CN116051628A - 一种无人机定位方法、装置、电子设备以及存储介质 - Google Patents

一种无人机定位方法、装置、电子设备以及存储介质 Download PDF

Info

Publication number
CN116051628A
CN116051628A CN202310057688.6A CN202310057688A CN116051628A CN 116051628 A CN116051628 A CN 116051628A CN 202310057688 A CN202310057688 A CN 202310057688A CN 116051628 A CN116051628 A CN 116051628A
Authority
CN
China
Prior art keywords
target
target object
unmanned aerial
aerial vehicle
distance
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.)
Granted
Application number
CN202310057688.6A
Other languages
English (en)
Other versions
CN116051628B (zh
Inventor
任雪峰
唐文志
李雷刚
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.)
Beijing Zhuoyi Intelligent Technology Co Ltd
Original Assignee
Beijing Zhuoyi Intelligent Technology 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 Beijing Zhuoyi Intelligent Technology Co Ltd filed Critical Beijing Zhuoyi Intelligent Technology Co Ltd
Priority to CN202310057688.6A priority Critical patent/CN116051628B/zh
Publication of CN116051628A publication Critical patent/CN116051628A/zh
Application granted granted Critical
Publication of CN116051628B publication Critical patent/CN116051628B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种无人机定位方法、装置、电子设备以及存储介质，该方法包括：获取无人机针对目标区域所摄取的目标图像，并通过目标检测模型对目标图像进行检测，以确定目标区域中是否包含目标对象，针对目标对象预先设定有空间尺寸信息、位置信息以及方向信息；响应于目标区域中包含目标对象，获得无人机与目标对象之间的第一目标距离；基于第一目标距离和目标对象的空间尺寸信息、位置信息以及方向信息，计算获得无人机的位置信息。本发明中，无人机基于预设的目标对象、利用视觉定位技术进行定位，无需与卫星定位系统进行信号交互，避免定位过程受不可控因素的干扰，可有效降低无人机定位过程的复杂度、提升无人机定位过程的稳定性及可靠性。

Description

一种无人机定位方法、装置、电子设备以及存储介质
技术领域
本申请涉及无人机技术领域，具体涉及一种无人机定位方法。本申请同时涉及一种无人机定位装置、一种电子设备以及一种计算机可读取存储介质。
背景技术
在现有的无人机定位场景中，主要使用GPS等卫星定位系统对无人机进行定位，具体的，无人机通过接收GPS卫星定位信号实现对自身的定位，该无人机定位过程受多种不可控因素影响，例如，无人机接收卫星定位信号的速度无法有效保障，无人机与卫星之间的信号往来易被干扰(例如，受天气状况、电磁信号等不确定性因素干扰)，使得无人机定位结果存在不确定性。
发明内容
本发明提供一种无人机定位方法、装置、电子设备及计算机可读存储介质，以解决现有技术中基于GPS等卫星定位系统对无人机进行定位时，无人机定位过程受多种不可控因素影响，使得无人机定位结果存在不确定性的问题。
根据本发明的一方面，提供一种无人机定位方法，该方法应用于无人机，包括：
获取无人机针对目标区域所摄取的目标图像，并通过目标检测模型对所述目标图像进行检测，以确定所述目标区域中是否包含目标对象，其中，针对目标对象预先设定有空间尺寸信息、位置信息以及方向信息；
响应于所述目标区域中包含所述目标对象，获得所述无人机与所述目标对象之间的第一目标距离；
基于所述第一目标距离和所述目标对象的空间尺寸信息、位置信息以及方向信息，计算获得所述无人机的位置信息。
在一种实施方式中，所述获得所述无人机与所述目标对象之间的第一目标距离，包括：
将所述目标图像输入深度预测模型，获得所述深度预测模型输出的所述无人机与所述目标对象之间的第一目标距离。
在一种实施方式中，所述将所述目标图像输入深度预测模型，获得所述深度预测模型输出的所述无人机与所述目标对象之间的第一目标距离，包括：
获得所述目标检测模型输出的包含所述目标对象所对应的目标框的目标图像；
将所述包含所述目标对象所对应的目标框的目标图像输入深度预测模型，获得所述深度预测模型输出的表征所述无人机的相机与所述目标对象的目标点之间的第一目标距离的深度值，其中，所述目标点为所述目标框的质心在所述目标对象上对应的空间点。
在一种实施方式中，所述方法还包括：基于所述目标框计算获得所述质心的像素坐标；
所述基于所述第一目标距离和所述目标对象的空间尺寸信息、位置信息以及方向信息，计算获得所述无人机的位置信息，包括：
获得所述目标对象及其相关信息在目标图像中对应的像素尺寸与所述目标对象及其相关信息的空间尺寸信息之间的目标对应关系；
基于所述质心的像素坐标、所述相机的视场中心点对应的像素坐标、所述目标对象的空间尺寸信息以及所述目标对应关系，计算获得所述目标点与所述相机到所述目标对象所处平面的垂线的交点之间的第二目标距离；
基于所述第一目标距离、所述第二目标距离及其之间的三角函数关系，计算获得所述相机与所述目标对象所处平面之间的垂直距离，该垂直距离作为第三目标距离；
基于所述第二目标距离和所述目标对应关系，获得所述目标对象相对于所述相机的方位角；
基于所述第一目标距离、所述第三目标距离、所述方位角以及所述目标对象的位置信息和方向信息，计算获得所述无人机位置信息。
在一种实施方式中，所述基于所述第二目标距离和所述目标对应关系，获得所述目标对象相对于所述相机的方位角，包括：
在所述目标对象所处平面上，以所述目标点与所述相机到所述目标对象所处平面的垂线的交点为原点建立坐标系，基于所述目标对象在该坐标系的X轴方向相对于所述无人机的偏移量、所述目标对象在该坐标系的Y向方向相对于所述无人机的偏移量、所述第二目标距离以及所述目标对应关系，计算获得所述目标对象在其所处平面上相对于所述相机的方位角，其中，所述X轴方向为所述目标对象的长度方向，所述Y轴方向为所述目标对象的宽度方向。
在一种实施方式中，所述方法还包括：通过如下方式训练获得所述深度预测模型：
采集不同场景下无人机拍摄的历史图像；
对所述历史图像进行数据扩充，获得训练样本图像；
获得所述训练样本图像中各像素点对应的实物与所述无人机的相机之间的距离数据，并将所述距离数据作为所述训练样本图像中各像素点的深度值、对所述训练样本图像进行深度信息标注；
采用标注后的训练样本图像进行模型训练，获得可基于输入图像预测获得所述输入图像中各像素点所对应的深度值的深度预测模型。
在一种实施方式中，所述目标对象包括第一目标对象和第二目标对象，所述第一目标对象的尺寸小于所述第二目标对象的尺寸，且所述第一目标对象分布于所述第二目标对象中；
所述通过目标检测模型对所述目标图像进行检测，以确定所述目标区域中是否包含目标对象，包括：响应于所述第二目标对象的尺寸超过所述无人机的相机的视觉框尺寸，通过目标检测模型对所述目标图像进行检测，以确定所述目标区域中是否包含所述第一目标对象；
所述响应于所述目标区域中包含所述目标对象，获得所述无人机与所述目标对象之间的目标距离，包括：响应于所述目标区域中包含所述第一目标对象，获得所述无人机与所述第一目标对象之间的第一目标距离；
所述基于所述第一目标距离和所述目标对象的尺寸信息、位置信息以及方向信息，计算获得所述无人机的位置信息，包括：基于所述第一目标距离和所述第一目标对象的尺寸信息、位置信息以及方向信息，计算获得所述无人机的位置信息。
根据本发明的另一方面，提供一种无人机定位装置，所述装置设置于无人机上，包括：
目标对象检测单元，用于获取无人机针对目标区域所摄取的目标图像，并通过目标检测模型对所述目标图像进行检测，以确定所述目标区域中是否包含目标对象，其中，针对目标对象预先设定有空间尺寸信息、位置信息以及方向信息；
第一目标距离获得单元，用于响应于所述目标区域中包含所述目标对象，获得所述无人机与所述目标对象之间的第一目标距离；
无人机位置计算单元，用于基于所述第一目标距离和所述目标对象的空间尺寸信息、位置信息以及方向信息，计算获得所述无人机的位置信息。
根据本发明的另一方面，提供一种电子设备，包括处理器和存储器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现上述方法。
根据本发明的另一方面，提供一种计算机可读存储介质，其上存储有一条或多条计算机指令，该指令被处理器执行以实现上述方法。
与现有技术相比，本发明具有以下优点：
本发明提供的无人机定位方法，获取无人机针对目标区域所摄取的目标图像，并通过目标检测模型对目标图像进行检测，以确定目标区域中是否包含目标对象，其中，针对目标对象预先设定有空间尺寸信息、位置信息以及方向信息；响应于目标区域中包含目标对象，获得无人机与目标对象之间的第一目标距离；基于第一目标距离和目标对象的空间尺寸信息、位置信息以及方向信息，计算获得无人机的位置信息。本发明中，无人机基于预设的目标对象、利用视觉定位技术对自身进行定位，该定位无需与GPS等卫星定位系统进行信号交互，避免无人机定位过程受不可控因素的干扰，可有效降低无人机定位过程的复杂度、提升无人机定位过程的稳定性及可靠性。
附图说明
图1是本申请一实施例提供的无人机定位方法的流程图；
图2是本申请实施例提供的场景示意图；
图3是本申请实施例提供的方位角示意图；
图4是本申请一实施例提供的无人机定位装置的单元框图；
图5是本申请一实施例提供的电子设备的逻辑结构示意图；
图6是本申请实施例提供的目标对象的示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。
针对无人机定位场景，为了降低无人机定位过程的复杂度、避免无人机定位过程受其它因素的干扰，本申请提供了一种无人机定位方法、与该方法相对应的无人机定位装置、电子设备以及计算机可读存储介质。以下提供实施例对上述方法、装置、电子设备以及计算机可读存储介质进行详细说明。
本申请第一实施例提供一种无人机定位方法，该方法的应用主体可以为用于进行无人机定位的计算设备应用，该计算设备应用可运行于无人机所携带的计算设备上。图1为本申请第一实施例提供的无人机定位方法的流程图，以下结合图1对本实施例提供的方法进行详细描述。以下描述所涉及的实施例是用来解释说明方法原理，不是实际使用的限定。
如图1所示，本实施例提供的无人机定位方法包括如下步骤：
S101，获取无人机针对目标区域所摄取的目标图像，并通过目标检测模型对该目标图像进行检测，以确定该目标区域中是否包含目标对象。
本步骤用于获取无人机针对目标区域所摄取的目标图像，该目标对象为预先放置的用于进行无人机定位的标识物，在本实施例中，针对目标对象预先设定有空间尺寸信息、位置信息以及方向信息，例如，预先将规则形状的标识物(例如预定形状的靶标)放置于目标海域中，该标识物的中心点和/或其它特征点的空间坐标(或经纬度信息)已知，该标识物的长度、宽度等尺寸已知，且该标识物的朝向固定(例如长度方向为正南正北方向，宽度方向为正东正西方向)，无人机在该目标海域上空飞行的过程中，对目标海域进行图像摄取，并同步使用目标检测模型对所摄取的图像进行目标检测，以检测出该目标海域预先放置的标识物，用于后续定位。
目标检测模型可以为YOLO(You Only Look Once)系列的目标检测模型，其网络模型简单，具有较快的检测速度和较高的检测准确度，具有较强的实时性，便于部署在无人机上。本实施例中，优先使用YOLOv5网络对目标图像进行检测，相较于其它版本的YOLO网络，YOLOv5网络增加了Focus结构，例如，输入图像尺寸为4×4×3,经过切片操作和通道拼接操作后变为2×2×12，最后经过卷积操作输出，可将高分辨率的图像信息由空间维度转变到通道维度上，既最大程度保留了输入信息，又减小了输入尺寸，有利于提高网络训练速度和检测推理速度。
S102，响应于目标区域中包含目标对象，获得无人机与目标对象之间的第一目标距离。
在上述步骤通过目标检测模型对该目标图像进行检测之后，在本步骤中，如果检测结果表明目标区域中包含上述目标对象，则获得无人机与目标对象之间的第一目标距离l。由于现实场景中无人机的损耗率较高，为了实现无人机的轻量化、低成本运行，避免在无人机上使用红外测距、雷达测距等电子设备所带来的高成本负载，在本实施例中，采用视觉测距网络获得无人机与目标对象之间的第一目标距离，具体的，可将目标图像输入深度预测模型，获得该深度预测模型输出的无人机与目标对象之间的第一目标距离，例如，获得目标检测模型输出的包含目标对象所对应的目标框(在YOLOv5等目标检测模型中，该目标框用于对所检测到的目标对象进行圈定，以表征目标对象在目标图像中的位置)的目标图像，然后将包含上述目标对象所对应的目标框的目标图像输入深度预测模型，获得深度预测模型输出的表征无人机的相机与目标对象的目标点之间的第一目标距离l的深度值，其中，目标点为目标框的质心(即目标框的中心点)在现实场景的目标对象上所对应的空间点，即，上述第一目标距离l实质为无人机的相机与该目标点之间距离，以下以深度相机为例对深度值进行说明：对于现实场景中的点，深度相机扫描得到的每一帧数据不仅包括了场景中的各点的彩色RGB图像，还包括各点到深度相机所处垂直平面的距离值，该距离值被称为深度值(depth)，图像中各点的深度值共同组成了深度图像，该深度图像可看作是一副灰度图像，其中图像中每个像素点的灰度值代表了该点的深度值，即该点在现实中的位置到相机所在垂直平面的真实距离。
在本实施例中，选用SfM-Net(对视频数据进行运动估计的几何感知网络，能够估计场景、目标深度、相机位姿、3D目标旋转和平移等数据)作为深度预测模型，并可通过如下方式训练获得该深度预测模型：
首先，采集不同场景下无人机拍摄的历史图像，例如，采集不同场景下无人机的航拍图像，例如无人机在不同距离、不同天气、不同时段所拍摄的图像；
其次，对上述历史图像进行数据扩充，获得训练样本图像，例如，使用旋转、缩放、平移以及色彩抖动等形态学变换的方法对上述航拍图像进行扩充，以获得充足数量的训练样本图像；
然后，获得上述训练样本图像中各像素点对应的实物与无人机的相机(相机所处垂直平面)之间的距离数据(例如，可通过红外激光测距或雷达测距方式采集获得该距离数据)，并将该距离数据作为上述训练样本图像中各像素点的深度值、对训练样本图像进行深度信息标注；
最后，采用标注后的训练样本图像对构建的SfM-Net进行模型训练，获得可基于输入图像预测获得所述输入图像中各像素点所对应的深度值的深度预测模型。
S103，基于第一目标距离和目标对象的空间尺寸信息、位置信息以及方向信息，计算获得无人机的位置信息。
在上述步骤获得无人机与目标对象之间的第一目标距离之后，本步骤用于基于该第一目标距离以及针对目标对象预先设定有空间尺寸信息、位置信息和方向信息，计算获得无人机的位置信息，具体方式如下：
在基于目标对象所对应的目标框计算获得目标框的质心的像素坐标(质心为目标框四个角点连线的中心点，目标框四个角点的像素坐标已知，即可计算获得该质心的像素坐标(xi,yj))之后，获得目标对象及其相关信息在目标图像中对应的像素尺寸与该目标对象及其相关信息的空间尺寸信息之间的目标对应关系，例如，目标对象为矩形标识物，该标识物的长度ws、宽度hs等尺寸已知，ws和hs成像之后占目标图像中的像素个数分别为pw和ph，pw和ph分别为标识物的长度ws和宽度hs在目标图像中对应的像素尺寸，该标识物的目标点(即目标框的质心在标识物上对应的空间点)与相机到目标对象所处平面的垂线的交点之间的第二目标距离为ds，该第二目标距离对应于目标图像上的成像距离(即目标框的质心(xi,yj)与相机的视场中心点的像素坐标(xO,yO)之间的像素距离)为dp，基于相似三角形定理，则有如下目标对应关系：
Figure BDA0004060765890000071
然后，基于质心的像素坐标、相机的视场中心点的像素坐标、目标对象的空间尺寸信息以及上述目标对应关系，计算获得目标点(即目标框的质心在目标对象上对应的空间点)与相机到目标对象所处平面的垂线的交点之间的第二目标距离；即，在得到上述质心的像素坐标(xi,yj)、质心的像素坐标(xi,yj)之后，标识物的长度ws、宽度hs等尺寸已知，pw和ph分别为标识物的长度ws和宽度hs在目标图像中对应的像素尺寸已知，根据上述目标对应关系，上述第二目标距离ds可通过下式计算获得：
Figure BDA0004060765890000072
然后，基于上述第一目标距离l、第二目标距离ds以及l与ds之间的三角函数关系，计算获得相机与目标对象所处平面之间的垂直距离h，该垂直距离h作为第三目标距离；如图2所示，其中O点为相机到目标对象所处平面的垂线的交点(即，相机在目标对象所处平面上的视场中心点)，对应的三角函数关系式为：
Figure BDA0004060765890000081
然后，基于上述第二目标距离ds和目标对应关系，获得目标对象相对于相机的方位角，在本实施例中，可在目标对象所处平面上，以上述目标点与相机到目标对象所处平面的垂线的交点O为原点建立坐标系，该坐标系中，X轴方向可以为目标对象的长度方向，Y轴方向可以为目标对象的宽度方向，如图3所示，基于目标对象在该坐标系的X轴方向相对于无人机的偏移量Δx、目标对象在该坐标系的Y向方向相对于无人机的偏移量Δy、第二目标距离ds以及上述目标对应关系，计算获得目标对象在其所处平面上相对于相机的方位角α，即，α为相机与目标点的连线投影到目标对象所处平面上后、与上述坐标系的X轴方向所形成的夹角，具体如下式所示：
Figure BDA0004060765890000082
其中，pΔx是目标图像(成像图像)中目标对象相对于无人机的相机的水平方向的像素偏差值，pΔy是成像图像中目标对象相对于无人机的相机的垂直方向的像素偏差值，由此可得出α的计算公式为：
Figure BDA0004060765890000083
基于上述第一目标距离、第三目标距离、方位角以及目标对象的位置信息和方向信息之后，计算获得所述无人机位置信息，即，经上述过程计算出无人机与目标对象之间的第一目标距离l、相机与目标对象所处平面之间的垂直距离h(第三目标距离)以及目标对象在其所处平面上相对于相机的方位角α之后，结合已知的目标对象的位置信息(例如，目标对象的中心点(目标点)的经纬度信息和高度信息)和目标对象的方向信息(例如，预先设定目标对象的长度方向对应为正南正北方向、宽度方向对应为正东正西方向，或者，如图6所示，目标对象(h型)正上方朝向地磁北极，目标对象正右方为0度方位角，即α＝0)，即可计算获得无人机的经纬度信息和飞行高度信息，其可表征无人机的位置信息。
需要说明的是，为了适应无人机的不同飞行高度，在上述步骤S101中，目标对象可包括第一目标对象和第二目标对象，第一目标对象的尺寸小于第二目标对象的尺寸，且第一目标对象分布于第二目标对象中，在无人机飞行高度较高时，选择对第二目标对象进行目标对象检测，在无人机飞行高度较低时，选择对第一目标对象进行目标对象检测；例如，在目标海域的同一区域设置大靶标和小靶标，小靶标的形状及方向信息可以与大靶标一致，且设置于大靶标中心位置处；对应的，上述通过目标检测模型对目标图像进行检测，以确定目标区域中是否包含目标对象，具体是指：响应于第二目标对象的尺寸超过无人机的相机的视觉框尺寸(即，由于无人机飞行高度过低，第二目标对象的尺寸超出了无人机相机的视野范围)，则通过目标检测模型对目标图像进行检测，以确定目标区域中是否包含第一目标对象；对应的，上述步骤S102中响应于目标区域中包含所述目标对象，获得无人机与所述目标对象之间的目标距离，对应是指：响应于目标区域中包含第一目标对象，获得无人机与第一目标对象之间的第一目标距离；上述步骤S103中基于第一目标距离和目标对象的尺寸信息、位置信息以及方向信息，计算获得无人机的位置信息，具体是指：基于上述第一目标距离和第一目标对象的尺寸信息、位置信息以及方向信息，计算获得无人机的位置信息。通过该种方式，可针对无人机的不同飞行高度，以自适应方式选择目标对象，提升无人机定位过程的适用性。
本申请实施例提供的无人机定位方法，首先获取无人机针对目标区域所摄取的目标图像，并通过目标检测模型对目标图像进行检测，以确定目标区域中是否包含目标对象，其中，针对目标对象预先设定有空间尺寸信息、位置信息以及方向信息，然后，当检测结果表明目标区域中包含目标对象时，获得无人机与目标对象之间的第一目标距离，最后，基于第一目标距离和目标对象的空间尺寸信息、位置信息以及方向信息，计算获得无人机的位置信息。本实施例中，无人机基于预设的目标对象、利用视觉定位技术对自身进行定位，该定位过程无需与GPS等卫星定位系统进行信号交互，避免无人机定位过程受不可控因素的干扰，可有效降低无人机定位过程的复杂度、提升无人机定位过程的稳定性、可靠性以及定位效率。
上述第一实施例提供了一种无人机定位方法，与之相对应的，本申请另一实施例还提供了一种无人机定位装置，该无人机定位装置设置于无人机上由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关的技术特征的细节部分请参见上述提供的方法实施例的对应说明即可，下述对装置实施例的描述仅仅是示意性的。
请参考图4理解该实施例，图4为本实施例提供的无人机定位装置的单元框图，如图4所示，本实施例提供的无人机定位装置包括：
目标对象检测单元401，用于获取无人机针对目标区域所摄取的目标图像，并通过目标检测模型对所述目标图像进行检测，以确定所述目标区域中是否包含目标对象，其中，针对目标对象预先设定有空间尺寸信息、位置信息以及方向信息；
第一目标距离获得单元402，用于响应于所述目标区域中包含所述目标对象，获得所述无人机与所述目标对象之间的第一目标距离；
无人机位置计算单元403，用于基于所述第一目标距离和所述目标对象的空间尺寸信息、位置信息以及方向信息，计算获得所述无人机的位置信息。
在一种实施方式中，所述获得所述无人机与所述目标对象之间的第一目标距离，包括：
将所述目标图像输入深度预测模型，获得所述深度预测模型输出的所述无人机与所述目标对象之间的第一目标距离。
在一种实施方式中，所述将所述目标图像输入深度预测模型，获得所述深度预测模型输出的所述无人机与所述目标对象之间的第一目标距离，包括：
获得目标检测模型输出的包含所述目标对象所对应的目标框的目标图像；
将所述包含所述目标对象所对应的目标框的目标图像输入深度预测模型，获得所述深度预测模型输出的表征所述无人机的相机与所述目标对象的目标点之间的第一目标距离的深度值，其中，所述目标点为所述目标框的质心在所述目标对象上对应的空间点。
在一种实施方式中，所述装置还包括：基于所述目标框计算获得所述质心的像素坐标；
所述基于所述第一目标距离和所述目标对象的空间尺寸信息、位置信息以及方向信息，计算获得所述无人机的位置信息，包括：
获得所述目标对象及其相关信息在目标图像中对应的像素尺寸与所述目标对象及其相关信息的空间尺寸信息之间的目标对应关系；
基于所述质心的像素坐标、所述相机的视场中心点对应的像素坐标、所述目标对象的空间尺寸信息以及所述目标对应关系，计算获得所述目标点与所述相机到所述目标对象所处平面的垂线的交点之间的第二目标距离；
基于所述第一目标距离、所述第二目标距离及其之间的三角函数关系，计算获得所述相机与所述目标对象所处平面之间的垂直距离，该垂直距离作为第三目标距离；
基于所述第二目标距离和所述目标对应关系，获得所述目标对象相对于所述相机的方位角；
基于所述第一目标距离、所述第三目标距离、所述方位角以及所述目标对象的位置信息和方向信息，计算获得所述无人机位置信息。
在一种实施方式中，所述基于所述第二目标距离和所述目标对应关系，获得所述目标对象相对于所述相机的方位角，包括：
在所述目标对象所处平面上，以所述目标点与所述相机到所述目标对象所处平面的垂线的交点为原点建立坐标系，基于所述目标对象在该坐标系的X轴方向相对于所述无人机的偏移量、所述目标对象在该坐标系的Y向方向相对于所述无人机的偏移量、所述第二目标距离以及所述目标对应关系，计算获得所述目标对象在其所处平面上相对于所述相机的方位角，其中，所述X轴方向为所述目标对象的长度方向，所述Y轴方向为所述目标对象的宽度方向。
在一种实施方式中，所述装置还包括：通过如下方式训练获得所述深度预测模型：
采集不同场景下无人机拍摄的历史图像；
对所述历史图像进行数据扩充，获得训练样本图像；
获得所述训练样本图像中各像素点对应的实物与所述无人机的相机之间的距离数据，并将所述距离数据作为所述训练样本图像中各像素点的深度值、对所述训练样本图像进行深度信息标注；
采用标注后的训练样本图像进行模型训练，获得可基于输入图像预测获得所述输入图像中各像素点所对应的深度值的深度预测模型。
在一种实施方式中，所述目标对象包括第一目标对象和第二目标对象，所述第一目标对象的尺寸小于所述第二目标对象的尺寸，且所述第一目标对象分布于所述第二目标对象中；
所述通过目标检测模型对所述目标图像进行检测，以确定所述目标区域中是否包含目标对象，包括：响应于所述第二目标对象的尺寸超过所述无人机的相机的视觉框尺寸，通过目标检测模型对所述目标图像进行检测，以确定所述目标区域中是否包含所述第一目标对象；
所述响应于所述目标区域中包含所述目标对象，获得所述无人机与所述目标对象之间的目标距离，包括：响应于所述目标区域中包含所述第一目标对象，获得所述无人机与所述第一目标对象之间的第一目标距离；
所述基于所述第一目标距离和所述目标对象的尺寸信息、位置信息以及方向信息，计算获得所述无人机的位置信息，包括：基于所述第一目标距离和所述第一目标对象的尺寸信息、位置信息以及方向信息，计算获得所述无人机的位置信息。
本申请实施例提供的无人机定位装置，可基于预设的目标对象、利用视觉定位技术对自身进行定位，该定位过程无需与GPS等卫星定位系统进行信号交互，避免无人机定位过程受不可控因素的干扰，可有效降低无人机定位过程的复杂度，提升无人机定位过程的稳定性、可靠性以及定位效率。
在上述的实施例中，提供了一种无人机定位装置方法以及一种无人机定位装置，此外，本申请另一实施例还提供一种电子设备，由于电子设备实施例基本相似于方法实施例，所以描述得比较简单，相关的技术特征的细节部分请参见上述提供的方法实施例的对应说明即可，下述对电子设备实施例的描述仅仅是示意性的。该电子设备实施例如下：
请参考图5理解本实施例，图5为本实施例提供的电子设备的示意图。
如图5所示，本实施例提供的电子设备包括：处理器501和存储器502；
该存储器502用于存储数据处理的计算机指令，该计算机指令在被处理器501读取执行时，执行如下操作：
获取无人机针对目标区域所摄取的目标图像，并通过目标检测模型对所述目标图像进行检测，以确定所述目标区域中是否包含目标对象，其中，针对目标对象预先设定有空间尺寸信息、位置信息以及方向信息；
响应于所述目标区域中包含所述目标对象，获得所述无人机与所述目标对象之间的第一目标距离；
基于所述第一目标距离和所述目标对象的空间尺寸信息、位置信息以及方向信息，计算获得所述无人机的位置信息。
在一种实施方式中，所述获得所述无人机与所述目标对象之间的第一目标距离，包括：
将所述目标图像输入深度预测模型，获得所述深度预测模型输出的所述无人机与所述目标对象之间的第一目标距离。
在一种实施方式中，所述将所述目标图像输入深度预测模型，获得所述深度预测模型输出的所述无人机与所述目标对象之间的第一目标距离，包括：
获得所述目标检测模型输出的包含所述目标对象所对应的目标框的目标图像；
将所述包含所述目标对象所对应的目标框的目标图像输入深度预测模型，获得所述深度预测模型输出的表征所述无人机的相机与所述目标对象的目标点之间的第一目标距离的深度值，其中，所述目标点为所述目标框的质心在所述目标对象上对应的空间点。
在一种实施方式中，还包括：基于目标框计算获得所述质心的像素坐标；
所述基于所述第一目标距离和所述目标对象的空间尺寸信息、位置信息以及方向信息，计算获得所述无人机的位置信息，包括：
获得所述目标对象及其相关信息在目标图像中对应的像素尺寸与所述目标对象及其相关信息的空间尺寸信息之间的目标对应关系；
基于所述质心的像素坐标、所述相机的视场中心点对应的像素坐标、所述目标对象的空间尺寸信息以及所述目标对应关系，计算获得所述目标点与所述相机到所述目标对象所处平面的垂线的交点之间的第二目标距离；
基于所述第一目标距离、所述第二目标距离及其之间的三角函数关系，计算获得所述相机与所述目标对象所处平面之间的垂直距离，该垂直距离作为第三目标距离；
基于所述第二目标距离和所述目标对应关系，获得所述目标对象相对于所述相机的方位角；
基于所述第一目标距离、所述第三目标距离、所述方位角以及所述目标对象的位置信息和方向信息，计算获得所述无人机位置信息。
在一种实施方式中，所述基于所述第二目标距离和所述目标对应关系，获得所述目标对象相对于所述相机的方位角，包括：
在所述目标对象所处平面上，以所述目标点与所述相机到所述目标对象所处平面的垂线的交点为原点建立坐标系，基于所述目标对象在该坐标系的X轴方向相对于所述无人机的偏移量、所述目标对象在该坐标系的Y向方向相对于所述无人机的偏移量、所述第二目标距离以及所述目标对应关系，计算获得所述目标对象在其所处平面上相对于所述相机的方位角，其中，所述X轴方向为所述目标对象的长度方向，所述Y轴方向为所述目标对象的宽度方向。
在一种实施方式中，还包括：通过如下方式训练获得所述深度预测模型：
采集不同场景下无人机拍摄的历史图像；
对所述历史图像进行数据扩充，获得训练样本图像；
获得所述训练样本图像中各像素点对应的实物与所述无人机的相机之间的距离数据，并将所述距离数据作为所述训练样本图像中各像素点的深度值、对所述训练样本图像进行深度信息标注；
采用标注后的训练样本图像进行模型训练，获得可基于输入图像预测获得所述输入图像中各像素点所对应的深度值的深度预测模型。
在一种实施方式中，所述目标对象包括第一目标对象和第二目标对象，所述第一目标对象的尺寸小于所述第二目标对象的尺寸，且所述第一目标对象分布于所述第二目标对象中；
所述通过目标检测模型对所述目标图像进行检测，以确定所述目标区域中是否包含目标对象，包括：响应于所述第二目标对象的尺寸超过所述无人机的相机的视觉框尺寸，通过目标检测模型对所述目标图像进行检测，以确定所述目标区域中是否包含所述第一目标对象；
所述响应于所述目标区域中包含所述目标对象，获得所述无人机与所述目标对象之间的目标距离，包括：响应于所述目标区域中包含所述第一目标对象，获得所述无人机与所述第一目标对象之间的第一目标距离；
所述基于第一目标距离和目标对象的尺寸信息、位置信息以及方向信息，计算获得所述无人机的位置信息，包括：基于所述第一目标距离和所述第一目标对象的尺寸信息、位置信息以及方向信息，计算获得所述无人机的位置信息。
通过使用本实施例提供的电子设备，可基于预设的目标对象、利用视觉定位技术对自身进行定位，该定位过程无需与GPS等卫星定位系统进行信号交互，避免无人机定位过程受不可控因素的干扰，可有效降低无人机定位过程的复杂度、提升无人机定位过程的稳定性、可靠性以及定位效率。
在上述的实施例中，提供了一种无人机定位装置方法、一种无人机定位装置装置以及一种电子设备，此外，本申请另一实施例还提供了一种用于实现上述无人机定位方法的计算机可读存储介质。本申请提供的计算机可读存储介质实施例描述得比较简单，相关部分请参见上述方法实施例的对应说明即可，下述描述的实施例仅仅是示意性的。
本实施例提供的计算机可读存储介质上存储有计算机指令，该指令被处理器执行时实现以下步骤：
获取无人机针对目标区域所摄取的目标图像，并通过目标检测模型对所述目标图像进行检测，以确定所述目标区域中是否包含目标对象，其中，针对目标对象预先设定有空间尺寸信息、位置信息以及方向信息；
响应于所述目标区域中包含所述目标对象，获得所述无人机与所述目标对象之间的第一目标距离；
基于所述第一目标距离和所述目标对象的空间尺寸信息、位置信息以及方向信息，计算获得所述无人机的位置信息。
在一种实施方式中，所述获得所述无人机与所述目标对象之间的第一目标距离，包括：
将所述目标图像输入深度预测模型，获得所述深度预测模型输出的所述无人机与所述目标对象之间的第一目标距离。
在一种实施方式中，所述将所述目标图像输入深度预测模型，获得所述深度预测模型输出的所述无人机与所述目标对象之间的第一目标距离，包括：
获得所述目标检测模型输出的包含所述目标对象所对应的目标框的目标图像；
将所述包含所述目标对象所对应的目标框的目标图像输入深度预测模型，获得所述深度预测模型输出的表征所述无人机的相机与所述目标对象的目标点之间的第一目标距离的深度值，其中，所述目标点为所述目标框的质心在所述目标对象上对应的空间点。
在一种实施方式中，还包括：基于所述目标框计算获得所述质心的像素坐标；
所述基于所述第一目标距离和所述目标对象的空间尺寸信息、位置信息以及方向信息，计算获得所述无人机的位置信息，包括：
获得所述目标对象及其相关信息在目标图像中对应的像素尺寸与所述目标对象及其相关信息的空间尺寸信息之间的目标对应关系；
基于所述质心的像素坐标、所述相机的视场中心点对应的像素坐标、所述目标对象的空间尺寸信息以及所述目标对应关系，计算获得所述目标点与所述相机到所述目标对象所处平面的垂线的交点之间的第二目标距离；
基于所述第一目标距离、所述第二目标距离及其之间的三角函数关系，计算获得所述相机与所述目标对象所处平面之间的垂直距离，该垂直距离作为第三目标距离；
基于所述第二目标距离和所述目标对应关系，获得所述目标对象相对于所述相机的方位角；
基于所述第一目标距离、所述第三目标距离、所述方位角以及所述目标对象的位置信息和方向信息，计算获得所述无人机位置信息。
在一种实施方式中，所述基于所述第二目标距离和所述目标对应关系，获得所述目标对象相对于所述相机的方位角，包括：
在所述目标对象所处平面上，以所述目标点与所述相机到所述目标对象所处平面的垂线的交点为原点建立坐标系，基于所述目标对象在该坐标系的X轴方向相对于所述无人机的偏移量、所述目标对象在该坐标系的Y向方向相对于所述无人机的偏移量、所述第二目标距离以及所述目标对应关系，计算获得所述目标对象在其所处平面上相对于所述相机的方位角，其中，所述X轴方向为所述目标对象的长度方向，所述Y轴方向为所述目标对象的宽度方向。
在一种实施方式中，还包括：通过如下方式训练获得所述深度预测模型：
采集不同场景下无人机拍摄的历史图像；
对所述历史图像进行数据扩充，获得训练样本图像；
获得所述训练样本图像中各像素点对应的实物与所述无人机的相机之间的距离数据，并将所述距离数据作为所述训练样本图像中各像素点的深度值、对所述训练样本图像进行深度信息标注；
采用标注后的训练样本图像进行模型训练，获得可基于输入图像预测获得所述输入图像中各像素点所对应的深度值的深度预测模型。
在一种实施方式中，所述目标对象包括第一目标对象和第二目标对象，所述第一目标对象的尺寸小于所述第二目标对象的尺寸，且所述第一目标对象分布于所述第二目标对象中；
所述通过目标检测模型对所述目标图像进行检测，以确定所述目标区域中是否包含目标对象，包括：响应于所述第二目标对象的尺寸超过所述无人机的相机的视觉框尺寸，通过目标检测模型对所述目标图像进行检测，以确定所述目标区域中是否包含所述第一目标对象；
所述响应于所述目标区域中包含所述目标对象，获得所述无人机与所述目标对象之间的目标距离，包括：响应于所述目标区域中包含所述第一目标对象，获得所述无人机与所述第一目标对象之间的第一目标距离；
所述基于所述第一目标距离和所述目标对象的尺寸信息、位置信息以及方向信息，计算获得所述无人机的位置信息，包括：基于所述第一目标距离和所述第一目标对象的尺寸信息、位置信息以及方向信息，计算获得所述无人机的位置信息。
通过执行本实施例提供的计算机可读存储介质上所存储的计算机指令，可基于预设的目标对象、利用视觉定位技术对自身进行定位，该定位过程无需与GPS等卫星定位系统进行信号交互，避免无人机定位过程受不可控因素的干扰，可有效降低无人机定位过程的复杂度、提升无人机定位过程的稳定性、可靠性以及定位效率。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
2、本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。

Claims (10)

1.一种无人机定位方法，其特征在于，所述方法应用于无人机，包括：
获取无人机针对目标区域所摄取的目标图像，并通过目标检测模型对所述目标图像进行检测，以确定所述目标区域中是否包含目标对象，其中，针对所述目标对象预先设定有空间尺寸信息、位置信息以及方向信息；
响应于所述目标区域中包含所述目标对象，获得所述无人机与所述目标对象之间的第一目标距离；
基于所述第一目标距离和所述目标对象的空间尺寸信息、位置信息以及方向信息，计算获得所述无人机的位置信息。
2.根据权利要求1所述的方法，其特征在于，所述获得所述无人机与所述目标对象之间的第一目标距离，包括：
将所述目标图像输入深度预测模型，获得所述深度预测模型输出的所述无人机与所述目标对象之间的第一目标距离。
3.根据权利要求2所述的方法，其特征在于，所述将所述目标图像输入深度预测模型，获得所述深度预测模型输出的所述无人机与所述目标对象之间的第一目标距离，包括：
获得所述目标检测模型输出的包含所述目标对象所对应的目标框的目标图像；
将所述包含所述目标对象所对应的目标框的目标图像输入深度预测模型，获得所述深度预测模型输出的表征所述无人机的相机与所述目标对象的目标点之间的第一目标距离的深度值，其中，所述目标点为所述目标框的质心在所述目标对象上对应的空间点。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：基于所述目标框计算获得所述质心的像素坐标；
所述基于所述第一目标距离和所述目标对象的空间尺寸信息、位置信息以及方向信息，计算获得所述无人机的位置信息，包括：
获得所述目标对象及其相关信息在目标图像中对应的像素尺寸与所述目标对象及其相关信息的空间尺寸信息之间的目标对应关系；
基于所述质心的像素坐标、所述相机的视场中心点的像素坐标、所述目标对象的空间尺寸信息以及所述目标对应关系，计算获得所述目标点与所述相机到所述目标对象所处平面的垂线的交点之间的第二目标距离；
基于所述第一目标距离、所述第二目标距离及其之间的三角函数关系，计算获得所述相机与所述目标对象所处平面之间的垂直距离，该垂直距离作为第三目标距离；
基于所述第二目标距离和所述目标对应关系，获得所述目标对象相对于所述相机的方位角；
基于所述第一目标距离、所述第三目标距离、所述方位角以及所述目标对象的位置信息和方向信息，计算获得所述无人机位置信息。
5.根据权利要求4所述的方法，其特征在于，所述基于所述第二目标距离和所述目标对应关系，获得所述目标对象相对于所述相机的方位角，包括：
在所述目标对象所处平面上，以所述目标点与所述相机到所述目标对象所处平面的垂线的交点为原点建立坐标系，基于所述目标对象在该坐标系的X轴方向相对于所述无人机的偏移量、所述目标对象在该坐标系的Y向方向相对于所述无人机的偏移量、所述第二目标距离以及所述目标对应关系，计算获得所述目标对象在其所处平面上相对于所述相机的方位角，其中，所述X轴方向为所述目标对象的长度方向，所述Y轴方向为所述目标对象的宽度方向。
6.根据权利要求2所述的方法，其特征在于，所述方法还包括：通过如下方式训练获得所述深度预测模型：
采集不同场景下无人机拍摄的历史图像；
对所述历史图像进行数据扩充，获得训练样本图像；
获得所述训练样本图像中各像素点对应的实物与所述无人机的相机之间的距离数据，并将所述距离数据作为所述训练样本图像中各像素点的深度值、对所述训练样本图像进行深度信息标注；
采用标注后的训练样本图像进行模型训练，获得可基于输入图像预测获得所述输入图像中各像素点所对应的深度值的深度预测模型。
7.根据权利要求1所述的方法，其特征在于，所述目标对象包括第一目标对象和第二目标对象，所述第一目标对象的尺寸小于所述第二目标对象的尺寸，且所述第一目标对象分布于所述第二目标对象中；
所述通过目标检测模型对所述目标图像进行检测，以确定所述目标区域中是否包含目标对象，包括：响应于所述第二目标对象的尺寸超过所述无人机的相机的视觉框尺寸，通过目标检测模型对所述目标图像进行检测，以确定所述目标区域中是否包含所述第一目标对象；
所述响应于所述目标区域中包含所述目标对象，获得所述无人机与所述目标对象之间的目标距离，包括：响应于所述目标区域中包含所述第一目标对象，获得所述无人机与所述第一目标对象之间的第一目标距离；
所述基于所述第一目标距离和所述目标对象的尺寸信息、位置信息以及方向信息，计算获得所述无人机的位置信息，包括：基于所述第一目标距离和所述第一目标对象的尺寸信息、位置信息以及方向信息，计算获得所述无人机的位置信息。
8.一种无人机定位装置，其特征在于，所述装置设置于无人机，包括：
目标对象检测单元，用于获取无人机针对目标区域所摄取的目标图像，并通过目标检测模型对所述目标图像进行检测，以确定所述目标区域中是否包含目标对象，其中，针对所述目标对象预先设定有空间尺寸信息、位置信息以及方向信息；
第一目标距离获得单元，用于响应于所述目标区域中包含所述目标对象，获得所述无人机与所述目标对象之间的第一目标距离；
无人机位置计算单元，用于基于所述第一目标距离和所述目标对象的空间尺寸信息、位置信息以及方向信息，计算获得所述无人机的位置信息。
9.一种电子设备，其特征在于，包括处理器和存储器；其中，
所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有一条或多条计算机指令，其特征在于，该指令被处理器执行以实现如权利要求1-7中任一项所述的方法。
CN202310057688.6A 2023-01-16 2023-01-16 一种无人机定位方法、装置、电子设备以及存储介质 Active CN116051628B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310057688.6A CN116051628B (zh) 2023-01-16 2023-01-16 一种无人机定位方法、装置、电子设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310057688.6A CN116051628B (zh) 2023-01-16 2023-01-16 一种无人机定位方法、装置、电子设备以及存储介质

Publications (2)

Publication Number Publication Date
CN116051628A true CN116051628A (zh) 2023-05-02
CN116051628B CN116051628B (zh) 2023-10-27

Family

ID=86121673

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310057688.6A Active CN116051628B (zh) 2023-01-16 2023-01-16 一种无人机定位方法、装置、电子设备以及存储介质

Country Status (1)

Country Link
CN (1) CN116051628B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102967305A (zh) * 2012-10-26 2013-03-13 南京信息工程大学 基于大小回字标志物的多旋翼无人机位姿获取方法
CN104298248A (zh) * 2014-10-08 2015-01-21 南京航空航天大学 旋翼无人机精确视觉定位定向方法
CN106155081A (zh) * 2016-06-17 2016-11-23 北京理工大学 一种旋翼无人机大范围目标监测和精确定位方法
WO2018098784A1 (zh) * 2016-12-01 2018-06-07 深圳市大疆创新科技有限公司 无人机的控制方法、装置、设备和无人机的控制系统
CN109272551A (zh) * 2018-08-03 2019-01-25 北京航空航天大学 一种基于圆形标志点布局的视觉定位方法
CN109596118A (zh) * 2018-11-22 2019-04-09 亮风台（上海）信息科技有限公司 一种用于获取目标对象的空间位置信息的方法与设备
WO2019119328A1 (zh) * 2017-12-20 2019-06-27 深圳市大疆创新科技有限公司 一种基于视觉的定位方法及飞行器
CN110243357A (zh) * 2018-03-07 2019-09-17 杭州海康机器人技术有限公司 一种无人机定位方法、装置、无人机及存储介质
CN112596071A (zh) * 2020-11-02 2021-04-02 中国兵器工业计算机应用技术研究所 无人机自主定位方法、装置及无人机
CN113177976A (zh) * 2021-04-29 2021-07-27 深圳安智杰科技有限公司 一种深度估计方法、装置、电子设备及存储介质
CN113689485A (zh) * 2021-08-25 2021-11-23 北京三快在线科技有限公司 无人机深度信息的确定方法、装置、无人机及存储介质
CN114689030A (zh) * 2022-06-01 2022-07-01 中国兵器装备集团自动化研究所有限公司 一种基于机载视觉的无人机辅助定位方法及系统
CN115331130A (zh) * 2022-10-14 2022-11-11 南京瑞蓝世光电传感技术研究院有限公司 基于地理标志物辅助导航的无人机巡检方法和无人机

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102967305A (zh) * 2012-10-26 2013-03-13 南京信息工程大学 基于大小回字标志物的多旋翼无人机位姿获取方法
CN104298248A (zh) * 2014-10-08 2015-01-21 南京航空航天大学 旋翼无人机精确视觉定位定向方法
CN106155081A (zh) * 2016-06-17 2016-11-23 北京理工大学 一种旋翼无人机大范围目标监测和精确定位方法
WO2018098784A1 (zh) * 2016-12-01 2018-06-07 深圳市大疆创新科技有限公司 无人机的控制方法、装置、设备和无人机的控制系统
WO2019119328A1 (zh) * 2017-12-20 2019-06-27 深圳市大疆创新科技有限公司 一种基于视觉的定位方法及飞行器
CN110243357A (zh) * 2018-03-07 2019-09-17 杭州海康机器人技术有限公司 一种无人机定位方法、装置、无人机及存储介质
CN109272551A (zh) * 2018-08-03 2019-01-25 北京航空航天大学 一种基于圆形标志点布局的视觉定位方法
CN109596118A (zh) * 2018-11-22 2019-04-09 亮风台（上海）信息科技有限公司 一种用于获取目标对象的空间位置信息的方法与设备
CN112596071A (zh) * 2020-11-02 2021-04-02 中国兵器工业计算机应用技术研究所 无人机自主定位方法、装置及无人机
CN113177976A (zh) * 2021-04-29 2021-07-27 深圳安智杰科技有限公司 一种深度估计方法、装置、电子设备及存储介质
CN113689485A (zh) * 2021-08-25 2021-11-23 北京三快在线科技有限公司 无人机深度信息的确定方法、装置、无人机及存储介质
CN114689030A (zh) * 2022-06-01 2022-07-01 中国兵器装备集团自动化研究所有限公司 一种基于机载视觉的无人机辅助定位方法及系统
CN115331130A (zh) * 2022-10-14 2022-11-11 南京瑞蓝世光电传感技术研究院有限公司 基于地理标志物辅助导航的无人机巡检方法和无人机

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YING XU 等: "A Novel UAV Visual Positioning Algorithm Based on A-YOLOX", 《MDPI》, vol. 6, no. 11, pages 1 - 15 *
刘传鸽: "面向移动平台的无人机自主降落技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 01, pages 031 - 815 *
熊航 等: "无人机单目视觉AOA三维定位方法", 《计算机工程与应用》, vol. 56, no. 17, pages 210 - 216 *
陈聪: "无人机视觉定位定向关键技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 07, pages 031 - 633 *

Also Published As

Publication number Publication date
CN116051628B (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
US11393173B2 (en) Mobile augmented reality system
CN111325796B (zh) 用于确定视觉设备的位姿的方法和装置
CN110927708B (zh) 智能路侧单元的标定方法、装置及设备
CN109300143B (zh) 运动向量场的确定方法、装置、设备、存储介质和车辆
US20100045701A1 (en) Automatic mapping of augmented reality fiducials
US20120155744A1 (en) Image generation method
CN112348889B (zh) 视觉定位方法及相关装置、设备
US11321867B2 (en) Method and system for calculating spatial coordinates of region of interest, and non-transitory computer-readable recording medium
CN112465907A (zh) 一种室内视觉导航方法及系统
Morimoto et al. Detection of independently moving objects in passive video
CN110909620A (zh) 车辆检测方法、装置、电子设备及存储介质
CN116051628B (zh) 一种无人机定位方法、装置、电子设备以及存储介质
US10549853B2 (en) Apparatus, system, and method for determining an object's location in image video data
Shukla et al. Automatic geolocation of targets tracked by aerial imaging platforms using satellite imagery
CN111581322B (zh) 视频中兴趣区域在地图窗口内显示的方法和装置及设备
CN111489398B (zh) 一种成像设备标定方法以及装置
CN111950420A (zh) 一种避障方法、装置、设备和存储介质
Toriya et al. Adaptive Image Scaling for Corresponding Points Matching between Images with Differing Spatial Resolutions
CN113361552B (zh) 定位方法及装置
CN111667531B (zh) 定位方法及装置
US20240112363A1 (en) Position estimation system, position estimation method, and program
Novikov et al. Vehicle Geolocalization from Drone Imagery
US11282280B2 (en) Method and system for node vectorisation
CN117745818A (zh) 机场场面目标定位方法、装置、计算机设备及存储介质
CN118229755A (zh) 严重遮挡情况下利用街景影像估算城市建筑物高度的方法

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
GR01 Patent grant
GR01 Patent grant