一种基于多源特征约束的海洋船只定位中心点优化选取方法与流程

本发明涉及无人机视觉定位，具体为一种基于多源特征约束的海洋船只定位中心点优化选取方法。

背景技术：

1、无人机视觉定位技术通过图像中目标的像素坐标、无人机姿态及相机参数，经透视变换计算目标地理坐标，而目标的像素坐标的确定成为影响最终定位结果的重要因素。现有技术中，像素坐标的选取依赖目标检测算法输出的矩形框几何中心，其存在以下缺陷：

2、海洋场景中，船只矩形框常包含海水、浪花、阳光反射等非船身区域，导致中心坐标偏离真实船身；

3、不同视角（正俯视/侧视）下船只的最优参考点不同，但传统方法未结合船只自身特征（轮廓、运动）动态调整检测策略，无法适配视角变化；

4、单帧选取的坐标易受图像噪声影响，连续帧坐标跳变明显，导致定位结果波动大。

5、基于此，本发明提供了一种基于多源特征约束的海洋船只定位中心点优化选取方法，以解决上述所提出的技术问题。

技术实现思路

1、本发明的目的在于提供一种基于多源特征约束的海洋船只定位中心点优化选取方法，解决上述背景技术提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、本发明提出一种基于多源特征约束的海洋船只定位中心点优化选取方法，包括以下步骤：

4、s1：数据输入，获取无人机姿态信息、相机参数及船只初始检测框；所述无人机姿态信息包括无人机经纬度（，）、高度、俯仰角、横滚角φ、偏航角 ψ 及三维运动速度；所述相机参数包括相机内参矩阵和相机相对于无人机的姿态角（、）；所述初始检测框为船只在图像中的矩形边界框；其中（）为矩形框左上角像素坐标，（）为右下角像素坐标；

5、s2：掩码优化，基于所述无人机姿态信息和相机参数计算所述初始检测框b对应的地面投影理论范围，对所述初始检测框b内的船只语义分割结果进行置信度修正，得到优化掩码；

6、s3：关键结构点检测；

7、s4：加权融合，计算所述优化掩码的加权质心，基于所述无人机俯仰角θ和所述关键结构点的置信度计算动态权重λ，融合与所述关键结构点得到融合中心点；

8、s5：时序滤波，结合所述无人机的运动速度等信息构建卡尔曼滤波模型，对连续帧的所述融合中心点进行平滑处理，输出最终中心点。

9、优选地，所述步骤s3关键结构点检测具体包括以下步骤：

10、s3.1.视角判断：若相机总俯仰角+≥60°，判定为正俯视视角；若<60°，判定为侧视/斜俯视视角；

11、s3.2.船只朝向判断：针对侧视/斜俯视视角，通过船只静态轮廓特征确定船只的船首朝向和船尾朝向，所述船只静态轮廓特征为船首的窄端形态、船尾的宽端形态、上层建筑的中后段位置；

12、s3.3.类型适配检测：采用预设分类模型识别船只类型，包括货船、渔船、游艇，根据所述无人机姿态信息确定船只投影视角，结合船只类型检测对应视角下的关键结构点及其置信度。

13、优选地，步骤s3.2中，所述船只静态轮廓特征的判断规则为：

14、船首判定：图像中船只呈“尖锐、狭窄”形态的一端为船首；

15、船尾判定：图像中船只呈“宽平”形态且存在上层建筑的一端为船尾；

16、上层建筑判定：通过语义分割结果识别船只的上层建筑区域。

17、优选地，步骤s3.3中，所述关键结构点的检测规则为：

18、正俯视视角（≥60°）：检测船身中轴线中点，所述中轴线通过计算优化掩码的最小外接矩形的长边中点确定；

19、侧视/斜俯视视角（<60°）：检测船尾处上层建筑的几何中心作为驾驶舱中心，所述上层建筑区域通过船只类型对应的预存结构特征匹配确定，预存结构特征为上层建筑与船身的相对尺寸、位置关系。

20、优选地，步骤s2中，所述地面投影理论范围的计算过程为：

21、步骤s2.1：计算相机总俯仰角=+，总偏航角=+；总横滚角=φ+

22、步骤s2.2：基于无人机高度、、、及相机内参矩阵k，通过透视投影公式将初始检测框b的四个顶点像素坐标转换为地面坐标系下的坐标，以无人机正下方地面点为原点，x轴指向无人机偏航角方向，y轴垂直于x轴，构成；

23、步骤s2.3：所述置信度修正的方式为：对语义分割初始掩码中像素的对应地面坐标超出的像素，将其置信度乘以惩罚系数α，得到优化掩码。

24、优选地，步骤s4中，所述加权质心的计算公式为：

25、；

26、；

27、其中，为优化掩码中所有像素的集合，(,)为像素p的坐标，为像素p在中的优化置信度，=()；

28、优选地，步骤s4中，所述动态权重的计算公式为：

29、；

30、其中，、为预设比例系数且+=1，为关键结构点的置信度；所述融合中心点的坐标为：

31、；

32、；

33、其中，(,)为关键结构点的像素坐标。

34、优选地，步骤s5中，所述卡尔曼滤波模型的状态向量定义为，其中：()分别为当前帧融合中心点的水平、垂直像素坐标；()分别为融合中心点在水平、垂直方向的像素运动速度，通过连续帧的坐标差分与两帧时间间隔计算初始化；所述模型的观测值为当前帧融合中心点的像素坐标(，)，观测矩阵用于关联状态向量中的()与观测值。

35、优选地，步骤s5中，所述卡尔曼滤波模型的控制项包含无人机的地面绝对运动速度(,)及偏航角变化率；所述控制项通过控制矩阵映射为像素运动的修正量，用于补偿无人机运动对船只像素位移的干扰，使状态预测符合无人机与船只的相对运动规律。

36、与现有技术相比，本发明的有益效果是：

37、本发明结合无人机姿态、相机参数及船只多源特征的海洋船只定位中心点优化选取方法，适用于无人机在海浪、反光、雾天复杂海况及侧视、斜俯视、正俯视动态视角下对海洋船只的经纬度精准视觉定位，通过多源姿态约束修正投影变形和背景干扰，解决了传统矩形框中心视角敏感、精度低的问题，适用于无人机对海洋船只的视觉精准定位，可应用于海事监管、搜救、渔业管理等场景。

1.一种基于多源特征约束的海洋船只定位中心点优化选取方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述步骤s3关键结构点检测具体包括以下步骤：

3.根据权利要求2所述的方法，其特征在于，步骤s3.2中，所述船只静态轮廓特征的判断规则为：

4.根据权利要求3所述的方法，其特征在于，步骤s3.3中，所述关键结构点的检测规则为：

5.根据权利要求4所述的方法，其特征在于，步骤s2中，所述地面投影理论范围的计算过程为：

6.根据权利要求5所述的方法，其特征在于，步骤s4中，所述加权质心的计算公式为：

7.根据权利要求6所述的方法，其特征在于，步骤s4中，所述动态权重的计算公式为：

8.根据权利要求7所述的方法，其特征在于，步骤s5中，所述卡尔曼滤波模型的状态向量定义为，其中：()分别为当前帧融合中心点的水平、垂直像素坐标；()分别为融合中心点在水平、垂直方向的像素运动速度，通过连续帧的坐标差分与两帧时间间隔计算初始化；所述模型的观测值为当前帧融合中心点的像素坐标(，)，观测矩阵用于关联状态向量中的()与观测值。

9.根据权利要求8所述的方法，其特征在于，步骤s5中，所述卡尔曼滤波模型的控制项包含无人机的地面绝对运动速度(,)及偏航角变化率；所述控制项通过控制矩阵映射为像素运动的修正量，用于补偿无人机运动对船只像素位移的干扰，使状态预测符合无人机与船只的相对运动规律。