[發明專利]水下地形匹配定位方法、設備及計算機存儲介質

有效

• 申請號: 202110237861.1
• 申請日: 2021-03-03
• 公開（公告）號: CN112949656B
• 公開（公告）日: 2022-09-13
• 發明（設計）人: 卞紅雨;李勝全;張鋒;何抒慧;楊巍;王天社;邱康
• 申請（專利權）人: 哈爾濱工程大學;鵬城實驗室
• 主分類號: G06V10/44
• 分類號: G06V10/44;G06V10/80;G06V10/82;G06N3/04
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 張志江

本發明公開了一種水下地形匹配定位方法、設備及計算機存儲介質，該方法包括以下步驟：通過孿生特征網絡對實時區域與搜索區域進行特征提取，計算并生成相關性特征；構建權重網絡，對所述實時區域與所述搜索區域之間各通道的所述相關性特征進行權重分配并融合，生成相似性響應圖；通過多峰模式檢測所述相似性響應圖；若所述相似性響應圖滿足預設條件，則計算并輸出最終坐標；本發明解決現有技術中不能很好地表達圖像的早期特征，且無法適用于由水下高程數據轉化的灰度地形圖像的精確定位的問題；實現了增強網絡輸出特征的表達能力，以及提高定位結果的可靠性。

技術領域

本發明涉及水下高精度定位領域，尤其涉及一種水下地形匹配定位方法、設備及計算機存儲介質。

背景技術

在視覺導航領域，實時地圖與先驗地圖匹配的穩定性和可靠性成為導航定位成功的關鍵，在基于特征的圖像匹配方法中，傳統的圖像匹配方法多基于人工設計的特征，往往缺乏穩定的特征表達而造成圖像的匹配效果較差，隨著神經網絡在圖像領域的發展，得益于卷積神經網絡對圖像特征優秀的學習和表達能力，目前已成為包括圖像匹配等計算機視覺領域的研究熱點。

另一方面，智能水下機器人(Autonomous Underwater Vehicle，AUV)在應用神經網絡模型進行定位時，受神經網絡模型性質的影響，存在效率問題，為了滿足AUV定位的實時性需求，需要在保證模型準確率的前提下降低模型的計算量。ShuffleNet V2提出了使用深度分離卷積降低模型復雜度的方法，但該方法不能很好地表達圖像的早期特征，對圖像匹配定位等任務適用性較差，無法適用于由水下高程數據轉化的灰度地形圖像的精確定位。

發明內容

有鑒于此，提供一種水下地形匹配定位方法、設備及計算機存儲介質，解決現有技術中不能很好地表達圖像的早期特征，且無法適用于由水下高程數據轉化的灰度地形圖像的精確定位的問題。

本申請實施例提供了一種水下地形匹配定位方法，所述方法包括：

通過孿生特征網絡對實時區域與搜索區域進行特征提取，計算并生成相關性特征；

構建權重網絡，對所述實時區域與所述搜索區域之間各通道的所述相關性特征進行權重分配并融合，生成相似性響應圖；

通過多峰模式檢測所述相似性響應圖；

若所述相似性響應圖滿足預設條件，則計算并輸出最終坐標。

在一實施例中，其特征在于，所述通過孿生特征網絡對實時區域與搜索區域進行特征提取，計算并生成相關性特征，包括：

基于ShuffleNet網絡模型，提取階段二的特征圖、階段三的特征圖以及第五層卷積后的特征圖；

基于所述階段二特征圖、所述階段三的特征圖以及所述第五層卷積后的特征圖，計算所述實時區域與所述搜索區域各通道之間的相關性，生成所述相關性特征。

在一實施例中，所述構建權重網絡，對所述實時區域與所述搜索區域之間各通道的所述相關性特征進行權重分配并融合，生成相似性響應圖，包括：

采用深度分離卷積，對各通道的相關性特征進行分組卷積計算，生成分組卷積結果；

采用通道注意力機制對所述分組卷積結果分配權重；

對所述分組卷積結果以及分配的權重執行線性融合操作，生成相似性響應圖。

在一實施例中，所述通過多峰模式檢測所述相似性響應圖，包括：

以所述相似性響應圖中最大值為中心的3*3區域外定義為峰值旁瓣區域；

計算峰值區域內點的均值；其中，所述峰值區域為所述相似性響應圖中最大值為中心的3*3區域；

統計所述峰值旁瓣區域內的大于所述均值的點的個數。