專利名稱：成像匹配輔助導(dǎo)航的可匹配性評估方法
成像匹配輔助導(dǎo)航的可匹配性評估方法技術(shù)領(lǐng)域
本發(fā)明屬于飛行器輔助導(dǎo)航技術(shù)領(lǐng)域，特別涉及一種成像匹配輔助導(dǎo)航的可匹配性評估方法。技術(shù)背景
景象匹配技術(shù)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(yù)定區(qū)域的景物圖像(以下稱為實時圖)，與預(yù)存在飛行器上的基準圖像數(shù)據(jù)(以下稱為基準圖)進行配準，以計算飛行器當(dāng)前的絕對位置或相對目標(biāo)的位置數(shù)據(jù)。景象匹配技術(shù)具有導(dǎo)航精度高、自主性強等優(yōu)勢，在飛行器輔助導(dǎo)航中起著重要作用。在一些應(yīng)用中，需要優(yōu)選景象匹配區(qū)，在另一些應(yīng)用中，則需要針對特定景象匹配區(qū)評估其用于景象匹配的可靠性和精度，或者說可匹配性，這些都可以基于基準圖的結(jié)構(gòu)、紋理等特性進行。
目前，對于可見光、紅外成像或雷達成像匹配輔助導(dǎo)航飛行器，在使用之前，可根據(jù)基準圖評估其可匹配性。用于評估的參數(shù)包括基準圖灰度方差、獨立像元數(shù)、信息熵，相關(guān)面主峰值、主次峰比、主峰尖銳度，特征景象信息量、復(fù)雜度、偏心率等參數(shù)。在進行可匹配性評估時，需要設(shè)定各參數(shù)的閾值范圍，參數(shù)閾值選擇對評估結(jié)果的影響只能通過統(tǒng)計得到，沒有顯性公式表示，因此為選擇參數(shù)的合理閾值范圍，只能通過反復(fù)試探。由于參數(shù)多，這種反復(fù)試探的工作量就非常大。而且，一旦參數(shù)閾值范圍確定，之后得到的經(jīng)過驗證的評估知識并不能自動用于提高評估的準確性，除非人工重新試探確定新的參數(shù)閾值范圍，因此，目前的成像匹配方法閾值不易確定，效率低下。發(fā)明內(nèi)容
本發(fā)明的目的在于，克服現(xiàn)有技術(shù)的局限性，從而提供一種基于人工神經(jīng)網(wǎng)絡(luò)模式識別的成像匹配輔助導(dǎo)航的可匹配性評估方法。
為實現(xiàn)上述發(fā)明目的，本發(fā)明提供的一種成像匹配輔助導(dǎo)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)選擇用于可匹配性評估的參數(shù)集，備選參數(shù)包括:基準圖灰度方差、獨立像元數(shù)、信息熵、相關(guān)面主峰值、主次峰比、主峰尖銳度、特征景象信息量、復(fù)雜度和偏心率。選用參數(shù)時一般至少選擇基準圖灰度方差、相關(guān)面主峰值、主峰尖銳度等參數(shù)。為提高評估的準確性，可盡量多選參數(shù)，但多選參數(shù)會增加計算參數(shù)的時間和人工神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點。
(2)確定評估結(jié) 論類別，評估結(jié)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(shù)集作為輸入，評估結(jié)論作為輸出，構(gòu)造模式識別人工神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)采用BP (Back-Propogation，反向傳播)學(xué)習(xí)算法的多層前饋網(wǎng)絡(luò)，網(wǎng)絡(luò)的每一個輸入節(jié)點對應(yīng)于樣本的一個參數(shù)，而輸出層節(jié)點數(shù)等于評估結(jié)論類別數(shù)，一個輸出節(jié)點對應(yīng)一個類。
(4)使用先驗知識訓(xùn)練神經(jīng)網(wǎng)絡(luò)。通過掛飛或仿真試驗獲取成像實時圖，并與相應(yīng)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(shù)并作為一個樣本；積累一定數(shù)量的樣本并將相應(yīng)的匹配結(jié)果用于該人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，一般可將樣本數(shù)的80%用于訓(xùn)練、20%用于校驗，當(dāng)神經(jīng)網(wǎng)絡(luò)通過多次訓(xùn)練其評估正確性仍不能達到要求時，調(diào)整神經(jīng)網(wǎng)絡(luò)的隱層節(jié)點數(shù)重新進行訓(xùn)練直到其評估正確性達到要求為止。
(5)經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)即可進行可匹配性評估。在評估時，計算基準圖的上述參數(shù)，將其作為神經(jīng)網(wǎng)絡(luò)的輸入，神經(jīng)網(wǎng)絡(luò)的輸出即為評估結(jié)果。
本發(fā)明的優(yōu)點在于，本發(fā)明成像匹配輔助導(dǎo)航的可匹配性評估方法由于引入了人工神經(jīng)網(wǎng)絡(luò)模式識別，無需人 工設(shè)定用于可匹配性評估的參數(shù)的閾值，且新增的可匹配性知識可用于進一步訓(xùn)練模式識別人工神經(jīng)網(wǎng)絡(luò)，以進一步提高其判別的可靠性。


圖1是本發(fā)明成像匹配輔助導(dǎo)航的可匹配性評估方法的流程示意圖2是本發(fā)明采用的人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖3a是本發(fā)明方法的一實施例進行人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果示意圖3b是本發(fā)明方法的一實施例進行人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練的驗證結(jié)果示意圖3c是本發(fā)明方法的一實施例進行人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練的檢驗結(jié)果示意圖3d是本發(fā)明方法的一實施例進行人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練的總結(jié)果示意圖。
具體實施方式
為了更全面的理解本發(fā)明，并為了解本發(fā)明的目的和優(yōu)點，現(xiàn)在結(jié)合相應(yīng)附圖和實施例對本發(fā)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(shù)、信息熵，相關(guān)面主峰值、主次峰比、主峰尖銳度,特征景象信息量、復(fù)雜度、偏心率等參數(shù)作為可匹配性評估參數(shù)集，即作為神經(jīng)網(wǎng)絡(luò)輸入。其中，
( I)獨立像元數(shù)定義如下:
獨立像素數(shù)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(guān)長度，相關(guān)長度為自相關(guān)系數(shù)下降到0.368時的位移增量。
(2)信息熵
設(shè)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(xiàn)的概率為P (bi)，那么這幅圖像的平均信息量，即信息熵的計算公式為:
權(quán)利要求
1.一種成像匹配輔助導(dǎo)航的可匹配性評估方法，步驟包括: (1)選擇用于可匹配性評估的參數(shù)集； (2)確定評估結(jié)論類別； (3)使用上述可匹配性評估的參數(shù)集作為輸入，評估結(jié)論作為輸出，構(gòu)造模式識別人工神經(jīng)網(wǎng)絡(luò)； (4)使用先驗知識訓(xùn)練模式識別人工神經(jīng)網(wǎng)絡(luò)； (5)用步驟(4)經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)進行可匹配性評估，將基準圖的上述參數(shù)作為模式識別人工神經(jīng)網(wǎng)絡(luò)的輸入，由模式識別人工神經(jīng)網(wǎng)絡(luò)輸出評估結(jié)果。
2.如權(quán)利要求1所述的成像匹配輔助導(dǎo)航的可匹配性評估方法，其特征在于，所述的參數(shù)集包括:基準圖灰度方差、相關(guān)面主峰值和主峰尖銳度。
3.如權(quán)利要求2所述的成像匹配輔助導(dǎo)航的可匹配性評估方法，其特征在于，所述的參數(shù)集還進一步包括:獨立像元數(shù)、信息熵、主次峰比、特征景象信息量、復(fù)雜度和偏心率。
4.如權(quán)利要求1所述的成像匹配輔助導(dǎo)航的可匹配性評估方法，其特征在于，所述的評估結(jié)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(quán)利要求1所述的成像匹配輔助導(dǎo)航的可匹配性評估方法，其特征在于，所述的模式識別人工神經(jīng)網(wǎng)絡(luò)采用反向傳播學(xué)習(xí)算法的多層前饋網(wǎng)絡(luò)，網(wǎng)絡(luò)的每一個輸入節(jié)點對應(yīng)于樣本的一個參數(shù)，而輸出層節(jié)點數(shù)等于評估結(jié)論類別數(shù)，一個輸出節(jié)點對應(yīng)一個評估結(jié)論類別。
6.如權(quán)利要求1所述的成像匹配輔助導(dǎo)航的可匹配性評估方法，其特征在于，所述的使用先驗知識訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過程為:通過掛飛或仿真試驗獲取成像實時圖，并與相應(yīng)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(shù)并作為一個樣本；積累一定數(shù)量的樣本并將相應(yīng)的匹配結(jié)果用于該人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，將樣本數(shù)的80%用于訓(xùn)練、20%用于校驗，當(dāng)神經(jīng)網(wǎng)絡(luò)通過多次訓(xùn)練其評估正確性仍不能達到要求時，調(diào)整神經(jīng)網(wǎng)絡(luò)的隱層節(jié)點數(shù)重新進行訓(xùn)練直到其評估正確性達到要求為止。
全文摘要
本發(fā)明涉及一種成像匹配輔助導(dǎo)航的可匹配性評估方法，步驟包括(1)選擇用于可匹配性評估的參數(shù)集；(2)確定評估結(jié)論類別；(3)使用上述可匹配性評估的參數(shù)集作為輸入，評估結(jié)論作為輸出，構(gòu)造模式識別人工神經(jīng)網(wǎng)絡(luò)；(4)使用先驗知識訓(xùn)練模式識別人工神經(jīng)網(wǎng)絡(luò)；(5)用步驟(4)經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)進行可匹配性評估，將基準圖的上述參數(shù)作為模式識別人工神經(jīng)網(wǎng)絡(luò)的輸入，由模式識別人工神經(jīng)網(wǎng)絡(luò)輸出評估結(jié)果。所述的參數(shù)集包括基準圖灰度方差、相關(guān)面主峰值和主峰尖銳度。該方法不但可以避免參數(shù)閾值選擇的麻煩及參數(shù)閾值選擇不當(dāng)容易造成誤判的風(fēng)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(yōu)先權(quán)日2013年2月6日
發(fā)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