[发明专利]大斜视角下无人机可见光和红外图像目标定位方法

权利要求书

1.一种大斜视角下无人机可见光和红外图像目标定位方法，具体实施步骤如下：

第一步：基于中心投影成像模型的可见光和红外图像目标定位；

具体为：

(1)基于坐标系转换的侦察图像系统几何校正；

基于中心投影成像模型进行系统级几何校正，建立各个坐标系之间的变换关系，图像平面到空间直角坐标系的转换过程为：像素坐标系I系—>相机坐标系C系—>无人机坐标系P系—>北天东坐标系N系—>空间直角坐标系G系—>大地坐标系E系；

像素坐标系I系与相机坐标系C系之间存在平移变换T_I以及坐标轴翻转变化：

即将X变为相反数；

相机坐标系C系中心与无人机坐标系P系之间存在平移变换T_C以及透视变换M_C；

以P系原点为原点建立北天东坐标系N系，P系相对N系有三个方向的自由度转动，航向、俯仰、横滚，P系到N系的变换用透视变换M_p表示；

I系中的像平面F_I(x_I,y_I,z_I)到N系中像平面F_N(x_N,y_N,z_N)的变换为：

F_N＝M_p·M_c·T_c·X_inv·T_I·F_I (1)

N系与G系存在平移变换，其三个平移量为无人机坐标系P系原点在G系的三个坐标轴上的投影；

G系到E系的变换按照规定的投影模式进行；

综上所述，利用公式(1)像平面从I系变换到N系后，再根据N系、G系、E系的关系利用空间相似三角形和高斯-克吕格投影理论，最终完成像平面从I系到E系的转换过程；

(2)基于共线方程的目标定位；

假设像点a在I系的坐标为(u,v)，则根据公式(1)坐标系的变换，得到像点a在N系的坐标(X_da,Y_da,Z_da)，设与像点a相对应的物点A在G系坐标为(X_A,Y_A,Z_A)，摄影中心S的G系坐标为(X_S,Y_S,Z_S)，得到像点a的N系(X_da,Y_da,Z_da)与对应物点A的G系坐标(X_A,Y_A,Z_A)之间的关系为：

XdaXA-XS=YdaYA-YS=ZdaZA-ZS=1λ---(2)]]>

将上式写成矩阵形式为：

XdaYdaZda=1λXA-XSYA-YSZA-ZS---(3)]]>

式中λ为比例因子，(X_S,Y_S,Z_S)是由无人机所在的E系坐标(B,L,H)经高斯-克吕格投影变换得到的；

假设侦察目标在校正影像中的I系坐标为(u_o,v_o)，则侦察目标的E系坐标(x_o,y_o)为：

xo=(Lngeast-Lngwest)Widthuo+Lngwestyo=Latnorth-(Latnorth-Latsouth)Heightvo---(4)]]> 1

其中，Lat_north、Lat_south、Lng_east、Lng_west分别为校正影像的北纬、南纬、东经和西经边界值，Width、Height分别为校正影像的宽和高；

第二步：多因素影响下目标定位误差特征提取与表示；

具体为：

(1)选择目标定位误差特征；

将斜视角、成像方向角、高度设为目标定位误差特征；

(2)目标定位误差特征表示；

当无人机不存在任何姿态角的情况下，无人机坐标系与北天东坐标系是重合的，假设光轴长度为单位值1，得到光轴端点在北天东坐标系中的三维坐标表示(x,y,z)：

式中表示平台高低角；κ表示平台方位角；

当无人机自身发生姿态变化时，即由N系转换到P系，机体的转动将带动光轴指向发生变化，此时，根据坐标系转换重新获得光轴端点在新的坐标系下的三维坐标表示(x',y',z')：

其中，表示无人机俯仰角，ω₂表示无人机倾斜角，κ₂表示无人机航向角；

利用光轴的三维坐标(x',y',z')，求解出斜视角α和成像方向角β：

tanα=|z′|(x′)2+(y′)2---(7)]]>

α=arctan(|z′|(x′)2+(y′)2)---(8)]]>

sinβ=x′(x′)2+(y′)2cosβ=y′(x′)2+(y′)2---(9)]]> 2

β=arcsin(|x′|(x′)2+(y′)2)x′>0,y′>0π-arcsin(|x′|(x′)2+(y′)2)x′>0,y′<0π+arcsin(|x′|(x′)2+(y′)2)x′<0,y′<03π2+arcsin(|x′|(x′)2+(y′)2)x′<0,y′>0---(10)]]>

第三步：变高度、大斜视角下目标定位误差预测与补偿；

具体为：

(1)目标定位误差预测模型建模；

根据斜视角α，由已确定误差的校正后图像数据构成相应的训练样本，训练样本的总数记为m，第i个训练样本记作(x⁽ⁱ⁾,y⁽ⁱ⁾)，y⁽ⁱ⁾为样本误差值，x⁽ⁱ⁾为样本的特征，包含n个特征可表示为x⁽ⁱ⁾＝[x₀,x₁,x₂,…,x_n]^T，其中x₀＝1,x₁＝H·tan(α),x₂＝H,x3＝β，而误差与特征之间的非线性体现在x₄＝x₁²,x₅＝x₂²,x₆＝x₃²,x₇＝x₁³,x₈＝x₂³,x₉＝x₃³......；

构建的预测模型数学形式如下式所示：

y=hθ(x)=θ0x0+θ1x1+θ2x2+...+θnxn=Σi=0nθixi=θTx---(11)]]>

其中：h_θ(x)为关于特征x的待预测模型，θ为模型中待确定参数，θ＝[θ₀,θ₁,θ₂,…,θ_n]^T；

对上述h_θ(x)函数进行评估，代价函数如下：

J(θ)=12Σi=1m(hθ(x(i))-y(i))2---(12)]]>

采用梯度下降的方法最小化代价函数J(θ)，求解出最优的参数θ，首先对代价函数求偏导：

▿θJ=∂∂θ0J∂∂θ1J...∂∂θnJ---(13)]]>

然后采用迭代的方法计算θ的值：

θ＝θ-k▽_θJ (14)

式中：k表示学习率；

(2)不同高度、不同斜视角条件下，训练样本的选择；

在成像高度、斜视角、成像方向角三个分量，划分分辨率，得到成像高度分辨率、斜视角分布率、成像方向角分辨率，依据三个分辨率设计样本分布表示和测量方法；

(3)目标定位误差的预测与补偿；

利用上述建立的定位误差预测模型及确定的训练样本，对预测模型进行训练，获取模型参数，采用此模型参数对待校正的图像进行定位误差预测，确定该图像的误差矢量ΔE(x_e,y_e)；将此误差对第一步获取的目标经纬度进行补偿，获取更加精确地经纬度信息(x_o',y_o')，如式15所示：

xo′=xo+xeyo′=yo+ye---(15)]]>

其中，x_e表示预测出的图像在大地坐标系下x方向的误差长度，y_e表示预测出的图像在大地坐标系下y方向的误差长度。