[發(fā)明專利]一種基于孿生卷積神經(jīng)網(wǎng)絡(luò)的特征匹配定位方法、系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202210155271.9
• 申請日: 2022-02-21
• 公開（公告）號: CN114596454A
• 公開（公告）日: 2022-06-07
• 發(fā)明（設(shè)計）人: 王博;黃柳;宋志洪
• 申請（專利權(quán)）人: 北京理工大學(xué)
• 主分類號: G06V10/74
• 分類號: G06V10/74;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08;G01C21/16
• 代理公司: 北京理工大學(xué)專利中心 11120
• 代理人: 郭德忠

本發(fā)明公開了一種基于孿生卷積神經(jīng)網(wǎng)絡(luò)的特征匹配定位方法、系統(tǒng)，采用格拉姆角場方法將一維特征序列編碼為二維圖像，相比一維信息具備更豐富的特征，以二維圖像作為孿生卷積神經(jīng)網(wǎng)絡(luò)模型的輸入，提取二維圖像中豐富的特征信息，提高識別相似特征的準(zhǔn)確性。相比傳統(tǒng)方法僅比較一維特征序列的數(shù)值相似性，避免了當(dāng)一維特征序列包含的特征數(shù)量較少時，識別相似性的精度下降、匹配定位誤差較大的問題。在孿生卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)中，選擇ReLU作為激活函數(shù)，能夠增加非線性，避免訓(xùn)練過程中出現(xiàn)梯度爆炸或消失的問題。損失函數(shù)選擇用于二分類的二值交叉熵，能夠在訓(xùn)練過程中使損失函數(shù)的輸出快速收斂到0附近，減少訓(xùn)練模型所需要的迭代次數(shù)。

技術(shù)領(lǐng)域

本發(fā)明涉及慣導(dǎo)誤差校正技術(shù)領(lǐng)域，具體涉及一種基于孿生卷積神經(jīng)網(wǎng)絡(luò)的特征匹配定位方法、系統(tǒng)。

背景技術(shù)

海洋擁有豐富的礦物及生物資源，水下自主航行器(Autonomous UnderwaterVehicle，AUV)對海洋環(huán)境進行勘探時需要導(dǎo)航定位技術(shù)提供位置、速度和姿態(tài)等航行信息。常用的導(dǎo)航定位方式如全球?qū)Ш叫l(wèi)星系統(tǒng)(Global Navigation Satellite System，GNSS)，其無線電信號在水下無法傳播，因此不適用于水下導(dǎo)航，且不具備隱蔽性；慣性導(dǎo)航系統(tǒng)(Inertial Navigation System，INS)具有自主性和隱蔽性的優(yōu)勢，通常作為組合導(dǎo)航中主要的導(dǎo)航定位系統(tǒng)，但其誤差隨時間累積，長時間運行過程中容易產(chǎn)生較大的定位誤差，因此，以INS為主的組合導(dǎo)航得到了廣泛應(yīng)用。常見的水下輔助導(dǎo)航方式有聲學(xué)導(dǎo)航和地球物理導(dǎo)航，地球物理導(dǎo)航作為一種非傳統(tǒng)無源導(dǎo)航技術(shù)，具備良好的隱蔽性，通常用于輔助慣性導(dǎo)航系統(tǒng)，其中重力輔助慣性導(dǎo)航利用地球重力異常信息或重力梯度值校正慣性導(dǎo)航系統(tǒng)的誤差。重力導(dǎo)航依靠重力儀測量當(dāng)前位置的重力異常值，根據(jù)重力圖提供的位置及重力異常值進行定位。然而，單一的重力導(dǎo)航方式受重力圖精度及測量精度限制無法保證重力異常值與位置的單值對應(yīng)關(guān)系。重力匹配算法是重力輔助導(dǎo)航技術(shù)的核心部分。由于重力匹配與地形匹配相似，重力匹配算法沿用較為成熟的地形匹配算法。傳統(tǒng)的重力匹配算法根據(jù)采樣方式分為序列匹配算法和單點匹配算法。序列匹配算法包括地形輪廓匹配(Terrain contour matching，TERCOM)算法和迭代最近等值線點(Iterated closestcontour point，ICCP)算法，單點匹配算法以(Sandia inertial terrain aidednavigation，SITAN)算法為代表，針對TERCOM算法存在的運載體航行機動性差、搜索范圍大，ICCP算法對初始位置誤差要求較小、實時性差，SITAN算法濾波易發(fā)散等問題，后續(xù)的改進算法基本延續(xù)傳統(tǒng)重力匹配算法的模式。除此之外，利用慣性導(dǎo)航短時間內(nèi)誤差積累小的特點，矢量匹配算法引入相鄰點之間的位置相關(guān)性進行重力匹配。傳統(tǒng)重力匹配算法通過分析重力異常測量值的數(shù)值特性得到匹配結(jié)果，這種方法的定位精度嚴(yán)重依賴于測量儀器的精度和重力場背景圖的分辨率。

隨著人工智能的發(fā)展，神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域越來越廣泛，不少學(xué)者提出使用神經(jīng)網(wǎng)絡(luò)的重力匹配或地形匹配算法。有學(xué)者將重力圖網(wǎng)格點經(jīng)緯度看作模式類，將重力匹配定位問題轉(zhuǎn)化為模式識別及分類問題，采用支持向量機進行模式識別，這種基于模式識別的重力匹配方法無法遷移到模型未訓(xùn)練過的數(shù)據(jù)集上，也就是說，若更換其他的重力場背景圖區(qū)域，需要重新訓(xùn)練模型，否則無法進行重力匹配。其他學(xué)者提出基于CNN和歸一化互相關(guān)(normalised cross-correlation)的方法，該方法利用CNN確定待匹配的區(qū)域，減小搜索范圍，再用NCC方法得到重力匹配位置。該方法雖然使用CNN縮小待匹配區(qū)域，但確定匹配軌跡的NCC方法依然只考慮了測量值序列的數(shù)值特性，其匹配軌跡的精度仍然依賴于測量儀器的誤差大小。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明提供了一種基于孿生卷積神經(jīng)網(wǎng)絡(luò)的特征匹配定位方法、系統(tǒng)，能夠提取二維圖像中豐富的特征信息，提高識別相似特征的準(zhǔn)確性。

本發(fā)明的具體技術(shù)方案如下：