一种新型景象匹配导航方法及系统

文档序号:37750690发布日期:2024-04-25 10:37阅读:22来源:国知局
一种新型景象匹配导航方法及系统

本发明属于视觉导航,尤其涉及一种新型景象匹配导航方法及系统。


背景技术:

1、景象匹配导航作为一种重要的辅助导航方式,具有全天候、低成本、高精度的优势,被广泛应用于飞行器、地面设备导航场景。然而,根据基准地图和飞行器实时拍摄图像进行匹配定位的过程需要消耗大量时间,难以实现硬件系统部署和实际应用。因此,匹配过程如何提升实时性,成为当前研究的热点。

2、现有的图像匹配技术主要分为两类:基于图像特征的匹配方法和基于统计信息的匹配方法。基于特征的匹配方法是目前应用最广泛的图像匹配算法,基本原理是将图像中的某些特征采用特殊的描述子进行描述,将图像信息转换为描述子说明,之后将目标图像的描述子和基准图像的描述子进行匹配,得到最终的相对位置信息。目前应用较为广泛的描述子主要有点特征、线特征、区域特征等,构建描述子后通过相似性度量的方式判断图像匹配关系在一些低空、低速飞行器系统已经获得较好的验证。但是面对特征较为丰富、复杂的高空航空图像依旧存在实时图像构建描述子时间过长的、难以满足系统的实时性要求的问题。基于统计信息的匹配方法,主要是聚焦于图像的灰度等特征进行聚类和统计分析,构建特征向量描述图像特征,之后在图像间进行相似性度量获得位置信息。针对航空图像导航场景,该种方法存在统计信息不仅计算量大,而且易受场景光照变化影响的问题。

3、伴随着深度学习算法在图像处理领域的广泛应用,众多图像处理任务实时性得到了极大的提升,图像匹配领域也出现了大量基于深度学习的匹配算法。例如采用神经网络进行特征点提取,大大缩减了匹配时间,但是在面对像素点过多的情况下依旧存在实时性低的问题。也有部分利用了图像的语义特征,通过目标检测的方法快速实现图像粗匹配,在粗匹配区域采用传统算法完成精匹配,但是存在无法抵抗图像的尺度变化、对相同语义目标没有区分性的问题。


技术实现思路

1、本发明针对现有技术的不足,提供了一种新型景象匹配导航方法,能在匹配过程中获得较高准确率、较好的场景适应性和较短的匹配时间。

2、为了实现上述功能,本发明采用如下技术方案:

3、一种新型景象匹配导航方法,包括以下步骤:

4、s1、获取地图基准图像并制作语义标注数据集,并获取实时图像;

5、s2、利用语义标注数据集对yolov5网络进行训练,得到能够对目标特殊语义区域进行检测的网络结构,对地图基准图像进行特殊语义区域进行检测,获得地图基准图像路标点描述;

6、s3、删除虚检点,构建路标点数据库;

7、s4、依据最临近原则将每个路标点与周围路标点构建特征三角形描述子;

8、s5、采用冗余词条优化和最优角度优选的方式构建三角形描述子库;

9、s6、根据实时图像生成的三角形描述子和三角形描述子库进行相似性度量,采用最优误差标准得到库中的匹配三角形描述子,将实时区域相对坐标信息转换为三角形描述子库词条绝对坐标信息,解算得到飞行器当前绝对位置信息。

10、作为优选,步骤s1具体为,首先将地图基准图像按照一定像素尺寸进行裁剪;然后对裁剪区域接缝处额外进行图像裁剪,保障每个语义区域能被完整的裁剪;最后选取城市场景中的操场和十字交叉路口区域作为特殊语义区域,将裁剪后图像通过labelme软件进行特殊语义区域标注获得语义标注数据集。

11、作为优选,步骤s2中,所述地图基准图像路标点描述词条表示为:

12、pointm=[labelm,scorem,xm,ym]

13、其中,m表示当前路标点的序号;pointm表示第m个路标点;labelm表示当前路标点的类别;scorem表示当前路标点的置信度得分,置信度得分表征了当前检测区域与标签数据中区域的相似性得分,得分越高表示相似度越高;xm、ym表示当前路标点在基准地图中的绝对横坐标和绝对纵坐标。

14、作为优选,步骤s3中,所述删除虚检点为:将地图基准图像路标点描述置信度得分低于设定值的路标点词条判定为虚检点进行删除;所述构建路标点数据库为:将符合要求的路标点词条存储为.npy格式文件,构建为路标点数据库。

15、作为优选,步骤s4中,具体步骤为:

16、将路标点根据坐标数值大小进行排序,顺序选择需要被描述的路标点作为基准点;选取基准点的前后点与描述点计算欧氏距离,根据距离值选择描述点;

17、将基准点作为三角形顶点,描述点作为三角形其余两顶点,构建特征三角形并构建特征三角形语义信息词条、三角形形状信息和三角形位置以构建三角形描述子。

18、作为优选,步骤s4中,所述选择描述点具体为:选取距离小于阈值距离d的点作为描述点,d取值为实时检测图像矩形区域的对角线长度。

19、作为优选,步骤s4中,所述特征三角形语义信息词条:

20、将特征三角形三个端点通过语义检测网络得到的语义信息进行统计,根据三个端点作为顶点构成的内角大小关系进行排序,表示为:

21、semanticsm=[label1m,label2m,label3m]

22、式中,下标m表示第m个特征三角形词条,label1m表示最大角顶点的语义类别,label2m表示次大角顶点的语义类别,label3m表示最小角顶点的语义类别;

23、所述三角形形状信息:

24、选取特征三角形两个内角描述三角形形状,表示为:

25、shapem=[θm1,θm2]

26、式中,θm1表示第m个特征三角形的最大内角,θm2表示第m个特征三角形的次大内角;

27、所述三角形位置:

28、选取三角形外心描述三角形位置,表示为:

29、positionm=[tri_xm,tri_ym]

30、式中,tri_xm表示第m个特征三角形的外心绝对横坐标,tri_ym表示第m个特征三角形的外心绝对纵坐标;

31、所述三角形描述子表示为:

32、trism=[label1m,label2m,label3m,θm1,θm2,tri_xm,tri_ym]。

33、作为优选,步骤s5中,所述冗余词条优化为:删除描述同个特征三角形的重复三角形描述子;所述最优角度优选为:删除三角形内角过大或过小的情况,仅保留内角角度在预设范围内的三角形描述子词条;将符合要求的三角形描述子词条存储为.npy格式文件,构建为三角形描述子数据库。

34、作为优选,步骤s6中,所述相似性度量为:

35、针对不同的类别赋不同的值,依次判断数据库中的特征三角形描述子trism中的类别label={label1,label2,label3}与实施图像生成的三角形描述子的类别是否一致,若均一致则匹配成功,否则匹配失败;

36、作为优选,所述最优误差标准为:当三角形描述子匹配成功时,依据角度误差判定内角是否相等,小于设定阈值判定为相等,否则判定为不相等,匹配失败;角度误差表示为:

37、ess=|θm1-θn1|+|θm2-θn2|

38、其中,θm1、θm2表示三角形描述子库中三角形描述子的最大内角、次大内角,θn1、θn2表示实时图三角形描述子的最大内角、次大内角;

39、在满足匹配成功的词条中选择匹配误差最小的库中三角形描述子作为最终结果,表示为:

40、essn=min(ess1,ess2,…,essi)

41、其中,ess1,ess2,…,essi表示匹配成功的所有三角形描述子的匹配误差,essn表示所有误差中最小值。

42、本发明还提供一种景象匹配导航系统,包括:

43、路标点获取模块,采用自制语义标注数据集训练yolov5网络,获得能够针对特殊语义区域进行检测的网络结构,对地图基准图像进行特殊语义区域检测,获得地图基准图像路标点描述;

44、路标点数据库构建模块,将地图基准图像路标点描述置信度得分低于0.5的路标点词条判定为虚检点进行删除,构建路标点数据库;

45、特征三角描述子构建模块,依据最临近原则将每个路标点与周围路标点构建特征三角形描述子;

46、三角形描述子库构建模块,采用冗余词条优化和最优角度优选方式构建三角形描述子库;

47、三角形描述子匹配模块,据实时图像生成的三角形描述子和三角形描述子库进行相似性度量,采用最优误差标准得到库中的匹配三角形描述子,最终得到的相对位置信息,解算导航参数。

48、本发明采用以上技术方案,与现有技术相比,其显著技术效果如下:

49、(1)本发明在路标点获取中,通过yolov5算法实现图像路标点语义信息的提取和图像描述,充分利用了图像中的语义信息,实现了对图像特征的降维描述,增强了图像特征的场景适应性;

50、(2)本发明通过最近原则构建三角形描述子、丰富路标点描述、构建三角形描述子库,增强了图像语义描述的全局性、尺度不变性和针对相同语义目标的特异性描述;且构建三角形描述子过程中采用了冗余词条优化的方式减小了三角形描述子库的冗余度,通过角度优选原则提升了三角形描述子的鲁棒性;

51、(3)本发明在相似性度量过程中采用了最优误差匹配原则,提升了景象匹配的正确率;

52、(4)本发明通过引入三角形描述子,构建了新的语义特征描述子,在景象匹配过程中具有较高准确率、较好的场景适应性、较短的匹配时间的优势。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1