成像匹配輔助導航的可匹配性評估方法
2023-05-16 05:12:36 1
專利名稱：成像匹配輔助導航的可匹配性評估方法
成像匹配輔助導航的可匹配性評估方法技術領域
本發明屬於飛行器輔助導航技術領域，特別涉及一種成像匹配輔助導航的可匹配性評估方法。技術背景
景象匹配技術利用成像傳感器(如可見光、紅外、雷達等成像傳感器)在飛行器飛行過程中實時獲取預定區域的景物圖像(以下稱為實時圖)，與預存在飛行器上的基準圖像數據(以下稱為基準圖)進行配準，以計算飛行器當前的絕對位置或相對目標的位置數據。景象匹配技術具有導航精度高、自主性強等優勢，在飛行器輔助導航中起著重要作用。在一些應用中，需要優選景象匹配區，在另一些應用中，則需要針對特定景象匹配區評估其用於景象匹配的可靠性和精度，或者說可匹配性，這些都可以基於基準圖的結構、紋理等特性進行。
目前，對於可見光、紅外成像或雷達成像匹配輔助導航飛行器，在使用之前，可根據基準圖評估其可匹配性。用於評估的參數包括基準圖灰度方差、獨立像元數、信息熵，相關面主峰值、主次峰比、主峰尖銳度，特徵景象信息量、複雜度、偏心率等參數。在進行可匹配性評估時，需要設定各參數的閾值範圍，參數閾值選擇對評估結果的影響只能通過統計得到，沒有顯性公式表示，因此為選擇參數的合理閾值範圍，只能通過反覆試探。由於參數多，這種反覆試探的工作量就非常大。而且，一旦參數閾值範圍確定，之後得到的經過驗證的評估知識並不能自動用於提高評估的準確性，除非人工重新試探確定新的參數閾值範圍，因此，目前的成像匹配方法閾值不易確定，效率低下。發明內容
本發明的目的在於，克服現有技術的局限性，從而提供一種基於人工神經網絡模式識別的成像匹配輔助導航的可匹配性評估方法。
為實現上述發明目的，本發明提供的一種成像匹配輔助導航的可匹配性評估方法，如圖1所示，該可匹配性評估方法步驟為:
(I)選擇用於可匹配性評估的參數集，備選參數包括:基準圖灰度方差、獨立像元數、信息熵、相關面主峰值、主次峰比、主峰尖銳度、特徵景象信息量、複雜度和偏心率。選用參數時一般至少選擇基準圖灰度方差、相關面主峰值、主峰尖銳度等參數。為提高評估的準確性，可儘量多選參數，但多選參數會增加計算參數的時間和人工神經網絡的輸入節點。
(2)確定評估結 論類別，評估結論可以是不可匹配或可匹配(可分別用O和I表示)，也可以是不可匹配、可匹配但誤差較大或可匹配且誤差小(可分別用O、I和2表示)，還可以是不可匹配、可匹配但誤配可能性大或可匹配且誤配可能性小(也可分別用O、I和2表不)等。
(3)使用上述可匹配性評估參數集作為輸入，評估結論作為輸出，構造模式識別人工神經網絡。網絡採用BP (Back-Propogation，反向傳播)學習算法的多層前饋網絡，網絡的每一個輸入節點對應於樣本的一個參數，而輸出層節點數等於評估結論類別數，一個輸出節點對應一個類。
(4)使用先驗知識訓練神經網絡。通過掛飛或仿真試驗獲取成像實時圖，並與相應的基準圖進行匹配，對匹配的準確性和精度進行人工判讀確認；計算各基準圖的上述參數並作為一個樣本；積累一定數量的樣本並將相應的匹配結果用於該人工神經網絡的訓練，一般可將樣本數的80%用於訓練、20%用於校驗，當神經網絡通過多次訓練其評估正確性仍不能達到要求時，調整神經網絡的隱層節點數重新進行訓練直到其評估正確性達到要求為止。
(5)經過訓練的神經網絡即可進行可匹配性評估。在評估時，計算基準圖的上述參數，將其作為神經網絡的輸入，神經網絡的輸出即為評估結果。
本發明的優點在於，本發明成像匹配輔助導航的可匹配性評估方法由於引入了人工神經網絡模式識別，無需人 工設定用於可匹配性評估的參數的閾值，且新增的可匹配性知識可用於進一步訓練模式識別人工神經網絡，以進一步提高其判別的可靠性。
圖1是本發明成像匹配輔助導航的可匹配性評估方法的流程示意圖2是本發明採用的人工神經網絡的結構示意圖3a是本發明方法的一實施例進行人工神經網絡訓練結果示意圖3b是本發明方法的一實施例進行人工神經網絡訓練的驗證結果示意圖3c是本發明方法的一實施例進行人工神經網絡訓練的檢驗結果示意圖3d是本發明方法的一實施例進行人工神經網絡訓練的總結果示意圖。
具體實施方式
為了更全面的理解本發明，並為了解本發明的目的和優點，現在結合相應附圖和實施例對本發明進行詳細地說明。
在雷達景象可匹配性評估中，選擇基準圖灰度方差、獨立像元數、信息熵，相關面主峰值、主次峰比、主峰尖銳度,特徵景象信息量、複雜度、偏心率等參數作為可匹配性評估參數集，即作為神經網絡輸入。其中，
( I)獨立像元數定義如下:
獨立像素數N定義為:IVH
^r = -X- "y
式中:
W——圖像寬度；H——圖像高度Ii^PLy分別為X和y方向的相關長度，相關長度為自相關係數下降到0.368時的位移增量。
(2)信息熵
設一幅圖像的所有像素點具有的灰度級為集合IbJ，而某個灰度級匕出現的概率為P (bi)，那麼這幅圖像的平均信息量，即信息熵的計算公式為:
權利要求
1.一種成像匹配輔助導航的可匹配性評估方法，步驟包括: (1)選擇用於可匹配性評估的參數集； (2)確定評估結論類別； (3)使用上述可匹配性評估的參數集作為輸入，評估結論作為輸出，構造模式識別人工神經網絡； (4)使用先驗知識訓練模式識別人工神經網絡； (5)用步驟(4)經過訓練的神經網絡進行可匹配性評估，將基準圖的上述參數作為模式識別人工神經網絡的輸入，由模式識別人工神經網絡輸出評估結果。
2.如權利要求1所述的成像匹配輔助導航的可匹配性評估方法，其特徵在於，所述的參數集包括:基準圖灰度方差、相關面主峰值和主峰尖銳度。
3.如權利要求2所述的成像匹配輔助導航的可匹配性評估方法，其特徵在於，所述的參數集還進一步包括:獨立像元數、信息熵、主次峰比、特徵景象信息量、複雜度和偏心率。
4.如權利要求1所述的成像匹配輔助導航的可匹配性評估方法，其特徵在於，所述的評估結論類別包括:不可匹配或可匹配；不可匹配、可匹配但誤差較大或可匹配且誤差小；不可匹配、可匹配但誤配可能性大或可匹配且誤配可能性小。
5.如權利要求1所述的成像匹配輔助導航的可匹配性評估方法，其特徵在於，所述的模式識別人工神經網絡採用反向傳播學習算法的多層前饋網絡，網絡的每一個輸入節點對應於樣本的一個參數，而輸出層節點數等於評估結論類別數，一個輸出節點對應一個評估結論類別。
6.如權利要求1所述的成像匹配輔助導航的可匹配性評估方法，其特徵在於，所述的使用先驗知識訓練神經網絡的過程為:通過掛飛或仿真試驗獲取成像實時圖，並與相應的基準圖進行匹配，對匹配的準確性和精度進行人工判讀確認；計算各基準圖的上述參數並作為一個樣本；積累一定數量的樣本並將相應的匹配結果用於該人工神經網絡的訓練，將樣本數的80%用於訓練、20%用於校驗，當神經網絡通過多次訓練其評估正確性仍不能達到要求時，調整神經網絡的隱層節點數重新進行訓練直到其評估正確性達到要求為止。
全文摘要
本發明涉及一種成像匹配輔助導航的可匹配性評估方法，步驟包括(1)選擇用於可匹配性評估的參數集；(2)確定評估結論類別；(3)使用上述可匹配性評估的參數集作為輸入，評估結論作為輸出，構造模式識別人工神經網絡；(4)使用先驗知識訓練模式識別人工神經網絡；(5)用步驟(4)經過訓練的神經網絡進行可匹配性評估，將基準圖的上述參數作為模式識別人工神經網絡的輸入，由模式識別人工神經網絡輸出評估結果。所述的參數集包括基準圖灰度方差、相關面主峰值和主峰尖銳度。該方法不但可以避免參數閾值選擇的麻煩及參數閾值選擇不當容易造成誤判的風險，而且能夠充分利用不斷積累的先驗知識逐步提高評估的準確性。
文檔編號G06N3/02GK103164853SQ20131004880
公開日2013年6月19日 申請日期2013年2月6日 優先權日2013年2月6日
發明者張明照, 楊維忠, 牟建華, 夏克寒, 閆志強 申請人:中國人民解放軍第二炮兵裝備研究院第三研究所