CN102322864B

CN102322864B - 一种机载光学鲁棒景像匹配导航定位方法

Info

Publication number: CN102322864B
Application number: CN201110215505.6A
Authority: CN
Inventors: 赵龙; 段勇勇; 龙佳
Original assignee: Beihang University
Current assignee: Beihang University
Priority date: 2011-07-29
Filing date: 2011-07-29
Publication date: 2014-01-01
Anticipated expiration: 2031-07-29
Also published as: CN102322864A

Abstract

一种机载光学鲁棒景像匹配导航定位方法，具体实现步骤为：首先分析现有景像匹配算法对复杂飞行条件下的适应性；其次，建立复杂飞行条件下各种匹配算法与系统匹配可靠性间的关系模型；然后，根据关系模型建立景像匹配算法的使用条件和使用范围，并形成算法使用规则库和算法库；最后，根据图像的先验信息基于知识推理自适应选择算法或算法组合完成机载景像匹配定位，提高机载景像匹配系统的鲁棒性和可靠性。

Description

一种机载光学鲁棒景像匹配导航定位方法

技术领域

本发明涉及一种机载景像匹配导航定位方法，特别是一种机载光学鲁棒景像匹配导航定位方法，适用于机载景像匹配导航定位系统。

背景技术

景像匹配技术是利用飞行器装载图像传感器在飞行过程中采集的实时景像图与预先制备的基准景像图进行实时匹配计算而获得精确定位信息的技术。从海湾战争、科索沃战争和伊拉克战争中可以看出，欧美等先进国家将景像匹配技术应用在战术飞机和无人机上取得了巨大的经济和军事效益。目前，我国利用景像匹配技术实现飞机精确导航定位以及对地精确攻击的应用研究才刚刚起步，尚未系统地、深入地开展机载景像匹配关键技术问题研究，与国外先进水平差距很大，严重制约了我国机载景像匹配系统的发展与应用。在当前的严峻形式下，特别是在北斗卫星导航系统尚未建成(预计2020年建成)的情况下，我国应大力发展机载景像匹配导航技术，以提高我国军用飞机的导航定位精度和精确对地攻击精度。景像匹配技术在巡航弹等精确制导武器上应用时，其在低空以匀速直线运动穿过匹配区，航线以及匹配区的位置和大小都是预先确定的。然而在飞机上应用时，受飞机飞行高度、机动性以及飞行航线(除民航客机)等不确定因素的影响，飞机的运动不再是直线运动，因此导致景像匹配技术在飞机上应用时产生了诸多新问题。由于基准图像和实时图像拍摄的时间、季节以及天气条件不同等因素使得实时图像与基准图像存在差异，而且飞机的机动飞行、飞行高度变化以及环境因素的影响，导致实时图像间的差异较大，虽经自适应处理和校正，但和基准图像相比还存在差异，因此利用不同条件下获取的实时图像进行匹配定位，不同算法的匹配成功率是不一样的。在充分分析现有景像匹配算法适应性和相关性的基础上，研究在不同实时图像与基准图像条件下景像匹配算法的适应性，获得复杂飞行过程和飞行环境与匹配算法可靠性间的关系，在此基础上提出适应性强的鲁棒景像匹配算法。

发明内容

本发明要解决的技术问题：克服现有景像匹配算法在飞机上应用时匹配系统可靠性降低，提出一种机载光学鲁棒景像匹配导航定位方法。

本发明采用的技术方案为：建立复杂飞行条件下各种匹配算法与系统匹配概率间的关系模型，根据关系模型建立景像匹配算法的使用条件和适用范围，形成算法的使用规则，根据图像的先验信息基于知识推理自适应选择算法或算法组合完成景像匹配导航定位，提高机载景像匹配系统的鲁棒性和可靠性。具体实现步骤为：

(1)分析现有景像匹配算法在复杂飞行条件下的适应性，具体特征为

(1.1)所述现有景像匹配算法为像素级匹配算法和特征级匹配算法；

(1.2)所述复杂飞行条件为飞机的机动飞行导致图像产畸变，或者受天气因素的影响导致图像噪声大或对比度低，或者受气流的影响导致图像模糊，甚至不能成像，所述天气因素包括云、雨、雾及烟尘。

(2)建立复杂飞行条件下各种匹配算法与系统匹配可靠性间的关系模型的步骤为：

(2.1)建立复杂飞行条件下的实时图像数据库和基准图像数据库，实时图像数据包括计算机仿真生成图像数据，半实物仿真系统仿真生成数据以及试飞实验采集的实际实时图像；

(2.2)构建像素级匹配算法和特征级匹配算法，像素级匹配算法为基于灰度相关运算的算法和灰度级变换的算法，特征级匹配算法包括基于点特征、线特征、面特征以及点、线和面特征相结合的匹配算法；

(2.3)利用复杂飞行条件下的实时图像数据和基准图像数据对每一种匹配算法进行匹配运算，统计分析每一种匹配算法的匹配概率与实时图像先验信息间的关系，以及与基准图像的先验信息间的关系，所述先验信息间包括统计信息、相关运算信息和纹理信息；

(2.4)根据实时图像先验信息和基准图像先验信息与算法匹配概率的统计结果建立实时图像与系统可靠性间的关系模型。

(3)根据匹配算法与系统匹配可靠性间的关系模型建立景像匹配算法的使用条件和使用范围，形成算法使用规则库和算法库的步骤为：

(3.1)根据匹配算法与系统匹配可靠性间的关系模型建立每一种匹配算法的使用条件和适用范围；

(3.2)根据匹配算法与系统匹配可靠性间的关系模型，匹配算法的使用条件和适用范围以及实时图像和基准图像的先验信息将各种匹配算法进行分类，建立匹配算法库和算法使用规则库。

(4)根据图像的先验信息基于知识推理自适应选择算法或算法组合完成机载景像匹配定位的步骤为：

(4.1)计算实时图像的先验信息和基准图像的先验信息，基于实时图像、基准图像的先验信息和算法使用规则库基于知识推理在算法库中选择出相应的景像匹配算法或算法组合，使选出的匹配算法或算法组合具有较强的适应性；

(4.2)利用基于知识推理选出的景像匹配算法或算法组合完成实时图像与基准图像间的匹配运算，输出可靠的导航定位信息。

本发明的优点在于利用复杂飞行条件下的图像数据库对像素级匹配算法和特征级匹配算法进行仿真测试，统计复杂飞行条件下各种匹配算法的适应性，建立复杂飞行条件与系统可靠性间的关系模型；进而利用模糊推理和专家系统建立景像匹配算法库和算法使用规则库，通过知识推理在算法库中选择鲁棒性强的算法或算法组合实现机载景像匹配导航定位，可有效提高机载景像匹配的可靠性和导航定位精度。

附图说明

图1为一种机载光学鲁棒景像匹配导航定位方法的原理流程图；

图2为一种机载光学鲁棒景像匹配导航定位方法的匹配算法与系统匹配可靠性间关系建模的原理框图；

图3为一种机载光学鲁棒景像匹配导航定位方法的算法库和算法使用规则库建立的原理框图；

图4为一种机载光学鲁棒景像匹配导航定位方法的基于知识推理鲁棒景像匹配算法工作的原理框图；

图5(a)为灰度相关算法的统计结果；图5(b)为SIFT算法的统计结果图5(c)为SURF算法的统计结果；

图6为一种机载光学鲁棒景像匹配导航定位方法的图像素坐标与大地坐标的变换关系图。

具体实施方式

如图1-6所示，本发明的具体实现步骤如下：

(1)分析现有景像匹配算法在复杂飞行条件下的适应性，具体特征为：

①现有景像匹配算法为像素级匹配算法和特征级匹配算法；

②所述复杂飞行条件为飞机的机动飞行导致图像产畸变，或者受天气因素的影响导致图像噪声大或对比度低，或者受气流的影响导致图像模糊，甚至不能成像，所述天气因素包括云、雨、雾及烟尘。

(2)如图2所示，建立复杂飞行条件下各种匹配算法与系统匹配可靠性间的关系模型的步骤为：

①建立复杂飞行条件下的实时图像数据库和基准图像数据库，实时图像数据包括计算机仿真生成图像数据，半实物仿真系统仿真生成数据以及试飞实验采集的实际实时图像；

②构建像素级匹配算法和特征级匹配算法，像素级匹配算法为基于灰度相关运算的算法和灰度级变换的算法，特征级匹配算法包括基于点特征、线特征、面特征以及点、线和面特征相结合的匹配算法；

③利用复杂飞行条件下的实时图像数据和基准图像数据对每一种匹配算法进行匹配运算，统计分析每一种匹配算法的匹配概率与实时图像先验信息间的关系，以及与基准图像的先验信息间的关系，所述先验信息包括统计信息、相关运算信息和纹理信息；所述相关运算信息为实时图像与基准图像之间相关运算的相关度信息。

④根据实时图像和基准图像先验信息与算法匹配概率的统计结果建立实时图像与系统可靠性间的关系模型。

(3)如图3和图5所示，根据匹配算法与系统匹配可靠性间的关系模型建立景像匹配算法的使用条件和适用范围，形成算法使用规则库和算法库的步骤为：

①根据匹配算法与系统匹配可靠性间的关系模型建立每一种匹配算法的使用条件和适用范围；

②根据匹配算法与系统匹配可靠性间的关系模型，匹配算法的使用条件和适用范围以及实时图像和基准图像的先验信息将各种匹配算法进行分类，建立匹配算法库和算法使用规则库，根据飞机的机动飞行特点将实时图像分为图像模糊、对比度低、光照不均、图像畸变和无法成像，分别采用像素级匹配算法和特征级匹配算法实现实时图像与基准图像的匹配运算，统计不同类别的实时图像与每个算法匹配概率间的关系(如图5所示)，进而利用模糊推理和专家系统知识建立算法的使用规则库，例如，其中部分规则定义为：

如果经校正后实时图像旋转误差≤1度且图像的标准差为20-25个像素，可匹配条件数为0.9-0.95时，则选用像素级匹配算法；

如果经校正后实时图像旋转误差＞1度且图像纹理特征且图像的标准差＞25个像素，可匹配条件数为＞0.95时，选用特征级匹配算法。

(4)如图4和图5所示，根据图像的先验信息基于知识推理自适应选择算法或算法组合完成机载景像匹配定位的步骤为：

①计算实时图像和基准图像的先验信息，包括统计信息、相关运算信息和纹理信息等，基于先验信息和算法使用规则库基于知识推理在算法库中选择相应的景像匹配算法或算法组合，使选出的匹配算法或算法组合具有较强的适应性，从而提高系统的可靠性和鲁棒性；

②利用基于知识推理选出的景像匹配算法或算法组合完成实时图像与基准图像间的景像匹配运算，利用图6所示的关系计算导航定位信息，其中像素坐标和高斯-克吕格坐标系间的变换关系为：

\{\begin{matrix} X = X_{O} + R_{b} \times y \\ Y = Y_{O} + R_{b} \times x \end{matrix} - - - (1)

式中，(x，y)为像素坐标点，(X，Y)为高斯-克吕格坐标点，(X_O，Y_O)为基准图像的高斯-克吕格原点坐标，R_b为基准图像的分辨率。

Claims

1.一种机载光学鲁棒景像匹配导航定位方法，其特征在于包括以下步骤：

（1）分析现有景像匹配算法在复杂飞行条件下的适应性；

（2）建立复杂飞行条件下现有匹配算法与系统匹配可靠性间的关系模型；

（3）根据匹配算法与系统匹配可靠性间的关系模型建立景像匹配算法的使用条件和适用范围，并形成算法使用规则库和算法库；

（4）根据图像的先验信息基于知识推理自适应选择算法，或选择算法组合完成机载景像匹配定位；

所述步骤（1）中现有景像匹配算法在复杂飞行条件下的适应性的特征为：

（1.1）所述现有景像匹配算法为像素级匹配算法和特征级匹配算法；

（1.2）所述复杂飞行条件为飞机的机动飞行导致图像产生畸变，或者受天气因素的影响导致图像噪声大或对比度低，或者受气流的影响导致图像模糊，甚至不能成像，所述天气因素包括云、雨、雾及烟尘；

所述步骤（2）建立复杂飞行条件下现有匹配算法与系统匹配可靠性间的关系模型的步骤为：

（2.1）建立复杂飞行条件下的实时图像数据库和基准图像数据库，实时图像数据包括计算机仿真生成图像数据，半实物仿真系统仿真生成数据以及试飞实验采集的实际实时图像；

（2.2）构建像素级匹配算法和特征级匹配算法，像素级匹配算法为基于灰度相关运算的算法和灰度级变换的算法，特征级匹配算法包括基于点特征、线特征、面特征以及点、线和面特征相结合的匹配算法；

（2.3）利用复杂飞行条件下的实时图像数据和基准图像数据对每一种匹配算法进行匹配运算，统计分析每一种匹配算法的匹配概率与实时图像先验信息间的关系，以及与基准图像的先验信息间的关系，所述先验信息包括统计信息、相关运算信息和纹理信息；

（2.4）根据实时图像先验信息和基准图像先验信息与算法匹配概率的统计结果建立实时图像与系统可靠性间的关系模型；

所述步骤（3）根据匹配算法与系统匹配可靠性间的关系模型建立景像匹配算法的使用条件和适用范围，形成算法使用规则库和算法库的步骤为：

（3.1）根据匹配算法与系统匹配可靠性间的关系模型建立每一种匹配算法的使用条件和适用范围；

（3.2）根据匹配算法与系统匹配可靠性间的关系模型，匹配算法的使用条件和适用范围以及实时图像和基准图像的先验信息将各现有匹配算法进行分类，建立匹配算法库和算法使用规则库；

所述步骤（4）具体为：

（4.1）计算实时图像的先验信息和基准图像的先验信息，基于实时图像、基准图像的先验信息和算法使用规则库并基于知识推理在算法库中选择出相应的景像匹配算法或算法组合，使选出的匹配算法或算法组合具有较强的适应性；

（4.2）利用基于知识推理选出的景像匹配算法或算法组合完成实时图像与基准图像间的匹配运算，输出可靠的导航定位信息。