CN114706087A - 一种三维成像声呐点云的水下地形匹配定位方法及系统 - Google Patents

一种三维成像声呐点云的水下地形匹配定位方法及系统 Download PDF

Info

Publication number
CN114706087A
CN114706087A CN202210352439.5A CN202210352439A CN114706087A CN 114706087 A CN114706087 A CN 114706087A CN 202210352439 A CN202210352439 A CN 202210352439A CN 114706087 A CN114706087 A CN 114706087A
Authority
CN
China
Prior art keywords
point cloud
points
key
point
sonar
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
CN202210352439.5A
Other languages
English (en)
Inventor
张阳
彭新
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202210352439.5A priority Critical patent/CN114706087A/zh
Publication of CN114706087A publication Critical patent/CN114706087A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种三维成像声呐点云的水下地形匹配定位方法及系统，方法包括：S1、对在线采集的声呐点云帧进行采样，将点数达到N，并将预存的大范围声呐点云地图切割成具有N点的点云X；S2、将L个随机生成的变换矩阵{T1,…,TL},TL∈SE(3)作用于点云X＝[X0,…,XN]∈R3×N，得到L对数据
Figure DDA0003581237650000011
以训练关键点提取网络；S3、选择每个关键点的多个邻域点，并对邻域点进行特征提取，分别对预存的声呐点云地形图和在线采集的声呐点云地形图，以每个关键点的邻域范围提取特征；S4、根据关键点计算实时点云帧与地图之间的匹配代价；S5、根据匹配代价实时计算声呐点云帧与地图在预测下的位置偏移量；S6、根据预测的位置偏移量和地面真实数值之间距离的平方来定义损失。本发明可以提升匹配效果、减小误差和精确定位。

Description

一种三维成像声呐点云的水下地形匹配定位方法及系统
技术领域
本发明涉及地形定位技术领域，更具体地说，特别涉及一种三维成像声呐点云的水下地形匹配定位方法及系统。
背景技术
由于水下通讯的限制，AUV(autonomous underwater vehicle)在水下长时间潜伏航行后需要上浮接受卫星信号进行位置修正，对于大潜深和长航程任务AUV来说增加了时间和能源的消耗。
传统的水下地形匹配定位算法通过测量载体运动路径下方的实时地形高程数据，将其与已知的数字地形参考进行比较进而得到载体的位置信息。其中最有代表性的是地形剖面匹配系统，该方法执行时需要沿航迹测量一定长度的地形高程数据，并计算其与参考数据的相关度来获得载体的位置估计，这种方法要求载体在测量实时高程数据的过程中保持水平面内的匀速直线运动，并且单次匹配所需采集的数据量较大，从而实时性较差，定位精度低、鲁棒性不高、并且只能处理刚性变换，适用范围也有很大的限制。
发明内容
本发明的目的在于提供一种三维成像声呐点云的水下地形匹配定位方法及系统，以克服现有技术所存在的缺陷。
为了达到上述目的，本发明采用的技术方案如下：
一种三维成像声呐点云的水下地形匹配定位方法，包括以下步骤：
S1、对在线采集的声呐点云帧进行采样，将点数达到N，并将预存的大范围声呐点云地图切割成具有N点的点云X；
S2、将L个随机生成的变换矩阵{T1,…,TL},TL∈SE(3)作用于点云X＝[X0,…,XN]∈R3×N，得到L对数据
Figure BDA0003581237630000011
以训练关键点提取网络，通过关键点提取网络对分块后的声呐点云地形图和在线采集的点云区域分别提取关键点，并将小块地形图的关键点进行拼接形成整个地形的关键点；
S3、选择每个关键点的多个邻域点，并对邻域点进行特征提取，分别对预存的声呐点云地形图和在线采集的声呐点云地形图，以每个关键点的邻域范围提取特征；
S4、根据关键点计算实时点云帧与地图之间的匹配代价；
S5、根据匹配代价实时计算声呐点云帧与地图在预测下的位置偏移量。
S6、根据预测的位置偏移量和地面真实数值之间距离的平方来定义损失。
进一步地，所述步骤S2中训练关键点提取网络的步骤具体为：
输入点云X∈R3×N，使用FPS采样方式输出M个初始关键点S＝[S1,…SM]∈R3×M；采用点到关键点的采样方式对点云的每个点进行分组以得到当前关键点分组
Figure BDA0003581237630000021
Km表示属于当前关键点邻域的点数，Sm为当前关键点，Sm∈S；
对当前关键点分组进行去均值操作，得到
Figure BDA0003581237630000022
其中，
Figure BDA0003581237630000023
将每个当前关键点分组输入三个全连接层和一个最大池化层构成的网络，获得M个当前关键点对应的特征向量；
对每个当前关键点Sm对应的特征进行KNN操作，得到邻域点
Figure BDA0003581237630000024
并对邻域点归一化
Figure BDA0003581237630000025
得到
Figure BDA0003581237630000026
将每个当前关键点分组特征分别输入三个全连接层、一个最大池化层和一个全连接层构成的网络，最后输出获得M个当前关键点的偏移位置和不确定性(Q1,σ1),…,(QM,σM)，其中Qm∈R3×M,σ∈R+分别表示M个当前关键点的坐标和不确定性；
对M个当前关键点进行非极大值抑制，并根据关键点的不确定性进行排序，选取设定数量的关键点；
将输出的当前关键点预测偏移和当前关键点求和
Figure BDA0003581237630000027
以得到最终的关键点{Q1,…QM}。
进一步地，所述关键点提取网络的损失函数包括概率chamfer损失LC和点到点损失LP，
Figure BDA0003581237630000028
Figure BDA0003581237630000029
用于调整LC和LP之间的权重。
进一步地，所述步骤S3中的邻域点为64个，采用mini-PointNet对关键点进行特征提取。
进一步地，所述步骤S4中根据关键点计算实时点云帧与地图之间的匹配代价的具体步骤包括：
将空间划分为(x,y,φ)维度上的离散空间，在每个关键点的周围建立偏移空间，nx、ny、nφ表示每个维度上的大小，通过{(Δxi,Δyj,Δφk)|1≤i≤nx,1≤j≤ny,1≤k≤nφ}表示离散的偏移空间，在每个关键点周围形成nx×ny×nφ个偏移位置，关键点根据以下公式进行变换，并提取其在地图中的特征描述子：
Figure BDA0003581237630000031
分别在预存地图以所有偏移位置为中心选取局部邻域，基于每个关键点的邻域范围提取特征形成N×nx×ny×nφ个32维的特征向量，每个关键点分别与其周围的nx×ny×nφ个偏移位置计算距离，形成nx×ny×nφ×32大小的匹配代价；
建立正则化网络，所述正则化网络由三个3D卷积层组成，前两层使用ReLU激活函数和批量正则化，再分别将N个nx×ny×nφ×32大小的特征向量输入正则化网络，得到N个匹配代价。
6、根据权利要求1所述的三维成像声呐点云的水下地形匹配定位方法，其特征在于，所述步骤S5具体包括：
假设偏移量为ΔT＝(Δxi,Δyj,Δφk)，计算在线点云帧与地图的匹配概率
Figure BDA0003581237630000032
其中，Pi(ΔT)表示第i个关键点在偏移ΔT上的匹配概率，并将匹配概率取对数，得到
Figure BDA0003581237630000033
其中，C(ΔT)表示在线点云帧和地图之间在偏移ΔT时的总匹配代价；
利用softmax函数将匹配概率归一化，并分别提取x方向，y方向以及航向角的偏移概率：
Figure BDA0003581237630000034
估计偏移
Figure BDA0003581237630000035
真实偏移ΔT*＝(Δx*,Δy*,Δφ*)，计算估计偏移和真实偏移之间的距离，并且定义为损失Loss，记为
Figure BDA0003581237630000036
Figure BDA0003581237630000037
其中，α是平衡因数，估计偏移的公式如下：
Figure BDA0003581237630000038
Figure BDA0003581237630000039
本发明还提供一种根据上述的三维成像声呐点云的水下地形匹配定位方法的系统，包括：
数据预处理模块，用于对在线采集的声呐点云帧进行采样，将点数达到N，并将预存的大范围声呐点云地图切割成具有N点的点云X；
关键点提取模块，用于将L个随机生成的变换矩阵
Figure BDA00035812376300000310
作用于点云X＝[X0,…,XN]∈R3×N，得到L对数据
Figure BDA0003581237630000041
以训练关键点提取网络，通过关键点提取网络对分块后的声呐点云地形图和在线采集的点云区域分别提取关键点，并将小块地形图的关键点进行拼接形成整个地形的关键点；
关键点区域特征提取模块，用于选择每个关键点的多个邻域点，并对邻域点进行特征提取，分别对预存的声呐点云地形图和在线采集的声呐点云地形图，以每个关键点的邻域范围提取特征；
匹配代价计算模块，用于根据关键点计算实时点云帧与地图之间的匹配代价；
位置偏移量计算模块，用于根据匹配代价实时计算声呐点云帧与地图在预测下的位置偏移量；
定义模块，用于根据预测的位置偏移量和地面真实数值之间距离的平方来定义损失。
与现有技术相比，本发明的优点在于：本发明提供的一种三维成像声呐点云的水下地形匹配定位方法及系统，基于深度学习的检测器，设计特征建议网络，实现在任意变换下从三维点云中检测高度可重复性和精确定位的关键点，从综合密度、几何特征和分布的点云等各方面考虑，筛选合适的关键点，构建Cost Volume和应用3D-CNNs网络，预测关键点的位姿误差概率，进行正则化和边缘化操作，提升匹配效果、减小误差和精确定位；并且采用基于深度学习的特征提取与匹配定位的策略，无须人工设定特征提取模式，通过预训练的深度神经网络自动化提取高层次特征，可以避免传统人工设定特征提取模式而可能由于环境、设备等因素而导致算法失效的情况。
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获得其他的附图。
图1是本发明三维成像声呐点云的水下地形匹配定位方法的流程图。
图2是本发明三维成像声呐点云的水下地形匹配定位系统的框架图。
具体实施方式
下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
参阅图1所示，本实施例公开了一种三维成像声呐点云的水下地形匹配定位方法，包括以下步骤：
步骤S1、对在线采集的声呐点云帧进行采样，将点数达到N，并将预存的大范围声呐点云地图切割成具有N点的点云X；
步骤S2、将L个随机生成的变换矩阵{T1,…,TL},TL∈SE(3)作用于点云X＝[X0,…,XN]∈R3×N，得到L对数据
Figure BDA0003581237630000051
以训练关键点提取网络，通过关键点提取网络对分块后的声呐点云地形图和在线采集的点云区域分别提取关键点，并将小块地形图的关键点进行拼接形成整个地形的关键点。
具体的，训练关键点提取网络的步骤具体为：
输入点云X∈R3×N，使用FPS采样方式输出M个初始关键点S＝[S1,…SM]∈R3×M；
采用点到关键点的采样方式对点云的每个点进行分组以得到当前关键点分组
Figure BDA0003581237630000052
Km表示属于当前关键点邻域的点数，Sm为当前关键点，Sm∈S；
对当前关键点分组进行去均值操作，得到
Figure BDA0003581237630000053
其中，
Figure BDA0003581237630000054
将每个当前关键点分组输入三个全连接层和一个最大池化层构成的网络，获得M个当前关键点对应的特征向量；
对每个当前关键点Sm对应的特征进行KNN操作，得到邻域点
Figure BDA0003581237630000055
并对邻域点归一化
Figure BDA0003581237630000056
得到
Figure BDA0003581237630000057
将每个当前关键点分组特征分别输入三个全连接层、一个最大池化层和一个全连接层构成的网络，最后输出获得M个当前关键点的偏移位置和不确定性(Q1,σ1),…,(QM,σM)，其中Qm∈R3×M,σ∈R+分别表示M个当前关键点的坐标和不确定性；
对M个当前关键点进行非极大值抑制，并根据关键点的不确定性进行排序，选取设定数量的关键点；
将输出的当前关键点预测偏移和当前关键点求和
Figure BDA0003581237630000058
以得到最终的关键点{Q1,…QM}。
本实施例中，所述关键点提取网络的损失函数包括概率chamfer损失LC和点到点损失LP，
Figure BDA00035812376300000512
Figure BDA00035812376300000513
用于调整LC和LP之间的权重。
记Q,
Figure BDA0003581237630000059
分别表示网络输出的关键点，
Figure BDA00035812376300000510
为了输出稳定的关键点，通过最小化Q,和
Figure BDA00035812376300000511
的差异来实现，概率chamfer损失公式如下:
Figure BDA0003581237630000061
即：
Figure BDA0003581237630000062
其中，
Figure BDA0003581237630000063
点到点损失公式如下：
Figure BDA0003581237630000064
其中，Q表示关键点，X表示点云。
步骤S3、选择每个关键点的多个邻域点，并对邻域点进行特征提取，分别对预存的声呐点云地形图和在线采集的声呐点云地形图，以每个关键点的邻域范围提取特征。
具体的，该步骤为：选取每一个关键点的64个邻域点，每个点由x，y，z三维坐标组成，使用mini-PointNet对关键点进行特征提取。mini-PointNet主要由3个全连接层和一个最大池化层组成的，输入为64x3的向量，输出32维的特征描述子，分别对预存的声呐点云地形图和在线采集的声呐点云地形图，以每个关键点的邻域范围提取特征向量。
步骤S4、根据关键点计算实时点云帧与地图之间的匹配代价，具体为：
将空间划分为(x,y,φ)维度上的离散空间，在每个关键点的周围建立偏移空间，nx、ny、nφ表示每个维度上的大小，通过{(Δxi,Δyj,Δφk)|1≤i≤nx,1≤j≤ny,1≤k≤nφ}表示离散的偏移空间，在每个关键点周围形成nx×ny×nφ个偏移位置，关键点根据以下公式进行变换，并提取其在地图中的特征描述子：
Figure BDA0003581237630000065
分别在预存地图以所有偏移位置为中心选取局部邻域，基于每个关键点的邻域范围提取特征形成N×nx×ny×nφ个32维的特征向量，每个关键点分别与其周围的nx×ny×nφ个偏移位置计算距离，形成nx×ny×nφ×32大小的匹配代价。
建立正则化网络，所述正则化网络由三个3D卷积层组成，前两层使用ReLU激活函数和批量正则化(Batch Normalization)，再分别将N个nx×ny×nφ×32大小的特征向量输入正则化网络，得到N个匹配代价。
步骤S5、根据匹配代价实时计算声呐点云帧与地图在预测下的位置偏移量，具体为：
假设偏移量为ΔT＝(Δxi,Δyj,Δφk)，计算在线点云帧与地图的匹配概率
Figure BDA0003581237630000071
其中，Pi(ΔT)表示第i个关键点在偏移ΔT上的匹配概率，并将匹配概率取对数，得到
Figure BDA0003581237630000072
其中，C(ΔT)表示在线点云帧和地图之间在偏移ΔT时的总匹配代价。
利用softmax函数将将匹配概率归一化，并分别提取x方向，y方向以及航向角的偏移概率：
Figure BDA0003581237630000073
估计偏移
Figure BDA0003581237630000074
真实偏移ΔT*＝(Δx*,Δy*,Δφ*)，计算估计偏移和真实偏移之间的距离并且定义为损失Loss，记为
Figure BDA0003581237630000075
Figure BDA0003581237630000076
其中，α是平衡因数，估计偏移的公式如下：
Figure BDA0003581237630000077
Figure BDA0003581237630000078
步骤S6、根据预测的位置偏移量和地面真实数值之间距离的平方来定义损失。
本发明使用基于深度学习的检测器，设计一个关键点提取网络进行训练，实现在任意变换下从三维点云中检测高度可重复性和精确定位的关键点的目标。
本发明从综合密度、几何特征和分布的点云选择所有合适的关键点，提取每一个关键点64个相邻点的位置和反射强度作为一个mini-PointNet网络的输入。mini-PointNet的输出为32维的描述符向量。
本发明构建匹配代价(Cost Volume)，进行离散化
Figure BDA0003581237630000079
空间，生成一个
Figure BDA00035812376300000710
的四维容积。其中N为关键点的数量，
Figure BDA00035812376300000711
分别对应初始运动估计误差
Figure BDA00035812376300000712
的取值范围。给定一组
Figure BDA00035812376300000713
的取值，对相应的点云关键点及其64个近邻点应用二维平移和旋转。
本发明使用3D卷积神经网络(3D-CNNs)对Cost Volume进行正则化操作，抑制其中的异常值，提升匹配效果。以提取的四维张量
Figure BDA00035812376300000714
为输入，预测每一个关键点的位姿误差概率分布。输出为每一个关键点的位姿误差概率，进行边缘化操作，将
Figure BDA00035812376300000715
的概率分布聚合为三个概率分布向量，分别对应于
Figure BDA00035812376300000716
参阅图2所示，本发明还提供一种根据上述的三维成像声呐点云的水下地形匹配定位方法的系统，包括：数据预处理模块1，用于对在线采集的声呐点云帧进行采样，将点数达到N，并将预存的大范围声呐点云地图切割成具有N点的点云X；关键点提取模块2，用于将L个随机生成的变换矩阵{T1,…,TL},TL∈SE(3)作用于点云X＝[X0,…,XN]∈R3×N，得到L对数据
Figure BDA0003581237630000081
以训练关键点提取网络，通过关键点提取网络对分块后的声呐点云地形图和在线采集的点云区域分别提取关键点，并将小块地形图的关键点进行拼接形成整个地形的关键点；关键点区域特征提取模块3，用于选择每个关键点的多个邻域点，并对邻域点进行特征提取，分别对预存的声呐点云地形图和在线采集的声呐点云地形图，以每个关键点的邻域范围提取特征；匹配代价计算模块4，用于根据关键点计算实时点云帧与地图之间的匹配代价位置偏移量计算模块5，用于根据匹配代价实时计算声呐点云帧与地图在预测下的位置偏移量；定义模块6，用于根据预测的位置偏移量和地面真实数值之间距离的平方来定义损失。
虽然结合附图描述了本发明的实施方式，但是专利所有者可以在所附权利要求的范围之内做出各种变形或修改，只要不超过本发明的权利要求所描述的保护范围，都应当在本发明的保护范围之内。

Claims (7)

1.一种三维成像声呐点云的水下地形匹配定位方法，其特征在于，包括以下步骤：
S1、对在线采集的声呐点云帧进行采样，将点数达到N，并将预存的大范围声呐点云地图切割成具有N点的点云X；
S2、将L个随机生成的变换矩阵{T1,…,TL},TL∈SE(3)作用于点云X＝[X0,…,XN]∈R3×N，得到L对数据
Figure FDA0003581237620000011
以训练关键点提取网络，通过关键点提取网络对分块后的声呐点云地形图和在线采集的点云区域分别提取关键点，并将小块地形图的关键点进行拼接形成整个地形的关键点；
S3、选择每个关键点的多个邻域点，并对邻域点进行特征提取，分别对预存的声呐点云地形图和在线采集的声呐点云地形图，以每个关键点的邻域范围提取特征；
S4、根据关键点计算实时点云帧与地图之间的匹配代价；
S5、根据匹配代价实时计算声呐点云帧与地图在预测下的位置偏移量；
S6、根据预测的位置偏移量和地面真实数值之间距离的平方来定义损失。
2.根据权利要求1所述的三维成像声呐点云的水下地形匹配定位方法，其特征在于，所述步骤S2中训练关键点提取网络的步骤具体为：
输入点云X∈R3×N，使用FPS采样方式输出M个初始关键点S＝[S1,…SM]∈R3×M；
采用点到关键点的采样方式对点云的每个点进行分组以得到当前关键点分组
Figure FDA0003581237620000012
Km表示属于当前关键点邻域的点数，Sm为当前关键点，Sm∈S；
对当前关键点分组进行去均值操作，得到
Figure FDA0003581237620000013
其中，
Figure FDA0003581237620000014
将每个当前关键点分组输入三个全连接层和一个最大池化层构成的网络，获得M个当前关键点对应的特征向量；
对每个当前关键点Sm对应的特征进行KNN操作，得到邻域点
Figure FDA0003581237620000015
并对邻域点归一化
Figure FDA0003581237620000016
得到
Figure FDA0003581237620000017
将每个当前关键点分组特征分别输入三个全连接层、一个最大池化层和一个全连接层构成的网络，最后输出获得M个当前关键点的偏移位置和不确定性(Q1,σ1),…,(QM,σM)，其中Qm∈R3×M,σ∈R+分别表示M个当前关键点的坐标和不确定性；
对M个当前关键点进行非极大值抑制，并根据关键点的不确定性进行排序，选取设定数量的关键点；
将输出的当前关键点预测偏移和当前关键点求和
Figure FDA0003581237620000021
以得到最终的关键点{Q1,…QM}。
3.根据权利要求2所述的三维成像声呐点云的水下地形匹配定位方法，其特征在于，所述关键点提取网络的损失函数包括概率chamfer损失LC和点到点损失LP，
Figure FDA0003581237620000025
Figure FDA0003581237620000026
用于调整LC和LP之间的权重。
4.根据权利要求1所述的三维成像声呐点云的水下地形匹配定位方法，其特征在于，所述步骤S3中的邻域点为64个，采用mini-PointNet对关键点进行特征提取。
5.根据权利要求4所述的三维成像声呐点云的水下地形匹配定位方法，其特征在于，所述步骤S4中根据关键点计算实时点云帧与地图之间的匹配代价的具体步骤包括：
将空间划分为(x,y,φ)维度上的离散空间，在每个关键点的周围建立偏移空间，nx、ny、nφ表示每个维度上的大小，通过{(Δxi,Δyj,Δφk)|1≤i≤nx,1≤j≤ny,1≤k≤nφ}表示离散的偏移空间，在每个关键点周围形成nx×ny×nφ个偏移位置，关键点根据以下公式进行变换，并提取其在地图中的特征描述子：
Figure FDA0003581237620000022
分别在预存地图以所有偏移位置为中心选取局部邻域，基于每个关键点的邻域范围提取特征形成N×nx×ny×nφ个32维的特征向量，每个关键点分别与其周围的nx×ny×nφ个偏移位置计算距离，形成nx×ny×nφ×32大小的匹配代价；
建立正则化网络，所述正则化网络由三个3D卷积层组成，前两层使用ReLU激活函数和批量正则化，再分别将N个nx×ny×nφ×32大小的特征向量输入正则化网络，得到N个匹配代价。
6.根据权利要求1所述的三维成像声呐点云的水下地形匹配定位方法，其特征在于，所述步骤S5具体包括：
假设偏移量为ΔT＝(Δxi,Δyj,Δφk)，计算在线点云帧与地图的匹配概率
Figure FDA0003581237620000023
其中，Pi(ΔT)表示第i个关键点在偏移ΔT上的匹配概率，并将匹配概率取对数，得到
Figure FDA0003581237620000024
其中，C(ΔT)表示在线点云帧和地图之间在偏移ΔT时的总匹配代价；
利用softmax函数将将匹配概率归一化，并分别提取x方向，y方向以及航向角的偏移概率：
Pi(Δxi)＝∑y，ψP(ΔT)，Pj(Δyj)＝∑x，ψP(ΔT)andPk(Δψk)＝∑x，yP(ΔT).
估计偏移
Figure FDA0003581237620000031
真实偏移ΔT*＝(Δx*，Δy*，Δφ*)，计算估计偏移和真实偏移之间的距离，并且定义为损失Loss，记为
Figure FDA0003581237620000032
Figure FDA0003581237620000033
其中，α是平衡因数，估计偏移的公式如下：
Figure FDA0003581237620000034
Figure FDA0003581237620000035
7.根据权利要求1-6任意一项所述的三维成像声呐点云的水下地形匹配定位方法的系统，其特征在于，包括：
数据预处理模块，用于对在线采集的声呐点云帧进行采样，将点数达到N，并将预存的大范围声呐点云地图切割成具有N点的点云X；
关键点提取模块，用于将L个随机生成的变换矩阵{T1，…，TL}，TL∈SE(3)作用于点云X＝[X0，…，XN]∈R3×N，得到L对数据
Figure FDA0003581237620000036
以训练关键点提取网络，通过关键点提取网络对分块后的声呐点云地形图和在线采集的点云区域分别提取关键点，并将小块地形图的关键点进行拼接形成整个地形的关键点；
关键点区域特征提取模块，用于选择每个关键点的多个邻域点，并对邻域点进行特征提取，分别对预存的声呐点云地形图和在线采集的声呐点云地形图，以每个关键点的邻域范围提取特征；
匹配代价计算模块，用于根据关键点计算实时点云帧与地图之间的匹配代价；
位置偏移量计算模块，用于根据匹配代价实时计算声呐点云帧与地图在预测下的位置偏移量；
定义模块，用于根据预测的位置偏移量和地面真实数值之间距离的平方来定义损失。
CN202210352439.5A 2022-04-04 2022-04-04 一种三维成像声呐点云的水下地形匹配定位方法及系统 Pending CN114706087A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210352439.5A CN114706087A (zh) 2022-04-04 2022-04-04 一种三维成像声呐点云的水下地形匹配定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210352439.5A CN114706087A (zh) 2022-04-04 2022-04-04 一种三维成像声呐点云的水下地形匹配定位方法及系统

Publications (1)

Publication Number Publication Date
CN114706087A true CN114706087A (zh) 2022-07-05

Family

ID=82173198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210352439.5A Pending CN114706087A (zh) 2022-04-04 2022-04-04 一种三维成像声呐点云的水下地形匹配定位方法及系统

Country Status (1)

Country Link
CN (1) CN114706087A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115338874A (zh) * 2022-10-19 2022-11-15 爱夫迪(沈阳)自动化科技有限公司 基于激光雷达的机器人实时控制方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115338874A (zh) * 2022-10-19 2022-11-15 爱夫迪(沈阳)自动化科技有限公司 基于激光雷达的机器人实时控制方法
CN115338874B (zh) * 2022-10-19 2023-01-03 爱夫迪(沈阳)自动化科技有限公司 基于激光雷达的机器人实时控制方法

Similar Documents

Publication Publication Date Title
CN110135267B (zh) 一种大场景sar图像细微目标检测方法
CN110232350B (zh) 一种基于在线学习的实时水面多运动目标检测跟踪方法
CN111862126B (zh) 深度学习与几何算法结合的非合作目标相对位姿估计方法
Wu et al. Inshore ship detection based on convolutional neural network in optical satellite images
CN108446634B (zh) 基于视频分析和定位信息结合的航空器持续跟踪方法
CN108428220B (zh) 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法
CN112229404B (zh) 基于海底地形三维优化原理提高海洋重力场插值精度方法
CN114863573B (zh) 一种基于单目rgb-d图像的类别级6d姿态估计方法
WO2021203807A1 (zh) 一种基于多源数据知识迁移的三维物体检测框架
CN112883850B (zh) 一种基于卷积神经网络的多视角空天遥感图像匹配方法
CN111815665A (zh) 基于深度信息与尺度感知信息的单张图像人群计数方法
CN106845343B (zh) 一种光学遥感图像海上平台自动检测方法
CN116468995A (zh) 一种联合slic超像素和图注意力网络的声呐图像分类方法
CN113838064A (zh) 一种基于分支gan使用多时相遥感数据的云去除方法
CN116152678A (zh) 小样本条件下基于孪生神经网络的海洋承灾体识别方法
CN114706087A (zh) 一种三维成像声呐点云的水下地形匹配定位方法及系统
CN113281718B (zh) 一种基于激光雷达场景流估计的3d多目标跟踪系统及方法
CN112734818B (zh) 基于残差网络和sift的多源高分辨率遥感图像自动配准方法
CN113989612A (zh) 基于注意力及生成对抗网络的遥感影像目标检测方法
CN113295171A (zh) 一种基于单目视觉的旋转刚体航天器姿态估计方法
CN116703996A (zh) 基于实例级自适应深度估计的单目三维目标检测算法
CN109886988A (zh) 一种微波成像仪定位误差的度量方法、系统、装置及介质
CN115909077A (zh) 基于无监督光谱解混神经网络的高光谱图像变化检测方法
CN112348853B (zh) 基于红外显著性特征融合的粒子滤波跟踪的方法
CN114155406A (zh) 一种基于区域级特征融合的位姿估计方法

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