一種基于衛(wèi)星圖像匹配的無人機(jī)自主定位算法

劉欣 吳俊嫻 張占月

（1 航天工程大學(xué)，北京 101416）

（2 空裝駐北京地區(qū)第一軍事代表室，北京 100854）

0 引言

無人機(jī)在執(zhí)行任務(wù)時首先要解決的問題是確定自身在工作環(huán)境中的準(zhǔn)確位置。因此，定位是無人機(jī)導(dǎo)航技術(shù)的基礎(chǔ)和關(guān)鍵。傳統(tǒng)的衛(wèi)星定位方式依賴外部衛(wèi)星信號而易受環(huán)境和敵方干擾，尤其是低空無人機(jī)，衛(wèi)星信號易受高層建筑物的遮擋而無法提供準(zhǔn)確的定位信息[1]。無人機(jī)作為一種重要的航空器，通過搭載光電載荷對地成像是其主要功能之一。與其他平臺相比，無人機(jī)平臺成像具有分辨率高的特點(diǎn)，可以對同一目標(biāo)場景進(jìn)行多次觀察，形成多視角、多位置的成像，在軍事和民用領(lǐng)域發(fā)揮著十分重要的作用。

基于圖像匹配的定位技術(shù)是一種自主性和精度均很高的導(dǎo)航定位技術(shù)，是導(dǎo)航定位的一種重要手段，也是視覺領(lǐng)域的前沿方向。本文提出一種基于衛(wèi)星圖像匹配的無人機(jī)自主定位的技術(shù)方案，該技術(shù)通過將兩種圖像進(jìn)行配準(zhǔn)實(shí)現(xiàn)無人機(jī)自主定位，要解決的核心問題是穩(wěn)健的特征匹配。由于在成像機(jī)理、光照、視角等諸多方面存在差異，無人機(jī)光電載荷和衛(wèi)星傳感器兩種來源的圖像間具有明顯的不一致性。因此，直接采用傳統(tǒng)人工設(shè)計的基于影像梯度的算子（如SIFT[2]、ASIFT[3]、AKAZE[4]等）很難實(shí)現(xiàn)這類異源影像的可靠匹配。近年來，基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）[5-8]在圖像特征提取方面取得了顯著的進(jìn)展。相對于人工設(shè)計的特征描述子，CNN特征可以通過網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，使深層網(wǎng)絡(luò)能夠自動發(fā)現(xiàn)更合適的特征提取和表示方式，使得所提取的圖像特征具有更好的魯棒性，一定程度上克服了由于圖像不一致而導(dǎo)致的特征匹配困難?；贑NN善于學(xué)習(xí)圖像特征的特點(diǎn)，本文利用CNN把無人機(jī)定位問題轉(zhuǎn)化為一種圖像分類問題，將衛(wèi)星圖像作為基準(zhǔn)圖像，并將基準(zhǔn)圖像等分為若干網(wǎng)格，每個網(wǎng)格代表一類區(qū)域，然后用網(wǎng)格圖像制作數(shù)據(jù)集訓(xùn)練CNN。

本文基于衛(wèi)星圖像輔助，提出了一種由粗到精的無人機(jī)自主定位框架。首先設(shè)計了一種便于機(jī)載的輕量級CNN網(wǎng)絡(luò)抽取圖像特征，結(jié)合無人機(jī)圖像時間維度上的連續(xù)性，形成一個卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)的聯(lián)合分類器（CNN-LSTM），有效實(shí)現(xiàn)無人機(jī)圖像與衛(wèi)星基準(zhǔn)圖像的區(qū)域匹配；然后提取同名區(qū)域的同名點(diǎn)，結(jié)合光學(xué)成像的共線約束，實(shí)現(xiàn)了一種基于多點(diǎn)加權(quán)約束的無人機(jī)自主定位算法。

1 無人機(jī)自主定位框架

本文提出一種基于衛(wèi)星圖像輔助的無人機(jī)自主定位方法，其流程框架如圖1所示。無人機(jī)自主定位采取由粗到精的思路，將定位流程分為兩個步驟：1）基于CNN-LSTM的圖像分類算法，實(shí)現(xiàn)航拍圖像與衛(wèi)星參考圖像在空間位置的對準(zhǔn)。將預(yù)處理后的圖像輸入至CNN網(wǎng)絡(luò)，并根據(jù)無人機(jī)航拍圖像時間連續(xù)的特點(diǎn)加入了LSTM網(wǎng)絡(luò)，形成了CNN-LSTM聯(lián)合分類網(wǎng)絡(luò)，同時利用多張圖像特征作為判斷依據(jù)，有效提高圖像分類的準(zhǔn)確率。2）基于同名特征點(diǎn)的無人機(jī)位置解算。經(jīng)過步驟1）后，所抽取的衛(wèi)星圖像區(qū)塊所包含的地物信息與航拍圖像基本相似，再采用ORB[9-12]特征提取算法與RANSAC[13]匹配方法，實(shí)現(xiàn)兩幅圖像同名特征點(diǎn)的匹配，根據(jù)匹配得到的衛(wèi)星圖中特征點(diǎn)所攜帶的地理信息，結(jié)合視軸交會原理，最終實(shí)現(xiàn)無人機(jī)自主定位。

圖1 無人機(jī)自主定位框架Fig.1 Framework of UAV autonomous positioning

2 異源圖像塊匹配算法

2.1 輕量級CNN設(shè)計

目前遙感領(lǐng)域并不具備足夠的帶標(biāo)簽的遙感圖像用于訓(xùn)練深度學(xué)習(xí)中網(wǎng)絡(luò)模型巨量的結(jié)構(gòu)參數(shù)，采用現(xiàn)有遙感數(shù)據(jù)集訓(xùn)練深度網(wǎng)絡(luò)模型時會出現(xiàn)嚴(yán)重的過擬合。針對這種情況，本文采用遷移學(xué)習(xí)的策略，通過ImageNet數(shù)據(jù)庫[14]（約120萬張訓(xùn)練數(shù)據(jù)集）來訓(xùn)練預(yù)訓(xùn)練網(wǎng)絡(luò)。預(yù)訓(xùn)練網(wǎng)絡(luò)以最小的代價重新調(diào)整網(wǎng)絡(luò)中的權(quán)重參數(shù)，可以很容易地適應(yīng)不同的圖像分類任務(wù)?？紤]到無人機(jī)機(jī)載計算資源有限，本文選用MobileNet網(wǎng)絡(luò)[15]作為骨干網(wǎng)絡(luò)。MobileNet描述了一個高效的網(wǎng)絡(luò)架構(gòu)，允許通過兩個超參數(shù)直接構(gòu)建非常小、低延遲、易滿足嵌入式設(shè)備要求的模型。另外，設(shè)計了一個只包含2個卷積層和1個全連接層的淺層卷積神經(jīng)網(wǎng)絡(luò)（見圖2），將MobileNet全連接層輸出的特征轉(zhuǎn)換到二維空間作為輸入圖像，對淺層卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行有監(jiān)督的訓(xùn)練。通過訓(xùn)練淺層卷積神經(jīng)網(wǎng)絡(luò)，能夠?qū)W習(xí)高層抽象特征之間的復(fù)雜關(guān)系。淺層卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與參數(shù)如圖2所示，第1層和第2層為卷積層，卷積核大小均為5×5，第1層卷積核數(shù)量為96個，第2層卷積核數(shù)量為72個，然后接1個全連接層，大小為128。

圖2 卷積神經(jīng)網(wǎng)絡(luò)設(shè)計Fig.2 Design of the convolutional neural network

2.2 CNN-LSTM聯(lián)合分類網(wǎng)絡(luò)

利用無人機(jī)航拍圖像時間連續(xù)的特點(diǎn)，累積同一分類地區(qū)中連續(xù)航拍圖像的不同特征進(jìn)行綜合判斷，能夠減少因單張圖像無法提供充足信息或特征極其相似的情況下導(dǎo)致的錯誤分類。考慮到LSTM[16-19]網(wǎng)絡(luò)的結(jié)構(gòu)能夠很好地實(shí)現(xiàn)記憶和累積一組特征的功能，本文構(gòu)建了CNN-LSTM聯(lián)合分類網(wǎng)絡(luò)，結(jié)構(gòu)如圖3所示。一幅航拍圖像輸入到CNN網(wǎng)絡(luò)中提取特征后，將該特征向量輸入到LSTM網(wǎng)絡(luò)中，然后將LSTM網(wǎng)絡(luò)的輸出向量輸入到SoftMax層進(jìn)行圖像分類。按照先后順序?qū)⒁唤M時間連續(xù)的圖像加載到模型中。對于卷積神經(jīng)網(wǎng)絡(luò)的部分，使用單張航拍圖像分類網(wǎng)絡(luò)的權(quán)重參數(shù)。在訓(xùn)練期間，保持預(yù)訓(xùn)練網(wǎng)絡(luò)和淺層卷積神經(jīng)網(wǎng)絡(luò)各層參數(shù)不變，只訓(xùn)練LSTM網(wǎng)絡(luò)和SoftMax分類層。

圖3 CNN-LSTM聯(lián)合分類網(wǎng)絡(luò)Fig.3 The CNN-LSTM joint classification network

3 基于多點(diǎn)加權(quán)約束的無人機(jī)自主定位算法

無人機(jī)航拍圖像和衛(wèi)星圖像的塊匹配完成后，為了實(shí)現(xiàn)高精度無人機(jī)自主定位，需要實(shí)現(xiàn)圖像同名目標(biāo)點(diǎn)的匹配（如圖4所示）。本文采用ORB（Oriented FAST and Rotated BRIEF）法——一種基于FAST特征檢測快速提取特征點(diǎn)和BRIEF描述子刻畫特征點(diǎn)的算法，該方法的特點(diǎn)是速度快，而且在一定程度上不受噪點(diǎn)和圖像變換的影響，例如旋轉(zhuǎn)和縮放變換等。經(jīng)過ORB提取和描述特征點(diǎn)，并使用最近鄰匹配算法進(jìn)行特征點(diǎn)匹配操作后，可獲取無人機(jī)航拍圖像和衛(wèi)星圖像中同名目標(biāo)點(diǎn)的匹配點(diǎn)集。根據(jù)匹配點(diǎn)集，在衛(wèi)星圖像中查詢對應(yīng)目標(biāo)點(diǎn)在大地坐標(biāo)系中的坐標(biāo)。

根據(jù)光學(xué)成像原理，地面目標(biāo)點(diǎn)、像點(diǎn)和攝像機(jī)光心三點(diǎn)共線，利用共線幾何關(guān)系建立無人機(jī)自主定位數(shù)學(xué)模型，考慮到成像系統(tǒng)的物距遠(yuǎn)大于焦距，成像光線方向的微小偏差都會帶來明顯放大的空間點(diǎn)定位誤差。因此本文通過多點(diǎn)幾何關(guān)系約束建立超定方程組，再使用加權(quán)最小二乘估計求解無人機(jī)自身空間位置，提高自主定位算法的精度。

在已知多個目標(biāo)點(diǎn)坐標(biāo)（Xi,Yi,Zi）及其所對應(yīng)像點(diǎn)坐標(biāo)（xi,yi），無人機(jī)搭載的攝像機(jī)內(nèi)方位元素（相機(jī)焦距f、像主點(diǎn)在像框標(biāo)坐標(biāo)系中的坐標(biāo)x0、y0）的條件下，根據(jù)地面目標(biāo)點(diǎn)、像點(diǎn)和攝像機(jī)光心三點(diǎn)共線的幾何關(guān)系，利用n（n＞3）個地面目標(biāo)點(diǎn)建立無人機(jī)自主定位數(shù)學(xué)模型，并結(jié)合加權(quán)最小二乘估計求解無人機(jī)自身空間位置點(diǎn)坐標(biāo)（Xu,Yu,Zu）。其自主定位流程如圖5所示。

圖4 多點(diǎn)約束的無人機(jī)自主定位Fig.4 UAV autonomous positioning with multi-point constraints

圖5 無人機(jī)自主定位算法流程Fig.5 Process of the UAV autonomous positioning algorithm

光學(xué)成像共線條件方程的一般形式為：

式中ω、ξ、κ為無人機(jī)航拍圖像外參數(shù)角度，分別代表X、Y、Z軸自旋轉(zhuǎn)的角度；ai，bi，ci（i=1，2，3）為外參數(shù)系數(shù)；（X，Y，Z）為目標(biāo)點(diǎn)坐標(biāo)。求解無人機(jī)的位置坐標(biāo)（Xu,Yu,Zu）是本文主要目的。

n（n＞3）個目標(biāo)點(diǎn)在無人機(jī)圖像中對應(yīng)的像點(diǎn)坐標(biāo)矩陣Z可表示為

式中Z=H(S0) +B·(S-S0) +Δn，表示像點(diǎn)坐標(biāo)矩陣；S=[xu,yu,zu,ω,ξ,κ]T，表示無人機(jī)未知變量；H(S)為像點(diǎn)到無人機(jī)位置向量的變換矩陣。

將式（2）在初值S0處進(jìn)行一階泰勒展開，可得：

式中 Δn為高階殘差；B為系數(shù)矩陣，

根據(jù)最小二乘估計[20-21]，可得

由于無人機(jī)成像時的觀測角度，導(dǎo)致不同目標(biāo)點(diǎn)對定位誤差的影響也不一樣。為了提高自主定位精度，引入加權(quán)最小二乘估計。

令P－1為加權(quán)矩陣，且

式中 矩陣元素pi（i=1, 2, 3, …,n）為各個目標(biāo)點(diǎn)對定位誤差的影響權(quán)值。則式（5）可轉(zhuǎn)換為

本文設(shè)計了一種選權(quán)迭代法來為每個目標(biāo)點(diǎn)賦權(quán)。主要步驟如下：

1）設(shè)置初始權(quán)值。

利用式（8），得無人機(jī)位置坐標(biāo)的第一次估值。

2）定義加權(quán)最小二乘目標(biāo)函數(shù)。令

式中 Δxi，Δyi（i=1，2，…，n）代表目標(biāo)點(diǎn)重映射后的像點(diǎn)與真實(shí)像點(diǎn)之間的坐標(biāo)誤差。則加權(quán)最小二乘的目標(biāo)函數(shù)可以寫為

式中 Δdi表示目標(biāo)點(diǎn)重映射后的像點(diǎn)與真實(shí)像點(diǎn)之間的距離誤差。則樣本的標(biāo)準(zhǔn)差為

3）定義權(quán)因子wi。表達(dá)形式如下

式中ui為分布系數(shù)，閾值k0=1.5，k1=2.5。

4）令pi' =piwi代替式（6）中pi，重新計算無人機(jī)坐標(biāo)。

5）重復(fù)1）~4）步，進(jìn)行迭代運(yùn)算，直至兩次估值結(jié)果差異小于限差為止。

4 試驗(yàn)與結(jié)果分析

4.1 特征點(diǎn)匹配試驗(yàn)

本文通過百度地圖獲取了南京地區(qū)衛(wèi)星圖像作為航拍數(shù)據(jù)，區(qū)域范圍如圖6所示。將圖像劃分為40×25（行×列）個大小相同的正方形網(wǎng)格區(qū)域，每個區(qū)域圖片大小為224像素×224像素。為了后續(xù)數(shù)據(jù)增強(qiáng)的需要，去掉最外層網(wǎng)格后共得到38×23=874張圖片，作為要分類的874類區(qū)域，每一類圖片用其所在行列號標(biāo)記。此外，本文采用了對圖像隨機(jī)旋轉(zhuǎn)、裁剪、變形，并進(jìn)行顏色抖動、高斯模糊和椒鹽噪聲用以增強(qiáng)數(shù)據(jù)。通過以上方法，將每類數(shù)據(jù)的數(shù)量增加到400張，得到共349600張874類區(qū)域的圖像數(shù)據(jù)，其中訓(xùn)練集、驗(yàn)證集、測試集比例為8∶1∶1。使用ImageNet數(shù)據(jù)庫對特定網(wǎng)絡(luò)MobileNet進(jìn)行預(yù)訓(xùn)練，使用隨機(jī)梯度下降算法作為參數(shù)優(yōu)化器，設(shè)置學(xué)習(xí)率為0.0001，驗(yàn)證頻率設(shè)為30（每學(xué)習(xí)30次驗(yàn)證1次），超參數(shù)batch_size設(shè)為64。訓(xùn)練后的MobileNet輸出特征向量為128維，以此特征向量來訓(xùn)練LSTM網(wǎng)絡(luò)，使用Adam梯度優(yōu)化算法更新權(quán)重，并設(shè)置學(xué)習(xí)率為0.001，batch_size為64。

圖6 衛(wèi)星圖像Fig.6 The satellite image

將本文算法分別與SIFT和ASIFT算法進(jìn)行試驗(yàn)比對，SIFT和ASIFT特征描述算子均采用OpenCV自帶函數(shù)，并采用kNN（k-NearestNeighbor）最近鄰匹配方法，結(jié)果如表1所示?？梢钥闯?，本文方法定位成功率最高，達(dá)到93.8%，遠(yuǎn)大于傳統(tǒng)人工特征點(diǎn)方法。

表1 定位成功率對比Tab.1 Comparison of the positioning success rate

4.2 仿真分析

為了充分的驗(yàn)證自主定位算法性能，進(jìn)行多點(diǎn)約束的無人機(jī)自主定位數(shù)值仿真試驗(yàn)。

（1）驗(yàn)證自主定位算法的有效性

選取三組數(shù)據(jù)進(jìn)行仿真試驗(yàn)，仿真數(shù)據(jù)如表2~3所示，其中地面目標(biāo)點(diǎn)個數(shù)為3。攝像機(jī)等效焦距為400像素，成像分辨率為1920×1080像素。仿真誤差主要體現(xiàn)為由于攝像機(jī)畸變而產(chǎn)生的像點(diǎn)誤差，設(shè)置為0.5像素。三組試驗(yàn)中攝像機(jī)的位姿態(tài)參數(shù)分別為：1組：Xu=2 500m，Yu=2 500m，Zu=2 500m，ω=1°，ξ=2°，κ=1°；2組：Xu=1 350m，Yu=2 250m，Zu=2 000m，ω=–2°，ξ=1°，κ=–1°；3組：Xu=3 000m，Yu=2 500m，Zu=1 500m，ω=2°，ξ=–2°，κ=2°。自主定位結(jié)果如表4所示。通過有限次迭代，定位誤差收斂到一定區(qū)間之內(nèi)，充分證明了本文定位方法的有效性。

表2 目標(biāo)點(diǎn)坐標(biāo)Tab.2 Coordinates of the target單位：m

表3 目標(biāo)點(diǎn)對應(yīng)像點(diǎn)坐標(biāo)Tab.3 Coordinates of the target point corresponding to the image point 單位：像素

表4 無人機(jī)自主定位算法定位結(jié)果Tab.4 Results of the UAV autonomous positioning algorithm

（2）自主定位算法精度

為了測試無人機(jī)自主定位的精度，采用蒙特卡羅方法針對3組數(shù)據(jù)分別進(jìn)行108次試驗(yàn)，試驗(yàn)結(jié)果如圖7所示。求取3組定位數(shù)據(jù)的均方根誤差，分別為3.18、7.38、4.41m。經(jīng)仿真驗(yàn)證，本文方法具有較高定位精度，能夠滿足無人機(jī)自主定位的要求。

圖7 自主定位誤差分布Fig.7 Map of autonomous positioning error distribution

5 結(jié)束語

針對無人機(jī)通過圖像進(jìn)行自主定位的應(yīng)用需求，本文提出了一種利用CNN-LSTM網(wǎng)絡(luò)將無人機(jī)圖像與參考衛(wèi)星圖像進(jìn)行配準(zhǔn)的算法，將無人機(jī)自主定位問題轉(zhuǎn)化為一種圖像分類問題；并提出了一種基于多點(diǎn)加權(quán)約束的無人機(jī)自主定位算法，進(jìn)一步提升了無人機(jī)定位精度。試驗(yàn)證明，本文提出的配準(zhǔn)算法具有較強(qiáng)的魯棒性，能較好適應(yīng)無人機(jī)圖像和衛(wèi)星圖像匹配，為無人機(jī)自主精確定位提供了一種新的思路。

由于條件限制，本文使用衛(wèi)星影像來模擬航空圖像，在下一步工作中，將開展真實(shí)航空圖像與衛(wèi)星影像的匹配試驗(yàn)工作，進(jìn)一步驗(yàn)證算法可行性；另一方面，本文算法依賴衛(wèi)星影像的提前劃分，下一步工作中將研究網(wǎng)格劃分的自適應(yīng)機(jī)制，并探討網(wǎng)格劃分對定位精度影響。