CN116188586B - 一种基于光分布的定位系统与方法 - Google Patents

一种基于光分布的定位系统与方法 Download PDF

Info

Publication number
CN116188586B
CN116188586B CN202310449735.1A CN202310449735A CN116188586B CN 116188586 B CN116188586 B CN 116188586B CN 202310449735 A CN202310449735 A CN 202310449735A CN 116188586 B CN116188586 B CN 116188586B
Authority
CN
China
Prior art keywords
image
light distribution
neural network
positioning
locating
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.)
Active
Application number
CN202310449735.1A
Other languages
English (en)
Other versions
CN116188586A (zh
Inventor
李娜
苏芸
王亚清
程素君
徐彦
文卫平
邢奇
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.)
Xinxiang University
Original Assignee
Xinxiang University
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 Xinxiang University filed Critical Xinxiang University
Priority to CN202310449735.1A priority Critical patent/CN116188586B/zh
Publication of CN116188586A publication Critical patent/CN116188586A/zh
Application granted granted Critical
Publication of CN116188586B publication Critical patent/CN116188586B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/32—Normalisation of the pattern dimensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Navigation (AREA)
  • Image Processing (AREA)

Abstract

本发明提出一种基于光分布的定位系统与方法，利用从图像中分析光照条件和光照分布的特征，实现对图像拍摄地点的定位。脱离对外部地图数据库和地理信息系统的依赖，作为独立运行的定位系统或既有定位系统的补充，可以实现精确定位或提高定位精度。

Description

一种基于光分布的定位系统与方法
技术领域
本发明内容涉及光电领域，特别地，涉及一种基于光分布的定位系统与方法。
背景技术
日常生活中，定位系统发挥着越来越重要的作用。定位系统可以为人们出行提供定位与导航，提高人们的出行效率与方便程度；可以为户外运动爱好者在野外活动提供支持，提高人们在陌生环境下的生存应变能力。
目前，定位系统以卫星全球定位系统最为普遍，可是要搭建一套卫星定位系统造价十分昂贵，制造周期长，维护成本很高，并且一旦卫星出现故障或遭遇袭击，将会发生大规模的定位瘫痪。因此，设计一套可以辅助卫星定位系统的定位装置是十分必要的。
基于光电分析测量和机器视觉的定位系统完全依据光学摄像机拍摄的视频和图像实施定位，不需要依赖卫星网运行；其速度快，定位精度高，使用方便，并且制造周期短，成本低廉；因此，可以作为卫星导航系统的有利补充和替代方法。
根据图像内容获得地理位置是一项挑战性较高的任务，通常需要使用计算机视觉和机器学习技术。比较典型的有：
1、基于地标识别的技术：在图像中检测和识别地标，如著名的建筑物、山脉、湖泊等。一旦识别了这些地标，就可以将它们与地理位置相关联，从而确定图像所拍摄的位置。这类方法需要预先建立地标数据库，并且在野外等缺少地标的环境下会失去作用。
2、基于地图匹配的技术：将图像与地图进行比较，以确定图像所在的位置。这可以通过将图像与现有地图进行匹配来实现，例如使用OpenStreetMap或Google Maps等在线地图服务，或者由SAR、遥感卫星生成的地图。这类技术需要相应的地图数据库作为支撑。
发明内容
为了克服现有技术中的问题，本发明提出一种基于光分布的定位系统与方法，利用从图像中分析光照条件和光照分布的特征，实现对图像拍摄地点的定位。脱离对外部地图数据库和地理信息系统的依赖，作为独立运行的定位系统或既有定位系统的补充，可以实现精确定位或提高定位精度。光照条件和光照分布是自然界中最为丰富且一致的信息来源，是影响图像识别和地理位置识别的重要因素之一。实现图像的光照模型，建立光照分布与某一特征不变量之间的映射关系，从而进一步建立太阳位置与图像之间的关系，实现拍摄图像的定位。
一种基于光分布的定位方法：采集包含天际线的可见光图像，并记录采集地点地理位置坐标、采集时刻的气候标识；对可见光图像进行处理，得到归一化图像
Figure SMS_1
；并将归一化图像/>
Figure SMS_2
存入图像光照数据库；
利用天际线提取出每幅图像中的天空部分记为
Figure SMS_3
，取其最亮像素值的邻域均值作为辐射源函数的基准值；
Figure SMS_4
Figure SMS_5
表示图像中像素坐标，/>
Figure SMS_6
表示/>
Figure SMS_7
附近的邻域，计算辐射源函数的估计值：/>
Figure SMS_8
建立神经网络模型，以归一化图像、气候标识，及辐射源函数的估计值作为输入；
神经网络模型包括：
建立宏观亮度分布全连接层：
Figure SMS_9
其中，
Figure SMS_10
表示线性偏移参数，/>
Figure SMS_11
是线性系数函数，/>
Figure SMS_12
为对归一化图像进行金字塔卷积后的输出；/>
Figure SMS_13
为激活函数；
建立局部亮度分布全连接层：
Figure SMS_14
Figure SMS_15
表示线性偏移参数，/>
Figure SMS_16
是线性系数函数，/>
Figure SMS_17
神经网络提取的归一化图像的局部亮度分布特征，/>
Figure SMS_18
为激活函数；
输出天空亮度分布图为：
Figure SMS_19
其中，
Figure SMS_20
表示线性偏移参数，/>
Figure SMS_21
、/>
Figure SMS_22
、/>
Figure SMS_23
、/>
Figure SMS_24
是线性系数函数；
输出地理位置偏移量为：
Figure SMS_25
式中，
Figure SMS_28
表示线性偏移参数，/>
Figure SMS_31
、/>
Figure SMS_33
、/>
Figure SMS_27
、/>
Figure SMS_29
、/>
Figure SMS_32
、/>
Figure SMS_34
、/>
Figure SMS_26
、/>
Figure SMS_30
是线性系数；m为输入气候标识。
上述神经网络利用大量样本进行训练得到。
如样本在限定区域内，则该神经网络可以在该限定区域内实现通过图片进行辅助定位。
如样本在非限定区域内，则该神经网络可以在非限定区域内实现通过图片进行辅助定位。
一种使用上述方法进行定位的系统，包括：采集终端、通信装置和服务器。
采集终端用于采集图像，并将图像进行归一化处理得到归一化图像。
通信装置用于将归一化图像及相应的采集信息发送至服务器。
服务器具有光照数据库，用于存储归一化图像。
服务器部署有神经网络模型，用于将输入的归一化图像、气候标识，及辐射源函数作为输入并输出天空亮度分布图和地理坐标偏移量。
服务器还具有辐射源函数计算模块。
本发明的发明点及技术效果：
1、通过归一化图像，与吸收系数变量相关的气候标识，及辐射源函数的估计值作为神经网络的输入来实现光学定位，更加准确、方便，减少对于硬件和外部地图数据的依赖，且降低了图像标注的难度，增加了数据的可用性。
2、建立并优化了地面辐射强度分布的拟合神经网络模型，实现基于图像的地理位置坐标计算。实验结果表明，与现有方法如基于地标的图像定位方法相比，本发明所述方法定位精度更高。
具体实施方式
步骤1描述了一种基于光分布的定位系统的组成和数据获取方法。包括一种基于可见光摄像机的图像采集设备，及基于上述图像采集设备获取图像数据、并进行分析存储的设备和方法。
在已知地点布置上述图像采集设备，采集包含天际线的可见光图像，并记录采集地点地理位置坐标、采集时刻的气候标识。将上述记录存入图像光照数据库。
上述图像光照数据库不依赖于特定的图像中的地标，例如建筑物、山川、河流等。与基于地标的定位技术相比，一方面，降低了图像标注的难度，另一方面，增加了数据的可用性。
为了优化图像质量，在每一时刻采集图像时，可以短时间内连续拍摄多张图像，如
Figure SMS_35
张，以去除拍摄噪声干扰。
上述重建过程如下。设
Figure SMS_36
为某一时刻短时间内连续拍摄的图像数，每次拍摄的图像记为/>
Figure SMS_37
、/>
Figure SMS_38
、…、/>
Figure SMS_39
。计算：
Figure SMS_40
其中，N是每幅图像中像素数，x,y为图像像素坐标。
取
Figure SMS_41
即
Figure SMS_42
为使/>
Figure SMS_43
取最小值的图像下标，并计算获得归一化图像/>
Figure SMS_44
:
Figure SMS_45
其中x,y为图像像素坐标，
Figure SMS_46
为下标/>
Figure SMS_47
的图像，/>
Figure SMS_48
、/>
Figure SMS_49
根据式1计算。
归一化图像
Figure SMS_50
存入图像光照数据库。可见光摄像机采集到的源图像可以不存入图像光照数据库。
步骤2描述了一种基于光分布的定位系统的图像光照分析建模方法。根据图像光照数据库中某归一化图像，及其采集地点地理位置坐标、采集时刻的气候标识计算并获取一张输入图像的地理位置坐标。
根据天空亮度分布模型假设，地球上某一地点、某一时刻的天空亮度分布是规律的，地面观察者对其观测符合天空亮度分布模型。但由于天气、拍摄条件影响，观测值可能与天空亮度存在偏差。
首先，建立地面辐射强度的分布模型：
Figure SMS_51
其中，
Figure SMS_52
表示地面辐射强度，可以视为地面上观测到的天空亮度； s是传输路径长度，与地面上观测点的地理位置相关；/>
Figure SMS_53
是吸收系数，表示单位路径长度内吸收的能量占总辐射能量的比例，与观测时的天气气候有关；/>
Figure SMS_54
是辐射源函数，表示太阳光的辐射能量。
天际线是划分图像中地面部分和天空部分的直线，利用天际线提取出每幅图像中的天空部分记为
Figure SMS_55
，取其最亮像素值的邻域均值作为辐射源函数的基准值，即：
Figure SMS_56
Figure SMS_57
表示图像中像素坐标。/>
Figure SMS_58
表示/>
Figure SMS_59
附近的邻域，计算：
Figure SMS_60
Figure SMS_61
为根据图像计算的辐射源函数的估计值。
根据式3，地理位置坐标隐含于地面辐射强度分布模型中，因此可以根据式3中的其它变量，即地面辐射强度、吸收系数、辐射源函数实施估计。然而，由于式3为包含微分的方程，直接求解其解析解并不容易，且由于数据误差可能造成较大的求解偏差。由于神经网络模型可以模拟任意函数，因此，本发明建立神经网络模型拟合地面辐射强度分布模型，以实现从图像数据中推理地理位置坐标变量。
利用神经网络模型的另一个好处在于，利用式3的方程解析求解传输路径长度要求在图像光照数据库中预先存入所有图像，在实际中是不可能实现的。而在实际应用中，近邻地点的地面辐射强度、吸收系数、辐射源函数相近，其光照分布更容易受到当地环境的干扰，比如地形、建筑等，因此在局部环境下，光照分布特征可能与地标、地图等既有方法提取的特征强相关，通过在神经网络模型中引入相应的隐藏层系数，可以对这一未知关系进行建模，从而就使得本发明方法具备了与既有方法相当的识别能力。
基于上述假设和推理，建立神经网络模型。
神经网络模型可分为三个逻辑部分，即输入层、输出层和隐藏层。
其中，输入层表示神经网络模型的输入数据，在本例中，包括与式3地面辐射强度变量相关的归一化图像，与吸收系数变量相关的气候标识，及根据式4求解的归一化图像计算出的辐射源函数的估计值。
输出层表示神经网络模型的估计输出，为待求解的反映地理位置坐标的变量。输出进一步分为两部分，一部分为天空亮度分布图，该分布反映了拍摄地点的粗略位置（与数据库中已有图像做对比）；另一部分为一个经纬度偏移量，表示在参照天空亮度分布图下（即前一部分输出）的位置偏移。两者结合获得位置的精确值。
隐藏层由一系列逻辑或运算函数表示，具体如下。
记：
Figure SMS_62
表示图像
Figure SMS_63
的某一色彩分量，/>
Figure SMS_64
表示该色彩分量的取值。
令：
Figure SMS_65
即，
Figure SMS_66
是图像中每个位置上最小分量组成的矩阵。
令：
Figure SMS_67
即，
Figure SMS_68
是/>
Figure SMS_69
附近/>
Figure SMS_70
范围内所有值的最小值。
根据式5、6，获得图像中局部色彩的极小分布。与天空亮度分布相对照，局部色彩的极小分布反映了环境本身的视觉特征，对区分临近地点拍摄位置具有重要作用。
定义神经网络模型的宏观亮度分布部分。
定义
Figure SMS_71
上式中
Figure SMS_72
、/>
Figure SMS_73
表示输入归一化图像在两个方向上的尺寸，/>
Figure SMS_74
。
Figure SMS_75
进一步的，
Figure SMS_76
其中，
Figure SMS_77
表示线性偏移参数，/>
Figure SMS_78
、/>
Figure SMS_79
、/>
Figure SMS_80
、/>
Figure SMS_81
表示线性系数，/>
Figure SMS_82
为神经网络模型的激活函数，使模型能够对非线性数据样本进行分类，以达到拟合任意函数的效果。本例中激活函数/>
Figure SMS_83
定义如下：
Figure SMS_84
与经典神经网络模型中使用的sigmoid函数相比，上述分段式函数9能够更好的拟合天空亮度分布模型，获得更加精确的定位。
根据式7、8定义的计算过程称为金字塔卷积，将图像按照空间位置划分为等尺寸的四个区域，并通过卷积核
Figure SMS_85
提取每个子区域之间的分布系数。
进一步的，定义：
Figure SMS_86
上式中
Figure SMS_87
、/>
Figure SMS_88
表示输入归一化图像在两个方向上的尺寸，/>
Figure SMS_89
。
Figure SMS_90
进一步的，定义：
Figure SMS_91
其中，
Figure SMS_92
表示线性偏移参数，/>
Figure SMS_93
、/>
Figure SMS_94
、/>
Figure SMS_95
、/>
Figure SMS_96
表示线性系数，/>
Figure SMS_97
为式9的激活函数.
式10、11进一步细化金字塔的尺度，并通过卷积核
Figure SMS_98
提取该尺度下每个子区域之间的分布系数。
进一步的，定义：
Figure SMS_99
上式中
Figure SMS_100
、/>
Figure SMS_101
表示输入归一化图像在两个方向上的尺寸，/>
Figure SMS_102
。
Figure SMS_103
进一步的，定义：
Figure SMS_104
其中，
Figure SMS_105
表示线性偏移参数，/>
Figure SMS_106
、/>
Figure SMS_107
、/>
Figure SMS_108
、/>
Figure SMS_109
表示线性系数，/>
Figure SMS_110
为式9的激活函数.
式12、13进一步细化金字塔的尺度，并通过卷积核
Figure SMS_111
提取该尺度下每个子区域之间的分布系数。
上述式7、8、10、11、12、13建立三层卷积金字塔结构，捕捉三个尺度下图像的宏观亮度分布，最底层金字塔图像尺寸为输入图像尺寸的
Figure SMS_112
大小，该尺寸为本例的优选值，因为进一步的尺度压缩会使宏观亮度分布信息量产生较大损失，降低模型性能。
进一步的，建立宏观亮度分布全连接层，如下。
Figure SMS_113
上式中，
Figure SMS_114
表示线性偏移参数，/>
Figure SMS_115
是线性系数函数，表示根据/>
Figure SMS_116
获得的金字塔图像中的每个像素与输出全连接层/>
Figure SMS_117
中一个元素都存在一个网络连接，每个这样的连接用一个线性系数表示，即/>
Figure SMS_118
。/>
Figure SMS_119
为1024维向量。/>
Figure SMS_120
为式9的激活函数.
定义神经网络模型的局部亮度分布部分。
Figure SMS_121
Figure SMS_122
为根据式6获得，/>
Figure SMS_123
表示局部线性卷积核，/>
Figure SMS_124
表示局部线性卷积核内的坐标，局部线性卷积核的范围根据式6取局部极小时的窗口优选为/>
Figure SMS_125
。/>
Figure SMS_126
是线性偏移参数，/>
Figure SMS_127
为式9的激活函数。
Figure SMS_128
提取输入归一化图像的局部亮度分布特征，进一步的，建立局部亮度分布全连接层，如下。
Figure SMS_129
上式中，
Figure SMS_130
表示线性偏移参数，/>
Figure SMS_131
是线性系数函数，表示根据/>
Figure SMS_132
获得的局部亮度分布图像中的每个像素与输出全连接层/>
Figure SMS_133
中一个元素都存在一个网络连接，每个这样的连接用一个线性系数表示，即/>
Figure SMS_134
。/>
Figure SMS_135
为256维向量。/>
Figure SMS_136
为式9的激活函数.
宏观亮度分布全连接层、局部亮度分布全连接层为宏观亮度分布特征、局部亮度分布特征的最终映射空间，即特征向量空间。进一步的，根据两组特征向量获得输出的映射，如下。
Figure SMS_137
式中，
Figure SMS_139
表示线性偏移参数，/>
Figure SMS_142
、/>
Figure SMS_144
、/>
Figure SMS_138
、/>
Figure SMS_146
是线性系数函数，分别表示/>
Figure SMS_148
中（宏观）每个元素与输出/>
Figure SMS_151
之间的连接线性系数，/>
Figure SMS_141
中（局部）每个元素与输出/>
Figure SMS_145
之间的连接线性系数，输入气候标识/>
Figure SMS_149
与输出/>
Figure SMS_150
之间的连接线性系数，输入辐射源函数的估计值/>
Figure SMS_140
与输出/>
Figure SMS_143
之间的连接线性系数。/>
Figure SMS_147
为式9的激活函数.
Figure SMS_152
为与输入归一化图像等大小的图像，表示神经网络模型估计的天空亮度分布图。
同时，定义
Figure SMS_153
式中，
Figure SMS_167
表示线性偏移参数，/>
Figure SMS_172
、/>
Figure SMS_175
、/>
Figure SMS_155
、/>
Figure SMS_159
是线性系数，分别表示/>
Figure SMS_161
中（宏观）每个元素与输出/>
Figure SMS_165
之间的连接线性系数、/>
Figure SMS_166
中（局部）每个元素与输出/>
Figure SMS_171
之间的连接线性系数，输入气候标识/>
Figure SMS_174
与输出/>
Figure SMS_176
之间的连接线性系数，输入辐射源函数的估计值/>
Figure SMS_173
与输出/>
Figure SMS_177
之间的连接线性系数。/>
Figure SMS_178
、/>
Figure SMS_179
、/>
Figure SMS_157
、/>
Figure SMS_162
是线性系数，分别表示/>
Figure SMS_169
中每个元素与输出/>
Figure SMS_170
之间的连接线性系数、/>
Figure SMS_154
中每个元素与输出/>
Figure SMS_158
之间的连接线性系数，输入气候标识/>
Figure SMS_164
与输出/>
Figure SMS_168
之间的连接线性系数，输入辐射源函数的估计值/>
Figure SMS_156
与输出/>
Figure SMS_160
之间的连接线性系数./>
Figure SMS_163
为式9的激活函数.
Figure SMS_180
、/>
Figure SMS_181
表示神经网络模型估计的地理位置偏移量。
将输出
Figure SMS_182
与图像光照数据库中归一化图像依次求相似度，取相似度最高的库中图像对应的地理位置，并结合求取的/>
Figure SMS_183
、/>
Figure SMS_184
获得地理位置坐标估计值。
Figure SMS_185
可以理解，上述神经网络利用大量样本进行训练得到。如样本在限定区域内，则该神经网络可以在该限定区域内实现通过图片进行辅助定位，例如某一街道；如样本在更大的非限定区域内，则该神经网络可以在非限定区域内实现通过图片进行辅助定位，例如某一城市或者全球。
系统构成
为实施本发明提出的上述方法，构建定位系统包括：采集终端、通信装置和服务器。其中采集终端用于采集图片，并将图片进行归一化处理得到归一化图片；通信装置用于将归一化图片及相应的采集信息发送至服务器；服务器具有光照数据库，用于存储归一化图片，同时部署有神经网络模型，用于将输入的归一化图像、气候标识，及辐射源函数作为输入并输出天空亮度分布图和地理坐标偏移量。此外，服务器中还具有辐射源函数计算模块。
本发明提出一种基于光分布的定位系统与方法，建立图像光照数据库与相应的神经网络模型，拟合地面辐射强度分布模型，从而实现基于图像的地理位置坐标计算。实验结果表明，与现有方法如基于地标的图像定位方法相比，本发明所述方法定位精度更高。

Claims (10)

1.一种基于光分布的定位方法，其特征在于：
采集包含天际线的可见光图像，并记录采集地点地理位置坐标、采集时刻的气候标识；对可见光图像进行处理，得到归一化图像
Figure QLYQS_1
；并将归一化图像/>
Figure QLYQS_2
存入图像光照数据库；
利用天际线提取出每幅图像中的天空部分记为
Figure QLYQS_3
，取其最亮像素值的邻域均值作为辐射源函数的基准值；
Figure QLYQS_4
；
Figure QLYQS_5
表示图像中像素坐标，/>
Figure QLYQS_6
表示/>
Figure QLYQS_7
附近的邻域，计算辐射源函数的估计值：
Figure QLYQS_8
；
建立神经网络模型，以归一化图像、气候标识，及辐射源函数的估计值作为输入；
神经网络模型包括：
建立宏观亮度分布全连接层：
Figure QLYQS_9
；
其中，
Figure QLYQS_10
表示线性偏移参数，/>
Figure QLYQS_11
是线性系数函数，/>
Figure QLYQS_12
为对归一化图像进行金字塔卷积后的输出；/>
Figure QLYQS_13
为激活函数；
建立局部亮度分布全连接层：
Figure QLYQS_14
；
Figure QLYQS_15
表示线性偏移参数，/>
Figure QLYQS_16
是线性系数函数，/>
Figure QLYQS_17
神经网络提取的归一化图像的局部亮度分布特征，/>
Figure QLYQS_18
为激活函数；
输出天空亮度分布图为：
Figure QLYQS_19
；
其中，
Figure QLYQS_20
表示线性偏移参数，/>
Figure QLYQS_21
、/>
Figure QLYQS_22
、/>
Figure QLYQS_23
、/>
Figure QLYQS_24
是线性系数函数；
输出地理位置偏移量为：
Figure QLYQS_25
；
式中，
Figure QLYQS_27
表示线性偏移参数，/>
Figure QLYQS_29
、/>
Figure QLYQS_32
、/>
Figure QLYQS_28
、/>
Figure QLYQS_31
、/>
Figure QLYQS_33
、/>
Figure QLYQS_34
、/>
Figure QLYQS_26
、/>
Figure QLYQS_30
是线性系数；m为输入气候标识。
2.如权利要求1所述的一种基于光分布的定位方法，其特征在于：上述神经网络利用大量样本进行训练得到。
3.如权利要求2所述的一种基于光分布的定位方法，其特征在于：如样本在限定区域内，则该神经网络可以在该限定区域内实现通过图片进行辅助定位。
4.如权利要求2所述的一种基于光分布的定位方法，其特征在于：如样本在非限定区域内，则该神经网络可以在非限定区域内实现通过图片进行辅助定位。
5.一种使用上述如权利要求1-4任一一种基于光分布的定位方法进行定位的系统，其特征在于：包括：采集终端、通信装置和服务器。
6.如权利要求5所述的一种基于光分布的定位方法进行定位的系统，其特征在于：采集终端用于采集图像，并将图像进行归一化处理得到归一化图像。
7.如权利要求5所述的一种基于光分布的定位方法进行定位的系统，其特征在于：通信装置用于将归一化图像及相应的采集信息发送至服务器。
8.如权利要求5所述的一种基于光分布的定位方法进行定位的系统，其特征在于：服务器具有光照数据库，用于存储归一化图像。
9.如权利要求5所述的一种基于光分布的定位方法进行定位的系统，其特征在于：服务器部署有神经网络模型，用于将输入的归一化图像、气候标识，及辐射源函数作为输入并输出天空亮度分布图和地理坐标偏移量。
10.如权利要求5所述的一种基于光分布的定位方法进行定位的系统，其特征在于：服务器还具有辐射源函数计算模块。
CN202310449735.1A 2023-04-25 2023-04-25 一种基于光分布的定位系统与方法 Active CN116188586B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310449735.1A CN116188586B (zh) 2023-04-25 2023-04-25 一种基于光分布的定位系统与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310449735.1A CN116188586B (zh) 2023-04-25 2023-04-25 一种基于光分布的定位系统与方法

Publications (2)

Publication Number Publication Date
CN116188586A CN116188586A (zh) 2023-05-30
CN116188586B true CN116188586B (zh) 2023-06-27

Family

ID=86452515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310449735.1A Active CN116188586B (zh) 2023-04-25 2023-04-25 一种基于光分布的定位系统与方法

Country Status (1)

Country Link
CN (1) CN116188586B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104794688A (zh) * 2015-03-12 2015-07-22 北京航空航天大学 基于深度信息分离天空区域的单幅图像去雾方法及装置
WO2016014930A2 (en) * 2014-07-24 2016-01-28 Exelis Inc. A vision-based system for dynamic weather detection
CN108596849A (zh) * 2018-04-23 2018-09-28 南京邮电大学 一种基于天空区域分割的单幅图像去雾方法
CN111967511A (zh) * 2020-08-04 2020-11-20 河海大学 一种基于异构特征融合网络的地基云图分类方法
CN113887124A (zh) * 2021-08-26 2022-01-04 安徽吉电新能源有限公司 一种多维混合气象下光伏电站云层分布状态预测方法
CN114120059A (zh) * 2021-11-25 2022-03-01 山东电力建设第三工程有限公司 一种基于Resnet18模型进行实时多云判定的方法
WO2022256962A1 (zh) * 2021-06-07 2022-12-15 浙江大学 一种高维材质的自由式采集方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11733043B2 (en) * 2019-05-06 2023-08-22 Hexagon Technology Center Gmbh Automatic locating of target marks

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016014930A2 (en) * 2014-07-24 2016-01-28 Exelis Inc. A vision-based system for dynamic weather detection
CN104794688A (zh) * 2015-03-12 2015-07-22 北京航空航天大学 基于深度信息分离天空区域的单幅图像去雾方法及装置
CN108596849A (zh) * 2018-04-23 2018-09-28 南京邮电大学 一种基于天空区域分割的单幅图像去雾方法
CN111967511A (zh) * 2020-08-04 2020-11-20 河海大学 一种基于异构特征融合网络的地基云图分类方法
WO2022256962A1 (zh) * 2021-06-07 2022-12-15 浙江大学 一种高维材质的自由式采集方法
CN113887124A (zh) * 2021-08-26 2022-01-04 安徽吉电新能源有限公司 一种多维混合气象下光伏电站云层分布状态预测方法
CN114120059A (zh) * 2021-11-25 2022-03-01 山东电力建设第三工程有限公司 一种基于Resnet18模型进行实时多云判定的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SKYLINE2GPS: Localization in urban canyons using omni-skylines;Srikumar Ramalingam;《IEEE Xplore》;全文 *
一种基于神经网络的天空图像到太阳辐照度的映射模型;林琳;电子测量技术(第14期);全文 *
基于天际线匹配的室外主动相机重定位方法研究;李璐凯;《万方数据库》;全文 *

Also Published As

Publication number Publication date
CN116188586A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
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
CN110246181B (zh) 基于锚点的姿态估计模型训练方法、姿态估计方法和系统
CN113706482A (zh) 一种高分辨率遥感影像变化检测方法
CN111536970B (zh) 一种用于低能见度大尺度场景的红外惯性组合导航方法
CN113393522A (zh) 一种基于单目rgb相机回归深度信息的6d位姿估计方法
CN111581884A (zh) 一种星载多分辨率目标光学辐射图像仿真方法
CN115236655B (zh) 基于全极化sar的滑坡识别方法、系统、设备及介质
CN112613397B (zh) 多视角光学卫星遥感影像目标识别训练样本集构建方法
CN115861591B (zh) 基于transformer关键纹理编码匹配的无人机定位方法
CN112633185A (zh) 图像处理的方法及装置
CN110569797A (zh) 地球静止轨道卫星影像山火检测方法、系统及其存储介质
CN113963240A (zh) 多源遥感图像融合目标综合检测方法
CN112016478A (zh) 一种基于多光谱图像融合的复杂场景识别方法及系统
Mohamed et al. Change detection techniques using optical remote sensing: a survey
Song et al. Remote sensing image spatiotemporal fusion via a generative adversarial network with one prior image pair
Bayanlou et al. Multi-task learning from fixed-wing UAV images for 2D/3D city modeling
CN113610032A (zh) 基于遥感影像的建筑物识别方法和装置
Belfiore et al. Orthorectification and pan-sharpening of worldview-2 satellite imagery to produce high resolution coloured ortho-photos
Leberl et al. Aerial computer vision for a 3d virtual habitat
CN116188586B (zh) 一种基于光分布的定位系统与方法
Babykalpana et al. Classification of LULC Change Detection using Remotely Sensed Data for Coimbatore City, Tamilnadu, India
CN113554754A (zh) 一种基于计算机视觉的室内定位方法
Jacobs et al. Two cloud-based cues for estimating scene structure and camera calibration
Chijioke Satellite remote sensing technology in spatial modeling process: technique and procedures
CA3142001C (en) Spherical image based registration and self-localization for onsite and offsite viewing

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