[发明专利]一种基于骨架混合特征的远距离无人机鲁棒位姿估计方法

权利要求书

1.一种基于骨架混合特征的远距离无人机鲁棒位姿估计方法，其特征在于，所述方法包括：

通过编队中第一无人机上的相机获取第二无人机的远距离无人机图像；

根据所述远距离无人机图像通过人体骨架检测网络Kapao进行无人机部件检测和无人机骨架提取，得到无人机部件检测结果和无人机骨架提取结果；

根据所述无人机部件检测结果中的部件中点对所述无人机骨架提取结果中的骨架端点进行修正，得到修正后的无人机骨架模型；

根据所述修正后的无人机骨架模型构建由骨架端点构成的点约束方程组，以及由两两骨架端点组合构成的线约束方程组，根据所述点约束方程组和所述线约束方程组求解得到无人机位姿的最优初始解；

通过German-Mcclure鲁棒算法对所述最优初始解进行异常值修正，得到无人机位姿的最优解。

2.根据权利要求1所述的方法，其特征在于，根据所述修正后的无人机骨架模型构建由骨架端点构成的点约束方程组，以及由两两骨架端点组合构成的线约束方程组，包括：

根据所述修正后的无人机骨架模型构建由骨架端点构成的点约束方程组，以及由两两骨架端点组合构成的线约束方程组为：

其中，表示定义在本体坐标系下三维点坐标，κ代表点的总数，p_k,1≤k≤|κ|,v_e∈R²,1≤e≤|ε|分别为预测的点和边，ε代表边的个数且点和边总数关系，表示为定义一条边的两个端点分别为q_s,1∈R²,q_s,2∈R²，分别为在齐次坐标系下定义的点和边，e_s和e_t是边e的两端，即骨架两个端点构成一条线，R表示无人机本体坐标系相对相机坐标系的旋转矩阵，t表示无人机本体坐标系相对相机坐标系的平移矩阵。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

增加超参数α_E对所述线约束方程组进行缩放；

采用有限差分和回溯直线搜索算法求取所述超参数α_E。

4.根据权利要求3所述的方法，其特征在于，根据所述点约束方程组和所述线约束方程组求解得到无人机位姿的最优初始解，包括：

根据所述点约束方程组和所述线约束方程组构成线性方程组Ax＝0

其中，A是维度为(3|κ|+3|ε|)×12的矩阵，是包含旋转和平移参数的向量，r₁,r₂,r₃是旋转参数；

计算向量x：

v_i代表矩阵A的i_th个最小右奇异向量，选取N值为4，γ_i为潜在变量，为了计算最优的向量x，交替优化γ_i和旋转矩阵R，设置目标函数为：

其中R_i∈R^3×3是由v_i的前9个元素组成；

获得最优的γ_i后，将结果映射到刚体转化关系上。

5.根据权利要求4所述的方法，其特征在于，在根据所述点约束方程组和所述线约束方程组求解得到无人机位姿的最优初始解之后，还包括：

引入两类投影误差构成的向量方程组：

其中，P_R,t:是在当前(R,t)条件下的投影变换；

通过调整模块对所述无人机位姿的最优初始解进行优化。