CN102506867A - 基于Harris角点匹配的SINS/SMANS组合导航方法及系统 - Google Patents

Abstract

本发明公开了一种基于Harris角点匹配的SINS/SMANS组合导航方法，包括以下步骤：S1：根据机载图像传感器的参数和几何关系，制作数字参考地图；S2：根据飞行器的飞行位置和姿态，模拟生成机载图像传感器拍摄的实时图像；S3：对所述数字参考地图和模拟的实时图像进行配准，计算得出飞行器的实时位置；S4：建立捷联惯性导航误差模型和景象匹配观测模型；S5：融合SINS和SMANS输出的状态信息，并对捷联惯性导航进行误差校正。本发明还公开了一种实现上述方法的组合导航系统，包括大气惯性导航系统、图像传感器视区及定位参数计算模块、数字参考地图数据库、图像传感器模拟模块、图像匹配模块以及卡尔曼滤波模块。本发明可有效改善SINS的导航精度并具有完全自主的特点。

Description

基于Harris角点匹配的SINS/SMANS组合导航方法及系统

技术领域

本发明涉及组合导航定位技术领域，尤其涉及一种基于Harris角点匹配的SINS/SMANS组合导航方法及系统。

背景技术

导航在现代飞行器飞行中占有重要的地位，对于军用飞机来说，需要具备长途奔袭、快速反应和自部署能力，也必需装备自主工作的导航设备；对于直升机来说，在搜救过程中，需要标出救援目标的距离、方位和精确位置，也需要依靠精确的导航和定位系统。因此，现代飞机飞行越来越依赖精确的导航设备。

现代飞机导航方式主要有：捷联惯性导航(SINS)、卫星导航(GNSS)、无线电导航(RNS)、多普勒导航(VNS)、景象匹配辅助导航(SMANS)等。其中，惯性导航是飞机的主要导航方式，其有高数据率和自主性强的特点，但惯性导航随时间增长会出现误差漂移，需要其他导航方式对其进行修正。卫星导航、无线电导航和多普勒导航都具有自主性差、易受干扰的缺点，不能满足导航系统对自主性的要求。景象匹配导航系统以其特有的抗干扰和自主导航能力，在精确导航技术中的地位正日益重要。

景象匹配导航是利用机载或弹载图像传感器在飞行过程中采集的实时地形景象图与预先制备的基准地形景象图进行实时匹配计算而获得精确定位信息的技术。景象匹配导航属自主定位，可以为飞行器提供高精度制导，导航精度与飞行距离无关，且成本相对较低。

可应用于景象匹配辅助导航系统的先进图像传感器可分为两类：一类是基于射频(RF)的传感器，有合成口径雷达(SAR)，毫米波雷达(MMW)等；另一类是基于光学的电光(EO)传感器，有激光雷达，红外图像传感器等。而这些图像传感器的成像原理各有不同，其在载机上的应用也受到气象条件、地理条件、战场条件等综合因素的影响。但目前的图像传感器正在向多传感器融合方向发展，若运用数据融合技术综合不同信号源的信息来克服单传感器系统所固有的缺陷，或利用不同传感器的数据互补和冗余，则可为目标识别提供更多可利用的判别信息和指令信号。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：提供一种基于Harris角点匹配的SINS/SMANS组合导航方法及系统，可有效改善SINS的导航精度并具有完全自主的特点。

(二)技术方案

为解决上述问题，本发明提供了一种基于Harris角点匹配的SINS/SMANS组合导航方法，包括以下步骤：

S1：根据机载图像传感器的参数和几何关系，制作数字参考地图；

S2：根据飞行器的飞行位置和姿态，模拟生成机载图像传感器拍摄的实时图像；

S3：对所述数字参考地图和模拟的实时图像进行配准，计算得出飞行器的实时位置；

S4：建立捷联惯性导航误差模型和景象匹配观测模型；

S5：用卡尔曼滤波技术对捷联惯性导航和景象导航输出的状态信息进行信息融合，得出最终的融合结果，并对捷联惯性导航进行误差校正。

优选地，步骤S1中所述数字参考地图由多个子参考地图拼接合成。

优选地，步骤S2中对所述实时图像的模拟包括以下步骤：

S21：根据飞行器的飞行高度、机载图像传感器的视场角以及机载图像传感器在地理系中的方位，通过图像旋转方法，从数字参考地图中选择与实时图像对应的区域；

S22：对所述数字参考地图进行缩放，满足机载图像传感器的像元要求，形成理想的实时图像；

S23：在所述理想的实时图像上模拟加入噪声，得到所述模拟的实时图像。

优选地，所述步骤S22中通过插值方法对所述数字参考地图进行缩放处理。

优选地，所述插值方法包括最邻近插值、双线性内插值、三次卷积插值方法。

优选地，所述步骤S23中，所述加入的噪声包括高斯噪声和大气湍流干扰。

优选地，所述步骤S3具体包括以下步骤：

S31：输入待匹配区域图像和模拟的实时图像；

S32：分别对两幅图像进行角点特征提取；

S33：根据提取的角点特征对两幅图像进行配准：在待匹配图像中，用模拟的实时图像进行一一遍历比较和配准，计算所述模拟的实时图像在所述待匹配图像中的相对位置；

S34：根据待匹配图像中心点对应的经纬度和模拟的实时图像在待匹配图像中相对位置来计算所述飞行器的实时位置。

优选地，步骤S5中采用卡尔曼滤波对捷联惯性导航和景象导航输出进行信息融合。

另一方面，本发明还提供了一种实现上述SINS/SMANS组合导航方法的SINS/SMANS组合导航系统，包括：

大气惯性导航系统，用于得到惯导位置信息并输出至卡尔曼滤波模块；

图像传感器视区及定位参数计算模块，用于根据所述大气惯性导航系统输出的位置信息计算机载图像传感器的参数和几何关系；

数字参考地图数据库，用于根据所述图像传感器视区及定位参数计算模块的计算结果得到合适的数字参考地图；

图像传感器模拟模块，用于模拟生成机载图像传感器拍摄的实时图像；

图像匹配模块，用于对由所述数字参考地图数据库获得的所述数字参考地图和由所述图像传感器模拟模块模拟的实时图像进行配准，计算得出飞行器的实时位置；

卡尔曼滤波模块，用于根据大气惯性导航系统输出的惯导位置信息和图像匹配模块输出的飞行器实时位置信息进行信息融合；得到最终融合的位置信息结果，同时对所述大气惯性导航系统进行误差校正。

优选地，所述系统还包括飞行轨迹发生器模块，用于模拟飞行器的飞行位置和姿态，以供所述图像传感器模拟模块模拟实时图像。

(三)有益效果

本发明利用模拟机载图像传感器获得的地形图像，过Harris算法与数字地图匹配，并对匹配结果进行定位解算，可获得一种高精度、自主的景象匹配辅助导航系统，对常规的SINS定位误差进行连续校正，消除SINS随时间增长的误差，大幅度地提高SINS的精度。

附图说明

图1为根据本发明实施例组合导航方法的流程图；

图2为根据本发明实施例步骤S1制作的参考数字地图；

图3为根据本发明实施例步骤S2的流程图；

图4a-4c为根据本发明实施例步骤S2分别经过旋转缩放(4a)、高斯噪声(4b)和大气湍流(4c)后得到的模拟实时地图；

图5为根据本发明实施例步骤S3的流程图；

图6为根据本发明实施例SINS/SMANS组合导航系统结构图。

具体实施方式

下面结合附图及实施例对本发明进行详细说明如下。

实施例一：

如图1所示，本实施例记载了一种基于Harris角点匹配的SINS/SMANS组合导航方法，包括以下步骤：

S1：根据机载图像传感器的参数和几何关系，制作数字参考地图；

景象匹配导航系统得以顺利应用的基础条件就是数字图像地图的制备，在本实施例中采用Google Earth地图软件进行图像拼接，来获取相应精度的数字参考地图。即所述数字参考地图由多个子参考地图拼接合成

所述数字参考地图中第i行j列像元P对应经纬度为：

P(i，j)＝[L0+(i+0.5)cL，λ0+(j+0.5)cλ]；

其中L0+(i+0.5)cL为P像元的纬度，λ0+(j+0.5)cλ为所述P像元的经度，L0为所述数字参考地图左上角顶点的纬度，cL为单位像元纬度跨度，λ0为所述数字参考地图左上角顶点的经度，cλ为单位像元经度跨度。

图2所示为得到的某地区的数字参考地图。

S2：根据飞行器的飞行位置和姿态，模拟生成机载图像传感器拍摄的实时图像；

系统仿真采用纯数字仿真，靠软件模拟机载图像传感器(本实施例中为CCD)拍摄的实时图像，机载图像传感器的主要误差源为几何畸变和辐射畸变，而在下视景象匹配导航系统中，几何畸变考虑旋转和放缩两个部分，而辐射畸变主要考虑大气散射和CCD量化误差。

因此，如图3所示，对所述实时图像的模拟包括以下步骤：

S21：根据飞行器的飞行高度、机载图像传感器的视场角以及机载图像传感器在地理系中的方位，通过图像旋转方法，从数字参考地图中选择与实时图像对应的区域；

其中，图像旋转方法为：设图像IMG0逆时针旋转角度θ后的图像为IMG，对于图像IMG0中的点I(x₀，y₀)在旋转后的图像IMG中的坐标为I(x，y)，并设图像坐标原点在图像中心，x轴向右为正，y轴向下为正，则

$\left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{cc}\cos \mathrm{\θ}& \sin \mathrm{\θ}\\ -\sin \mathrm{\θ}& \cos \mathrm{\θ}\end{array}\right]\left[\begin{array}{c}{x}_0\\ y_0\end{array}\right].$

S22：对所述数字参考地图进行缩放，满足机载图像传感器的像元要求，形成理想的实时图像，如图4a所示；

图像的缩放处理一般采用插值方法，例如最邻近插值、双线性内插值、三次卷积插值方法等。其中，双线性插值方法应用比较广泛，效果适中，本实施例采用双线性插值方法进行图像放缩处理：设飞行器飞行高度为h_bi，下方地形平均高度为h_t，相机的视场角度为θ_x×θ_y，相应的像元数为N_x×N_y，则实时图像的平均分辨率为

$r=\sqrt{{(h_{\mathrm{bi}}-h_t)}^2\tan \left(\frac{{\mathrm{\θ}}_x}{2}\right)\tan \left(\frac{{\mathrm{\θ}}_y}{2}\right)/(N_x\×N_y)}$

设数字参考地图的分辨率为r₀，图像缩放系数是s＝r/r₀。

S23：在所述理想的实时图像上模拟加入噪声，得到所述模拟的实时图像；

在本实施例中，所述加入的噪声包括高斯噪声和大气湍流干扰。

其中，加入的高斯噪声满足分布

$p\left(z\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}e-\frac{{(z-\mathrm{\μ})}^2}{2{\mathrm{\σ}}^2}$

其中，z为随机信号，p(z)为满足高斯分布的随机信号概率密度，μ为均值，σ为标准差。加入高斯噪声后得到的图像如图4b所示。

大气湍流是大气中的一种重要运动形式，对光波和电磁波在大气中的传播产生一定的干扰作用。飞机在低空飞行时，大气湍流会对机载图像传感器拍摄图像产生干扰。本实施例中，基于所述大气湍流干扰的图像退化模型H(u，v)为：

$H(u,v)=e^{-k{(u^2+v^2)}^{5/6}}$

其中u，v分别为像素的横坐标和纵坐标，k为与湍流性质有关的常数。加入大气湍流退化处理后的图像如图4c所示。

S3：对所述数字参考地图和模拟的实时图像进行配准，计算得出飞行器的实时位置；

如图5所示，所述步骤S3具体包括以下步骤：

S31：输入待匹配区域图像和模拟的实时图像；

S32：分别对两幅图像进行Harris角点特征提取；

具体为：

设图像中坐标点(x，y)对应的角点特征矩阵为M(x，y)，则有

$M(x,y)=\left[\begin{array}{cc}\underset{W}{\mathrm{\Σ}}{\left(I_x(x_i,y_i)\right)}^2& \underset{W}{\mathrm{\Σ}}{I}_x(x_i,y_i)I_y(x_i,y_i)\\ \underset{W}{\mathrm{\Σ}}{I}_x(x_i,y_i)I_y(x_i,y_i)& \underset{W}{\mathrm{\Σ}}{\left(I_y(x_i,y_i)\right)}^2\end{array}\right]$

$=\left[\begin{array}{cc}A& C\\ C& B\end{array}\right]$

则矩阵M(x，y)的行列式Tr(M)和迹Det(M)为

Tr(M)＝λ₁+λ₂＝A+B

Det(M)＝λ₁λ₂＝AB-C²

则坐标点(x，y)对应的Harris特征点响应函数R(x，y)为：

R(x，y)＝Det-KTr²

其中，K是常数因子；Harris推荐取为0.04～0.06。只有当图像中像素的R值大于一定的门限，且在周围的八个方向上是局部极大值时才认为该点是角点。

通过寻找所述特征点响应函数的局部极值来获得图像的特征点位置。

S33：根据提取的角点特征对两幅图像进行配准：在待匹配图像中，用模拟的实时图像进行一一遍历比较和配准，计算所述模拟的实时图像在所述待匹配图像中的相对位置；

S34：根据待匹配图像中心点对应的经纬度和模拟的实时图像在待匹配图像中相对位置来计算所述飞行器的实时位置。

S4：建立捷联惯性导航误差模型和景象匹配观测模型；

其中，捷联惯性导航误差模型为：

X＝FX+Gw

其中X为系统状态向量，F为5×5系统矩阵，G为系统噪声输入阵，w为系统噪声向量，其非零元为：

$F\left(\mathrm{1,3}\right)=-\frac{v_n}{{(R_N+h)}^2}$ $F\left(\mathrm{1,5}\right)=\frac{1}{R_M+h}$

$F\left(\mathrm{5,5}\right)=\frac{v_U}{R_M+h}.$

景象匹配观测模型为：

Z＝HX+V

H＝[I_2×2 0_2×3]

其中，Z为观测量，V为观测噪声。

S5：用卡尔曼滤波技术对捷联惯性导航和景象导航输出的状态信息进行信息融合，得出最终的融合结果，并对捷联惯性导航进行误差校正；

其中，SINS/SMANS组合导航采用卡尔曼滤波进行信息融合，分为时间更新和量测更新。

(1)时间更新后得到：

x(k|k-1)＝Φ(k|k-1)x(k-1)

P(k|k-1)＝Φ(k|k-1)P(k-1)Φ^T(k|k-1)+Q(k-1)

x(k-1)＝x(k|k-1)

P(k-1)＝P(k|k-1)

其中x为滤波器的状态向量，P为滤波器的方差阵，Φ为F矩阵对应的状态转移阵，Q为状态噪声协方差阵；

(2)观测更新后得到：

K(k)＝P(k|k-1)H^T(k)(H(k)P(k|k-1)H^T(k)+R(k))^-1

x(k)＝x(k|k-1)+K(k)(z(k)-H(k)x(k|k-1))

P(k)＝(I-K(k)H(k))P(k|k-1)

其中，K为卡尔曼滤波增益阵，H为观测矩阵。

实施例二：

如图6所示，本实施例记载了一种实现上述SINS/SMANS组合导航方法的SINS/SMANS组合导航系统，包括：

大气惯性导航系统，用于得到惯导位置信息并输出至卡尔曼滤波模块；

图像传感器视区及定位参数计算模块，用于根据所述大气惯性导航系统输出的位置信息计算机载图像传感器的参数和几何关系；

数字参考地图数据库，用于根据所述图像传感器视区及定位参数计算模块的计算结果得到合适的数字参考地图；

飞行轨迹发生器模块，用于模拟飞行器的飞行位置和姿态，并输出至所述图像传感器模拟模块；

图像传感器模拟模块，用于模拟生成机载图像传感器拍摄的实时图像；

图像匹配模块，用于对由所述数字参考地图数据库获得的所述数字参考地图和由所述图像传感器模拟模块模拟的实时图像进行配准，计算得出飞行器的实时位置；

卡尔曼滤波模块，用于根据大气惯性导航系统输出的惯导位置信息和图像匹配模块输出的飞行器实时位置信息进行信息融合；得到最终融合的位置信息结果，同时对所述大气惯性导航系统进行误差校正。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (10)

1.一种基于Harris角点匹配的SINS/SMANS组合导航方法，其特征在于，包括以下步骤：

S1：根据机载图像传感器的参数和几何关系，制作数字参考地图；

S2：根据飞行器的飞行位置和姿态，模拟生成机载图像传感器拍摄的实时图像；

S3：对所述数字参考地图和模拟的实时图像进行配准，计算得出飞行器的实时位置；

S4：建立捷联惯性导航误差模型和景象匹配观测模型；

S5：对捷联惯性导航和景象导航输出的状态信息进行信息融合，得出最终的融合结果，并对捷联惯性导航进行误差校正。

2.如权利要求1所述的SINS/SMANS组合导航方法，其特征在于，步骤S1中所述数字参考地图由多个子参考地图拼接合成。

3.如权利要求1所述的SINS/SMANS组合导航方法，其特征在于，步骤S2中对所述实时图像的模拟包括以下步骤：

S21：根据飞行器的飞行高度、机载图像传感器的视场角以及机载图像传感器在地理系中的方位，通过图像旋转方法，从数字参考地图中选择与实时图像对应的区域；

S22：对所述数字参考地图进行缩放，满足机载图像传感器的像元要求，形成理想的实时图像；

S23：在所述理想的实时图像上模拟加入噪声，得到所述模拟的实时图像。

4.如权利要求3所述的SINS/SMANS组合导航方法，其特征在于，所述步骤S22中通过插值方法对所述数字参考地图进行缩放处理。

5.如权利要求4所述的SINS/SMANS组合导航方法，其特征在于，所述插值方法包括最邻近插值、双线性内插值、三次卷积插值方法。

6.如权利要求3所述的SINS/SMANS组合导航方法，其特征在于，所述步骤S23中，所述加入的噪声包括高斯噪声和大气湍流干扰。

7.如权利要求1所述的SINS/SMANS组合导航方法，其特征在于，所述步骤S3具体包括以下步骤：

S31：输入待匹配区域图像和模拟的实时图像；

S32：分别对两幅图像进行角点特征提取；

S33：根据提取的角点特征对两幅图像进行配准：在待匹配图像中，用模拟的实时图像进行一一遍历比较和配准，计算所述模拟的实时图像在所述待匹配图像中的相对位置；

S34：根据待匹配图像中心点对应的经纬度和模拟的实时图像在待匹配图像中相对位置来计算所述飞行器的实时位置。

8.如权利要求1所述的SINS/SMANS组合导航方法，其特征在于，步骤S5中采用卡尔曼滤波对捷联惯性导航和景象导航输出进行信息融合。

9.一种实现权利要求1-8中任一项所述的SINS/SMANS组合导航方法的SINS/SMANS组合导航系统，其特征在于，包括：

大气惯性导航系统，用于得到惯导位置信息并输出至卡尔曼滤波模块；

图像传感器视区及定位参数计算模块，用于根据所述大气惯性导航系统输出的位置信息计算机载图像传感器的参数和几何关系；

数字参考地图数据库，用于根据所述图像传感器视区及定位参数计算模块的计算结果得到合适的数字参考地图；

图像传感器模拟模块，用于模拟生成机载图像传感器拍摄的实时图像；

图像匹配模块，用于对由所述数字参考地图数据库获得的所述数字参考地图和由所述图像传感器模拟模块模拟的实时图像进行配准，计算得出飞行器的实时位置；

卡尔曼滤波模块，用于根据大气惯性导航系统输出的惯导位置信息和图像匹配模块输出的飞行器实时位置信息进行信息融合；得到最终融合的位置信息结果，同时对所述大气惯性导航系统进行误差校正。

10.如权利要求9所述的SINS/SMANS组合导航系统，其特征在于，所述系统还包括飞行轨迹发生器模块，用于模拟飞行器的飞行位置和姿态，以供所述图像传感器模拟模块模拟实时图像。

Images