[发明专利]一种无人艇自主定位方法及装置

权利要求书

1.一种无人艇自主定位方法，其特征在于，所述方法包括以下步骤：

建立水岸分割模型；

使用改进的SuperPoint方法对特征点进行提取匹配，建立深度学习特征点提取模型；

构建权重重投影误差优化；

构建无人艇自主定位模型；

将艇载相机获取的实时图像帧序列输入到所构建的无人艇自主定位模型中得到无人艇航行轨迹估计。

2.根据权利要求1所述的无人艇自主定位方法，其特征在于，所述建立水岸分割模型的步骤具体包括：基于DeepLab v3+算法建立水岸分割模型Inland-DeepLab v3+，Inland-DeepLab v3+算法是通过在DeepLab v3+算法编码器输入层中多输出一层低级特征，并对其中间层重复8次所得到。

3.根据权利要求1所述的无人艇自主定位方法，其特征在于，所述建立水岸分割模型的步骤具体包括：设置水面区域和背景区域权重占比其中w₀为背景像素权重，w₁为水面区域像素权重。

4.根据权利要求1所述的无人艇自主定位方法，其特征在于，所述使用改进的SuperPoint方法对特征点进行提取匹配，建立深度学习特征点提取模型的步骤具体包括：将CBAM注意力机制加入到SuperPoint方法中，建立深度学习特征点提取模型Attention-SuperPoint。

5.根据权利要求1所述的无人艇自主定位方法，其特征在于，所述构建权重重投影误差优化的步骤具体包括：对已提取特征点的图片进行图像显著性检测得到灰度图像，将权重归一化其中，w_i为第i个特征点的权重；p_i是对应的每个特征点的显著性图像中的像素值；b为权重优化系数，确定权重系数后有权重重投影误差公式其中P_L表示当前关键帧以及当前关键帧具有共视关系的局部关键帧的位姿，T_L表示可以在局部关键帧中所有可以观察到的三维点坐标，ρ表示Huber函数，χ_j是当前帧与第j个局部关键帧的映射点匹配的特征点集，E(j,k)定义为

6.根据权利要求1所述的无人艇自主定位方法，其特征在于，所述构建无人艇自主定位模型的步骤具体包括：构建无人艇自主定位模型Inland-SLAM，所述Inland-SLAM通过水岸分割方法将含有动态水波纹以及河岸植被反射的水面噪声剔除，并通过基于深度学习的Attention-SuperPoint方法对图像帧进行特征点提取匹配，以及进行权重重投影误差进行优化。

7.一种无人艇自主定位装置，其特征在于，所述装置包括：

传感器信息读取模块：用于基于DeepLab v3+算法建立水岸分割模型Inland-DeepLabv3+；

视觉里程计模块：用于将CBAM注意力机制加入到SuperPoint方法中，建立深度学习特征点提取模型Attention-SuperPoint；

后端优化模块：用于通过图像显著性SalGAN实现对无人艇位姿以及三维点优化过程中的权重重投影误差优化；

回环检测模块：用于建立基于Attention-SuperPoint特征点词袋模型，实现快速准确的对相同图像进行匹配，并获得全局一致性的地图；

模型融合及应用模块：用于对于输入的图像帧，通过无人艇自主定位模型Inland-SLAM输出无人艇航行轨迹估计。

8.根据权利要求7所述的无人艇自主定位装置，其特征在于，所述传感器信息读取模块所使用Inland-DeepLab v3+算法是基于DeepLab v3+算法，通过在其编码器输入层中多输出一层低级特征，并对其中间层重复8次所得到。

9.根据权利要求7所述的无人艇自主定位装置，其特征在于，所述视觉里程计模块中改进的Attention-SuperPoint算法是在其主干网络中加入CBAM注意力机制所得到。

10.根据权利要求7所述的无人艇自主定位装置，其特征在于，所述权重重投影误差优化公式为：其中P_L表示当前关键帧以及与当前关键帧具有共视关系的局部关键帧的位姿，T_L表示可以在局部关键帧中所有可以观察到的三维点坐标，ρ表示Huber函数，χ_j是当前帧与第j个局部关键帧的映射点匹配的特征点集，E(j,k)的定义为