本课题来源于哈尔滨工业大学模式识别与智能系统研究中心承担的项目,课题涉及空间交会对接位姿测量问题。本文主要研究了交会对接近距离阶段的仿真样本生成以及单目视觉检测方法和安全性预报方法,在仿真样本上验证了方法的可行性并测试了性能表现。本文利用已有的目标器3D模型和控制系统随机生成的打靶数据来生成仿真样本。通过3D图像库编写代码生成软件仿真样本,通过3D打印的物理目标器模型和监视相机来生成3D打印模型仿真样本,通过物理目标器模型以及九自由度转台精确控制监视相机来生成半物理仿真样本。生成的大量仿真图像样本为深度神经网络的训练提供了可能。首先利用常用的特征法来完成视觉测量任务。从目标器成像中检测出n个显著特征的像素坐标,利用PnP问题的解法来计算相对位姿。针对特征检测提出了基于模板匹配的特征检测流程,通过检测一组模板的ORB特征以及待检测图像的ORB特征,选取匹配最好的一对点,求得单应矩阵,从而计算出待检测图像中n个特征点的坐标。然后结合了EPnP算法和LHM正交迭代过程,给出了新的PnP解法来解算位姿。本文还利用较快速的特征点跟踪算法来提高运算速度并应对特征检测失败的情况。经过观察和分析打靶数据的三维分布特点,用二维高斯模型来进行安全性评估。考虑到深度神经网络在计算机视觉领域的广泛应用,本文研究了基于深度神经网络的位姿估计和安全性预报方法。位姿估计神经网络在PoseNet网络结构的基础上进行了修改,并加入空间金字塔池化层,改进了损失函数;本文还使用了LSTM时序网络来根据前k帧位姿预测当前位姿;对于安全性评估,训练了一个简单的全连接网络,并将其与位姿估计网络结合得到从图像到安全性的端到端网络结构。为了更好的完成空间交会对接视觉检测和安全性预报任务,本文开发了交会对接过程监控与反演系统,调用上面提出的两类方法来进行位姿测量和安全性预报,并用OpenGL库将交会对接过程用3维动画反演出来,还加入了人工干预模块提高系统的可靠性。