【技术实现步骤摘要】
本公开实施例涉及视觉定位，尤其涉及一种面向临地安防的图像特征匹配的无人机地理定位方法。
技术介绍
1、视觉定位是通过计算机视觉算法和传感器信息来实现对目标在三维空间中准确定位和跟踪的技术。它在无人驾驶、无人机智能导航等领域中扮演着重要角色。临地安防技术体系是一种工作在临地空间的前沿交叉学科与
，在该体系中，低空安防无人机是指工作在临地安防核心区（地上0-1000m）的无人机，这种视觉定位技术可用于无人机在无卫星定位信号等极端环境下的自主定位和导航。传统的图像地理定位技术主要依赖于sift和surf特征提取算法。这些方法通过提取图像或视频中的特征点，并与参考图像中的特征点进行匹配，从而实现定位。然而，在复杂的环境中，传统方法面临许多挑战，如光照变化、图像模糊等问题，这导致定位的准确性和稳定性较低。
2、目前，基于图像的地理定位方法主要依赖于对图像特征向量的提取与匹配方法，该方法首先利用卷积神经网络对图像进行特征提取。随后，提取的特征向量与可学习的位置编码相结合，并输入到视觉转换器中进行进一步的特征提取。这种方法充分利用了视觉转换器在提取图像全局特征方面的优势，同时也充分发挥了卷积神经网络在提取图像局部特征信息方面的优势。因此，它能够全面且准确地捕捉图像的各种特征，但该方法在处理分辨率较高，信息较为丰富的无人机图像时，需要大量的计算内存和较长的计算时间，难以部署在算力有限的无人机等设备上。
3、另外，还有一些轻量化方法用裁剪操作降低网络处理所需的时间，该方法能够去除掉不同视角图像中的冗余部分，加速图像匹
技术实现思路
1、为了避免现有技术的不足之处，本申请提供一种面向临地安防的图像特征匹配的无人机地理定位方法，用以解决现有技术中存在处理分辨率较高，信息较为丰富的无人机图像时，需要大量的计算内存和较长的计算时间，难以部署在算力有限的无人机等设备上；且在存在非均匀裁剪操作时，可能会导致原始图像中的重要信息丢失，会进一步引发大量错误的匹配关系的问题。
2、根据本公开实施例，提供一种面向临地安防的图像特征匹配的无人机地理定位方法，该方法包括：
3、根据无人机图像集和卫星图像集构建扩充图像集；其中，所述扩充图像集包括无人机扩充图像集和卫星扩充图像集；
4、利用第一图像特征提取器对所述无人机扩充图像集进行特征提取，得到第一特征向量，利用第二图像特征提取器对所述卫星扩充图像集进行特征提取，得到第二特征向量；
5、利用所述第一特征向量训练第一几何布局描述向量提取器，以生成第一几何布局描述向量，利用所述第二特征向量训练第二几何布局描述向量提取器，以生成第二几何布局描述向量，并对所述第一几何布局描述向量和所述第二几何布局描述向量分别进行投影处理；
6、将所述第一特征向量和投影处理后的所述第一几何布局描述向量进行特征融合，得到第一图像特征，将所述第二特征向量和投影处理后的所述第二几何布局描述向量进行特征融合，得到第二图像特征；
7、根据所述第一图像特征和所述第二图像特征构建检索函数；
8、利用所述检索函数对无人机图像进行图像检索，以得到卫星图像相似度排序，并输出目标卫星图像。
9、进一步的，所述根据无人机图像集和卫星图像集构建扩充图像集的步骤中，包括：
10、通过读取无人机实际运行过程中采集的无人机图像构成所述无人机图像集；
11、根据所述无人机图像集中的每一个位置的经纬度构建对应的经纬度集合；其中，代表所述无人机图像的经度和纬度；
12、在无人机运行区域的卫星图像中依据所述经纬度集合，裁剪出对应经纬度位置的卫星图像并构建所述卫星图像集；其中，所述无人机图像集和所述卫星图像集构成初始图像集，，。
13、分别对所述无人机图像集和所述卫星图像集进行变换处理，得到变换后的所述无人机图像集和变换后的所述卫星图像集；
14、重复 k次所述变换处理操作，得到所述无人机扩充图像集和所述卫星扩充图像集；
15、根据所述无人机扩充图像集和所述卫星扩充图像集构成所述扩充图像集。
16、进一步的，所述变换处理至少包括随机的旋转、平移、缩放、镜像、裁剪和色彩抖动。
17、进一步的，所述第一几何布局描述向量提取器的包括依次连接的沿通道最大池化层、特征嵌入层1、卷积层、l×标准transformer编码器层和特征嵌入层2，所述沿通道最大池化层和所述卷积层之间还通过位置编码连接。
18、进一步的，投影处理后的所述第一几何布局描述向量和投影处理后的所述第二几何布局描述向量的维度均为。
19、进一步的，根据所述第一图像特征和所述第二图像特征构建检索函数的步骤中，包括：
20、根据所有的所述第一图像特征和所有的所述第二图像特征，利用局部敏感哈希算法构建所述检索函数。
21、进一步的，利用所述检索函数对无人机图像进行图像检索，以得到卫星图像相似度排序，并输出目标卫星图像的步骤中，包括：
22、图像检索模块利用所述检索函数对任一所述无人机图像进行图像检索，得到所述卫星图像集中多个与所述无人机图像相似的所述卫星图像，且按照相似度与从高到底排序，以得到卫星图像相似度排序；
23、获取相似度最高的所述卫星图像的经纬度坐标，输出为无人机的位置。
24、本公开的实施例提供的技术方案可以包括以下有益效果：
25、本公开的实施例中，通过上述面向临地安防的图像特征匹配的无人机地理定位方法，一方面，通过第一几何布局描述向量提取器和第二几何布局描述向量提取器消除了非均匀裁剪对图像注意力图的要求，以保证在各类定位条件中的有效性和健壮性，从而实现准确的视觉定位，使鲁棒性更强。另一方面，使用局部敏感哈希算法（locality-sensitivehashing，ls hash）加速了图像检索的速度，并使用了一定的策略对图像检索模块进行了短路操作，从而满足了实时定位的速度要求。第一几何布局描述向量和第二几何布局描述向量仅利用了单个视觉转换器的编码器-解码器模块进行提取，同时能够在运行代价小的情况下，使用卷积神经网络对图像的细节特征进行提取，从而获得更好的召回率效果。
本文档来自技高网...【技术保护点】
1.一种面向临地安防的图像特征匹配的无人机地理定位方法，其特征在于，该方法包括：
2.根据权利要求1所述面向临地安防的图像特征匹配的无人机地理定位方法，其特征在于，所述根据无人机图像集和卫星图像集构建扩充图像集的步骤中，包括：
3.根据权利要求2所述面向临地安防的图像特征匹配的无人机地理定位方法，其特征在于，所述变换处理至少包括随机的旋转、平移、缩放、镜像、裁剪和色彩抖动。
4.根据权利要求3所述面向临地安防的图像特征匹配的无人机地理定位方法，其特征在于，所述第一几何布局描述向量提取器的包括依次连接的沿通道最大池化层、特征嵌入层1、卷积层、L×标准Transformer编码器层和特征嵌入层2，所述沿通道最大池化层和所述卷积层之间还通过位置编码连接。
5.根据权利要求4所述面向临地安防的图像特征匹配的无人机地理定位方法，其特征在于，投影处理后的所述第一几何布局描述向量和投影处理后的所述第二几何布局描述向量的维度均为(H×W)/2。
6.根据权利要求5所述面向临地安防的图像特征匹配的无人机地理定位方法，其特征在于，根据所述第
7.根据权利要求6所述面向临地安防的图像特征匹配的无人机地理定位方法，其特征在于，利用所述检索函数对无人机图像进行图像检索，以得到卫星图像相似度排序，并输出目标卫星图像的步骤中，包括：
...【技术特征摘要】
1.一种面向临地安防的图像特征匹配的无人机地理定位方法，其特征在于，该方法包括：
2.根据权利要求1所述面向临地安防的图像特征匹配的无人机地理定位方法，其特征在于，所述根据无人机图像集和卫星图像集构建扩充图像集的步骤中，包括：
3.根据权利要求2所述面向临地安防的图像特征匹配的无人机地理定位方法，其特征在于，所述变换处理至少包括随机的旋转、平移、缩放、镜像、裁剪和色彩抖动。
4.根据权利要求3所述面向临地安防的图像特征匹配的无人机地理定位方法，其特征在于，所述第一几何布局描述向量提取器的包括依次连接的沿通道最大池化层、特征嵌入层1、卷积层、l×标准transformer编码器层和特...
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。