CN113361552B - 定位方法及装置 - Google Patents
定位方法及装置 Download PDFInfo
- Publication number
- CN113361552B CN113361552B CN202010145889.8A CN202010145889A CN113361552B CN 113361552 B CN113361552 B CN 113361552B CN 202010145889 A CN202010145889 A CN 202010145889A CN 113361552 B CN113361552 B CN 113361552B
- Authority
- CN
- China
- Prior art keywords
- area
- image
- flight
- road network
- road
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 11
- 238000003384 imaging method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012907 on board imaging Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例提供的定位方法及装置,涉及电子信息技术领域,能够解决在电磁波信号较差的飞行区域对飞行装置定位不准确的问题。具体技术方案为:获取飞行装置执行飞行任务过程中对地面实时拍摄的序贯图像序列,然后根据深度学习算法从序贯图像序列中提取道路区域并进行骨架化得到相应的道路区域图像,再对序贯图像序列对应的道路区域图像进行拼接得到道路网络图像,再根据拼接后得到的道路网络图像与飞行任务区域道路网络基准图像进行匹配计算,确定飞行装置当前的飞行区域,最后在确定的飞行区域中计算确定飞行装置的位置。
Description
技术领域
本公开涉及电子信息技术领域,尤其涉及定位方法及装置。
背景技术
随着技术的发展,飞行装置应用到了很多领域,例如,航拍、运输、侦察检测等。在飞行装置飞行过程中,通常要对飞行装置进行定位和导航,例如,通过GPS(英文:GlobalPositioning System,GPS)定位,或者通过其他无线电信号进行定位,但是,这些定位方式都存在明显缺陷,例如广泛使用的GPS定位系统中,电磁波信号很容易受到雨雪、遮挡等自然环境影响,还容易受到电磁波信号压制、诱骗等人工干扰,在电磁波信号较差的飞行区域,无法实现对飞行装置定位。
发明内容
本公开实施例提供一种定位方法及装置,能够解决在电磁波信号较差的飞行区域对飞行装置定位不准确的问题,所述技术方案如下:
根据本公开实施例的第一方面,提供一种定位方法,应用于飞行装置,该方法包括:
获取飞行装置执行飞行任务过程中对地面实时拍摄的序贯图像序列;
根据深度学习算法从序贯图像序列中提取道路区域,并进行骨架化得到相应的道路区域图像;
对序贯图像序列对应的道路区域图像进行拼接,得到道路网络图像;
根据拼接后得到的道路网络图像与飞行任务区域道路网络基准图像进行匹配计算,确定飞行装置当前的飞行区域;
在确定的飞行区域中计算确定飞行装置的位置。
在一个实施例中,对序贯图像序列对应的道路区域图像进行拼接,得到道路网络图像,包括:
根据拍摄的时间顺序将序贯图像序列对应的道路区域图像进行拼接,得到道路网络图像。
在一个实施例中,根据拼接后得到的道路网络图像与飞行任务区域道路网络基准图像进行匹配计算,确定飞行装置当前的飞行区域,包括:
将拼接后得到的道路网络图像,与飞行任务区域道路网络基准图像中每一个区域进行比对;
将拼接后得到的道路网络图像与飞行任务区域道路网络基准图像中匹配一致的基准区域,确定为飞行装置当前的飞行区域对应的地面区域。
在一个实施例中,在确定的飞行区域中计算确定飞行装置的位置,包括:
在确定的飞行区域中,确定飞行装置相对于对应的地面区域的位置;
根据飞行装置相对于对应的地面区域的位置确定飞行装置在地理坐标系中的位置。
在一个实施例中,所述方法之前还包括:
获取飞行任务区域相关地区的道路网络数据并进行处理后得到飞行任务区域道路网络基准图像。
根据本公开实施例的第二方面,提供一种定位装置,应用于飞行装置,包括:
获取模块,用于获取飞行装置执行飞行任务过程中对地面实时拍摄的序贯图像序列;
提取模块,用于根据深度学习算法从序贯图像序列中提取道路区域,并进行骨架化得到相应的道路区域图像;
拼接模块,用于对序贯图像序列对应的道路区域图像进行拼接,得到道路网络图像;
匹配模块,用于根据拼接后得到的道路网络图像与飞行任务区域道路网络基准图像进行匹配计算,确定飞行装置当前的飞行区域;
确定模块,用于在确定的飞行区域中计算确定飞行装置的位置。
在一个实施例中,拼接模块具体用于:
根据拍摄的时间顺序将序贯图像序列对应的道路区域图像进行拼接,得到道路网络图像。
在一个实施例中,匹配模块具体用于:
将拼接后得到的道路网络图像,与飞行任务区域道路网络基准图像中每一个区域进行比对;
将拼接后得到的道路网络图像与飞行任务区域道路网络基准图像中匹配一致的基准区域,确定为飞行装置当前的飞行区域对应的地面区域。
在一个实施例中,确定模块具体用于:
在确定的飞行区域中,确定飞行装置相对于对应的地面区域的位置;
根据飞行装置相对于对应的地面区域的位置确定飞行装置在地理坐标系中的位置。
在一个实施例中,定位装置还包括:
预处理模块,获取飞行任务区域相关地区的道路网络数据并进行处理后得到飞行任务区域道路网络基准图像。
本公开实施例提供的定位方法及装置,通过获取飞行装置执行飞行任务过程中对地面实时拍摄的序贯图像序列,然后根据深度学习算法从序贯图像序列中提取道路区域并进行骨架化得到相应的道路区域图像,再对序贯图像序列对应的道路区域图像进行拼接得到道路网络图像,再根据拼接后得到的道路网络图像与飞行任务区域道路网络基准图像进行匹配计算,确定飞行装置当前的飞行区域,最后在确定的飞行区域中计算确定飞行装置的位置。从而能够解决在电磁波信号较差的飞行区域对飞行装置定位不准确的问题。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是本公开实施例提供的一种定位原理示意图;
图2是本公开实施例提供的一种定位方法的流程示意图;
图3是本公开实施例提供的一个飞行装置飞行区域的道路网路基准图像的示意图;
图4是本公开实施例提供的一种飞行装置位置示意图;
图5是本公开实施例提供的一种相机成像模型示意图;
图6是本公开实施例提供的一种定位装置的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
如图1所示,图1为本公开实施例提供的定位方法的原理示意图。通过对飞行装置实时拍摄的地面图像处理后提取拼接出道路区域图像,并用拼接出的道路网络图像与预先获取的飞行区域的道路网络基准图像匹配比对,比对确定出飞行装置当前飞行区域对应的地面区域,从而根据地面区域以及道路网络基准图像的坐标数据计算确定出飞行装置的位置完成定位。
本公开实施例提供一种定位方法,应用于定位装置,如图2所示,图2是本公开实施例提供的一种定位方法的流程图,本公开实施例提供的定位方法包括以下步骤:
101、获取飞行装置执行飞行任务过程中对地面实时拍摄的序贯图像序列。
102、根据深度学习算法从序贯图像序列中提取道路区域,并进行骨架化得到相应的道路区域图像。
具体的,深度学习算法包括各种图像处理神经网络算法。
103、对序贯图像序列对应的道路区域图像进行拼接,得到道路网络图像;
具体的,步骤103可以包括:根据拍摄的时间顺序将序贯图像序列对应的道路区域图像进行拼接,得到道路网络图像。
104、根据拼接后得到的道路网络图像与飞行任务区域道路网络基准图像进行匹配计算,确定飞行装置当前的飞行区域。
具体的,步骤104可以包括:将拼接后得到的道路网络图像,与飞行任务区域道路网络基准图像中每一个区域进行比对;将拼接后得到的道路网络图像与飞行任务区域道路网络基准图像中匹配一致的基准区域,确定为飞行装置当前的飞行区域对应的地面区域。
105、在确定的飞行区域中计算确定飞行装置的位置。
具体的,步骤105可以包括:在确定的飞行区域中,确定飞行装置相对于对应的地面区域的位置;根据飞行装置相对于对应的地面区域的位置确定飞行装置在地理坐标系中的位置。
在一个实施例中,所述方法之前还包括:
100、获取飞行任务区域相关地区的道路网络数据并进行处理后得到飞行任务区域道路网络基准图像。
本公开实施例提供的定位方法,通过获取飞行装置执行飞行任务过程中对地面实时拍摄的序贯图像序列,然后根据深度学习算法从序贯图像序列中提取道路区域并进行骨架化得到相应的道路区域图像,再对序贯图像序列对应的道路区域图像进行拼接得到道路网络图像,再根据拼接后得到的道路网络图像与飞行任务区域道路网络基准图像进行匹配计算,确定飞行装置当前的飞行区域,最后在确定的飞行区域中计算确定飞行装置的位置。从而能够解决在电磁波信号较差的飞行区域对飞行装置定位不准确的问题。
为了使本领域技术人员更详细的了解本公开实施例提供的定位方法,下面通过详细的实施示例进行说明。该定位方法包括如下步骤:
201、获取飞行任务区域相关地区的道路网络数据并进行处理后得到飞行任务区域道路网络基准图像。
具体的,在执行飞行任务之前,可以对飞行任务区域进行划定,将飞行装置可能飞行的区域内所有道路网络标识出来,得到道路网络基准图像。
该过程可以借助于OpenStreetMap、GIS等工具快速实现;该道路网络基准图像是矢量图,且所有道路对应的地理坐标系中的坐标都是准确已知的。
202、获取飞行任务执行过程中实时拍摄的序贯图像序列。
具体的,该序贯图像序列主要包括当前拍摄的光学成像序列,为飞行装置对前所在区域对地表拍摄的图像。飞行装置包括各种类型的飞行器,例如可以是无人机。
在一个实施例中,获取飞行装置拍摄得到的实时图像序列。
需要说明的是,飞行装置拍摄的至少一个基本图像可以是从上向下,以俯视的角度对地面进行拍摄,在一种应用场景中,飞行装置以俯视的角度,对地面进行连续拍摄得到连续的基本图像。
203、根据实时拍摄的图像序列,自动进行图像中道路区域的分割提取。
在一个实施例中,采用深度学习的图像分割网络算法,例如以Unet为基本框架的分割网络算法,对图像进行智能提取,得到该图像对应的道路信息,结果用道路提取二值图的形式表示,前述处理过程即为骨架化。
204、根据序贯图像序列对应的二值化道路提取结果进行拼接,得到拼接后的道路网络图像。
在一个实施例中,根据多帧道路二值图像获取拼接图像,包括:
将道路提取图像根据拍摄的时间顺序进行拼接,可以连接形成路网,得到道路网络图像。
205、根据匹配计算拼接得到的道路网络图像在道路网路基准图像中的位置,确定飞行装置的飞行区域。
道路网路基准图像是通过步骤201预先存储的飞行区域地表路网矢量图像,例如,飞行装置在A城市执行飞行任务,则道路网路基准图像可以是A城市所有道路的矢量图。之后,当飞行装置在A城市执行飞行任务时,飞行装置实时拍摄地面图像,采用深度学习道路智能提取方法提取道路二值化结果,并对序贯图像序列得到的道路区域图像进行拼接,在拼接之后,形成道路网络图像,利用拼接得到的道路网络图像与预先存储在飞行装置上的道路网路基准图像进行匹配计算,即可确定飞行装置当前所拍摄图像对应的飞行区域。
在一个实施例中,根据拼接图像在道路网路基准图像中确定飞行装置的飞行区域,包括:
将拼接的道路网络图像与道路网路基准图像中每一个网格区域进行匹配计算,将道路网路基准图像中与实时拼接的道路网络图像相同的区域确定为飞行装置对应的飞行区域。
例如,拼接的道路网络图像可以分为9个区域,第1区域到第9区域,经过对比,拼接的道路网络图像是第2区域的一部分,或者拼接的道路网络图像包含第2区域的全部,则可确定拼接的道路网络图像在道路网路基准图像中的位置,然后根据飞行装置按照时间顺序拍摄的最新的一张图像的位置,即可确定飞行装置当前对应的飞行区域。
以图3为例,图3是本公开实施例提供的一个飞行装置飞行区域的道路网路基准图像的示意图,在图3中,道路网路基准图像分为4个区域,拼接的道路网络图像是第二区域的一部分,拼接的道路网络图像包含3个基本图像,按照时间顺序分别是第1基本图像、第2基本图像和第3基本图像,则根据拼接的道路网络图像中最新拍摄的基本图像,可以确定飞行装置当前的飞行区域在第3基本图像所显示的区域。
206、确定飞行装置相对于当前时刻成像对应地表区域的位置。
飞行装置上安装了确定的成像系统,在其内参数已知的情况下,可以根据地表路网在摄像机中的成像,计算出摄像机的位置,从而也就能确定飞行装置在当前时刻的位置坐标。确定飞行装置相对于当前时刻基本图像的位置可以有多种实现方式,此处,列举两种具体的实现方式进行说明,当然,此处只是示例性说明,并不代表本公开局限于此:
在第一种实现方式中,飞行装置在基本图像中对应的位置是固定的,根据预先存储的定位坐标,即可确定飞行装置在基本图像中的位置。
如图4所示,图4是本公开实施例提供的一种飞行装置位置示意图,飞行装置可以定位在基本图像的中心,或者在基本图像底边的中点。从基本图像的中心,向飞行装置飞行方向相反的方向延伸所相交的边为底边。
在第二种实现方式中,确定飞行装置相对于基本图像的位置,包括:
根据基本图像,利用成像变换模型,可以确定飞行装置相对于基本图像的位置。
例如:如图5所示,图5是本公开实施例提供的一种成像逆变换说明示意图,根据步骤205中拼接的道路网络图像和道路网路基准图像的匹配结果,得到基本图像中每一个参考点的地理坐标。然后,根据参考点的像素坐标(即参考点在基本图像中像素排列的位置),及其地理坐标,利用单目视觉成像过程几何关系,反推飞行装置的位置。
假设参考点为P点,P点在飞行装置机载成像平台中的像素坐标为I,他们之间的坐标转换关系可以由公式(1)进行描述。
在上式中,(u0 v0)是摄像机的主点偏置,dx和dy分别是每一个像素在x轴和y轴方向上的物理尺寸,f是摄像机的焦距,Oc,Ow和OI分别是摄像机光心坐标系、世界坐标系和图像坐标系的坐标原点,在实际应用过程中,摄像机焦距f和主点偏置(u0v0),以及像素尺寸dx和dy均可以获取到具体参数值。
在图5中,根据P点的位置关系,以及P点在相机中成像的坐标,可以唯一确定一条射线,过相机光心点C;同样,假设还存在另外一个参考点P1,那么该点和成像坐标I1也可以确定一条射线,两条射线的交点,便是相机的光心坐标位置。根据该坐标位置,便可确定空基飞行器平台的地理坐标。
207、根据飞行装置相对于当前基本图像的位置确定飞行装置在地理坐标系中的位置。
确定飞行装置相对于当前时刻地表路网的位置,而基准图中所有路网在地理坐标系中的坐标都是准确已知的,因此,可以很容易由基准图中路网的地理坐标,推算出飞行装置在地理坐标系中的坐标。
本公开实施例提供的定位方法,通过飞行装置拍摄的图像并结合飞行区域的道路网络基准图像,确定飞行装置在基准图像中的位置,以此实现对飞行装置的定位,该方法不受电磁波信号的限制,即使在电磁波信号传递条件不好的区域,也能够对飞行装置进行定位。
基于上述实施例所描述的定位方法,本公开实施例提供一种定位装置,用于执行上述实施例中所描述的定位方法,如图6所示,该定位装置60包括:
获取模块601,用于获取飞行装置执行飞行任务过程中对地面实时拍摄的序贯图像序列;
提取模块602,用于根据深度学习算法从序贯图像序列中提取道路区域,并进行骨架化得到相应的道路区域图像;
拼接模块603,用于对序贯图像序列对应的道路区域图像进行拼接,得到道路网络图像;
匹配模块604,用于根据拼接后得到的道路网络图像与飞行任务区域道路网络基准图像进行匹配计算,确定飞行装置当前的飞行区域;
确定模块605,用于在确定的飞行区域中计算确定飞行装置的位置。
在一个实施例中,拼接模块602具体用于:
根据拍摄的时间顺序将序贯图像序列对应的道路区域图像进行拼接,得到道路网络图像。
在一个实施例中,匹配模块604具体用于:
将拼接后得到的道路网络图像,与飞行任务区域道路网络基准图像中每一个区域进行比对;
将拼接后得到的道路网络图像与飞行任务区域道路网络基准图像中匹配一致的基准区域,确定为飞行装置当前的飞行区域对应的地面区域。
在一个实施例中,确定模块605具体用于:
在确定的飞行区域中,确定飞行装置相对于对应的地面区域的位置;
根据飞行装置相对于对应的地面区域的位置确定飞行装置在地理坐标系中的位置。
在一个实施例中,定位装置60还包括:
预处理模块606,获取飞行任务区域相关地区的道路网络数据并进行处理后得到飞行任务区域道路网络基准图像。
本公开实施例提供的定位装置,通过获取飞行装置执行飞行任务过程中对地面实时拍摄的序贯图像序列,然后根据深度学习算法从序贯图像序列中提取道路区域并进行骨架化得到相应的道路区域图像,再对序贯图像序列对应的道路区域图像进行拼接得到道路网络图像,再根据拼接后得到的道路网络图像与飞行任务区域道路网络基准图像进行匹配计算,确定飞行装置当前的飞行区域,最后在确定的飞行区域中计算确定飞行装置的位置。从而能够解决在电磁波信号较差的飞行区域对飞行装置定位不准确的问题。
基于上述实施例中所描述的定位方法,本公开实施例还提供一种计算机可读存储介质,例如,非临时性计算机可读存储介质可以是只读存储器(Read Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、CD-ROM、磁带、软盘和光数据存储装置等。该存储介质上存储有计算机指令,用于执行上述实施例中所描述的定位方法,此处不再赘述。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (8)
1.一种定位方法,应用于飞行装置,其特征在于,包括:
获取所述飞行装置执行飞行任务过程中对地面实时拍摄的序贯图像序列;
根据深度学习算法从所述序贯图像序列中提取道路区域,并进行骨架化得到相应的道路区域图像;
对所述序贯图像序列对应的道路区域图像进行拼接,得到道路网络图像,所述道路网络图像包含若干基本图像;
将所述拼接后得到的道路网络图像,与所述飞行任务区域道路网络基准图像中每一个区域进行比对;
将所述拼接后得到的道路网络图像与所述飞行任务区域道路网络基准图像中匹配一致的基准区域,确定为所述飞行装置当前的飞行区域对应的地面区域;
在确定的所述飞行区域中计算确定所述飞行装置的位置。
2.根据权利要求1所述的方法,其特征在于,所述对所述序贯图像序列对应的道路区域图像进行拼接,得到道路网络图像,包括:
根据拍摄的时间顺序将所述序贯图像序列对应的道路区域图像进行拼接,得到所述道路网络图像。
3.根据权利要求1所述的方法,其特征在于,所述在确定的所述飞行区域中计算确定所述飞行装置的位置,包括:
在确定的所述飞行区域中,确定所述飞行装置相对于所述对应的地面区域的位置;
根据所述飞行装置相对于所述对应的地面区域的位置确定所述飞行装置在地理坐标系中的位置。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述方法之前还包括:
获取所述飞行任务区域相关地区的道路网络数据并进行处理后得到所述飞行任务区域道路网络基准图像。
5.一种定位装置,应用于飞行装置,其特征在于,包括:
获取模块,用于获取所述飞行装置执行飞行任务过程中对地面实时拍摄的序贯图像序列;
提取模块,用于根据深度学习算法从所述序贯图像序列中提取道路区域,并进行骨架化得到相应的道路区域图像;
拼接模块,用于对所述序贯图像序列对应的道路区域图像进行拼接,得到道路网络图像,所述道路网络图像包含若干基本图像;
匹配模块,用于将所述拼接后得到的道路网络图像,与所述飞行任务区域道路网络基准图像中每一个区域进行比对;
将所述拼接后得到的道路网络图像与所述飞行任务区域道路网络基准图像中匹配一致的基准区域,确定为所述飞行装置当前的飞行区域对应的地面区域;
确定模块,用于在确定的所述飞行区域中计算确定所述飞行装置的位置。
6.根据权利要求5所述的装置,其特征在于,所述拼接模块具体用于:
根据拍摄的时间顺序将所述序贯图像序列对应的道路区域图像进行拼接,得到所述道路网络图像。
7.根据权利要求6所述的装置,其特征在于,所述确定模块具体用于:
在确定的所述飞行区域中,确定所述飞行装置相对于所述对应的地面区域的位置;
根据所述飞行装置相对于所述对应的地面区域的位置确定所述飞行装置在地理坐标系中的位置。
8.根据权利要求5-7任一项所述的装置,其特征在于,所述装置还包括:
预处理模块,获取所述飞行任务区域相关地区的道路网络数据并进行处理后得到所述飞行任务区域道路网络基准图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010145889.8A CN113361552B (zh) | 2020-03-05 | 2020-03-05 | 定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010145889.8A CN113361552B (zh) | 2020-03-05 | 2020-03-05 | 定位方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361552A CN113361552A (zh) | 2021-09-07 |
CN113361552B true CN113361552B (zh) | 2024-02-20 |
Family
ID=77523543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010145889.8A Active CN113361552B (zh) | 2020-03-05 | 2020-03-05 | 定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361552B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201115A (zh) * | 2011-04-07 | 2011-09-28 | 湖南天幕智能科技有限公司 | 无人机航拍视频实时全景图拼接方法 |
KR101977052B1 (ko) * | 2018-06-07 | 2019-05-10 | 이승호 | 무인비행체를 이용한 도로상태 조사시스템 및 이를 이용한 조사방법 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9075415B2 (en) * | 2013-03-11 | 2015-07-07 | Airphrame, Inc. | Unmanned aerial vehicle and methods for controlling same |
CN106774402A (zh) * | 2016-12-28 | 2017-05-31 | 湖南省道通科技有限公司 | 对无人机进行定位的方法及装置 |
CN107352032B (zh) * | 2017-07-14 | 2024-02-27 | 广东工业大学 | 一种人流量数据的监控方法及无人机 |
CN109307510A (zh) * | 2017-07-28 | 2019-02-05 | 广州极飞科技有限公司 | 飞行导航方法、装置和无人飞行器 |
CN110160503B (zh) * | 2019-04-04 | 2021-06-04 | 武汉大学 | 一种顾及高程的无人机景观匹配定位方法 |
-
2020
- 2020-03-05 CN CN202010145889.8A patent/CN113361552B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201115A (zh) * | 2011-04-07 | 2011-09-28 | 湖南天幕智能科技有限公司 | 无人机航拍视频实时全景图拼接方法 |
KR101977052B1 (ko) * | 2018-06-07 | 2019-05-10 | 이승호 | 무인비행체를 이용한 도로상태 조사시스템 및 이를 이용한 조사방법 |
Non-Patent Citations (2)
Title |
---|
"Position control of a quadcopter drone using evolutionary algorithms-based self-tuning for first-order Takagi–Sugeno–Kang fuzzy logic autopilots";Edwar Yazid等;《Applied Soft Computing》;第78卷;第373-392页 * |
集中式光伏电站巡检无人机视觉定位与导航;席志鹏;楼卓;李晓霞;孙艳;杨强;颜文俊;;浙江大学学报(工学版)(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113361552A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101105795B1 (ko) | 항공 화상의 자동 처리 | |
EP2423871B1 (en) | Apparatus and method for generating an overview image of a plurality of images using an accuracy information | |
US9799139B2 (en) | Accurate image alignment to a 3D model | |
US20150138310A1 (en) | Automatic scene parsing | |
CN107146200B (zh) | 一种基于图像拼接质量评价的无人机遥感图像拼接方法 | |
US20100074473A1 (en) | System and method of extracting plane features | |
CN115439424A (zh) | 一种无人机航拍视频图像智能检测方法 | |
CN110569861A (zh) | 一种基于点特征和轮廓特征融合的图像匹配定位方法 | |
Kedzierski et al. | Methodology of improvement of radiometric quality of images acquired from low altitudes | |
CN111738033B (zh) | 基于平面分割的车辆行驶信息确定方法及装置、车载终端 | |
CN108320304A (zh) | 一种无人机航拍视频媒体的自动编辑方法与系统 | |
JP2023530449A (ja) | 空中と地上の位置合わせのためのシステムおよび方法 | |
Moussa et al. | A fast approach for stitching of aerial images | |
CN111105351B (zh) | 一种视频序列影像拼接方法及装置 | |
CN114972646A (zh) | 一种实景三维模型独立地物的提取与修饰方法及系统 | |
CN110909620A (zh) | 车辆检测方法、装置、电子设备及存储介质 | |
JP3863014B2 (ja) | 物体検出装置及びその方法 | |
CN113361552B (zh) | 定位方法及装置 | |
Božić-Štulić et al. | Complete model for automatic object detection and localisation on aerial images using convolutional neural networks | |
Sun et al. | Complex building roof detection and strict description from LIDAR data and orthorectified aerial imagery | |
Hussein et al. | Global localization of autonomous robots in forest environments | |
CN111667531B (zh) | 定位方法及装置 | |
CN111666959A (zh) | 矢量图像匹配方法及装置 | |
Gotovac et al. | A model for automatic geomapping of aerial images mosaic acquired by UAV | |
CN114463170B (zh) | 一种针对agv应用的大场景图像拼接方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240119 Address after: 710075 room 18, 12202, 22 / F, unit 1, building 2, leading Times Plaza (block B), No. 86, Gaoxin Road, high tech Zone, Xi'an, Shaanxi Province Applicant after: Xi'an Yuanzhi Electronic Technology Co.,Ltd. Address before: 710121 Xi'an University of Posts and Telecommunications (Chang'an campus), Chang'an District, Xi'an City, Shaanxi Province Applicant before: XI'AN University OF POSTS & TELECOMMUNICATIONS |
|
GR01 | Patent grant | ||
GR01 | Patent grant |