基于改进匹配机制的无人机定位方法技术

本发明专利技术公开了基于改进匹配机制的无人机定位方法，包括以下步骤：步骤一、无人机周围环境捕捉：待定位的无人机通过自身的摄像头和视觉处理模块对无人机周围环境进行捕捉；步骤二、捕捉图像预处理：对摄像头和视觉处理模块捕捉的图像进行预处理；本发明专利技术该无人机定位平台通过无人机采集的图像进行自主定位的4D利用CNN

【技术实现步骤摘要】
基于改进匹配机制的无人机定位方法


[0001]本专利技术涉及技术无人机定位领域，具体为基于改进匹配机制的无人机定位方法。

技术介绍

[0002]随着科技的发展，无人机作为无人驾驶航空器，可以在一定高度获取到地面的画面，且操作简单，给一些行业的人们带来了极大的方便，比如摄影师，随着现在视频时代的到来，更是有不少视频制作人，在拍摄过程中，一些航拍景象，都选择了无人机。
[0003]无人机在执行任务时首先要解决的问题是确定自身在工作环境中的准确位置，因此，定位是无人机导航技术的基础和关键，无人机作为一种重要的航空器，通过搭载光电载荷对地成像是其主要功能之一，与其他平台相比，无人机平台成像具有分辨率高的特点，可以对同一目标场景进行多次观察，形成多视角、多位置的成像，在军事和民用领域发挥着十分重要的作用。
[0004]市场上常见的无人机定位方法一般为GPS卫星定位、红外定位、激光定位、低功耗蓝牙定位、WiFi定位、超声波定位还有ZigBee定位等。
[0005]卷积神经网络(CNs)的核心构件是卷积算子，它可以通过融合每一层局部接受城内的空间信息和信道信息来构建信息特征，先前的广泛研究已经调查了这种关系的空间成分，试图通过提高CN整个特征层次的空间编码质量来加强CN的表征能力，在“挤压和激发”(SE)块的作用下通过显式地建模通道之间的相互依赖，自适应地重新校准通道方向的特征响应形成SENet架构，在不同的数据集中非常有效地泛化数据集。
[0006]但是，传统的无人机定位方法存在以下缺点：
>[0007]传统的无人机定位方法依赖外部卫星信号而易受环境和敌方干扰，尤其是低空无人机，卫星信号易受高层建筑物的遮挡而无法提供准确的定位信息。

技术实现思路

[0008]本专利技术的目的在于提供基于改进匹配机制的无人机定位方法，以解决上述
技术介绍
中提出的传统的无人机定位方法依赖外部卫星信号而易受环境和敌方干扰，尤其是低空无人机，卫星信号易受高层建筑物的遮挡而无法提供准确的定位信息的问题。
[0009]为实现上述目的，本专利技术提供如下技术方案：基于改进匹配机制的无人机定位方法，包括以下步骤：
[0010]步骤一、无人机周围环境捕捉：待定位的无人机通过自身的摄像头和视觉处理模块对无人机周围环境进行捕捉；
[0011]步骤二、捕捉图像预处理：对摄像头和视觉处理模块捕捉的图像进行预处理；
[0012]步骤三、无人机初步定位：无人机定位平台基于CNN
‑
LSTM的图像分类算法实现航拍图像与卫星参考图像在空间位置的对准；
[0013]步骤四、无人机精准定位：无人机定位平台基于同名特征点的无人机位置解算所抽取的卫星图像区块所包含的地物信息与航拍图像基本相似，最终实现无人机自主定位；
[0014]步骤五、无人机定位初次校准：无人机定位平台对无人机拍摄的图片进行帧到帧的匹配或者根据无人机当前的观测，在地图中进行匹配，从而在地图中对自身位置进行定位校准；
[0015]步骤六、无人机定位精准校准：无人机定位平台首先利用多分支改进堆叠沙漏网络的残差块，捕获图像多尺度特征信息，然后对堆叠沙漏网络进行级联，并均值化其各阶段结果，获取丰富的上下文信息，有效提升对具有强纹理特征图像的线段检测精度以此对定位的位置进行校准；
[0016]步骤七、无人机二次捕捉：待定位无人机通过IMU、三轴磁罗盘、GPS或者气压计对周围高度、环境等信息进行捕捉；
[0017]步骤八、二次定位：无人机定位平台通过卷积神经网络对无人机所在高度和位置进行二次定位；
[0018]步骤九、结果展示：无人机定位平台将无人机定位结果直接展示，便于对无人机的路线进行规划。
[0019]作为本专利技术的一种优选技术方案，所述步骤二中图像预处理具体步骤为空间域处理和频率域处理，所述空间域处理具体为点运算处理、形态学运算处理和临域运算处理，所述频率域处理具体为傅里叶变换和小波变换。
[0020]作为本专利技术的一种优选技术方案，所述步骤三中空间位置的对准具体为将预处理后的图像输入至4DCNN网络，并根据无人机航拍图像时间连续的特点加入了LSTM网络，形成了4DCNN
‑
LSTM联合分类网络，同时利用多张图像特征作为判断依据，有效提高图像分类的准确率。
[0021]作为本专利技术的一种优选技术方案，所述步骤四中自主定位的具体步骤为采用ORB特征提取算法与RANSAC匹配方法，实现两幅图像同名特征点的匹配，根据匹配得到的卫星图中特征点所携带的地理信息，结合视轴交会原理实现自主定位。
[0022]作为本专利技术的一种优选技术方案，所述步骤五中帧到帧的匹配具体为包括VO和slam所述VO为VIO也叫光流法，所述slam相比VO，增加了闭环检测和全局BA的特性，没有闭环的情况下就退化成了VO，所述步骤五中地图中进行匹配具体为图像配准，所述图像配准具体包括templatematching(PC，NCC，MI)、featurepointsmatching(SURF，SIFT，HOG，ORB，BRIEF)、deeplearningmatching(DEEP
‑
LK，VGG，UNET，cGAN，MSMT)和visual odometrymatching。
[0023]作为本专利技术的一种优选技术方案，所述步骤六中对堆叠沙漏网络进行级联具体为考虑到沙漏网络每个阶段的热图结果均包含特征信息，因此将每阶段沙漏网络的热图输出结果与后一阶段热图结果利用其自身的均值化模块进行处理后作为下一阶段的输入，除了第一个阶段外，另外阶段的沙漏网络的输入包含两路：上一阶段沙漏网络的输出数据、上一阶段沙漏网络的预测热图结果，输入数据作为底层特征，包含了整张图片的局部信息，而热图预测结果作为高层数据，包含了图片的全局信息，将全局信息与局部信息相结合大大提高了上下文的关联性，所述步骤六中均值化其各阶段结果具体为在沙漏网络模型的基础上，在对两组特征进行元素及叠加后，进行了均值化处理，降低了噪声对检测效果的影响，能够有效去除错误特征所造成的影响，同时去除了相同特征，降低了计算成本，所述步骤六中多分支改进堆叠沙漏网络的残差块具体为对残差块中间层进行了改进，将卷积部分改成
由多个空洞卷积来组成，利用多个较小的卷积核组合代替更大的卷积核进行特征提取，在降低GPU使用率的同时，提高整体卷积核尺寸，扩大检测过程的感受野，增加了特征提取的广泛性。
[0024]作为本专利技术的一种优选技术方案，所述步骤八中卷积神经网络具体为通过融合每一层局部接受域内的空间信息和信道信息来构建信息特征。
[0025]与现有技术相比，本专利技术的有益效果是：
[0026]1、该无人机定位平台通过无人机采集的图像进行自主定位的4D利用CNN
‑
LSTM网络将无人机图像与参考卫星图像进行配准的算法，将无人机自主定位问题转化为一种图像分类问题；并提出了一种基于多点加权约束的无人机自主定位算法，进一步提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进匹配机制的无人机定位方法，其特征在于，包括以下步骤：步骤一、无人机周围环境捕捉：待定位的无人机通过自身的摄像头和视觉处理模块对无人机周围环境进行捕捉；步骤二、捕捉图像预处理：对摄像头和视觉处理模块捕捉的图像进行预处理；步骤三、无人机初步定位：无人机定位平台基于CNN
‑
LSTM的图像分类算法实现航拍图像与卫星参考图像在空间位置的对准；步骤四、无人机精准定位：无人机定位平台基于同名特征点的无人机位置解算所抽取的卫星图像区块所包含的地物信息与航拍图像基本相似，最终实现无人机自主定位；步骤五、无人机定位初次校准：无人机定位平台对无人机拍摄的图片进行帧到帧的匹配或者根据无人机当前的观测，在地图中进行匹配，从而在地图中对自身位置进行定位校准；步骤六、无人机定位精准校准：无人机定位平台首先利用多分支改进堆叠沙漏网络的残差块，捕获图像多尺度特征信息，然后对堆叠沙漏网络进行级联，并均值化其各阶段结果，获取丰富的上下文信息，有效提升对具有强纹理特征图像的线段检测精度以此对定位的位置进行校准；步骤七、无人机二次捕捉：待定位无人机通过IMU、三轴磁罗盘、GPS或者气压计对周围高度、环境等信息进行步骤；步骤八、二次定位：无人机定位平台通过卷积神经网络对无人机所在高度和位置进行二次定位；步骤九、结果展示：无人机定位平台将无人机定位结果直接展示，便于对无人机的路线进行规划。2.根据权利要求1所述的基于改进匹配机制的无人机定位方法，其特征在于：所述步骤二中图像预处理具体步骤为空间域处理和频率域处理，所述空间域处理具体为点运算处理、形态学运算处理和临域运算处理，所述频率域处理具体为傅里叶变换和小波变换。3.根据权利要求1所述的基于改进匹配机制的无人机定位方法，其特征在于：所述步骤三中空间位置的对准具体为将预处理后的图像输入至4D CNN网络，并根据无人机航拍图像时间连续的特点加入了LSTM网络，形成了4DCNN
‑
LSTM联合分类网络，同时利用多张图像特征作为判断依据，有效提高图像分类的准确率。4.根据权利要求1所述的基于改进匹配机制的无人机定位方法，其特征在于：所述步骤四中自主定位的具体步骤为采用ORB特征提取算法与RANSAC匹配方法，实现...

【专利技术属性】
技术研发人员：李玉峰，高闯，李露，陈鸿铭，
申请(专利权)人：沈阳航空航天大学，
类型：发明
国别省市：