(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210605452.7 (22)申请日 2022.05.30 (71)申请人 西北工业大 学 地址 710072 陕西省西安市友谊西路127号 (72)发明人 张兆祥　许悦雷　周清　马林华　 加尔肯别克 　回天　袁超峰　 (74)专利代理 机构 西北工业大 学专利中心 61204 专利代理师 金凤 (51)Int.Cl. G06V 10/22(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/74(2022.01) G06V 10/762(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于自主图像感知的高精度无人定位 方法 (57)摘要 本发明公开了一种基于自主图像感知的高 精度无人定位方法， 采用方形函数和可变焦损失 函数对图像中的密集陨石坑进行检测， 利用相似 度聚类和灰度直方图匹配实现模 型迁移， 提升算 法的泛化性和鲁棒性， 之后采用多维三角定位 法， 实现陨石坑的高精度辨识和定位。 通过本发 明可以实现高精度的陨石坑自主检测和辨识方 法， 从而为航天器着陆提供高精度的地标信息。 本发明对密集陨石图像的目标检测精度高、 可靠 性好， 模型适应性强， 可以适应多种分辨率， 多种 陨石坑图像场景， 同时能够对图像中的陨石坑实 现高精度辨识和定位。 权利要求书3页 说明书10页 附图2页 CN 114972720 A 2022.08.30 CN 114972720 A 1.一种基于自主图像感知的高精度无 人定位方法， 其特 征在于， 包括如下步骤： 步骤1： 拍摄小行星陨石坑数据流， 并将其分解为单帧图像， 同时对图像进行预处理， 获 取源域陨石坑数据集； 步骤2： 构建目标检测模型， 并设计包含方形损失和可变焦损失的损失函数， 采用源域 陨石坑数据集对深度学习模型进行训练， 获得 预训练模型； 步骤2‑1： 对源域陨石坑数据集中的陨石坑图像采用单应性矩阵变换， 变换图像为不同 尺度和不同角度的样本； 步骤2‑2： 将步骤2 ‑1得到的样本 输入至目标检测模型进行 特征提取； 具体如下： 步骤2‑2‑1： 首先通过一组卷积层进行提取粗粒度特征， 之后利用卷积金字塔模块进一 步提取多尺度特 征； 步骤2‑2‑2： 将多尺度特征输送到三路卷积层： 第一路通过递归模块和多尺度卷积模 块， 提取目标的检测框偏差； 第二路通过独立的递归模块， 直接生成目标的检测框， 生成的 检测框和第一路卷积生成的检测框偏差进行相乘， 最终生成精细化检测框； 第三路卷积通 过递归模块和可 形变卷积块， 输出类别 信息， 即是陨石坑或者 不是陨石坑； 步骤2‑3： 目标检测模型的输出和提前标注好的真实值进行比较， 所述真实值为陨石坑 的真实位置坐标； 通过损失函数对目标检测模型参数进行后向传递， 经过数次迭代之后完 成对目标检测模型的训练， 得到预训练模型； 损失函数如下： 其中， 是总体损失函数， 是GIOU损失， 是陨石坑方形损失， 是变焦 点损失； 所述GIOU损失如下 所示： 其中GIOU定义如下： A是真实的检测框矩形的范围； B 是预测的检测框的范围； C是A和B重合的范围； IOU的定 义是： 所述陨石坑方 形损失定义如下： 其中a(.)是目标检测模型的检测框输出， a(3) ‑a(1)的检测框的宽度， a(4) ‑a(2)是检 测框的高度； L1函数指绝对值损失函数； 所述变焦点损失函数如下 所示： 权　利　要　求　书 1/3 页 2 CN 114972720 A 2其中a是目标检测模型的输出， b指的是真实检测框和目标检测模型输出的检测框之间 的IOU分数； 如果真实检测框和目标检测模型的输出之间没有交集， b就是0； 步骤3： 在采用预训练模型对待检测陨石坑数据集进行目标检测前， 对待检测陨石坑图 像进行相似度聚类和灰度直方图匹配； 之后在输入预训练模型， 获取陨石坑目标检测框； 步骤3‑1： 首先引入k均值聚类方法， 根据源域陨石坑数据集和待检测陨石坑数据集的 像素值获得两个数据集特征分布； 根据基于减小两个数据集特征差异的目的， 再对待检测 陨石坑图像进行裁 剪和缩放， 并生成目标域陨石坑数据集； 步骤3‑2： 采用多分辨率样本直方图匹配算法， 将目标域陨石坑数据集中的图像映射到 源域陨石坑数据集的图像中， 从而降低两个数据集中图像的光照分布差异； 直方图匹配是 对图像进行变换， 使其 直方图与指定的直方图匹配； 将目标域陨石坑数据集中的图像视为灰度参考图像It， 将源域陨石坑数据集的图像视 为目标图像Ir， Ir和It的离散直方图分别由如下两个公式进行计算： 其中， W和H分别是图像在垂直和水平方向上的长度， i的范围为0到255； 同时， 累积直方 图Sr和St分别从Hr和Ht中得出： 直方图Ht能根据Hr进行变换， 变换的目的是减少Ir和It之间的照度和直方图差异， 变换 函数由以下等式获得 其中， Vt(i)＝min(I)+(i ‑1)V， 其中V是灰度间隔宽度； p表示其中每个像素的索引； 通过 计算其中每个像素的T(p)， 得到变换后的图像I0； I0和Ir具有相同的直方图分布， 但具有不同的几何结构； 灰度直方图匹配降低了目标域 陨石坑数据集和目标域陨石坑数据集之间光照和灰度分布的差异； 步骤3‑3： 将图像I0输入预训练模型， 输出陨石坑目标检测框； 步骤4： 构建多维三角定位法， 对获取到的陨石坑目标检测框进行转换， 获得陨石坑的 经纬度坐标和实际尺寸， 作为 导航设备的输入值； 步骤4‑1： 构建陨石坑信息数据库； 对源域陨石坑数据集中的陨石坑的实际宽度和位置进行存储， 而位置是中心点陨石坑权　利　要　求　书 2/3 页 3 CN 114972720 A 3