CN116485856B 一种基于语义分割的无人机图像地理配准方法及相关设备 （深圳先进技术研究院）

US2022292645A1,2022.09.15一种基于语义分割的无人机图像地理配准本发明公开了一种基于语义分割的无人机道路语义约束将特征提取的关注区域集中于道地理坐标，实现了高精度的无人机图像地理配2将所述正射图像输入至已训练好的语义分割模型，基于所述语义分获取基准图，对所述基准图进行裁剪和标注得到道路语义约束将所述道路特征点与所述特征点数据库进行特征点匹配，输出根据所述特征匹配结果得到无人机图像特征点坐标与基准图特征点坐标的匹配关系，所述将所述道路特征点与所述特征点数据库进行特征点匹配，输出所述对于检测到的局部极值点，使用尺度空间的高斯差分响应曲线进行根据公式(8)和公式(9)求出D(X)值，并删除|D(X)<0.03|的对比度低且不稳定的关键将关键点周围的像素分成若干个子区域，每个子区域内计算梯度的方3将关键点的周围区域分成若干个子区域，并计算每个子基于距离度量方法衡量两个特征点描述符之间的相似程度，找到每iiiiA)之间存在的转换关系为：4根据公式(3)和(4)得到共线条件方程式图像的长宽尺寸，利用共线条件方程的反算式(6)计算得到无人机影像四个角点对应地面所述编码器中每一个下采样模块由两个3*3卷积层和一个2*2的最大所述解码器中每一个上采样模块由一个上采样的卷积层、特征拼接和两个3*3的卷积所述ASPP模块用于通过使用具有不同速率的并行空洞卷积和全局池化层从正射图像获取基准图，针对重点关注区域对所述基准图进行裁剪，使5基于所述道路语义约束结果，采用SIFT算法对所述道路语义约束结果进行特征点提7.一种基于语义分割的无人机图像地理配姿态解算模块，用于获取无人机图像的POS信息，根据所述POS语义分割模块，用于将所述正射图像输入至已训练好的语义分割语义约束模块，用于获取基准图，对所述基准图进行裁剪和特征匹配模块，用于将所述道路特征点与所述特征点数据库坐标解算模块，用于根据所述特征匹配结果得到无人机图像特所述将所述道路特征点与所述特征点数据库进行特征点匹配，输出所述对于检测到的局部极值点，使用尺度空间的高斯差分响应曲线进行根据公式(8)和公式(9)求出D(X)值，并删除|D(X)<0.03|的对比度低且不稳定的关键将关键点周围的像素分成若干个子区域，每个子区域内计算梯度的方6将关键点的周围区域分成若干个子区域，并计算每个子区域内基于距离度量方法衡量两个特征点描述符之间的相似程度，找到每人机图像地理配准程序被所述处理器执行时实现如权利要求1_6任一项所述的基于语义分9.一种计算机可读存储介质，其特征在于，所述执行时实现如权利要求1_6任一项所述的基于语义分割的无人机图像地理配准方法的步7[0005]常见的基于特征的图像地理配准方法分为基于线特征的方法和基于点特征的方实现多传感器图像配准方法。在包含强度信息和边缘方向信息的3D联合直方图的基础上，8[0007]由上述实现方案可以看出，由于许多边缘检测算法都需要根据图像本身进行计[0009]本发明的主要目的在于提供一种基于语义分割的无人机图像地理配准方法、系述基于语义分割的无人机图像地理配准方法包括[0016]根据所述特征匹配结果得到无人机图像特征点坐标与基准图特征点坐标的匹配9理器及存储在所述存储器上并可在所述处理器上运行的基于语义分割的无人机图像地理述的基于语义分割的无人机图像地理配准方法人机图像地理配准程序被处理器执行时实现如上所述的基于语义分割的无人机图像地理[0028]图2是本发明基于语义分割的无人机图像地理配准方法的较佳实施例中进行无人[0029]图3是本发明基于语义分割的无人机图像地理配准方法的较佳实施例中无人机图[0030]图4是本发明基于语义分割的无人机图像地理配准方法的较佳实施例中现有使用[0031]图5是本发明基于语义分割的无人机图像地理配准方法的较佳实施例中改进后的[0032]图6是本发明基于语义分割的无人机图像地理配准方法的较佳实施例中检测局部[0033]图7是本发明基于语义分割的无人机图像地理配准方法的较佳实施例中主梯度方[0034]图8是本发明基于语义分割的无人机图像地理配准方法的较佳实施例中关键点描[0035]图9是本发明基于语义分割的无人机图像地理配准系统的较佳实施例的原理示意[0050]地面测量坐标系是空间左手直角坐标系，其XY平面与大地测量中的高斯_克吕格无人机图像的长宽尺寸，利用共线条件方程的反算式(6)计算得到无人机影像四个角点对连接得到了解码器。UNet的独特之处在于在编码和解码过程中对相应层特征进行跳跃连[0061]空洞空间金字塔池化(AtrousSpatialPyramidPooling，ASPP)模块首先在征编码过程可以捕捉长程依赖，另一维特征编码过程可以保留位置信息。因此，[0068]由于基准图大多为卫星遥感图或无人机低空遥感图，分辨率较高且覆盖范围较割结果基于SIFT特征匹配算法输出无人机图像与基准图的特征匹[0073]尺度不变特征变换(Scale_invariantfeaturetransform，SIFT)算法是一种计[0078]对于检测到的局部极值点，使用尺度空间的高斯差分响应曲线进行更精确的定[0095]步骤S60、根据所述特征匹配结果得到无人机图像特征点坐标与基准图特征点坐[0098]本发明的优势在于解决了现有无人机图像地理配准技术配准精度及效率低的问述语义分割模型根据所述正射图像输出道路分[0105]特征匹配模块55，用于将所述道路特征点与所述特征点端上配备的插接式硬盘，智能存储卡(SmartMediaCard,SMC)，安全数字(Secure而实现本申请中基于语义分割的无人机图像[0109]所述处理器10在一些实施例中可以是一中央处理器(CentralProcessingUnit,于显示在所述终端的信息以及用于显示可视化的用户界面。所述终端的部件10_30通过系配准程序40时实现上述基于语义分割的无人机图像地理配被处理器执行时实现如上所述的基于语义分割的无人机图像地理配准[0113]综上所述，本发明提供一种基于语义分割的无人机图像地理配准方法及相关设[0115]当然，本领域普通技术人员可以理解实现上述实施例方