CN113807435A - 一种基于多传感器的遥感图像特征点高程获取方法 - Google Patents

一种基于多传感器的遥感图像特征点高程获取方法 Download PDF

Info

Publication number
CN113807435A
CN113807435A CN202111087831.3A CN202111087831A CN113807435A CN 113807435 A CN113807435 A CN 113807435A CN 202111087831 A CN202111087831 A CN 202111087831A CN 113807435 A CN113807435 A CN 113807435A
Authority
CN
China
Prior art keywords
aerial vehicle
unmanned aerial
information
remote sensing
slam
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
Application number
CN202111087831.3A
Other languages
English (en)
Inventor
李晨阳
耿虎军
高峰
关俊志
张泽勇
柴兴华
陈彦桥
王雅涵
蔡迎哲
牛韶源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 54 Research Institute
Original Assignee
CETC 54 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CETC 54 Research Institute filed Critical CETC 54 Research Institute
Priority to CN202111087831.3A priority Critical patent/CN113807435A/zh
Publication of CN113807435A publication Critical patent/CN113807435A/zh
Pending legal-status Critical Current

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
    • G01C21/10—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
    • G01C21/1656—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 with passive imaging devices, e.g. cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
    • G01C5/06—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels by using barometric means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于多传感器的遥感图像特征点高程获取方法，属于自主导航领域。该方法控制无人机在遥感图像区域内巡航，采用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，通过气压高度计可以获得无人机各时刻的海拔高度，对遥感图像和机载相机图像进行特征匹配，得到遥感图像中特征点在机载相机图像中的对应点，并得到该点在SLAM坐标系下的三维坐标，计算SLAM坐标系中从无人机到特征点的三维向量，进而求得该点的高程信息。本发明增加了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参考。

Description

一种基于多传感器的遥感图像特征点高程获取方法
技术领域
本发明涉及自主导航和遥感图像技术领域，尤其是指一种基于多传感器的遥感图像特征点高程获取方法。
背景技术
遥感地图是一种视觉地图，其中的每一个像素点的对应的经纬度信息已知，能够为使用者提供一定的参考。但遥感地图中缺少每个点的高程信息，不能为使用者进一步的判断和使用提供参考。因此利用多传感器为地图中特征点增加高程信息后，遥感地图会包含更多的信息，提供更有价值的参考。
多传感器包含机载相机、IMU(惯性传感器)和高度计等，通过SLAM方法融合处理机载相机和IMU的信息，可以生成包含无人机位姿和飞行场景三维稀疏点云的SLAM地图，但SLAM地图与遥感地图之间缺少相应的坐标转换，无法直接将其中的三维信息添加到遥感地图中。
发明内容
为了解决上述问题，本发明提供一种基于多传感器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，利用气压高度计和地图中的几何关系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，本发明所采用的技术方案为：
一种基于多传感器的遥感图像特征点高程获取方法，包括以下步骤：
步骤1，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起飞并巡航飞行；
步骤2，利用机载相机和惯性传感器组合的SLAM方法对无人机的位姿进行估计，并将相机图像中的特征点恢复为三维点，建立包含无人机位姿和场景三维点云信息的SLAM地图；
步骤3，通过气压高度计获得无人机各时刻的高度信息，利用时间戳信息，得到SLAM坐标系中无人机各位置的实际海拔高度，对相机图像和遥感图像进行特征匹配，得到匹配点在SLAM坐标系中的坐标；
步骤4，根据SLAM坐标系的信息，求得SLAM坐标系中从无人机到特征点的向量，进而求得该向量在垂直方向上的投影长度，将无人机高度减去投影长度，得到特征点的高程信息。
进一步的，步骤2的具体方式为：
设定无人机SLAM坐标系的原点和方向，确定相机、惯性传感器和无人机三者之间的位置变换关系，并将三者位姿统一以无人机位姿表示；
对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，通过三角化方法将相机图像中的特征点恢复为三维点云；
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；
根据计算得出的无人机位姿信息和惯性传感器输出的数据，计算并优化惯性传感器的参数，并计算得到惯性传感器的预积分量；
融合视觉和惯性传感器信息，建立带有尺度信息的无人机SLAM地图。
进一步的，步骤3的具体方式为：
通过气压高度计实时输出无人机的高度信息，通过SLAM方法输出各时刻无人机的位置，根据时间戳信息，将两种数据对齐，得到SLAM坐标系中无人机的实际海拔高度；
根据特征点的描述子信息，对相机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；
根据相机图像特征点与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坐标系中对应的三维坐标点。
进一步的，步骤4的具体方式为：
利用SLAM坐标系的信息，求出无人机到特征点的向量；
根据SLAM坐标系的定义，求得该向量在垂直方向的投影距离；
将无人机巡航高度减去投影距离，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相机图像中的特征点时，分别计算高程并求平均值，将平均值作为遥感图像中特征点的高程信息；
将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：
1、本发明方法控制无人机在遥感图像区域内巡航，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，通过气压高度计可以获得无人机各时刻的海拔高度，对遥感图像和机载相机图像进行特征匹配，得到遥感图像中特征点在机载相机图像中的对应点，并得到该点在SLAM坐标系下的三维坐标，计算SLAM坐标系中从无人机到特征点的三维向量，进而求得无人机与该点在垂直方向上的距离，无人机海拔高度减去该距离即可得知该点的高程信息，最后将高程信息加入到遥感图像。
2、与现有的遥感图像相比，本发明增加了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参考。
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为本发明实施例方法的流程图。
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。
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
一种基于多传感器的遥感图像特征点高程获取方法，包括以下步骤：
步骤1，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起飞并巡航飞行；
步骤2，利用机载相机和惯性传感器组合的SLAM方法对无人机的位姿进行估计，并将相机图像中的特征点恢复为三维点，建立包含无人机位姿和场景三维点云信息的SLAM地图(即，基于SLAM方法生成的地图)；
步骤3，通过气压高度计获得无人机各时刻的高度信息，利用时间戳信息，得到SLAM坐标系(即，基于SLAM方法建立的坐标系)中无人机各位置的实际海拔高度，对相机图像和遥感图像进行特征匹配，得到匹配点在SLAM坐标系中的坐标；
步骤4，根据SLAM坐标系的信息，求得SLAM坐标系中从无人机到特征点的向量，进而求得该向量在垂直方向上的投影长度，将无人机高度减去投影长度，得到特征点的高程信息。
进一步的，步骤2的具体方式为：
设定无人机SLAM坐标系的原点和方向，确定相机、惯性传感器和无人机三者之间的位置变换关系，并将三者位姿统一以无人机位姿表示；
对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，通过三角化方法将相机图像中的特征点恢复为三维点云；
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；
根据计算得出的无人机位姿信息和惯性传感器输出的数据，计算并优化惯性传感器的参数，并计算得到惯性传感器的预积分量；
融合视觉和惯性传感器信息，建立带有尺度信息的无人机SLAM地图。
进一步的，步骤3的具体方式为：
通过气压高度计实时输出无人机的高度信息，通过SLAM方法输出各时刻无人机的位置，根据时间戳信息，将两种数据对齐，得到SLAM坐标系中无人机的实际海拔高度；
根据特征点的描述子信息，对相机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；
根据相机图像特征点与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坐标系中对应的三维坐标点。
进一步的，步骤4的具体方式为：
利用SLAM坐标系的信息，求出无人机到特征点的向量；
根据SLAM坐标系的定义，求得该向量在垂直方向的投影距离；
将无人机巡航高度减去投影距离，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相机图像中的特征点时，分别计算高程并求平均值，将平均值作为遥感图像中特征点的高程信息；
将高程信息加入到遥感地图特征点位置的信息中。
一种基于多传感器的遥感图像中特征点高程获取系统，包括：
遥感地图模块，用于载入遥感图像并计算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起飞并巡航飞行；
无人机SLAM模块，用于利用机载相机和惯性传感器组合的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，建立包含无人机位姿和场景三维点云信息的SLAM地图；
信息匹配模块，用于通过气压高度计获得无人机各时刻的高度信息，利用时间戳信息，得到SLAM坐标系中无人机各位置的实际海拔高度，对相机图像和遥感图像进行特征匹配，得到匹配点在SLAM坐标系中的坐标；
高程计算模块，用于根据SLAM坐标系的信息，求得SLAM坐标系中的从无人机到特征点的向量，进而求得该向量在垂直方向上的投影长度，并将无人机高度减去投影长度，得到特征点的高程信息。
以下为更具体的例子：
一种基于多传感器的遥感图像中特征点高程获取方法，如图1所示，包括以下步骤：
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起飞并巡航飞行；
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，建立包含无人机位姿和场景三维点云信息的SLAM地图；
S3：通过气压高度计可以获得无人机各时刻的高度信息，利用时间戳信息，得到SLAM坐标系中无人机各位置的实际海拔高度，对机载图像和遥感图像进行特征匹配，得到匹配点在SLAM坐标系中的坐标；
S4：根据SLAM坐标系的信息，求得其中的从无人机到特征点的向量，进而求得该向量在垂直方向上的投影长度，无人机高度减去该距离即可得到特征点的高程信息，最后将高程信息加入遥感地图。
该方法控制无人机在遥感图像区域内巡航，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，通过气压高度计可以获得无人机各时刻的海拔高度，对遥感图像和机载相机图像进行特征匹配，得到遥感图像中特征点在机载相机图像中的对应点，并得到该点在SLAM坐标系下的三维坐标，根据坐标变换可以得到该点到相机平面的距离，根据相机在SLAM坐标系中的姿态，得到无人机与该点在垂直方向上的距离，无人机海拔高度减去该距离即可得知该点的高程信息，最后将高程信息加入到遥感图像。与现有的遥感图像相比，本方法增加了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参考。
对于步骤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起飞并巡航飞行，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。
将遥感图像中的特征点记为
Figure BDA0003266177500000061
其中y表示第y幅遥感图像，N表示某幅遥感图像中视觉特征总数目。
根据特征点周围像素的信息，通过SIFT特征、SURF特征、ORB特征等方法，得到对应的特征点的描述子信息记为
Figure BDA0003266177500000062
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巡航飞行。
对于步骤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，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、IMU和无人机三者之间的位置变换关系，以后三者位姿统一以无人机位姿表示。
设定无人机SLAM初始化的位置为SLAM坐标系的原点，XYZ坐标轴分别指向无人机前方，左方，上方。根据无人机结构，确定无人机、相机和IMU之间的位置关系，经变换后三者位姿统一以无人机位姿表示。
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。
将机载相机图像中的特征点记为
Figure BDA0003266177500000063
其中y表示第y幅机载相机图像，N表示某幅机载相机图像中视觉特征总数目。
根据特征点周围像素的信息，通过SIFT特征、SURF特征、ORB特征等方法，得到对应的特征点的描述子信息记为
Figure BDA0003266177500000064
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。
对于步骤S3，通过气压高度计可以获得无人机各时刻的高度信息，利用时间戳信息，得到SLAM坐标系中无人机各位置的实际海拔高度，对机载图像和遥感图像进行特征匹配，得到匹配点在SLAM坐标系中的坐标，包括：
S31：气压高度计可以实时输出无人机的高度信息
Figure BDA0003266177500000071
其中u表示此为无人机的数据，右下角数字为该高度根据时间排列的序号，SLAM中可以输出各时刻无人机的位置
Figure BDA0003266177500000072
其中u表示此为无人机的数据，i为SLAM坐标系中根据时间排列的无人机坐标的序号，根据时间戳信息，可以将两种数据对齐，得到SLAM坐标系中无人机的实际海拔高度；
S32：根据特征点的描述子信息，对机载图像特征点
Figure BDA0003266177500000073
和遥感图像特征点
Figure BDA0003266177500000074
进行匹配，建立特征匹配点对关系。
S33：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，其坐标记为
Figure BDA0003266177500000075
其中y表示第y幅遥感图像，i为该点在该幅遥感图像中特征点中的序号。
对于步骤S4，根据SLAM坐标系的信息，求得其中的从无人机到特征点的向量，进而求得该向量在垂直方向上的投影长度，无人机高度减去该距离即可得到特征点的高程信息，最后将高程信息加入遥感地图，包括：
S41：利用SLAM坐标系的信息，求出无人机位置到特征点的向量l；
S42：根据无人机坐标系的定义，求得该向量在垂直方向的投影距离即为该向量在Z轴方向分量的模长h；
S43：无人机巡航高度hu减去上述距离h，即可得知遥感图像中特征点的高程信息hp；
S44：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，重复以上计算过程，最后计算求平均值
Figure BDA0003266177500000081
将其加入到遥感地图特征点位置的信息中。

Claims (4)

1.一种基于多传感器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：
步骤1，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起飞并巡航飞行；
步骤2，利用机载相机和惯性传感器组合的SLAM方法对无人机的位姿进行估计，并将相机图像中的特征点恢复为三维点，建立包含无人机位姿和场景三维点云信息的SLAM地图；
步骤3，通过气压高度计获得无人机各时刻的高度信息，利用时间戳信息，得到SLAM坐标系中无人机各位置的实际海拔高度，对相机图像和遥感图像进行特征匹配，得到匹配点在SLAM坐标系中的坐标；
步骤4，根据SLAM坐标系的信息，求得SLAM坐标系中从无人机到特征点的向量，进而求得该向量在垂直方向上的投影长度，将无人机高度减去投影长度，得到特征点的高程信息。
2.如权利要求1所述的一种基于多传感器的遥感图像特征点高程获取方法，其特征在于，步骤2的具体方式为：
设定无人机SLAM坐标系的原点和方向，确定相机、惯性传感器和无人机三者之间的位置变换关系，并将三者位姿统一以无人机位姿表示；
对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，通过三角化方法将相机图像中的特征点恢复为三维点云；
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；
根据计算得出的无人机位姿信息和惯性传感器输出的数据，计算并优化惯性传感器的参数，并计算得到惯性传感器的预积分量；
融合视觉和惯性传感器信息，建立带有尺度信息的无人机SLAM地图。
3.如权利要求1所述的一种基于多传感器的遥感图像特征点高程获取方法，其特征在于，步骤3的具体方式为：
通过气压高度计实时输出无人机的高度信息，通过SLAM方法输出各时刻无人机的位置，根据时间戳信息，将两种数据对齐，得到SLAM坐标系中无人机的实际海拔高度；
根据特征点的描述子信息，对相机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；
根据相机图像特征点与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坐标系中对应的三维坐标点。
4.如权利要求1所述的一种基于多传感器的遥感图像特征点高程获取方法，其特征在于，步骤4的具体方式为：
利用SLAM坐标系的信息，求出无人机到特征点的向量；
根据SLAM坐标系的定义，求得该向量在垂直方向的投影距离；
将无人机巡航高度减去投影距离，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相机图像中的特征点时，分别计算高程并求平均值，将平均值作为遥感图像中特征点的高程信息；
将高程信息加入到遥感地图特征点位置的信息中。
CN202111087831.3A 2021-09-16 2021-09-16 一种基于多传感器的遥感图像特征点高程获取方法 Pending CN113807435A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111087831.3A CN113807435A (zh) 2021-09-16 2021-09-16 一种基于多传感器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
CN202111087831.3A CN113807435A (zh) 2021-09-16 2021-09-16 一种基于多传感器的遥感图像特征点高程获取方法

Publications (1)

Publication Number Publication Date
CN113807435A true CN113807435A (zh) 2021-12-17

Family

ID=78895587

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111087831.3A Pending CN113807435A (zh) 2021-09-16 2021-09-16 一种基于多传感器的遥感图像特征点高程获取方法

Country Status (1)

Country Link
CN (1) CN113807435A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114485682A (zh) * 2021-12-30 2022-05-13 武汉光庭信息技术股份有限公司 一种基于slam技术的定位方法
CN114913717A (zh) * 2022-07-20 2022-08-16 成都天巡微小卫星科技有限责任公司 一种基于智能终端的便携式低空飞行防撞系统及方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114485682A (zh) * 2021-12-30 2022-05-13 武汉光庭信息技术股份有限公司 一种基于slam技术的定位方法
CN114913717A (zh) * 2022-07-20 2022-08-16 成都天巡微小卫星科技有限责任公司 一种基于智能终端的便携式低空飞行防撞系统及方法
CN114913717B (zh) * 2022-07-20 2022-09-27 成都天巡微小卫星科技有限责任公司 一种基于智能终端的便携式低空飞行防撞系统及方法

Similar Documents

Publication Publication Date Title
CN110068335B (zh) 一种gps拒止环境下无人机集群实时定位方法及系统
CN108711166B (zh) 一种基于四旋翼无人机的单目相机尺度估计方法
CN106017463B (zh) 一种基于定位传感装置的飞行器定位方法
CN105865454B (zh) 一种基于实时在线地图生成的无人机导航方法
CN106873619B (zh) 一种无人机飞行路径的处理方法
CN111595333A (zh) 视觉惯性激光数据融合的模块化无人车定位方法及系统
CN106204443A (zh) 一种基于多目复用的全景无人机系统
CN108520559B (zh) 一种基于双目视觉的无人机定位导航的方法
CN102190081B (zh) 基于视觉的飞艇定点鲁棒控制方法
CN113807435A (zh) 一种基于多传感器的遥感图像特征点高程获取方法
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
CN108475442A (zh) 用于无人机航拍的增强现实方法、处理器及无人机
CN110243381B (zh) 一种陆空机器人协同感知监测方法
CN110749308B (zh) 使用消费级gps和2.5d建筑物模型的面向slam的室外定位方法
WO2022077296A1 (zh) 三维重建方法、云台负载、可移动平台以及计算机可读存储介质
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
CN111583316B (zh) 一种视觉自主定位系统实现方法
CN116007609A (zh) 一种多光谱图像和惯导融合的定位方法和计算系统
US10210389B2 (en) Detecting and ranging cloud features
CN116385504A (zh) 一种基于无人机采集点云与图像配准的巡检、测距方法
CN110598370A (zh) 基于sip和ekf融合的多旋翼无人机鲁棒姿态估计
CN117115271A (zh) 无人机飞行过程中的双目相机外参数自标定方法及系统
CN112444245A (zh) 一种基于偏振光、光流矢量、双目视觉传感器的仿昆虫视觉组合导航方法
CN115950435A (zh) 无人机巡检影像的实时定位方法
CN113610001B (zh) 基于深度相机和imu组合的室内移动终端定位方法

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