CN111256696B - 多特征多层次景象匹配的飞行器自主导航方法 - Google Patents
多特征多层次景象匹配的飞行器自主导航方法 Download PDFInfo
- Publication number
- CN111256696B CN111256696B CN202010111370.8A CN202010111370A CN111256696B CN 111256696 B CN111256696 B CN 111256696B CN 202010111370 A CN202010111370 A CN 202010111370A CN 111256696 B CN111256696 B CN 111256696B
- Authority
- CN
- China
- Prior art keywords
- image
- matching
- file
- aircraft
- scene
- 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
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Abstract
本发明公开了一种多特征多层次景象匹配的飞行器自主导航方法,利用带有精确地理坐标的遥感影像作为基准图,规划飞行器航迹,并沿飞行器航迹依次割取景象匹配区范围大小的多个区域作为候选景象匹配区;根据每个候选景象匹配区的多个特征因子确定最适匹配区,并为每一个最适匹配区建立4级金字塔影像;基于基准图处理获得的所有匹配导航信息按照快速检索方式存储为基本匹配图库,并存入飞行器;飞行器沿飞行航迹获取实时图像,基于基本匹配图库进行多层次景象匹配,计算飞行器当前位置,完成导航。本发明的方法利用多特征因子选择出包含丰富信息、稳定特征的最适景象匹配区,利用多层次景象匹配提高了系统景象匹配的速度和稳定性。
Description
技术领域
本发明涉及自主定位导航领域,尤其涉及一种多因子多层次景象匹配飞行器自主导航方法。
背景技术
近年来,无人飞行器在国内外得到了越来越广泛的应用,作为无人飞行器核心的导航控制系统得到了人们空前的重视和研究。飞行器的导航系统传统上主要有惯性制导系统和卫星导航系统,但是惯导测量误差随着时间逐渐累积,卫星导航的使用容易受到电磁干扰,且卫星导航中常用的GPS容易受到他国的钳制。景象匹配导航由于测量精度高、自成体系、抗干扰性强、系统能耗小、体积小等突出特点,已成为了飞行器自主定位系统的核心关键技术之一。
基于景象匹配的飞行器自主导航定位系统的意义:(1)在正常导航情况下,作为飞行器姿态纠偏的辅助装置,配合卫星与惯导导航方式,提高无人机导航定位精度;(2)当飞行器在强磁等复杂环境下,失去卫星导航信号或者卫星导航的精度受到限制时,可由景象匹配导航系统自主控制完成飞行器导航定位任务。
然而由于景象匹配中的实时图与基准图存在很大差异,加之它们之间存在尺度和角度的变化,如何将它们正确匹配起来是景象匹配的一大难点,另一难点则是如何提高匹配的速度和效率,使之可以嵌入到板卡中使用。针对这些问题,国内外的学者进行了大量的研究,也取得了许多研究成果,但这两个难点仍没有很好地解决。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种多因子多层次景象匹配飞行器自主导航方法。
本发明解决其技术问题所采用的技术方案是:
提供一种多特征多层次景象匹配的飞行器自主导航方法,包括以下步骤:
S1、利用带有精确地理坐标的遥感影像作为基准图,规划飞行器航迹,根据飞行器的成像特点估算景象匹配区范围,并基于基准图,沿飞行器航迹依次割取景象匹配区范围大小的多个区域,均作为候选景象匹配区;
S2、根据每个候选景象匹配区的多个特征因子计算综合景象匹配值,若大于设定阈值则标记为最适匹配区,并为每一个最适匹配区建立4级金字塔影像;
S3、将步骤S1、步骤S2中基于基准图处理获得的所有匹配导航信息按照快速检索方式存储为基本匹配图库,并将基本匹配图库存入飞行器;
S4、飞行器沿飞行航迹获取实时图像,基于基本匹配图库进行多层次景象匹配,所述多层次景象匹配是指先进行快速灰度相关匹配,如果不成功,再进行基于特征的匹配;
S5、计算实时图像的中心点的地理坐标,获取飞行器姿态和飞行器速度,并根据实时图像的中心点的地理坐标、飞行器姿态和飞行器速度计算飞行器当前位置,完成导航。
接上述技术方案,步骤S1中根据飞行器的成像特点估算景象匹配区范围是指根据飞行器的图像传感器参数和飞行器的高度数据获得实时图像的分辨率,并将实时图像的分辨率归一化到基准图分辨率上,将实时图像在基准图中所占大小作为景象匹配区范围。
接上述技术方案,步骤S2中候选景象匹配区的多个特征因子是指图像方差、图像边缘密度、图像自匹配系数、图像特征点密度和图像直线密度。
接上述技术方案,步骤S2中根据候选景象匹配区的特征因子计算综合景象匹配值SMA的公式如下:
其中,Var为图像方差,TVar为图像方差阈值,0<w1<1为图像方差权重,ρe为图像边缘密度,为图像边缘密度阈,0<w2<1为图像边缘密度权重值,1/SEL为图像自匹配系数的倒数,T1/SEL为图像自匹配系数的倒数阈值,0<w3<1为图像自匹配系数的倒数的权重,ρp为图像特征点密度,为图像特征点密度阈值,0<w4<1为图像特征点密度权重,ρl为图像直线密度,Tρl为图像直线密度阈值,0<w5<1为图像直线密度权重,且w1+w2+w3+w4+w5=1。
接上述技术方案,步骤S3中基于基准图处理获得的匹配导航信息包括汇总信息,所述汇总信息包括:
概要文件,文件后缀为txt,文件内容包括基准图名称、基准图路径、基准图坐标系统、基准图影像分辨率、基准图包含区域的地理范围、景象匹配区范围的宽度和高度,每项内容存储一行;
航迹线矢量文件,文件后缀为rvf,文件内容为飞行器航迹中包含点的数量以及每个点的地理坐标;
全局索引文件,文件后缀为sif,文件内容为基准图中最适匹配区的数量、每个最适匹配区对应的地理范围以及序号;
基准图文件,文件后缀为bmp。
接上述技术方案,步骤S3中匹配导航信息还包括所有最适匹配区信息,所述最适匹配区信息包括:
备注文件,文件后缀为ddf,文件内容为影像数据存在标记、影像中SIFT特征点提取标记以及源影像的路径,每项内容存储一行;
最适匹配区1级金字塔影像源文件,文件后缀为bmp,文件名为序号加“_pyramid1”;
最适匹配区2级金字塔影像源文件,文件后缀为bmp,文件名为序号加“_pyramid2”;
最适匹配区3级金字塔影像源文件,文件后缀为bmp,文件名为序号加“_pyramid3”;
最适匹配区4级金字塔影像源文件,文件后缀为bmp,文件名为序号加“_pyramid4”;
最适匹配区的SIFT特征点信息文件,文件后缀为sdf,文件内容为最适匹配区的SIFT特征点数量、最适匹配区的SIFT特征描述符维数、每一个SIFT特征点的坐标和每一个SIFT特征点描述符中各维数值。
接上述技术方案,步骤S3中基于基准图处理获得的匹配导航信息按照快速检索方式存储为基本匹配图库是指,以基准图命名文件夹作为根目录,在该根目录下构建多个以航线命名的子文件夹,每一航线文件夹下存储概要文件、航迹线矢量文件、全局索引文件和基准图文件,并为所有最适匹配区信息构建子文件夹,分别以最适匹配区序号命名,每一最适匹配区信息子文件夹下存储备注文件、最适匹配区1级金字塔影像源文件、最适匹配区2级金字塔影像源文件、最适匹配区3级金字塔影像源文件、最适匹配区4级金字塔影像源文件和最适匹配区的SIFT特征点信息文件。
接上述技术方案,步骤S4中的快速灰度相关匹配是指,先对实时图像进行粗纠正,再利用分级金字塔和降二维为一维进行匹配。
接上述技术方案,步骤S4中的基于特征的匹配是指,提取实时图像的SIFT特征点,与基本匹配图库进行基于特征的匹配。
本发明还提供了一种计算机存储介质,其内存储有可被处理器执行的计算机程序,该计算机程序执行如上述技术方案所述的自主导航方法。
本发明产生的有益效果是:本发明提供的一种多特征多层次景象匹配的飞行器自主导航方法,利用带有精确地理坐标的遥感影像作为基准图和飞行器航迹,在基准图上分割多个候选景象匹配区,对每个候选景象匹配区的多个特征因子计算综合景象匹配值,若大于设定阈值则标记为最适匹配区,并为每一个最适匹配区建立4级金字塔影像,将基于基准图处理获得的所有匹配导航信息按照快速检索方式存储为基本匹配图库,并将基本匹配图库存入飞行器,飞行器飞行时的实时图像和基本匹配图库进行灰度匹配,进一步进行基于特征的匹配,来获得飞行器的位置。本发明的方法利用多特征因子选择出了包含丰富信息、稳定特征的最适景象匹配区,利用多层次景象匹配提高了系统景象匹配的速度和稳定性。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明实施例的方法实施流程图;
图2为本发明实施例飞行器航迹规划图;
图3为本发明实施例最适景象匹配区图;
图4为本发明实施例基准图存储目录结构;
图5为本发明实施例多层次匹配流程图;
图6为本发明实施例快速灰度相关匹配结果图,其中左为实时图在基准图上的匹配位置(正确可靠),右为飞机器实时拍摄的图;
图7为本发明实施例快速灰度相关匹配不可靠图,左为实时图在基准图上的匹配位置(正确可靠),右为飞机器实时拍摄的图。
图8为本发明实施例SIFT匹配结果图,左为实时图在基准图上的匹配位置(正确可靠),右为飞机器实时拍摄的图;
图9为本发明实施例匹配定位结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明针对景象匹配的难点和实际的工程需求,首先选择出了包含丰富信息、稳定特征的景象匹配区,以提高实时图与基准图匹配成功的概率。提取景象匹配区中的多个特征因子,包括三种基于灰度的图像方差、边缘密度、自匹配系数,以及两种基于特征的特征点密度、直线密度。其次针对基准图数据库不同类型数据众多如何统一管理的问题,定制了一种特定的文件存储和检索模式,以提高飞行时快速处理能力;最后则采用像素-特征联合多判定的配准方法,进行实时图和基准图的匹配,成功后即可算出实时图的坐标位置。
如图1所示,本发明实施例多特征多层次景象匹配的飞行器自主导航方法,包括以下步骤:
S1、利用带有精确地理坐标的遥感影像作为基准图,规划飞行器航迹,根据飞行器的成像特点估算景象匹配区范围,并基于基准图,沿飞行器航迹依次割取景象匹配区范围大小的多个区域,均作为候选景象匹配区;
S2、根据每个候选景象匹配区的多个特征因子计算综合景象匹配值,若大于设定阈值则标记为最适匹配区,并为每一个最适匹配区建立4级金字塔影像;
S3、将步骤S1、步骤S2中基于基准图处理获得的所有匹配导航信息按照快速检索方式存储为基本匹配图库,并将基本匹配图库存入飞行器;
S4、飞行器沿飞行航迹获取实时图像,基于基本匹配图库进行多层次景象匹配,所述多层次景象匹配是指先进行快速灰度相关匹配,如果不成功,再进行基于特征的匹配;
S5、计算实时图像的中心点的地理坐标,获取飞行器姿态和飞行器速度,并根据实时图像的中心点的地理坐标、飞行器姿态和飞行器速度计算飞行器当前位置,完成导航。
其中飞行器航迹规划图如图2所示,最适景象匹配区域如3所示。
进一步地,步骤S1中根据飞行器的成像特点估算景象匹配区范围是指根据飞行器的图像传感器参数(如飞行器携带的光学CCD传感器参数)和飞行器的高度数据获得实时图像的分辨率,并将实时图像的分辨率归一化到基准图分辨率上,将实时图像在基准图中所占大小作为景象匹配区范围。
进一步地,步骤S2中候选景象匹配区的多个特征因子是指图像方差、图像边缘密度、图像自匹配系数、图像特征点密度和图像直线密度。各个特征因子计算方法如下:
图像方差:
其中,F(i,j)为图像灰度,Ave为图像灰度均值,m、n为图像像素的行列数。
图像边缘密度:
其中,m、n为图像的行列数,e(i,j)为图像F(i,j)经过边缘提取二值化后的图像。
图像自匹配系数:对于基准图F与F(u,v)子图,利用公式计算子图F(u,v)与基准图任意位置(i,j)的归一化积相关系数R(u,v),
其中,Fu+i,v+j为基准图在(u,v)位置处选择的子图,Fi,j为与子图对应的基准图部分。当积相关系数R(u,v)大于Rth(0<Rth<1,为归一化积相关系数的门限值)时,定义子图F(u,v)与基准图在该点处自匹配。
基准图F的自匹配系数SEL定义为,
其中,Sel(u,v)为子图F(u,v)与基准图F的自匹配系数,即相关曲面R(u,v)上自相关系数大于Rth的点数,M、N分别为基准图F的行列数,m、n为基准子图F(u,v)的行列数。
图像特征点密度:
其中,NUM为图像SIFT特征点数量,m、n为图像像素的行列数。
图像直线密度:
其中,k为提取的直线段的数量,len(Li)为第i条直线段的长度。
进一步地,步骤S2中根据候选景象匹配区的特征因子计算综合景象匹配值SMA的公式如下:
其中,Var为图像方差,TVar为图像方差阈值,0<w1<1为图像方差权重,ρe为图像边缘密度,Tρe为图像边缘密度阈,0<w2<1为图像边缘密度权重值,1/SEL为图像自匹配系数的倒数,T1/SEL为图像自匹配系数的倒数阈值,0<w3<1为图像自匹配系数的倒数的权重,ρp为图像特征点密度,为图像特征点密度阈值,0<w4<1为图像特征点密度权重,ρl为图像直线密度,为图像直线密度阈值,0<w5<1为图像直线密度权重,且w1+w2+w3+w4+w5=1。
进一步地,步骤S3中基于基准图处理获得的匹配导航信息包括汇总信息,所述汇总信息包括:
概要文件,文件后缀为txt,文件内容包括基准图名称、基准图路径、基准图坐标系统、基准图影像分辨率、基准图包含区域的地理范围、景象匹配区范围的宽度和高度,每项内容存储一行;
航迹线矢量文件,文件后缀为rvf,文件内容为飞行器航迹中包含点的数量以及每个点的地理坐标;
全局索引文件,文件后缀为sif,文件内容为基准图中最适匹配区的数量、每个最适匹配区对应的地理范围以及序号;
基准图文件,文件后缀为bmp。
进一步地,步骤S3中匹配导航信息还包括所有最适匹配区信息,所述最适匹配区信息包括:
备注文件,文件后缀为ddf,文件内容为影像数据存在标记、影像中SIFT特征点提取标记以及源影像的路径,每项内容存储一行;
最适匹配区1级金字塔影像源文件,文件后缀为bmp,文件名为序号加“_pyramid1”;
最适匹配区2级金字塔影像源文件,文件后缀为bmp,文件名为序号加“_pyramid2”;
最适匹配区3级金字塔影像源文件,文件后缀为bmp,文件名为序号加“_pyramid3”;
最适匹配区4级金字塔影像源文件,文件后缀为bmp,文件名为序号加“_pyramid4”;
最适匹配区的SIFT特征点信息文件,文件后缀为sdf,文件内容为最适匹配区的SIFT特征点数量、最适匹配区的SIFT特征描述符维数、每一个SIFT特征点的坐标和每一个SIFT特征点描述符中各维数值。
进一步地,步骤S3中基于基准图处理获得的匹配导航信息按照快速检索方式存储为基本匹配图库。基本匹配图库为以基准图命名文件夹作为根目录,在该根目录下构建多个以航线命名的子文件夹,每一航线文件夹下存储概要文件、航迹线矢量文件、全局索引文件和基准图文件,并为所有最适匹配区信息构建子文件夹,分别以最适匹配区序号命名,每一最适匹配区信息子文件夹下存储备注文件、最适匹配区1级金字塔影像源文件、最适匹配区2级金字塔影像源文件、最适匹配区3级金字塔影像源文件、最适匹配区4级金字塔影像源文件和最适匹配区的SIFT特征点信息文件。
本发明的较佳实施例中,如图4所示,基准图存储是将所有航线的基准图存储在同一文件夹下,每一条航线的基准图存储在以航线命名的文件夹中,在该文件夹下,先要存储该航线的汇总信息文件,包括概要文件、航迹线矢量文件、全局索引文件和基准图。其中概要文件以文本格式存储,后缀名为txt,每一项存储为一行,该文件的内容为:基准图库的名称、路径、坐标系统、影像分辨率,基准图库包含区域的地理范围以及库中景象匹配区的宽度和高度;航迹线矢量文件以二进制文件格式存储,后缀为rvf,存储的内容为航迹线包含中点的数量以及每个点的地理坐标;全局索引文件以二进制文件格式存储,后缀名为sif,存储内容为基准图库中景象匹配区影像的数量,每个匹配区影像对应的地理范围以及它的序号(名称),通过这种映射可以建立一种基准图中的索引,为后续的根据地理范围检索景象匹配区服务。基准图文件以bmp图像格式存储,后缀名为bmp。
每一个景象匹配区都建立一个以景象匹配区序号命名的文件夹,里面存储备注文件、匹配区的4级金字塔影像和该匹配区的SIFT特征点信息文件,其中存储备注文件以文本文件格式存储,每一项存储为一行,文件后缀名为ddf,存储内容为:该文件夹下是否有影像数据,影像中是否有提取的SIFT特征点以及源影像的路径;金字塔文件以bmp影像格式存储,后缀名为bmp。原始影像匹配区文件以序号命名,原始影像生成的1级影像以序号加”_pyramid1”命名,2级影像以序号加下划线加”_pyramid2”命名,以此类推;SIFT特征点文件以二进制格式存储,后缀名为sdf,存储内容为提取的SIFT特征点的数量,SIFT特征描述符的维数,每一个SIFT特征点的坐标以及它的描述符中每一维的数值。
进一步地,如图5所示,步骤S4中的快速灰度相关匹配是指,先对实时图像进行粗矫正(如镜头畸变粗矫正),再利用分级金字塔和降二维为一维进行匹配。若快速灰度匹配失败,则马上提取实时图SIFT特征点,与预先存入的基准图SIFT特征点进行快速匹配并剔除误匹配点,若匹配成功,则计算实时图中心点地理坐标,并输出位置信息;否则放弃匹配,马上进入下一个匹配区进行多层次景象匹配。
进一步地,步骤S4中的基于特征的匹配是指,提取实时图像的SIFT特征点,与基本匹配图库进行基于特征的匹配。
图6为本发明实施例快速灰度相关匹配结果图,其中左为实时图在基准图上的匹配位置(正确可靠),右为飞机器实时拍摄的图;
图7为本发明实施例快速灰度相关匹配不可靠图,左为实时图在基准图上的匹配位置(正确可靠),右为飞机器实时拍摄的图。图8为本发明实施例SIFT匹配结果图,左为实时图在基准图上的匹配位置(正确可靠),右为飞机器实时拍摄的图;图9为本发明实施例匹配定位结果图。
综上,本发明提出新的联合像素-特征等多种因子的综合性景象最适匹配区算法,可选择出包含丰富信息、稳定特征、误匹配率低的景象匹配区,提高了实时图与基准图匹配成功的概率;且本发明提出的多判据的景象匹配算法,提高了系统景象匹配的速度和稳定性。同时根据基准景象库的数据特点,开发了一套高效文件管理机制。
本发明还提供一种计算机存储介质,其内存储有可被处理器执行的计算机程序,该计算机程序执行上述实施例的自主导航方法。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.一种多特征多层次景象匹配的飞行器自主导航方法,其特征在于,包括以下步骤:
S1、利用带有精确地理坐标的遥感影像作为基准图,规划飞行器航迹,根据飞行器的成像特点估算景象匹配区范围,并基于基准图,沿飞行器航迹依次割取景象匹配区范围大小的多个区域,均作为候选景象匹配区;
S2、根据每个候选景象匹配区的多个特征因子计算综合景象匹配值,若大于设定阈值则标记为最适匹配区,并为每一个最适匹配区建立4级金字塔影像;
S3、将步骤S1、步骤S2中基于基准图处理获得的所有匹配导航信息按照快速检索方式存储为基本匹配图库,并将基本匹配图库存入飞行器;
S4、飞行器沿飞行航迹获取实时图像,基于基本匹配图库进行多层次景象匹配,所述多层次景象匹配是指先进行快速灰度相关匹配,如果不成功,再进行基于特征的匹配;
S5、计算实时图像的中心点的地理坐标,获取飞行器姿态和飞行器速度,并根据实时图像的中心点的地理坐标、飞行器姿态和飞行器速度计算飞行器当前位置,完成导航;
步骤S2中根据候选景象匹配区的特征因子分别计算综合景象匹配值SMA的公式如下:
其中,Var为图像方差,TVar为图像方差阈值,0<w1<1为图像方差权重,ρe为图像边缘密度,Tρe为图像边缘密度阈,0<w2<1为图像边缘密度权重值,1/SEL为图像自匹配系数的倒数,T1/SEL为图像自匹配系数的倒数阈值,0<w3<1为图像自匹配系数的倒数的权重,ρp为图像特征点密度,Tρp为图像特征点密度阈值,0<w4<1为图像特征点密度权重,ρl为图像直线密度,Tρl为图像直线密度阈值,0<w5<1为图像直线密度权重,且w1+w2+w3+w4+w5=1。
2.根据权利要求1所述的自主导航方法,其特征在于,步骤S1中根据飞行器的成像特点估算景象匹配区范围是指根据飞行器的图像传感器参数和飞行器的高度数据获得实时图像的分辨率,并将实时图像的分辨率归一化到基准图分辨率上,将实时图像在基准图中所占大小作为景象匹配区范围。
3.根据权利要求1所述的自主导航方法,其特征在于,步骤S2中候选景象匹配区的多个特征因子是指图像方差、图像边缘密度、图像自匹配系数、图像特征点密度和图像直线密度。
4.根据权利要求1所述的自主导航方法,其特征在于,步骤S3中基于基准图处理获得的匹配导航信息包括汇总信息,所述汇总信息包括:
概要文件,文件后缀为txt,文件内容包括基准图名称、基准图路径、基准图坐标系统、基准图影像分辨率、基准图包含区域的地理范围、景象匹配区范围的宽度和高度,每项内容存储一行;
航迹线矢量文件,文件后缀为rvf,文件内容为飞行器航迹中包含点的数量以及每个点的地理坐标;
全局索引文件,文件后缀为sif,文件内容为基准图中最适匹配区的数量、每个最适匹配区对应的地理范围以及序号;
基准图文件,文件后缀为bmp。
5.根据权利要求1所述的自主导航方法,其特征在于,步骤S3中匹配导航信息还包括所有最适匹配区信息,所述最适匹配区信息包括:
备注文件,文件后缀为ddf,文件内容为影像数据存在标记、影像中SIFT特征点提取标记以及源影像的路径,每项内容存储一行;
最适匹配区1级金字塔影像源文件,文件后缀为bmp,文件名为序号加“_pyramid1”;
最适匹配区2级金字塔影像源文件,文件后缀为bmp,文件名为序号加“_pyramid2”;
最适匹配区3级金字塔影像源文件,文件后缀为bmp,文件名为序号加“_pyramid3”;
最适匹配区4级金字塔影像源文件,文件后缀为bmp,文件名为序号加“_pyramid4”;
最适匹配区的SIFT特征点信息文件,文件后缀为sdf,文件内容为最适匹配区的SIFT特征点数量、最适匹配区的SIFT特征描述符维数、每一个SIFT特征点的坐标和每一个SIFT特征点描述符中各维数值。
6.根据权利要求1所述的自主导航方法,其特征在于,步骤S3中基于基准图处理获得的匹配导航信息按照快速检索方式存储为基本匹配图库是指,以基准图命名文件夹作为根目录,在该根目录下构建多个以航线命名的子文件夹,每一航线文件夹下存储概要文件、航迹线矢量文件、全局索引文件和基准图文件,并为所有最适匹配区信息构建子文件夹,分别以最适匹配区序号命名,每一最适匹配区信息子文件夹下存储备注文件、最适匹配区1级金字塔影像源文件、最适匹配区2级金字塔影像源文件、最适匹配区3级金字塔影像源文件、最适匹配区4级金字塔影像源文件和最适匹配区的SIFT特征点信息文件。
7.根据权利要求1所述的自主导航方法,其特征在于,步骤S4中的基于特征的匹配是指,提取实时图像的SIFT特征点,与基本匹配图库进行基于特征的匹配。
8.一种计算机存储介质,其特征在于,其内存储有可被处理器执行的计算机程序,该计算机程序执行如权利要求1-7中任一项所述的自主导航方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010111370.8A CN111256696B (zh) | 2020-02-24 | 2020-02-24 | 多特征多层次景象匹配的飞行器自主导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010111370.8A CN111256696B (zh) | 2020-02-24 | 2020-02-24 | 多特征多层次景象匹配的飞行器自主导航方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111256696A CN111256696A (zh) | 2020-06-09 |
CN111256696B true CN111256696B (zh) | 2021-11-26 |
Family
ID=70951265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010111370.8A Active CN111256696B (zh) | 2020-02-24 | 2020-02-24 | 多特征多层次景象匹配的飞行器自主导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111256696B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113029106B (zh) * | 2021-03-05 | 2022-08-09 | 江苏航空职业技术学院 | 一种基于景象匹配导航的贴近摄影测量方法 |
CN113418527B (zh) * | 2021-06-15 | 2022-11-29 | 西安微电子技术研究所 | 一种强实时双构连续景象融合匹配导航定位方法及系统 |
CN114202583A (zh) * | 2021-12-10 | 2022-03-18 | 中国科学院空间应用工程与技术中心 | 一种无人机的视觉定位方法和系统 |
CN114577219A (zh) * | 2022-03-01 | 2022-06-03 | 航天科工智能运筹与信息安全研究院(武汉)有限公司 | 基于规则评分的航迹匹配区选择系统 |
CN115292529B (zh) * | 2022-09-20 | 2023-03-10 | 中咨数据有限公司 | 影像自动处理及成果自动入库方法、系统、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464149A (zh) * | 2008-12-31 | 2009-06-24 | 武汉大学 | Pos辅助航空影像匹配方法 |
CN102426019A (zh) * | 2011-08-25 | 2012-04-25 | 航天恒星科技有限公司 | 一种无人机景象匹配辅助导航方法及系统 |
CN103389074A (zh) * | 2013-07-18 | 2013-11-13 | 河南科技大学 | 一种多尺度景象匹配区的选取方法 |
CN110503679A (zh) * | 2019-08-29 | 2019-11-26 | 四川轻化工大学 | 一种红外基准图制备与评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9969337B2 (en) * | 2014-09-03 | 2018-05-15 | Sharp Laboratories Of America, Inc. | Methods and systems for mobile-agent navigation |
-
2020
- 2020-02-24 CN CN202010111370.8A patent/CN111256696B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464149A (zh) * | 2008-12-31 | 2009-06-24 | 武汉大学 | Pos辅助航空影像匹配方法 |
CN102426019A (zh) * | 2011-08-25 | 2012-04-25 | 航天恒星科技有限公司 | 一种无人机景象匹配辅助导航方法及系统 |
CN103389074A (zh) * | 2013-07-18 | 2013-11-13 | 河南科技大学 | 一种多尺度景象匹配区的选取方法 |
CN110503679A (zh) * | 2019-08-29 | 2019-11-26 | 四川轻化工大学 | 一种红外基准图制备与评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111256696A (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111256696B (zh) | 多特征多层次景象匹配的飞行器自主导航方法 | |
CN109631855B (zh) | 基于orb-slam的高精度车辆定位方法 | |
US11176701B2 (en) | Position estimation system and position estimation method | |
CN107133325B (zh) | 一种基于街景地图的互联网照片地理空间定位方法 | |
US9292766B2 (en) | Techniques for ground-level photo geolocation using digital elevation | |
US9953438B2 (en) | Image annotation on portable devices | |
CN108534782A (zh) | 一种基于双目视觉系统的地标地图车辆即时定位方法 | |
CN111383205B (zh) | 一种基于特征点和三维模型的图像融合定位方法 | |
CN109901207A (zh) | 一种北斗卫星系统与图像特征结合的高精度室外定位方法 | |
CN108021886B (zh) | 一种无人机重复纹理影像局部显著特征点匹配方法 | |
CN114241464A (zh) | 基于深度学习的跨视角影像实时匹配地理定位方法及系统 | |
CN112419374A (zh) | 一种基于图像配准的无人机定位方法 | |
CN108846333A (zh) | 标志牌地标数据集生成及车辆定位方法 | |
Brenner | Global localization of vehicles using local pole patterns | |
Salarian et al. | Accurate localization in dense urban area using google street view images | |
CN113340312A (zh) | 一种ar室内实景导航方法及系统 | |
CN115861860B (zh) | 一种无人机的目标跟踪定位方法和系统 | |
US11928837B2 (en) | Landmark configuration matcher | |
Chen et al. | Camera geolocation from mountain images | |
CN108592916B (zh) | 悬浮式水下自主航行器的多航次地图定位和导航方法 | |
Yan et al. | LOVD: land vehicle detection in complex scenes of optical remote sensing image | |
JP2020153956A (ja) | 移動体位置推定システムおよび移動体位置推定方法 | |
KR102249381B1 (ko) | 3차원 영상 정보를 이용한 모바일 디바이스의 공간 정보 생성 시스템 및 방법 | |
CN116628115A (zh) | 应用于无人机的语义地图数据库及语义分割图生成方法 | |
CN110674327A (zh) | 一种较精确的定位方法和装置 |
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 |