CN113723568A - 基于多传感器和海平面的遥感图像特征点高程获取方法 - Google Patents
基于多传感器和海平面的遥感图像特征点高程获取方法 Download PDFInfo
- Publication number
- CN113723568A CN113723568A CN202111159961.3A CN202111159961A CN113723568A CN 113723568 A CN113723568 A CN 113723568A CN 202111159961 A CN202111159961 A CN 202111159961A CN 113723568 A CN113723568 A CN 113723568A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- aerial vehicle
- unmanned aerial
- slam
- information
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多传感器和海平面的遥感图像特征点高程获取方法,属于自主导航和遥感图像领域。该方法控制无人机巡航,采用SLAM方法建立SLAM地图,根据巡航过程中各时刻在SLAM坐标系中的坐标,得到无人机巡航平面在SLAM坐标系中的拟合方程,根据气压计采集的无人机SLAM初始化时的高度信息,得到海平面在SLAM坐标系中的方程,对遥感图像和机载相机图像进行特征匹配,得到特征点对应真实世界三维点的高程信息,最后将高程信息加入到遥感图像。本发明可以求得海平面在SLAM坐标系中的方程,并获得遥感地图中特征点的高程信息,为遥感地图使用者提供更多的帮助。
Description
技术领域
本发明涉及自主导航和遥感图像领域,尤其是一种基于多传感器和海平面的遥感图像特征点高程获取方法。
背景技术
作为一种视觉地图,遥感地图中的每一个像素点都具有准确的地球经纬度信息,可以为使用者提供位置参考。但遥感地图中只具有每个像素点的二维信息,缺少各像素点的高程信息,不能为使用者提供更多的参考。因此,基于多传感器和海平面为地图中特征点添加高程信息后,遥感地图中信息会更加丰富,可以为使用者提供更多的帮助。
多传感器包含机载相机、IMU和气压高度计等,使用无人机SLAM(SimultaneousLocalization And Mapping)技术融合相机和IMU的信息可以实现无人机的自主定位和无人机飞行场景的稀疏点云地图重建,但其中的三维点信息是以无人机SLAM初始化时设置的位置和方向为基础的,不能通过各传感器的信息直接将点的三维信息加入到遥感地图中。
发明内容
为了解决上述问题,本发明提供了一种基于多传感器和海平面的遥感图像特征点高程获取方法,该方法基于机载相机图像信息和IMU信息,通过无人机SLAM技术完成无人机的自主定位和无人机飞行场景的稀疏点云地图重建,利用气压高度计和海平面信息恢复遥感图像中特征点的高程信息,为遥感地图使用者提供更多参考信息。
为实现上述目的,本发明提出的技术方案为:
一种基于多传感器和海平面的遥感图像特征点高程获取方法,包括以下步骤:
载入遥感图像并计算得到遥感地图中特征点的位置信息和描述子信息,根据遥感图像拍摄范围设定无人机飞行区域,控制无人机在飞行区域内以固定高度巡航;
利用机载相机和IMU组合的SLAM方法对无人机的位姿进行估计,并恢复相机图像中特征点为三维点云,建立包含无人机位姿和场景三维点云信息的SLAM地图;
根据SLAM地图中无人机各时刻的坐标位置,通过平面拟合方法解得无人机巡航平面在SLAM坐标系下的拟合方程,利用气压计采集的无人机SLAM初始化时的高度信息,求得海平面在SLAM坐标系中的方程;
对机载图像和遥感图像进行特征匹配,得到匹配点在SLAM地图中的三维坐标,计算匹配点与海平面的距离,得到遥感图像中特征点对应真实世界三维点的高程信息,将高程信息加入遥感地图。
进一步的,载入遥感图像并计算得到遥感地图中特征点的位置信息和描述子信息,根据遥感图像拍摄范围设定无人机飞行区域,控制无人机在飞行区域内以固定高度巡航,包括:
载入遥感图像并使用特征检测算法计算得到遥感图像中特征点的位置信息和描述子信息;
根据遥感图像拍摄范围设定无人机飞行区域,控制无人机在该区域内起飞后以固定高度巡航飞行;
设定无人机巡航时高度不变,无人机各时刻的位置在同一平面上,该平面称为巡航平面。
进一步的,利用机载相机和IMU组合的SLAM方法对无人机的位姿进行估计,并恢复相机图像中特征点为三维点云,建立包含无人机位姿和场景三维点云信息的SLAM地图,包括:
设定无人机SLAM坐标系的原点和方向,确定相机与IMU的外参数矩阵;
对机载相机图像序列进行特征检测,得到特征点的位置信息和描述子信息,通过特征跟踪的方式得到同一特征点在不同相机图像中的位置;
通过多视图几何方法计算不同相机图像之间的位姿变换,通过三角化方法恢复相机图像中特征点为三维点云;
使用光束平差法对无人机位姿和三维点云坐标进行优化;
根据已计算得出的无人机位姿信息和IMU输出的数据,计算并优化IMU各项参数,计算得到IMU的预积分量;
融合视觉和IMU信息,建立带有尺度信息的无人机SLAM地图。
进一步的,根据SLAM地图中无人机各时刻的坐标位置,通过平面拟合方法解得无人机巡航平面在SLAM坐标系下的拟合方程,利用气压计采集的无人机SLAM初始化时的高度信息,求得海平面在SLAM坐标系中的方程,包括:
利用无人机巡航时各时刻在SLAM坐标系中的位置,通过平面拟合方法,求得无人机巡航平面的方程;
气压高度计实时获得并输出带有时间戳的无人机飞行高度信息,根据时间戳,得到无人机的飞行高度SLAM初始化时高度;
利用无人机巡航平面方程,通过平面间距离公式和海平面与原点的位置关系,确定海平面在SLAM坐标系中的方程。
进一步的,对机载图像和遥感图像进行特征匹配,得到匹配点在SLAM地图中的三维坐标,计算匹配点与海平面的距离,得到遥感图像中特征点对应真实世界三维点的高程信息,将高程信息加入遥感地图,包括:
根据特征点的描述子信息,对机载图像特征点和遥感图像特征点进行匹配,建立特征匹配点对关系;
根据机载图像特征点与SLAM坐标系中三维点的映射关系,找到遥感图像中特征点在SLAM地图中对应的三维坐标点;
利用坐标系中点到平面的距离公式,得到SLAM地图中遥感图像特征点与海平面的距离,进而得到遥感图像中特征点的高程信息;
当遥感地图中某个特征点匹配到多个机载图像中特征点时,对每个匹配情况分别计算高程信息并求平均值,将平均值作为最终的高程信息加入到遥感地图特征点位置的信息中。
与现有方法相比,本发明的有益效果在于:
本发明方法控制无人机在遥感图像区域内按某一固定高度巡航,采用机载相机和IMU组合的SLAM方法建立包含无人机位姿信息和无人机飞行场景稀疏点云信息的SLAM地图,根据无人机巡航过程中各时刻在SLAM坐标系中的坐标,通过最小二乘法等方法,得到无人机巡航平面在SLAM坐标系中的拟合方程,之后根据气压计采集的无人机SLAM初始化时的高度信息,可以得到海平面在SLAM坐标系中的方程,对遥感图像和机载相机图像进行特征匹配,找到匹配成功的特征点在稀疏点云地图中的映射的三维坐标点,计算这些三维点到海平面的距离,即可得到特征点对应真实世界三维点的高程信息,最后将高程信息加入到遥感图像。与现有的遥感地图相比,本发明可以求得海平面在SLAM坐标系中的方程,并获得遥感地图中特征点的高程信息,可以为遥感地图使用者提供更多的帮助。
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简单地介绍,显而易见地,下面描述中的附图仅仅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示出的结构获得其他的附图。
图1为本发明方法的流程图。
具体实施方法
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,所描述的实施例仅是本发明的一部分实施例,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,都属于本发明保护的范围。
如图1所示,一种基于多传感器和海平面的遥感图像特征点高程获取方法,包括:
S1:载入遥感图像并计算得到遥感地图中特征点的位置信息和描述子信息,根据遥感图像拍摄范围设定无人机飞行区域,控制无人机在该区域内以某一固定高度巡航。
S2:利用机载相机和IMU组合的SLAM方法对无人机的位姿进行估计,并恢复相机图像中特征点为三维点云,建立包含无人机位姿和场景三维点云信息的SLAM地图(基于SLAM方法生成的地图)。
S3:根据SLAM地图中无人机各时刻的坐标位置,通过平面拟合方法解得无人机巡航平面在SLAM坐标系(基于SLAM方法建立的坐标系)下的拟合方程,利用气压计采集的无人机SLAM初始化时的高度信息,可以进一步求得海平面在SLAM坐标系中的方程。
S4:对机载图像和遥感图像进行特征匹配,得到匹配点在SLAM地图中的三维坐标,计算匹配点与海平面的距离,即可得到遥感图像中特征点对应真实世界三维点的高程信息,最后将高程信息加入遥感地图。
步骤S1中,载入遥感图像并计算得到遥感地图中特征点的位置信息和描述子信息,根据遥感图像拍摄范围设定无人机飞行区域,控制无人机在该区域内以某一固定高度巡航,包括:
S11:载入遥感图像并使用特征检测算法计算得到遥感图像中特征点的位置信息和描述子信息。
特征检测算法为基于ORB特征的特征提取算法、基于SIFT特征的特征提取算法或基于SURF特征的特征提取算法,等等。
S12:根据遥感图像拍摄范围设定无人机飞行区域,控制无人机在该区域内起飞后以某一固定高度巡航飞行;
S13:设定无人机巡航时高度不变,无人机各时刻的位置在同一平面上,该平面称为巡航平面。
步骤S2中,利用机载相机和IMU组合的SLAM方法对无人机的位姿进行估计,并恢复相机图像中特征点为三维点云,建立包含无人机位姿和场景三维点云信息的SLAM地图,包括:
S21:设定无人机SLAM坐标系的原点和方向,确定相机与IMU的外参数矩阵。
设定无人机SLAM初始化的位置为SLAM坐标系的原点,XYZ坐标轴分别指向初始化时无人机的前方,左方,上方。根据相机和IMU与无人机的位置关系,确定相机与IMU的外参数矩阵。
S22:对机载相机图像序列进行特征检测,得到特征点的位置信息和描述子信息,通过特征跟踪的方式得到同一特征点在不同相机图像中的位置。
特征检测算法为基于ORB特征的特征提取算法、基于SIFT特征的特征提取算法或基于SURF特征的特征提取算法,等等。
特征跟踪采用现有方法,如KLT稀疏光流跟踪法、稠密光流跟踪法、特征匹配法等。
S23:通过多视图几何方法计算不同相机图像之间的位姿变换,通过三角化方法恢复相机图像中特征点为三维点云。
多视图几何方法包括PNP方法、求解图像间基础矩阵F的方法和求解图像间单应矩阵H的方法,等等。
S24:使用光束平差法方法对无人机位姿和三维点云坐标进行优化。
S25:根据已计算得出的无人机位姿信息和IMU输出的数据,计算并优化IMU各项参数,计算得到IMU的预积分量。
S26:融合视觉和IMU信息,建立带有尺度信息的无人机SLAM地图。
步骤S3中,根据SLAM地图中无人机各时刻的坐标位置,通过平面拟合方法解得无人机巡航平面在SLAM坐标系下的拟合方程,利用气压计采集的无人机SLAM初始化时的高度信息,可以进一步求得海平面在SLAM坐标系中的方程,包括:
S31:利用无人机巡航时各时刻在SLAM坐标系中的位置,通过平面拟合方法,可以求得无人机巡航平面的方程;
S32:气压高度计可以实时获得并输出无人机的飞行高度,根据时间戳信息,可以得到无人机的飞行高度SLAM初始化时高度,记为h1;
S33:利用无人机巡航平面方程,通过平面间距离公式和海平面与原点的位置关系,可以确定海平面在SLAM坐标系中的方程。
步骤S31中,利用无人机巡航时各时刻在SLAM坐标系中的位置,通过平面拟合方法,可以求得无人机巡航平面的方程,包括:
S311:平面拟合方法包括并不限于最小二乘法,本发明以最小二乘法为示例进行巡航平面的方程求解。
S312:在SLAM坐标系中,无人机SLAM初始化点为原点,记为(0,0,0),无人机巡航时各位置坐标记为(xi,yi,zi),其中i为与机载图像序列对应的序号。
S313:设定无人机巡航平面在SLAM坐标系中的方程为:
z=ax+by+c
其中,a,b,c是未知量。
S314:设定S为最小二乘和,记为:
其中,n为无人机巡航平面中无人机位置点的数目。
当S最小时,有:
整理可得:
整理并将其转为矩阵方程得:
A·X=Y
其中,A为系数矩阵,X为未知数矩阵,Y为实数矩阵,并有:
可将上式转换为,求解当||A·X-Y||最小时X所得值的最小二乘问题。
系数矩阵为方阵,且该矩阵满秩,该方程存在唯一最小二乘解,可以通过两边同时乘以系数矩阵的逆矩阵求得,即
X=A-1Y
解得a,b,c后,即可得知无人机巡航平面的方程。
步骤S33中,利用无人机海平面的高度信息,通过平面间距离公式和海平面与原点的位置关系,可以确定海平面在SLAM坐标系中的方程,包括:
S331:设定海平面在SLAM坐标系中的方程为:
ax+by-z+d=0
其中,由于巡航平面与海平面平行,二者方程的系数相等,a,b的值可通过巡航平面方程获得,d为未知量。
S332:根据点到平面距离公式和无人机SLAM初始化时原点高度有:
S333:根据SLAM初始化时无人机高度可以判断原点与海平面的位置关系,因此有:
由此可得海平面在SLAM坐标系中的方程。
对于步骤S4中,对机载图像和遥感图像进行特征匹配,得到匹配点在SLAM地图中的三维坐标,计算匹配点与海平面的距离,即可得到遥感图像中特征点对应真实世界三维点的高程信息,最后将高程信息加入遥感地图,包括:
S43:根据海平面方程和特征点坐标,利用点到平面距离公式可以得到特征点到海平面的距离:
其中,h为遥感地图中特征点到海平面的距离。
总之,本发明方法控制无人机在遥感图像区域内按某一固定高度巡航,采用机载相机和IMU组合的SLAM方法建立包含无人机位姿信息和无人机飞行场景稀疏点云信息的SLAM地图,根据无人机巡航过程中各时刻在SLAM坐标系中的坐标,通过最小二乘法等方法,得到无人机巡航平面在SLAM坐标系中的拟合方程,之后根据气压计采集的无人机SLAM初始化时的高度信息,可以得到海平面在SLAM坐标系中的方程,对遥感图像和机载相机图像进行特征匹配,找到匹配成功的特征点在稀疏点云地图中的映射的三维坐标点,计算这些三维点到海平面的距离,即可得到特征点对应真实世界三维点的高程信息,最后将高程信息加入到遥感图像。与现有的遥感地图相比,本发明可以求得海平面在SLAM坐标系中的方程,并获得遥感地图中特征点的高程信息,可以为遥感地图使用者提供更多的帮助。
Claims (5)
1.一种基于多传感器和海平面的遥感图像特征点高程获取方法,其特征在于,包括以下步骤:
载入遥感图像并计算得到遥感地图中特征点的位置信息和描述子信息,根据遥感图像拍摄范围设定无人机飞行区域,控制无人机在飞行区域内以固定高度巡航;
利用机载相机和IMU组合的SLAM方法对无人机的位姿进行估计,并恢复相机图像中特征点为三维点云,建立包含无人机位姿和场景三维点云信息的SLAM地图;
根据SLAM地图中无人机各时刻的坐标位置,通过平面拟合方法解得无人机巡航平面在SLAM坐标系下的拟合方程,利用气压计采集的无人机SLAM初始化时的高度信息,求得海平面在SLAM坐标系中的方程;
对机载图像和遥感图像进行特征匹配,得到匹配点在SLAM地图中的三维坐标,计算匹配点与海平面的距离,得到遥感图像中特征点对应真实世界三维点的高程信息,将高程信息加入遥感地图。
2.如权利要求1所述的基于多传感器和海平面的遥感图像特征点高程获取方法,其特征在于,载入遥感图像并计算得到遥感地图中特征点的位置信息和描述子信息,根据遥感图像拍摄范围设定无人机飞行区域,控制无人机在飞行区域内以固定高度巡航,包括:
载入遥感图像并使用特征检测算法计算得到遥感图像中特征点的位置信息和描述子信息;
根据遥感图像拍摄范围设定无人机飞行区域,控制无人机在该区域内起飞后以固定高度巡航飞行;
设定无人机巡航时高度不变,无人机各时刻的位置在同一平面上,该平面称为巡航平面。
3.如权利要求1所述的基于多传感器和海平面的遥感图像特征点高程获取方法,其特征在于,利用机载相机和IMU组合的SLAM方法对无人机的位姿进行估计,并恢复相机图像中特征点为三维点云,建立包含无人机位姿和场景三维点云信息的SLAM地图,包括:
设定无人机SLAM坐标系的原点和方向,确定相机与IMU的外参数矩阵;
对机载相机图像序列进行特征检测,得到特征点的位置信息和描述子信息,通过特征跟踪的方式得到同一特征点在不同相机图像中的位置;
通过多视图几何方法计算不同相机图像之间的位姿变换,通过三角化方法恢复相机图像中特征点为三维点云;
使用光束平差法对无人机位姿和三维点云坐标进行优化;
根据已计算得出的无人机位姿信息和IMU输出的数据,计算并优化IMU各项参数,计算得到IMU的预积分量;
融合视觉和IMU信息,建立带有尺度信息的无人机SLAM地图。
4.如权利要求1所述的基于多传感器和海平面的遥感图像特征点高程获取方法,其特征在于,根据SLAM地图中无人机各时刻的坐标位置,通过平面拟合方法解得无人机巡航平面在SLAM坐标系下的拟合方程,利用气压计采集的无人机SLAM初始化时的高度信息,求得海平面在SLAM坐标系中的方程,包括:
利用无人机巡航时各时刻在SLAM坐标系中的位置,通过平面拟合方法,求得无人机巡航平面的方程;
气压高度计实时获得并输出带有时间戳的无人机飞行高度信息,根据时间戳,得到无人机的飞行高度SLAM初始化时高度;
利用无人机巡航平面方程,通过平面间距离公式和海平面与原点的位置关系,确定海平面在SLAM坐标系中的方程。
5.如权利要求1所述的基于多传感器和海平面的遥感图像特征点高程获取方法,其特征在于,对机载图像和遥感图像进行特征匹配,得到匹配点在SLAM地图中的三维坐标,计算匹配点与海平面的距离,得到遥感图像中特征点对应真实世界三维点的高程信息,将高程信息加入遥感地图,包括:
根据特征点的描述子信息,对机载图像特征点和遥感图像特征点进行匹配,建立特征匹配点对关系;
根据机载图像特征点与SLAM坐标系中三维点的映射关系,找到遥感图像中特征点在SLAM地图中对应的三维坐标点;
利用坐标系中点到平面的距离公式,得到SLAM地图中遥感图像特征点与海平面的距离,进而得到遥感图像中特征点的高程信息;
当遥感地图中某个特征点匹配到多个机载图像中特征点时,对每个匹配情况分别计算高程信息并求平均值,将平均值作为最终的高程信息加入到遥感地图特征点位置的信息中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111159961.3A CN113723568A (zh) | 2021-09-30 | 2021-09-30 | 基于多传感器和海平面的遥感图像特征点高程获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111159961.3A CN113723568A (zh) | 2021-09-30 | 2021-09-30 | 基于多传感器和海平面的遥感图像特征点高程获取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113723568A true CN113723568A (zh) | 2021-11-30 |
Family
ID=78685438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111159961.3A Pending CN113723568A (zh) | 2021-09-30 | 2021-09-30 | 基于多传感器和海平面的遥感图像特征点高程获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723568A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114413837A (zh) * | 2022-01-20 | 2022-04-29 | 广州极飞科技股份有限公司 | 一种无人机高程测绘方法、装置及系统 |
CN114463549A (zh) * | 2021-12-29 | 2022-05-10 | 广州极飞科技股份有限公司 | 特征提取网络模型的训练方法、图像处理方法及其装置 |
-
2021
- 2021-09-30 CN CN202111159961.3A patent/CN113723568A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463549A (zh) * | 2021-12-29 | 2022-05-10 | 广州极飞科技股份有限公司 | 特征提取网络模型的训练方法、图像处理方法及其装置 |
CN114413837A (zh) * | 2022-01-20 | 2022-04-29 | 广州极飞科技股份有限公司 | 一种无人机高程测绘方法、装置及系统 |
CN114413837B (zh) * | 2022-01-20 | 2024-02-09 | 广州极飞科技股份有限公司 | 一种无人机高程测绘方法、装置及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109029417B (zh) | 基于混合视觉里程计和多尺度地图的无人机slam方法 | |
CN111156998B (zh) | 一种基于rgb-d相机与imu信息融合的移动机器人定位方法 | |
CN110068335B (zh) | 一种gps拒止环境下无人机集群实时定位方法及系统 | |
CN106017463B (zh) | 一种基于定位传感装置的飞行器定位方法 | |
CN108474658B (zh) | 地面形态检测方法及系统、无人机降落方法和无人机 | |
CN104268935A (zh) | 一种基于特征的机载激光点云与影像数据融合系统及方法 | |
JP3776787B2 (ja) | 三次元データベース生成システム | |
JPH11230745A (ja) | 高度計測装置 | |
CN114216454B (zh) | 一种gps拒止环境下基于异源图像匹配的无人机自主导航定位方法 | |
CN113723568A (zh) | 基于多传感器和海平面的遥感图像特征点高程获取方法 | |
CN107607090B (zh) | 建筑物投影纠正方法及装置 | |
CN115272596A (zh) | 一种面向单调无纹理大场景的多传感器融合slam方法 | |
CN113807435A (zh) | 一种基于多传感器的遥感图像特征点高程获取方法 | |
CN111583316B (zh) | 一种视觉自主定位系统实现方法 | |
CN109857128A (zh) | 无人机视觉定点降落方法、系统、设备及存储介质 | |
CN114419109B (zh) | 一种基于视觉和气压信息融合的飞行器定位方法 | |
CN114608554A (zh) | 一种手持slam设备以及机器人即时定位与建图方法 | |
CN110598370B (zh) | 基于sip和ekf融合的多旋翼无人机鲁棒姿态估计 | |
CN114777768A (zh) | 一种卫星拒止环境高精度定位方法、系统及电子设备 | |
CN113465596A (zh) | 一种基于多传感器融合的四旋翼无人机定位方法 | |
Steffen et al. | On visual real time mapping for unmanned aerial vehicles | |
CN115950435A (zh) | 无人机巡检影像的实时定位方法 | |
CN107784666B (zh) | 基于立体影像的地形地物三维变化检测和更新方法 | |
CN113705734B (zh) | 一种基于多传感器和地心的遥感图像特征点高程获取方法 | |
CN110618696B (zh) | 一种陆空一体化测绘无人机 |
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 |