基于立体成像机载光电相机的目标定位 下载: 897次
1 引言
高空斜视远距离大区域成像主要应用于危险目标区域或非领空地区的侦测与监视活动,光电相机除了可以获取目标区域的高分辨特征目标图像以外,还能对区域内的目标进行精确定位,大大拓展了其综合能力。精确的位置信息对于联合和协同控制、增强图像判断等能力均具有积极重要的作用[1-4]。
近年来,国内外学者在光电平台和空天测绘领域针对目标定位进行了大量系统的研究,提出了许多算法。机载光电平台通常采取激光测距的手段对15 km以内的目标进行跟踪并测算出其位置信息[5-7],但对50 km以外的区域内目标进行定位时,激光测距的手段基本失效。周前飞等[8]采用目标检测算法建立了机载光电成像平台的多目标自主定位系统,实现了同时对多个目标的准实时定位。杜言鲁等[9]针对航空相机未配备激光测距机的情况,提出一种基于机载定位系统(POS)的直接对地目标定位算法,然而该方法无法解决航空相机与载机之间由减震器带来的影响。乔川等[10]利用齐次坐标变换法提出一种基于地理位置信息的配准算法,当飞行高度小于2000 m、倾角大于18°时,该算法有很好的效果,但对于高空大倾角远距离成像的精度不高。此外,还有研究采用双目视觉及多传感器或多视角立体视觉的手段,应用共线方程解决目标的精密定位问题[11-15],此类方法对于近处小倾角目标的定位精度较高,但其硬件成本较高。Minaeian等[16]提出了一种基于视觉检测和地理信息系统的定位方法,并将其用于一架无人机与多地面站的协作。Morbidi等[17]提出了一种主动跟踪目标的策略,即规划航迹飞行,以最大限度地减小移动目标定位的不确定性。随着电子计算技术的迅速发展和广泛应用,卡尔曼滤波在工程实践中,特别是在航空航天的导航制导控制等领域发挥了巨大作用[18]。
针对目前尚无主动测距设备可应用于高空斜视远距离大区域成像的问题,本文提出了一种不依赖距离测量设备的立体成像对地目标定位算法。首先,根据相机的位置、姿态信息,以及相机的框架角信息,利用地球椭球模型和齐次坐标变换建立被测区域内的目标与相机探测器各像素点的映射关系方程;其次,随着载机的持续飞行,实时控制视轴指向,对目标区域进行多次扫描成像,并通过立体成像算法完成区域内目标点的图像目标配准和多次定位;最后,应用扩展卡尔曼滤波器对数据进行自回归预测,利用蒙特卡罗法对数据进行仿真校验,并采用飞行实验验证了该算法的有效性。
2 基于立体成像的区域定位算法
2.1 物像关系映射方程
物像映射需要经过5个基本坐标变换,涉及的坐标系包括:大地坐标系(
采用WGS-84坐标系来描述目标点的坐标。如
式中:
点
式中:
如
图 2. 地理坐标系和载机坐标系的示意图
Fig. 2. Diagram of geographic coordinate system and aerial carrier coordinate system
用
探测器上任意一点
式中:
设点
式中:
已知载机(相机)的经度
式中:
设地面目标点
由地球椭球模型估计出目标大地高度
由(9)式和(10)式解出地面目标点[
根据地球椭球模型,北半球的纬度为正,将目标点[
式中:
通常情况下,迭代4次及以上,纬度精度就可以精确到0
式中:
迭代后令
2.2 基于立体成像的多点测量
为了完成目标的精确定位,需要尽量准确地获取目标的大地高度信息。采用对同一目标点或区域进行多次重复成像的方式,通过卡尔曼滤波估计来完成大地高度向真值的收敛。如
2.3 卡尔曼滤波器
对于无控制的离散线性系统,其状态方程和测量方程可分别表示为
式中:
由于目标是固定不动的,因此状态转移矩阵
根据卡尔曼滤波理论,
一步状态预测可表示为
一步状态协方差矩阵预测可表示为
滤波增益矩阵可表示为
式中:
状态量估计可表示为
状态量协方差估计可表示为
式中:
可以看出,只要给定0时刻的初始状态估计量
3 误差分析
3.1 定位算法误差仿真分析
设目标位置在北纬43.300000°,东经84.200000°,高度1551.00 m;载机的飞行高度为海拔10000 m,倾角为45°,倾斜角度为垂直向下0°。相机的POS测量误差与各个角的测量误差如
表 1. 地理定位测量误差
Table 1. Measurement error in geo-location
|
假设目标区域的地形起伏量海拔高度小于1500 m,此时
式中:diag(·)表示对角矩阵。
在图像配准精度优于2 pixel时,测量的随机噪声的协方差矩阵为
设基于地球椭球模型获取的目标位置为(43.303653°N, 84.195190°E, 1000.00 m),根据地球椭球模型,其地理定位误差可表示为
式中:
仿真时,成像次数取180次,其误差收敛情况如
3.2 目标高度初始随机误差仿真分析
用蒙特卡罗法分析目标定位误差,用
3.3 飞行高度及相机斜视倾角对定位精度的影响
仿真载机的高度和目标斜视倾角对定位精度的影响。测量误差如
图 7. 目标高度初始随机误差对定位的影响
Fig. 7. Influence of initial random error of target height on geo-location
化条件下的仿真分析如
基于
从仿真结果可以得出以下结论:
1) 如
2) 如
图 8. 载机高度与目标倾角对定位的影响。(a)在45°倾角时高度变化对定位误差的影响;(b)在10 km高度时倾角变化对定位误差的影响
Fig. 8. Influences of flight height and off-nadir looking angle on geo-location. (a) Geo-location error curves under different flight heights when the off-nadir looking is 45°; (b) geo-location error curves under different off-nadir looking angles when aircraft flies at a geodetic height of 10 km
图 9. 载机高度与目标倾角对定位的影响。(a)倾角为15°~75°时,高度变化对定位误差的影响;(b)高度为5500~14500 m时,倾角变化对定位误差的影响
Fig. 9. Influences of flight height and off-nadir angle on geo-location. (a) Geo-location error curves under different flight heights when the off-nadir angle is changed from 15° to 75°; (b) geo-location error curves under different off-nadir angles when the flight height is changed from 5500 m to 14500 m
图 10. 两种算法定位CEP仿真结果对比。(a)基于地球椭球模型的仿真数据;(b)本文算法仿真数据
Fig. 10. Comparison of CEP for two algorithms by simulation. (a) Simulated data obtained by Earth ellipsoid model; (b) simulated data obtained by proposed method
3) 如
4) 即使目标高度初始误差值为2200 m,卡尔曼滤波算法也可以将误差向常数收敛。
4 实验及结果
在飞行实验中,载机的飞行高度约为9800 m。光电相机的倾斜角度为67°~78°,载机的飞行轨迹规划示意图如
系统的随机噪声均来自POS与各角度编码器产生的高斯白噪声,数据精度如
表 2. 飞行实验的定位结果
Table 2. Positioning results of flight test
|
图 12. 不同航点同一目标的8张航拍图像
Fig. 12. Eight aerial remote sensing images of same target at different points
图 13. 实验航拍数据。(a) T 1点;(b) T 2点
Fig. 13. Results of geo-location in flight test. (a) T 1 point; (b) T 2 point
5 结论
提出一种基于立体成像的航空光电相机定位算法。该算法对同一目标进行多次立体成像,图像配准后采用扩展卡尔曼滤波算法提高定位精度,可以在没有激光主动测距和数字高程地图模型辅助的情况下,对远距离倾斜目标完成高精度定位。
用蒙特卡罗法仿真分析了高度和倾斜角对定位误差的影响。结果表明,随着测量误差的增大和随机误差不确定度的增加,卡尔曼滤波对目标定位的收敛速度和定位精度都会下降。仿真结果表明,当倾斜角小于60°时,立体成像180次后的定位误差优于4 m。在POS与相机框架角度传感器的精度满足所规定的误差范围时,立体成像180次后的定位误差会优于10 m,40次后的定位误差会优于20 m。
飞行实验结果表明,当飞行高度为9800 m、倾斜角为78°时,立体成像40次后的目标的定位精度优于35 m,相比基于地球椭球模型的定位算法,本文算法的精度有很大提升。
[1] 檀立刚. 机载光电侦察设备目标自主定位技术研究[D]. 长春: 中国科学院大学, 2012: 20- 28.
Tan LG. Research of target automatic positioning technology in airborne photo-electricity survey equipment[D]. Changchun: University of Chinese Academy of Sciences, 2012: 20- 28.
[2] 展凤江, 沈宏海, 汪沛, 等. 导航信息滞后补偿实现高速无人机对地精确定位[J]. 光学精密工程, 2015, 23(9): 2506-2512.
[4] Held KJ, Robinson BH. TIER II Plus airborne EO sensor LOS control and image geolocation[C]∥1997 IEEE Aerospace Conference, February 1-8, 1997, Snowmass at Aspen, CO, USA. New York: IEEE, 1997: 377- 405.
[8] 周前飞, 刘晶红, 熊文卓, 等. 机载光电成像平台的多目标自主定位系统研究[J]. 光学学报, 2015, 35(1): 0112005.
[9] 杜言鲁, 丁亚林, 许永森, 等. TDI-CCD全景式航空相机对地目标定位的算法[J]. 光学学报, 2017, 37(3): 0328003.
[10] 乔川, 丁亚林, 许永森, 等. 基于地理位置信息的图像配准方法及精度分析[J]. 光学学报, 2017, 37(8): 0828001.
[11] 王珊, 徐晓. 基于双目单视面的三维重建[J]. 光学学报, 2017, 37(5): 0515004.
Wang S, Xu X. 3D reconstruction based on horopter[J]. Acta Optica Sinica, 2017, 37(5): 0515004.
[12] 徐秋宇, 杨凌辉, 牛志远, 等. 精密角度基准下的多相机定位系统高精度标定[J]. 光学学报, 2019, 39(1): 0115001.
[13] 孙力帆, 何子述, 冀保峰, 等. 基于高精度传感器量测的机动扩展目标建模与跟踪[J]. 光学学报, 2018, 38(2): 0228001.
[14] 李莹莹, 吴昊, 常学立, 等. 基于星载光学和SAR影像的多视立体定位误差分析[J]. 光学学报, 2018, 38(5): 0528003.
[15] 莫德林, 张永生, 王涛, 等. 航空线阵摆扫式相机成像仿真[J]. 光学学报, 2018, 38(7): 0728002.
[16] Minaeian S, Liu J, Son Y J. Vision-based target detection and localization via a team of cooperative UAV and UGVs[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2016, 46(7): 1005-1016.
Article Outline
刘志明, 张雪菲, 匡海鹏, 李清军, 乔川. 基于立体成像机载光电相机的目标定位[J]. 光学学报, 2019, 39(11): 1112003. Zhiming Liu, Xuefei Zhang, Haipeng Kuang, Qingjun Li, Chuan Qiao. Target Location Based on Stereo Imaging of Airborne Electro-Optical Camera[J]. Acta Optica Sinica, 2019, 39(11): 1112003.