[发明专利]一种基于深度学习的卫星地图辅助导航定位方法

权利要求书

1.一种基于深度学习的卫星地图辅助导航定位方法，其特征在于：包括以下步骤：

步骤1：确定无人机的飞行区域，在飞行区域内选取具有显著特征的地标，以卫星遥感图像为图像源，制作这些地标的目标检测数据集；

步骤2：用改进的YOLO v3对目标检测数据集进行训练，将训练好的模型以及各地标的位置信息一同存入无人机的机载嵌入式设备中；

对YOLO v3的改进包括：

(1)采用K-means算法对自制数据集进行聚类分析，定义K-means算法的代价函数J的计算公式为：

式中交并比IOU(box,centroid)表示簇中心与标注的样本框的交并比，m表示图片数据集中标注的样本框个数；

选取不同的聚类个数k，分别计算其代价值，根据代价值的变化趋势选取最优聚类个数k作为先验框的个数；

(2)将极大值抑制改为最大值抑制，

YOLO v3训练过程中，对每个候选框计算一个置信度，计算式为：

式中Pr(object)表示网格中是否存在目标，如果有人工标注的目标框落在候选框所在的网格中则为1，反之为0；表示预测框和人工标注的目标框的交并比；

每个候选框的综合得分为每个候选框的置信度与网格预测的类别信息相乘，计算式为：

式中Pr(class_i|object)为每个网格预测的类别概率得分；

得到该分数后，设置阈值，滤掉得分低于阈值的候选框，对高于阈值的候选框进行最大值抑制，就得到各个地标最终的检测结果；

步骤3：飞行过程中，检测无人机实时航拍图像中预先训练好的地标；当有地标被成功检测到后经坐标转换关系计算得出无人机的位置；

步骤4：根据步骤3得到的位置对INS系统的位置误差进行修正。

2.根据权利要求1所述的一种基于深度学习的卫星地图辅助导航定位方法，其特征在于：步骤1中的目标检测数据集是利用Google Earth Pro软件从不同位置、不同倾斜角度、不同视角高度、不同罗盘角度获取，目标检测数据集的制作还包括将这些图像中的地标在LabelImg软件上用矩形框做标注。

3.根据权利要求1所述的一种基于深度学习的卫星地图辅助导航定位方法，其特征在于：步骤3中无人机位置的计算过程如下：

步骤3.1：计算相机内参矩阵K；

步骤3.2：由相机姿态角计算世界坐标系到相机坐标系的正交旋转变换矩阵R，记Ψ为相机的偏航角，Θ为相机的偏航角，Φ为相机的滚转角，则：

步骤3.3：以检测到的地标中心点为原点建立世界坐标系，x轴指向正北方向，y轴指向正东方向，z轴指向地心构成右手系，无人机航线飞行过程中，高度h由气压高度计获取，相机姿态角由装在相机平台上的惯性测量单元获取，识别到的地标在图像中用矩形框框出，相机光心的世界坐标可近似表示为(x₀,y₀,-h)，识别到的地标中心点世界坐标为(0,0,0)，其在像素坐标系下的坐标为(u_c,v_c)，根据世界坐标系到像素坐标系转换公式：

式中λ为投影深度；

消去λ得：

求解二元一次方程，计算出相机光心在世界坐标系下的坐标，即相对地标中心点的位置，进而得到无人机当前的位置。

4.根据权利要求1所述的一种基于深度学习的卫星地图辅助导航定位方法，其特征在于：步骤4中对INS系统位置误差的修正采用松组合的方式，利用卡尔曼滤波对视觉系统与INS系统的位置信息进行融合，方法如下：

步骤4.1：构建INS系统误差状态向量X：

式中δv_x，δv_y，δv_z分别表示沿东北天三个方向的速度误差；φ_x，φ_y，φ_z为平台的姿态角误差；δL，δλ，δh分别表示纬度误差、经度误差及高度误差；ε_xb，ε_yb，ε_zb为机体坐标系三个轴向的陀螺的随机漂移；为机体坐标系三个轴向的加速度计的随机漂移；

步骤4.2：建立INS系统的误差状态方程：

式中F(t)为系统状态转移矩阵，W(t)为噪声矩阵；

步骤4.3：若只有INS系统，利用给定的初始值X₀和P₀以及状态转移矩阵进行卡尔曼滤波的预测更新：

式中X_k|k-1为k时刻状态一步预测值，为k时刻系统状态转移矩阵，P_k|k-1为k时刻一步预测的误差协方差阵，Q_k-1为k-1时刻系统噪声方差阵；

步骤4.4：若检测到地标点，以视觉系统得到的位置与INS系统解算出的位置之差作为卡尔曼滤波器的观测值，建立量测方程：

Z(t)＝H(t)X(t)+V(t)

式中V(t)为量测噪声，量测噪声的大小依赖于视觉系统的定位精度；量测矩阵R_M和R_N分别为地球椭球当地子午圈和当地卯酉圈的曲率半径，L为纬度；

利用上述量测方程进行卡尔曼滤波的更新：

式中K_k为k时刻卡尔曼增益，H_k为k时刻量测矩阵，R_k为k时刻视觉系统的噪声方差阵，Z_k为k时刻观测值。