一种基于视觉图像的定位导航欺诈检测系统的制作方法

本发明涉及定位导航以及图像处理领域，特别是涉及一种基于视觉图像的定位导航欺诈检测系统。

背景技术：

当今社会，越来越多的设备和应用高度依赖于先进的定位导航系统，如gps，北斗，glonass，伽利略等所提供的各项便捷的服务，例如，获取准确的地理位置信息，辅助导航,以及同步精确的时钟等功能。据不完全统计目前全球已有超过数十亿的设备和用户(如智能手机，平板电脑，gps定位仪，物联网设备,各大股票、大宗商品交易所等)正使用各种基于定位、导航、授时的服务。以gps和北斗为代表的，基于定位导航授时服务的各项运用已经深入人们生活的方方面面。特别是在航空领域，gps卫星定位导航更是保障飞行器顺利完成任务，以及维护旅客的人身和财产的安全重要手段。

与此同时，由于一般的民用卫星定位导航信号并没有经过加密认证，且是公开广播的，而加密认证过的军用卫星定位导航信号一般的民用设备无法利用，因此常见的民用设备，如手机，物联网设备等，特别是涉及重大人民财产安全的飞行器(民航客机，直升机，无人机等)，很容易受到定位导航欺诈攻击。另一方面，随着技术和工艺的进步，实施针对飞行器的定位导航的欺诈攻击成本显著降低。目前商用现货移动gps欺诈设备的价格已经低于1000美元，并且开源的gps攻击软件工具已经具备让普通大众有能力实施gps欺诈攻击。关于gps欺诈的攻击已不仅只是停留在实验室里的场景，在近年来有关gps欺诈事件的在新闻报道中也屡见不鲜。随着基于定位导航应用场景的越来越多，不久的将来，如何有效的反gps欺诈，保证飞行器和人身财产的安全变得至关重要。现有的反导航定位欺诈技术方案要么要求改动或升级现有的定位导航的基础设施(如修改现有gps信号结构，或引入密码学加密方案等)，要么需要引入新的昂贵的支持虚假导航信号探测的设备，要么要求多个gps信号接收设备的协同配合检测。这些现有的反定位导航欺诈检测方法已经不能适应新的运用场景和新的需求。

在传统的飞行器上，一般都配备了图像采集设备(照相机，摄像头，夜视仪等)，使得本地或远程的中央控制模块可通过图像采集设备拍摄的环境图片进行远程或本地监控和分析。自21世纪的人工智能大潮以来，计算机系统对于图像的识别能力飞速发展。2012年到2014年这个时期内，计算机视觉识别率也一直提高。2012年计算机视觉识别率为27％，2014年在归类数据库imagenet挑战赛中获胜系统的错误率为6.6％，而同样条件下人的错误率是5.1％，也就是说识别图象的能力基本和人相当。一年之后该系统错误率降到了4.94％，首次实现了对人类视觉能力的突破。最近几年，随着深度学习的进一步研究，ai的识别能力已经大大超越了人类。

本设计基于自然环境特征的随机性以及难以伪造性，飞行器的运动轨迹对定位导航欺诈攻击者的不可预知性，以先进的人工智能算法为基础，为飞行器的定位导航欺诈检测设计轻量级的，自动化的安全检测机制，从而保障飞行器的安全性，可行性高、方便管理、远程控制方便，在针对定位导航系统欺诈的检测普及上有着广泛的市场前景。

技术实现要素：

本发明主要目的以及解决的技术问题是：为克服现目前欺诈检测技术的实用性，便捷性不足，比如成本过高，需要多个设备配合，或者升级现有的定位导航基础设施，本发明的目的在于提供一种基于视觉图像的定位导航欺诈检测系统，以及快捷，方便，准确，低成本的欺诈检测方法。

为解决上述技术问题，本发明提供一种基于视觉图像的定位导航欺诈的全自动化检测系统，包括：中心控制模块，真实环境图像采集模块、卫星地图采集模块，图像比较分析模块、和定位导航欺诈预警模块,所述中心控制模块负责人机交互，初始化各个模块，各个模块的控制，及耦合，参数设置和管理整个系统等功能，所述真实环境图像采集模块通过装备在飞行器(如无人机，直升机，民航客机等)上的图像采集设备(如照相机，摄像头，夜视仪等)采集真实环境图像，并将采集到的真实环境图像发送到卫星地图采集模块和图像比较分析模块，所述卫星地图采集模块根据接收到的真实环境图像的地理位置信息，从自身系统集成的卫星地图数据库或从公开的卫星地图信息资源(如百度地图，谷歌地图，谷歌地球，高德地图等)获得对应地理位置的卫星地图，并将获得的对应地理位置的卫星图像发送到图像比较分析模块，所述图像比较分析模块根据输入真实环境图像和卫星图像，用基于人工智能算法，判断真实环境图像和根据真实环境图像位置取得的卫星图像是否一致，所述定位导航欺诈预警模块根据图像比较分析模块的判断结果做出是否发出欺诈攻击警告，是否通知管理人员。

在本发明一个较佳实施例中，所述中心控制模块与其他模块可以配置在飞行器上，也可以分布式配置在远端，为具有计算能力的设备和程序。

在本发明一个较佳实施例中，所述真实环境图像采集模块为具有图像或视频采集能力以及传输通讯能力的设备和程序。

在本发明一个较佳实施例中，所述卫星地图采集模块为具有计算，联网通讯能力的设备和程序。

在本发明一个较佳实施例中，所述图像比较分析模块为具备一定强度计算能力，和先进人工智能算法以及通讯能力的设备和程序。

在本发明一个较佳实施例中，所述定位导航欺诈预警模块，用于判断欺诈攻击，以及具备发出攻击警报，通知管理者的能力。

在本发明一个较佳实施例中，所述各个模块之间的通讯可以通过预设的安全机制(如安全协议，安全信道等)来保障通讯安全和私密性。

在本发明一个较佳实施例中，所述视觉图像定位导航欺诈检测的步骤如下：

(1)所述中心控制模块，初始化系统和各个模块，并设置各项参数(比如阈值，通信协议，检测间隔等)，并根据需要设置各项参数，发起定位导航欺诈检测指令；

(2)所述真实环境图像采集模块接受命令后，通过配置在飞行器(如无人机，直升机，民航客机等)上的图像采集设备(如照相机，摄像头，夜视仪等)采集真实环境图像，并将采集到真实环境图像发送到卫星地图采集模块和图像比较分析模块；

(3)卫星地图采集模块根据接收到的真实环境图像的位置信息，从自身系统集成的卫星地图数据库或从公开的卫星地图信息渠道(如百度地图，谷歌地图，谷歌地球，高德地图等)获得对应位置的卫星地图，并将获得的对应位置的卫星图像发送到图像比较分析模块；

(4)图像比较分析模块输入真实环境图像和卫星图像，基于人工智能算法，输出真实环境图像和对应的卫星图像是否相似的结果,并将结果告知定位导航欺诈预警模块；

(5)定位导航欺诈预警模块根据所述图像比较分析模块的输出结果判定欺诈与否，负责发出欺诈警报，通知管理者。如果判断真实环境图像和卫星图像相似，则飞行器未被定位导航欺诈。如果真实环境图像和对应的卫星图像不相似，则飞行器正在被定位导航欺诈攻击。定位导航欺诈预警模块向中心控制模块发出警告信息，通知管理人员，并启用备用导航技术。

与现有技术相比较，本发明的有益效果是：本发明创新地利用了目前先进的人工智能算法在图像识别上的优势，灵活地运用了配置在飞行器上的图像采集设备(如照相机，摄像头，夜视仪等)，并通过增加的卫星地图采集模块，图像比较分析模块，定位导航欺诈预警模块，使得中心控制模块可通过对真实环境图像和声称的地理位置的卫星图像进行比较，为定位导航欺诈检测提供了一套快速准确的安全机制，及时向管理者发出警报，保障了飞行器的定位导航系统的安全性，准确度高、方便管理、远程操作方便，反应快速，在定位导航系统欺诈的检测普及上有着广泛的市场前景。比起传统的定位导航欺诈机制，本系统不需要升级现有的接收gps，北斗，glonass，伽利略等卫星信号的定位导航系统的基础设施，修改卫星信号的物理结构，并且不需要额外增加gps,北斗等信号的接收机，本发明只利用了现有的设备仪器，从而降低了欺诈攻击的检测成本。此外，相对于多接收机欺诈检测机制，本系统可以实现单个飞行器的定位导航欺诈检测，具有更好的实用性，便捷性和广泛性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：

图1是本发明的基于视觉图像的定位导航欺诈检测系统一较佳实施例的模块关系示意图；

图2是本发明的基于视觉图像的定位导航欺诈检测系统一较佳实施例的定位导航欺诈检测的流程示意图。

具体实施方式

下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，本发明实施例包括：

一种基于视觉图像的定位导航欺诈检测系统，包括：中心控制模块1、真实环境图像采集模块2、卫星地图采集模块3、图像比较分析模块4和定位导航欺诈预警模块5。

该系统的典型组成如下，地面站，无人机和数传电台。中心控制模块1和地图采集模块3以及图像比较分析模块4和定位导航欺诈预警模块5可以配置在地面站，其中的通讯功能由数传电台负责。真实环境图像采集模块2位于无人机上。

地面站，就是在地面的基站，也就是指挥飞机的，地面站可以分为单点地面站或者多点地面站。地面站能够清楚的知道天上在飞行的飞机，并能时时监测到飞机当前的飞行路线，状况，以及飞机的时时调度等。地面站设备组成一般都是由遥控器、电脑、视频显示器，电源系统，电台等设备组成，一般简单的来说就是一台电脑(手机、平板)，一个电台，一个遥控，电脑(手机、平板)上装有控制飞机的软件，通过航线规划工具规划飞机飞行的线路，并设定飞行高度，飞行速度，飞行地点，飞行任务等通过数据口连接的数传电台将任务数据编译传送至无人机中。

数传电台就是数据传输电台，是飞机与地面站通信的一个主要工具，一般的数传电台采用的接口协议有ttl接口、rs485接口和rs232接口，也可以采用can-bus总线接口，频率有2.4ghz、433mhz、900mhz、915mhz。最终目的是保证飞机与地面站之间的通讯，地面站给飞机的任务，飞机实时飞行高度，速度等很多数据都会通过它来传输，以方便管理员时时监控飞机情况，根据需要随时修改飞机航向等。

整套定位导航欺诈检测系统的工作原理如下所述：地面站开机，规划航线，飞控开机，上传航线至飞控，设置各种参数，爬升高度，结束高度，盘旋半径或直径，清空空速计等，一切正常，无人机开始起飞，盘旋几周后开始飞向任务点，执行任务。执行任务途中开启反欺诈检测，检查飞行中是否被gps欺诈攻击。无人机收到指令后回传实时的真实环境图片到地面站。地面站截取对应gps坐标的卫星图片，根据人工智能算法判断无人机回传图片和根据gps坐标获得的图片是否一致。系统预测无人机是否被gps欺诈攻击。一旦发现被攻击，工作站发出欺诈警报。

所述中心控制模块1，所述真实环境图像采集模块2，所述卫星地图采集模块3，所述图像比较分析模块4和定位导航欺诈预警模5保持通讯连接，信息交流，例如采用wi-fi、蓝牙，zigbee,或者nrf等有线或无线手段，所述中心控制模块1通讯连接所述真实环境图像采集模块2，所述卫星地图采集模块3，所述图像比较分析模块4和对所导航欺诈预警模5进行定位导航欺诈检测。

优选地，所述真实环境图像采集模块2设置在需要检测定位导航欺诈攻击的飞行器上，所述中心控制模块1可以设置在飞行器本地或远端，为具有计算能力的设备和程序。

优选地，所述真实环境图像采集模块2为具有图像或视频采集能力(比如安装摄像头)以及传输通讯能力的设备(比如发射器)和程序。

优选地，所述卫星地图采集模块3为具有计算，联网通讯能力的设备和程序。

优选地，所述图像比较分析模块4为具备一定强度计算能力，配备先进人工智能算法以及通讯能力的设备和程序。

优选地，所述定位导航欺诈预警模块5，用于判断欺诈攻击，以及具备发出攻击警报，通知管理者的能力。

优选地，所述各个模块之间的通讯可以通过预设的安全机制(如安全协议，安全信道等)来保障通讯安全。

优选地，所述中心控制模块1远程监控实施定位欺诈检测的具体步骤如下：

(1)初始化系统，所述中心控制模块1，初始化系统和真实环境图像采集模块2，卫星地图采集模块3，图像比较分析模块4和定位导航欺诈预警模块5，并设置各项参数(比如阈值，通信协议等)，并根据需要设置各项参数，发起定位导航欺诈检测指令；

(2)所述真实环境图像采集模块2接受命令后，通过装备在飞行器(如无人机，直升机，民航客机等)上的图像采集设备(如照相机，摄像头，夜视仪等)采集真实环境图像，并将采集到真实环境图像发送到卫星地图采集模块3和图像比较分析模块4；

(3)卫星地图采集模块3根据接从无人机接收得到的真实环境图像的位置信息，从自身系统集成的卫星地图数据库或从公开的卫星地图信息渠道(如百度地图，谷歌地图，谷歌地球，高德地图等)获得对应位置的卫星地图，并将获得的对应点的卫星图像发送到图像比较分析模块4；

(4)图像比较模块4是一个经过预先训练的人工智能模型，具备识别航拍图片和对应位置的卫星图像是否一致的能力。

该模块一种可能得具体实现描述如下。预先搜集数据，创立一个拥有大量的航拍图和卫星图一一配对的图像库。将一张航拍图和一张卫星图分别输入预先训练的卷积神经网络模型cnn，比如预训练的深度残差网络resnet-34,提取出两张图片各自图像的特征矩阵(featuremap)。然后训练一个分类器，以这两张图像的特征矩阵作为输入，输出他们是否一致。基于大量的数据库的图像特征，这个分类器可以被训练具有判断两个特征矩阵是否来自于同一个地区的航拍图和卫星图的能力。该分类器可以是基于阈值的线性分类器或其他机器学习算法，例如从大量的图像特征矩阵的欧氏距离中获取一个阈值，将计算出的阈值作为判断航空器是否被欺诈的一个分水岭。作为一个具体的例子，全连接神经网络fcn(fullyconnectedneuralnetwork)可以被作为一个可用的分类器。fcn以两个特征矩阵作为输入，输出一个0到1之间的浮点数，如果该浮点数大于0.5，则认为网络预测航拍图和卫星图来自于同一gps地区，飞行器的gps信息可靠，否则认为航拍图和卫星图不一致，飞行器的gps信息不可靠。在训练阶段，从图像库中选取500对一致(来自同一gps地区)的航拍图和卫星图像作为训练正样本，另选取500对不一致的航拍图、卫星图作为负样本。将此1000对图像作为训练数据对fcn进行训练直至网络收敛，网络的损失函数指标不再下降。然后另外选取200对一致图像和200对不一致图像对fcn进行测试，测试所得结果即可反应整个模块的性能表现。随后将resnet-34和fcn一起作为整个模块适配入该专利所描述的系统中。系统运行时，以飞行器获取的航拍图和根据飞行器的gps获取的卫星图作为输入，经过resnet-34分别提取特征矩阵，再把两个特征矩阵作为输入通过fcn，最后得到0到1之间的输出结果，以此判断航空器是否被欺诈。

该人工智能模型识别航拍图片另一种可能的具体过程是，预先创立一个拥有大量的航拍图和卫星图配对的图像库。将航拍图和卫星图一同输入卷积神经网络模型，比如使用了预训练深度残差网络resnet-34初始化的的孪生网络siamesenetwork。类似地，在训练阶段选取500对正样本和500对负样本，对孪生网络进行训练，使得两张图片经过网络后的输出的欧氏距离满足以下条件：若航拍图和卫星图来自同一gps地区，则欧氏距离大于某一预设阈值，否则欧氏距离小于该阈值并且接近于0。

因此，基于大量的数据库的图像对该神经网络进行训练后的，该孪生神经网络将具备判断两图像是否匹配的能力，同时网络的输出可以给出两张图像匹配程度的具体指标(欧氏距离与阈值)。

本专利不限于此两种具体的人工智能模型和实现算法。

图像比较分析模块4分析从真实环境图像采集模块2收到的真实环境图像和从卫星地图采集模块3收到的卫星图像，利用基于以上人工智能的先进算法分析，判断真实环境图像和对应的卫星图像是否一致,并将结果告知定位导航欺诈预警模块5；

(5)定位导航欺诈预警模块5负责发出欺诈警报，通知管理者。如果真实环境图像和卫星图像一致，则飞行器未被定位导航欺诈。如果真实环境图像和卫星图像的不一致，则飞行器正在被定位导航欺诈攻击，定位导航欺诈预警模块向中心控制模块1发出警告信息，并启用备用导航技术。

附图2描述了一个典型的定位导航欺诈检测的流程。

以上所述仅为本发明的实施例，以上内容(比如提到的算法，模型，阈值等)是结合具体的优化实施方式对本发明所作的进一步详细说明，这仅是举例说明，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。