CN117333688B - 一种基于多维梯度特征的高精度地形匹配方法 - Google Patents

一种基于多维梯度特征的高精度地形匹配方法 Download PDF

Info

Publication number
CN117333688B
CN117333688B CN202311629745.XA CN202311629745A CN117333688B CN 117333688 B CN117333688 B CN 117333688B CN 202311629745 A CN202311629745 A CN 202311629745A CN 117333688 B CN117333688 B CN 117333688B
Authority
CN
China
Prior art keywords
window
pixel
matching
size
matrix
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
CN202311629745.XA
Other languages
English (en)
Other versions
CN117333688A (zh
Inventor
侯振环
樊振辉
卢宝峰
梅春波
李晓航
董鸿宇
周易成
朱启举
杨鹏翔
杨朝明
孙铭垚
杨鸿睿
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.)
Xian Institute of Modern Control Technology
Original Assignee
Xian Institute of Modern Control 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 Xian Institute of Modern Control Technology filed Critical Xian Institute of Modern Control Technology
Priority to CN202311629745.XA priority Critical patent/CN117333688B/zh
Publication of CN117333688A publication Critical patent/CN117333688A/zh
Application granted granted Critical
Publication of CN117333688B publication Critical patent/CN117333688B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G06F17/153—Multidimensional correlation or convolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Graphics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于多维梯度特征的高精度地形匹配方法，通过对地形高程数据中的梯度特征进行扩展，设计了多向梯度描述符的计算方法。基于描述符在滑动窗口架构下，利用窗口卷积运算与窗口求和运算设计了配准指标，取二者之差最小者对应的坐标作为匹配位置，并通过最小差来判断匹配成功或失败。相比于传统直接使用地形高程原始数据进行匹配指标计算，本发明的多向梯度描述符能减小传感器测量误差、标定误差及与基准地形高程数据差值导致的匹配误差，极大地提高了配准精度，同时兼具实时性。

Description

一种基于多维梯度特征的高精度地形匹配方法
技术领域
本发明属于导航技术领域，具体涉及一种基于多维梯度特征的高精度地形匹配方法。
背景技术
地形匹配是卫星拒止环境下的无人飞行器的重要辅助导航手段之一，其往往用于工业领域中的辅助导航。该方法指通过实时感知的地形高程数据，与预存的基准高程数据进行匹配，进一步根据预存的地理信息实现定位。目前滑动窗口法为主流方法，在滑动窗口的架构下通过逐元素滑动，对每一窗口设计指标统计基准高程数据与实时感知地形高程数据的差值，常用的指标包括平均绝对误差MAE、均方根误差RMS、归一化互相关方法NCC等。
然而基于滑动窗口架构的地形匹配方法计算较为耗时，且考虑到传感器误差及基准数据的低分辨率等问题，直接处理高程数据原值会导致较差的定位精度。尤其对于高动态载体，其对地形匹配运算的精度与实时性有着非常高的要求。受限于雷达高度表等传感器的测量误差以及基准地形高程数据的分辨率，目前地形匹配导航方法的精度在50-200m左右，难以满足装备的应用需求，严重制约了其在装备中的大规模应用。此外，以常用的1倍音速（340m/s）为例进行简要分析，如果匹配算法耗时0.5s,则配准完成输出的定位为当前时刻对应位置之差为0.5*170m/s。
发明内容
为了克服现有技术的不足，本发明提供了一种基于多维梯度特征的高精度地形匹配方法，通过对地形高程数据中的梯度特征进行扩展，设计了多向梯度描述符的计算方法。基于描述符在滑动窗口架构下，利用窗口卷积运算与窗口求和运算设计了配准指标，取二者之差最小者对应的坐标作为匹配位置，并通过最小差来判断匹配成功或失败。相比于传统直接使用地形高程原始数据进行匹配指标计算，本发明的多向梯度描述符能减小传感器测量误差、标定误差及与基准地形高程数据差值导致的匹配误差，极大地提高了配准精度，同时兼具实时性。
本发明解决其技术问题所采用的技术方案包括如下步骤：
步骤1：输入数据；
步骤1-1：实时感知地形高程数据，记为，其尺寸为/>维；
步骤1-2：无人机载体上预存大地坐标系下地形高程基准数据；对预存的大地坐标系下的地形高程基准数据，根据无人机载体航向将其修正至与相同的载体坐标系，记为，其尺寸为/>；
步骤2：根据地形高程数据逐像素提取前向一阶梯度/>、后向一阶梯度/>、二阶梯度/>：
（1）
其中，i为的索引；/>进行上式计算过程时忽略第一个与最后一个像素，如果超出索引范围，以前一个或后一个替代；
步骤3：将、/>、/>组成描述符/>：
（2）
其中，为二维矩阵，其尺寸为/>；
步骤4：对进行逐像素滑动窗口，滑动窗口大小与/>相同，尺寸为/>；每个窗口执行式（1）与式（2），得到描述符/>，为三维矩阵，其尺寸为/>；
步骤5：对进行逐像素滑动窗口，窗口大小与/>相同，尺寸为/>，/>与/>进行逐窗口卷积，得到卷积矩阵P：
（3）
其中，等式右边第2个逗号间隔开的为三维索引，等式右侧第2个冒号左侧表示起点，冒号右侧表示终点；其中，表示矩阵索引；
步骤6：对进行逐像素滑动窗口，窗口大小与/>相同，尺寸为/>，/>逐窗口计算平方和，得到积分矩阵Q：
（4）
步骤7：Q矩阵减去P矩阵，取最小者作为配准结果：
（5）
（6）
步骤8：判断是否小于阈值/>，是则匹配成功，配准结果为/>，否则匹配失败。
本发明的有益效果如下：
（1）本发明提供了一种多维描述符提取方法，所提取的多维描述符可以减小传感器测量误差、坐标系转换误差、基准误差等导致的匹配误差。
（2）提供了一种基于多维梯度特征的高精度地形匹配方法，克服传统滑动窗口法的低精度问题。30米分辨率地形高程数据、200米/s采样速度、采样频率10赫兹、地形起伏绝对差442米试验条件下，数千次试验结果表明，平均绝对定位误差优于32.5米。定位精度超过当下的滑动窗口法。
（3）大量实验结果表明，算法有着较高的匹配实时性。以实时轨迹1*30维、参考图3000*3000为例进行试验，Nvidia-TX2开发环境下3核计算耗时仅需0.74s，配准时间超过滑动窗口法。
附图说明
图1为本发明的整体流程图。
图2为本发明实施例地形高程数据坐标系转换的过程。
图3为本发明实施例描述符提取过程示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明的目的在于：克服传统滑动窗口架构下多种地形匹配方法的低精度问题，设计一种定位精度高且耗时小的地形匹配方法。
方法流程如图1，具体步骤为：
步骤1：输入数据：
步骤1-1：实时感知连续地形高程数据，记为，其尺寸为/>维；
步骤1-2：无人机载体航向，同时无人机载体上预存大地坐标系下基准地形高程数据。对预存的大地坐标系下的地形高程数据，根据无人机载体航向将其修正至与相同的载体坐标系，记为/>，其尺寸为/>。修正过程如图2所示。
步骤2：按照下式，根据逐像素提取前向一阶梯度/>、后向一阶梯度/>、二阶梯度：
（1）
其中，其中，i为的索引。/>进行上式所述计算过程时忽略第一与最后一个像素。如果超出索引范围，以前一个或后一个替代。
步骤3：按照下式，将、/>、/>组成描述符/>：
（2）
其中，为二维矩阵，其尺寸为/>。
步骤3为本发明核心步骤之一，相比传统基于滑动窗口架构的方法，其直接使用感知轨迹原值与基准地形高程数据原值进行计算；地形高程匹配的误差主要来源于（1）传感器测量误差；（2）坐标系转换误差；（3）基准数据的误差。由于梯度对地形的单一性描述更为准确，且三向梯度能够对实时感知数据进行增量平滑，可以大大减小上述误差导致的匹配误差，从而极大地提高了配准精度。
步骤4：对进行逐像素滑动窗口，窗口大小与/>相同，尺寸为/>。每个窗口执行式（1）与式（2），得到描述符/>，为三维矩阵，其尺寸为/>。
步骤5：对进行逐像素滑动窗口，窗口大小与/>相同，尺寸为/>，/>与/>进行逐窗口卷积，得到卷积矩阵P：
（3）
步骤6：对进行逐像素滑动窗口，窗口大小与/>相同，尺寸为/>，/>逐窗口计算平方和，得到积分矩阵Q：
（4）
步骤7：Q矩阵减去P矩阵，取最小者作为配准结果：
（5）
（6）
步骤7为本发明的核心步骤之一，其改进了滑动窗口架构，利用窗口积分与窗口卷积之差作为匹配规则。该步骤的原理在于：基于滑动窗口架构的误差平方和方法利用实时感知地形高程数据原值、与基准地形高程数据逐窗口计算差值平方和，取最小者作为配准结果。本方法将差值平方和展开为三项，分别为实时感知地形高程数据平方和、-2倍的实时感知地形高程数据与基准地形高程数据乘积、基准地形高程数据平方和。其中，由于所有窗口中实时感知地形高程数据平方和相等可忽略，-2倍的实时感知地形高程数据与基准地形高程数据乘积用卷积运算替代，如式（3），基准地形高程数据平方和可用窗口积分运算替代，如式（4）。
步骤8：判断是否小于阈值/>，是则匹配成功，配准结果为/>。否则匹配失败。
步骤1中根据航向将修正至载体坐标系下的流程如图2所示。其将载体飞行方向作为行方向，此方向即感知的实时轨迹所在方向。在已知载体航向的前提下，通过图像旋转操作即可实现将原始地形高程数据转换至载体坐标系。此时/>与/>在相同坐标系下。
步骤2与步骤4见图3。

Claims (1)

1.一种基于多维梯度特征的高精度地形匹配方法，其特征在于，包括以下步骤：
步骤1：输入数据；
步骤1-1：实时感知地形高程数据，记为，其尺寸为/>维；
步骤1-2：无人机载体上预存大地坐标系下地形高程基准数据；对预存的大地坐标系下的地形高程基准数据，根据无人机载体航向将其修正至与相同的载体坐标系，记为/>，其尺寸为/>；
步骤2：根据地形高程数据逐像素提取前向一阶梯度/>、后向一阶梯度/>、二阶梯度：
（1）
其中，i为的索引；/>进行上式计算过程时忽略第一个与最后一个像素，如果超出索引范围，以前一个或后一个替代；
步骤3：将、/>、/>组成描述符/>：
（2）
其中，为二维矩阵，其尺寸为/>；
步骤4：对进行逐像素滑动窗口，滑动窗口大小与/>相同，尺寸为/>；每个窗口执行式（1）与式（2），得到描述符/>，为三维矩阵，其尺寸为/>；
步骤5：对进行逐像素滑动窗口，窗口大小与/>相同，尺寸为/>，/>与/>进行逐窗口卷积，得到卷积矩阵P：
（3）
其中，等式右边第2个逗号间隔开的为三维索引，等式右侧第2个冒号左侧表示起点，冒号右侧表示终点；其中，表示矩阵索引；
步骤6：对进行逐像素滑动窗口，窗口大小与/>相同，尺寸为/>，/>逐窗口计算平方和，得到积分矩阵Q：
（4）
步骤7：Q矩阵减去P矩阵，取最小者作为配准结果：
（5）
（6）
步骤8：判断是否小于阈值/>，是则匹配成功，配准结果为/>，否则匹配失败。
CN202311629745.XA 2023-12-01 2023-12-01 一种基于多维梯度特征的高精度地形匹配方法 Active CN117333688B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311629745.XA CN117333688B (zh) 2023-12-01 2023-12-01 一种基于多维梯度特征的高精度地形匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311629745.XA CN117333688B (zh) 2023-12-01 2023-12-01 一种基于多维梯度特征的高精度地形匹配方法

Publications (2)

Publication Number Publication Date
CN117333688A CN117333688A (zh) 2024-01-02
CN117333688B true CN117333688B (zh) 2024-03-15

Family

ID=89293876

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311629745.XA Active CN117333688B (zh) 2023-12-01 2023-12-01 一种基于多维梯度特征的高精度地形匹配方法

Country Status (1)

Country Link
CN (1) CN117333688B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105929399A (zh) * 2016-04-25 2016-09-07 电子科技大学 一种干涉sar数据成像及高程估计方法
CN106871901A (zh) * 2017-01-24 2017-06-20 哈尔滨工程大学 一种基于地形特征匹配的水下地形匹配导航方法
KR20170105817A (ko) * 2016-03-10 2017-09-20 국방과학연구소 표고 영상의 정합 방법 및 장치
CN108921174A (zh) * 2018-06-04 2018-11-30 中国矿业大学 基于多级匹配窗口约束下的矿区大梯度形变提取方法
CN113155126A (zh) * 2021-01-04 2021-07-23 航天时代飞鸿技术有限公司 一种基于视觉导航的多机协同目标高精度定位系统及方法
CN116879917A (zh) * 2023-07-28 2023-10-13 北京航空航天大学 一种激光雷达地形匹配辅助导航方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170105817A (ko) * 2016-03-10 2017-09-20 국방과학연구소 표고 영상의 정합 방법 및 장치
CN105929399A (zh) * 2016-04-25 2016-09-07 电子科技大学 一种干涉sar数据成像及高程估计方法
CN106871901A (zh) * 2017-01-24 2017-06-20 哈尔滨工程大学 一种基于地形特征匹配的水下地形匹配导航方法
CN108921174A (zh) * 2018-06-04 2018-11-30 中国矿业大学 基于多级匹配窗口约束下的矿区大梯度形变提取方法
CN113155126A (zh) * 2021-01-04 2021-07-23 航天时代飞鸿技术有限公司 一种基于视觉导航的多机协同目标高精度定位系统及方法
CN116879917A (zh) * 2023-07-28 2023-10-13 北京航空航天大学 一种激光雷达地形匹配辅助导航方法及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A Novel Scene Matching Navigation System for UAVs Based on Vision/Inertial Fusion;Chunbo Mei, Zhenhui Fan , Qiju Zhu, Pengxiang Yang, Zhenhuan Hou, and Honglong Jin;IEEE SENSORS JOURNAL;第23卷(第6期);6192-6203 *
DEM坡向提取的向量场模板匹配方法;李润超;袁林旺;李硕;朱晓林;俞肇元;;测绘学报(第06期);全文 *
Fast Attitude Estimation System for Unmanned Ground Vehicle Based on Vision/Inertial Fusion;Zhenhui Fan , Pengxiang Yang , Chunbo Mei , Qiju Zhu 1, 2 and Xiao Luo 1, 2;machines;第9卷(第10期);第1-15页 *
一种基于激光成像雷达的特征矢量匹配方法;余涛;马杰;龚俊斌;田金文;;红外与激光工程(第05期);全文 *
基于影像仿真的DEM匹配方法研究;韩自祥;赵国忱;辛鑫;贾萌娜;刘斌;彭嫚;;测绘与空间地理信息(第05期);全文 *
高程梯度性质和算法不确定性的初步分析;朱奇峰;杨勤科;龙永清;王春梅;庞国伟;师动;;水土保持研究(第04期);全文 *

Also Published As

Publication number Publication date
CN117333688A (zh) 2024-01-02

Similar Documents

Publication Publication Date Title
CN108460779B (zh) 一种动态环境下的移动机器人图像视觉定位方法
CN110009681B (zh) 一种基于imu辅助的单目视觉里程计位姿处理方法
CN110570449B (zh) 一种基于毫米波雷达与视觉slam的定位与建图方法
CN108592950B (zh) 一种单目相机和惯性测量单元相对安装角标定方法
CN113311411B (zh) 一种用于移动机器人的激光雷达点云运动畸变校正方法
CN104567871B (zh) 一种基于地磁梯度张量的四元数卡尔曼滤波姿态估计方法
CN108648215B (zh) 基于imu的slam运动模糊位姿跟踪算法
WO2020140431A1 (zh) 相机位姿确定方法、装置、电子设备及存储介质
CN107063190B (zh) 面向定标面阵相机影像的位姿高精度直接估计方法
CN105716542A (zh) 一种基于柔性特征点的三维数据拼接方法
CN114399554A (zh) 一种多相机系统的标定方法及系统
CN107808395B (zh) 一种基于slam的室内定位方法
CN110595479B (zh) 一种基于icp算法的slam轨迹评估方法
CN106971189B (zh) 一种低分辨率含噪星图识别方法
CN102663351A (zh) 基于条件外观模型的人脸特征点自动标定方法
CN113129377B (zh) 一种三维激光雷达快速鲁棒slam方法和装置
KR20100007506A (ko) 광학식 모션 캡처 장비를 위한 다중 카메라 보정 방법
CN113848696A (zh) 基于位置信息的多传感器时间同步方法
CN106153041B (zh) 一种基于多景深信息的视觉里程计测速方法
CN118297936A (zh) 一种基于三维重建的工件缺陷检测方法、系统及图像处理计算机
CN117333688B (zh) 一种基于多维梯度特征的高精度地形匹配方法
CN113920150A (zh) 一种资源受限下的行星车简化双目视觉里程定位方法
CN111553954A (zh) 一种基于直接法单目slam的在线光度标定方法
CN115797421A (zh) 一种多视角三维点云配准方法及装置
CN107860346B (zh) 一种测量坐标系配准方法

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