CN102052925A - 基于空间关系约束的适配区景象匹配方法 - Google Patents

Abstract

本发明涉及一种基于空间关系约束的适配区景象匹配方法，技术特征在于：以无人机定位导航为应用背景，将多区域空间关系约束引入到适配区，提出了一种基于空间关系约束的适配区景象匹配方法。本方法首先将传统的单区域分裂为多区域进行景象匹配，然后采用基于边缘测度的加权Hausdorff景象匹配方法，运用分布式并行景象匹配计算提高景象匹配的实时性，通过对多匹配区空间关系约束的计算以及最优配准点坐标的估计，最后解算出实时图中心在基准图上的精确定位。本发明方案与传统方法相比，不仅增强了景象匹配的鲁棒性，而且符合无人机实时景象匹配复杂性工作环境对景象匹配实时性要求，对于景象匹配工程实际应用具有非常重要的意义。

Description

基于空间关系约束的适配区景象匹配方法

技术领域

本发明涉及一种在强干扰复杂环境下，抗电子干扰能力强的景象匹配方法，是一项应用无人机景象匹配的分析方法。

背景技术

景象匹配导航系统可作为卫星导航失效时的一种有效替代方式，也可以辅助INS克服陀螺漂移带来的误差。无人机任务的复杂性对导航系统的准确性和可靠性提出了更高要求，促使导航系统向综合化和容错化方向发展。由于卫星导航信号功率很弱，极易受到电磁干扰和欺骗，接收机数据更新率较低。因此，在强干扰复杂环境下单独使用卫导航系统并不可靠，且难以满足瞬息万变的战场对导航系统实时测量与控制的要求。研究抗电子干扰能力强、不依赖气象条件、可昼夜工作、寂静(低截获概率)的景象匹配导航具有重要的理论意义和国防应用价值。

发明内容

本发明涉及一种无人机景象匹配方法。本方案以无人机定位导航为应用背景，将多区域空间关系约束引入到适配区，提出了一种基于空间关系约束的适配区景象匹配(SA-SRCSM)方法。本发明方案与传统方法相比，不仅增强了景象匹配的鲁棒性，而且符合无人机实时景象匹配复杂性工作环境对景象匹配实时性要求，对于景象匹配工程实际应用具有非常重要的意义。

本发明中基于基于空间关系约束的适配区景象匹配方法包括如下步骤：

第一步，对实时图进行预处理，为景象匹配作准备：

1、利用INS的位置信息截取基准图中相应数据，利用INS的姿态信息对实时图进行几何校正。

2、利用无人机平台高度计对实时图进行尺度校正，使得当前实时图在尺度、旋转方面与基准图相近，便于后期的景象匹配。

第二步，选择多区域空间关系的约束，采用分布式并行计算策略，进行多区域空间约束计算：

1、在景象匹配区域数目给定的情况下，选择所有的独立空间关系约束，以达到充分利用各个匹配区域的配准信息的目的；

2、由于各个匹配区相互独立、计算过程互不影响，可采用分布式并行计算策略，减少配准时间消耗，提高景象匹配的实时性；

3、通过确定的空间关系约束，由某一个顶点坐标计算构成已知三角形的其他两个顶点的坐标；

第三步，对最优配准点进行估计，并修正配准点坐标，输出精确定位信息：

1、针对各区域景象匹配结果，计算三角形空间关系约束的各个顶点坐标与其估计坐标在赋范空间的二范数，通过比较选择“空间距离”最近的配准点作为三角形空间关系约束的最终配准点；

2、在基准图上通过缩小搜索范围重匹配并利用历史配准信息对实时图中心坐标进行修正。

3、输出SRC-SRPSM框架对无人机当前位置的精确定位坐标。

附图说明

图1为SA-SRCSM框架流程图。

图2为多区域空间关系。

图3为多区域空间关系约束模型。

图4为直线型三角形SA-SRCSM框架原理图解。

图5为三角形SA-SRCSM框架原理图解。

具体实施方式

以下对本发明方法作进一步具体的描述。

如图1所示的SA-SRCSM框架流程图，各部分具体实施细节如下：

1、实时图预处理

1.1灰度校正

实测图不可避免会带有噪音，一般的方法都能抵抗一定范围内的噪音，但噪音污染超过一定限度，匹配的精度就不能得到保证。采用直方图均衡化来进行灰度校正，消除图像灰度值过于集中的问题，使得图像灰度的分布分散，景物间的界线鲜明、对比度增强。采用小波滤波工具将图像进行分解，滤除高频噪声，增强图像边缘特征。

1.2几何校正

假设摄像机固定安装在无人机下，光心与飞机质心重合，摄像机坐标系与体轴系重合(实际情况中，考虑光电平台姿态信息只需再进行一次旋转矩阵变换)；采用前投影模型对成像过程进行描述。若当前无人机的俯仰角为θ、偏航角

滚转角为ψ。

OXYZ为机体坐标轴系，简称体轴系。OX_gY_gZ_g为飞机铅垂地面坐标轴系。OX_dY_dZ_d为当地水平坐标系，其坐标轴方向与OX_gY_gZ_g坐标轴同向。铅垂地面固定坐标轴系与机体坐标轴系的坐标变换关系为

$\left[\begin{array}{c}X\\ Y\\ Z\end{array}\right]=R\left[\begin{array}{c}{X}_g\\ Y_g\\ Z_g\end{array}\right]---(1-1)$

$R=\left[\begin{array}{ccc}1& 0& 0\\ 0& \cos \mathrm{\φ}& \sin \mathrm{\φ}\\ 0& -\sin \mathrm{\φ}& \cos \mathrm{\φ}\end{array}\right]\left[\begin{array}{ccc}\mathrm{cos\θ}& 0& -\sin \mathrm{\θ}\\ 0& 1& 0\\ \sin \mathrm{\θ}& 0& \cos \mathrm{\θ}\end{array}\right]\left[\begin{array}{ccc}\cos \mathrm{\ψ}& \sin \mathrm{\ψ}& 0\\ -\sin \mathrm{\ψ}& \cos \mathrm{\ψ}& 0\\ 0& 0& 1\end{array}\right]---(1-2)$

$=\left[\begin{array}{ccc}\cos \mathrm{\θ}\cos \mathrm{\ψ}& \cos \mathrm{\θ}\sin \mathrm{\ψ}& -\sin \mathrm{\θ}\\ \sin \mathrm{\φ}\sin \mathrm{\θ}\cos \mathrm{\ψ}-\cos \mathrm{\φ}\sin \mathrm{\ψ}& \sin \mathrm{\φ}\sin \mathrm{\θ}\sin \mathrm{\ψ}+\cos \mathrm{\φ}\cos \mathrm{\ψ}& \sin \mathrm{\φ}\cos \mathrm{\θ}\\ \cos \mathrm{\φ}\sin \mathrm{\θ}\cos \mathrm{\ψ}+\sin \mathrm{\φ}\sin \mathrm{\ψ}& \cos \mathrm{\φ}\sin \mathrm{\θ}\sin \mathrm{\ψ}-\sin \mathrm{\φ}\cos \mathrm{\ψ}& \cos \mathrm{\φ}\cos \mathrm{\θ}\end{array}\right]$

根据透视成像模型，实际像平面坐标为：

$\left\{\begin{array}{c}x=f\frac{X}{Z}\\ y=f\frac{Y}{Z}\end{array}\right.---(1-3)$

式中f为相机焦距。矫正后像平面坐标为：

$\left\{\begin{array}{c}{x}_g=f\frac{X_g}{Z_g}\\ y_g=f\frac{Y_g}{Z_g}\end{array}\right.---(1-4)$

假设

$R^{-1}=\left[\begin{array}{ccc}{r}_{11}& r_{12}& r_{13}\\ r_{21}& r_{22}& r_{23}\\ r_{31}& r_{32}& r_{33}\end{array}\right]---(1-5)$

则实际像平面坐标到矫正后像平面坐标的坐标变换关系为：

$\left\{\begin{array}{c}{x}_g=f\frac{r_{11}x+r_{12}y+r_{13}f}{r_{13}x+r_{32}y+r_{33}f}\\ y_g=f\frac{r_{21}x+r_{22}y+r_{23}f}{r_{31}x+r_{32}y+r_{33}f}\end{array}\right.---(1-6)$

2、多区域空间关约束方法

2.1多区域空间关约束的选择

假设中心点坐标为P₀(x₀，y₀)，四邻域匹配点坐标逆时针顺序为P₁(x₁，y₁)，P₂(x₂，y₂)，P₃(x₃，y₃)，P₄(x₄，y₄)。多区域之间的空间关系如图2所示。由点P₀，P₁，P₂，P₃，P₄可组成直线、三角形、矩形等，其空间关系由相应的直线、三角形、矩形来描述。

实际匹配中由于存在配准误差，原本在一条直线上的三个配准点通常不在一条直线上而是构成了三角形，称为直线型三角形。由于矩形不如三角形稳定，对于SA-SRCSM框架多区域空间关系约束模型选择了三角形，图3显示了五个匹配区构成的所有三角形空间关系。

2.2多区域空间关系约束数目的选择

对于匹配区数目已经确定的情况，通过排列组合计算的三角形空间关系约束，由于这些三角形很多是共边的，称为“冗余空间关系约束”。对于只共用一个顶点的两个三角形构成的空间关系约束称为“独立空间关系约束”。对于三个匹配区将只有一组“独立空间关系约束”，而对于五个匹配区，将计算出五个配准点，最多只能构成两个独立三角形，即构成两组“独立空间关系约束”。随着空间关系约束数目的增加景象匹配的配准精度未必随之提高，配准精度的提高随着“独立空间关系约束”数目的增加有所提高，而几乎不受“冗余空间关系约束”数目增加的影响。

2.3多区域空间关系约束

选择了五个匹配区进行并行景象匹配，下文将对各匹配区之间的空间关系约束进行详细讨论。

(1)直线型三角形空间关系约束

直线型三角形空间关系约束一共两组：第一组由点P₁(x₁，y₁)，P₀(x₀，y₀)，P₃(x₃，y₃)构成，第二组由点P₂(x₂，y₂)，P₀(x₀，y₀)，P₄(x₄，y₄)构成。下面以第一组为例详述SA-SRCSM框架原理。

假设P₁，P₀，P₃为先验配准点，P′₁，P′₀，P′₃为并行景象匹配配准点。分别以P′₁，P′₀，P′₃为顶点按照先验配准点的空间关系约束，计算其余两个配准点的坐标。基于直线型三角形的SA-SRCSM框架原理图解如图4所示。

图4中，P′₁，P′₀，P′₃先验空间关系为

$P_0(x,y)=\frac{1}{2}[P_1(x,y)+P_3(x,y)]---(2-1)$

由于多匹配区的长和宽在景象匹配前已预先确定，故以P′₁点为参考的P′₁，P′₀，P′₃的先验空间关系计算表达式为

$g_{10}:\left\{\begin{array}{c}{x}_{P_0}=x_{P_1}+\mathrm{Width}/2\\ y_{P_0}=y_{P_1}+\mathrm{Height}/2\end{array}\right.---(2-2)$

$g_{13}:\left\{\begin{array}{c}{x}_{P_3}=x_{P_1}+\mathrm{Width}\\ y_{P_3}=y_{P_1}+\mathrm{Height}\end{array}\right.---(2-3)$

式中函数g表示构成先验空间关系约束的映射关系。

(2)三角形空间关系约束

假设P₀，P₁，P₂经过并行景象匹配后的配准点分别为P′₀，P′₁，P′₂，分别以P′₁，P′₀，P′₃为顶点按照先验配准点的空间关系约束，计算其余两个配准点的坐标。基于三角形的SA-SRCSM框架原理图解如图5中(a)与(b)所示。

图2-4中，假设以P′₁点为参考的P′₀，P′₁，P′₂先验空间关系计算表达式为

$g_{10}:\left\{\begin{array}{c}{x}_{P_0}=x_{P_1}+\mathrm{Width}/2\\ y_{P_0}=y_{P_1}+\mathrm{Height}/2\end{array}\right.---(2-4)$

$g_{12}:\left\{\begin{array}{c}{x}_{P_2}=x_{P_1}\\ y_{P_2}=y_{P_1}+\mathrm{Height}\end{array}\right.---(2-5)$

式中函数g表示构成先验空间关系约束的映射关系。

(3)最优配准点估计

假设并行景象匹配计算得到五个配准点在基准图上的坐标分别为P′₀(X′₀，Y′₀)，P′₁(X′₁，Y′₁)，P′₂(X′₂，Y′₂)，P′₃(X′₃，Y′₃)，P′₄(X′₄，Y′₄)，三角形空间关系约束参考模型为m_i(i＝1，...，k)。那么，对于构成第m_i组三角形空间关系约束的三个配准点P′_i(X′_i，Y′_i)，P′_j(X′_j，Y′_j)，P′_k(X′_k，Y′_k)分别以P′_i(X′_i，Y′_i)，P′_j(X′_j，Y′_j)，P′_k(X′_k，Y′_k)为顶点，重构第m_i组的先验三角形空间关系约束(详细图解如图2-3、图2-4所示)。假设新的配准点坐标为P″_i(X″_i，Y″_i)，P″_j(X″_j，Y″_j)，P″_k(X″_k，Y″_k)，则相应计算公式如下表述

$\left\{\begin{array}{c}{P}_j^{\′\′}(X_j^{\′\′},Y_j^{\′\′})=g_{\mathrm{ij}}\left(P_i^{\′}(X_i^{\′},Y_i^{\′})\right)\\ P_k^{\′\′}(X_k^{\′\′},Y_k^{\′\′})=g_{\mathrm{ik}}\left(P_i^{\′}(X_i^{\′},Y_i^{\′})\right)\end{array}\right.---(2-6)$

$\left\{\begin{array}{c}{P}_i^{\′\′}=(X_i^{\′\′},Y_i^{\′\′})=g_{\mathrm{ji}}\left(P_j^{\′}(X_j^{\′},Y_j^{\′})\right)\\ P_k^{\′\′}(X_k^{\′\′},Y_k^{\′\′})=g_{\mathrm{jk}}\left(P_j^{\′}(X_j^{\′},Y_j^{\′})\right)\end{array}\right.---(2-7)$

$\left\{\begin{array}{c}{P}_i^{\′\′}(X_i^{\′\′},Y_i^{\′\′})=g_{\mathrm{ki}}\left(P_k^{\′}(X_k^{\′},Y_k^{\′})\right)\\ P_j^{\′\′}(X_j^{\′\′},Y_j^{\′\′})=g_{\mathrm{kj}}\left(P_k^{\′}(X_k^{\′},Y_k^{\′})\right)\end{array}\right.---(2-8)$

式中函数g表示P′_i(X′_i，Y′_i)，P′_j(X′_j，Y′_j)，P′_k(X′_k，Y′_k)构成先验空间关系约束的映射关系。

针对第m_i组空间关系约束下的各区域景象匹配结果，根据(2-6)式，(2-7)式与(2-8)式计算出第m_i组空间关系约束计算各先验配准点的估计坐标。通过计算各个估计坐标与相应的景象匹配结果在赋范空间的二范数，以此作为第m_i组空间关系约束下的三个配准点误差d_ij，d_ik，d_jk，其计算公式分别表述如下：

$\left\{\begin{array}{c}{d}_{\mathrm{ij}}=\mathrm{Min}\left\{\right||P_i^{\′}-P_i^{\′\′}||,||P_j^{\′}-P_j^{\′\′}|\left|\right\}\\ d_{\mathrm{ik}}=\mathrm{Min}\left\{\right||P_i^{\′}-P_i^{\′\′}||,||P_k^{\′}-P_k^{\′\′}|\left|\right\}\\ d_{\mathrm{jk}}=\mathrm{Min}\left\{\right||P_j^{\′}-P_j^{\′\′}||,||P_k^{\′}-P_k^{\′\′}|\left|\right\}\end{array}\right.---(2-9)$

假设该组最终配准点估计误差为

则其计算公式如下表述

$d_{m_i}=\mathrm{Min}\{d_{\mathrm{ij}},d_{\mathrm{ik}},d_{\mathrm{jk}}\}---(2-10)$

将

作为第m_i组空间关系约束的最终配准点估计误差。假设该组的配准点估计误差在K组空间关系约束中符合全局最小，则由

反推P″_i(X″_i，Y″_i)，P″_j(X″_j，Y″_j)，P″_k(X″_k，Y″_k)点的坐标，进而计算出实时图的中心在基准图上的定位坐标

对于k组空间关系约束，其最终配准点估计误差集合为

由此计算实时图中心P₀(x₀，y₀)在基准图上的定位坐标

则计算公式如下：

(i＝1，2，...，k)  (2-11)

式中决策函数

可根据景象匹配实际工作环境适当选择。针对实时图与基准图差异未知的情况，选择了最小化决策函数，计算公式如(2-12)式所示：

(i＝1，2，...，k)  (2-12)

则

即为实时图中心坐标的最终估计结果。

Claims (1)

1.基于空间关系约束的适配区景象匹配方法，包括以下步骤：

A、实时图预处理与校正：先对实时图进行灰度校正，然后基于INS的位置信息在基准图中截取相应数据，利用INS的姿态信息对实时图进行几何校正，运用无人机平台高度计对实时图进行尺度校正，使得当前实时图在尺度、旋转方面与基准图相近，便于后期的景象匹配；

B、将单匹配区分裂成等面积的多区域：多区域空间关系约束分为两个层次：第一层为中心匹配区，第二层是四邻域匹配区，其空间位置分布于矩形的中心与四个顶点，这五个点作为配准点。实际匹配中由于存在配准误差，原本在一条直线上的三个配准点通常不在一条直线上而是构成了三角形，此处称为直线型三角形。由于矩形不如三角形稳定，此处选择了三角形，选择所有的独立空间关系约束，以达到充分利用各个匹配区域的配准信息的目的；

C、确定最终配准点：通过确定的空间关系约束，由某一个顶点坐标计算构成已知三角形的其他两个顶点的坐标，计算三角形空间关系约束的各个顶点坐标与其估计坐标在赋范空间的二范数，通过比较选择“空间距离”最近的配准点作为三角形空间关系约束的最终配准点；

D、对最优配准点进行估计，并修正配准点坐标，输出精确定位信息：

a.针对各区域景象匹配结果，计算三角形空间关系约束的各个顶点坐标与其估计坐标在赋范空间的二范数，通过比较选择“空间距离”最近的配准点作为三角形空间关系约束的最终配准点；

b.在基准图上通过缩小搜索范围重匹配并利用历史配准信息对实时图中心坐标进行修正；

c.输出当前位置的精确定位坐标。

Images