[发明专利]成像匹配辅助导航的可匹配性评估方法

说明书

技术领域

本发明属于飞行器辅助导航技术领域，特别涉及一种成像匹配辅助导航的可匹配性评估方法。

技术背景

景象匹配技术利用成像传感器（如可见光、红外、雷达等成像传感器）在飞行器飞行过程中实时获取预定区域的景物图像（以下称为实时图），与预存在飞行器上的基准图像数据（以下称为基准图）进行配准，以计算飞行器当前的绝对位置或相对目标的位置数据。景象匹配技术具有导航精度高、自主性强等优势，在飞行器辅助导航中起着重要作用。在一些应用中，需要优选景象匹配区，在另一些应用中，则需要针对特定景象匹配区评估其用于景象匹配的可靠性和精度，或者说可匹配性，这些都可以基于基准图的结构、纹理等特性进行。

目前，对于可见光、红外成像或雷达成像匹配辅助导航飞行器，在使用之前，可根据基准图评估其可匹配性。用于评估的参数包括基准图灰度方差、独立像元数、信息熵，相关面主峰值、主次峰比、主峰尖锐度，特征景象信息量、复杂度、偏心率等参数。在进行可匹配性评估时，需要设定各参数的阈值范围，参数阈值选择对评估结果的影响只能通过统计得到，没有显性公式表示，因此为选择参数的合理阈值范围，只能通过反复试探。由于参数多，这种反复试探的工作量就非常大。而且，一旦参数阈值范围确定，之后得到的经过验证的评估知识并不能自动用于提高评估的准确性，除非人工重新试探确定新的参数阈值范围，因此，目前的成像匹配方法阈值不易确定，效率低下。

发明内容

本发明的目的在于，克服现有技术的局限性，从而提供一种基于人工神经网络模式识别的成像匹配辅助导航的可匹配性评估方法。

为实现上述发明目的，本发明提供的一种成像匹配辅助导航的可匹配性评估方法，如图1所示，该可匹配性评估方法步骤为：

（1）选择用于可匹配性评估的参数集，备选参数包括：基准图灰度方差、独立像元数、信息熵、相关面主峰值、主次峰比、主峰尖锐度、特征景象信息量、复杂度和偏心率。选用参数时一般至少选择基准图灰度方差、相关面主峰值、主峰尖锐度等参数。为提高评估的准确性，可尽量多选参数，但多选参数会增加计算参数的时间和人工神经网络的输入节点。

（2）确定评估结论类别，评估结论可以是不可匹配或可匹配（可分别用0和1表示），也可以是不可匹配、可匹配但误差较大或可匹配且误差小（可分别用0、1和2表示），还可以是不可匹配、可匹配但误配可能性大或可匹配且误配可能性小（也可分别用0、1和2表示）等。

（3）使用上述可匹配性评估参数集作为输入，评估结论作为输出，构造模式识别人工神经网络。网络采用BP（Back-Propogation，反向传播）学习算法的多层前馈网络，网络的每一个输入节点对应于样本的一个参数，而输出层节点数等于评估结论类别数，一个输出节点对应一个类。

（4）使用先验知识训练神经网络。通过挂飞或仿真试验获取成像实时图，并与相应的基准图进行匹配，对匹配的准确性和精度进行人工判读确认；计算各基准图的上述参数并作为一个样本；积累一定数量的样本并将相应的匹配结果用于该人工神经网络的训练，一般可将样本数的80％用于训练、20％用于校验，当神经网络通过多次训练其评估正确性仍不能达到要求时，调整神经网络的隐层节点数重新进行训练直到其评估正确性达到要求为止。

（5）经过训练的神经网络即可进行可匹配性评估。在评估时，计算基准图的上述参数，将其作为神经网络的输入，神经网络的输出即为评估结果。

本发明的优点在于，本发明成像匹配辅助导航的可匹配性评估方法由于引入了人工神经网络模式识别，无需人工设定用于可匹配性评估的参数的阈值，且新增的可匹配性知识可用于进一步训练模式识别人工神经网络，以进一步提高其判别的可靠性。

附图说明

图1是本发明成像匹配辅助导航的可匹配性评估方法的流程示意图；

图2是本发明采用的人工神经网络的结构示意图；

图3a是本发明方法的一实施例进行人工神经网络训练结果示意图；

图3b是本发明方法的一实施例进行人工神经网络训练的验证结果示意图；

图3c是本发明方法的一实施例进行人工神经网络训练的检验结果示意图；

图3d是本发明方法的一实施例进行人工神经网络训练的总结果示意图。

具体实施方式

为了更全面的理解本发明，并为了解本发明的目的和优点，现在结合相应附图和实施例对本发明进行详细地说明。