CN104154918B - 单目视觉导航特征点丢失故障处理方法 - Google Patents
单目视觉导航特征点丢失故障处理方法 Download PDFInfo
- Publication number
- CN104154918B CN104154918B CN201410335081.0A CN201410335081A CN104154918B CN 104154918 B CN104154918 B CN 104154918B CN 201410335081 A CN201410335081 A CN 201410335081A CN 104154918 B CN104154918 B CN 104154918B
- Authority
- CN
- China
- Prior art keywords
- characteristic point
- point
- plane
- characteristic
- navigation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title abstract description 5
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000003384 imaging method Methods 0.000 claims abstract description 8
- 239000000284 extract Substances 0.000 claims description 16
- 238000010845 search algorithm Methods 0.000 claims description 8
- 230000000903 blocking effect Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000007667 floating Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract 1
- 238000000605 extraction Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000007812 deficiency Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/24—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for cosmonautical navigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种单目视觉导航特征点丢失故障处理方法，属于视觉相对导航领域。本发明在导航特征点丢失时，首先通过图像匹配法和几何法对故障特征点虚拟坐标进行粗略地重构，然后利用陀螺姿态角速度测量信息，结合特征点间的距离、方位信息以及视觉导航系统前一时刻的估计结果，采用蚁群搜索方法对重构的故障特征点在相机成像敏感元件上的虚拟坐标进一步修正，采用视觉导航迭代算法求解目标的相对位姿。本发明处理方法简单，效果改善明显，提高了视觉导航系统的鲁棒性，可应用于航天器地面物理仿真三自由度或五自由度气浮平台以及航天器在轨服务等航天任务，提供高可靠的相对位置和姿态测量。
Description
技术领域
本发明涉及一种导航特征点丢失故障处理方法，具体讲是一种单目视觉导航特征点丢失故障处理方法，属于视觉相对导航领域。
背景技术
国民经济的飞速发展及国防建设的不断加强推动了航天器在轨服务、行星着落等空间技术的迅猛发展。在空间技术中，航天器在轨服务对提高航天器操作能力、增强航天器适应性、延长航天器寿命、节省航天器研制和维护费用具有积极作用，对降低航天技术高风险系数具有重要意义，因此其一直以来都是世界各航天大国关注的焦点。航天器在轨服务首先需要解决的问题是确定航天器相对目标航天器或行星表面的位姿信息，即航天器相对导航问题，其是在轨服务等航天任务的关键技术之一。
视觉导航系统具有CCD相机价格便宜、系统体积小、集成度高、可靠性高、电子学系统标准化及不需要航天器质量特性等信息的优点，在航天器在轨服务等航天任务中得到了广阔的应用，如我国“神舟八号”与“天宫一号”交会对接最后阶段以及“嫦娥三号”软着落阶段都采用了视觉相机进行导航。
目前基于视觉的相对导航主要依赖于特征点的数目和空间构型，根据机器视觉理论可知至少需要四个非共线特征点才能计算唯一相对位姿信息。目前针对航天器在轨服务等航天任务来说，在实际视觉导航过程中由于遮挡、特征提取错误等其他原因易引起特征点数目不足，导致采用传统视觉导航方法无法解算相对位姿的问题，进而无法进行精确导航。为了防止视觉导航系统因特征点丢失而造成特征点数目不足，现有技术通常采用冗余设计方法，即在考虑各种环境等外部因素的情况下设计或提取足够多特征点，能够保证存在多个特征点故障的情况下仍有足够多的(例如5个以上)特征点可供选择，但其缺点在于：首先，特征点提取数量相对较多，计算量大，增加了视觉导航系统的运行负载，降低了系统的导航效率；其次，在视觉导航过程中因遮挡、特征提取错误等原因导致特征点数目不足特定的数量后，系统无法进行正常导航。
发明内容
本发明所要解决的技术问题在于克服现有技术缺陷，提供一种步骤简单、计算量较小、可根据特征点故障的数量不同而采用不同处理方法的单目视觉导航特征点丢失故障处理方法。
为了解决上述技术问题，本发明提供的单目视觉导航特征点丢失故障处理方法，包括以下步骤：
1)、视觉导航系统采集图像、提取图像中的特征点并确定特征点的数目，在常态情况下所述特征点包括4个平面内特征点和1个平面外特征点；根据前后两时刻各特征点在像平面上的位置，采用差分算法得出每个特征点的运动矢量；
2)、若因特征点遮挡或提取失败导致步骤1)提取得到的特征点数目为4个：
21)、根据步骤1)中各个特征点的运动矢量判断识别平面外特征点，若丢失特征点为平面外点，则直接对平面内特征点进行匹配，基于4个平面内特征点，采用视觉导航迭代算法求解目标的相对位姿；
22)、若丢失特征点为平面内某一特征点，则根据前一时刻视觉导航系统输出的信息，重构丢失特征点的虚拟坐标，并根据此虚拟坐标以及剩余平面内的特征点，对平面内的全部特征点进行匹配；基于平面外特征点和剩余的3个平面内特征点，采用视觉导航迭代算法求解目标的相对位姿；
3)、若因特征点遮挡或提取失败导致步骤1)提取得到的特征点数目为3个：
31)、根据步骤1)中各个特征点的运动矢量判断识别步骤3)所述特征点是否存在平面外点；
32)、根据步骤31)的识别结果，若3个特征点均为平面内特征点，则利用三角形面积比特性重构丢失特征点；
33)、根据步骤31)的识别结果，若3个特征点为2个平面内特征点和1个平面外特征点，根据特征点故障前后相邻时刻的图像并进行比对和匹配，识别并提取当前时刻丢失的特征点以及坐标；
34)、根据陀螺姿态角速度测量信息、上一时刻视觉导航系统的位姿估计结果以及特征点的空间构型和成像特性，采用智能搜索算法对步骤32)、33)获得的丢失特征点虚拟坐标进行修正；
35)、根据修正后丢失特征点的虚拟坐标和剩余的3个特征点坐标，采用视觉导航迭代算法求解目标的相对位姿；
4)、重复以上步骤，实现单目视觉导航系统的连续位姿信息输出。
本发明中，所述步骤21)、22)、35)中的视觉导航迭代算法均采用Haralick算法或Levenberg-Marquardt非线性优化算法。
本发明中，所述步骤22)中丢失特征点的虚拟坐标重构过程为：利用上一时刻导航系统估计的相对位置、相对速度、姿态以及姿态角速度信息，将丢失特征点坐标变换到当前时刻，得到丢失特征点的虚拟坐标。
本发明中，所述步骤34)中智能搜索算法为蚁群搜索算法。
本发明的工作原理：本发明保证单目视觉导航系统在原有5个导航特征点的基础上丢失1个或2个特征点时能够采用机器视觉理论解算出相对位姿信息。在单目视觉导航系统丢失1个特征点时，能够快速定位故障特征点是否为平面外特征点，并根据同平面三角形面积比具有空间平移和旋转不变性的特点以及上一时刻导航系统输出的姿态信息，构建故障特征点的虚拟坐标，识别故障特征点，并实现剩余特征点的精确匹配，最终利用剩余的4个特征点采用传统的迭代算法求解相对位姿信息。在单目视觉导航系统丢失2个特征点时，能够根据特征点故障前后的图像进行匹配，准确识别2个故障特征点,根据平面三角形的面积比具有空间平移和旋转不变性的特点，重构丢失的2个故障特征点，并根据前一时刻位姿信息、高精度陀螺测量信息以及特征点成像特性，在重构的故障特征点的附近区域采用智能搜索算法对故障特征点虚拟坐标进行修正，最后根据修正的特征点虚拟坐标，采用传统的迭代算法求解相对位姿信息。
本发明有益效果在于：本发明针对单目视觉导航过程中由于特征点遮挡或提取失败而引起的特征点丢失现象提出了一种故障处理方法，其利用陀螺姿态角速度测量信息，结合特征点间的距离、方位信息以及视觉导航系统前一时刻的估计结果，采用智能搜索方法重构故障特征点的虚拟坐标，使得故障特征点的虚拟坐标与其它特征点的空间几何构型吻合程度最高，利用计算机视觉理论计算出目标相对于相机的相对运动参数，其处理方法简单、计算量小，明显的提高了视觉导航系统的鲁棒性，可应用于航天器地面物理仿真三自由度或五自由度气浮平台以及航天器在轨服务等航天任务，提供高可靠的相对位置和姿态测量。
附图说明
图1本发明中视觉导航特征点空间位置关系图；
图2本发明单目视觉导航特征点丢失故障处理方法流程图；
图3本发明中特征点故障前后成像示意图；
图4本发明中视觉导航特征点重构唯一性分析示意图。
具体实施方式
下面结合附图对本发明技术方案作详细说明。
本发明中，为了提高视觉导航系统特征点靶标与周围环境的对比度，避免环境光照条件的变化对图像识别的影响，本发明采用红外LED作为特征点靶标，其空间构型，如图1所示。其中PT,1，PT,2，PT,3，PT,4处于同一平面内，称为平面内特征点，PT,5在PT,1PT,2PT,3PT,4构成的平面之外，称为平面外特征点。同平面内特征点构成4个三角形，其面积从大到小依次为：ΔPT,1PT,3PT,4，ΔPT,1PT,2PT,4，ΔPT,2PT,3PT,4和ΔPT,1PT,2PT,3。此特征点系统的特点是上述4个三角形的面积各不相同，从而为后续特征点匹配创造有利条件。
如图2所示，本发明的单目视觉导航特征点丢失故障处理方法包括如下几个步骤：
步骤1、视觉导航系统进行图像采集并将采集到的图像处理成灰度图像，提取灰度图像中的特征点，其中特征点分为平面内特征点和平面外特征点，确定提取到的平面内特征点和平面外特征点的具体数目；在常态情况下本发明视觉导航系统中的特征点数目为5个，包括1个平面外特征点和4个平面内特征点。根据前后两个相邻时刻各特征点在像平面上的位置，采用差分算法，计算得出每个特征点的运动矢量；本实例中视觉导航系统的相机配有红外滤波片，红外滤波片可以过滤掉实验环境中的可见光，而仅让一定波段的红外光通过；因此，所获取的图像中的特征光标点与背景对比非常明显，便于特征点提取。
步骤2、若步骤1提取到的特征点数目为5个：
21、根据步骤1中各个特征点的运动矢量识别平面外特征点，由目标运动特性可知平面内特征点的运动矢量具有一致性，而平面外特征点的运动矢量与平面内特征点运动矢量不相同，因而通过比较可以快速地判断平面外特征点。根据平面内特征点所构建的三角形面积比特性对平面内特征点进行匹配，平面内特征点匹配采用如下方法：如图1所示，计算平面内特征点构成的4个三角形的面积，由于采用如图1的特殊构型设计，4个三角形的面积各不相同，对三角形面积并进行排序；根据平面内三角形面积比具有空间变换不变性的特点，可以对特征点进行匹配，图中ΔPT,1PT,3PT,4的面积最大，则剩余的特征点PT,2对应的LED序号为PT,2，依次类推，可以对剩下的特征点进行匹配；
22、根据步骤21的匹配结果，采用Haralick算法求解目标的相对位姿。
步骤3、若因特征点遮挡或提取失败导致步骤1提取得到的特征点数目为4个：
31、根据步骤1中各个特征点的运动矢量判断识别平面外特征点，由目标运动特性可知平面内特征点的运动矢量具有一致性，而平面外特征点的运动矢量与平面内特征点运动矢量不相同，因而通过比较可以快速地判断平面外特征点。若丢失特征点为平面外点，则直接对平面内点进行匹配，基于4个平面内特征点，采用Haralick算法求解目标的相对位姿；
32、若丢失特征点为平面内某一特征点，则根据前一时刻视觉导航系统输出的相对位置、相对速度、姿态以及姿态角速度等信息，将丢失特征点坐标变换到当前时刻，重构丢失特征点的虚拟坐标，并根据此虚拟坐标以及剩余平面内的特征点，对平面内的全部特征点进行匹配，匹配方法同步骤21；基于平面外特征点和剩余的3个平面内特征点，采用Haralick算法求解目标的相对位姿。
步骤4、若因特征点遮挡或提取失败导致步骤1提取得到的特征点数目为3个：
41、根据步骤1中各个特征点的运动矢量判断识别步骤3)所述特征点是否存在平面外点；
42、根据步骤41的识别结果，若3个特征点均为平面内特征点，如图3所示。图3中给出了PT,4故障前后特征点在像平面内的成像情况，即像平面内丢失PI,4点，此时可利用三角形面积比特性重构丢失特征点；需要说明的是图3中仅给出了PT,4特征点故障前后成像的一种情况，其它特征点情况类似。如图4所示，为丢失特征点重构唯一性分析示意图，其中丢失点为PI,4；根据ΔPI,1PI,2PI,3的面积以及预先确定的4个三角形的面积比，可计算出S1'＝ΔPI,1PI,2PI,4，则重构的PI',4特征点必然位于与直线PI,1PI,2平行的直线l3上，且与PI,1PI,2的距离为h3＝2S1'/L(PI,1PI,2)，其中L(PI,1PI,2)表示线段长度。在像平面内，满足该条件的平行线会有两条，但根据多边形仿射变换不改变凹凸性的原理，重构像点PI',4只能位图4所示的下半平面，因此，满足要求的直线唯一。同理，PI',4必然位于与直线PI,1PI,3平行的直线l1上，且与PI,1PI,3的距离为h1＝2S'2/L(PI,1PI,3)，S'2＝ΔPI,1PI,3PI,4；PI',4必然位于与直线PI,2PI,3平行的直线l2上，且与PI,2PI,3的距离为h2＝2S3'/L(PI,2PI,3)，S3'＝ΔPI,2PI,3PI,4；该步骤中下标I表示特征点在相机像平面内的表示。
如图4所示，直线l1l2l3交点就是需要重构的像点，不存在多个解的可能。在不含误差的理想情况下，存在唯一的解。但由于测量误差等原因，三条直线可能并不交汇于一点，因此采用最小二乘算法可以重构唯一点
43、根据步骤41的识别结果，若3个特征点为2个平面内特征点和1个平面外特征点，根据特征点故障前后相邻时刻的图像并进行比对和匹配，识别并提取当前时刻丢失的特征点以及坐标；
44、根据高精度陀螺姿态角速度测量信息、上一时刻视觉导航系统的位姿估计结果以及特征点的空间构型和成像特性，采用蚁群搜索算法对步骤42或43获得的故障特征点虚拟坐标进行修正；蚁群搜索算法的搜索区域为以所述步骤42中重构的特征点为圆心、半径为10个象元点的圆形区域；优化目标函数为重构特征点与剩余特征点构成的空间构型与理想构型吻合度最高；约束条件为估计的目标位姿变化满足高精度陀螺测量信息；
45、根据修正后丢失特征点的虚拟坐标和剩余的3个特征点坐标，采用Haralick算法求解目标的相对位姿。
步骤5、如若因特征点遮挡或提取失败导致步骤1)提取得到的特征点数目为≤2个，则导航结束。
步骤6、重复以上步骤，实现单目视觉导航系统的连续位姿信息输出。
上述步骤22)、31)、32)、45)中也可以采用Levenberg-Marquardt非线性优化算法等求解目标的相对位姿。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下还可以做出若干改进，这些改进也应视为本发明的保护范围。
Claims (4)
1.一种单目视觉导航特征点丢失故障处理方法，其特征在于包括以下步骤：
1)、视觉导航系统采集图像、提取图像中的特征点并确定特征点的数目，在常态情况下所述特征点包括4个平面内特征点和1个平面外特征点；根据前后两时刻各特征点在像平面上的位置，采用差分算法得出每个特征点的运动矢量；
2)、若因特征点遮挡或提取失败导致步骤1)提取得到的特征点数目为4个：
21)、根据步骤1)中各个特征点的运动矢量判断识别平面外特征点，若丢失特征点为平面外点，则直接对平面内特征点进行匹配，基于4个平面内特征点，采用视觉导航迭代算法求解目标的相对位姿；
22)、若丢失特征点为平面内某一特征点，则根据前一时刻视觉导航系统输出的信息，重构丢失特征点的虚拟坐标，并根据此虚拟坐标以及剩余平面内的特征点，对平面内的全部特征点进行匹配；基于平面外特征点和剩余的3个平面内特征点，采用视觉导航迭代算法求解目标的相对位姿；
3)、若因特征点遮挡或提取失败导致步骤1)提取得到的特征点数目为3个：
31)、根据步骤1)中各个特征点的运动矢量判断识别步骤3)所述特征点是否存在平面外点；
32)、根据步骤31)的识别结果，若3个特征点均为平面内特征点，则利用三角形面积比特性重构丢失特征点；
33)、根据步骤31)的识别结果，若3个特征点为2个平面内特征点和1个平面外特征点，根据特征点故障前后相邻时刻的图像并进行比对和匹配，识别并提取当前时刻丢失的特征点以及坐标；
34)、根据陀螺姿态角速度测量信息、上一时刻视觉导航系统的位姿估计结果以及特征点的空间构型和成像特性，采用智能搜索算法对步骤32)、33)获得的丢失特征点虚拟坐标进行修正；
35)、根据修正后丢失特征点的虚拟坐标和剩余的3个特征点坐标，采用视觉导航迭代算法求解目标的相对位姿；
4)、重复以上步骤，实现单目视觉导航系统的连续位姿信息输出。
2.根据权利要求1所述的单目视觉导航特征点丢失故障处理方法，其特征在于：所述步骤21)、22)、35)中的视觉导航迭代算法均采用Haralick算法或Levenberg-Marquardt非线性优化算法。
3.根据权利要求1或2所述的单目视觉导航特征点丢失故障处理方法，其特征在于：所述步骤22)中丢失特征点的虚拟坐标重构过程为：利用上一时刻导航系统估计的相对位置、相对速度、姿态以及姿态角速度信息，将丢失特征点坐标变换到当前时刻，得到丢失特征点的虚拟坐标。
4.根据权利要求3所述的单目视觉导航特征点丢失故障处理方法，其特征在于：所述步骤34) 中智能搜索算法为蚁群搜索算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410335081.0A CN104154918B (zh) | 2014-07-14 | 2014-07-14 | 单目视觉导航特征点丢失故障处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410335081.0A CN104154918B (zh) | 2014-07-14 | 2014-07-14 | 单目视觉导航特征点丢失故障处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104154918A CN104154918A (zh) | 2014-11-19 |
| CN104154918B true CN104154918B (zh) | 2017-02-15 |
Family
ID=51880483
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410335081.0A Active CN104154918B (zh) | 2014-07-14 | 2014-07-14 | 单目视觉导航特征点丢失故障处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104154918B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104848867B (zh) * | 2015-05-13 | 2017-12-08 | 北京工业大学 | 基于视觉筛选的无人驾驶汽车组合导航方法 |
| CN106197395A (zh) * | 2016-03-23 | 2016-12-07 | 南京航空航天大学 | 一种基于ni‑cvs的气浮台位置姿态确定方法 |
| CN109405835B (zh) * | 2017-08-31 | 2020-11-13 | 北京航空航天大学 | 基于非合作目标直线与圆单目图像的相对位姿测量方法 |
| CN107976183A (zh) * | 2017-12-18 | 2018-05-01 | 北京师范大学珠海分校 | 一种空间数据测量方法及装置 |
| CN108827300A (zh) * | 2018-04-17 | 2018-11-16 | 四川九洲电器集团有限责任公司 | 一种基于视觉的装备姿态位置测量方法及系统 |
| CN111563933B (zh) * | 2020-05-26 | 2020-11-03 | 季华实验室 | 一种基于单目视觉的位姿测量方法 |
| CN111815679B (zh) * | 2020-07-27 | 2022-07-26 | 西北工业大学 | 一种基于双目相机的空间目标特征点丢失期间轨迹预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08261719A (ja) * | 1995-03-17 | 1996-10-11 | Toshiba Corp | 相対的移動量算出装置及び相対的移動量算出方法 |
| CN101464134A (zh) * | 2009-01-16 | 2009-06-24 | 哈尔滨工业大学 | 一种空间目标三维位姿视觉测量方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6463366B2 (en) * | 2000-03-10 | 2002-10-08 | Schafer Corp | Attitude determination and alignment using electro-optical sensors and global navigation satellites |
-
2014
- 2014-07-14 CN CN201410335081.0A patent/CN104154918B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08261719A (ja) * | 1995-03-17 | 1996-10-11 | Toshiba Corp | 相対的移動量算出装置及び相対的移動量算出方法 |
| CN101464134A (zh) * | 2009-01-16 | 2009-06-24 | 哈尔滨工业大学 | 一种空间目标三维位姿视觉测量方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于特征点的空间目标三维位姿单目视觉确定算法;张世杰 等;《中国科学：信息科学》;20100430;第40卷(第4期);591-604 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104154918A (zh) | 2014-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104154918B (zh) | 单目视觉导航特征点丢失故障处理方法 | |
| Proença et al. | Deep learning for spacecraft pose estimation from photorealistic rendering | |
| US11030525B2 (en) | Systems and methods for deep localization and segmentation with a 3D semantic map | |
| CN105856230B (zh) | 一种可提高机器人位姿一致性的orb关键帧闭环检测slam方法 | |
| CN104748750B (zh) | 一种模型约束下的在轨三维空间目标姿态估计方法及系统 | |
| CN109544636A (zh) | 一种融合特征点法和直接法的快速单目视觉里程计导航定位方法 | |
| Cheng et al. | Landmark based position estimation for pinpoint landing on mars | |
| Hwangbo et al. | Visual-inertial UAV attitude estimation using urban scene regularities | |
| CN105513119B (zh) | 一种基于无人机的路桥三维重建方法及装置 | |
| CN104809689A (zh) | 一种基于轮廓的建筑物点云模型底图配准方法 | |
| CN110378242A (zh) | 一种双重注意力机制的遥感目标检测方法 | |
| CN109405835A (zh) | 基于非合作目标直线与圆单目图像的相对位姿测量方法 | |
| CN110111388A (zh) | 三维物体位姿参数估计方法及视觉设备 | |
| CN107610164A (zh) | 一种基于多特征混合的高分四号影像配准方法 | |
| CN105910583A (zh) | 一种基于星载可见光相机的空间碎片快速检测定位方法 | |
| CN104034334B (zh) | 一种小视场星敏感器的单星及双星定姿方法 | |
| CN102607532B (zh) | 一种利用飞控数据的低空影像快速匹配方法 | |
| CN107504966A (zh) | 一种白昼有云环境下导航星星点提取的方法 | |
| CN109871024A (zh) | 一种基于轻量级视觉里程计的无人机位姿估计方法 | |
| CN108519083A (zh) | 一种空间非合作多目标捕获与跟踪算法 | |
| Liu et al. | A new approach for the estimation of non-cooperative satellites based on circular feature extraction | |
| CN104567879A (zh) | 一种组合视场导航敏感器地心方向提取方法 | |
| He et al. | Edge information based crater detection and matching for lunar exploration | |
| Xiao-Hong et al. | UAV's automatic landing in all weather based on the cooperative object and computer vision | |
| Huang et al. | End-to-end Monocular Pose Estimation for Uncooperative Spacecraft based on Direct Regression Network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |