【技术实现步骤摘要】
本专利技术涉及无人机定位导航，具体涉及一种基于序列匹配的无人机视觉定位方法及装置。
技术介绍
1、自上世纪60年代以来，在民用或军用领域上无人机都得到了广泛的应用，并发挥了重要的作用，例如：目标检测、精准农业、建筑巡检、灾难救援等。小型无人机由于重量轻、体积小、携带方便、低空低速、成本低等特点更适合于在复杂环境下执行任务。在室外环境中，尤其是在超视距场景下(beyond visual line of sight，b-vlos)，对无人机的自主性与对环境的适应能力提出更高的要求。导航技术作为无人机的关键技术之一，对精度和抗干扰性亦有着极高的要求。gnss导航，例如美国全球定位系统(global positioningsystem，gps)、中国北斗等，其是覆盖范围广、实时性好，可以全天候运行。但是，在一些极端恶劣的环境下，例如遮挡、欺骗和多径干扰等因素的影响下，gnss导航注定难以在严苛环境中单独使用。如果无人机无法通过gnss获得其自身准确的地理位置，也会造成后续路径规划、目标侦察等任务无法顺利执行。
2、卫星地图作为一种天然的携带地理位置信号的信息来源，且易获得的特点，因此可以成为一种替代gnss定位的重要方式。可利用影像匹配技术有效地辅助无人机在gnss拒止时进行地理定位，通过视觉信息获取飞行器自身的位置、速度、方向等信息。因此，基于卫星影像匹配的无人机视觉定位成为导航技术的发展趋势之一，是当前领域内研究的热点与前沿。基于卫星影像的无人机定位问题主要面临两大挑战：一是视角与季节的变化带来的外观差异，二是由于相邻帧
技术实现思路
1、为了克服上述缺陷，本专利技术提出了一种基于序列匹配的无人机视觉定位方法及装置。
2、第一方面，提供一种基于序列匹配的无人机视觉定位方法，所述基于序列匹配的无人机视觉定位方法包括：
3、利用预先训练的卷积神经网络分别对待定位无人机的图像和候选图像库中的卫星图像进行特征提取，得到待定位无人机的图像特征和卫星图像特征；
4、在所述卫星图像特征中选取与所述待定位无人机的图像特征的欧氏距离最近的卫星图像特征；
5、将选取的卫星图像特征对应的卫星图像所携带的gps信号作为待定位无人机的坐标。
6、优选的，所述预先训练的卷积神经网络的训练过程包括：
7、利用历史高空拍摄图像和历史卫星图像构建训练数据；
8、利用所述训练数据对初始卷积神经网络进行训练，得到所述预先训练的卷积神经网络；
9、其中，所述利用所述训练数据对初始卷积神经网络进行训练的过程中，每个训练批次中包含s对序列，且每个序列由n张的相邻历史高空拍摄图像序列和n张相邻卫星图像序列组成，s和n分别为第一、第二预设值。
10、进一步的，所述初始卷积神经网络中lite3×3结构中的标准3×3卷积替换为点卷积conv1×1和深度卷积dwconv3×3的组合。
11、进一步的，所述利用所述训练数据对初始卷积神经网络进行训练的过程中，损失函数如下：
12、l＝linter+αlintra
13、上式中，l为损失值，linter为序列间损失，lintra为序列内损失值，α为权重参数。
14、进一步的，所述序列间损失如下：
15、
16、上式中，为无人机的图像集合中第i个特征与卫星图像集合中第j个特征的欧式距离，为无人机的图像集合中第i个特征与卫星图像集合中第j个特征的地理距离，k为常数系数，t1为距离阈值，其中，所述无人机的图像集合由当前训练批次中s对序列中每个序列的无人机图像序列的第一个特征组成，所述卫星图像集合由当前训练批次中s对序列中每个序列的卫星图像序列的第一个特征组成。
17、进一步的，所述无人机的图像集合中第i个特征与卫星图像集合中第j个特征的地理距离如下：
18、
19、上式中，r为地球半径，lati为无人机的图像集合中第i个特征的纬度，latj为卫星图像集合中第j个特征的纬度，loni为无人机的图像集合中第i个特征的经度，lonj为卫星图像集合中第j个特征的经度。
20、进一步的，所述序列间损失如下：
21、
22、上式中，为无人机的图像集合中第i个特征与卫星图像集合中第j个特征的欧式距离，m1为第一预设阈值，idi为无人机的图像集合中第i个特征的标签，idj为无人机的图像集合中第j个特征的标签，其中，所述无人机的图像集合由当前训练批次中s对序列中每个序列的无人机图像序列的第一个特征组成，所述卫星图像集合由当前训练批次中s对序列中每个序列的卫星图像序列的第一个特征组成。
23、进一步的，所述序列内损失值如下：
24、
25、上式中，为当前训练批次中s对序列中每个序列的滑动窗口包含的第1个特征与第2个特征之间的欧氏距离，为当前训练批次中s对序列中每个序列的滑动窗口包含的第2个特征与第3个特征之间的欧氏距离，所述滑动窗口的大小为3步长为1，m2为第二预设阈值。
26、第二方面，提供一种基于序列匹配的无人机视觉定位装置，所述基于序列匹配的无人机视觉定位装置包括：
27、分析模块，用于利用预先训练的卷积神经网络分别对待定位无人机的图像和候选图像库中的卫星图像进行特征提取，得到待定位无人机的图像特征和卫星图像特征；
28、选择模块，用于在所述卫星图像特征中选取与所述待定位无人机的图像特征的欧氏距离最近的卫星图像特征；
29、定位模块，用于将选取的卫星图像特征对应的卫星图像所携带的gps信号作为待定位无人机的坐标。
30、第三方面，提供一种计算机设备，包括：一个或多个处理器；
31、所述处理器，用于存储一个或多个程序；
32、当所述一个或多个程序被所述一个或多个处理器执行时，实现所述的基于序列匹配的无人机视觉定位方法。
33、第四方面，提供一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现所述的基于序列匹配的无人机视觉定位方法。
34、本专利技术上述一个或多个技术方案，至少具有如下一种或多种有益效果：
35、本专利技术提供了一种基于序列匹配的无人机视觉定位方法及装置，包括：利用预先训练的卷积神经网络分别对待定位无人机的图像和候选图像库中的卫星图像进行特征提取，得到待定位无人机的图像特征和卫星图像特征；在所述卫星图像特征中选取与所述待定位无人机的图像特征的欧氏距离最近的卫星图像特征；将选取的卫星图像特征对应的卫星图像所携带的gps信号作为待定位无人机的坐标。本专利技术提供的技术方案，实现了无人机视角图像与卫星视角图像的相互匹配，该方法可以用于在gps拒止环境下的无人机定位与导航，具体的：
36、本专利技术提出一种序列间损失函数，利用地理位置约束特征距离，可以帮助网络学习对外观变化鲁棒的特征。本文档来自技高网...
【技术保护点】
1.一种基于序列匹配的无人机视觉定位方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述预先训练的卷积神经网络的训练过程包括：
3.如权利要求2所述的方法，其特征在于，所述初始卷积神经网络中Lite3×3结构中的标准3×3卷积替换为点卷积Conv1×1和深度卷积DWConv3×3的组合。
4.如权利要求2所述的方法，其特征在于，所述利用所述训练数据对初始卷积神经网络进行训练的过程中，损失函数如下：
5.如权利要求4所述的方法，其特征在于，所述序列间损失如下：
6.如权利要求5所述的方法，其特征在于，所述无人机的图像集合中第i个特征与卫星图像集合中第j个特征的地理距离如下：
7.如权利要求4所述的方法，其特征在于，所述序列间损失如下：
8.如权利要求4所述的方法，其特征在于，所述序列内损失值如下：
9.一种基于序列匹配的无人机视觉定位装置，其特征在于，所述装置包括：
10.一种计算机设备，其特征在于，包括：一个或多个处理器；
11.一种计
...【技术特征摘要】
1.一种基于序列匹配的无人机视觉定位方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述预先训练的卷积神经网络的训练过程包括：
3.如权利要求2所述的方法，其特征在于，所述初始卷积神经网络中lite3×3结构中的标准3×3卷积替换为点卷积conv1×1和深度卷积dwconv3×3的组合。
4.如权利要求2所述的方法，其特征在于，所述利用所述训练数据对初始卷积神经网络进行训练的过程中，损失函数如下：
5.如权利要求4所述的方法，其特征在于，所述序列间损失如下：
6.如权利要求5所述...
【专利技术属性】
技术研发人员：史殿习，王震，邱春平，金松昌，郝锋，张轶，李彤月，
申请(专利权)人：中国人民解放军三二八零六部队，
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。