【技术实现步骤摘要】
本专利技术涉及基于无人机对于远距离标志物快速识别与三维位置解算方法，属于立体视觉和定位处理。
技术介绍
1、目标检测是计算机视觉的一个重要应用方向，深度神经网络的提出极大地帮助基于视觉的目标检测提高了准确度。自2014年以来，深度神经网络在基于视觉的目标检测中被广泛应用，首次提出是girshick r等人在2014年提出了r-cnn（girshick r, donahue j,darrell t, malik j. rich feature hierarchies for accurate object detectionand semantic segmentation. in: proc. of the computer vision and patternrecognition. 2014. 580-587），目标识别速度相比于传统提高了30%，但还是远远达不到实时的需求。2015年he km等人提出spp-net（he km, zhang xy, ren sq, et al. spatialpyramid pooling in deep convolutional networks for visual recognition. ieeetransactions on pattern analysis and machine intelligence, 2015, 37(9): 1904-1916.doi:10.1109/tpami.2015.2389824），在cnn的最后一个卷积层加入空间金字塔池化，大幅度提高目标检
2、针对于目标物体三维位置重建，国外起步较早，已经运用在许多方面。boyer和kak提出彩色编码结构光主动三维测量法（k.boyer, a.kak. color-encoded structuredlight for rapid active ranging.ieee transactions on pattern analysis andmachine intelligence,1987,9(1):14-28）。timothy j .schaewe等人将双目视觉应用在脑肿瘤切除手术上（timothy j. schaewe, xiaoyao fan, songbai ji. integration ofintraoperative stereovision imaging for brain shift visualization duringimage-guided cranial procedures. proceedings of the spie, volume 9036, id.90360x 6 pp. (2014). doi: 10.1117/12.2043757），通过双目视觉原理定位手术区域，可以通过重构局部区域来改善手术效率。但是由于小型无人机等平台上现有目标检测系统在复杂环境中的应用受限于其对动态因素如光照、天气和移动速度的适应性不足，导致远距离或部分遮挡目标的检测不稳定且准确率低。此外，传统方法在三维位置估计上缺乏精度，特别是在处理深度信息时，进一步影响了目标追踪的效果。因此在小型无人机平台上，如何完成实时快速有效的目标位置定位与追踪是一项极大的挑战。
技术实现思路
1、本专利技术所要解决的技术问题是：提供基于无人机对于远距离标志物快速识别与三维位置解算方法，实现了复杂环境下小型无人机平台远距离目标的快速定位与追踪。
2、本专利技术为解决上述技术问题采用以下技术方案：
3、基于无人机对远距离标志物快速识别与三维位置解算方法，包括如下步骤：
4、步骤1，在无人机上对称设置两个单目相机，标定每个相机的内参矩阵，并对每个相机进行畸变矫正；
5、步骤2，利用相机的内参矩阵计算相应的外参矩阵；
6、步骤3，基于步骤1和2，利用两个单目相机实时获取远距离图像，对获取的图像进行标志物提取，实时获取标志物图像框在相机坐标系下的像素位置，并对提取出的标志物图像进行预处理，得到预处理后的标志物图像；
7、步骤4，对于同一帧两个单目相机经预处理后得到的标志物图像进行sift特征点匹配，得到匹配点像素坐标，根据匹配点像素坐标进行标志物质心点计算；
8、步骤5，对步骤4计算得到的质心点进行奇异值分解，结合无人机自身在世界坐标系下的位姿，计算标志物质心点的世界坐标；
9、步骤6，设定轨迹池内的坐标数量，将当前帧计算得到的质心点世界坐标压栈入轨迹池中，利用动态时间规整方法检测异常值，并通过局部加权回归平滑方法优化轨迹池，从而得到标志物三维坐标。
10、作为本专利技术的一种优选方案，所述步骤1中，相机的内参矩阵由以下公式得到：
11、，
12、其中，为图像坐标系到像素坐标系的内参矩阵，表示棋盘格标定板上目标点在像素坐标下的坐标，表示棋盘格标定板上目标点在图像坐标系下的坐标，表示图像坐标系原点在像素坐标系下的坐标，表示一个像素点在一行中所占的大小，为表示一个像素点在一列中所占的大小；
13、利用以下公式对相机进行畸变矫正：
14、，
15、其中，表示畸变矫正后的像素点坐标，为曲率半径， ，均为径向畸变矫正系数，均为切向畸变矫正系数。
16、作为本专利技术的一种优选方案，所述步骤2中，相机的外参矩阵包括旋转矩阵和平移向量；其中，
17、旋转矩阵为：
18、，
19、其中，分别表示绕轴的旋转矩阵，通过下式得到，同理，得到和：
20、，
21、其中，表示棋盘格标定板上目标点旋转前在三维空间中的坐标，表示棋盘格标定板上目标点旋转后在三维空间中的坐标，为绕轴旋转的角度；
22、平移向量通过以下公式得到：
23、，
24、其中，表示棋盘格标定板上目标点在相机坐标系下的坐标，表示棋盘格标定板上目标点在世界坐标系下的坐标，为世界坐标系到相机坐标系的平移向量。
25、作为本专利技术的一种优选方案，所述步骤3中，利用yolofastestv2神经网络提取标志物，在yolofastestv本文档来自技高网...
【技术保护点】
1.基于无人机对于远距离标志物快速识别与三维位置解算方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于无人机对于远距离标志物快速识别与三维位置解算方法，其特征在于，所述步骤1中，相机的内参矩阵由以下公式得到：
3.根据权利要求1所述的基于无人机对于远距离标志物快速识别与三维位置解算方法，其特征在于，所述步骤2中，相机的外参矩阵包括旋转矩阵和平移向量；其中，
4.根据权利要求1所述的基于无人机对于远距离标志物快速识别与三维位置解算方法，其特征在于，所述步骤3中，利用YoloFastestV2神经网络提取标志物，在YoloFastestV2神经网络最后一个特征提取层通过SimAM引入自注意力机制，通过能量函数分配输入特征图的注意力权重，SimAM自注意力机制的最小能量函数如下：
5.根据权利要求1所述的基于无人机对于远距离标志物快速识别与三维位置解算方法，其特征在于，所述步骤4中，通过近邻匹配算法得到同一帧两个单目相机经预处理后得到的标志物图像的匹配点，对每个单目相机对应的标志物图像的匹配点的横、纵坐标分别求和，并利用横坐标
6.根据权利要求1所述的基于无人机对于远距离标志物快速识别与三维位置解算方法，其特征在于，所述步骤5的具体过程如下：
7.根据权利要求1所述的基于无人机对于远距离标志物快速识别与三维位置解算方法，其特征在于，所述步骤6的具体过程如下：
8.一种计算机设备，包括存储器、处理器，以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于无人机对于远距离标志物快速识别与三维位置解算方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于无人机对于远距离标志物快速识别与三维位置解算方法的步骤。
...【技术特征摘要】
1.基于无人机对于远距离标志物快速识别与三维位置解算方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于无人机对于远距离标志物快速识别与三维位置解算方法，其特征在于，所述步骤1中，相机的内参矩阵由以下公式得到：
3.根据权利要求1所述的基于无人机对于远距离标志物快速识别与三维位置解算方法，其特征在于，所述步骤2中，相机的外参矩阵包括旋转矩阵和平移向量；其中，
4.根据权利要求1所述的基于无人机对于远距离标志物快速识别与三维位置解算方法，其特征在于，所述步骤3中，利用yolofastestv2神经网络提取标志物，在yolofastestv2神经网络最后一个特征提取层通过simam引入自注意力机制，通过能量函数分配输入特征图的注意力权重，simam自注意力机制的最小能量函数如下：
5.根据权利要求1所述的基于无人机对于远距离标志物快速识别与三维位置解算方法，其特征在于，所述步骤4中，通过近邻匹配算法得到同一帧两个单目相机经预处理...
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。