[发明专利]一种基于卷积神经网络的景象匹配导航方法及装置

说明书

本发明公开了一种基于卷积神经网络的景象匹配导航方法及装置，首先通过航拍实时图特征点追踪得到相对定位信息，然后由卷积网络提取图片深度特征进行图像对准得到的绝对定位信息。采用了逐层细化的定位策略进行优化，完成了整个视觉匹配导航算法的设计。本发明是一套结合深度学习方法的视觉导航系统，并且在多种类型的飞行数据上进行了测试，验证了本发明的可行性以及稳定性，具有良好的工程应用价值。

技术领域

本发明涉及导航技术领域，特别涉及一种基于卷积神经网络的景象匹配导航方法及装置。

背景技术

随着图像传感器、图像处理算法的日趋成熟，以及机载高速计算终端、大容量存储器的广泛应用，视觉匹配导航技术作为一类辅助导航系统受到了人们的广泛关注，并且在无人机领域有着广泛的应用。景象匹配技术通过引入视觉定位信息，为主动导航系统提供位置修正，进而辅助无人机实现高精度、高鲁棒性的自主定位功能。在景象匹配系统中，定位算法要求机载终端预存带有地理位置信息的基准地图，无人机进入目标区域后，通过其所携带的图像传感器对于当地图像信息进行实时的获取；此后，无人内部的处理器通过相应的匹配算法处理采集到的实时图像，将实时图像与事先预存好的基准图像进行相关的匹配比较，从而在基准地图中找出当前拍摄的实时图的具体位置。

尽管视觉匹配导航问题已经得到了较长时间的研究与发展，也出现了很多不同的解决方案，但仍然需要更具有稳定性与鲁棒性的视觉导航系统。当前对于视觉匹配导航算法研究的着眼点主要是克服匹配图像对两者之间的差异。围绕具有光照不变性的相位相关(Phase Correlation)方法展开定位研究，并进行了全天候的定位实飞测试，证明其算法对于光照变化具有优秀的鲁棒性。但该方法并未考虑更大时间变化尺度上的地理元素的变化，而只是简单地对于光照变化进行了考虑。面对异源图像之间的匹配问题以及可能存在的各种干扰因素，传统算法的鲁棒性仍然需要得到进一步的提高，研究者们也旨在提出对环境变化更具稳定性的视觉匹配定位算法，解决异源图像之间由于传感器差异、季节差异、光照差异以及图像分辨率差异等诸多因素所导致的定位失准问题。

近些年来，深度学习在计算机视觉领域取得了令人瞩目的进展，越来越多与视觉有关的问题都从深度学习的角度得到了一定程度的解决，而深度学习方法中，卷积神经网络又是诸多计算机视觉相关的问题最为有效的解决方法，基于卷积神经网络而发展演变而来的各种网络架构在计算机视觉任务中有着广泛的应用。通过U-Net网络提取航拍图像中的建筑语义信息辅助进行景象匹配工作，将深度学习使用在了视觉导航系统之中，但是这种方法无法适用于建筑信息较少的乡村环境，局限性较大。如何更好地将深度学习技术与无人机视觉匹配系统相结合，仍然需要更多的探索与解决方案。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于卷积神经网络的景象匹配导航方法，本发明使用了相对定位与绝对定位相结合的整体框架，首先通过航拍实时图特征点追踪得到相对定位信息，然后由卷积网络提取图片深度特征进行图像对准得到的绝对定位信息，采用了一种逐层细化的定位策略进行优化，完成了整个视觉匹配导航算法的设计。本发明是一套结合深度学习方法的视觉导航方法，并且在多种类型的飞行数据上进行了测试，验证了本发明的可行性以及稳定性，具有良好的工程应用价值。

本发明的另一个目的在于提出一种基于卷积神经网络的景象匹配导航装置。