【技术实现步骤摘要】
本专利技术涉及计算机视觉，尤其涉及一种基于yolov8的卫星地图匹配方法。
技术介绍
1、国内外无人机技术都在迅速发展，其中无人机导航技术是无人机技术的重点，以下几种导航定位方式为目前无人机的一般导航方式，第一种是基于绝对参考系的导航方式，如惯性导航技术(ins)、磁罗盘导航技术等。惯性导航方式的自主性使得其有好的隐蔽性和抗干扰力，但该方式不仅在每一次使用之前都要花费较长时间做初始对准，而且在积分过程中，位姿信息会随着时间增大导致误差累积，不能单一使用惯性导航进行长航导航。第二种是基于距离测量的导航技术，如卫星导航技术(gnss)。该方式通过测量飞行器与已知的精确位置的参考点之间的距离去解算无人机位置，该类导航方式的局限性在于易受到恶意干扰，且在某些gps拒止的区域(如室内、城市楼群之间高山峡谷、作战时的敌方区域等)无法使用。
技术实现思路
1、有鉴于此，本专利技术提出了一种基于yolov8的卫星地图匹配方法。
2、为了实现上述目的，本专利技术采用了如下技术方案：
3、一种基于yolov8的卫星地图匹配方法，包括以下步骤：
4、s1：使用卫星地图查找目标位置，将目标位置具有显著特征的建筑物或标识物作为特征匹配对象，分别得到不同分辨率下的卫图信息；
5、再使用不同的数据处理方式将卫图信息进行批量数据增强，将得到的增强图像加入图像数据集中；
6、将处理好的图像作为原始图像进行标注，从而获得训练模型可使用的数据集；对卫星地图图像
7、s2：使用无人机获取卫星地图中的目标位置的航拍影像，无人机航拍高度为200m，角度为90°垂直向下，录制的航拍影像作为测试集，传入训练完的模型中进行测试；
8、s3：基于训练集和验证集训练模型，训练模型的算法包括yolov5和yolov8算法，通过比较训练结果中评价指标和效果，选择yolov8作为使用模型；
9、对使用模型进行改进，将gct高斯上下文变换器添加进网络；
10、s4：使用训练完成的改进的yolov8模型对测试集中的航拍影像进行目标检测，查看测试集效果，并通过不同的数据增强方法，输出不同结果，根据测试结果选择该训练模型；
11、选择卫星地图其他位置进行上述步骤后得到测试结果；
12、查看卫星地图与航拍影像的匹配效果。。
13、优选的，所述步骤s1中：
14、卫图信息为奥维地图中根据不同缩略大小得到不同分辨率的图像，同时选择不同位置的卫星地图作为不同数据集的原始图像；
15、所述不同的数据处理方式为使用opencv中的数据增强方法，包括随机水平翻转、随机色调、饱和度及明度调整、随机旋转、平移，将数据集中的原始图像由一张卫星图像增强到不少于400张图像，将得到的增强图像加入图像数据集中；
16、将处理好的图像作为原始图像进行标注，标注方式为使用labelimg进行标注，标注的数据格式为yolo格式；所述卫星地图图像数据集中的样本按照预设比例随机划分为训练集和验证集，预设训练集∶验证集为8∶2。
17、优选的，所述步骤s3中：
18、训练模型使用的算法，包括yolov5和yolov8算法，使用同样的数据集训练完成后比较训练结果中评价指标和map值，再使用训练完的模型进行测试，通过查看测试集中视频的回归框及iou数值比较模型效果，选择yolov8作为使用模型。
19、优选的，所述步骤s3中：
20、模型改进方法为，将gct高斯上下文变换器添加进模型中，添加位置为c2f模块后瓶颈模块中，捕获逐通道统计信息，在特征图的空间上进行全局信息的聚合；
21、c2f模块后瓶颈模块为yolov8的部分，c2f模块后瓶颈模块将高级特征和低级特征融合起来，提高检测精度；c2f模块后瓶颈模块采用了交叉阶段部分特征融合的方式，将低层特征图和高层特征图进行融合，同时采用了上采样和下采样的方式，使特征图的尺寸和通道数都得到了优化，以使yolov8在检测物体时更加准确和快速；
22、首先对通道向量进行标准化以稳定全局上下文的分布，然后一个高斯函数对标准化后的全局上下文进行激励操作来获得注意力激活值；
23、其中gct高斯上下文变换器由三个操作构成，包括全局上下文聚合、标准化和高斯上下文激励；
24、gca操作为了捕获逐通道统计信息，在特征图的空间上进行全局信息的聚合，gca有助于网络捕获长程依赖，具体操作为：输入一个x∈rc×h×w的特征图，全局上下文信息可以表述为其中c为通道数，h和w为特征图的宽和高；激励操作通过基于负相关假设一个函数f(·)实现转换和激活操作，具体地，定义均值偏移为：
25、
26、μ表示全局上下文z的均值；同时引入实例因子σ稳定分布，保证0均值和1方差，计算公式如下：
27、
28、
29、其中σ为全局上下文的标准差，∈为一个很小的常数，为对z的归一化结果，
30、全局上下文聚合操作的定义如下：
31、
32、其中，其中a为高斯函数的幅值，设为1；b表示高斯函数的均值，设为0；c表示高斯函数的标准差，控制通道注意力图的多样性，标准差越大，通道间激活值多样性越小；设置后，可以简化为以下式子，c为常数或可学习的参数，g为注意力激活值，它和原始特征图相乘即得到注意力后的特征图，
33、
34、然后将上述所有的操作组合到一个式子中构建gct模块，如下所示：
35、
36、当标准差c为常数时，gct是一个无参注意力模块，称为gct-b0；
37、当c为可学习的参数时，gct为gct-b1；为了约束c∈[β,α+β]：
38、c＝α*sigmoid(θ)+β
39、通过上面的式子对其进行上下界约束，其中α和β是常数，θ为可学习参数，初始化为0。
40、优选的，改进的yolov8模型包括特征提取模块、特征融合模块以及分类输出模块。
41、优选的，所述特征提取模块将输入的图片在主干网络里面进行特征提取，提取到的特征称作特征层，为输入图片的特征集合；
42、在主干网络部分，提取到三个特征层后进行下一步网络的构建，三个特征层为有效特征层；特征提取通过采用解耦头的结构完成；
43、所述特征提取模块使用两条并行的分支来提取类别特征和位置特征，两个分支分别使用一层1×1卷积来完成分类和定位任务；三个特征层位于主干部分的不同位置，分别位于中间层，中下层，底层，当输入为(640,640,3)时，三个特征层的shape分别为feat1＝(80,80,256)、feat2＝(40,40,512)、feat3＝(20,20,1024*deep_mul)，其中deep_mul为系数，对深层本文档来自技高网...
【技术保护点】
1.一种基于yolov8的卫星地图匹配方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于yolov8的卫星地图匹配方法，其特征在于，所述步骤S1中：
3.根据权利要求1所述的一种基于yolov8的卫星地图匹配方法，其特征在于，所述步骤S3中：
4.根据权利要求1所述的一种基于yolov8的卫星地图匹配方法，其特征在于，所述步骤S3中：
5.根据权利要求1所述的一种基于yolov8的卫星地图匹配方法，其特征在于，所述步骤S3中，改进的yolov8模型包括特征提取模块、特征融合模块以及分类输出模块。
6.根据权利要求1所述的一种基于yolov8的卫星地图匹配方法，其特征在于，所述特征提取模块将输入的图片在主干网络里面进行特征提取，提取到的特征称作特征层，为输入图片的特征集合；
7.根据权利要求1所述的一种基于yolov8的卫星地图匹配方法，其特征在于，所述特征融合模块内构建加强特征提取网络，在主干部分获得的三个有效特征层通过网络进行特征融合，特征融合是为了结合不同尺度的特征信息；同时已经获得的有效
8.根据权利要求1所述的一种基于yolov8的卫星地图匹配方法，其特征在于，所述分类输出模块是所述改进yolov8模型的分类器与回归器，通过特征提取模块和特征融合模块后，所获得的加强特征层传入Yolo Head获得预测结果，YoloV8使用了解耦头，并且使用了DFL技术，即使用概率的方式获得回归值；
9.根据权利要求1所述的一种基于yolov8的卫星地图匹配方法，其特征在于，所述步骤S3中，损失函数由分类损失及回归损失组成，其中分类损失用VFL Loss，回归损失用CIoULoss和DFL，VFL损失函数公式如下：
10.根据权利要求1所述的一种基于yolov8的卫星地图匹配方法，其特征在于，所述步骤S4中，不同的数据增强方法包括随机水平翻转、随机色调、饱和度、明度调整、随机旋转、平移。
...【技术特征摘要】
1.一种基于yolov8的卫星地图匹配方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于yolov8的卫星地图匹配方法，其特征在于，所述步骤s1中：
3.根据权利要求1所述的一种基于yolov8的卫星地图匹配方法，其特征在于，所述步骤s3中：
4.根据权利要求1所述的一种基于yolov8的卫星地图匹配方法，其特征在于，所述步骤s3中：
5.根据权利要求1所述的一种基于yolov8的卫星地图匹配方法，其特征在于，所述步骤s3中，改进的yolov8模型包括特征提取模块、特征融合模块以及分类输出模块。
6.根据权利要求1所述的一种基于yolov8的卫星地图匹配方法，其特征在于，所述特征提取模块将输入的图片在主干网络里面进行特征提取，提取到的特征称作特征层，为输入图片的特征集合；
7.根据权利要求1所述的一种基于yolov8的卫星地图匹配方法，其特征在于，所述特征融合模块内构建加强特征提...
【专利技术属性】
技术研发人员：车爱博，周翔，班韬泽，
申请(专利权)人：长沙神弓信息科技有限公司，
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。