CN105021190A - 反卫星导航欺诈的方法以及基于该方法的无人系统 - Google Patents

Abstract

一种反卫星导航欺诈的方法，该方法为：预先将出发点和目标点的位置信息以及路途中显著位置点的信息存到信息检测库中；未到达显著位置点时，检测是否存在卫星导航欺骗信号，若是，当到达最邻近的显著位置点时，用预存的显著位置点的信息数据对惯性导航进行纠偏，直到到达目标点；若未检测到欺骗信号，则到达显著位置点时进行图像匹配，直到目标点；若不匹配，摄取当前位置图片，尝试人工地图匹配，若匹配不成功，则返回；若匹配成功，确定当前位置，开启图像匹配，用显著位置点对惯性导航纠偏，直到到达目标点。该无人系统包括采用上述反卫星导航欺诈方法的无人机系统和无人车系统。它具有反卫星导航欺诈效果好，方法简单实用的优点。

Description

反卫星导航欺诈的方法以及基于该方法的无人系统

技术领域

本发明属于导航定位领域，具体是涉及一种反卫星导航欺诈的方法以及基于该方法的无人系统。

背景技术

当前，无人车、无人机的导航系统高度依赖卫星定位信号，容易受到敌方的干扰和欺骗信号的影响，导致其可能会被轻易被俘或失能，这威胁着基于GPS导航的无人军用系统和严重依赖GPS导航的民用航空领域；例如，2011年伊朗先采用卫星导航欺骗技术，重构了接收器的GPS坐标，成功捕获了美国的RQ170“哨兵”无人机。而在民用航空领域，若重构GPS导航坐标，则很可能使飞机偏航，导致重大飞行事故，这使得民用航空存在极易被恐怖活动利用和攻击的技术漏洞。

为了弥补GPS导航存在的技术欺诈，各国都在不余遗力的提升GPS导航的严密等级，且研究一些能够反GPS导航欺诈的手段，例如，2014年，美国诺斯罗普·格鲁曼公司获得美军“通过图像补偿导航保持精确地理位置”的项目，该项目旨在无GPS信号环境下使用视觉辅助惯性导航系统开发实时图像地理匹配和导航算法。同年，在英国国防科学与技术实验室国防企业中心的支持下，普莱克斯技术公司正在研发一种基于视觉的导航跟踪装置，为在无GPS信号环境下的士兵提供精确导航。国内同行开展无人机反电子欺诈技术起步较晚，大多集中在如何对数据链如何进行加密的理论及技术上，与国外差距较大。

发明内容

本发明的目的是提供一种反卫星导航欺诈的方法以及基于该方法的无人系统，它具有反卫星导航欺诈效果好，方法简单实用的优点。

本发明是这样来实现的，一种反卫星导航欺诈的方法，它包括如下步骤：

步骤1：特征场景及位置信息存储；预先将出发点和目标点的位置信息以及路途中显著位置点的信息数据存入到信息检测库中，该信息数据包括该位置点的位置信息以及N幅具有该位置点显著特征的图片；

步骤2：在未到达显著位置点时，采用载波相位双差欺骗检测技术不断检测是否存在卫星导航欺骗信号，若检测到存在欺骗信号，则进行步骤3，否则进行步骤4；

步骤3：检测到存在欺骗信号，则将临界点的位置信息作为起始点，采用惯性导航，向着最近的一个显著位置点前进，并开启图像匹配模式，根据图像匹配的结果，当到达最邻近的显著位置点时，用预存的显著位置点的信息数据对惯性导航进行纠偏；如此反复，直到到达目标点。

步骤4：到达临近显著位置点前，一直未检测到卫星导航欺骗信号，则到达临近显著位置点时进行图像匹配，若匹配，则重复步骤4，直到到达目标点；若不匹配，则进行步骤5；

步骤5：摄像头拍摄当前位置的地形环境图片，并将图片传回后方指挥站进行地图匹配，若匹配不成功，则原路返回出发点，若匹配成功，则进行步骤6；

步骤6：对当前的位置信息进行更新，并向着最近的一个显著位置点前进，同时开启图像匹配模式，根据图像匹配的结果，当到达最近的显著位置点时，用显著位置点的准确信息对惯性导航进行纠偏；如此反复，直到到达目标点。

所述图像匹配模式采用图像匹配方法，该图像匹配方法采用快速近似最近邻搜索算法进行特征的搜索，从目标图像中找出与场景图像的欧氏距离最近和次近的两个点，以最近欧氏距离与次近欧氏距离的比值同给定的阈值T比较来判定特征点是否匹配。

一种基于反卫星导航欺诈方法的无人系统，其特征在于，它包括采用上述反卫星导航欺诈方法的无人机系统和无人车系统。

本发明的有益效果为：本发明能够很好地侦查GPS导航中的欺诈企图，并及时采取图像匹配与惯性导航等措施，高效迅速弥补GPS欺诈中卫星导航无法使用的空白时间区间，帮助无人系统顺利到达目标点。

附图说明

图1为本发明反卫星导航欺诈的方法的流程方框图。

图2为本发明图像匹配方法中图像匹配点选取的示意图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步说明。

如图1所示，本发明采用的反卫星导航欺诈的方法，包括如下步骤：

步骤1：特征场景及位置信息存储；预先将出发点和目标点的位置信息以及路途中显著位置点的信息数据存入到信息检测库中，该信息数据包括该位置点的位置信息以及N幅具有该位置点显著特征的图片；

步骤2：在未到达显著位置点时，采用载波相位双差欺骗检测技术不断检测是否存在卫星导航欺骗信号，若检测到存在欺骗信号，则进行步骤3，否则进行步骤4；

步骤3：检测到存在欺骗信号，则将临界点的位置信息作为起始点，采用惯性导航，向着最近的一个显著位置点前进，并开启图像匹配模式，根据图像匹配的结果，当到达最邻近的显著位置点时，用预存的显著位置点的信息数据对惯性导航进行纠偏；如此反复，直到到达目标点。

步骤4：到达临近显著位置点前，一直未检测到卫星导航欺骗信号，则到达临近显著位置点时进行图像匹配，若匹配，则重复步骤4，直到到达目标点；若不匹配，则进行步骤5；

步骤5：摄像头拍摄当前位置的地形环境图片，并将图片传回后方指挥站进行地图匹配，若匹配不成功，则原路返回出发点，若匹配成功，则进行步骤6；

步骤6：对当前的位置信息进行更新，并向着最近的一个显著位置点前进，同时开启图像匹配模式，根据图像匹配的结果，当到达最近的显著位置点时，用显著位置点的准确信息对惯性导航进行纠偏；如此反复，直到到达目标点。

上述步骤的实现，采用了如下关键技术；

其中步骤1涉及预先将出发点和目标点的位置信息以及路途中显著位置点的信息数据存入到信息检测库中，需要采用图像显著特征提取技术，其具体做法为：利用高斯卷积核对原始图像进行平滑，以得到图像的尺度空间表示。用L(x,y,σ)表示一幅二维图像I(x,y)的尺度空间，其定义为：

$L(x,y,\mathrm{\σ})=G(x,y,\mathrm{\σ})\⊗I(x,y)---\left(1\right)$

其中，表示卷积运算，G(x,y,σ)是卷积核可变的高斯函数，其定义为：

$G(x,y,\mathrm{\σ})=\frac{1}{2{\mathrm{\π\σ}}^2}{e}^{-(x^2+y^2)/2{\mathrm{\σ}}^2}---\left(2\right)$

式中，σ为尺度因子，表示图像被平滑的程度，σ越大图像越模糊；

为了提高算法效率，本文建立3组3层高斯金字塔，共9层图像。经过实验比较，图像金字塔的第0组0层图像平滑尺度σ₀＝1.4，任意层与0层之间的尺度关系为σ_s＝σ₀k^s，相邻层间尺度因子k＝2^1/S，S为每组总层数3，s为金字塔中图像的层序数，s＝{0,1,2,...}。每组的第一层图像由前一组的最后一层图像下采样得到。为了获取更多的特征点，可将原始图像放大2倍作为第0组图像；

在建立了高斯金字塔尺度空间后，需要在每层图像上进行特征点检测。本文的特征点快速检测算法的核心思想是通过对比中心点与周围像素点的明暗程度来确定中心点是否是特征点。

在以候选像素点p为中心，半径为3个像素的圆上共有16个像素点，如图1所示，对圆周上每一个像素点x(x∈{1,2,...,16})逐一检测，按照式(3)的规则判断中心点是亮点、暗点或相似点。如果有n个连续的像素点属于亮点(或暗点)，那么点p属于特征点；

式中，I_p表示点p的亮度灰度值，I_x表示点x的亮度灰度值，t为亮度阈值；

为使特征点描述子具有旋转不变性，需要对每个特征点分配主方向。首先计算以某个特征点为圆心、6s(s为特征点对应的尺度)为半径的圆形邻域内所有点在x和y方向上的Haar小波响应，Haar小波边长为4s，取样步长为s；然后给响应值赋以特征点为中心的高斯(σ＝2.5)权重系数，使得靠近特征点的响应贡献大，远离特征点的响应贡献小。接下来以x方向的响应为横坐标，以y方向的响应为纵坐标，取60°的扇形区域作为滑动窗口，使用该窗口以5°为步长旋转遍历整个圆形邻域，分别计算在每个角度下该扇形区域内所有点在x和y方向的Haar小波响应和，生成一个局部的方向向量，选择所有窗口中最长的向量方向作为该特征点的主方向；

以特征点为中心构建边长为20s的正方形区域，旋转该区域使之与特征点的主方向平行，沿主方向将该区域划分为4×4个子区域，每个子区域有5s×5s个像素点，计算每个子区域内每个像素点在x方向(平行于主方向)和y方向(垂直于主方向)的Haar小波响应值，Haar小波边长为2s，分别记为d_x、d_y。为增加对几何变换的鲁棒性，对d_x和d_y赋以特征点为中心的高斯(σ＝3.3s)权重系数；

然后把每个子区域内的Haar小波响应值及响应值的绝对值相加得到∑d_x，∑d_y，∑|d_x|，∑|d_y|。这样，在每个子区域得到一个四维向量V＝[∑d_x,∑d_y,∑|d_x|,∑|d_y|]，对每个特征点，就产生了一个4×4×4＝64维的特征描述向量，再对描述向量进行归一化处理以获得对比度不变性。

其中步骤3-6均涉及到的述图像匹配模式采用图像匹配方法，该图像匹配方法采用快速近似最近邻搜索算法进行特征的搜索，从目标图像中找出与场景图像的欧氏距离最近和次近的两个点，以最近欧氏距离与次近欧氏距离的比值同给定的阈值T比较来判定特征点是否匹配。实施中，阈值T通常为0.4～0.8，阈值越大匹配点数越多，但匹配正确率会降低；

经过欧氏距离匹配后的匹配点对仍会存在错误匹配的情况，需对初始匹配结果进行去误提纯；

1)随机选取匹配点中，可采取了一种如图2所示的匹配点按块随机选取方法。匹配点按块随机选取方法具体如下:首先，在第一幅图像中计算匹配点坐标的最大值和最小值，并据此把第一幅图像中包含匹配点的部分平均分成b×b块，如图2所示，假设此时b＝4，其中，有的块中有匹配点，而有的块中没有，必须去掉这些没有匹配点的块；其次，在第一幅图像中随机选取8个互不相同的块；最后，在这8块的每块中随机选取一个点，共得到8对分布比较均匀的匹配点。用这样的8对匹配点计算出的基本矩阵比较稳定、准确；

2)利用这n+1样本中的n个数据确定模型的参数，找到临时模型。先利用这n+1样本中的n个数据确定模型的参数，找到临时模型，然后检测第n+1个样本是不是在临时模型上，如果不是，重新选择一个随机样本集(n+1个样本)；如果是，则此临时模型为候选模型，算法继续寻找此候选模型的支撑集。如果支撑集数量足够大，候选模型即为所寻找的目标模型。否则，重选随机样本集。

一种基于反卫星导航欺诈方法的无人系统，它包括采用上述反卫星导航欺诈方法的无人机系统和无人车系统。同时本发明的反卫星导航欺诈方法还可应用到民用航空领域，可弥补民用航空器面对恐怖袭击中卫星导航欺诈的漏洞，对提高航空安全具有重要意义。

Claims (3)

1.一种反卫星导航欺诈的方法，其特征在于，它包括如下步骤：

步骤1：特征场景及位置信息存储；预先将出发点和目标点的位置信息以及路途中显著位置点的信息数据存入到信息检测库中，该信息数据包括该位置点的位置信息以及N幅具有该位置点显著特征的图片；

步骤2：在未到达显著位置点时，采用载波相位双差欺骗检测技术不断检测是否存在卫星导航欺骗信号，若检测到存在欺骗信号，则进行步骤3，否则进行步骤4；

步骤3：检测到存在欺骗信号，则将临界点的位置信息作为起始点，采用惯性导航，向着最近的一个显著位置点前进，并开启图像匹配模式，根据图像匹配的结果，当到达最邻近的显著位置点时，用预存的显著位置点的信息数据对惯性导航进行纠偏；如此反复，直到到达目标点；

步骤4：到达临近显著位置点前，一直未检测到卫星导航欺骗信号，则到达临近显著位置点时进行图像匹配，若匹配，则重复步骤4，直到到达目标点；若不匹配，则进行步骤5；

步骤5：摄像头拍摄当前位置的地形环境图片，并将图片传回后方指挥站进行地图匹配，若匹配不成功，则原路返回出发点，若匹配成功，则进行步骤6；

步骤6：对当前的位置信息进行更新，并向着最近的一个显著位置点前进，同时开启图像匹配模式，根据图像匹配的结果，当到达最近的显著位置点时，用显著位置点的准确信息对惯性导航进行纠偏；如此反复，直到到达目标点。

2.如权利要求1所述的反卫星导航欺诈的方法，其特征在于，所述图像匹配模式采用图像匹配方法，该图像匹配方法采用快速近似最近邻搜索算法进行特征的搜索，从目标图像中找出与场景图像的欧氏距离最近和次近的两个点，以最近欧氏距离与次近欧氏距离的比值同给定的阈值T比较来判定特征点是否匹配。

3.一种基于反卫星导航欺诈方法的无人系统，其特征在于，它包括采用权利要求1或2中所述反卫星导航欺诈方法的无人机系统和无人车系统。