星敏感器是最常用的姿態(tài)確定儀器之一，相對于太陽敏感器、磁強計、地平儀和陀螺儀等其他常見的姿態(tài)測量設備而言，星敏感器不僅姿態(tài)測量精度比較高，而且能夠?qū)崿F(xiàn)自主導航能力，抗干擾能力也比較強，目前是衛(wèi)星等航天器上最主要的姿態(tài)測量儀器，在導彈、飛機和艦船上也有應用。
星敏感器技術研究開始于20世紀50年代，截止到目前為止，已經(jīng)研制出很多不同類型的星敏感器產(chǎn)品并且被成功應用。美國、德國、法國、丹麥和意大利等國家的航空航天產(chǎn)品研發(fā)機構研制出諸多應用于不同環(huán)境的星敏感器產(chǎn)品，其中有部分產(chǎn)品的姿態(tài)定位精度已經(jīng)達到1″甚至更高。國內(nèi)星敏感器技術的研究開始于20世紀80年代后期，經(jīng)過多年的積累和發(fā)展，國內(nèi)許多科研院所和高校也研制出成功應用于航天和航空的星敏感器產(chǎn)品，但是相對于國外研制的星敏感器仍然有很大的差距。本文通過整理國內(nèi)外星敏感器發(fā)展歷程以及關鍵技術的研究現(xiàn)狀，分析星敏感器技術的發(fā)展趨勢，為國內(nèi)星敏感器研究人員提供一些可參考的思路。
星圖識別算法分為以下三類：（1）基于星座特征的星圖識別算法；（2）基于字符模式的星圖識別算法;（3）基于智能行為的星圖識別算法。
基于星座特征的星圖識別算法
是利用恒星之間相互位置關系組成特征進行識別的算法。最早是20世紀70年代Junkins提出的三角形算法，該算法比較直觀，也是目前工程中最經(jīng)常使用的星圖識別算法，算法的核心思想是用由觀測恒星構成的三角形特征與導航星座數(shù)據(jù)庫中的同構三角形匹配。Liebe、Quine和Douma設計了改進的三角形星圖模式識別算法。
Liebe根據(jù)視場大小和亮星的數(shù)量，選取所有能構成的三角形恒星進行識別；Quine首先選取視場內(nèi)最亮星作為主星，然后在主星周圍的圓形區(qū)域內(nèi)選取兩顆最亮的星同主星構成星三角；Douma同Liebe的方法類似，但他考慮了視場內(nèi)恒星形成三角形的概率，只選取概率最大的三角形。與單純使用星角距作為特征的星圖識別算法相比，三角形算法的優(yōu)點是具有更多的特征維數(shù)，減少誤匹配的概率，便于建立導航星庫索引方式，縮短導航星庫的搜索時間，提高星圖識別的速度。
三角形識別算法的缺點是在星三角形數(shù)量較多時，會出現(xiàn)冗余匹配或者誤匹配，降低識別成功率。Mortari提出了基于k-vector方法的Pyramid識別算法。k-vector方法可以快速初始定位，減少導航星表搜索次數(shù)，提高星圖識別速度。Pyramid算法以四面體為識別特征，選擇了4顆觀測星，以1顆星為頂點，其余3顆星為三角形來構成一個四面體，以k-vector方法為導航星庫搜索算法，可以實現(xiàn)在噪聲和偽星點比較多的情況下快速的識別出導航星。該算法的缺點是隨著星對信息表增加，導致擬合曲線精度降低，不能確保最佳匹配星對落在角距誤差范圍內(nèi)。張廣軍使用線型數(shù)據(jù)庫搜索的方式，對Liebe的算法進行了修正，提高了算法的速度。
基于字符模式的星圖識別算法
Padgett等人提出了網(wǎng)格算法。該算法將星坐標映射到一個稀疏矩陣上，給星圖識別提供了新的思路。網(wǎng)格算法具有存儲量很小、識別速度快、算法對星敏感器的測量誤差不敏感等優(yōu)點。但是當恒星位置誤差或者星等誤差比較大的情況下，網(wǎng)格算法的識別率會迅速的下降。孟娜提出了對網(wǎng)格算法的改進算法，提出“彈性灰度網(wǎng)格算法”，在識別過程中增加一個虛擬的彈性模板。
該算法顯著的提高了對于星等和噪聲誤差的容錯能力，提高識別率。Hyunjae Lee也提出了改進的柵格星圖識別算法，他采用圓形柵格代替原始算法的正方形柵格，不僅克服了原始柵格算法對參照星的依賴，而且使改進算法對圖像旋轉環(huán)境有很強的魯棒性，并且引入虛擬柵格，增大了選擇模式的空間，在星圖識別成功率上有很大提高。
李葆華等人提出了KMP星圖識別算法，是柵格算法的另一種表示形式，他將采集到的星圖經(jīng)過高通濾波后，直接生成0-1字符串形式匹配模式，再利用KMP字符串搜索算法進行星圖字符串識別。由于原始圖像字符串存儲容量過大，又提出了基于小波變換的改進KMP算法。
基于智能行為的星圖識別算法
是隨著人工智能技術的快速發(fā)展而產(chǎn)生的。Hong將神經(jīng)網(wǎng)絡引入星圖識別，提出了基于模糊神經(jīng)網(wǎng)絡的星圖識別方法。該算法基于三角形的三個角距特征，將挑選的導航三角形庫進行神經(jīng)網(wǎng)絡學習，利用學習后神經(jīng)網(wǎng)絡結構識別星圖。神經(jīng)網(wǎng)絡識別算法有識別率高、識別速度快的特點，缺點是學習速度慢、存在一定的誤識別概率。與傳統(tǒng)的算法比較，神經(jīng)網(wǎng)絡算法具有數(shù)據(jù)存儲量低、實時性和魯棒性好等優(yōu)點。
但是需要大量的樣本集進行訓練，識別的精度受到訓練集大小和訓練時間的影響，對硬件的要求也比較高。McClintock首次將遺傳算法引入星圖識別，對基于遺傳算法的星圖識別方法進行了初步研究，Paladugu深入研究了遺傳算法在星圖識別中的應用，提出了改進的基于遺傳算法的星圖識別方法。
選定一顆主星，對主星跟伴星間的星對角距和星與星之間的夾角進行編碼，定義兩組星圖對應的星角距誤差和夾角誤差和為適應度函數(shù)，將搜索分為粗定位和細定位兩個階段，在粗定位階段變異因子適當大些，在細定位變異因子調(diào)小些。全偉等人使用了自適應蟻群算法（AAC）來實現(xiàn)星圖識別。
對比分析3種類型的星圖識別算法，其優(yōu)缺點總結如表 4所示。類型1指基于星座特征的星圖識別算法，類型2指基于字符模式的星圖識別算法，類型3指基于智能行為的識別算法。目前在實際工程中，類型1是應用最多的算法，類型2和類型3的算法還沒有得到廣泛應用。