CN112949656B - 水下地形匹配定位方法、设备及计算机存储介质 - Google Patents
水下地形匹配定位方法、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN112949656B CN112949656B CN202110237861.1A CN202110237861A CN112949656B CN 112949656 B CN112949656 B CN 112949656B CN 202110237861 A CN202110237861 A CN 202110237861A CN 112949656 B CN112949656 B CN 112949656B
- Authority
- CN
- China
- Prior art keywords
- search
- real
- area
- matching
- time
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种水下地形匹配定位方法、设备及计算机存储介质,该方法包括以下步骤:通过孪生特征网络对实时区域与搜索区域进行特征提取,计算并生成相关性特征;构建权重网络,对所述实时区域与所述搜索区域之间各通道的所述相关性特征进行权重分配并融合,生成相似性响应图;通过多峰模式检测所述相似性响应图;若所述相似性响应图满足预设条件,则计算并输出最终坐标;本发明解决现有技术中不能很好地表达图像的早期特征,且无法适用于由水下高程数据转化的灰度地形图像的精确定位的问题;实现了增强网络输出特征的表达能力,以及提高定位结果的可靠性。
Description
技术领域
本发明涉及水下高精度定位领域,尤其涉及一种水下地形匹配定位方法、设备及计算机存储介质。
背景技术
在视觉导航领域,实时地图与先验地图匹配的稳定性和可靠性成为导航定位成功的关键,在基于特征的图像匹配方法中,传统的图像匹配方法多基于人工设计的特征,往往缺乏稳定的特征表达而造成图像的匹配效果较差,随着神经网络在图像领域的发展,得益于卷积神经网络对图像特征优秀的学习和表达能力,目前已成为包括图像匹配等计算机视觉领域的研究热点。
另一方面,智能水下机器人(Autonomous Underwater Vehicle,AUV)在应用神经网络模型进行定位时,受神经网络模型性质的影响,存在效率问题,为了满足AUV定位的实时性需求,需要在保证模型准确率的前提下降低模型的计算量。ShuffleNet V2提出了使用深度分离卷积降低模型复杂度的方法,但该方法不能很好地表达图像的早期特征,对图像匹配定位等任务适用性较差,无法适用于由水下高程数据转化的灰度地形图像的精确定位。
发明内容
有鉴于此,提供一种水下地形匹配定位方法、设备及计算机存储介质,解决现有技术中不能很好地表达图像的早期特征,且无法适用于由水下高程数据转化的灰度地形图像的精确定位的问题。
本申请实施例提供了一种水下地形匹配定位方法,所述方法包括:
通过孪生特征网络对实时区域与搜索区域进行特征提取,计算并生成相关性特征;
构建权重网络,对所述实时区域与所述搜索区域之间各通道的所述相关性特征进行权重分配并融合,生成相似性响应图;
通过多峰模式检测所述相似性响应图;
若所述相似性响应图满足预设条件,则计算并输出最终坐标。
在一实施例中,其特征在于,所述通过孪生特征网络对实时区域与搜索区域进行特征提取,计算并生成相关性特征,包括:
基于ShuffleNet网络模型,提取阶段二的特征图、阶段三的特征图以及第五层卷积后的特征图;
基于所述阶段二特征图、所述阶段三的特征图以及所述第五层卷积后的特征图,计算所述实时区域与所述搜索区域各通道之间的相关性,生成所述相关性特征。
在一实施例中,所述构建权重网络,对所述实时区域与所述搜索区域之间各通道的所述相关性特征进行权重分配并融合,生成相似性响应图,包括:
采用深度分离卷积,对各通道的相关性特征进行分组卷积计算,生成分组卷积结果;
采用通道注意力机制对所述分组卷积结果分配权重;
对所述分组卷积结果以及分配的权重执行线性融合操作,生成相似性响应图。
在一实施例中,所述通过多峰模式检测所述相似性响应图,包括:
以所述相似性响应图中最大值为中心的3*3区域外定义为峰值旁瓣区域;
计算峰值区域内点的均值;其中,所述峰值区域为所述相似性响应图中最大值为中心的3*3区域;
统计所述峰值旁瓣区域内的大于所述均值的点的个数。
在一实施例中,所述若所述相似性响应图满足预设条件,则计算并输出最终坐标,包括:
若所述相似性响应图中峰值旁瓣区域内大于均值的点的个数为0,计算并输出最终坐标。
在一实施例中,所述方法,还包括:
若所述相似性响应图中峰值旁瓣区域内大于均值的点的个数大于0且小于或等于3,则以所述相似性响应图中最大值为中心重新生成搜索区域,重新进行特征提取;或,
若所述相似性响应图中峰值旁瓣区域内大于均值的点的个数大于3,则扩大所述搜索区域,重新进行特征提取。
在一实施例中,所述实时区域的预处理过程,包括:
对实时获取的地形数据进行边缘裁剪;
利用图像插值将所述实时获取的地形数据转化为图形的灰度值,生成二维实时地形图像;
对所述二维实时地形图像进行尺寸调整。
在一实施例中,所述搜索区域的预处理过程,包括:
计算最小搜索长度Lsearch,计算方式如下:
Lsearch=Lins+Ltmn+N*Lv
其中Lins为ti到ti+t0时刻的惯导误差,Ltmn为ti时刻地形匹配时的匹配误差(或者初始误差),Lv为修正长度,保证搜索长度大于ti到ti+t0时间段内的累计误差,N∈N*用于调整搜索半径;
根据所述最小搜索长度对所述搜索区域进行尺寸调整。
为实现上述目的,还提供一种计算机存储介质,所述计算机存储介质上存储有水下地形匹配定位方法程序,所述水下地形匹配定位方法程序被处理器执行时实现上述任一所述的方法的步骤。
为实现上述目的,还提供一种水下地形匹配定位设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的水下地形匹配定位方法程序,所述处理器执行所述水下地形匹配定位方法程序时实现上述任一所述的方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:通过孪生特征网络对实时区域与搜索区域进行特征提取,计算并生成相关性特征;本步骤扩大网络的感受野,增加低层特征的通道数量来提高网络的定位能力。构建权重网络,对所述实时区域与所述搜索区域之间各通道的所述相关性特征进行权重分配并融合,生成相似性响应图;本步骤融合高低层特征增强网络输出特征的表达能力;通过多峰模式检测所述相似性响应图;本步骤通过多峰模式检测提高定位结果的可靠性,筛选并剔除伪峰点来降低错误匹配对匹配定位的负面影响。若所述相似性响应图满足预设条件,则计算并输出最终坐标。本发明解决现有技术中不能很好地表达图像的早期特征,且无法适用于由水下高程数据转化的灰度地形图像的精确定位的问题;实现了增强网络输出特征的表达能力,以及提高定位结果的可靠性。
附图说明
图1为本申请实施例中涉及的水下地形匹配定位方法的硬件架构示意图;
图2为本申请水下地形匹配定位方法的第一实施例的流程示意图;
图3为本申请水下地形匹配定位方法中相似性响应图;
图4为本申请水下地形匹配定位方法第一实施例中步骤S110的具体流程示意图;
图5为本申请水下地形匹配定位方法中ShuffleNet架构图;
图6为本申请水下地形匹配定位方法第一实施例中步骤S120的具体流程示意图;
图7为本申请水下地形匹配定位方法第一实施例中步骤S130的具体流程示意图;
图8为本申请水下地形匹配定位方法第一实施例中步骤S140的具体流程示意图;
图9为本申请水下地形匹配定位方法第一实施例中步骤S110中实时区域的预处理过程示意图;
图10为本申请水下地形匹配定位方法第一实施例中步骤S110中搜索区域的预处理过程示意图;
图11为本申请水下地形匹配定位方法逻辑流程示意图;
图12为本申请水下地形匹配定位方法匹配定位效果图。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例的主要解决方案是:通过孪生特征网络对实时区域与搜索区域进行特征提取,计算并生成相关性特征;构建权重网络,对所述实时区域与所述搜索区域之间各通道的所述相关性特征进行权重分配并融合,生成相似性响应图;通过多峰模式检测所述相似性响应图;若所述相似性响应图满足预设条件,则计算并输出最终坐标;本发明解决现有技术中不能很好地表达图像的早期特征,且无法适用于由水下高程数据转化的灰度地形图像的精确定位的问题;实现了增强网络输出特征的表达能力,以及提高定位结果的可靠性。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本申请涉及一种水下地形匹配定位设备010包括如图1所示:至少一个处理器012、存储器011。
处理器012可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器012中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器012可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器011,处理器012读取存储器011中的信息,结合其硬件完成上述方法的步骤。
可以理解,本发明实施例中的存储器011可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ReadOnly Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRateSDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DRRAM)。本发明实施例描述的系统和方法的存储器011旨在包括但不限于这些和任意其它适合类型的存储器。
参照图2,图2为本申请水下地形匹配定位方法的第一实施例,所述水下地形匹配定位方法,包括以下步骤:
步骤S110:通过孪生特征网络对实时区域与搜索区域进行特征提取,计算并生成相关性特征。
孪生特征网络具有两组结构相同,且共享权值的子网络。其中,在本实施例中,孪生特征网络可以包括尺寸调整、特征提取以及特征增强的网络层。
实时区域可以是水下智能机器人实时获取的高程地形数据;
搜索区域可以是事先准备的先验地图;
相关性特征可以是通过计算提取的特征的相似度。
步骤S120:构建权重网络,对所述实时区域与所述搜索区域之间各通道的所述相关性特征进行权重分配并融合,生成相似性响应图。
权重网络通过权重分配的方式,加大低层特征的权重,用于增加低层特征的表达能力;也可以加大高层特征的权重,用于增加高层特征的表达能力;在此处,根据相应需求动态调整,在此不作限定。
权重网络用于对实时区域与搜索区域之间各通道的相关性特征进行权重的分配,使得通过线性相加的方法将高层特征和低层特征的线性融合,用于增强网络输出特征的表达能力。
步骤S130:通过多峰模式检测所述相似性响应图。
多峰模式检测方法,提高定位结果的可靠性。如图3所示为相似性响应图中的单峰模式(a)和多峰模式(b)的对比图,可以发现在定位误差较大时,相似性响应图会呈现明显的多峰模式,通过多峰模式检测,可以筛选并剔除伪峰点来降低错误匹配对匹配定位的负面影响。
步骤S140:若所述相似性响应图满足预设条件,则计算并输出最终坐标。
若相似性响应图为单峰模式,则通过最近邻插值算法进行上采样至输入尺寸,计算并输出最终坐标。
本步骤中输入尺寸的图像缩放算法可以是最近邻插值算法,也可以是双线性插值算法、立方插值等,在此不作限定。
最近邻插值算法就是将目标图像各点的像素值设为源图像中与其最近的点。假设源图像的宽度和高度分别为w0和h0,缩放后的目标图像的宽度和高度分别为w1和h1,那么比例就是float fw=float(w0)/w1;float fh=float(h0)/h1;对于目标图像中的(x,y)点坐标对应着源图像中的(x0,y0)点;其中:x0=int(x*fw),y0=int(y*fh)。
在上述实施例中,存在的有益效果为:通过孪生特征网络对实时区域与搜索区域进行特征提取,计算并生成相关性特征;本步骤扩大网络的感受野,增加低层特征的通道数量来提高网络的定位能力。构建权重网络,对所述实时区域与所述搜索区域之间各通道的所述相关性特征进行权重分配并融合,生成相似性响应图;本步骤融合高低层特征增强网络输出特征的表达能力;通过多峰模式检测所述相似性响应图;本步骤通过多峰模式检测提高定位结果的可靠性,筛选并剔除伪峰点来降低错误匹配对匹配定位的负面影响。若所述相似性响应图满足预设条件,则计算并输出最终坐标。本发明解决现有技术中不能很好地表达图像的早期特征,且无法适用于由水下高程数据转化的灰度地形图像的精确定位的问题;实现了增强网络输出特征的表达能力,以及提高定位结果的可靠性。
参照图4,图4为本申请水下地形匹配定位方法第一实施例中步骤S110的具体实施步骤,所述通过孪生特征网络对实时区域与搜索区域进行特征提取,生成第一相关性特征,包括:
步骤S111:基于ShuffleNet网络模型,提取阶段二的特征图、阶段三的特征图以及第五层卷积后的特征图。
在ShuffleNet轻量化网络设计的基础上,提取ShuffleNet的第二层网络、第三层网络和最后一层网络的输出特征图;
其中第一层网络为阶段二(Stage2)的特征图,第三层网络为阶段三(Stage3)的特征图,最后一层网络为第五层卷积(Conv5)后的特征图。
参照图5为ShuffleNet架构图。
步骤S112:基于所述阶段二特征图、所述阶段三的特征图以及所述第五层卷积后的特征图,计算所述实时区域与所述搜索区域各通道之间的相关性,生成所述相关性特征。
其中,计算所述实时区域与所述搜索区域各通道之间的相关性可以是计算其相似度。也可以是其他的相关性计算方法,在此不作限定。
在上述实施例中,存在的有益效果为:具体给出所述通过孪生特征网络对实时区域与搜索区域进行特征提取,计算并生成相关性特征的实施步骤,扩大网络的感受野,增强低层特征的表达能力,从而保证定位的可靠性。
参照图6,图6为本申请水下地形匹配定位方法第一实施例中步骤S120的具体实施步骤,所述构建权重网络,对所述实时区域与所述搜索区域之间各通道的所述相关性特征进行权重分配并融合,生成相似性响应图,包括:
步骤S121:采用深度分离卷积,对各通道的相关性特征进行分组卷积计算,生成分组卷积结果。
深度分离卷积(depthwise separable convolution)可以是将传统的卷积分解为一个深度卷积(depthwise convolution)和一个1*1的卷积(pointwise convolution)。深度分离卷积的计算量缩减为传统卷积的1/9左右,大大降低计算量,提高相似性响应图生成的速度,从而提高定位的速度。
分组卷积(Group Convolution)可以是对特征进行分组,然后每组分别进行卷积。假设输入feature map的尺寸仍为C*H*W,输出feature map的数量为N个,如果设定要分成G个groups,则每组的输入feature map数量为C/G,每组的输出feature map数量为N/G,每个卷积核的尺寸为C/G*K*K,卷积核的总数仍为N个,每组的卷积核数量为N/G,卷积核只与其同组的输入map进行卷积,卷积核的总参数量为N*C/G*K*K,可见,总参数量减少为原来的1/G;使用分组卷积可以大大减少参数量,从而提高权重网络的计算速度,加快权重的分配。
步骤S122:采用通道注意力机制对所述分组卷积结果分配权重。
注意力机制(attention mechanism)是解决信息超载问题的主要手段的一种资源分配方案,将计算资源分配给更重要的任务;注意力机制将原本平均分配的资源根据注意力对象的重要程度重新分配资源,重要的多分一点,不重要或者不好的少分一点,在神经网络的结构设计中,注意力机制所要分配的资源基本上是权重。
通道注意力(Channel Attention,CA)可以理解为让神经网络在看什么,典型的代表为SENet;通道注意力机制在于分配各个卷积通道之间的资源,也可以是在于分配各个卷积通道之间的权重。
步骤S123:对所述分组卷积结果以及分配的权重执行线性融合操作,生成相似性响应图。
线性融合可以是对分组卷积结果与分配的权重相乘后求和;也可以是其他的融合算法,在此不作限定。
在上述实施例中,存在的有益效果为:具体给出所述构建权重网络,对所述实时区域与所述搜索区域之间各通道的所述相关性特征进行权重分配并融合,生成相似性响应图的实施步骤,融合高层特征与低层特征,增强网络输出特征的表达能力。
参照图7,图7为本申请水下地形匹配定位方法第一实施例中步骤S130的具体实施步骤,所述通过多峰模式检测所述相似性响应图,包括:
步骤S131:以所述相似性响应图中最大值为中心的3*3区域外定义为峰值旁瓣区域。
峰值旁瓣区域以相似性响应图中最大值为中心的3*3区域外面的区域,其中,并不限定于3*3的区域外,也可以是其他数值,根据需求动态调整。
步骤S132:计算峰值区域内点的均值;其中,所述峰值区域为所述相似性响应图中最大值为中心的3*3区域。
计算峰值区域内点的均值,即计算3*3区域内9个点的平均值。
步骤S133:统计所述峰值旁瓣区域内的大于所述均值的点的个数。
即统计相似性响应图最大值为中心的3*3区域外面的区域大于峰值区域内点的均值的点的个数。
在上述实施例中,存在的有益效果为:具体给出通过多峰模式检测相似性响应图的实施步骤,通过多峰模式检测提高定位结果的可靠性,筛选并剔除伪峰点来降低错误匹配对匹配定位的负面影响。
参照图8,图8为本申请水下地形匹配定位方法第一实施例中步骤S140的具体实施步骤,所述若所述相似性响应图满足预设条件,则计算并输出最终坐标,包括:
步骤S141:若所述相似性响应图中峰值旁瓣区域内大于均值的点的个数为0,计算并输出最终坐标。
若所述相似性响应图中峰值旁瓣区域内大于均值的点的个数为0时,则相似性响应图为单峰模式,则通过最近邻插值算法进行上采样至输入尺寸,计算并输出最终坐标。
所述最近邻插值算法参考前面,在此不再赘述。
在上述实施例中,存在的有益效果为:确定相似性响应图为单峰模式,则计算并输出最终坐标,提高定位的准确性。
在其中一个实施例中,所述方法还包括:
若所述相似性响应图中峰值旁瓣区域内大于均值的点的个数大于0且小于或等于3,则以所述相似性响应图中最大值为中心重新生成搜索区域,重新进行特征提取;或,
若所述相似性响应图中峰值旁瓣区域内大于均值的点的个数大于3,则扩大所述搜索区域,重新进行特征提取。
若所述相似性响应图中峰值旁瓣区域内大于均值的点的个数大于0,则相似性响应图为多峰模式,因多峰模式在匹配定位时,会存在定位误差,所以本实施例提供了当大于均值的点的个数大于0且小于等于3,以及大于均值的点的个数大于3两种情况下,具体的执行步骤。
搜索区域的生成以及扩大,可以根据搜索区域的预处理方法。
在上述实施例中,存在的有益效果为:提供相似性响应图为多峰模式的情况下两种处理方法,保证相似性响应图为单峰模式,从而提高定位的精确度和可靠性。
参照图9,图9为本申请水下地形匹配定位方法第一实施例中步骤S110中实时区域的预处理过程,包括:
步骤S111a:对实时获取的地形数据进行边缘裁剪。
边缘裁剪降低边缘噪声对匹配结果的负面影响,提高匹配定位成功的稳定性。
步骤S112a:利用图像插值将所述实时获取的地形数据转化为图形的灰度值,生成二维实时地形图像。
图像插值是在基于模型框架下,从低分辨率图像生成高分辨率图像的过程,用以恢复图像中所丢失的信息。图象插值方法可以为最近邻插值,双线性插值,双平方插值,双立方插值以及其他高阶方法。在本实施例中,并不限定于某种图像插值方法。
步骤S113a:对所述二维实时地形图像进行尺寸调整。
可以依据搜索区域的尺寸,对二维实时地形图像进行尺寸调整。
在本实施例中,存在的有益效果为:通过对实时区域的预处理,获得可以进行特征提取的二维实时地形图像,保证二维实时地形图像的正确性,从而保证特征提取的正确性。
参照图10,图10为本申请水下地形匹配定位方法第一实施例中步骤S110中搜索区域的预处理过程,包括:
步骤S111b:计算最小搜索长度Lsearch,计算方式如下:
Lsearch=Lins+Ltmn+N*Lv
其中Lins为ti到ti+t0时刻的惯导误差,Ltmn为ti时刻地形匹配时的匹配误差(或者初始误差),Lv为修正长度,保证搜索长度大于ti到ti+t0时间段内的累计误差,N∈N*用于调整搜索半径;
步骤S112b:根据所述最小搜索长度对所述搜索区域进行尺寸调整。
在本实施例中,实时区域可以调整为127*127,搜索区域可以调整为255*155;在此实时区域和搜索区域的面积并不限定于此,根据需求动态调整。
在本实施例中,存在的有益效果为:通过对搜索区域的预处理,获得可以进行特征提取的搜索区域图像,保证搜索区域范围的正确性,从而提高定位的准确性。
本申请还提供一种计算机存储介质,所述计算机存储介质上存储有水下地形匹配定位方法程序,所述水下地形匹配定位方法程序被处理器执行时实现上述任一所述的方法的步骤。
本申请还提供一种水下地形匹配定位设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的水下地形匹配定位方法程序,所述处理器执行所述水下地形匹配定位方法程序时实现上述任一所述的方法的步骤。
基于本申请水下地形匹配定位方法(如图11所示的逻辑流程图),与归一化相关匹配方法以及相关系数匹配方法,在不同场景下的匹配定位结果,如图11所示,第一行为平移场景下的实时图与匹配效果图、第二行为不同误差比场景下的实时图与匹配效果图、第三行为不同波束分辨率场景下的实时图与匹配效果图以及第四行为旋转场景下的实时图与匹配效果图。其中黑色框为实时图的实际位置,白色框为匹配位置。根据图12中的实验结果,可以看到本申请方法相较于传统模板匹配方法对上述场景具有更好的匹配效果,定位误差可控制在1米以内。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种水下地形匹配定位方法,其特征在于,所述方法包括:
通过孪生特征网络对实时区域与搜索区域进行特征提取,计算并生成相关性特征;
构建权重网络,对所述实时区域与所述搜索区域之间各通道的所述相关性特征进行权重分配并融合,生成相似性响应图;
通过多峰模式检测所述相似性响应图;
若所述相似性响应图满足预设条件,则计算并输出最终坐标;
所述构建权重网络,对所述实时区域与所述搜索区域之间各通道的所述相关性特征进行权重分配并融合,生成相似性响应图,包括:
采用深度分离卷积,对各通道的相关性特征进行分组卷积计算,生成分组卷积结果;
采用通道注意力机制对所述分组卷积结果分配权重;
对所述分组卷积结果以及分配的权重执行线性融合操作,生成相似性响应图;
所述通过多峰模式检测所述相似性响应图,包括:
以所述相似性响应图中最大值为中心的3*3区域外定义为峰值旁瓣区域;
计算峰值区域内点的均值;其中,所述峰值区域为所述相似性响应图中最大值为中心的3*3区域;
统计所述峰值旁瓣区域内的大于所述均值的点的个数。
2.如权利要求1所述的水下地形匹配定位方法,其特征在于,所述通过孪生特征网络对实时区域与搜索区域进行特征提取,计算并生成相关性特征,包括:
基于ShuffleNet网络模型,提取阶段二的特征图、阶段三的特征图以及第五层卷积后的特征图;
基于所述阶段二特征图、所述阶段三的特征图以及所述第五层卷积后的特征图,计算所述实时区域与所述搜索区域各通道之间的相关性,生成所述相关性特征。
3.如权利要求1所述的水下地形匹配定位方法,其特征在于,所述若所述相似性响应图满足预设条件,则计算并输出最终坐标,包括:
若所述相似性响应图中峰值旁瓣区域内大于均值的点的个数为0,则计算并输出最终坐标。
4.如权利要求3所述的水下地形匹配定位方法,其特征在于,所述方法,还包括:
若所述相似性响应图中峰值旁瓣区域内大于均值的点的个数大于0且小于或等于3,则以所述相似性响应图中最大值为中心重新生成搜索区域,重新进行特征提取;或,
若所述相似性响应图中峰值旁瓣区域内大于均值的点的个数大于3,则扩大所述搜索区域,重新进行特征提取。
5.如权利要求1所述的水下地形匹配定位方法,其特征在于,所述实时区域的预处理过程,包括:
对实时获取的地形数据进行边缘裁剪;
利用图像插值将所述实时获取的地形数据转化为图形的灰度值,生成二维实时地形图像;
对所述二维实时地形图像进行尺寸调整。
6.如权利要求1所述的水下地形匹配定位方法,其特征在于,所述搜索区域的预处理过程,包括:
计算最小搜索长度Lsearch,计算方式如下:
Lsearch=Lins+Ltmn+N*Lv;
其中Lins为ti到ti+t0时刻的惯导误差,Ltmn为ti时刻地形匹配时的匹配误差(或者初始误差),Lv为修正长度,保证搜索长度大于ti到ti+t0时间段内的累计误差,N∈N*用于调整搜索半径;
根据所述最小搜索长度对所述搜索区域进行尺寸调整。
7.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有水下地形匹配定位方法程序,所述水下地形匹配定位方法程序被处理器执行时实现权利要求1-6任一所述的方法的步骤。
8.一种水下地形匹配定位设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的水下地形匹配定位方法程序,所述处理器执行所述水下地形匹配定位方法程序时实现权利要求1-6任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110237861.1A CN112949656B (zh) | 2021-03-03 | 2021-03-03 | 水下地形匹配定位方法、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110237861.1A CN112949656B (zh) | 2021-03-03 | 2021-03-03 | 水下地形匹配定位方法、设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949656A CN112949656A (zh) | 2021-06-11 |
CN112949656B true CN112949656B (zh) | 2022-09-13 |
Family
ID=76247524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110237861.1A Active CN112949656B (zh) | 2021-03-03 | 2021-03-03 | 水下地形匹配定位方法、设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949656B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258554A (zh) * | 2020-10-07 | 2021-01-22 | 大连理工大学 | 基于注意力机制的双流层次孪生网络目标跟踪方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205817B (zh) * | 2015-09-17 | 2017-11-17 | 哈尔滨工程大学 | 一种基于声呐图像边缘角点直方图的水下地形匹配方法 |
CN109711431A (zh) * | 2018-11-27 | 2019-05-03 | 哈尔滨工业大学(深圳) | 一处局部分块卷积的目标跟踪方法、系统及存储介质 |
US11164326B2 (en) * | 2018-12-18 | 2021-11-02 | Samsung Electronics Co., Ltd. | Method and apparatus for calculating depth map |
CN110060274A (zh) * | 2019-04-12 | 2019-07-26 | 北京影谱科技股份有限公司 | 基于深度稠密连接的神经网络的视觉目标跟踪方法和装置 |
CN112950590B (zh) * | 2021-03-03 | 2024-04-05 | 哈尔滨工程大学 | 地形图像适配性分析方法、设备及可读存储介质 |
-
2021
- 2021-03-03 CN CN202110237861.1A patent/CN112949656B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258554A (zh) * | 2020-10-07 | 2021-01-22 | 大连理工大学 | 基于注意力机制的双流层次孪生网络目标跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112949656A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647585B (zh) | 一种基于多尺度循环注意力网络的交通标识符检测方法 | |
CN111652217B (zh) | 文本检测方法、装置、电子设备及计算机存储介质 | |
CN110674829B (zh) | 一种基于图卷积注意网络的三维目标检测方法 | |
CN111161349B (zh) | 物体姿态估计方法、装置与设备 | |
CN112800964B (zh) | 基于多模块融合的遥感影像目标检测方法及系统 | |
CN111583097A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN111145174A (zh) | 基于图像语义特征进行点云筛选的3d目标检测方法 | |
CN110659664A (zh) | 一种基于ssd的高精度识别小物体的方法 | |
US20220076119A1 (en) | Device and method of training a generative neural network | |
US20210272295A1 (en) | Analysing Objects in a Set of Frames | |
CN115631112B (zh) | 一种基于深度学习的建筑轮廓矫正方法及装置 | |
CN113095418A (zh) | 一种目标检测方法及系统 | |
CN111461145A (zh) | 一种基于卷积神经网络进行目标检测的方法 | |
CN112800955A (zh) | 基于加权双向特征金字塔的遥感影像旋转目标检测方法及系统 | |
WO2023226654A1 (zh) | 一种目标物单体化方法、装置、设备及存储介质 | |
CN114359665A (zh) | 全任务人脸识别模型的训练方法及装置、人脸识别方法 | |
CN115761225A (zh) | 一种基于神经网络可解释性的图像标注方法 | |
CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
CN112348116A (zh) | 利用空间上下文的目标检测方法、装置和计算机设备 | |
CN115995042A (zh) | 一种视频sar运动目标检测方法及装置 | |
CN114519819B (zh) | 一种基于全局上下文感知的遥感图像目标检测方法 | |
CN113313162A (zh) | 一种多尺度特征融合目标检测的方法及系统 | |
CN114972492A (zh) | 一种基于鸟瞰图的位姿确定方法、设备和计算机存储介质 | |
CN112949656B (zh) | 水下地形匹配定位方法、设备及计算机存储介质 | |
CN111738069A (zh) | 人脸检测方法、装置、电子设备及存储介质 |
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 |