， 正确匹配的星点数目随尺度因子s变化的情况如图 4所示。可以看出当尺度因子为1时，只有一个正 确匹配对，并且正确匹配率很低，随着尺度因子的 增大，正确匹配对数和正确匹配率也不断上升;当 尺度因子为12时，正确匹配对数和正确匹配率达到 极大值。之后尺度因子再增大，正确匹配对数和正 确匹配率均逐渐减小。这说明适度增大描述符的邻 域可以增强描述符的独特性，但是不能无限增大，(b) 正确匹配率 过大邻域时描述符的独特性就会随之减弱。可以这(b) correct matching ratio 样理解，局部描述符之所以对纹理丰富的图像具有图4 尺度因子逐步变化时的匹配结果 较好的性能，是因为从局部来看，其具有丰富独特 的纹理特征。因为星图与纹理图像相比具有稀疏的Fig. 4 Matching results with different scale factor 特性，在纹理图像中合适的局部描述符的邻域必须 放大，才能够在星图中包含足够的用于匹配的独特本文星点描述符构建过程如下所示。 的信息。 一般而言，增大邻域会增加描述符的计算时间，1. 估计星点分布尺度因子s。该尺度因子与但是SURF采用积分图像的概念，极大的加快了描计算机视觉中尺度空间的概念不同，它反映了星点述符的构建时间，使得描述符的构建速度与描述符分布稀疏程度，反映了星点某个邻域内所包含其它的尺寸无关。SURF描述符与SIFT描述符相比性能星点的数目。本文用星点之间欧式距离来描述星点 [16]相近，但是由于采用了积分图像的概念，其计算分布尺度因子的大小。统计星点与星点之间的在图速度比SIFT快的多，并且描述符的维数(64维)像上的欧式距离直方图，取直方图下降到峰值80%为SIFT的一半。因此采用SURF描述符进行星点描处的欧式距离d，以s=3*d作为星点分布尺度因子。述，星点描述符的邻域虽然增大，但是其计算时间通常对于一般宽视场的星图，s在15-25之间取值。 并不会增加，SURF算法及积分图像的描述详见文 [13]。本文的构建大邻域星点描述符的思路同样献2. 确定星点主方向，与SURF描述符的方法适用于SIFT描述符，但是采用SIFT描述符时，计相同。在半径6s的邻域内计算主方向，在此圆形邻算速度会很慢。 域内，包含的星点数目约为几十颗。在这个大邻域 内的主方向，能够有效的反应该星点与其他星点的 分布，是一种方向性描述。 3. 构建星点描述符，这里采用SURF描述符 [15]，以星点为特征点，以星点主方向为参考方向， 将边长为20s的正方形特征区域旋转，与主方向对 准，将该区域划分成4×4的子区域，在每一个子区 域内的沿主方向的水平、垂直方向，计算Haar小波 响应，分别记做d和d，并进行高斯加权，减弱外xy 围噪声点的影响;然后将每个子区域的水平和垂直 方向的Haar小波响应及其绝对值累加，形成4维描 (a) 正确匹配对数 dxdydxdy,,,述向量，因此对每一，，,,,,(a) correct matches 特征点，则形成4×(4×4)=64维的描述向量，再进行 向量的归一化，从而增强对光照变化的鲁棒性。 在大邻域内，远离星点的图像点灰度值一般为 0，其haar小波响应的值也为0，而在星点附近的图采用本文匹配策略剔除误匹配，并计算匹配图像对像点其灰度和haar小波响应不为0，因此在大邻域之间的透视投影变换矩阵。因为星图相似性极强，内必须包含足够多的星点，才能够形成对星点的独很难通过人工判读检验匹配星对是否为正确对应星特描述。星点描述符以主方向为起点将大邻域内的点。将原图像星点根据计算得到的变换矩阵M进行其它星点灰度信息按其本身的位置、方向进行了分变换，比较变换后星点与旋转后图像的星点位置的配统计，包含了其他星点的位置和灰度信息。由星差别，以欧式距离作为度量，距离越小说明变换矩点描述符的构建过程可知，虽然该描述符并没有直 阵估计的精度越高。 接利用星点之间的几何分布特征(角度、距离等)， 但是这种几何分布特征可以由描述符来反映。 2星点匹配 当完成星点检测并构建星点描述符后，可以采 用特征匹配方法中常用的匹配策略剔除误匹配。本(a) M29 (b) M35 文采用文献[17]和文献[18]提出的鲁棒匹配策略剔 除错误匹配的星点。采用该方法主要是为了说明本 文为每个星点建立描述符的方法可以有效的描述星 点。 该方法首先采用最邻近匹配策略，剔除明显的误 匹配。为尽可能多的保留正确匹配对的对数，初始 匹配阈值为0.8，得到初始匹配集合。然后根据星点(c) M48 (d) M50 特征的主方向差的统计直方图进一步剔除误匹配星 实拍星空背景图片 图5 点。最后取匹配阈值最小的8个匹配对，采用直接Fig. 5 Real stellar images 线性变换法计算单应矩阵，用该矩阵对初始匹配集四幅图片及其旋转后的图片检测到的星点数目合中的所有特征变换到参考图像，如果特征点的变如表1所示，星点数目与图像本身的星点分布疏密换坐标与实际坐标之间的距离值小于kσ时，认为是程度有关，同时也与星点检测时的图像分割阈值及正确匹配对，将该点保留;否则，将该点剔除。得在进行非极大值抑制时的模板大小及阈值有关，表到正确的匹配对集合。 1的实验结果是在本文给定的条件下取得的。 3实验结果 表1 根据本文方法检测到的星点数目为了验证本文星点匹配方法的可行性，进行星 图匹配实验，分为仿真实验和实拍图像实验。Tab.1 Extracted star features by our method 3.1仿真实验 星点数目 原图 30? 60? 90? 180? [19]仿真实验中所选图片均为实拍星图，如图5M29 1183 1208 1207 1230 1209 所示。图(a)为天鹅座疏散星团(M29)，大小为M35 2633 2797 2790 2741 2709 576×864，图(b)为双子座的疏散星团(M35)，大小为M48 3180 3222 3257 3159 3170 600×800，图(c)为长蛇座的疏散星团(M48) ，大小M50 2921 2940 2973 2911 2902 为624×900，图(d)为麒麟座的疏散星团(M50) ，大图6所示为本文方法的部分匹配结果，详细实小为600×900。疏散星团指由数百颗甚至上千颗由验结果见表2。表2所示匹配对数为本文方法剔除较弱引力联系的恒星组成的天体。图(a)-(d)所示星误匹配后的结果，所选测试图片的星点匹配对数都图的星点致密程度逐渐增加，具有一定代表性。很高。 实验方法:通过对图5所示的实拍星图分别旋 转30?、60?、90?及180?后与原图进行匹配， 匹配数目 30? 60? 90? 180? M29 176 147 222 274 M35 255 245 417 458 M48 275 293 481 524 M50 238 247 457 499 表3所示为误差小于1.5/1个像素的匹配对数 (a) M29旋转30?后的星点匹配结果目。对比表2和表3的实验结果可知，94.88%以上 匹配对的误差小于1.5个像素，82.95%以上的匹配 (a) Matching results when M29 rotated 30?对的误差小于1个像素。这表明大邻域的SURF描 述符能够描述星点特征，用来进行星图的匹配识别。 表3 误差小于1.5/1个像素的对数 Tab.3 Matches with error less than 1.5/1 pixel 匹配数目 30? 60? 90? 180? M29 170/146 141/129 215/211 269/256 (b) M35旋转60?后的星点匹配结果 M35 242/220 242/226 405/385 456/426 M48 273/242 278/250 481/471 524/511 (b) Matching results when M35 rotated 60? M50 238/221 244/231 457/444 499/490 表4所示为将原图进行变换后与待匹配图像的 匹配星点之间的误差均值。所有匹配图像的误差均 值均小于1个像素，最大误差0.7741个像素，最小 误差0.0540个像素。误差均值在30?和60?时较 大，在90?和180?时较小。在30?~60?匹配对 数少和精度差是因为特征描述符主方向存在一定的 定位误差，该定位误差与30?-60?的旋转角度接(c) M48旋转90?后的星点匹配结果 近。此外本文星点提取算法没有精确到亚像素，剔 除该定位误差因素后，误差均值将进一步减少，可(c) Matching results when M48 rotated 90? 知本文的M矩阵估精度是很高的。 表4 本文方法误差 Tab.4 errors by our method error 30? 60? 90? 180? M29 0.5308 0.5794 0.2082 0.1836 M35 0.7741 0.5730 0.3296 0.1823 (d) M50旋转180?后星点匹配结果M48 0.5990 0.6137 0.0540 0.1142 M50 0.5244 0.5974 0.0780 0.0841 (d) Matching results when M50 rotated 180?Fig. 6 Part of stellar images matching results 图6 部分星图匹配结果 Fig.6 Simulated image matching results 由于误匹配的存在，使得误差最大值有的甚至 达到了1.5个像素以上，但是由前面分析可知， 表2 本文方法匹配实验结果 94.88%以上匹配对的误差小于1.5个像素，如果以 Tab.2 Matching Results by our method1.5个像素为判别阈值，则本文方法提取的正确匹配 星点对数在94%以上。 3.2实拍图像实验 实拍星图如图7所示，其中图(a)和图(b)为对应 星图，图(c)和图(d)为对应星图，两对匹配星图存在 一定的旋转及平移变化，为分别在两个不同的时刻 对不同空域进行拍摄的星空背景图像，图像大小为 2048×2048，曝光时间大于1秒。由于曝光时间长， 因此由星图可知，星点并不是斑状分布，而是长条 形分布，但是用本文星点检测方法同样可以进行星 点检测，只是精度有所降低。 图8 星图1的星点匹配结果 图8 Matching results of stellar image pair 1 (a) 星图1，时刻1 (b) 星图1，时刻2 (a) stellar image1，time 1 (b) stellar image1，time 2 图9 星图2的星点匹配结果 图9 Matching results of stellar image pair 2 实拍星图匹配星点误差较大主要是因为实拍星 图曝光时间长，引起星点不是呈光斑状分布，而是 长条形分布，导致星点检测精度较低，但是实拍星(c) 星图2，时刻1 (d) 星图2，时刻1图的误差均值仍小于1.5个像素，剔除该因素后可 知本文星点匹配的精度可以进一步提高。 (a) stellar image 2, time 1 (b) stellar image 2, time 2 以上结果说明，本文算法具有很强的鲁棒性， 图7 实拍星图 在测试星图在图像存在较大旋转的情况下，也能够 Fig.7 Real stellar images 提取足够多的匹配星点，同时由仿真实验和实拍图 像实验的匹配星点误差均值可知，本文匹配策略能实拍星图的匹配结果如图8和图9所示，其中 图8为星图1的匹配结果，最终匹配星点数目为85，够有效的剔除错误星点。 误差均值为1.4825;图(b)为星图2的匹配结果，最 终匹配星点数目为154，误差均值为1.4664。 4结论 本文提出了一种鲁棒的星点检测及旋转不变星 点匹配方法，获得了很好的效果。仿真实验和实拍 图片的实验结果表明该方法能够鲁棒的提取星点， 在仿真图像存在较大平面旋转的情况下，能够鲁棒的描述和匹配，提出了大邻域星点描述符的概念， 的完成星图匹配，94.88%以上的匹配星点的误差在解决了特征描述符很难应用于星空背景匹配的难 题，实现了旋转不变的星图匹配。为后续基于特征1.5个像素以下，由该方法提取的匹配星点估计的变 描述符的星点匹配识别算法研究提供了一套可行的换矩阵的精度在1个像素以下，在实拍星图存在一 定平移及旋转变化的情况下，匹配星点的误差均值思路。与文献[10]的方法相比，本文方法能够用于 仍小于1.5个像素。表明本文基于不变特征描述符稀疏星点的匹配识别，而文献[10]的方法是作为稠 的星点匹配方法能够有效的实现星点匹配。本文为密的星云匹配识别，二者是不同的。不足之处在于 星图匹配提供了一套完整的算法流程，该方法可以星点检测方法的精度不高，没有精度到亚像素，下 直接运用于恒星跟踪。创新点在于提出检测星点特一步研究中重点对星点亚像素定位方法进行研究。 征，将SURF和SIFT类特征描述符应用于星点特征 参考文献 [1] 李真真, 魏宏刚. 亮背景下形态学星点目标提取算法[J]. 光电工程, 2011, 38(12): 23-27. Li Zhenzhen, Wei Honggang. The algorithm of star extraction based on mathematical morphology in the bright-background[J]. 2011, 38(12): 23-27.(in Chinese) [2] 王海涌, 费峥红, 王新龙. 基于高斯分布的星像点精确模拟及质心计算[J]. 光学精密工程, 2009 ,17(7): 1672-1677. Wang Haiyong, Fei Zhenghong, Wang Xinlong. Precise simulation of star spots and centroid calculation based on Gaussian distribution[J]. Opt. Precision Eng., 2009, 17(7): 1672-1677. (in Chinese) [3] 刘太阳, 王仕成, 刘志国. 多步变权重复合的通用星点聚心[J]. 光学精密工程, 2011, 19(10) : 2494-2499. Liu Taiyang, Wang Shicheng, Liu Zhiguo. Universal star centroiding with stepping variant weighting integration. Opt. Precision Eng.,2011, 19(10): 2494-2499. (in Chinese) [4] 孙瑾秋, 周军等. 基于能量累加的空间目标星像质心定位[J]. 光学精密工程, 2011, 19(12): 3043-3048. Sun Jinqiu, Zhou Jun,etc. Centroid location for space targets based on energy acculmulation[J]. Opt. Precision Eng., 2011, 19(12): 3043-3048. (in Chinese) [5] 海峰, 袁家虎, 毛羽国. 快速星图匹配算法的研究[J]. 光电工程, 1998, 25(6): 70-74. Hai Feng, Yuan Jiahu, MaoYuguo. Research on rapid star map matching algorithm[J]. Opto-Electronic Engineering, 1998, 25(6): 70-74. (in Chinese) [6] 张磊, 魏忠慧等. 快速全天自主星图识别[J]. 光学精密工程, 2009,17(4): 909-915. Zhang Lei, Wei Zhonghui,etc. Fast all-sky autonomous star identification[J]. Opto-Electronic Engineering, 2009,17(4): 909-915. (in Chinese) [7] 张磊, 何昕等. 三角形星图识别算法的改进[J]. 光学精密工程, 2010, 18(2): 458-463. Zhang Lei, He Xin,etc. Modification of triangle identification algorithm[J]. Opto-Electronic Engineering, 2010, 18(2): 458-463. (in Chinese) [8] 王海涌, 费峥红, 张超. 改进的基于主星的星图识别算法[J]. 光学精密工程, 2009, 17(1): 220-224. Wang Haiyong, Fei Hong, Zhang Chao. An improved star pattern identification algorithm based on main star[J]. Opto-Electronic Engineering, 2009, 17(1): 220-224. (in Chinese) [9] 刘朝山, 马瑞萍等. 星图匹配制导中的关键技术[J]. 宇航学报, 2006, 27(1): 31-35. Liu Chaoshan, Mar Ruiping,etc. Star pattern matching for celestial guidance[J]. Journal of Astronautics, 2006, 27(1): 31-35. (in Chinese) [10] Javier Ruiz-del-Solar, Patricio Loncomilla, Pablo Zorzi. Applying SIFT Descriptors to Stellar Image Matching[C]. CIARP 2008, LNCS 5197, 2008: 618–625. [11] Liu Ran, Zhang Hua,etc. Stereo Cameras Self-calibration Based on SIFT[C].Proc of International Conference on Measuring Technology and Mechatronics Automation.2009: 352-355. [12] 江泽涛, 吴文欢. 基于本质矩阵的摄像机自标定方法[J]. 中国图象图形学报, 2010, 15(4):565-569. Jiang Zetao, Wu Wenhuan. An essential matrix-based camera self-calibration method[J]. Journal of image and graphics, 2010, 15(4):565-569. (in Chinese) [13] 雷成, 胡占义等. 一种基于新的基于Kruppa方程的摄像机自标定方法[J]. 计算机学报, 2003, 26(5): 587-597. Lei Cheng, Hu Zhanyi,etc. A Novel Camera Self-Calibration Technique Based on the Kruppa Equations[J]. Chinese journal of computers, 2003, 26(5): 587-597. (in Chinese) [14] D. G. Lowe. Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision, 2004:91-110. [15] Herbert Bay, Andreas Ess, Tinne Tuytelaars, and Luc Van Gool. Speeded up robust features. Computer Vision and Image Understanding (CVIU), 110(3):346–359, 2008. [16] Luo Juan and Oubong Gwun . A comparison of SIFT, PCA-SIFT, and SURF[J]. International Journal of Image Processing (IJIP), 2009, 3(4): 143-152. [17] Zhai, You, Zeng Luan. A SIFT matching algorithm based on adaptive contrast threshold[C]. Proceedings of 2011 International rence on Consumer Electronics, Communications and Networks, 2011: 1934Confe-1937. [18] 曾峦,翟优. 基于透视投影模型的SIFT匹配方法[C]. Proceedings of 2010 The 3rd International Conference on Computational Intelligence and Industrial Application(Volume 9), 2010:272-276. [19]