CN105787489A - 一种基于水下地貌的匹配导航算法 - Google Patents

一种基于水下地貌的匹配导航算法 Download PDF

Info

Publication number
CN105787489A
CN105787489A CN201610124776.3A CN201610124776A CN105787489A CN 105787489 A CN105787489 A CN 105787489A CN 201610124776 A CN201610124776 A CN 201610124776A CN 105787489 A CN105787489 A CN 105787489A
Authority
CN
China
Prior art keywords
real
reference map
time
algorithm
maximum cross
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.)
Granted
Application number
CN201610124776.3A
Other languages
English (en)
Other versions
CN105787489B (zh
Inventor
卞红雨
张志刚
宋子奇
孙明琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201610124776.3A priority Critical patent/CN105787489B/zh
Publication of CN105787489A publication Critical patent/CN105787489A/zh
Application granted granted Critical
Publication of CN105787489B publication Critical patent/CN105787489B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/46Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462Salient features, e.g. scale invariant feature transforms [SIFT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/22Matching criteria, e.g. proximity measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00Indexing scheme relating to image or video recognition or understanding
    • G06V2201/11Technique with transformation invariance effect

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及的是数字图像处理技术领域,具体地说是一种基于水下地貌图像的匹配导航算法。本发明包括:将实时图和待与实时图匹配的基准图都转化为圆形模板,提取两个圆形模板的不变矩特征作为匹配的内容;以实时图与基准图之间的不变矩特征向量的欧氏距离作为相似性度量;欧氏距离最小时所对应的基准图的位置即为实时图的匹配位置;采用粒子群优化算法代替遍历的搜索方式;利用多种群思想改进粒子群优化算法;搜索到实时图的匹配位置后,利用最大互相关法确定航向角。本发明提出了适合水下地貌图像的匹配导航算法。针对导航的特殊需求,本发明采用不变矩特征,克服了水下应用中旋转、平移和尺度变换的影响。

Description

一种基于水下地貌的匹配导航算法
技术领域
本发明涉及的是数字图像处理技术领域,具体地说是一种基于水下地貌图像的匹配导航算法。
背景技术
随着人类探索海洋和军事活动的不断深入,人们对水下潜器的安全性和自主性的需求不断提高,其中导航技术是水下潜器研究领域的重要课题。目前潜器导航技术采用以惯性导航系统(INS)为主体的多种组合导航系统,而惯性导航在长时间的工作中,其定位误差会随着时间而积累。为保证导航效果稳定可靠,可以借助水下潜器实时获取的地形和地貌信息,与已知的数字地图相比较来确定潜器的精确位置,以此来修正惯性导航系统的导航结果。这种技术即是与惯导组合使用的地形地貌辅助导航技术。与现有的利用GPS、无线电、天文信息等辅助导航手段相比,该技术最大的优点是无需上浮,对潜器的隐蔽性非常有利,而且导航信息由潜器自身携带的声学传感器实时获取,不受天气、电磁干扰等影响,具有更好的自主性和抗干扰性。
地形辅助导航的基本原理是利用测深或侧扫声呐设备实时获取水下运载体航迹上的地形或地貌图像(称为实时图),与载体计算机上存储的地图(称为基准图)进行比较,从而获取载体的当前位置。目前大多数辅助导航研究都集中在利用地形高度信息,而利用地貌信息的则相对较少,所以本发明提出基于水下地貌的匹配导航算法,旨在提高导航定位精度。本发明主要针对地貌导航,是水下运载体导航定位技术的一个重要研究领域。其传统的地形辅助导航方法通常可以分为两类,即地形高度匹配与地貌匹配,其中地形高度匹配采用的数据是测深声纳探测的地形高度数据;地貌匹配采用的数据是侧扫声呐获取的地貌图像。由于地貌图像的分辨率远远高于地形高度数据,在地形辅助导航研究中利用水下地貌无疑会大大提高导航精度。
基于水下地貌的匹配导航算法的本质就是图像匹配算法。匹配算法通常基于图像特征,包括点特征、边缘特征、区域特征、矩特征等。相似性度量常采用平均绝对差度量(MAD)、平方差度量(SD)、平均平方差算法(MSD)、积相关度量(PROD)、归一化积相关度量(NPROD,也称为最大互相关度量)等。相似性度量可以定义为某一距离函数,如欧氏距离、马氏距离、Hausdorff距离等。为了加快匹配速度,常用非线性的随机搜索代替线性的遍历式搜索,如粒子群优化算法(PSO)、遗传算法、蚁群算法、神经网络算法等。也有将多分辨率小波与改进型SSDA相结合的快速匹配算法,并给出了从粗匹配到精匹配的实施过程。在景象匹配的启发下,并结合声呐图像的特点,
发明内容
本发明的目的在于提供一种有效提高整体处理的稳定性和实时性的基于水下地貌图像的匹配导航算法。
本发明的目的是这样实现的:
一种基于水下地貌的匹配导航算法,包括如下步骤:
(1)将实时图和待与实时图匹配的基准图都转化为圆形模板,提取两个圆形模板的不变矩特征作为匹配的内容;
不变矩特征的计算如下:
一幅大小为M×N像素的数字图像f(i,j),i、j表示图中某一像素所在的行序号与列序号,其p+q阶几何矩mpq和中心矩μpq分别为:
m p q = Σ i = 1 M Σ j = 1 N i p j q f ( i , j )
μ p q = Σ i = 1 M Σ j = 1 N ( i - i ‾ ) p ( j - j ‾ ) q f ( i , j )
其中,p和q分别为行方向和列方向上矩的阶数;
定义规格化中心矩:
η p q = μ p q μ 00 γ , ( γ = p + q + 2 2 , p + q = 2 , 3 , ... )
七个Hu不变矩特征(φ1~φ7)为:
φ1=η2002
φ 2 = ( η 20 - η 02 ) 2 + 4 η 11 2
φ3=(η30-3η12)2+3(η2103)2
φ4=(η3012)2+(η2103)3
φ5=(η30+3η12)(η3012)[(η3012)2-3(η2103)2]+(3η2103)(η2103)[3(η3012)2-(η2103)2]
φ6=(η2002)[(η3012)2-(η2103)2]+4η113012)(η2103)
φ7=(3η2103)(η3012)[(η3012)2-3(η2103)2]+(3η1230)(η2103)[3(η3012)2-(η2103)2]
(2)以实时图与基准图之间的不变矩特征向量的欧氏距离作为相似性度量;欧氏距离最小时所对应的基准图的位置即为实时图的匹配位置;
(3)采用粒子群优化算法代替遍历的搜索方式;利用多种群思想改进粒子群优化算法;
(4)搜索到实时图的匹配位置后,利用最大互相关法确定航向角;
在最大互相关法中,利用实时图和与之匹配的基准图的最大互相关值作为相似性度量,将基准图旋转0~359°,计算不同角度下的基准图与实时图之间的最大互相关值,互相关值最大时基准图旋转的角度即为实时图相对于基准图的角度差值;将最大互相关算法与改进的粒子群优化算法相结合;互相关的计算如下:
R ( u , v ) = 1 n 2 Σ i = 0 n - 1 Σ j = 0 n - 1 ( X i j Y i + u , j + v ) 1 n 2 Σ i = 0 n - 1 Σ j = 0 n - 1 ( X i j 2 ) 1 n 2 Σ i = 0 n - 1 Σ j = 0 n - 1 ( Y 2 i + u , j + v )
式中,Xij与Yi+u,j+v分别为位置i,j与i+u,j+v处的去均值灰度值, x和y分别是实时图和基准图像素值,k、l分别为像素的行序号与列序号,实时图的大小是n×n,u和v表示实时图在基准图中的相对位置。
本发明的有益效果在于:
本发明提出了适合水下地貌图像的匹配导航算法。针对导航的特殊需求,本发明采用不变矩特征,克服了水下应用中旋转、平移和尺度变换的影响。另外,本发明采用最大互相关法实现了航向角的确定,并利用多种群思想对粒子群优化算法进行了改进,将其与上述算法结合,有效提高了整体处理的稳定性和实时性。
附图说明
图1为地貌图像匹配技术流程;
图2a为基准图;
图2b为实时图;
图3a为转化为圆形模板的基准图;
图3b为转化为圆形模板的实时图;
图4为标准粒子群算法匹配结果图;
图5为改进粒子群算法匹配结果图;
图6为最大互相关法确定航向角;
图7为整体算法匹配结果。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明提供了一种基于水下地貌的匹配导航算法。该算法的主要任务包括特征提取、特征匹配和匹配结果输出,其中特征匹配包括搜索匹配位置和确定航向角。
特征提取部分主要提取不变矩特征。
搜索匹配位置采用不变矩特征向量的欧氏距离作为相似性度量,为了减少计算量,提高匹配效率,采用粒子群优化算法代替遍历的搜索策略,并改进粒子群优化算法,来改善算法的性能。
确定航向角时利用最大互相关法,并将最大互相关法结合改进的粒子群优化算法来减少计算量,缩短匹配时间。
最后,各部分流程的算法综合到一起,构成一套完整的地貌图像匹配导航算法,并输出匹配导航结果。算法流程如附图1所示。
基于水下地貌的匹配导航算法,其特征是:
(1)将实时图和待与之匹配的基准图都转化为圆形模板,提取二者的不变矩特征作为匹配的内容。
(2)以实时图与基准图之间的不变矩特征向量的欧氏距离作为相似性度量。欧氏距离越小,则相似程度越高。欧氏距离最小时所对应的基准图的位置即为实时图的匹配位置。
(3)采用粒子群优化算法代替遍历的搜索方式,以缩短匹配时间。
(3)利用多种群思想改进粒子群优化算法,使算法性能更稳定可靠。
(4)搜索到实时图的匹配位置后,利用最大互相关法确定航向角。
在最大互相关法中,利用实时图和与之匹配的基准图的最大互相关值作为相似性度量,将基准图旋转0~359°,计算不同角度下的基准图与实时图之间的最大互相关值,互相关值最大时基准图旋转的角度即为实时图相对于基准图的角度差值。将最大互相关算法与改进的粒子群优化算法相结合,来减少计算量。
本发明是一种基于水下地貌图像的匹配导航算法,其具体内容为:
(1)将实时图和待与之匹配的基准图转化为圆形模板,提取二者的不变矩特征。
(2)以欧氏距离作为实时图与基准图之间不变矩特征向量的相似性度量。取欧氏距离最小时对应的基准图位置为实时图的匹配位置。采用粒子群优化算法代替遍历搜索缩短匹配时间。
(3)利用多种群思想改进粒子群优化算法,提高算法稳定性。
(4)搜索到实时图的匹配位置后,采用最大互相关法确定航向角。在最大互相关法中,利用实时图和与之匹配的基准图的最大互相关值作为相似性度量,计算不同角度下的基准图与实时图之间的互相关值,互相关值最大时基准图旋转的角度即为实时图相对于基准图的角度差值。将最大互相关算法与改进的粒子群优化算法相结合,以减少计算量。
本发明的技术流程见图1。具体实施细节如下:
(1)提取不变矩特征,由于不变矩在圆形模板下具有良好的旋转不变性,所以提取不变矩之前需将实时图和待与之匹配的基准图都转化为圆形模板。基准图与实时图的举例如图2所示,图3为基准图与实时图转化为圆形模板的结果。
不变矩特征的计算如下:
一幅大小为M×N(像素)的数字图像f(i,j)(i、j表示图中某一像素所在的行序号与列序号),其p+q阶几何矩mpq和中心矩μpq分别为:
m p q = Σ i = 1 M Σ j = 1 N i p j q f ( i , j ) - - - ( 1 )
μ p q = Σ i = 1 M Σ j = 1 N ( i - i ‾ ) p ( j - j ‾ ) q f ( i , j ) - - - ( 2 )
其中,p和q分别为行方向和列方向上矩的阶数。
定义规格化中心矩如(3)式:
η p q = μ p q μ 00 γ , ( γ = p + q + 2 2 , p + q = 2 , 3 , ... ) - - - ( 3 )
由此,七个Hu不变矩特征(φ1~φ7)为:
φ1=η2002(4)
φ 2 = ( η 20 - η 02 ) 2 + 4 η 11 2 - - - ( 5 )
φ3=(η30-3η12)2+3(η2103)2(6)
φ4=(η3012)2+(η2103)3(7)
φ 5 = ( η 30 + 3 η 12 ) ( η 30 + η 12 ) [ ( η 30 + η 12 ) 2 - 3 ( η 21 + η 03 ) 2 ] + ( 3 η 12 - η 30 ) ( η 21 + η 03 ) [ 3 ( η 30 + η 12 ) 2 - ( η 21 + η 03 ) 2 ] - - - ( 8 )
φ6=(η2002)[(η3012)2-(η2103)2]+4η113012)(η2103)(9)
φ 7 = ( 3 η 21 - η 03 ) ( η 30 + η 12 ) [ ( η 30 + η 12 ) 2 - 3 ( η 21 + η 03 ) 2 ] + ( 3 η 12 - η 30 ) ( η 21 + η 03 ) [ 3 ( η 30 + η 12 ) 2 - ( η 21 + η 03 ) 2 ] - - - ( 10 )
(2)计算实时图与基准图各自的不变矩特征向量,求取二者的欧氏距离作为相似性度量。欧氏距离越小,相似程度越高。欧氏距离最小时对应的基准图位置即为实时图的匹配位置。采用粒子群优化算法代替遍历搜索,以减少计算量,缩短匹配时间。
(3)利用多种群思想改进粒子群优化算法,使算法性能更稳定可靠。
(4)搜索到实时图的匹配位置后,利用最大互相关法确定航向角。在最大互相关法中,利用实时图和与之匹配的基准图的最大互相关值作为相似性度量,将基准图旋转0~359°,计算不同角度下的基准图与实时图之间的最大互相关值,最大互相关值最大时基准图旋转的角度即为实时图相对于基准图的角度差值。互相关的计算如下:
R ( u , v ) = 1 n 2 Σ i = 0 n - 1 Σ j = 0 n - 1 ( X i j Y i + u , j + v ) 1 n 2 Σ i = 0 n - 1 Σ j = 0 n - 1 ( X i j 2 ) 1 n 2 Σ i = 0 n - 1 Σ j = 0 n - 1 ( Y 2 i + u , j + v ) - - - ( 11 )
式中,Xij与Yi+u,j+v分别为位置(i,j)与(i+u,j+v)处的去均值灰度值, x和y分别是实时图和基准图像素值,k、l分别为像素的行序号与列序号,实时图的大小是n×n,u和v表示实时图在基准图中的相对位置。
将最大互相关算法与改进的粒子群优化算法相结合,来减少计算量。

Claims (1)

1.一种基于水下地貌的匹配导航算法,其特征在于,包括如下步骤:
(1)将实时图和待与实时图匹配的基准图都转化为圆形模板,提取两个圆形模板的不变矩特征作为匹配的内容;
不变矩特征的计算如下:
一幅大小为M×N像素的数字图像f(i,j),i、j表示图中某一像素所在的行序号与列序号,其p+q阶几何矩mpq和中心矩μpq分别为:
其中,p和q分别为行方向和列方向上矩的阶数;
定义规格化中心矩:
七个Hu不变矩特征(φ1~φ7)为:
φ1=η2002
φ3=(η30-3η12)2+3(η2103)2
φ4=(η3012)2+(η2103)3
φ5=(η30+3η12)(η3012)[(η3012)2-3(η2103)2]+(3η2103)(η2103)
[3(η3012)2-(η2103)2]
φ6=(η2002)[(η3012)2-(η2103)2]+4η113012)(η2103)
φ7=(3η2103)(η3012)[(η3012)2-3(η2103)2]+(3η1230)(η2103)
[3(η3012)2-(η2103)2]
(2)以实时图与基准图之间的不变矩特征向量的欧氏距离作为相似性度量;欧氏距离最小时所对应的基准图的位置即为实时图的匹配位置;
(3)采用粒子群优化算法代替遍历的搜索方式;利用多种群思想改进粒子群优化算法;
(4)搜索到实时图的匹配位置后,利用最大互相关法确定航向角;
在最大互相关法中,利用实时图和与之匹配的基准图的最大互相关值作为相似性度量,将基准图旋转0~359°,计算不同角度下的基准图与实时图之间的最大互相关值,互相关值最大时基准图旋转的角度即为实时图相对于基准图的角度差值;将最大互相关算法与改进的粒子群优化算法相结合;互相关的计算如下:
式中,Xij与Yi+u,j+v分别为位置i,j与i+u,j+v处的去均值灰度值, x和y分别是实时图和基准图像素值,k、l分别为像素的行序号与列序号,实时图的大小是n×n,u和v表示实时图在基准图中的相对位置。
CN201610124776.3A 2016-03-04 2016-03-04 一种基于水下地貌的匹配导航算法 Active CN105787489B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610124776.3A CN105787489B (zh) 2016-03-04 2016-03-04 一种基于水下地貌的匹配导航算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610124776.3A CN105787489B (zh) 2016-03-04 2016-03-04 一种基于水下地貌的匹配导航算法

Publications (2)

Publication Number Publication Date
CN105787489A true CN105787489A (zh) 2016-07-20
CN105787489B CN105787489B (zh) 2019-06-14

Family

ID=56387549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610124776.3A Active CN105787489B (zh) 2016-03-04 2016-03-04 一种基于水下地貌的匹配导航算法

Country Status (1)

Country Link
CN (1) CN105787489B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106646490A (zh) * 2016-09-12 2017-05-10 哈尔滨工程大学 一种快速的多子图关联航向角估计方法
CN108536157A (zh) * 2018-05-22 2018-09-14 上海迈陆海洋科技发展有限公司 一种智能水下机器人及其系统、物标跟踪方法
CN109506647A (zh) * 2018-12-24 2019-03-22 哈尔滨工程大学 一种基于神经网络的ins和磁力计组合定位方法
CN111123275A (zh) * 2020-01-02 2020-05-08 中国科学院声学研究所 一种侧扫声纳回波信号的匹配方法及系统
CN112665584A (zh) * 2020-12-30 2021-04-16 哈尔滨工程大学 一种基于多传感器融合的水下机器人定位与构图方法
CN112902948A (zh) * 2021-01-18 2021-06-04 国家深海基地管理中心 一种深海地形地貌联合匹配辅助导航定位系统及方法
CN113252039A (zh) * 2021-05-06 2021-08-13 西北工业大学 面向地形辅助导航的粒子群快速匹配方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101887577A (zh) * 2010-06-21 2010-11-17 哈尔滨工程大学 基于区域增长的侧扫声纳图像感兴趣区域提取方法
CN104154911A (zh) * 2014-08-12 2014-11-19 东南大学 一种具有旋转不变性的海底地形二维匹配辅助导航方法
CN104484891A (zh) * 2014-10-22 2015-04-01 哈尔滨工程大学 一种基于纹理特征和地形特征参数的水下地形匹配方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101887577A (zh) * 2010-06-21 2010-11-17 哈尔滨工程大学 基于区域增长的侧扫声纳图像感兴趣区域提取方法
CN104154911A (zh) * 2014-08-12 2014-11-19 东南大学 一种具有旋转不变性的海底地形二维匹配辅助导航方法
CN104484891A (zh) * 2014-10-22 2015-04-01 哈尔滨工程大学 一种基于纹理特征和地形特征参数的水下地形匹配方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106646490A (zh) * 2016-09-12 2017-05-10 哈尔滨工程大学 一种快速的多子图关联航向角估计方法
CN108536157A (zh) * 2018-05-22 2018-09-14 上海迈陆海洋科技发展有限公司 一种智能水下机器人及其系统、物标跟踪方法
CN109506647A (zh) * 2018-12-24 2019-03-22 哈尔滨工程大学 一种基于神经网络的ins和磁力计组合定位方法
CN111123275A (zh) * 2020-01-02 2020-05-08 中国科学院声学研究所 一种侧扫声纳回波信号的匹配方法及系统
CN111123275B (zh) * 2020-01-02 2022-01-25 中国科学院声学研究所 一种侧扫声纳回波信号的匹配方法及系统
CN112665584A (zh) * 2020-12-30 2021-04-16 哈尔滨工程大学 一种基于多传感器融合的水下机器人定位与构图方法
CN112665584B (zh) * 2020-12-30 2022-07-15 哈尔滨工程大学 一种基于多传感器融合的水下机器人定位与构图方法
CN112902948A (zh) * 2021-01-18 2021-06-04 国家深海基地管理中心 一种深海地形地貌联合匹配辅助导航定位系统及方法
CN113252039A (zh) * 2021-05-06 2021-08-13 西北工业大学 面向地形辅助导航的粒子群快速匹配方法
CN113252039B (zh) * 2021-05-06 2022-10-28 西北工业大学 面向地形辅助导航的粒子群快速匹配方法

Also Published As

Publication number Publication date
CN105787489B (zh) 2019-06-14

Similar Documents

Publication Publication Date Title
CN105787489A (zh) 一种基于水下地貌的匹配导航算法
Hu et al. Cvm-net: Cross-view matching network for image-based ground-to-aerial geo-localization
US11361470B2 (en) Semantically-aware image-based visual localization
Uy et al. Pointnetvlad: Deep point cloud based retrieval for large-scale place recognition
Tian et al. Cross-view image matching for geo-localization in urban environments
CN107024216B (zh) 引入全景地图的智能车辆融合定位系统及方法
Kim et al. Satellite image-based localization via learned embeddings
Mousavian et al. Semantically guided location recognition for outdoors scenes
CN102853835B (zh) 基于尺度不变特征变换的无人飞行器景象匹配定位方法
Dos Santos et al. Matching color aerial images and underwater sonar images using deep learning for underwater localization
Hu et al. Domain-invariant similarity activation map contrastive learning for retrieval-based long-term visual localization
CN106067172A (zh) 一种基于适配性分析的水下地形图像粗匹配与精匹配结合的方法
CN111767905A (zh) 一种改进的基于陆标-卷积特征的图像方法
CN110427030B (zh) 一种基于Tiny-YOLOship目标检测算法的无人艇自主对接回收方法
CN113343875A (zh) 一种用于机器人的可行驶区域感知方法
Li et al. Real-time underwater target detection for AUV using side scan sonar images based on deep learning
CN112733971B (zh) 扫描设备的位姿确定方法、装置、设备及存储介质
Larsson et al. Latent space metric learning for sidescan sonar place recognition
Cinaroglu et al. Training semantic descriptors for image-based localization
CN114860974A (zh) 一种遥感影像检索定位方法
CN109117852B (zh) 基于稀疏表示的无人机图像适配区自动提取方法及系统
CN111626417A (zh) 一种基于无监督深度学习的闭环检测方法
Tu et al. Automatic recognition of civil infrastructure objects in mobile mapping imagery using a markov random field model
Wang et al. Fast vanishing point detection for unstructured road using Haar texture
CN114283397A (zh) 全局重定位方法、装置、设备及存储介质

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant