基于標志物影像的導航方案設計

翟輝琴，郭海濤，魏旭東，路凌芝

（1. 32269部隊，甘肅 蘭州 730030；2.信息工程大學地理空間信息學院，河南 鄭州 450052）

目前常用的導航系統主要是依靠GPS、北斗等衛星信號進行定位，但衛星定位易受環境因素的影響，在阻擋對空視線的環境中，將受到阻礙，從而無法為用戶提供導航定位的服務[1]。戰爭期間，信號還會被干擾。而基于標志物影像的單人手持平臺，具有重量輕、成本低、尺寸小、功耗低以及大眾化等優點，為衛星導航定位的缺點提供了新的補充思路，本方案正是在這種情況下產生的。該方案主要用于單個人員的自主導航和實時定位，其應用對象非常廣泛，包括普通行人、緊急救援人員、野外勘測工作者及探險者。

1 方案設計

該方案通過單人在陌生地域下利用手機對周邊標志物拍攝一系列影像，首先利用結合卷積神經網絡與集成學習的分類算法對現時拍攝的標志物影像進行自動場景分類，然后將該標志物影像與預存在手機上的帶地理編碼的同類標志物基準影像精確匹配，精確匹配采用基于改進ASIFT的具有仿射和尺度不變性的匹配算子進行，最后依據匹配結果確定地理位置。對于標志物不太明顯的地區，可以更換方位或標志物多次進行上述拍攝、分類和匹配，綜合匹配結果以獲取更為可靠的定位結果。確定地理位置后，結合目的地的位置，確定行進方向和路線，流程如圖1所示。該方案具有成本低廉、便于普及、靈活機動、適應性強、自動化程度高、易與其他導航手段互補使用等 特點。

圖1 方案流程圖

基準標志物影像可以預先制備，制備可以到實地拍攝。利用相機、平板、手機拍攝或使用傾斜角較大的偵察衛星影像或無人機影像。值得注意的是，所制備影像必須具備地理編碼。方案的特點如表1所示。

表1 方案的特點

通過理論分析和初步試驗，此方案的導航定位精度取決于標志物的位置精度，能夠滿足導航定位的相關要求。

手持平臺建議采用華為、小米等智能手機，其核心性能參數建議不低（或相當）于表2中的描述。

表2 單人手持平臺核心性能參數

2 技術實施

2.1 序列影像的獲取

此方案采取仿射和尺度不變的標志物影像匹配方案，只需要對著標志物或者場景較大的地面拍攝清晰的影像即可，建議更換位置拍攝不少于3張影像。

2.2 結合卷積神經網絡與集成學習的影像場景分類

單人可以在陌生地域尋找周圍的標志性地物拍攝影像，與預存在手機等手持平臺上的基準影像相匹配從而確定自己的位置。這種標志性地物可以是水庫、湖泊、水井、道路交叉口、教堂、清真寺、敖包、標志性建筑等地物。這些標志性地物的多視角影像和地理位置需要預先存貯到手機等手持平臺中。首先通過結合卷積神經網絡與集成學習的影像場景分類算法自動識別所拍攝地物的類型（例如湖泊），算法自動在手機等手持平臺中搜索所有可能的這種類型的地物的影像（已經做過類型標識），然后通過影像匹配來完成現時拍攝影像與基準影像的多尺度匹配。

影像場景分類是指根據影像上不同影像塊的特點或其所覆蓋地面區域的功能，將各個影像塊劃分為若干類別，如橋梁、寺廟、湖泊等。通過對現時拍攝影像的場景分類，然后將該標志物影像與預存在手機上的帶地理編碼的同類標志物基準影像精確匹配，縮小了匹配時的搜索范圍，提高了效率。

目前，基于卷積神經網絡的影像場景分類算法在精度和效率上已經大大超越了傳統算法，但訓練一個完整的卷積神經網絡依賴于數量巨大的訓練數據，參數多、訓練過程復雜。標注大量訓練數據需要耗費大量的人力物力，訓練數據的缺乏是制約場景分類性能的主要因素之一。針對上述問題，基于手機等手持平臺的存儲和運算能力，引入卷積神經網絡、遷移學習與集成學習的思想，利用一種結合卷積神經網絡與集成學習的遙感影像場景分類算法[2-5]，該方法綜合利用多種深層卷積神經網絡所提取的高度抽象的語義特征，在較少訓練數據情況下，可實現較高的場景分類 精度。

該分類算法主要利用了遷移學習和集成學習的思想，通過構建集成學習分類器對深層卷積神經網絡提取影像的特征進行分類。該算法主要包括預處理、基于遷移學習與卷積神經網絡的遙感影像特征提取、集成學習3個主要步驟。

2.3 仿射和尺度不變的多源影像匹配

陌生地域現時拍攝影像與標志物基準影像不可避免地存在平移、旋轉、縮放及其他變形（如仿射變換）等差異，尋求一種能夠顧及上述變形的改進ASIFT匹配方法來完成兩者的穩健匹配。實現過程包括建立圖像庫、影像預處理、分塊粗匹配、改進的ASIFT精匹配等。下面重點介紹建立圖像庫和改進的ASIFT精匹配兩個步驟。

2.3.1 建立圖像庫

在手持平臺中建立定位圖像庫，圖像庫標注圖像準確的位置坐標和方向信息，后期通過特征提取、場景建模等將相應的特征、場景類別信息加入圖像庫中。因此，完整的圖像庫中存有圖像及其場景、位置、方向信息、圖像特征，以及用于場景分類的判別信息。單人在陌生地域導航定位時，由手持平臺自動在圖像庫中尋找與現時拍攝照片同類型并有最佳匹配的圖像，并將其標注的位置等信息反饋予人員。

2.3.2 改進的ASIFT精匹配

ASIFT能夠準確的模擬由攝像機光軸取向變化而引起的所有扭曲變形。模擬3個參數：尺度、攝像機經度和緯度。雖然傾斜變形和模糊無關而導致其不可逆，但是可以通過數字模擬正交方向上一樣大小的傾斜值來彌補尺度大小的變化。對于同樣遇到此問題的數字歸一化問題，ASIFT模擬了完全仿射不變[6]。

利用ORSA 算法剔除初始匹配點集的錯誤匹配點對。RANSAC 算法利用隨機抽樣得到匹配點坐標，估計影像間的基本矩陣作為幾何約束模型來剔除外點。當圖像中存在大量重復紋理結構時，由于特征區域結構相似，初始匹配中容易出現錯誤匹配點對。為了解決這個問題，本文在ORSA 算法的基礎上，利用以單應矩陣作為幾何線性約束模型的RANSAC算法進一步剔除剩余匹配中可能的錯誤匹配[7]。

2.4 基于匹配結果的人員定位和導航

基于上述匹配結果，利用手機預存的帶地理編碼的基準標志物影像確定單人的位置；結合目的地的位置和地形圖數據，確定行進方向和路線。

3 結 語

本文針對無衛星信號環境下的室外導航提出的設計方案，在具體實施過程中還有很多細節需要改進。實現本方案，可以為單人和執行急救任務的人員在室內或者利用衛星信號無法進行導航的地方解決自主定位的問題，并利用獲得的導航定位信息重新規劃路徑，有效降低人員生命危險，提高任務成功率。