CN109000622A - 一种基于深度学习的水下定位方法及系统 - Google Patents
一种基于深度学习的水下定位方法及系统 Download PDFInfo
- Publication number
- CN109000622A CN109000622A CN201810479354.7A CN201810479354A CN109000622A CN 109000622 A CN109000622 A CN 109000622A CN 201810479354 A CN201810479354 A CN 201810479354A CN 109000622 A CN109000622 A CN 109000622A
- Authority
- CN
- China
- Prior art keywords
- underwater
- target object
- location information
- reference picture
- reference object
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
Abstract
本发明实施例提供一种基于深度学习的水下定位方法及系统,该方法包括:获取目标对象周围的参考图像,参考图像中包含目标对象周围的参照对象;根据参照对象在水下的深度位置信息、参照对象与目标对象的距离信息,获取目标对象在水下的位置信息。本发明实施例通过目标对象拍摄的周围环境的参考图像,利用周围环境中的海洋生物的生活范围或预先标定好的预设信标的位置,进行水下快速深度定位,为海洋作业及科学考察提供了一种快速便捷的定位辅助。并且本发明与现有技术相比具有高度的隐藏性,不需要依赖卫星定位系统,也不需要向目标对象发送任何信息,具有隐蔽性,基于深度识别算法,算法速度优,能比现有技术更快更隐蔽的实现定位。
Description
技术领域
本发明实施例涉及水下定位导航技术领域,尤其涉及一种基于深度学习的水下定位方法及系统。
背景技术
随着现代科学技术的飞速发展,定位技术在航空航天、海洋科考及勘探、交通等领域都得到了广泛应用并受到人们越来越多的关注。随着我国海洋强国战略的实施,对水下导航在精度和可靠性方面都提出了更高的要求,这也是当前水下导航技术的发展方向。
许多水下设备应用惯性导航系统进行自主定位,但惯性导航系统一方面具有累积误差,另一方面受推算的位置与运动状态限制定位时间较长。由此可见,现有的惯性导航系统很难满足水下快速定位及垂直导航方面的要求,因此亟需一种快速便捷的水下定位技术。
发明内容
本发明实施例提供一种基于深度学习的水下定位方法及系统,用以解决现有技术中用户需要较长时间推算出目标的位置,实现快速的水下定位以及自主导航。
本发明实施例提供一种基于深度学习的水下定位方法,包括:S1,获取目标对象周围的参考图像,所述参考图像中包含所述目标对象周围的参照对象;S2,根据所述参照对象在水下的深度位置信息、所述参照对象与所述目标对象的距离信息,获取所述目标对象在水下的位置信息。
本发明实施例还提供一种基于深度学习的水下定位系统,包括:参考模块,用于获取目标对象周围的参考图像,所述参考图像中包含所述目标对象周围的参照对象;计算模块,用于根据所述参照对象在水下的深度位置信息、所述参照对象与所述目标对象的距离信息,获取所述目标对象在水下的位置信息。
本发明实施例提供一种基于深度学习的水下定位设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行一种基于深度学习的水下定位方法。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行一种基于深度学习的水下定位方法。
本发明实施例提供的一种基于深度学习的水下定位方法及系统,通过目标对象拍摄的周围环境的参考图像,利用周围环境中的海洋生物的生活范围或预先标定好的预设信标的位置,进行水下快速深度定位,为海洋作业及科学考察提供了一种快速便捷的定位辅助。并且本发明与现有技术相比具有高度的隐藏性,不需要依赖卫星定位系统,也不需要向目标对象发送任何信息,具有隐蔽性,基于深度识别算法,算法速度优,能比现有技术更快更隐蔽的实现定位。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种基于深度学习的水下定位方法的流程图;
图2为本发明实施例一种基于深度学习的水下定位系统的结构示意图;
图3为本发明实施例提供的一种基于深度学习的水下定位设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例一种基于深度学习的水下定位方法的流程图,如图1所示,该方法包括:S1,获取目标对象周围的参考图像,所述参考图像中包含所述目标对象周围的参照对象;S2,根据所述参照对象在水下的深度位置信息、所述参照对象与所述目标对象的距离信息,获取所述目标对象在水下的位置信息。
首先获取目标对象周围的参考图像,该参考图像是目标用户通过图像传感器拍摄获得的,这里的图像传感器包括但不限于深度传感器、多目传感器和光谱成像传感器。
通过深度传感器拍摄的参考图像,可以知道参考图像中每个像素点与目标对象的距离,从而就可以知道参照对象与目标对象的距离,当参照对象在水下的深度位置信息是已知的时候,就可以反推出目标对象在水下的深度位置信息。
同样的,通过多目传感器也可以计算出参照对象与目标对象的距离,当参照对象在水下的深度位置信息是已知的时候,就可以反推出目标对象在水下的深度位置信息。
当在深海处,可见光比较微弱的时候,就可以通过多光谱传感器来拍摄周围的参考图像。
具体的,参照对象可以是预设信标或者是任意一种海洋生物。
预设信标是预先投放设置好的,一般来说,不同深度、不同位置的水下都会投放大量的信标,并且记录每个信标的初始图像以及每个信标在水下的深度位置信息,以方便后面的匹配。
其中,每个预设信标在水下的深度位置信息通过北斗、全球定位系统(GPS)、伽利略及格洛纳斯等卫星定位系统及回声探测仪等专业海洋深度测量设备对预设信标进行定位,得到每个预设信标在水下的深度位置信息。
海洋生物包括海洋动物、海洋植物等,同样的,对通过多种传感器对每个种海洋动物、植物进行拍照,得到每个种海洋生物的初始图像,根据每个种海洋动物在水下的活动范围,得到每个动物在水下的深度位置信息,根据每个种海洋植物在水下的生存范围,得到每个种植物在水下的深度位置信息。
其中,每个动物、每个植物在水下的深度位置信息是通过参考准确的海洋科考参考文献获得的。
一般地,本发明实施例把这些预设信标的初始图像和预设信标在水下的位置深度信息、每个海洋生物的初始图像和每个海洋生物在水下的位置深度信息建成一个数据库,这些信息统统存在这个数据库中。
接着通过深度学习算法识别参考图像中的参照对象,把该参照对象与数据库中的每幅初始图像进行匹配,将匹配程度最高的预设信标在水下的深度位置信息作为该参照对象在水下的深度位置信息,或者是,将匹配程度最高的海洋生物在水下的深度位置信息作为该参照对象在水下的深度位置信息。
所使用的深度学习算法包括:深度信念网络、卷积神经网络、卷积深度信念网络、深度玻尔兹曼机等多种算法。
接着根据参照对象在水下的深度位置信息、参照对象与目标对象的距离,反推得到目标对象在水下的深度位置信息。
需要说明的是,由于预设信标在水下的深度位置信息是通过卫星定位系统及回声探测仪等专业海洋深度测量设备得到的,其深度位置信息是一个具体值,若参考图像中的参照对象是信标,最后得到的目标对象在水下的深度位置信息也是一个具体的值。而海洋生物在水下的深度位置信息是一个大概的范围,若参考图像中的参照对象是海洋生物,最后得到的目标对象在水下的深度位置信息也会是一个范围。
因此,目标对象周围信标可见的情况下优先拍摄信标,信标不可见则选择具体海洋生物进行拍摄。
优选地,当目标对象拍摄到参考图像后,通过网络将参考图像上传到局域网,在后台处理器对参考图像中的参照对象进行目标识别,并将识别出来的参照对象通过数据库查询,获得参照对象的深度位置信息,最后反馈给用户终端,也就是反馈给拍摄者。
通过在后台对参考图像进行识别处理,减轻了用户终端的处理压力,并且一般后台处理器的处理能力较强,计算速度比较快。
本发明实施例提供的一种基于深度学习的水下定位方法,通过目标对象拍摄的周围环境的参考图像,利用周围环境中的海洋生物的生活范围或预先标定好的预设信标的位置,进行水下快速深度定位,为海洋作业及科学考察提供了一种快速便捷的定位辅助。并且本发明与现有技术相比具有高度的隐藏性,不需要依赖卫星定位系统,也不需要向目标对象发送任何信息,具有隐蔽性,基于深度识别算法,算法速度优,能比现有技术更快更隐蔽的实现定位。
图2为本发明实施例一种基于深度学习的水下定位系统的结构示意图,该系统包括:参考模块201,用于获取目标对象周围的参考图像,所述参考图像中包含所述目标对象周围的参照对象;计算模块202,用于根据所述参照对象在水下的深度位置信息、所述参照对象与所述目标对象的距离信息,获取所述目标对象在水下的位置信息。
该系统实施例的具体执行过程与上述方法实施例相同,详情请参考上述方法实施例,本实施例在此不再赘述。
图3为本发明实施例提供的一种基于深度学习的水下定位设备的结构示意图,如图3所示,该服务器可以包括:处理器(processor)310、通信接口(CommunicationsInterface)320、存储器(memory)330和总线340,其中,处理器310,通信接口320,存储器330通过总线340完成相互间的通信。通信接口340可以用于服务器与智能电视之间的信息传输。处理器310可以调用存储器330中的逻辑指令,以执行如下方法:获取目标对象周围的参考图像,所述参考图像中包含所述目标对象周围的参照对象;根据所述参照对象在水下的深度位置信息、所述参照对象与所述目标对象的距离信息,获取所述目标对象在水下的位置信息。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于深度学习的水下定位方法,其特征在于,包括:
S1,获取目标对象周围的参考图像,所述参考图像中包含所述目标对象周围的参照对象;
S2,根据所述参照对象在水下的深度位置信息、所述参照对象与所述目标对象的距离信息,获取所述目标对象在水下的位置信息。
2.根据权利要求1所述方法,其特征在于,所述参照对象为预设信标或任一海洋生物。
3.根据权利要求2所述方法,其特征在于,步骤S1之前还包括:获取每一预设信标的初始图像以及每一预设信标在水下的深度位置信息,获取每一海洋生物的初始图像以及每一海洋生物在水下的深度位置信息。
4.根据权利要求3所述方法,其特征在于,步骤S2之前还包括:通过深度学习算法识别所述参考图像中的参照对象,将所述参照对象分别与每一预设信标的初始图像、每一海洋生物的初始图像进行匹配,将匹配程度最高的预设信标或匹配程度最高的海洋生物在水下的深度位置信息作为所述参照对象在水下的深度位置信息。
5.根据权利要求3所述方法,其特征在于,所述每一预设信标在水下的深度位置信息通过卫星定位系统及回声探测仪等专业海洋深度测量设备获得。
6.根据权利要求1所述方法,其特征在于,所述参照对象与所述目标对象的距离信息通过深度传感器或多目传感器计算获得。
7.根据权利要求1所述方法,其特征在于,所述参考图像通过深度传感器、多目传感器和多光谱传感器中的一种获得。
8.一种基于深度学习的水下定位系统,其特征在于,包括:
参考模块,用于获取目标对象周围的参考图像,所述参考图像中包含所述目标对象周围的参照对象;
计算模块,用于根据所述参照对象在水下的深度位置信息、所述参照对象与所述目标对象的距离信息,获取所述目标对象在水下的位置信息。
9.一种基于深度学习的水下定位设备,其特征在于,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1-7中任一项所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810479354.7A CN109000622A (zh) | 2018-05-18 | 2018-05-18 | 一种基于深度学习的水下定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810479354.7A CN109000622A (zh) | 2018-05-18 | 2018-05-18 | 一种基于深度学习的水下定位方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109000622A true CN109000622A (zh) | 2018-12-14 |
Family
ID=64573906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810479354.7A Pending CN109000622A (zh) | 2018-05-18 | 2018-05-18 | 一种基于深度学习的水下定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109000622A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110798885A (zh) * | 2019-11-03 | 2020-02-14 | 桂林电子科技大学 | 一种基于测距和神经网络算法的水下定位方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104180804A (zh) * | 2014-09-11 | 2014-12-03 | 东南大学 | 基于水下信息网络的单参考节点水下航行器组合导航方法 |
CN104197939A (zh) * | 2014-09-11 | 2014-12-10 | 东南大学 | 基于水下信息网络的多参考节点水下航行器组合导航方法 |
CN104457761A (zh) * | 2014-11-18 | 2015-03-25 | 上海新跃仪表厂 | 基于多目视觉的相对位置和姿态的特征接力方法 |
CN106403901A (zh) * | 2016-08-31 | 2017-02-15 | 国家海洋技术中心 | 一种浮标姿态测量装置及方法 |
CN107831515A (zh) * | 2017-10-10 | 2018-03-23 | 北京臻迪科技股份有限公司 | 水下定位方法和系统 |
-
2018
- 2018-05-18 CN CN201810479354.7A patent/CN109000622A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104180804A (zh) * | 2014-09-11 | 2014-12-03 | 东南大学 | 基于水下信息网络的单参考节点水下航行器组合导航方法 |
CN104197939A (zh) * | 2014-09-11 | 2014-12-10 | 东南大学 | 基于水下信息网络的多参考节点水下航行器组合导航方法 |
CN104457761A (zh) * | 2014-11-18 | 2015-03-25 | 上海新跃仪表厂 | 基于多目视觉的相对位置和姿态的特征接力方法 |
CN106403901A (zh) * | 2016-08-31 | 2017-02-15 | 国家海洋技术中心 | 一种浮标姿态测量装置及方法 |
CN107831515A (zh) * | 2017-10-10 | 2018-03-23 | 北京臻迪科技股份有限公司 | 水下定位方法和系统 |
Non-Patent Citations (2)
Title |
---|
董海鹰: "《智能控制理论及应用》", 30 September 2016, 北京:中国铁道出版社 * |
陈新军: "《渔业资源与渔场学 第2版》", 31 October 2014, 北京:海洋出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110798885A (zh) * | 2019-11-03 | 2020-02-14 | 桂林电子科技大学 | 一种基于测距和神经网络算法的水下定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019223382A1 (zh) | 单目深度估计方法及其装置、设备和存储介质 | |
US9307221B1 (en) | Settings of a digital camera for depth map refinement | |
EP3134868B1 (en) | Generation and use of a 3d radon image | |
US20150363970A1 (en) | Model and Sizing Information from Smartphone Acquired Image Sequences | |
CN108337505B (zh) | 信息获取方法和装置 | |
TW202034270A (zh) | 車輛事故的鑑定方法及裝置、電子設備 | |
Alterman et al. | Triangulation in random refractive distortions | |
CN112200057A (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
WO2024012333A1 (zh) | 位姿估计方法及相关模型的训练方法、装置、电子设备、计算机可读介质和计算机程序产品 | |
CN112037142A (zh) | 一种图像去噪方法、装置、计算机及可读存储介质 | |
CN108259764A (zh) | 摄像机、应用于摄像机的图像处理方法及装置 | |
EP3998582A1 (en) | Three-dimensional model generation method and three-dimensional model generation device | |
CN114267041B (zh) | 场景中对象的识别方法及装置 | |
CN111345025A (zh) | 相机设备及对焦方法 | |
CN111080537A (zh) | 水下机器人智能控制方法、介质、设备及系统 | |
WO2022198508A1 (zh) | 镜头异常提示方法、装置、可移动平台及可读存储介质 | |
CN110012236A (zh) | 一种信息处理方法、装置、设备和计算机存储介质 | |
CN109000622A (zh) | 一种基于深度学习的水下定位方法及系统 | |
CN115760990B (zh) | 一种菠萝花蕊的识别定位方法、电子设备及存储介质 | |
CN112329616A (zh) | 目标检测方法、装置、设备以及存储介质 | |
KR20220014678A (ko) | 영상의 깊이를 추정하는 방법 및 장치 | |
CN111310567A (zh) | 一种多人场景下的人脸识别方法及装置 | |
CN108335329B (zh) | 应用于飞行器中的位置检测方法和装置、飞行器 | |
CN112907728B (zh) | 基于摄像头和边缘计算的船舶场景还原和定位方法及系统 | |
WO2023086398A1 (en) | 3d rendering networks based on refractive neural radiance fields |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181214 |