[发明专利]基于深度学习的图像检测定位加速方法

说明书

本发明公开了一种基于深度学习的图像检测定位加速方法。本发明通过在每一帧图像的特征提取的过程之前1)添加一个二分类器，判断当前摄像头所拍摄内容中是否存在设定的目标点，2)如果存在则继续通过一个multi‑class classifier确定当前图像是第几个目标点相关，3)进行相关的PnP算法。该设计不仅加速操作过程，更可以将目标点的类型扩展到多维，而不需人工判断是哪一个三维位置中的坐标点。

技术领域

本发明涉及四旋翼无人飞行器的位置检测，特别是一种基于图像的检测方 法。

背景技术

小型四旋翼飞行器是一种非共轴、多旋翼式飞行器。与常规旋翼式相比，其 结构更加紧凑，可通过改变四个旋翼产生的升力大小实现姿态稳定及精确定位。 小型四旋翼飞行器的结构简单、体积较小、飞行平稳、隐蔽性好，常用于近地面 监视、侦察、航拍，具有重要的研究价值和广阔的研究前景，目前，国内外有很 多单位和高校开展了有关小型四旋翼飞行器的动力学模型和控制器设计的有关 科学研究工作。

定位，是无人飞行器实现战场精确打击和高空侦察的保证。现有的导航技术 主要是依赖全球定位系统(GPS),但是，全球定位系统的估计精度与参与定位的卫 星数目和信号接收装备的质量有关，信号传递过程容易受到无线电干扰，导致信 号误差扩大。因此，研究一种可以替代或者辅助GPS并对无人飞行器进行定位的 方法具有重要意义。计算机视觉领域的研究发展使得这一想法成为可能，国内外 研究者相继提出了一些基于机器视觉的无人飞行器定位方法，如利用景象匹配对 无人飞行器进行导航。

当前常用的方法往往是对主流的方式是在预先设计的飞行路线上获取一定 的航拍图像，将这些图像与飞行过程中摄像头实际获得的前下图像进行比对，通 过人工确定属于当前是否存在相关的目标点和是哪一个目标点，对那些能够匹配 上的图像使用相关的方式通过图像的变化进行计算得到飞行器的位置。

飞行器的高度和相对地面目标点的实际位置发生变化会导致图像中的特征 点或是特征区域出现拉伸或是偏折，通过相应的几何关系，采用PnP等方式求解 出摄像头在世界坐标系中的位置，近似为飞行器在世界坐标中的实际位置。这样 的算法有一些缺陷：

飞行器通过前下摄像头得到的图像具有一定的冗余性，很多图像都不能用于 飞行器的定位。且在控制过程当中如果对所有的图像都先提取相关特征再进行匹 配会导致控制的滞后性。

实际应用中，SIFT特征提取和匹配算法主要有三个问题:

(1)特征提取复杂度太高，计算时间较长；

SIFT算法多次使用了卷积平滑操作和加权直方图统计，需要大量浮点数运 算法复杂度很高，且计算量主要集成在特征描述生成过程，正比于特征点数算目 (2)生成的特征点太多，影响匹配和搜索速度；

(3)特征集合整体显著性不高，正确匹配率较低。

SIFT算法可以提取大量特征点，但实际正确匹配的特征点只占很小一部 分，说明特征集合显著性不高，这主要由以下原因造成:

(1)部分SIFT特征点不够显著

尺度空间的极值点通常代表了原图像中的某种结构，如角点、边缘等，但不 能准确定位角点。因为Gauss平滑卷积和亚采样在建立尺度空间过程中，会引起 图像结构的位置漂移，并会削弱角点和边缘响应。因此SIFT特征点不能准确定 位角点，部分特征点不能代表显著图像结构。

(2)不显著特征点影响整体正确匹配率。

发明内容

本发明的目的在于提供一种基于深度学习的图像检测定位加速方法，用于解 决四旋翼无人机定位过程中的滞后问题。

实现本发明目的的技术解决方案为：一种基于深度学习的图像检测定位加速 方法，包括以下步骤：