CN110456357B - 一种导航定位方法、装置、设备及介质 - Google Patents
一种导航定位方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN110456357B CN110456357B CN201910796454.7A CN201910796454A CN110456357B CN 110456357 B CN110456357 B CN 110456357B CN 201910796454 A CN201910796454 A CN 201910796454A CN 110456357 B CN110456357 B CN 110456357B
- Authority
- CN
- China
- Prior art keywords
- image
- optical image
- information
- position information
- auv
- 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
Images
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
-
- 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
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- 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
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Computer Networks & Wireless Communication (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本申请公开了一种导航定位方法、装置、设备及介质,包括:获取第一位置信息、声呐数据中的TOA信息和声学图像,并确定出第二位置信息;所述第一位置信息为导航系统确定的所述AUV的位置信息,并且,所述第二位置信息为利用所述第一位置信息和所述TOA信息确定的目标对象的位置信息;获取光学图像,并判断所述光学图像与所述声学图像是否匹配;若匹配,则利用所述光学图像确定出所述AUV与所述目标对象的距离信息,若不匹配,则重新采集所述光学图像;利用所述第一位置信息、所述第二位置信息和所述距离信息确定所述AUV的当前位置。这样,在确定AUV的当前位置时,利用了声学图像和光学图像,可以减少惯性导航系统产生的误差,从而提升AUV导航定位的精度。
Description
技术领域
本申请涉及AUV导航领域,特别涉及一种导航定位方法、装置、设备及介质。
背景技术
近年来,AUV(即Autonomous Underwater Vehicle,自主式水下潜器)在诸多领域发挥着重要的作用。例如,在民用领域,可用于铺设管线、海底考察、数据收集、钻井支援、海底施工,水下设备维护与维修等;在军用领域则可用于侦察、布雷、扫雷、援潜和救生等。在AUV进行上述各项活动时,精确的水下导航定位是必不可少的条件之一,特别是当AUV进行长时间、远距离水下航行时,其导航定位的精度是直接影响其能否顺利完成预定任务的关键因素。
目前,常用于AUV的水下导航方法包括水声学导航,航位推算导航,惯性导航等。水声学导航包括长基线,短基线,超短基线,需要在海底或支持母船上布置声学基阵,使用较为繁琐,不利于AUV独立执行作业任务,且导航定位范围受限。航位推算导航和惯性导航不依赖外部传感器,可以依靠自身的推算进行水下导航,这也是潜艇和大多数AUV所普遍采用的导航方式。航位推算导航和惯性导航系统在短期内精度较高,但其定位误差随时间积累,长时间水下航行会产生较大的偏差,这就必须定期利用外部信息对其进行校准,普遍采用的方式为定期上浮接收GPS信号,作为新的修正参考值,但这种方式存在较大的问题,AUV频繁上浮不利于长时间深水作业,并且海面较大的风浪对于AUV相对较小的载体也是一个巨大威胁,以及AUV频繁上浮不利于隐蔽性,严重削弱了AUV不易被敌方发现的重要优势。
发明内容
有鉴于此,本申请的目的在于提供一种导航定位方法、装置、设备及介质,能够减少AUV导航过程中惯性导航产生的误差,从而在满足AUV安全性、隐蔽性和长期水下作业的要求下,提升导航定位的精度。其具体方案如下:
第一方面,本申请公开了一种导航定位方法,包括:
获取第一位置信息、声呐数据中的TOA信息和声学图像,并确定出第二位置信息;其中,所述第一位置信息为导航系统确定的所述AUV的位置信息,并且,所述第二位置信息为利用所述第一位置信息和所述TOA信息确定的目标对象的位置信息;
获取光学图像,并判断所述光学图像与所述声学图像是否匹配;
若匹配,则利用所述光学图像确定出所述AUV与所述目标对象的距离信息,若不匹配,则重新采集所述光学图像;
利用所述第一位置信息、所述第二位置信息和所述距离信息确定所述AUV的当前位置。
可选的,所述判断所述光学图像与所述声学图像是否匹配,包括:
将所述光学图像和所述声学图像生成对应的高斯金字塔;
提取生成高斯金字塔后的所述光学图像和所述声学图像对应的图像特征;
利用豪斯多夫距离对所述图像特征进行匹配判断,判断所述光学图像与所述声学图像是否匹配。
可选的,所述判断光学图像与所述声学图像是否匹配之前,还包括:
对所述光学图像和所述声学图像进行增强处理,直到所述光学图像和所述声学图像的相似度指数达到预设阈值。
可选的,所述对所述光学图像和所述声学图像进行增强处理,直到所述光学图像和所述声学图像的相似度指数达到预设阈值,包括:
对所述光学图像和所述声学图像进行增强处理;
获取增强后的所述光学图像和所述声学图像对应的目标指标;
利用所述目标指标确定所述光学图像和所述声学图像的相似度指数;
若所述相似度指数达到预设阈值,则触发所述判断所述光学图像与所述声学图像是否匹配的步骤,否则对所述光学图像和所述声学图像进行下一次增强处理,直到所述光学图像和所述声学图像的相似度指数达到预设阈值。
可选的,所述对所述光学图像和所述声学图像进行增处理,包括:
利用自动白平衡算法和去雾增强算法对所述光学图像进行增强处理,并利用包含约束量的形态学滤波算法对所述声学图像进行增强处理;其中,所述约束量为根据所述声学图像的区域连贯性以及边缘扭曲程度确定的参数量。
可选的,所述对所述光学图像和所述声学图像进行下一次增强处理,直到所述光学图像和所述声学图像的相似度指数达到预设阈值,包括:
利用所述相似度指数与自动白平衡算法、去雾增强算法和形态学滤波算法的算法参数的函数关系确定下一次增强处理的算法参数;
利用确定出的下一次增强处理的算法参数以及所述自动白平衡算法、所述去雾增强算法和所述形态学滤波算法分别对所述光学图像和所述声学图像进行下一次增强处理,直到所述光学图像和所述声学图像的相似度指数达到预设阈值。可选的,所述利用所述第一位置信息、所述第二位置信息和所述距离信息确定所述AUV的当前位置,包括:
通过卡尔曼滤波算法利用k处的所述第一位置信息估计出k+1处的估计位置信息,并确定出k+1处的所述第二位置信息以及k+1处的所述距离信息;
利用所述k+1处的估计位置信息、k+1处的所述第二位置信息以及k+1处所述距离信息,确定出所述AUV的当前位置为其中,Xk+1|k为所述k+1处的估计位置信息,Xk+1|k=Xk+Dk+Nk,Xk为k处的所述第一位置信息,Dk为k处的位移,Nk为k处的噪声,Kk+1为k+1处的卡尔曼增益系数,εk+1为k+1处的误差,εk+1=Zk+1-||Xk+1|k-Ok+1||,Zk+1为k+1处的所述距离信息,Zk+1=||Xk+1-Ok+1||+δk+1,Xk+1为k+1处的所述第一位置信息,δk+1为k+1处的噪声,Ok+1为k+1处的所述第二位置信息。
第二方面,本申请公开了一种导航定位装置,包括:
目标位置确定模块,用于获取第一位置信息、声呐数据中的TOA信息和声学图像,并确定出第二位置信息;其中,所述第一位置信息为导航系统确定的所述AUV的位置信息,并且,所述第二位置信息为利用所述第一位置信息和所述TOA信息确定的目标对象的位置信息;
图像匹配判断模块,用于获取光学图像,并判断所述光学图像与所述声学图像是否匹配;
目标距离确定模块,用于当所述图像匹配判断模块的判断结果为匹配,则利用所述光学图像确定出所述AUV与所述目标对象的距离信息,当所述图像匹配判断模块的判断结果为不匹配,则重新采集所述光学图像;
AUV位置确定模块,用于利用所述第一位置信息、所述第二位置信息和所述距离信息确定所述AUV的当前位置。
第三方面,本申请公开了一种设备,包括处理器和存储器;其中,
所述存储器,用于保存计算机程序;
所述处理器,用于执行所述计算机程序,以实现前述的导航定位方法。
第四方面,本申请公开了一种计算机可读存储介质,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现前述的导航定位方法。
可见,本申请先获取第一位置信息、声呐数据中的TOA信息和声学图像,并确定出第二位置信息;其中,所述第一位置信息为导航系统确定的所述AUV的位置信息,并且,所述第二位置信息为利用所述第一位置信息和所述TOA信息确定的目标对象的位置信息,然后获取光学图像,并判断所述光学图像与所述声学图像是否匹配;若匹配,则利用所述光学图像确定出所述AUV与所述目标对象的距离信息,若不匹配,则重新采集所述光学图像,最后利用所述第一位置信息、所述第二位置信息和所述距离信息确定所述AUV的当前位置。也即,本申请先利用声呐数据中的TOA信息和导航系统确定的AUV的位置信息确定出所述第二位置信息,然后在确定AUV的当前位置的过程中,考虑了上述第二位置信息以及声学图像和光学图像匹配获得的目标对象与AUV的距离信息,这样,减少了惯性导航系统产生的误差,从而提升了AUV导航定位的精度。
附图说明
为了更清楚地说明本申请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简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种导航定位方法流程图;
图2为本申请公开的一种具体的导航定位方法流程图;
图3为本申请公开的一种导航定位装置结构示意图;
图4为本申请公开的一种设备原理结构图;
图5为本申请公开的一种AUV原理结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在现有技术中,惯性导航系统在短期内精度较高,但其定位误差随时间积累,长时间水下航行会产生较大的偏差,这就必须定期利用外部信息对其进行校准,普遍采用的方式为定期上浮接收GPS信号,作为新的修正参考值,但这种方式存在较大的问题,AUV频繁上浮不利于长时间深水作业,并且海面较大的风浪对于AUV相对较小的载体也是一个巨大威胁,以及AUV频繁上浮不利于隐蔽性,严重削弱了AUV不易被敌方发现的重要优势。为此,本申请提供了一种导航定位方法,能够减少AUV导航过程中惯性导航产生的误差,从而在满足AUV安全性、隐蔽性和长期水下作业的要求下,提升导航定位的精度。
参见图1所示,本申请实施例公开了一种导航定位方法,应用于AUV,包括:
步骤S11:获取第一位置信息、声呐数据中的TOA(即Time Of Arrival,信号到达时间)信息和声学图像,并确定出第二位置信息;其中,所述第一位置信息为导航系统确定的所述AUV的位置信息,并且,所述第二位置信息为利用所述第一位置信息和所述TOA信息确定的目标对象的位置信息。
其中,所述导航系统为惯性导航系统,以及所述第一位置信息为AUV利用自身惯性导航系统中的陀螺仪和加速计采集到的数据确定的位置信息,并且,所述AUV搭载了声呐,通过其搭载的声呐获得的声呐数据可以得到TOA信息和水下的声学图像,可以理解的是,利用所述第一位置信息和AUV搭载的声呐获取的TOA信息便可以确定出目标对象的位置信息。
步骤S12:获取光学图像,并判断所述光学图像与所述声学图像是否匹配。
其中,所述光学图像为所述AUV搭载的光学摄像头采集到的水下图片。
在具体的实施方式中,本实施例可以将所述光学图像和所述声学图像生成对应的高斯金字塔,即对所述光学图像和所述声学图像进行高斯模糊和下采样,从而获得一系列从小到大的待匹配图像,然后提取生成高斯金字塔后的所述光学图像和所述声学图像对应的图像特征,由于光学图像和声学图像在成像原理上有很大不同,所以本实施例采用基于图像空间特征的图像匹配算法,首先采用Canny算法对所述光学图像和所述声学图像进行边缘提取,然后利用豪斯多夫距离对所述图像特征进行匹配判断,判断所述光学图像与所述声学图像是否匹配。
步骤S13:若匹配,则利用所述光学图像确定出所述AUV与所述目标对象的距离信息,若不匹配,则重新采集所述光学图像。
可以理解的是,若图像匹配,则所述光学图像和所述声学图像均包含同一目标对象,则可以利用所述光学图像确定出所述AUV与所述目标对象的距离信息,若不匹配,则继续采集所述光学图像,直到采集到的所述光学图像与所述声学图像匹配,即包含所述声学图像中的目标对象。
步骤S14:利用所述第一位置信息、所述第二位置信息和所述距离信息确定所述AUV的当前位置。
在具体的实施方式中,本实施例通过卡尔曼滤波算法利用k处的所述第一位置信息估计出k+1处的估计位置信息,即利用AUV导航系统确定的k处的所述AUV的位置信息估计出k+1处的所述AUV的估计位置信息,并利用AUV导航系统确定的k+1处的所述AUV的位置信息和所述TOA信息确定出k+1处的所述第二位置信息,即k+1处的目标对象的位置信息,以及利用所述光学图像确定出k+1处的所述距离信息,即所述AUV与所述目标对象k+1处的欧几里得距离,然后,利用所述k+1处的估计位置信息、k+1处的所述第二位置信息以及k+1处所述距离信息,确定出所述AUV的当前位置为其中,Xk+1|k为所述k+1处的估计位置信息,Xk+1|k=Xk+Dk+Nk,Xk为k处的所述第一位置信息,Dk为k处的位移,Nk为k处的噪声,Kk+1为k+1处的卡尔曼增益系数,εk+1为k+1处的误差,εk+1=Zk+1-||Xk+1|k-Ok+1||,Zk+1为k+1处的所述距离信息,Zk+1=||Xk+1-Ok+1||+δk+1,Xk+1为k+1处的所述第一位置信息,δk+1为k+1处的噪声,Ok+1为k+1处的所述第二位置信息。
可见,本申请实施例先获取第一位置信息、声呐数据中的TOA信息和声学图像,并确定出第二位置信息;其中,所述第一位置信息为导航系统确定的所述AUV的位置信息,并且,所述第二位置信息为利用所述第一位置信息和所述TOA信息确定的目标对象的位置信息,然后获取光学图像,并判断所述光学图像与所述声学图像是否匹配;若匹配,则利用所述光学图像确定出所述AUV与所述目标对象的距离信息,若不匹配,则重新采集所述光学图像,最后利用所述第一位置信息、所述第二位置信息和所述距离信息确定所述AUV的当前位置。也即,本申请实施例先利用声呐数据中的TOA信息和导航系统确定的AUV的位置信息确定出所述第二位置信息,然后在确定AUV的当前位置的过程中,考虑了上述第二位置信息以及声学图像和光学图像匹配获得的目标对象与AUV的距离信息,这样,减少了惯性导航系统产生的误差,从而提升了AUV导航定位的精度。
参见图2所示,本申请实施例公开了一种具体的导航定位方法,应用于AUV,包括:
步骤S21:获取第一位置信息、声呐数据中的TOA信息和声学图像,并确定出第二位置信息;其中,所述第一位置信息为导航系统确定的所述AUV的位置信息,并且,所述第二位置信息为利用所述第一位置信息和所述TOA信息确定的目标对象的位置信息。
步骤S22:获取光学图像。
其中,关于上述步骤S21和S22的具体过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
步骤S23:对所述光学图像和所述声学图像进行增强处理,直到所述光学图像和所述声学图像的相似度指数达到预设阈值。
在具体的实施方式中,本实施可以采用基于匹配度量的迭代增强算法对所述光学图像和所述声学图像进行增强处理,直到所述光学图像和所述声学图像的相似度指数达到预设阈值。具体的,对所述光学图像和所述声学图像进行增强处理,然后获取增强后的所述光学图像和所述声学图像对应的目标指标,并利用所述目标指标确定所述光学图像和所述声学图像的相似度指数,若所述相似度指数达到预设阈值,则触发所述判断所述光学图像与所述声学图像是否匹配的步骤,否则对所述光学图像和所述声学图像进行下一次增强处理,直到所述光学图像和所述声学图像的相似度指数达到预设阈值。
其中,对所述光学图像,利用自动白平衡算法和去雾增强算法进行增强处理,对所述声学图像,利用包含约束量的形态学滤波算法进行增强处理,其中,所述约束量为根据所述声学图像的区域连贯性以及边缘扭曲程度确定的参数量。也即,利用自动平衡算法对所述光学图像进行颜色一致性增强,并利用去雾增强算法来提取图像细节信息,增大图像对比度以及降低信噪比。有雾图像的成像公式为I(x)=J(x)t(x)+A(1-t(x)),其中,I(x)表示有雾的图像,J(x)为物体在无雾环境下的实际的图像,A为由于散射导致的环境光,t(x)为透射率。图像去雾的目标是从图像I(x)中恢复原始图像J(x),即从采集到的所述光学图像恢复出原始的无雾的图像,在此过程中需要估算环境光A以及透射率t(x)。由于水下场景具有多噪声、模糊严重的特点,并且去雾增强处理需要保留物体轮廓,本实施例可以采用暗通道优先算法对所述光学图像进行去雾处理,能够在所述光学图像的去雾过程中有效的抑制噪声与光晕现象,并快速的完成去雾处理。对所述声学图像,由于增强过程中需要保留图像细节以及自适应处理的要求,本实施例可以采用多结构元滤波器,该类滤波器使用多个结构元素,能够修正传统形态学滤波的统计偏倚现象,并且在抑制噪声的同时不损失图像细节,能够最大限度保持图像的几何特征。并且,不同于传统滤波器,本实施例采用的多结构元滤波器包含根据图像本身区域连贯性以及边缘扭曲程度确定的约束量,即根据图像本身区域连贯性以及边缘扭曲程度采用不同的约束量,用以控制形态学变换的程度,从而能够有效的恢复残缺不全的图像,校正边缘扭曲现象。
本实施例先利用经验值,比如,根据多次实验的结果,确定自动白平衡算法、去雾算法和形态学滤波算法的增强算法参数,所述增强算法参数包括自动白平衡算法的色偏保留参数,暗通道优先算法中环境光保留参数,引导滤波半径,形态学滤波约束量,然后采用利用经验值确定的增强算法参数以及自动白平衡算法、去雾增强算法和形态学滤波算法分别对所述光学图像和所述声学图像进行增强处理,然后获取增强后的所述光学图像和所述声学图像对应的目标指标,并根据各指标对相似度的影响进行加权融合,得到最终的相似度指数,其中,所述目标指标可以包括但不限于利用图像亮度、色度统计直方图、图像峰值信噪比以及结构相似度获得的指标。若所述相似度指数达到预设阈值,则触发判断所述光学图像与所述声学图像是否匹配的步骤,否则对所述光学图像和所述声学图像进行下一次增强处理,并利用所述相似度指数与所述自动白平衡算法、所述去雾增强算法和所述形态学滤波算法的算法参数的函数关系确定下一次增强处理的算法参数,所述函数关系的表达式为SI=S(θ,α,d,e),其中,SI为相似度指数,S为所述函数关系,θ为自动白平衡算法的色偏保留参数,α为暗通道优先算法的环境光保留参数,d为引导滤波半径,e为形态学滤波约束量。本实施例利用梯度上升法求得下一次迭代的参数与本次迭代的参数的差值,从而得到下一层迭代的参数,即下一次增强处理的算法参数,然后利用确定出的下一次增强处理的算法参数以及自动白平衡算法、去雾增强算法和形态学滤波算法分别对所述光学图像和所述声学图像进行下一次增强处理,直到所述光学图像和所述声学图像的相似度指数达到预设阈值。
可以理解的是,由于水下声学图像和光学图像对相同的场景和物体在锐度、颜色、动态范围、信噪比以及结构相似度方面存在很大差别,会导致同一物体在两种图片中提取得到的特征差别很大,给图像匹配造成困难,这样为了完成两种图像的匹配,通过迭代增强算法,本实施例可以得到噪声相对较少、细节信息比较充足的声学图像和光学图像。
步骤S24:判断所述光学图像与所述声学图像是否匹配;
步骤S25:若匹配,则利用所述光学图像确定出所述AUV与所述目标对象的距离信息,若不匹配,则重新采集所述光学图像;
步骤S26:利用所述第一位置信息、所述第二位置信息和所述距离信息确定所述AUV的当前位置。
其中,关于上述步骤S25至S27的具体过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
参见图3所示,本申请实施例公开了一种导航定位装置,应用于AUV,包括:
目标位置确定模块11,用于获取第一位置信息、声呐数据中的TOA信息和声学图像,并确定出第二位置信息;其中,所述第一位置信息为导航系统确定的所述AUV的位置信息,并且,所述第二位置信息为利用所述第一位置信息和所述TOA信息确定的目标对象的位置信息;
图像匹配判断模块12,用于获取光学图像,并判断所述光学图像与所述声学图像是否匹配;
目标距离确定模块13,用于当所述图像匹配判断模块的判断结果为匹配,则利用所述光学图像确定出所述AUV与所述目标对象的距离信息,当所述图像匹配判断模块的判断结果为不匹配,则重新采集所述光学图像;
AUV位置确定模块14,用于利用所述第一位置信息、所述第二位置信息和所述距离信息确定所述AUV的当前位置。
可见,本申请实施例先获取第一位置信息、声呐数据中的TOA信息和声学图像,并确定出第二位置信息;其中,所述第一位置信息为导航系统确定的所述AUV的位置信息,并且,所述第二位置信息为利用所述第一位置信息和所述TOA信息确定的目标对象的位置信息,然后获取光学图像,并判断所述光学图像与所述声学图像是否匹配;若匹配,则利用所述光学图像确定出所述AUV与所述目标对象的距离信息,若不匹配,则重新采集所述光学图像,最后利用所述第一位置信息、所述第二位置信息和所述距离信息确定所述AUV的当前位置。也即,本申请实施例先利用声呐数据中的TOA信息和导航系统确定的AUV的位置信息确定出所述第二位置信息,然后在确定AUV的当前位置的过程中,考虑了上述第二位置信息以及声学图像和光学图像匹配获得的目标对象与AUV的距离信息,这样,减少了惯性导航系统产生的误差,从而提升了AUV导航定位的精度。
具体的,所述目标位置确定模块11,具体可以包括:
数据获取子模块,用于获取第一位置信息、声呐数据中的TOA信息和声学图像。
信息确定子模块,用于确定出第二位置信息。
所述图像匹配判断模块12,具体可以包括:
图像获取子模块,用于获取光学图像。
匹配判断子模块,用于判断所述光学图像与所述声学图像是否匹配,具体的,用于将所述光学图像和所述声学图像生成对应的高斯金字塔;提取生成高斯金字塔后的所述光学图像和所述声学图像对应的图像特征;利用豪斯多夫距离对所述图像特征进行匹配判断,判断所述光学图像与所述声学图像是否匹配。
所述目标距离确定模块13,具体可以包括:
距离信息确定子模块,用于若所述图像匹配判断模块12的判断结果为匹配,则利用所述光学图像确定出所述AUV与所述目标对象的距离信息。
图像采集子模块,用于若所述图像匹配判断模块12的判断结果为不匹配,则重新采集所述光学图像。
所述AUV位置确定模块14,具体可用于通过卡尔曼滤波算法利用k处的所述第一位置信息估计出k+1处的估计位置信息,并确定出k+1处的所述第二位置信息以及k+1处的所述距离信息;利用所述k+1处的估计位置信息、k+1处的所述第二位置信息以及k+1处所述距离信息,确定出所述AUV的当前位置为其中,Xk+1|k为所述k+1处的估计位置信息,Xk+1|k=Xk+Dk+Nk,Xk为k处的所述第一位置信息,Dk为k处的位移,Nk为k处的噪声,Kk+1为k+1处的卡尔曼增益系数,εk+1为k+1处的误差,εk+1=Zk+1-||Xk+1|k-Ok+1||,Zk+1为k+1处的所述距离信息,Zk+1=||Xk+1-Ok+1||+δk+1,Xk+1为k+1处的所述第一位置信息,δk+1为k+1处的噪声,Ok+1为k+1处的所述第二位置信息。
进一步的,所述导航定位装置还包括:
图像增强模块,用于对所述光学图像和所述声学图像进行增强处理,直到所述光学图像和所述声学图像的相似度指数达到预设阈值。
参见图4所示,本申请实施例公开了一种设备,包括处理器21和存储器22;其中,所述存储器22,用于保存计算机程序;所述处理器21,用于执行所述计算机程序,以实现以下步骤:
获取第一位置信息、声呐数据中的TOA信息和声学图像,并确定出第二位置信息;其中,所述第一位置信息为导航系统确定的所述AUV的位置信息,并且,所述第二位置信息为利用所述第一位置信息和所述TOA信息确定的目标对象的位置信息;获取光学图像,并判断所述光学图像与所述声学图像是否匹配;若匹配,则利用所述光学图像确定出所述AUV与所述目标对象的距离信息,若不匹配,则重新采集所述光学图像;利用所述第一位置信息、所述第二位置信息和所述距离信息确定所述AUV的当前位置。
可见,本申请实施例先获取第一位置信息、声呐数据中的TOA信息和声学图像,并确定出第二位置信息;其中,所述第一位置信息为导航系统确定的所述AUV的位置信息,并且,所述第二位置信息为利用所述第一位置信息和所述TOA信息确定的目标对象的位置信息,然后获取光学图像,并判断所述光学图像与所述声学图像是否匹配;若匹配,则利用所述光学图像确定出所述AUV与所述目标对象的距离信息,若不匹配,则重新采集所述光学图像,最后利用所述第一位置信息、所述第二位置信息和所述距离信息确定所述AUV的当前位置。也即,本申请实施例先利用声呐数据中的TOA信息和导航系统确定的AUV的位置信息确定出所述第二位置信息,然后在确定AUV的当前位置的过程中,考虑了上述第二位置信息以及声学图像和光学图像匹配获得的目标对象与AUV的距离信息,这样,减少了惯性导航系统产生的误差,从而提升了AUV导航定位的精度。
本实施例中,所述处理器21执行所述存储器22中保存的计算机子程序时,可以具体实现以下步骤:将所述光学图像和所述声学图像生成对应的高斯金字塔;提取生成高斯金字塔后的所述光学图像和所述声学图像对应的图像特征;利用豪斯多夫距离对所述图像特征进行匹配判断,判断所述光学图像与所述声学图像是否匹配。
本实施例中,所述处理器21执行所述存储器22中保存的计算机子程序时,可以具体实现以下步骤:对所述光学图像和所述声学图像进行增强处理;获取增强后的所述光学图像和所述声学图像对应的目标指标;利用所述目标指标确定所述光学图像和所述声学图像的相似度指数;若所述相似度指数达到预设阈值,则触发所述判断所述光学图像与所述声学图像是否匹配的步骤,否则对所述光学图像和所述声学图像进行下一次增强处理,直到所述光学图像和所述声学图像的相似度指数达到预设阈值。
本实施例中,所述处理器21执行所述存储器22中保存的计算机子程序时,可以具体实现以下步骤:利用自动白平衡算法和去雾增强算法对所述光学图像进行增强处理,并利用包含约束量的形态学滤波算法对所述声学图像进行增强处理;其中,所述约束量为根据所述声学图像的区域连贯性以及边缘扭曲程度确定的参数量。
本实施例中,所述处理器21执行所述存储器22中保存的计算机子程序时,可以具体实现以下步骤:利用所述相似度指数与所述自动白平衡算法、所述去雾增强算法和所述形态学滤波算法的算法参数的函数关系确定下一次增强处理的算法参数;利用确定出的下一次增强处理的算法参数以及自动白平衡算法、去雾增强算法和形态学滤波算法分别对所述光学图像和所述声学图像进行下一次增强处理,直到所述光学图像和所述声学图像的相似度指数达到预设阈值。
本实施例中,所述处理器21执行所述存储器22中保存的计算机子程序时,可以具体实现以下步骤:通过卡尔曼滤波算法利用k处的所述第一位置信息估计出k+1处的估计位置信息,并确定出k+1处的所述第二位置信息以及k+1处的所述距离信息;利用所述k+1处的估计位置信息、k+1处的所述第二位置信息以及k+1处所述距离信息,确定出所述AUV的当前位置为其中,Xk+1|k为所述k+1处的估计位置信息,Xk+1|k=Xk+Dk+Nk,Xk为k处的所述第一位置信息,Dk为k处的位移,Nk为k处的噪声,Kk+1为k+1处的卡尔曼增益系数,εk+1为k+1处的误差,εk+1=Zk+1-||Xk+1|k-Ok+1||,Zk+1为k+1处的所述距离信息,Zk+1=||Xk+1-Ok+1||+δk+1,Xk+1为k+1处的所述第一位置信息,δk+1为k+1处的噪声,Ok+1为k+1处的所述第二位置信息。
参见图5所示,本申请实施例公开了一种AUV20,包括声呐23、光学摄像头24以及前述实施例中公开的包括处理器21和存储器22的设备。关于上述处理器21具体可以执行的步骤可以参考前述实施例中公开的相应内容,在此不再进行赘述。
其中,所述声呐23用于采集声呐数据,以获取TOA信息以及水下的声学图像,并且,所述光学摄像头24用于采集水下的光学图像。
进一步的,本本申请实施例公开了一种计算机可读存储介质,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现以下步骤:
获取第一位置信息、声呐数据中的TOA信息和声学图像,并确定出第二位置信息;其中,所述第一位置信息为导航系统确定的所述AUV的位置信息,并且,所述第二位置信息为利用所述第一位置信息和所述TOA信息确定的目标对象的位置信息;获取光学图像,并判断所述光学图像与所述声学图像是否匹配;若匹配,则利用所述光学图像确定出所述AUV与所述目标对象的距离信息,若不匹配,则重新采集所述光学图像;利用所述第一位置信息、所述第二位置信息和所述距离信息确定所述AUV的当前位置。
可见,本申请实施例先获取第一位置信息、声呐数据中的TOA信息和声学图像,并确定出第二位置信息;其中,所述第一位置信息为导航系统确定的所述AUV的位置信息,并且,所述第二位置信息为利用所述第一位置信息和所述TOA信息确定的目标对象的位置信息,然后获取光学图像,并判断所述光学图像与所述声学图像是否匹配;若匹配,则利用所述光学图像确定出所述AUV与所述目标对象的距离信息,若不匹配,则重新采集所述光学图像,最后利用所述第一位置信息、所述第二位置信息和所述距离信息确定所述AUV的当前位置。也即,本申请实施例先利用声呐数据中的TOA信息和导航系统确定的AUV的位置信息确定出所述第二位置信息,然后在确定AUV的当前位置的过程中,考虑了上述第二位置信息以及声学图像和光学图像匹配获得的目标对象与AUV的距离信息,这样,减少了惯性导航系统产生的误差,从而提升了AUV导航定位的精度。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:将所述光学图像和所述声学图像生成对应的高斯金字塔;提取生成高斯金字塔后的所述光学图像和所述声学图像对应的图像特征;利用豪斯多夫距离对所述图像特征进行匹配判断,判断所述光学图像与所述声学图像是否匹配。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:对所述光学图像和所述声学图像进行增强处理;获取增强后的所述光学图像和所述声学图像对应的目标指标;利用所述目标指标确定所述光学图像和所述声学图像的相似度指数;若所述相似度指数达到预设阈值,则触发所述判断所述光学图像与所述声学图像是否匹配的步骤,否则对所述光学图像和所述声学图像进行下一次增强处理,直到所述光学图像和所述声学图像的相似度指数达到预设阈值。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:利用自动白平衡算法和去雾增强算法对所述光学图像进行增强处理,并利用包含约束量的形态学滤波算法对所述声学图像进行增强处理;其中,所述约束量为根据所述声学图像的区域连贯性以及边缘扭曲程度确定的参数量。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:利用所述相似度指数与所述自动白平衡算法、所述去雾增强算法和所述形态学滤波算法的算法参数的函数关系确定下一次增强处理的算法参数;利用确定出的下一次增强处理的算法参数以及自动白平衡算法、去雾增强算法和形态学滤波算法分别对所述光学图像和所述声学图像进行下一次增强处理,直到所述光学图像和所述声学图像的相似度指数达到预设阈值。
本实施例中,所述计算机可读存储介质中保存的计算机子程序被处理器执行时,可以具体实现以下步骤:通过卡尔曼滤波算法利用k处的所述第一位置信息估计出k+1处的估计位置信息,并确定出k+1处的所述第二位置信息以及k+1处的所述距离信息;利用所述k+1处的估计位置信息、k+1处的所述第二位置信息以及k+1处所述距离信息,确定出所述AUV的当前位置为其中,Xk+1|k为所述k+1处的估计位置信息,Xk+1|k=Xk+Dk+Nk,Xk为k处的所述第一位置信息,Dk为k处的位移,Nk为k处的噪声,Kk+1为k+1处的卡尔曼增益系数,εk+1为k+1处的误差,εk+1=Zk+1-||Xk+1|k-Ok+1||,Zk+1为k+1处的所述距离信息,Zk+1=||Xk+1-Ok+1||+δk+1,Xk+1为k+1处的所述第一位置信息,δk+1为k+1处的噪声,Ok+1为k+1处的所述第二位置信息。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种导航定位方法、装置、设备及介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (9)
1.一种导航定位方法,其特征在于,应用于AUV,包括:
获取第一位置信息、声呐数据中的TOA信息和声学图像,并确定出第二位置信息;其中,所述第一位置信息为导航系统确定的所述AUV的位置信息,并且,所述第二位置信息为利用所述第一位置信息和所述TOA信息确定的目标对象的位置信息;
获取光学图像,并判断所述光学图像与所述声学图像是否匹配;
若匹配,则利用所述光学图像确定出所述AUV与所述目标对象的距离信息,若不匹配,则重新采集所述光学图像;
利用所述第一位置信息、所述第二位置信息和所述距离信息确定所述AUV的当前位置;
其中,所述利用所述第一位置信息、所述第二位置信息和所述距离信息确定所述AUV的当前位置,包括:
通过卡尔曼滤波算法利用k处的所述第一位置信息估计出k+1处的估计位置信息,并确定出k+1处的所述第二位置信息以及k+1处的所述距离信息;
2.根据权利要求1所述的导航定位方法,其特征在于,所述判断所述光学图像与所述声学图像是否匹配,包括:
将所述光学图像和所述声学图像生成对应的高斯金字塔;
提取生成高斯金字塔后的所述光学图像和所述声学图像对应的图像特征;
利用豪斯多夫距离对所述图像特征进行匹配判断,判断所述光学图像与所述声学图像是否匹配。
3.根据权利要求1所述的导航定位方法,其特征在于,所述判断光学图像与所述声学图像是否匹配之前,还包括:
对所述光学图像和所述声学图像进行增强处理,直到所述光学图像和所述声学图像的相似度指数达到预设阈值。
4.根据权利要求3所述的导航定位方法,其特征在于,所述对所述光学图像和所述声学图像进行增强处理,直到所述光学图像和所述声学图像的相似度指数达到预设阈值,包括:
对所述光学图像和所述声学图像进行增强处理;
获取增强后的所述光学图像和所述声学图像对应的目标指标;
利用所述目标指标确定所述光学图像和所述声学图像的相似度指数;
若所述相似度指数达到预设阈值,则触发所述判断所述光学图像与所述声学图像是否匹配的步骤,否则对所述光学图像和所述声学图像进行下一次增强处理,直到所述光学图像和所述声学图像的相似度指数达到预设阈值。
5.根据权利要求4所述的导航定位方法,其特征在于,所述对所述光学图像和所述声学图像进行增强处理,包括:
利用自动白平衡算法和去雾增强算法对所述光学图像进行增强处理,并利用包含约束量的形态学滤波算法对所述声学图像进行增强处理;其中,所述约束量为根据所述声学图像的区域连贯性以及边缘扭曲程度确定的参数量。
6.根据权利要求4所述的导航定位方法,其特征在于,所述对所述光学图像和所述声学图像进行下一次增强处理,直到所述光学图像和所述声学图像的相似度指数达到预设阈值,包括:
利用所述相似度指数与自动白平衡算法、去雾增强算法和形态学滤波算法的算法参数的函数关系确定下一次增强处理的算法参数;
利用确定出的下一次增强处理的算法参数以及所述自动白平衡算法、所述去雾增强算法和所述形态学滤波算法分别对所述光学图像和所述声学图像进行下一次增强处理,直到所述光学图像和所述声学图像的相似度指数达到预设阈值。
7.一种导航定位装置,其特征在于,应用于AUV,包括:
目标位置确定模块,用于获取第一位置信息、声呐数据中的TOA信息和声学图像,并确定出第二位置信息;其中,所述第一位置信息为导航系统确定的所述AUV的位置信息,并且,所述第二位置信息为利用所述第一位置信息和所述TOA信息确定的目标对象的位置信息;
图像匹配判断模块,用于获取光学图像,并判断所述光学图像与所述声学图像是否匹配;
目标距离确定模块,用于当所述图像匹配判断模块的判断结果为匹配,则利用所述光学图像确定出所述AUV与所述目标对象的距离信息,当所述图像匹配判断模块的判断结果为不匹配,则重新采集所述光学图像;
AUV位置确定模块,用于利用所述第一位置信息、所述第二位置信息和所述距离信息确定所述AUV的当前位置;
其中,所述装置,还用于:通过卡尔曼滤波算法利用k处的所述第一位置信息估计出k+1处的估计位置信息,并确定出k+1处的所述第二位置信息以及k+1处的所述距离信息;利用所述k+1处的估计位置信息、k+1处的所述第二位置信息以及k+1处所述距离信息,确定出所述AUV的当前位置为其中,Xk+1|k为所述k+1处的估计位置信息,Xk+1|k=Xk+Dk+Nk,Xk为k处的所述第一位置信息,Dk为k处的位移,Nk为k处的噪声,Kk+1为k+1处的卡尔曼增益系数,εk+1为k+1处的误差,εk+1=Zk+1-Xk+1|k-Ok+1,Zk+1为k+1处的所述距离信息,Zk+1=Xk+1-Ok+1+δk+1,Xk+1为k+1处的所述第一位置信息,δk+1为k+1处的噪声,Ok+1为k+1处的所述第二位置信息。
8.一种电子设备,其特征在于,包括处理器和存储器;其中,
所述存储器,用于保存计算机程序;
所述处理器,用于执行所述计算机程序,以实现如权利要求1至6任一项所述的导航定位方法。
9.一种计算机可读存储介质,其特征在于,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的导航定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910796454.7A CN110456357B (zh) | 2019-08-27 | 2019-08-27 | 一种导航定位方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910796454.7A CN110456357B (zh) | 2019-08-27 | 2019-08-27 | 一种导航定位方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110456357A CN110456357A (zh) | 2019-11-15 |
CN110456357B true CN110456357B (zh) | 2023-04-07 |
Family
ID=68489390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910796454.7A Active CN110456357B (zh) | 2019-08-27 | 2019-08-27 | 一种导航定位方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110456357B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111982117B (zh) * | 2020-08-17 | 2022-05-10 | 电子科技大学 | 一种基于深度学习的auv光学引导与测向方法 |
CN112951273B (zh) * | 2021-02-02 | 2024-03-29 | 郑州大学 | 基于麦克风阵列和机器视觉的数控机床刀具磨损监控装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105547300A (zh) * | 2015-12-30 | 2016-05-04 | 航天恒星科技有限公司 | 用于auv的全源导航系统及方法 |
CN107996028A (zh) * | 2015-03-10 | 2018-05-04 | Ossic公司 | 校准听音装置 |
CN108318034A (zh) * | 2018-01-09 | 2018-07-24 | 浙江大学 | 一种基于声呐地图的auv回坞导航方法 |
CN108334893A (zh) * | 2017-12-30 | 2018-07-27 | 中国科学院声学研究所 | 一种多亮点聚类分析的水下细长体特征识别方法 |
CN109856638A (zh) * | 2019-02-28 | 2019-06-07 | 中国计量大学 | 一种特定水下目标自动搜索定位的方法 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005033629A2 (en) * | 2003-09-19 | 2005-04-14 | University Of Miami | Multi-camera inspection of underwater structures |
WO2009039488A1 (en) * | 2007-09-21 | 2009-03-26 | Hydroid, Inc. | Autonomous underwater vehicle used to calibrate a long baseline navigation network |
CN102042835B (zh) * | 2010-11-05 | 2012-10-24 | 中国海洋大学 | 自主式水下机器人组合导航系统 |
DE102012008074A1 (de) * | 2012-04-20 | 2013-10-24 | Atlas Elektronik Gmbh | Bergeverfahren zum Bergen eines Unterwasserfahrzeugs, Bergevorrichtung, U-Boot mit Bergevorrichtung, Unterwasserfahrzeug dafür und System damit |
CN202583469U (zh) * | 2012-04-28 | 2012-12-05 | 山东省科学院海洋仪器仪表研究所 | 自主式水下航行器编队导航系统 |
CN102789233B (zh) * | 2012-06-12 | 2016-03-09 | 湖北三江航天红峰控制有限公司 | 基于视觉的组合导航机器人及导航方法 |
CN103057679B (zh) * | 2013-01-11 | 2015-05-20 | 哈尔滨工程大学 | 双智能水下机器人相互对接装置及对接方法 |
CN204228171U (zh) * | 2014-11-19 | 2015-03-25 | 山东华盾科技股份有限公司 | 一种水下机器人导航装置 |
JP6788671B2 (ja) * | 2015-11-30 | 2020-11-25 | レイセオン カンパニー | 自律型車両のためのコヒーレンスマップナビゲーションシステム及びその方法 |
CN106017467B (zh) * | 2016-07-28 | 2019-02-05 | 中国船舶重工集团公司第七0七研究所 | 一种基于多水下应答器的惯性/水声组合导航方法 |
CN106709927A (zh) * | 2016-12-27 | 2017-05-24 | 浙江大学 | 一种复杂背景下声学图像中的目标提取方法 |
CN106679672A (zh) * | 2017-01-15 | 2017-05-17 | 吉林大学 | 一种基于dbn和卡尔曼滤波算法的agv定位算法 |
CN107167126B (zh) * | 2017-03-31 | 2019-09-20 | 大鹏高科(武汉)智能装备有限公司 | 一种自主式水下机器人组合导航方法和系统 |
CN107976188B (zh) * | 2017-10-12 | 2020-05-19 | 浙江大学 | 一种基于测距声通的auv回坞导航方法 |
CN107966145B (zh) * | 2017-12-21 | 2020-12-15 | 中国船舶重工集团公司第七0七研究所 | 一种基于稀疏长基线紧组合的auv水下导航方法 |
CN108492323B (zh) * | 2018-01-18 | 2022-01-28 | 天津大学 | 融合机器视觉与听觉的水下运动物体检测与识别方法 |
CN108490968B (zh) * | 2018-03-17 | 2020-10-27 | 西北工业大学 | 一种基于反馈融合结构的自主水下航行器控制行为融合方法 |
CN109738903A (zh) * | 2018-12-05 | 2019-05-10 | 华南理工大学 | 一种侧扫声呐实时二维成像方法及系统 |
CN109788163A (zh) * | 2019-03-26 | 2019-05-21 | 南京砺剑光电技术研究院有限公司 | 一种二维声纳和激光距离选通成像设备的融合成像装置 |
CN110006672A (zh) * | 2019-04-09 | 2019-07-12 | 唐山百川智能机器股份有限公司 | 基于声成像技术的轨道车辆故障监测方法 |
-
2019
- 2019-08-27 CN CN201910796454.7A patent/CN110456357B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107996028A (zh) * | 2015-03-10 | 2018-05-04 | Ossic公司 | 校准听音装置 |
CN105547300A (zh) * | 2015-12-30 | 2016-05-04 | 航天恒星科技有限公司 | 用于auv的全源导航系统及方法 |
CN108334893A (zh) * | 2017-12-30 | 2018-07-27 | 中国科学院声学研究所 | 一种多亮点聚类分析的水下细长体特征识别方法 |
CN108318034A (zh) * | 2018-01-09 | 2018-07-24 | 浙江大学 | 一种基于声呐地图的auv回坞导航方法 |
CN109856638A (zh) * | 2019-02-28 | 2019-06-07 | 中国计量大学 | 一种特定水下目标自动搜索定位的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110456357A (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107219529B (zh) | 一种高精度海底地形地貌图的获取方法及系统 | |
WO2020003586A1 (ja) | データ生成装置、画像識別装置、データ生成方法及び記憶媒体 | |
CN110456357B (zh) | 一种导航定位方法、装置、设备及介质 | |
CN111596296B (zh) | 一种基于前视声呐图像的水下目标跟踪方法 | |
CN110675341B (zh) | 一种单目光视觉引导的水下机器人与海底平台对接方法 | |
CN114488164B (zh) | 水下航行器同步定位与建图方法及水下航行器 | |
CN105787886A (zh) | 一种基于多波束图像声纳的实时图像处理方法 | |
CN111028154A (zh) | 一种地形崎岖不平海底的侧扫声呐图像匹配拼接方法 | |
CN112489091B (zh) | 一种基于直瞄模板的全捷联图像导引头目标跟踪方法 | |
AU2020278256A1 (en) | Physics-based recovery of lost colors in underwater and atmospheric images under wavelength dependent absorption and scattering | |
CN116907509A (zh) | 基于图像匹配的auv水下辅助导航方法、系统、设备及介质 | |
CN113344953A (zh) | 一种基于无人机的机器视觉涌潮流速测量方法 | |
Paccaud et al. | Obstacle detection for lake-deployed autonomous surface vehicles using RGB imagery | |
CN113933828A (zh) | 一种无人艇环境自适应多尺度目标检测方法及系统 | |
CN110907132B (zh) | 一种波向探测方法、系统、设备、介质 | |
CN111948658A (zh) | 水底地貌影像识别匹配的深水区定位方法 | |
CN110211148A (zh) | 一种基于目标状态预估的水下图像预分割方法 | |
CN107941220B (zh) | 一种基于视觉的无人船海天线检测与导航方法和系统 | |
CN114863146A (zh) | 一种水下地形匹配定位方法、装置及存储介质 | |
CN113985436A (zh) | 基于slam的无人机三维地图构建与定位方法及装置 | |
JP4532973B2 (ja) | 構造特徴抽出装置及び同一目標判定装置及び構造特徴抽出方法及びプログラムを記録したコンピュータ読み取り可能な記録媒体及びプログラム | |
KR101944631B1 (ko) | 사수의 조준 오차를 보정하는 무유도 로켓 조준 장치 및 그 방법 | |
CN117218212B (zh) | 相机标定自适应调整方法、装置、计算机设备及存储介质 | |
Casagrande | Real-time featureless visual odometry for sea floor imaging with a Lagrangian float | |
Sagawa et al. | Satellite based bathymetry measurements in shallow water |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |