CN115950435A - 无人机巡检影像的实时定位方法 - Google Patents

无人机巡检影像的实时定位方法 Download PDF

Info

Publication number
CN115950435A
CN115950435A CN202310137098.4A CN202310137098A CN115950435A CN 115950435 A CN115950435 A CN 115950435A CN 202310137098 A CN202310137098 A CN 202310137098A CN 115950435 A CN115950435 A CN 115950435A
Authority
CN
China
Prior art keywords
image
video frame
dom
aerial vehicle
unmanned aerial
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
CN202310137098.4A
Other languages
English (en)
Inventor
范伟
刘豪杰
何刘鹏
姜成桢
韦蔚
朱光磊
刘金明
李晗
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.)
Yellow River Engineering Consulting Co Ltd
Original Assignee
Yellow River Engineering Consulting Co Ltd
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 Yellow River Engineering Consulting Co Ltd filed Critical Yellow River Engineering Consulting Co Ltd
Priority to CN202310137098.4A priority Critical patent/CN115950435A/zh
Publication of CN115950435A publication Critical patent/CN115950435A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种无人机巡检影像的实时定位方法，通过实时读取无人机巡检过程中拍摄的视频帧及视频帧的POS数据和巡检区的DOM影像，计算视频帧对应的基准DOM影像的中心经纬度、方位角、长度和宽度，抽取基准DOM影像；将视频帧与基准DOM影像进行稳健粗匹配，基于视频帧和粗匹配DOM影像的梯度强度解算视频帧的最优校正参数，根据视频帧中兴趣点的像素坐标和最优校正参数解算兴趣点的经纬坐标。本发明的优点在于提出了视频帧粗匹配和视频帧精校正的方法，在无人机视频帧和巡检区DOM的光照、地物细节和分辨率均有较大差异的情况下，仍能稳健地实现两者的粗匹配，并通过精确校正以m级的精度实时解算出地面兴趣点的经纬坐标，且单帧的解算时间为秒级。

Description

无人机巡检影像的实时定位方法
技术领域
本发明涉及无人机监控领域，尤其是涉及无人机巡检影像的实时定位方法。
背景技术
巡检是很多行业的常态性工作，早期以人工肉眼巡检为主，随着科技的发展，无人机因显著高于人力的高效率成为了巡检新工具。常见的方式是由无人机搭载影像装置，实时拍摄巡检目标的视频影像，通过视频影像确定巡检时间、巡检目标位置以及巡检目标的具体情况。常用的精确确定目标位置的方法包括人工核查法、摄影测量法、计算机视觉技术。
其中，人工核查法人工浏览无人机的巡检视频，对其中的可疑目标位置进行标记，再现场量测获取其准确位置信息。该方法无法满足无人机巡检的实时性要求，且特殊情况（暴雨、滑坡和泥石流等）下的人工现场核查作业还存在较大的安全隐患，已逐渐无法适应巡检工作的要求。
摄影测量法主要包括立体像对前方交会法、空中三角测量法。立体像对前方交会法利用无人机视频帧的POS信息可实时交会出地面点的三维坐标，但是精度极差，无法满足巡检影像定位的精确性要求。空中三角测量法包括航带区域网平差法和光束区域网平差法等，其利用多航带的高重叠度影像可精确地解算出地面点的三维坐标，但是需要对相关数据进行后处理，无法满足巡检定位的实时性要求。
计算机视觉技术主要包括立体视觉方法，影像匹配方法，光流跟踪法。其中立体视觉方法是利用双目相机精确的三维位姿及两张影像中同名像点的视差解算出像点的空间三维坐标，但是已有的双目相机标定方法，包括：DLT（Direct Linear Transform）方法、PnP（Perspective-n-Point）方法、PST（Perspective Similar Triangle）方法等仅适用于两个相机相对位置不变且距离较短的双目测量系统，无法适用于飞行中无人机的三维位姿标定，以致无法精确解算巡检影像的三维位置信息。影像匹配方法可利用巡检影像匹配已有DOM，并根据DOM的坐标反算出巡检影像的位置信息，但是已有的影像匹配技术，包括SIFT，SURF，ORB等在地物细节变化较大时根本无法实现影像的精确匹配，也导致无法精确解算巡检影像的位置信息。光流跟踪法包括Farneback多项式法、LK光流法等均有较强的预设条件，即微小位移、亮度不变和区域运动一致，其仅可用于巡检视频影像的相对定位，无法用于巡检影像的绝对定位。
也就是说，目前能够实时、精确和稳健地解算无人机视频影像位置的方法尚不存在。
发明内容
本发明目的在于提供一种无人机巡检影像的实时定位方法，能够通过无人机视频影像实时、精确和稳健的解算兴趣目标点的位置信息。
为实现上述目的，本发明采取下述技术方案：
本发明所述的无人机巡检影像的实时定位方法，包括以下步骤：
S1，获取巡检区的DOM影像；
S2，实时读取无人机巡检过程中拍摄的视频帧及视频帧的POS数据；
S3，根据所述视频帧的POS数据和所述巡检区的DOM影像，计算视频帧对应的基准DOM影像的中心经纬度、方位角、长度和宽度，抽取基准DOM影像；
S4，视频帧与所述基准DOM影像进行稳健粗匹配，得到粗匹配DOM影像；
S5，基于视频帧和粗匹配DOM影像的梯度强度解算视频帧的最优校正参数；
S6，根据视频帧中兴趣点的像素坐标和最优校正参数解算兴趣点的经纬坐标。
进一步地，所述基准DOM影像的所述中心经纬度由视频帧的POS数据中的大地经纬度确定；所述方位角由视频帧的POS数据中的航偏角确定；所述长度 
Figure SMS_3
以像素为单位计算公式为： 
Figure SMS_4
，其中
Figure SMS_7
，
Figure SMS_2
表示视频帧的POS数据中的航高，
Figure SMS_5
表示图像采集设备的物理长度， 
Figure SMS_8
表示图像采集设备的焦距；所述宽度
Figure SMS_10
以像素为单位计算公式为：
Figure SMS_1
，其中 
Figure SMS_6
， 
Figure SMS_9
表示图像采集设备的物理宽度；
Figure SMS_11
表示巡检区DOM影像的地面分辨率。
进一步地，S4步具体包括以下步骤：
S4.1，根据巡检区DOM影像的地面分辨率和视频帧的地面分辨率对抽取的基准DOM影像缩放，得到第一基准DOM影像；
S4.2，计算视频帧与第一基准DOM影像的RGB最佳粗匹配位置；
S4.3；计算视频帧与第一基准DOM影像的梯度强度最佳粗匹配位置；
S4.4；根据RGB最佳粗匹配位置和梯度强度最佳粗匹配位置，计算视频帧与第一基准DOM影像的稳健最佳粗匹配位置；
S4.5；根据稳健最佳粗匹配位置、视频帧的长度和宽度抽取粗匹配DOM影像。
进一步地，所述S5步具体包括以下步骤：
S5.1；基于视频帧和粗匹配DOM影像的梯度强度构建能量差方程式；
S5.2；基于所述能量差方程式构建参数校正方程，对视频帧与粗匹配DOM影像之间的缩放比例、位移、旋转、扭曲进行校正；
S5.3；基于视频帧和粗匹配DOM影像的同名像点之间应存在最小能量差的推定构建优化准则；
S5.4；基于优化准则解算视频帧的最优校正参数。
本发明的优点在于提出了视频帧粗匹配和视频帧精校正的方法，在无人机视频帧和巡检区DOM的光照、地物细节和分辨率均有较大差异的情况下，仍能稳健地实现两者的粗匹配，并通过精确校正以m级的精度实时解算出地面兴趣点的经纬坐标，且单帧的解算时间为秒级。
附图说明
图1是本发明所述无人机巡检影像的实时定位方法流程图。
图2是本发明所述方法中基准DOM影像抽取示意图。
图3是本发明所述方法中视频帧与基准DOM影像粗匹配示意图。
图4是本发明所述方法中无人机巡检区DOM影像示例。
图5是本发明所述方法中无人机实时拍摄的某视频帧示例。
图6是图5中视频帧对应的基准DOM影像。
图7是图5中视频帧对应的粗匹配DOM影像。
图8是图7中粗匹配DOM影像的梯度强度影像。
图9是图7中视频帧的梯度强度影像。
图10是为图5中视频帧影像校正后示例。
图11是图9视频帧与巡检区DOM影像叠加的效果展示。
具体实施方式
下面将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。
在利用无人机巡检时，如果能从无人机实时拍摄的视频影像中实时的检测目标，确定目标的精确位置，对于及时发现隐患，排除隐患具有极高的价值。但目前还没有通过无人机视频影像实时、精确稳健的解算目标位置信息的方法。
如图1所示，本发明所述的无人机巡检影像的实时定位方法，提出了基于视频帧与巡检区DOM影像整体匹配的策略，可以m级的精度实时解算出巡检视频帧的位置，具体包括以下步骤：
S1，获取巡检区的DOM影像；
DOM影像（数字正射影像图，Digital Orthophoto Map）是对图像进行数字微分纠正和镶嵌，按一定图幅范围裁剪生成的数字正射影像集。它是同时具有地图几何精度和影像特征的图像，可作为地图分析背景控制信息。
S2，实时读取无人机巡检过程中拍摄的视频帧及视频帧的POS数据；
POS数据（定位定姿系统，position and orientation system）是IMU/DGPS组合的高精度位置与姿态测量系统。其利用装在无人机上的GPS接收机和设在地面上的一个或多个基站上的GPS接收机同步而连续地观测GPS卫星信号，采用差分GPS定位（DGPS）技术实现精密定位。同时利用惯性测量装置（IMU）来感测飞机或其他载体的加速度获取载体的速度和姿态等信息。
S3，根据视频帧的POS数据和巡检区的DOM影像，计算视频帧对应的基准DOM影像的中心经纬度、方位角、长度和宽度，抽取基准DOM影像；
如图2所示，区域1为覆盖整个巡检区域的完全的DOM影像，区域2为巡检中的无人机，无人机实时拍摄的视频帧即图像为区域3，该视频帧在DOM上的粗匹配DOM影像区域如图2中的区域4所示，图2中的区域5为抽取的基准DOM影像。
基准DOM影像的中心经纬度、方位角、长度和宽度确定方法如下：
中心经纬度由视频帧的POS数据中的大地经纬度
Figure SMS_12
确定；所述方位角由视频帧的POS数据中的航偏角
Figure SMS_13
确定；所述长度 
Figure SMS_14
以像素为单位计算公式（1）为:
Figure SMS_15
         公式（1）
其中
Figure SMS_16
，
Figure SMS_17
表示视频帧的POS数据中的航高， 
Figure SMS_18
表示图像采集设备的物理长度，
Figure SMS_19
表示图像采集设备的焦距； 
Figure SMS_20
表示巡检区DOM影像的地面分辨率。
所述宽度 
Figure SMS_21
以像素为单位计算公式（2）为:
 
Figure SMS_22
         公式（2）
其中
Figure SMS_23
，
Figure SMS_24
表示视频帧的POS数据中的航高， 
Figure SMS_25
表示图像采集设备的物理宽度， 
Figure SMS_26
表示图像采集设备的焦距；
Figure SMS_27
表示巡检区DOM影像的地面分辨率。图像采集设备的物理宽度和物理长度实际为所拍摄图像的长和宽。
根据确定的中心经纬度
Figure SMS_28
、航偏角
Figure SMS_29
、长度
Figure SMS_30
和宽度
Figure SMS_31
，即可从图2中区域1所示的巡检区DOM影像中抽取出区域5所示的基准DOM影像。
S4，视频帧与基准DOM影像进行稳健粗匹配，得到粗匹配DOM影像；
由于无人机拍摄的视频帧和巡检区DOM影像的获取时间和获取手段不一致，导致两者在光照、地物细节和分辨率等方面均有较大差异，以致已有的影像特征匹配方法，如基于SIFT（Scale-invariant feature transform,尺度不变特征变换）、SURF(Speeded UpRobust Features,加速稳健特征)和ORB(OrientedFAST and Rotated BRIEF、快速特征点提取和描述）的影像特征匹配方法根本无法适用于无人机视频帧和巡检区DOM的自动匹配。本申请能够保证在无人机视频帧和巡检区DOM的光照、地物细节和分辨率均有较大差异的情况下，稳健地实现两者的粗匹配。
具体包括以下步骤：
S4.1，根据巡检区DOM影像的地面分辨率和视频帧的地面分辨率对抽取的基准DOM影像缩放，得到第一基准DOM影像；计算公式（3）为：
Figure SMS_32
    公式（3）
其中，
Figure SMS_33
表示缩放后的第一基准DOM影像；
Figure SMS_34
表示基准DOM影像；
Figure SMS_35
， 
Figure SMS_36
表示巡检区DOM影像的地面分辨率， 
Figure SMS_37
表示视频帧的地面分辨率。
S4.2，计算视频帧与第一基准DOM影像的RGB最佳粗匹配位置
Figure SMS_38
；
Figure SMS_39
为RGB最佳粗匹配区域左上角的像素坐标，如图3所示。
根据公式（4）确定视频帧与缩放后基准DOM的RGB最佳粗匹配位置，即
Figure SMS_40
公式（4）
其中，
Figure SMS_41
Figure SMS_42
表示视频帧R通道的灰度值，
Figure SMS_43
表示缩放后基准DOM的R通道灰度值；
Figure SMS_44
表示视频帧G通道的灰度值，
Figure SMS_45
表示缩放后基准DOM的G通道灰度值；
Figure SMS_46
表示视频帧B通道的灰度值，
Figure SMS_47
表示缩放后基准DOM的B通道灰度值，
Figure SMS_48
表示单张视频帧的像素总数。
S4.3，计算视频帧与第一基准DOM影像的梯度强度最佳粗匹配位置
Figure SMS_49
；其中
Figure SMS_50
为梯度强度最佳粗匹配区域左上角的像素坐标，如图2所示。
即根据公式（5）确定视频帧与缩放后第一基准DOM影像的梯度强度最佳粗匹配位置。
Figure SMS_51
公式（5）
其中，
Figure SMS_52
Figure SMS_53
表示视频帧在x方向的一阶梯度， 
Figure SMS_54
表示视频帧在y方向的一阶梯度；
Figure SMS_55
表示缩放后的第一基准DOM影像在x方向的一阶梯度，
Figure SMS_56
表示缩放后的第一基准DOM影像在y方向的一阶梯度。
S4.4，计算视频帧与第一基准DOM影像的稳健最佳粗匹配位置
Figure SMS_57
， 
Figure SMS_58
为稳健最佳粗匹配区域左上角的像素坐标，如图3所示。即根据公式（6）计算视频帧与缩放后第一基准DOM影像的稳健最佳粗匹配位置：
Figure SMS_59
公式（6）
其中，
Figure SMS_60
，
Figure SMS_61
Figure SMS_62
为RGB最佳粗匹配位置，
Figure SMS_63
为梯度强度最佳粗匹配位置，
Figure SMS_64
表示视频帧的长度（以像素为单位），
Figure SMS_65
表示视频帧的宽度（以像素为单位）；
Figure SMS_66
，
Figure SMS_67
表示单张视频帧的像素总数。
S4.5，如图3所示，根据稳健最佳粗匹配位置
Figure SMS_68
、视频帧的长度 
Figure SMS_69
和宽度
Figure SMS_70
，可从图3所示的基准DOM影像区域5中提取与视频帧最佳匹配的粗匹配DOM影像区域4。
如图4-图7所示，为使用本申请方法确定与视频帧最佳匹配的粗匹配DOM影像区域的效果示例。其中图4为巡检区DOM影像，图5为无人机实时拍摄的视频帧影像；图6是经过S3步抽取基准DOM影像的效果图。图7为经S4步计算，将基准DOM影像缩放，进行RGB最佳粗匹配、梯度强度最佳粗匹配、稳健最佳粗匹配后得到的与视频帧最佳匹配的粗匹配DOM影像区域效果。如图4-图7可以看出，在光照、地物细节和分辨率均有较大差异的情况下，本申请仍能稳健地实现视频帧和基准DOM的粗匹配，匹配精度约为10m级。
S5，基于视频帧和粗匹配DOM影像的梯度强度解算视频帧的最优校正参数。
本申请以粗匹配DOM作为基准，选取视频帧中梯度强度大于一定阈值的点作为特征点，以构建多项式参数方程组，并通过稳健优化流程对视频帧进行校正，可以m级的精度解算地面兴趣点的经纬坐标。具体包括以下步骤：
S5.1，基于视频帧和粗匹配DOM影像的梯度强度构建能量差方程式；即根据公式（7）构建能量差方程式。
Figure SMS_71
公式（7）
其中，
Figure SMS_72
表示视频帧在
Figure SMS_73
处的梯度强度； 
Figure SMS_74
表示粗匹配DOM影像在
Figure SMS_75
处的梯度强度；
Figure SMS_76
表示视频帧拍摄时间，
Figure SMS_77
表示巡检区DOM影像的生成时间；
Figure SMS_78
表示视频帧上像点到粗匹配DOM影像上同名像点的位移量。
S5.2，基于所述能量差方程式构建参数校正方程，对视频帧与粗匹配DOM影像之间的缩放比例、位移、旋转、扭曲进行校正；即基于公式（7）构建多项式参数校正方程公式（8）
 
Figure SMS_79
          公式（8）
其中，
Figure SMS_80
；
 
Figure SMS_81
；
Figure SMS_82
；
其中，（x,y）为兴趣点在视频帧上的像素坐标；
 
Figure SMS_83
为待求参数；其实质上是关于兴趣点在视频帧上的像素坐标x和y的两个三阶多项式的系数。X是由 
Figure SMS_84
-
Figure SMS_85
构成的列向量。
S5.3，根据公式（8）并基于视频帧和粗匹配DOM影像的同名像点之间应存在最小能量差的推定构建优化准则公式（9）；
Figure SMS_86
公式（9）
S5.4，基于优化准则解算视频帧的最优校正参数, 流程如下：
Figure SMS_87
在视频帧中选取满足公式（10）的特征点，即
Figure SMS_88
     公式（10）
其中，
Figure SMS_89
表示视频帧在
Figure SMS_90
处的梯度强度，
Figure SMS_91
表示视频帧梯度强度的均值，
Figure SMS_92
表示视频帧梯度强度的标准差。
Figure SMS_93
利用特征点，构建系数阵
Figure SMS_94
和常数阵 
Figure SMS_95
；
Figure SMS_96
令 
Figure SMS_97
，
Figure SMS_98
 表示单位阵；
Figure SMS_99
解算参数
Figure SMS_100
，
Figure SMS_101
表示 
Figure SMS_102
的估值;
Figure SMS_103
解算能量差
Figure SMS_104
；
Figure SMS_105
重新赋权
Figure SMS_106
，
Figure SMS_107
；
Figure SMS_108
重复步骤
Figure SMS_109
-
Figure SMS_110
，若
Figure SMS_111
前后两次迭代结果的差值小于预设的阈值，则停止迭代，得到最优稳健估值 
Figure SMS_112
。
S6，根据视频帧中兴趣点的像素坐标和最优校正参数解算兴趣点的经纬坐标。计算公式（11）为
Figure SMS_113
公式（11）
其中，
Figure SMS_114
，
Figure SMS_115
表示巡检区域DOM影像中像素坐标到经纬坐标的转换参数，由巡检区域DOM影响的制作者提供。
Figure SMS_116
表示视频帧的兴趣点像素坐标； 
Figure SMS_117
表示视频帧的兴趣点经纬坐标； 
Figure SMS_118
表示校正参数的最优稳健估值。使用本申请方法，在无人机拍摄过程中能够实时解算兴趣点的像素坐标，单帧的解算时间为秒级。
如图8-图11所示，为使用本发明所述方法经S5步的梯度强度校正的效果示意图。其中图8为基准DOM的梯度幅度影像；图9视频帧的梯度幅度影像；图10为精确校正后的视频帧影像，其各像素点已具有经纬坐标信息。在Arcgis软件中，以坐标信息为基准将图10叠加到图4所示的巡检区DOM影像上，即图11所示的灰色区域。经测量，图10与图4所示的巡检区DOM影像的匹配精度可达到m级。

Claims (4)

1.一种无人机巡检影像的实时定位方法，其特征在于：包括以下步骤：
S1，获取巡检区的DOM影像；
S2，实时读取无人机巡检过程中拍摄的视频帧及视频帧的POS数据；
S3，根据所述视频帧的POS数据和所述巡检区的DOM影像，计算视频帧对应的基准DOM影像的中心经纬度、方位角、长度和宽度，抽取基准DOM影像；
S4，视频帧与所述基准DOM影像进行稳健粗匹配，得到粗匹配DOM影像；
S5，基于视频帧和粗匹配DOM影像的梯度强度解算视频帧的最优校正参数；
S6，根据视频帧中兴趣点的像素坐标和最优校正参数解算兴趣点的经纬坐标。
2.根据权利要求1所述的无人机巡检影像的实时定位方法，其特征在于：所述基准DOM影像的所述中心经纬度由视频帧的POS数据中的大地经纬度确定；所述方位角由视频帧的POS数据中的航偏角确定；所述长度
Figure QLYQS_2
以像素为单位计算公式为：
Figure QLYQS_4
，其中
Figure QLYQS_7
，
Figure QLYQS_1
表示视频帧的POS数据中的航高，
Figure QLYQS_6
表示图像采集设备的物理长度，
Figure QLYQS_9
表示图像采集设备的焦距；所述宽度
Figure QLYQS_11
以像素为单位计算公式为：
Figure QLYQS_3
，其中
Figure QLYQS_5
，
Figure QLYQS_8
表示图像采集设备的物理宽度；
Figure QLYQS_10
表示巡检区DOM影像的地面分辨率。
3.根据权利要求1所述的无人机巡检影像的实时定位方法，其特征在于：S4步具体包括以下步骤：
S4.1，根据巡检区DOM影像的地面分辨率和视频帧的地面分辨率对抽取的基准DOM影像缩放，得到第一基准DOM影像；
S4.2，计算视频帧与第一基准DOM影像的RGB最佳粗匹配位置；
S4.3，计算视频帧与第一基准DOM影像的梯度强度最佳粗匹配位置；
S4.4，根据RGB最佳粗匹配位置和梯度强度最佳粗匹配位置，计算视频帧与第一基准DOM影像的稳健最佳粗匹配位置；
S4.5，根据稳健最佳粗匹配位置、视频帧的长度和宽度抽取粗匹配DOM影像。
4.根据权利要求1所述的无人机巡检影像的实时定位方法，其特征在于：所述S5步具体包括以下步骤：
S5.1；基于视频帧和粗匹配DOM影像的梯度强度构建能量差方程式；
S5.2；基于所述能量差方程式构建参数校正方程，对视频帧与粗匹配DOM影像之间的缩放比例、位移、旋转、扭曲进行校正；
S5.3；基于视频帧和粗匹配DOM影像的同名像点之间应存在最小能量差的推定构建优化准则；
S5.4；基于优化准则解算视频帧的最优校正参数。
CN202310137098.4A 2023-02-20 2023-02-20 无人机巡检影像的实时定位方法 Pending CN115950435A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310137098.4A CN115950435A (zh) 2023-02-20 2023-02-20 无人机巡检影像的实时定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310137098.4A CN115950435A (zh) 2023-02-20 2023-02-20 无人机巡检影像的实时定位方法

Publications (1)

Publication Number Publication Date
CN115950435A true CN115950435A (zh) 2023-04-11

Family

ID=87297036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310137098.4A Pending CN115950435A (zh) 2023-02-20 2023-02-20 无人机巡检影像的实时定位方法

Country Status (1)

Country Link
CN (1) CN115950435A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117854256A (zh) * 2024-03-05 2024-04-09 成都理工大学 基于无人机视频流分析的地质灾害监测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117854256A (zh) * 2024-03-05 2024-04-09 成都理工大学 基于无人机视频流分析的地质灾害监测方法

Similar Documents

Publication Publication Date Title
CN107316325B (zh) 一种基于图像配准的机载激光点云与影像配准融合方法
CN109931939B (zh) 车辆的定位方法、装置、设备及计算机可读存储介质
CN108534782B (zh) 一种基于双目视觉系统的地标地图车辆即时定位方法
US7733342B2 (en) Method of extracting 3D building information using shadow analysis
CN108801274B (zh) 一种融合双目视觉和差分卫星定位的地标地图生成方法
CN109813335B (zh) 数据采集系统的标定方法、装置、系统及存储介质
CN110319772B (zh) 基于无人机的视觉大跨度测距方法
CN110859044A (zh) 自然场景中的集成传感器校准
KR100529401B1 (ko) 합성 개구 레이더 영상을 이용한 수치표고자료 제작 장치및 그 방법
KR20090064679A (ko) 이종 센서 통합 모델링에 의한 수치 사진 측량 방법 및장치
CN115439424A (zh) 一种无人机航拍视频图像智能检测方法
JP3850541B2 (ja) 高度計測装置
CN105300362B (zh) 一种应用于rtk接收机的摄影测量方法
JP2010038822A (ja) Ｇｐｓ付全方位カメラ及び空間データ収集装置
CN112113542A (zh) 一种无人机航摄建设用地土地专项数据验收的方法
CN107560603A (zh) 一种无人机倾斜摄影测量系统及测量方法
KR102239562B1 (ko) 항공 관측 데이터와 지상 관측 데이터 간의 융합 시스템
KR101255461B1 (ko) 도로시설물 자동 위치측정 방법
CN111815765A (zh) 一种基于异构数据融合的图像三维重建方法
CN103411587A (zh) 定位定姿方法及系统
CN114973028A (zh) 一种航拍视频图像实时变化检测方法及系统
Stow et al. Evaluation of geometric elements of repeat station imaging and registration
CN115950435A (zh) 无人机巡检影像的实时定位方法
CN110986888A (zh) 一种航空摄影一体化方法
CN109883400B (zh) 基于yolo-sitcol的固定站自动目标检测与空间定位方法

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