CN117826132A - 一种基于侧扫声呐图像的dvl速度野值检测方法 - Google Patents
一种基于侧扫声呐图像的dvl速度野值检测方法 Download PDFInfo
- Publication number
- CN117826132A CN117826132A CN202410240941.6A CN202410240941A CN117826132A CN 117826132 A CN117826132 A CN 117826132A CN 202410240941 A CN202410240941 A CN 202410240941A CN 117826132 A CN117826132 A CN 117826132A
- Authority
- CN
- China
- Prior art keywords
- value
- dvl
- auv
- feature points
- feature
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 239000003550 marker Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000003384 imaging method Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 5
- 238000007667 floating Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000000827 velocimetry Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于侧扫声呐图像的DVL速度野值检测方法，该方法首先获取完整侧扫声呐图像并将图像进行二维经验模态分解滤波降噪处理，然后基于改进的SIFT特征匹配算法提取声呐图像水底轮廓线，接着根据提取出的轮廓线和线特征点提取AUV的侧向速度，最后根据推算出的AUV侧向速度检测DVL速度数据中的野值并剔除。本发明能够解决复杂水底环境以及AUV机动造成DVL速度测量结果中出现的难以检测和剔除的野值粗差的问题，创新性地将水声成像技术和传统惯导相结合，剔除AUV实际作业中DVL测速数据中难以预测的野值，明显提高DVL测速数据的精度，进一步提高AUV的导航定位精度。
Description
技术领域
本发明属于DVL的速度野值检测技术，具体涉及一种基于侧扫声呐图像的 DVL 速度野值检测方法。
背景技术
近些年来，智能水下搜寻探测装置在军事、民用等领域应用较为广泛。自主水下航行器(Autonomous Underwater Vehicle, AUV)是能够独立完成水下作业的智能探测设备，在海上风电场等大型海洋工程的运维中发挥着重要作用，因此，AUV的精准定位与导航尤为重要。为了提高AUV的水下导航定位精度，将多普勒测速仪(Doppler Velocity Log, DVL)应用于AUV导航系统中也越来越普遍，但是DVL本身存在测速数据不稳定的问题。除DVL自身的系统误差和理论误差外，在一些载体运动状态突然改变（如转向、上浮和下潜）的情况下，其测速数据可能会出现突变现象，即测速数据与实际数据相差较大。
目前水下声成像技术发展已经较为成熟，侧扫声呐系统也已经大规模使用。 侧扫声呐系统主要应用于水底测量、地形测绘、成像、通信与定位等，且其设备 成本低廉，所以将水声成像技术和传统惯导相结合的导航算法是很有现实意义的。
发明内容
发明目的：本发明的目的在于解决水下组合导航中 DVL 速度野值的检测剔除问题，提供一种基于侧扫声呐图像的 DVL 速度野值检测方法，首先，为提高声呐图像的质量，提出一种二维经验模态分解滤波方法对图像进行有效降噪；其次，为在对侧扫声呐图像进行实时特征点识别时，引入基于最小二乘法的判别条件改进的尺度不变特征变换匹配算法（Scale Invariant Feature Transform，SIFT）提高匹配准确率；最后，基于分离出的水底线和水底轮廓线特征点，本发明提出一种实时的AUV侧向速度估计方法，同时检测DVL速度数据中的野值并剔除。
技术方案：本发明提供的一种基于侧扫声呐图像的 DVL 速度野值检测方法，包括以下步骤：
（1）侧扫声呐获取完整的侧扫声呐图像，并针对侧扫声呐图像中存在的噪声进行降噪处理，所述降噪处理使用二维经验模态分解滤波抑制噪声的同时保护图像细节，得到降噪后的侧扫声呐图像；
（2）对步骤（1）降噪后处理后的侧扫声呐图像检测特征点：首先构建SIFT尺度空间，然后使用高斯差分算子计算并检测出特征点；
（3）通过判断步骤（2）中构建的SIFT尺度空间图像上任一点的曲率D(X)，判断步骤（2）中检测出的特征点是否在边缘上，采用子像素插值法求解极值点得到所求特征点；
（4）利用SIFT算法计算在边缘上的特征点的方向与模值，通过计算特征点邻域内各点的方向与模值，并进行统计，最终求出特征点的主方向，此外，统计特征点邻域范围内各点的方向，记录其他高于80%主方向模值的方向作为辅助方向；
（5）通过步骤(4)将特征点从图像中检测出来，利用方向向量对特征点进行特征描述，使其不受光照变化、视觉变化等的影响，完成特征点匹配，需对两幅图像上各特征向量进行匹配，利用欧氏距离函数作为特征点的相似性度量函数，对两幅图像进行匹配；通过对特征点和对应的各特征向量进行匹配，得到的特征点分布在声呐图像上两条对称的水底线；
（6）通过步骤(5)得到特征匹配完成后的图像，利用特征像素平移量与 AUV 实际横向位移的比例尺度相关联这一特点，结合声呐侧扫周期可以推算出 AUV 侧向速度；
（7）将求解得到的AUV侧向速度与DVL的原始输出相减得到差值，再反馈到DVL速度中剔除野值，得到无野值的DVL速度。
进一步地，步骤(1)中所述使用二维经验模态分解滤波抑制噪声的具体步骤如下：
（11）将侧扫声呐图像数据看成一个二维数组；
（12）初始化余量；
（13）在提取第i个固有模态函数时，其中/>，N表示自然数集合，进行第k次迭代，其中，/>，分别提取第i个固有模态函数在第k次循环中在像素点/>对应的余量的极大值和极小值，获得其对应的极大值包络曲面/>和极小值包络曲面，定义局部平均包络曲面/>，/>，/>为极小量，如果计算得到，更新/>第k+1次迭代时的余量函数：/>，并重新计算其极大值和极小值；不满足要求时，结束迭代过程，得到/>，更新第i+1个固有模态函数/>余量/>：/>；
（14）如果步骤（13）中得到的余量中仍含有极值点，则继续计算剩余的IMF；
（15）重复步骤（13）-（14）最终得到p个固有模态函数IMF，通过对不同的固有模态函数IMF赋予不同的权重达到抑制噪声的效果，将其分解为4个固有模态函数图像和一个余项图像，采用二维经验模态分解方法滤波后，声呐图像用下式表达为：
，
其中，为固有模态函数/>和对应的余项的加权系数，/>为初始加权系数。
进一步地，步骤(2)的具体方法是：
将侧扫声呐图像的尺度空间定义为高斯函数/>与原图像素信息的卷积：/>；
其中，，尺度因子/>取0.6可以兼顾图像概貌和细节特征；
使用的高斯差分算子表达式为：
，
其中，为高斯差分算子，t为常值系数，表示两个相减的高斯因子的倍数因子，取/>，e表示指数函数。
进一步地，步骤(3)中所述判断步骤（2）中检测出的特征点是否在边缘上使用Hessian矩阵H判断：
，
设H的最大特征值和最小特征值分别为、/>，r为两特征值的比值，即/>，则有：
其中，表示矩阵H对角线元素之和，/>表示矩阵H的行列式；
当（其中，s 为常值，s=10），则将特征点保留，否则去除该特征点。
进一步地，步骤(4)中所述点的方向与模值的计算方法为：处梯度的模值和方向/>的计算公式：
。
进一步地，步骤(5)中，欧式距离计算公式为：，
其中，和/>分别为待匹配特征点对Pa和Pb的描述算子。
进一步地，步骤(6) 所述AUV侧向速度的具体计算方法为：
定义第个像素点到AUV中心的斜距/>：
，
其中，Range为最大斜距，为总像素数；
设水底线对应的像素位置在处，此时AUV距离水底的高度h为；
，
像素点对应的水底特征点到AUV中心点的横向水平距离o满足：
，
因此像素点对应的水底特征点到AUV中心点的横向水平距离o为：
，
假设和/>分别是一对相邻数据帧匹配到的相关特征点的像素值，/>和/>分别是对应的水底线特征点的像素值，则其表观的载体侧向速度/>为：
，
其中，为两相邻特征点的距离差，/>为两特征点之间的时间差，Rpetition为每帧数据的扫描周期，且/>是载体实际侧向速度，其大小、方向不随标志物的变化而变化，/>是特征标志物自身宽度变化速率，随着特征点不同而不断变化，其值正负不一且绝对值较小；
求解表观载体侧向速度的平均值/>：
其中，Num为每相邻数据帧中相关特征点的个数，每一组的相关特征点的数量越多，得到平均值就趋近于0，只要特征点数量足够多就能保证表观载体侧向速度/>的平均值/>；进一步地，将求解得到的AUV侧向速度与DVL的输出相减得到差值，再反馈到DVL速度中剔除野值。
有益效果：本发明借助水下 AUV中的侧扫声呐探测系统，利用其生成的侧扫声呐图像进行线性边界线特征信息提取，并利用特征点进行特征点匹配并提取出载体侧向速度信息。将求取的载体侧向速度信息和DVL侧向速度信息进行比对分析能够有效的检测出DVL 的野值数据。
附图说明
图1是本发明的总体框图；
图2是侧扫声呐的扫描原理图；
图3是本发明的方法与DVL未标定时的导航结果对照图。
图4是本发明的方法与其他情况下的载体位置误差对照图。
具体实施方式
下面结合附图和具体实例对本发明作进一步说明。
如图1所示，本发明提出一种基于侧扫声呐图像的DVL速度野值检测方法，针对DVL在实际工作中会因为复杂的水底环境和 AUV 机动（上浮、下潜、转向）等各种原因出现较大的测速偏差即DVL的野值问题，一些符合 AUV 运动学约束、与正常速度值接近、持续时间长的DVL粗差往往难以检测和剔除，从而导致导航定位精度不高。
具体步骤包括：
（1）侧扫声呐获取完整的侧扫声呐图像，并针对侧扫声呐图像中存在的噪声进行降噪处理，所述降噪处理使用二维经验模态分解滤波抑制噪声的同时保护图像细节，得到降噪后的侧扫声呐图像；所述使用二维经验模态分解滤波抑制噪声的具体步骤如下：
（11）将侧扫声呐图像数据看成一个二维数组；
（12）初始化余量；
（13）在提取第i个固有模态函数时，其中/>，N表示自然数集合，进行第k次迭代，其中，/>，分别提取第i个固有模态函数在第k次循环中在像素点/>对应的余量的极大值和极小值，获得其对应的极大值包络曲面/>和极小值包络曲面，定义局部平均包络曲面/>，/>，/>为极小量，如果计算得到，更新/>第k+1次迭代时的余量函数：/>，并重新计算其极大值和极小值；不满足要求时，结束迭代过程，得到/>，更新第i+1个固有模态函数/>余量/>：/>；
（14）如果步骤（13）中得到的余量中仍含有极值点，则继续计算剩余的IMF；
（15）重复步骤（13）-（14）最终得到p个固有模态函数IMF，通过对不同的固有模态函数IMF赋予不同的权重达到抑制噪声的效果，将其分解为4个固有模态函数图像和一个余项图像，采用二维经验模态分解方法滤波后，声呐图像用下式表达为：
，
其中，为固有模态函数/>和对应的余项的加权系数，/>为初始加权系数。
（2）对步骤（1）降噪后处理后的侧扫声呐图像检测特征点：首先构建SIFT尺度空间，将侧扫声呐图像的尺度空间定义为高斯函数/>与原图像素信息的卷积：/>；
其中，，尺度因子/>取0.6可以兼顾图像概貌和细节特征；
然后为了保证特征点检测的鲁棒性，使用的高斯差分算子表达式为：
，
其中，为高斯差分算子，t为常值系数，表示两个相减的高斯因子的倍数因子，取/>，e表示指数函数。
（3）通过判断步骤（2）中构建的SIFT尺度空间图像上任一点的曲率D(X)，判断步骤（2）中检测出的特征点是否在边缘上，采用子像素插值法求解极值点得到所求特征点；首先获取特征点出的Hessian矩阵，主曲率通过一个2×2的Hessian矩阵H求出：
，
设H的最大特征值和最小特征值分别为、/>，r为两特征值的比值，即/>，则有：
其中，表示矩阵H对角线元素之和，/>表示矩阵H的行列式；
当（其中，s 为常值，s=10），则将特征点保留，否则去除该特征点。
（4）利用SIFT算法计算在边缘上的特征点的方向与模值，通过计算特征点邻域内各点的方向与模值，并进行统计，最终求出特征点的主方向，此外，统计特征点邻域范围内各点的方向，记录其他高于80%主方向模值的方向作为辅助方向；
所述点的方向与模值的计算方法为：处梯度的模值/>和方向/>的计算公式：
。
统计特征点邻域范围内各点的方向，以各点方向模值的大小作为统计量建立直方图。为了计算方便在直方图上每10度建立一个柱形图，因此可在直方图上建立36个柱形图。将36个方向中方向模值最大的方向视为特征点的主方向。为了增加特征匹配的鲁棒性，如果直方图中存在大于主方向模值80%的方向模值时。则将该方向作为此特征点的辅助方向一同记录下来。
（5）通过步骤(4)将特征点从图像中检测出来，利用方向向量对特征点进行特征描述，使其不受光照变化、视觉变化等的影响，完成特征点匹配，为了更好地实现图像匹配，SIFT算法利用方向向量对特征点进行特征描述，使其不受光照变化、视觉变化等的影响，以便提高特征点匹配的正确率。完成了特征点的描述生成了特征向量后，需对两幅图像上各特征向量进行匹配，通常需要分两步进行：特征点相似性度量和剔除误匹配点。
①两个特征点之间的相似性度量，一般利用马氏距离或欧氏距离等距离函数进行度量。SIFT算法中利用欧氏距离函数作为特征点的相似性度量函数，对两幅图像进行匹配。设待匹配特征点对Pa和Pb的描述算子分别为和/>，则欧式距离公式可定义为:。
利用k-d树搜索策略在待匹配图像上找到与参考图像上每个特征点相似性最大的两个特征点。计算特征点对间的最近距离与次近距离之间的比值，当比值小于某一特定值时，则两特征点匹配成功。
②通过特征点相似性度量的判定可对特征点进行初步匹配。使用随机采样一致算法将声呐图像匹配中误匹配的点剔除，将特征点对数据分为“内点”和“外点”，通过不断地对“内点”和“外点”数据进行修正获得稳定的数据点集。
（6）通过上述步骤检测到的特征点基本上分布在较为明显的分界线上，也就是两条对称的水底线。利用特征像素平移量与 AUV 实际横向位移的比例尺度相关联这一特点，结合声呐侧扫周期可以推算出 AUV 侧向速度。
所述AUV侧向速度的具体计算方法为：
定义第个像素点到AUV中心的斜距/>：
，
其中，Range为最大斜距，为总像素数；
设水底线对应的像素位置在处，此时AUV距离水底的高度h为；
，
像素点对应的水底特征点到AUV中心点的横向水平距离o满足：
，
因此像素点对应的水底特征点到AUV中心点的横向水平距离o为：
，
假设和/>分别是一对相邻数据帧匹配到的相关特征点的像素值，/>和/>分别是对应的水底线特征点的像素值，则其表观的载体侧向速度/>为：
，
其中，为两相邻特征点的距离差，/>为两特征点之间的时间差，Rpetition为每帧数据的扫描周期，且/>是载体实际侧向速度，其大小、方向不随标志物的变化而变化，/>是特征标志物自身宽度变化速率，随着特征点不同而不断变化，其值正负不一且绝对值较小；
求解表观载体侧向速度的平均值/>：
其中，Num为每相邻数据帧中相关特征点的个数，每一组的相关特征点的数量越多，得到平均值就趋近于0，只要特征点数量足够多就能保证表观载体侧向速度/>的平均值/>；进一步地，将求解得到的AUV侧向速度与DVL的输出相减得到差值，再反馈到DVL速度中剔除野值。
（7）将求解得到的AUV侧向速度与DVL的原始输出相减得到差值，再反馈到DVL速度中剔除野值，得到无野值的DVL速度。
为了验证本发明方法的有效性，开展基于侧扫声呐图像的DVL速度野值检测实验。试验设备包括：试验船、GPS设备、IMU设备、侧扫声呐设备、DVL设备等，其中GPS与IMU组合为本试验提供真值数据作为参考。通过实际试验获取侧扫声呐的水下图像数据及DVL设备的三维量测速度信息，即x、y、z轴的速度，对本发明方法进行算法验证，对比本发明方法与未标定的DVL数据和传统的两点标定方法的DVL标定方法的性能。结合图3和图4的试验结果分析，其中图3是本发明的方法与DVL未标定时的导航结果对照图，图4是本发明与两点定位标定的位置误差对比图。从图3和图4中可以看出采用本发明可以在水下航行器在水下工作无法接收GPS信号时进行，相较于对DVL数据未标定的情况，其标定精度提升了31%。综上，本发明在载体无GPS信号的情况下提高了DVL辅助下载体的位置估计精度。
Claims (7)
1.一种基于侧扫声呐图像的 DVL 速度野值检测方法，其特征在于，包括以下步骤：
（1）侧扫声呐获取完整的侧扫声呐图像，并针对侧扫声呐图像中存在的噪声进行降噪处理，所述降噪处理使用二维经验模态分解滤波抑制噪声的同时保护图像细节，得到降噪后的侧扫声呐图像；
（2）对步骤（1）降噪后处理后的侧扫声呐图像检测特征点：首先构建SIFT尺度空间，然后使用高斯差分算子计算并检测出特征点；
（3）通过判断步骤（2）中构建的SIFT尺度空间图像上任一点的曲率D(X)，判断步骤（2）中检测出的特征点是否在边缘上，采用子像素插值法求解极值点得到所求特征点；
（4）利用SIFT算法计算在边缘上的特征点的方向与模值，通过计算特征点邻域内各点的方向与模值，并进行统计，最终求出特征点的主方向，此外，统计特征点邻域范围内各点的方向，记录其他高于80%主方向模值的方向作为辅助方向；
（5）通过步骤(4)将特征点从图像中检测出来，利用方向向量对特征点进行特征描述，使其不受光照变化、视觉变化等的影响，完成特征点匹配，需对两幅图像上各特征向量进行匹配，利用欧氏距离函数作为特征点的相似性度量函数，对两幅图像进行匹配；通过对特征点和对应的各特征向量进行匹配，得到的特征点分布在声呐图像上两条对称的水底线；
（6）通过步骤(5)得到特征匹配完成后的图像，利用特征像素平移量与 AUV 实际横向位移的比例尺度相关联这一特点，结合声呐侧扫周期可以推算出 AUV 侧向速度；
（7）将求解得到的AUV侧向速度与DVL的原始输出相减得到差值，再反馈到DVL速度中剔除野值，得到无野值的DVL速度。
2.根据权利要求1所述的一种基于侧扫声呐图像的 DVL 速度野值检测方法，其特征在于，步骤(1)中所述使用二维经验模态分解滤波抑制噪声的具体步骤如下：
（11）将侧扫声呐图像数据看成一个二维数组；
（12）初始化余量；
（13）在提取第i个固有模态函数时，其中/>，N表示自然数集合，进行第k次迭代，其中，/>，分别提取第i个固有模态函数在第k次循环中在像素点/>对应的余量的极大值和极小值，获得其对应的极大值包络曲面/>和极小值包络曲面，定义局部平均包络曲面/>，/>，/>为极小量，如果计算得到，更新/>第k+1次迭代时的余量函数：/>，并重新计算其极大值和极小值；不满足要求时，结束迭代过程，得到/>，更新第i+1个固有模态函数/>余量/>：/>；
（14）如果步骤（13）中得到的余量中仍含有极值点，则继续计算剩余的IMF；
（15）重复步骤（13）-（14）最终得到p个固有模态函数IMF，通过对不同的固有模态函数IMF赋予不同的权重达到抑制噪声的效果，将其分解为4个固有模态函数图像和一个余项图像，采用二维经验模态分解方法滤波后，声呐图像用下式表达为：
，
其中，为固有模态函数/>和对应的余项的加权系数，/>为初始加权系数。
3.根据权利要求2所述的一种基于侧扫声呐图像的 DVL 速度野值检测方法，其特征在于，步骤(2)的具体方法是：
将侧扫声呐图像的尺度空间定义为高斯函数/>与原图像素信息的卷积：/>；
其中，，尺度因子/>取0.6可以兼顾图像概貌和细节特征；
使用的高斯差分算子表达式为：
，
其中，为高斯差分算子，t为常值系数，表示两个相减的高斯因子的倍数因子，取/>，e表示指数函数。
4.根据权利要求3所述的一种基于侧扫声呐图像的 DVL 速度野值检测方法，其特征在于，步骤(3)中所述判断步骤（2）中检测出的特征点是否在边缘上使用Hessian矩阵H判断：
，
设H的最大特征值和最小特征值分别为、/>，r为两特征值的比值，即/>，则有：
其中，表示矩阵H对角线元素之和，/>表示矩阵H的行列式；
当（其中，s 为常值，s=10），则将特征点保留，否则去除该特征点。
5.根据权利要求4所述的一种基于侧扫声呐图像的 DVL 速度野值检测方法，其特征在于，步骤(4)中所述点的方向与模值的计算方法为：处梯度的模值/>和方向/>的计算公式：
。
6.根据权利要求1所述的一种基于侧扫声呐图像的 DVL 速度野值检测方法，其特征在于，步骤(5)中，欧式距离计算公式为：，
其中，和/>分别为待匹配特征点对Pa和Pb的描述算子。
7.根据权利要求1所述的一种基于侧扫声呐图像的 DVL 速度野值检测方法，其特征在于，步骤(6) 所述AUV侧向速度的具体计算方法为：
定义第个像素点到AUV中心的斜距/>：
，
其中，Range为最大斜距，为总像素数；
设水底线对应的像素位置在处，此时AUV距离水底的高度h为；
，
像素点对应的水底特征点到AUV中心点的横向水平距离o满足：
，
因此像素点对应的水底特征点到AUV中心点的横向水平距离o为：
，
假设和/>分别是一对相邻数据帧匹配到的相关特征点的像素值，/>和/>分别是对应的水底线特征点的像素值，则其表观的载体侧向速度/>为：
，
其中，为两相邻特征点的距离差，/>为两特征点之间的时间差，Rpetition为每帧数据的扫描周期，且/>是载体实际侧向速度，其大小、方向不随标志物的变化而变化，/>是特征标志物自身宽度变化速率，随着特征点不同而不断变化，其值正负不一且绝对值较小；
求解表观载体侧向速度的平均值/>：
其中，Num为每相邻数据帧中相关特征点的个数，每一组的相关特征点的数量越多，得到平均值就趋近于0，只要特征点数量足够多就能保证表观载体侧向速度/>的平均值；进一步地，将求解得到的AUV侧向速度与DVL的输出相减得到差值，再反馈到DVL速度中剔除野值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410240941.6A CN117826132A (zh) | 2024-03-04 | 2024-03-04 | 一种基于侧扫声呐图像的dvl速度野值检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410240941.6A CN117826132A (zh) | 2024-03-04 | 2024-03-04 | 一种基于侧扫声呐图像的dvl速度野值检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117826132A true CN117826132A (zh) | 2024-04-05 |
Family
ID=90521306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410240941.6A Pending CN117826132A (zh) | 2024-03-04 | 2024-03-04 | 一种基于侧扫声呐图像的dvl速度野值检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117826132A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0572335A (ja) * | 1991-08-27 | 1993-03-26 | Kaijo Hoanchiyou Chokan | 異常船速の検出方法およびその装置 |
| CN109544609A (zh) * | 2018-10-11 | 2019-03-29 | 天津大学 | 一种基于sift算法的侧扫声呐图像匹配方法 |
| CN111947651A (zh) * | 2020-07-17 | 2020-11-17 | 中国人民解放军海军工程大学 | 水下组合导航信息融合方法、系统及自主式水下航行器 |
| CN112381870A (zh) * | 2020-11-25 | 2021-02-19 | 河海大学常州校区 | 一种基于双目视觉的船舶识别与航速测量系统及方法 |
-
2024
- 2024-03-04 CN CN202410240941.6A patent/CN117826132A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0572335A (ja) * | 1991-08-27 | 1993-03-26 | Kaijo Hoanchiyou Chokan | 異常船速の検出方法およびその装置 |
| CN109544609A (zh) * | 2018-10-11 | 2019-03-29 | 天津大学 | 一种基于sift算法的侧扫声呐图像匹配方法 |
| CN111947651A (zh) * | 2020-07-17 | 2020-11-17 | 中国人民解放军海军工程大学 | 水下组合导航信息融合方法、系统及自主式水下航行器 |
| CN112381870A (zh) * | 2020-11-25 | 2021-02-19 | 河海大学常州校区 | 一种基于双目视觉的船舶识别与航速测量系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李凯: "基于侧扫声呐图像的水下组合导航算法研究", 中国优秀硕士学位论文全文数据库 工程科技II辑, 15 February 2020 (2020-02-15), pages 22 - 24 * |
| 李鹏: "侧扫声呐图像特征匹配方法研究", 中国博士学位论文全文数据库 信息科技辑, 15 June 2018 (2018-06-15), pages 32 - 33 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108388896B (zh) | 一种基于动态时序卷积神经网络的车牌识别方法 | |
| CN111311679B (zh) | 一种基于深度相机的自由漂浮目标位姿估计方法 | |
| CN107844750A (zh) | 一种水面全景图像目标检测识别方法 | |
| CN104820996A (zh) | 一种基于视频的自适应分块的目标跟踪方法 | |
| Henson et al. | Attitude-trajectory estimation for forward-looking multibeam sonar based on acoustic image registration | |
| CN111291327B (zh) | 一种基于分治思想的多波束海底底质分类方法 | |
| CN109308713B (zh) | 一种基于前视声纳的改进核相关滤波水下目标跟踪方法 | |
| CN113034569A (zh) | 一种基于点云数据的船舶超限预警方法及系统 | |
| CN114549549B (zh) | 一种动态环境下基于实例分割的动态目标建模跟踪方法 | |
| CN115908539A (zh) | 一种目标体积自动测量方法和装置、存储介质 | |
| Li et al. | Vision-based target detection and positioning approach for underwater robots | |
| CN117710458A (zh) | 一种基于双目视觉的舰载机着舰过程相对位置测量方法及系统 | |
| CN116310837B (zh) | 一种sar舰船目标旋转检测方法及系统 | |
| CN117826132A (zh) | 一种基于侧扫声呐图像的dvl速度野值检测方法 | |
| CN111307157A (zh) | 一种基于视觉的无人机自主降落的导航信息解算方法 | |
| CN115511853A (zh) | 基于方向可变特征的遥感船舶检测与识别方法 | |
| CN112348853B (zh) | 基于红外显著性特征融合的粒子滤波跟踪的方法 | |
| CN113296139B (zh) | 一种自适应图像光流与rtk融合测姿方法 | |
| CN114998437A (zh) | 一种空间目标形心定位方法 | |
| 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 | |
| CN114690226A (zh) | 基于载波相位差分技术辅助的单目视觉测距方法及系统 | |
| CN114998624A (zh) | 图像查找方法和装置 | |
| CN115240058A (zh) | 一种联合图像精准分割和目标阴影信息的侧扫声呐目标检测方法 | |
| CN113643355A (zh) | 一种目标车辆位置和朝向的检测方法、系统及存储介质 | |
| CN115096196B (zh) | 一种用于火箭回收的视觉测高测速方法、系统及存储介质 |
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 |