一种面向水下机器人搜寻探摸的目标定位方法技术

本发明专利技术公开了一种面向水下机器人搜寻探摸的目标定位方法，包括以下步骤：提取并识别水下目标声呐图像的A‑KAZE特征点；测算水下目标相对于水下机器人的二维方位；测算水下机器人的仰角；测算水下目标相对于水下机器人的三维方位；修正水下机器人的仰角，修正水下目标点相对于水下机器人的三维方位。本发明专利技术面向水下机器人搜寻探摸的目标定位方法，基于前视声呐数据，运用深度卷积神经网络对水下目标特征点进行自动提取和识别，结合水下机器人姿态，实现了水下目标的精准定位，便于搜寻人员对于水下目标的位置进行精细化探测，实现水下搜寻探摸作业的可靠化、高效化、智能化，此发明专利技术用于水下目标搜寻探摸技术领域。

【技术实现步骤摘要】
一种面向水下机器人搜寻探摸的目标定位方法
本专利技术涉及水下目标搜寻探摸
，特别是涉及一种面向水下机器人搜寻探摸的目标定位方法。
技术介绍
在对海洋进行科学研究时，水下机器人是最重要的研究工具，用于代替人类长时间水下作业或者在恶劣水下环境中工作。在复杂的水下环境中，最为可靠有效的探测手段是水声探测，也是水下机器人应用最为广泛的水下探测手段。综合利用现代声呐探测技术对遇难事故海域水下展开搜寻探摸，获取水下搜寻目标的关键特征点，同时结合目标特征点和探摸机器人的姿态信息，实现水下目标的准确定位。现有的水下目标搜寻探摸方法获得的水下目标位置的精细化及准确性不高，研究水下目标搜寻探摸定位方法是而今乃至未来很长一段时间的科学研究中的焦点问题。
技术实现思路
本专利技术的目的在于至少解决现有技术中存在的技术问题之一，提供一种面向水下机器人搜寻探摸的目标定位方法，能够实现水下目标的精确定位。根据本专利技术的实施例，提供一种面向水下机器人搜寻探摸的目标定位方法，包括以下步骤：S1.通过水下机器人的前视声呐采集的声纳图像提取水下目标的A-KAZE特征点；S2.将带有A-KAZE特征的声呐图像输入卷积神经网络方法识别声呐图像中目标的A-KAZE特征点；S3.运用目标特征点与前置声呐的几何关系测算水下目标相对于水下机器人的二维方位；S4.将水下目标特征点二维方位和水下机器人的姿态结合测算水下机器人的仰角θ，通过得到的仰角θ测算水下目标相对于水下机器人的三维方位；>S5.运用约束不足或约束充足的特征点修正水下机器人的仰角θ，修正水下目标点相对于水下机器人的三维方位。根据本专利技术实施例所述的面向水下机器人搜寻探摸的目标定位方法，所述步骤S1中提取水下目标的A-KAZE特征点包括以下步骤：S101.定义一组演化时间构建非线性尺度空间；S102.将像素单位中的离散集转换为时间单位；S103.给定输入图像和对比度因子，使用快速显式扩散方法；S104.将快速显式扩散方法嵌入从粗到细的金字塔方法中；S105.为每个声呐图像计算海森行列式；S106.使用级联沙尔滤波器计算二阶导数。根据本专利技术实施例所述的面向水下机器人搜寻探摸的目标定位方法，所述步骤S2的具体实现包括以下子步骤：S201.使用GoogLeNet架构在声呐图像数据集上训练卷积神经网络。根据本专利技术实施例所述的面向水下机器人搜寻探摸的目标定位方法，所述GoogLeNet架构包括五层，第一层和第二层为卷积层和最大池化层，第三层为inception层，第四层为特征层，是完全连接的层，第四层将先前的输出映射到Dim×1向量，第五层是完全连接的层，第五层将先前的特征层映射为3×1向量，并将映射为3×1向量的特征层与使用欧式损失的位置标签进行比较。根据本专利技术实施例所述的面向水下机器人搜寻探摸的目标定位方法，所述步骤S3的具体实现包括以下子步骤：S301.局部笛卡尔声呐坐标系与球面参数坐标系相互转化。根据本专利技术实施例所述的面向水下机器人搜寻探摸的目标定位方法，所述步骤S4的具体实现包括以下子步骤：S401.将水下目标特征点和水下机器人的姿态公式化为非线性最小二乘因子图优化，对于每个姿态Xt，包含以下6个参数(x，y，z，yaw，pitch，roll)，对于每个特征点，包含以下3个参数(x，y，z)；S402.将因子图求解为非线性最小二乘优化；S403.将特征点lj＝(x，y，z)转换为声呐帧，获得局部坐标(xs，ys，zs)的方位角和距离；S404.利用对数函数的单调性，通过声呐测量值的反投影找到特征点的初始估计；S405.将未知仰角θ设置为0，然后使用水下机器人姿态Xt将点从声纳直角坐标(xs，ys，zs)转换为世界直角坐标(x，y，z)，用作初始猜测特征点的三维方位；S406.将预测的三维特征点位置转换为姿态Xt的声呐坐标系。根据本专利技术实施例所述的面向水下机器人搜寻探摸的目标定位方法，所述步骤S5的具体实现包括以下子步骤：S501.通过不同姿态观察目标特征点的仰角；S502.将观察到的特征点分类为约束不足或约束充足的要素；S503.为了确定点特征点是否受到充足约束，使用三自由度球面参数化；S504.以特征点l0的初始估计为线性化点，使用测量函数的泰勒级数展开；S505.将优化简化为线性最小二乘问题；S506.确定优化是否受到测量约束；S507.从状态向量中完全删除约束不足的特征点；S508.仅从状态向量中完全删除约束不足的特征点的仰角，然后将约束不足的特征点建模为因子图中的二维方位距离点。有益效果：本面向水下机器人搜寻探摸的目标定位方法，基于前视声呐数据，运用深度卷积神经网络对水下目标特征点进行自动提取和识别，结合水下机器人姿态，实现了水下目标的精准定位，便于搜寻人员对于水下目标的位置进行精细化探测，实现水下搜寻探摸作业的可靠化、高效化、智能化，此专利技术用于水下目标搜寻探摸
附图说明下面结合附图对本专利技术作进一步说明：图1是本专利技术实施例的步骤框图；图2是本专利技术实施例目标特征点与前置声呐的几何关系图；图3是本专利技术实施例的因子图模型；图4是本专利技术实施例水下目标的三维位置图；图5是本专利技术实施例水下机器人绕z轴旋转的示意图；图6是本专利技术实施例从状态向量删除约束不足的特征点的因子图修正模型；图7是本专利技术实施例仅从状态向量中删除约束不足的特征点的仰角的因子图修正模型。具体实施方式本部分将详细描述本专利技术的具体实施例，本专利技术之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本专利技术的每个技术特征和整体技术方案，但其不能理解为对本专利技术保护范围的限制。在本专利技术的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。在本专利技术的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。本专利技术的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属
技术人员可以结合技术方案的具体内容合理确定上述词语在本专利技术中的具体含义。参照图1，本专利技术实施例提供一种面向水下机器人搜寻探摸的目标定位方法，包括以下步骤：S1.通过水下机器人的前视声呐采本文档来自技高网...

【技术保护点】
1.一种面向水下机器人搜寻探摸的目标定位方法，其特征在于，包括以下步骤：/nS1.通过水下机器人的前视声呐采集的声纳图像提取水下目标的A-KAZE特征点；/nS2.将带有A-KAZE特征的声呐图像输入卷积神经网络方法识别声呐图像中目标的A-KAZE特征点；/nS3.运用目标特征点与前置声呐的几何关系测算水下目标相对于水下机器人的二维方位；/nS4.将水下目标特征点二维方位和水下机器人的姿态结合测算水下机器人的仰角θ，通过得到的仰角θ测算水下目标相对于水下机器人的三维方位；/nS5.运用约束不足或约束充足的特征点修正水下机器人的仰角θ，修正水下目标点相对于水下机器人的三维方位。/n

【技术特征摘要】
1.一种面向水下机器人搜寻探摸的目标定位方法，其特征在于，包括以下步骤：
S1.通过水下机器人的前视声呐采集的声纳图像提取水下目标的A-KAZE特征点；
S2.将带有A-KAZE特征的声呐图像输入卷积神经网络方法识别声呐图像中目标的A-KAZE特征点；
S3.运用目标特征点与前置声呐的几何关系测算水下目标相对于水下机器人的二维方位；
S4.将水下目标特征点二维方位和水下机器人的姿态结合测算水下机器人的仰角θ，通过得到的仰角θ测算水下目标相对于水下机器人的三维方位；
S5.运用约束不足或约束充足的特征点修正水下机器人的仰角θ，修正水下目标点相对于水下机器人的三维方位。


2.根据权利要求1所述的面向水下机器人搜寻探摸的目标定位方法，其特征在于，所述步骤S1中提取水下目标的A-KAZE特征点包括以下步骤：
S101.定义一组演化时间构建非线性尺度空间；
S102.将像素单位中的离散集转换为时间单位；
S103.给定输入图像和对比度因子，使用快速显式扩散方法；
S104.将快速显式扩散方法嵌入从粗到细的金字塔方法中；
S105.为每个声呐图像计算海森行列式；
S106.使用级联沙尔滤波器计算二阶导数。


3.根据权利要求1所述的面向水下机器人搜寻探摸的目标定位方法，其特征在于，所述步骤S2的具体实现包括以下子步骤：
S201.使用GoogLeNet架构在声呐图像数据集上训练卷积神经网络。


4.根据权利要求3所述的面向水下机器人搜寻探摸的目标定位方法，其特征在于：所述GoogLeNet架构包括五层，第一层和第二层为卷积层和最大池化层，第三层为inception层，第四层为特征层，是完全连接的层，第四层将先前的输出映射到Dim×1向量，第五层是完全连接的层，第五层将先前的特征层映射为3×1向量，并将映射为3×1向量的特征层与使用欧式损失的位置标签进行比较。...

【专利技术属性】
技术研发人员：马杰，尉浩然，余逸飞，刘克中，张煜，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：湖北;42