【技术实现步骤摘要】
一种GPS拒止条件下的绝对位置感知方法与系统
[0001]本专利技术属于图像信息处理领域,具体涉及一种在GPS拒止条件下的绝对位置感知方法与系统。
技术介绍
[0002]现在的定位,一般使用的都是GPS、北斗等卫星定位技术,但是某些特定的情况下,这些卫星定位的技术是使用不了的,比如在战时状态,卫星等电子设备是首要打击目标,一旦被摧毁,则无法进行定位,届时,所有的武器设备、飞机、车辆等均无法知晓自身位置;在野外的时候,由于受到干扰导致卫星信号较弱,导致GPS等卫星技术无法使用,也无法进行定位。因此,专利技术一种不依赖于GPS,能够进行自我定位的技术,显得尤为重要。
[0003]不依赖于GPS等卫星的定位技术,李银伢等人(专利公开号为CN109579841A)公开了一种GPS拒止条件下车载消防高载荷旋翼无人机高精度定位方法,通过拉绳式位移传感器和轴角编码器来对车载无人机的进行高精度定位,但是这种定位仅仅是定位无人机的高度,而不是无人机的位置;王维平等人(专利公开号为CN110068335A)公开了一种GPS拒止环境下无人机集群实时定位方法及系统,通过检测并匹配所捕捉到的图像彼此之间的显著特征,对共性特征进行三角化,形成稀疏重构,生成所有无人机都可以访问的全局地图,该方法只能确定无人机之间的相对位置,并不能确定无人机的绝对位置。
[0004]近年来,在GPS拒止条件的绝对定位,大多数都是基于天际线来进行,因为自然界中的天际线具有唯一性、稳定性等特征,天际线在自然界中很长的一段时间内,都不会进行改变,且每个地 ...
【技术保护点】
【技术特征摘要】
1.一种在GPS拒止条件下的绝对位置感知方法,其特征在于,该方法包括以下步骤:步骤A:将车载摄像头所采集的离散自然图像,进行360
°
的环形拼接成自然全景图像;步骤B:采用基于Deeplabv3+改进的语义分割网络,从自然全景图像中提取自然图像全景天际线;步骤C:基于遥感中心,获得位置待感知区域的DEM数据,采用OpenGL将DEM数据形成渲染图,使用Canny算子对渲染图进行边缘检测输出DEM图像全景天际线;步骤D:采用迁移学习的方法,采用VGG16作为孪生神经网络的特征编码器,利用所述孪生神经网络输出自然图像全景天际线与DEM图像全景天际线之间的相似度,作为匹配的结果,从而根据天际线匹配结果感知自身位置。2.根据权利要求1所述的一种在GPS拒止条件下的绝对位置感知方法,其特征在于,所述步骤A的具体处理过程如下:步骤A1:利用球形相机在侦察车上以固定视点,每次间隔40
°
拍摄,旋转一周,获得9张自然图像;步骤A2:将待拼接的自然图像分别投影到同一坐标系,柱面投影的公式如下:其中,(x,y)表示像素点在自然图像中的原始坐标,(x、,y、)表示柱面投影后的坐标,(widht,height)分别表示自然图像的宽高,f表示相机焦距;步骤A3:使用SIFT算子,对相邻自然图像之间的特征点进行识别,然后对采集得到的9张自然图像进行特征匹配,以经过特征匹配后的图像作为待拼接图像;步骤A4:通过建立拉普拉斯金字塔,将待拼接图像分别分解到不同的空间频带上,在各空间频率层上分别进行合并融合,获得自然全景图像。3.根据权利要求2所述的一种在GPS拒止条件下的绝对位置感知方法,其特征在于,通过建立拉普拉斯金字塔,将待拼接图像分别分解到不同的空间频带上,在各空间频率层上分别进行合并融合,获得自然全景图像,具体步骤如下:步骤A41:建立待拼接图像的高斯金字塔;步骤A42:利用高斯金字塔的每一层图像,减去其上一层经过上采样以及高斯卷积后的扩展图像得到LP,再将重叠区域的LP相同层采用加权平均的方法进行合并,LP表示拉普拉斯金字塔;步骤A43:将合并后的LP从顶层开始进行扩展,将其扩展图像与下一层的合并LP相加得到下一层的融合图像;步骤A44:逐层递推完成图像融合,获得初步自然全景图像;步骤A45:将步骤A44拼接得到的初步自然全景图像从中间分开,形成两张图像p1和p2;步骤A46:将p2设为第二次拼接的首部,将p1设置为尾部,采用SIFT算子,得到p2和p1图像重叠部分的特征子,进行匹配,获得新的特征匹配后的图像,作为待拼接图像;步骤A47:通过建立拉普拉斯金字塔,将待拼接图像分别分解到不同的空间频带上,在
各空间频率层上分别进行合并融合,获得自然全景图像实现对图像p2和p1的无缝融合,去除图像首尾重叠,从而得到最终的自然图像拼接结果。4.根据权利要求1所述的一种在GPS拒止条件下的绝对位置感知方法,其特征在于,所述步骤B的具体处理过程如下:步骤B1:将Deeplabv3+语义分割网络中的主干网络ResNet
‑
101替换成GhostNet网络,且GhostNet网络总共由101个GhostBottleNeck模块堆叠而成,将自然全景图像输入经过基于Deeplabv3+改进的语义分割网络,得到自然图像的分割特征图F
nature
;步骤B2:特征增强;利用CCAM模块对分割特征图F
nature
进行信息增强,得到增强特征图FM
Out
;采用CCAM模块对分割特征图F
nature
分别通过全局平均池化和全局最大池化将每个通道的特征信息压缩成一个特征值,从而得到过全局平均池化特征图FM
GA
和全局最大池化特征图FM
GM
,并按通道进行拼接得到特征图FM
s
;然后将特征图FM
s
输入到Conv
‑
BN
‑
ReLU结构中,Conv使用卷积对输入特征图FM
s
进行降维及特征提取;利用线性层进行升维得到特征图FM
Ex
,并将特征图FM
Ex
先按通道分解成线性全局平均池化特征图FM
EGA
和线性全局最大池化特征图FM
EGM
,将FM
EGA
和FM
EGM
逐像素相加,并用sigmoid激活后得到最终的通道特征图FM
Channel
,最后将通道特征图FM
Channel
和分割特征图F
nature
按通道相乘后得到输出增强特征图FM
Out
。5.根据权利要求4所述的一种在GPS拒止条件下的绝对位置感知方法,其特征在于,利用区域注意力模块对增强特征图FM
Out
进行噪声去除后,再进行池化和卷积操作,得到天际线的初始特征图FM
Ini
;所述区域注意力模块由掩膜分支Mask branch和主线分支Trunk branch组成;所述掩膜分支Mask branch的输出端和主线分支Trunk branch的输出端相加;所述主线分支Trunk branch直接将输入的图像传输到输出端;所述掩膜分支Mask branch采用U
‑
Net结构,即先用编码器对输入的图像进行下采样,然后解码器对特征图进行上采样逐渐恢复特征尺度。具体过程如下:步骤B3:对增强特征图FM
Out
先经过一次Maxpooling和BottleNeck的下采样,得到特征图F1,再经过一次Maxpooling和BottleNeck的下采样,得到特征图F2;步骤B4:对特征图F2进行一次BottleNeck的上采样,得到特征图F3;步骤B5:将特征图F1与特征图F3按通道拼接后,使用BottleNeck和双线性插值进行两次上采样,得到特征图FM
Up
;步骤B6:将特征图FM
Up
经过卷积降低特征维度后输出单通道区域概率特征图FM
Single
,并使用sigmoid将概率值归一化到[0,1]之间;将单通道区域概率特征图FM
Single
作为区域注意力信息先与Trunk branch按通道逐点相乘再相加,输出即为经过区域增强的特征图FM
Area
,具体计算公式如下:H(x)=(x+f(I(x)))
×
I(x)式中,H(x)为CCAM模块输出的概率特征图,f(I(x))为Mask branch的输出特征图,I(x)为CCAM模块输入的特征图;步骤B7:经过GhostNet网络、CCAM模块、CAAM注意力机制后,通过卷积和池化操作,即可
得到天际线的初始特征图FM
Ini
。6.根据权利要求5所述的一种在GPS拒止条件下的绝对位置感知方法,其特征在于,使用SCPA模块对采集的自然图像进行预处理得到特征图FM
Binary
,并利用特征图FM
Binary
与初始特征图FM
Ini
进行融合,将融合后的结果经过两次RCU操作和1*1Conv的卷积操作,再进行...
【专利技术属性】
技术研发人员:唐琎,杨自荣,郭璠,吴志虎,高琰,龚成,潘志斌,李玮超,陈建堂,
申请(专利权)人:中南大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。