CN114637876B - 基于矢量地图特征表达的大场景无人机图像快速定位方法 - Google Patents

Abstract

本发明公开了一种基于矢量地图特征表达的大场景无人机图像快速定位方法，属于无人机定位导航领域。该方法以足球场、篮球场、建筑单体、水体区域四类典型目标的矢量斑块为无人机图像定位参考底图，并将每个矢量斑块进行特征向量表达；对无人机采集到的高分辨率遥感图像进行足球场、篮球场、建筑单体、水体区域四类目标的快速识别，并对图像中心斑块进行特征向量计算；最后进行特征向量的匹配，实现无人机图像与底图数据的快速匹配。该方法能够极大地压缩无人机上携带的数据量，且能够极大地提高无人机图像匹配的效率，实现大场景GNSS信号拒止条件下的无人机图像快速定位。

Description

基于矢量地图特征表达的大场景无人机图像快速定位方法

技术领域

本发明属于无人机定位导航领域，特别涉及一种基于矢量地图特征表达的大场景无人机图像快速定位方法，可用于在城市场景中无人机丢失卫星定位信号时的自主定位方法。

背景技术

GNSS信号被广泛应用于无人机系统的实时高精度定位。但是，在高楼林立的城市场景中，经常发生GNSS信号退化或不可用的情况，导致无人机在城市内“迷路”。

为了解决无人机的自主定位问题，许多研究人员提出了基于视觉的无人机自主定位方法。其中主要包括以下两种：

1）基于图像匹配的无人机自主定位方法。该方法主要是以高分辨率遥感卫星图像为底图，将无人机拍摄到的图像与卫星图像进行配准以实现无人机的自主定位。该方法的缺点是高分辨率卫星遥感图像体量较大，一般难以将大范围的图像放在无人机上，所以仅能实现小范围的无人机自主定位；且当无人机的成像视角与卫星的成像视角差异过大时，图像匹配经常失败。

2）基于开源地图的无人机自主定位。该方法通常以矢量数据作为底图，数据量较小，一般通过识别无人机图像上的典型目标，然后将目标与矢量地图做匹配实现无人机图像定位；该方法中的典型地物一般选取道路交叉口和建筑物，但通过无人机图像进行目标识别通常难以描述地面目标的高精度轮廓，所以目标形状匹配的精度通常不高；在城市场景中，范围广阔、且相似目标物较多，该方法效率极低、且容易失效。

为了实现无人机在大范围城市场景中丢失定位信号时的快速高精度定位，需要研究一种更加快速且可靠的无人机自主定位方法。

发明内容

本发明为了解决现有技术中基于视觉的无人机自主定位精度低、效率低的问题，提出了一种基于矢量地图特征表达的无人机图像快速定位方法，该方法通过特征化描述矢量地图，可实现无人机图像与矢量地图的快速高精度匹配。

为了实现上述目的，本发明采用的技术方案为：

一种基于矢量地图特征表达的大场景无人机图像快速定位方法，包括以下步骤：

（1）构建无人机飞行区域的矢量地图；具体方式为：根据无人机所在的大概位置，通过网络公开方式或人工标绘的方式绘制足球场、篮球场、建筑单体、水体区域的矢量斑块，并制作Shapefile文件，足球场为类别A，篮球场为类别B，建筑单体为类别C，水体区域为类别D，同时计算每个斑块的面积；

（2）对矢量地图进行特征表达；具体方式为：以每个斑块的重心为中心，绘制半径为R1的圆O1，利用O1将矢量地图进行交运算，统计落在O1内的类别A的面积占O1面积的百分比A1、类别B的面积占O1面积的百分比B1、类别C的面积占O1面积的百分比C1、类别D的面积占O1面积的百分比D1；绘制半径为R2的圆O2，利用O2将矢量地图进行交运算，统计落在O2内的类别A的面积占O2面积的百分比A2、类别B的面积占O2面积的百分比B2、类别C的面积占O2面积的百分比C2、类别D的面积占O2面积的百分比D2；绘制半径为R3的圆O3，利用O3将矢量地图进行交运算，统计落在O3内的类别A的面积占O3面积的百分比A3、类别B的面积占O3面积的百分比B3、类别C的面积占O3面积的百分比C3、类别D的面积占O3面积的百分比D3；其中，20m<R1<50m,R2=2*R1，R3=3*R1；

通过上述计算构成每个斑块的特征向量：

V=(F|N)

其中，N =(A1,B1,C1,D1,A2,B2,C2,D2,A3,B3,C3,D3)，𝐹∈{𝐴,𝐵,𝐶,𝐷}；

每个斑块的特征向量构成了矢量地图的特征表达库；

（3）对无人机图像进行目标识别；具体方式为：无人机在空中获取图像后，利用Cascade Mask RCNN网络进行足球场、篮球场、建筑单体、水体区域的自动识别，然后以图像中心目标斑块T为目标对象，按照步骤（2）中的特征向量计算方法计算斑块T的特征向量V；

（4）特征向量匹配；具体方式为：在特征表达库中查找与斑块T类型相同的斑块，即，找到与斑块T的特征量F相同的斑块，然后逐一计算每个斑块的N向量与斑块T的N向量的相似度，相似度最高的斑块即为匹配成功的斑块；匹配成功即完成无人机图像定位。

本发明与背景技术相比具有如下优点：

1、本发明提出的一种基于矢量地图特征表达的大场景无人机图像快速定位方法，通过将矢量地图进行特征化表达，极大地压缩无人机上的存储数据量；

2、本发明提出的一种基于矢量地图特征表达的大场景无人机图像快速定位方法，通过将矢量地图特征化表达，能够提高无人机图像与矢量地图的匹配效率。

总之，本发明实现了无人机在丢失GNSS信号情况下的快速定位，其采用大范围的矢量地图，并将矢量地图进行特征向量表达，作为无人机图像定位参考底图数据；通过目标识别方法提取无人机图像上的足球场、篮球场、建筑单体、水体区域，并以中心斑块为目标，计算特征向量；最后进行特征向量的匹配，实现大场景GNSS信号拒止条件下的无人机图像快速定位。

附图说明

图1是本发明实施例中基于矢量地图特征表达的大场景无人机图像快速定位方法的原理框架图。

图2是本发明实施例中基于矢量地图特征表达的大场景无人机图像快速定位方法的矢量底图特征表达方法示意图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。

如图1所示，一种基于矢量地图特征表达的大场景无人机图像快速定位方法，包括如下步骤：

（1）构建无人机飞行区域的矢量地图。根据无人机所在的大概位置，通过网络公开方式或人工标绘的方式绘制足球场、篮球场、建筑单体、水体区域的矢量斑块，并制作Shapefile文件，足球场为类别A，篮球场为类别B，建筑单体为类别C，水体区域为类别D，同时计算每个斑块的面积；

（2）对矢量地图进行特征表达。如图2 所示，以每个斑块的重心为中心，绘制半径为R1的圆O1，利用O1将矢量地图进行交运算，统计落在O1内的类别A的面积占O1面积的百分比A1、类别B的面积占O1面积的百分比B1、类别C的面积占O1面积的百分比C1、类别D的面积占O1面积的百分比D1；绘制半径为R2的圆O2，利用O2将矢量地图进行交运算，统计落在O2内的类别A的面积占O2面积的百分比A2、类别B的面积占O2面积的百分比B2、类别C的面积占O2面积的百分比C2、类别D的面积占O2面积的百分比D2；绘制半径为R3的圆O3，利用O3将矢量地图进行交运算，统计落在O3内的类别A的面积占O3面积的百分比A3、类别B的面积占O3面积的百分比B3、类别C的面积占O3面积的百分比C3、类别D的面积占O3面积的百分比D3；其中，10m<R1<20m,R2=2*R1，R3=3*R1。通过上述计算构成每个斑块的特征向量：

V=(F|N)

其中，N =(A1,B1,C1,D1,A2,B2,C2,D2,A3,B3,C3,D3)，𝐹∈{𝐴,𝐵,𝐶,𝐷}；

每个斑块的特征向量构成了矢量地图的特征表达库。

（3）无人机图像目标识别。无人机在空中获取图像后，利用Cascade Mask RCNN网络进行足球场、篮球场、建筑单体、水体区域的自动识别。然后，以图像中心目标斑块T为目标对象，按照上面的特征向量计算方法计算斑块T的特征向量V。

（4）特征向量匹配。在特征表达库中查找与斑块T类型相同的斑块，即，找到与斑块T的特征量F相同的斑块，然后逐一计算每个斑块的N向量与斑块T的N向量的相似度，相似度最高的斑块即为匹配成功的斑块。

匹配成功即完成无人机图像定位。

本方法以足球场、篮球场、建筑单体、水体区域四类典型目标的矢量斑块为无人机图像定位参考底图，并将每个矢量斑块进行特征向量表达；对无人机采集到的高分辨率遥感图像进行足球场、篮球场、建筑单体、水体区域四类目标的快速识别，并对图像中心斑块进行特征向量计算；最后进行特征向量的匹配，实现无人机图像与底图数据的快速匹配。该方法能够极大地压缩无人机上携带的数据量，且能够极大地提高无人机图像匹配的效率，实现大场景GNSS信号拒止条件下的无人机图像快速定位。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种基于矢量地图特征表达的大场景无人机图像快速定位方法，其特征在于，包括以下步骤：

（1）构建无人机飞行区域的矢量地图；具体方式为：根据无人机所在的大概位置，通过网络公开方式或人工标绘的方式绘制足球场、篮球场、建筑单体、水体区域的矢量斑块，并制作Shapefile文件，足球场为类别A，篮球场为类别B，建筑单体为类别C，水体区域为类别D，同时计算每个斑块的面积；

（2）对矢量地图进行特征表达；具体方式为：以每个斑块的重心为中心，绘制半径为R1的圆O1，利用O1将矢量地图进行交运算，统计落在O1内的类别A的面积占O1面积的百分比A1、类别B的面积占O1面积的百分比B1、类别C的面积占O1面积的百分比C1、类别D的面积占O1面积的百分比D1；绘制半径为R2的圆O2，利用O2将矢量地图进行交运算，统计落在O2内的类别A的面积占O2面积的百分比A2、类别B的面积占O2面积的百分比B2、类别C的面积占O2面积的百分比C2、类别D的面积占O2面积的百分比D2；绘制半径为R3的圆O3，利用O3将矢量地图进行交运算，统计落在O3内的类别A的面积占O3面积的百分比A3、类别B的面积占O3面积的百分比B3、类别C的面积占O3面积的百分比C3、类别D的面积占O3面积的百分比D3；其中，20m<R1<50m,R2=2*R1，R3=3*R1；

通过上述计算构成每个斑块的特征向量：

V=(F|N)

其中，N =(A1,B1,C1,D1,A2,B2,C2,D2,A3,B3,C3,D3)，𝐹∈{𝐴,𝐵,𝐶,𝐷}；

每个斑块的特征向量构成了矢量地图的特征表达库；

（3）对无人机图像进行目标识别；具体方式为：无人机在空中获取图像后，利用CascadeMask RCNN网络进行足球场、篮球场、建筑单体、水体区域的自动识别，然后以图像中心目标斑块T为目标对象，按照步骤（2）中的特征向量计算方法计算斑块T的特征向量V；

（4）特征向量匹配；具体方式为：在特征表达库中查找与斑块T类型相同的斑块，即，找到与斑块T的特征量F相同的斑块，然后逐一计算每个斑块的N向量与斑块T的N向量的相似度，相似度最高的斑块即为匹配成功的斑块；匹配成功即完成无人机图像定位。

Images