在GNSS拒绝条件下提高无人机图像的定位精度
Han Gao1,2, Ying Yu1, Xiao Huang3
1School of Geospatial Information, Information Engineering University, Zhengzhou 450001, China.
这项研究通过将图像检索与深度学习相结合,以实现精确的特征匹配,提高无人机在具有挑战性的环境中定位的准确性. 该方法实现了亚像素精度,提高了无人机测量能力.
科学领域:
- 地理学工程 工程地质学
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
背景情况:
- 无人驾驶飞行器 (UAV) 对于测量至关重要,但它们的定位准确性在复杂的全球导航卫星系统 (GNSS) 环境中受到影响.
- 高精度定位对于基于无人机的绘图和监控应用程序中可靠的数据采集至关重要.
研究的目的:
- 开发和验证一种新的方案,以提高无人机图像序列的定位精度.
- 整合传统的图像处理技术与先进的深度学习模型,以实现强大的无人机本地化.
主要方法:
- 使用共弦相似度的图像检索来选择非常相似的无人机图像.
- 使用基于图像间关系的短条序列进行大致位置检索.
- 使用深度学习网络 (SuperPoint和SuperGlue) 高精度的功能点提取和匹配.
- 使用RANSAC算法拒绝异常值以改进本地化.
主要成果:
- 拟议的方法在无人机图像本地化方面实现了2像素内的平均误差.
- 在无人机地面定位准确度方面取得了显著的改进,在0.30米/像素卫星参考图像下,平均误差降至0.356米.
结论:
- 图像检索和深度学习的结合方法显著提高了无人机定位的准确性.
- 这种方法为精确的无人机测量提供了强大的解决方案,即使在GNSS被拒绝或复杂的环境中.
更多相关视频
07:14Tracking Infiltration Front Depth Using Time-lapse Multi-offset Gathers Collected with Array Antenna Ground Penetrating Radar
Published on: May 1, 2018
07:49Automated Deployment of an Internet Protocol Telephony Service on Unmanned Aerial Vehicles Using Network Functions Virtualization
Published on: November 26, 2019
相关概念视频
Errors in Global Positioning System
Field Application of Global Positioning System
Design Example: Identifying the Locations of Monuments in the Field Using Global Positioning System Device
Introduction to Global Positioning System
Types of Global Positioning System Surveys
Common Leveling Mistakes and Errors
