弹箭与制导学报

弹箭与制导学报 >

2025 , Vol. 45 >Issue 3: 287 - 294

DOI: https://doi.org/10.15892/j.cnki.djzdxb.2025.03.003

可见、红外图像感知、目标识别与制导技术

基于图像匹配的无人机侦察目标定位方法

  • 周嘉星 , 1, 2 ,
  • 陈志高 , 1, 2 ,
  • 高登巍 3 ,
  • 余子成 1, 2 ,
  • 邓钊 1, 2
展开
  • 1 厦门理工学院电气工程及自动化学院,福建 厦门 361024
  • 2 厦门市高端电力装备及智能控制重点实验室,福建 厦门 361024
  • 3 西安现代控制技术研究所,陕西 西安 710065
陈志高(2002—),男,硕士研究生。E-mail:

周嘉星(1989—),男,讲师,博士。E-mail:

收稿日期: 2024-12-06

  网络出版日期: 2025-07-09

基金资助

教育部产学合作协同育人项目(231102532155002)

福建省自然科学基金(2022J05286)

厦门市科技计划项目(3502Z20227072)

厦门理工学院高层次人才科研启动项目(YKJ22019R)

厦门理工学院高层次人才科研启动项目(YKJ24018R)

厦门理工学院研究生创新启动基金(YKJCX2024147)

厦门理工学院研究生创新启动基金(YKJCX2024164)

收起

A UAV Reconnaissance Target Localization Method Based on Image Matching

  • ZHOU Jiaxing , 1, 2 ,
  • CHEN Zhigao , 1, 2 ,
  • GAO Dengwei 3 ,
  • YU Zicheng 1, 2 ,
  • DENG Zhao 1, 2
Expand
  • 1 School of Electrical Engineering and Automation, Xiamen University of Technology, Xiamen 361024, Fujian, China
  • 2 Xiamen Key Laboratory of Frontier Electric Power Equipment and Intelligent Control, Xiamen 361024, Fujian, China
  • 3 Xi'an Mordern Control Technology Research Institute,Xi'an 710065,Shaanxi, China

Received date: 2024-12-06

  Online published: 2025-07-09

Fold

摘要

无人机在执行侦察任务时存在面向复杂环境、具有背景信息相似时无法有效去除特征提取阶段产生的大量离群点的问题。为确保无人机能够对侦察目标进行准确的定位,图像匹配需发挥至关重要的作用,其匹配效果将直接影响对侦察目标的定位精度。针对上述问题,提出一种改进RANSAC(random sample consensus)算法。首先利用三元组关系构建初始数据并提出一种改进的初始数据选择策略,通过基于邻域的几何一致性和三角剖分减少计算成本并提高匹配的准确性;其次通过数据子集细化策略进一步提高算法的采样性能;最后在具有复杂环境、背景信息相似的无人机侦察图像数据集上将文中所提算法与其他高级算法进行对比分析。实验结果表明,该算法具有较高的计算效率和正确匹配率,提高了目标定位的计算速度和定位精度,为无人机侦察目标定位提供了一种新方法。

关键词： 无人机侦察; 目标定位; 图像匹配; 三元组关系

本文引用格式

周嘉星 , 陈志高 , 高登巍 , 余子成 , 邓钊 . 基于图像匹配的无人机侦察目标定位方法[J]. 弹箭与制导学报, 2025 , 45(3) : 287 -294 . DOI: 10.15892/j.cnki.djzdxb.2025.03.003

Abstract

To ensure that the UAV (unmanned aerial vehicle) can accurately locate the reconnaissance target, image matching plays a critical role in the localization process, and its performance directly affects the localization accuracy of the targets. However, UAVs often encounter challenges when performing reconnaissance tasks in complex environments, especially when background information is similar, which hinders the effective elimination of a large number of outliers. This paper proposes an improved RANSAC (random sample consensus) algorithm. First, an initial dataset is constructed using triplet relationships. Based on these relationships, an improved strategy for selecting initial data is proposed, which reduces computational costs and improves matching accuracy through neighborhood-based geometric consistency and triangulation. Second, a data subset refinement strategy is introduced to further enhance the algorithm's sampling performance. Finally, the proposed algorithm is compared with other advanced algorithms on UAV reconnaissance image datasets featuring complex environments and similar background information. Experimental results demonstrate that the proposed algorithm achieves higher computational efficiency and correct matching rates, thus improving both the computational speed and localization accuracy, providing a novel method for UAV reconnaissance target localization.

Key words： UAV reconnaissance; target localization; image matching; triplet relationships

0 引言

近年来,无人机在侦察作战中的应用越来越广泛,相对于有人飞机,无人机侦察凭借无人员损伤风险、部署灵活、响应及时等特点,已成为现代战争中重要的侦察手段。为了满足现代信息化战争精确打击的要求,利用无人机侦察图像实现对目标的精确定位是一项关键技术[1]。
无人机侦察目标定位是指利用摄影测量、图像处理和信息处理等技术,最终得到目标的精确位置信息[2]。目前,无人机目标定位方法主要包括:基于成像模型的共线定位方法、多点目标定位方法、基于基准地图的目标定位方法等。共线定位方法和多点目标定位方法通过应用无人机位置和姿态数据、光电云台姿态等定位定向(positioning and orientation system,POS)数据进行空间解算从而对目标进行定位,但会受到各种安装误差和测量误差的限制,难以大幅度提高目标定位精度[3-4];相比之下,基于基准地图的目标定位方法通过分析和处理侦察过程中获取的图像,将目标位置与高精度基准地图匹配,无需依赖无人机及其传感器的安装精度和测量精度,因此可以有效规避因安装误差和测量误差引起的精度下降问题,尤其适用于需要更高定位精度下的目标定位。但受背景信息相似和面向复杂地理环境等外界因素影响。在侦察过程中无人机采集目标图像时通常会受到干扰,从而在特征匹配中产生大量离群点导致匹配精度下降。为了解决上述问题,实现对侦察目标的精准定位,需要把无人机所侦察到的图像与具有地理信息的基准图进行精确匹配。因此,设计一种鲁棒性、实时性好的图像匹配算法是其中的关键。文献[5]采用小波变换和USAN(univalue segment assimilating nuclues)区域特性相结合的角点检测方法,然后利用互相关和RANSAC相结合的方法进行特征点匹配从而提高配准精度;文献[6]使用SURF(speeded up robust features)提取特征,通过RANSAC(random sample consensus)完成对目标图像的配准。文献[7]在SIFT(scale invariant feature transform)算法的基础上,结合Canny(computational theory of edge detection)算子边缘特征检测提出一种新的Canny-SIFT算法,提高了正确匹配率。文献[8]采用改进SIFT提取特征点,然后基于特征向量欧式距离、地理位置距离的二次误匹配剔除方法,充分抑制匹配点对的误匹配。文献[9]利用SIFT获取当前图像和前一张图像中的图像特征,然后使用RANSAC算法进行特征匹配并优化匹配结果以获得目标物在图像中的位置,但该算法需要通过不断迭代更新来获取最佳模型,这使得在处理大量离群点的数据时需要较长的时间[10],从而无法满足侦察目标实时性高的要求。
在侦察过程中无人机采集目标图像时,造成大量离群点的主要因素为图像中存在相似背景且地理环境复杂。文中在针对上述两个因素导致无人机执行侦察目标定位时定位精度低以及实时性差的问题,提出一种基于RANSAC算法改进的三元关系特征匹配方法来提高无人机对侦察目标的定位精度和实时性。

1 改进的RANSAC算法

在图像匹配中通常采用RANSAC来降低初始特征点提取带来的离群点的干扰。这是基于RANSAC作为一种随机抽样一致性的迭代算法,用于对SIFT算法的数据进一步过滤,从而提升匹配的精度[11]。但无人机侦察时往往需要在复杂环境下对目标进行定位,采集图像往往存在背景相似、纹理信息不足产生大量离群点问题。RANSAC算法在处理大量离群点的数据时需要较长的时间,且在定位过程中未剔除的离群点会导致定位精度下降。为此,在经典的RANSAC基础上,文中提出了一种基于三元关系改进的RANSAC算法。

1.1 三元关系原理

改进算法的关键是利用三元关系对有效数据子集的采样过程进行鲁棒估计。三元关系的思想由文献[12]首次提出并运用到特征匹配上。具体来说,首先分析输入特征匹配(即输入数据)之间的三元组关系,每个三元组由三个数据组成,它们之间的关系满足空间一致性约束,从而得到一系列三元组集合。
如图1所示,Si表示图像对应的特征匹配对映射在平面上的点,子图(a)中的S1和S2满足空间一致性约束,因为S1和S2对应的特征点在空间上彼此接近。因此,它们都被判定为内点。在子图(b)中,通过三元关系对数据点进行约束,由于S2邻近的点S1和S3,而S3邻近的点是S1和S4,所以S2和S3不满足空间一致性约束关系,因此S2将不能视作内点。由于三元组中存在多个约束条件,可以有效检测出三组匹配中的异常值。
图1 两两关系和三元关系的鲁棒模型估计比较

Fig.1 Comparison of robust model estimation using pairwise relationships and triplet relationships

在一对图像中含N个特征匹配的输入数据A={μ } i = 1 N,根据特征点μi空间关系搜索它们的K近邻 N μ i。对于特征点μi,集合A中它与其他特征点之间满足三元组关系的定义如下:
一个三元组 Δ μ i μ j μ k包含3个特征点,即 Δ μ i μ j μ k=(μi,μj,μk),当且仅当μi,μj,μk的关系满足:
1 μ i∈ N μ j× 1 μ k∈ N μ i× 1 μ j∈ N μ k=1
式中:1μ表示一个指标函数,若μ∈N,该指标函数的值为1,否则为0。
虽然三元组包含了三元关系中多个约束的互补性,可以显著减轻对离群值的敏感性。但存在着因为离群点与内点邻近而被错误地归类在三元关系组中的问题。因此,通过提出的一种改进的初始数据子集选择策略,利用三元组关系来有效地捕获数据的采样权重,对有希望作为初始数据的子集进行采样。

1.2 初始数据子集选择策略

为了选取有效的初始数据,文中提出了一种改进的得分估计策略,该策略通过计算特征点邻域的几何一致性和利用三角剖分构建稳定的三元组结构[13]。通过这种方法,得分估计策略能够减小冗余三元组的数量,从而降低计算复杂度并增强算法的鲁棒性。

1.2.1 基于领域的几何一致性

一般而言,无人机侦察时采集到的目标图像是复杂的,并且在距离和旋转方面不具有全局的简单对应关系。但即使在复杂的非刚性变换下,图像对中的小区域的拓扑结构往往会在一定程度上保持不变[14]。邻域一致性通过利用相邻点之间的几何关系来验证特征匹配的可靠性。具体而言,首先提取三元组点坐标Xi,Xj,Xk,这些点位于2维平面上,坐标分别为:Xi=[xi,yi]T;Xj=[xj,yj]T;Xk=[xk,yk]T。
从参考点(例选取Xj为参考点)出发,计算两个点之间的相对位置:
d j i = X i - X j d j k = X k - X j
式中:dji和djk分别表示点Xj与Xi、Xj与Xk之间的欧几里得距离。计算两个距离之间的差异D1,并定义为:

D1= d j i - d j k

使用指数函数将误差转化为几何一致性评分S1,当误差越小时,几何一致性得分越高;误差越大得分会迅速趋近于0:

S1= e - D 1= e - d j i - d j k

1.2.2 基于三角剖分的稳定三元组结构

三角剖分在特征匹配时为匹配点提供了理想的相邻结构。从几何学的角度来看,正确的匹配点集通常会形成一个符合特定几何形状的点集,而错误的匹配点由于不符合这些几何规则,往往会被排除。三元组的边长差异反映了点之间的相对位置关系。理想情况下,三元组应该遵循几何规律,而错误匹配的点由于空间位置不一致,导致边长差异较大。在三元组内,形状差异越大,意味着点之间的几何关系越不稳定,这可能得到错误匹配。通过计算三元组的边长差异,能够排除那些几何形状不合理的匹配。结合文献[15]中的思想,通过确保三元组的形状尽可能接近正三角形来评估三元组的稳定性。对于正确的匹配,三元组的形状差异应该较小,而错误匹配则会导致较大的形状差异。因此,通过三角剖分的几何约束,能够有效过滤不可靠的结构。具体而言,我们首先提取三元组点坐标Xi,Xj,Xk,通过三元组点坐标计算三角形的三边长度:
d 1 = X j - X i d 2 = X j - X k d 3 = X i - X k
式中d1,d2和d3表示三元组三角形的3条边长。利用三边长计算三元组的几何形状特征差异D2:

D2= d 1 - d 2+ d 2 - d 3+ d 1 - d 3

在三元组的几何形状特征差异的基础上使用指数函数将误差转化为几何一致性评分S1,当误差越小时,表明三元组的几何结构越稳定,得分越高;误差越大,得分会迅速趋近于0:

S2= e - D 2= e - ( d 1 - d 2 + d 2 - d 3 + d 1 - d 3 )

最后将局部仿射一致性得分和三角剖分得分进行相加得到最终的三元组的得分S:

S=S1+S2

根据最终的三元组得分S,可以对包含N个数据的集合S={si=(xi,yi) } i = 1 N计算出基于si的采样权重ω(si):

ω(si)= m a x { c ( s i , s j , s k ) } , i f   Δ s i s j s k ∈ A 0 , o t h e r w i s e

式中max{c(si,sj,sk)}表示与基于si相关联的三元组的兼容性分数的最大值。反之,如果si不与任何三元组相关联,则ω(si)设置为0。
通过改进的初始数据子集选择策略,可以防止在采样过程中选择大多数离群值。然而,离群值也可能被选择到一个数据子集中,特别是当输入特征匹配只包含几个离群值时,会产生无效的数据子集用于模型估计。因此,需引入一种采用迭代方案的数据子集细化策略找到足够的内点形成有效的数据子集。

1.3 数据子集细化策略

给定一个模型假设αλ(由采样数据子集生成),首先基于Sampson距离计算模型假设αλ与输入数据A={μi } i = 1 N之间的残差值{r(μi,αλ) } i = 1 N。然后对残差值按升序排序,根据排序后的残差值,对所有输入数据进行排序,并从排序后的数据中抽取第n个数据周围的数据子集,生成新的模型假设。迭代执行这些步骤直到得到一个稳定的解。根据最后三次迭代来确定数据子集细化过程是否收敛,并且使用一个参数(即MaxIter)来表示最大迭代次数,同时使用从采样数据的三元关系中得出的权重值作为停止准则的条件,以降低对离群值的敏感性。停止准则Estop可表示为:

Estop= 1 h ∑ j = n - h + 1 n ω ( μ j α ( λ - 1 ) ) ω ( μ n α λ )∧
1 h ∑ j = n - h + 1 n ω ( μ j α ( λ - 2 ) ) ω ( μ n α λ )

式中: μ n α λ为第λ次迭代中残差排序得到的排序数据的第n个基准;ω(·)是根据三元组得分计算出的数据的权值;h为数据子集的大小[16]。该准则表明,从最后三次迭代中采样的数据子集更有可能属于同一模型,则停止迭代。这样可以进一步提高数据子集采样的性能,得到有效的数据子集,生成1个显著的模型假设作为估计模型。最后,根据估计的模型,可以区分出离群值和内群值。

2 实验结果与分析

为评估所提算法的性能,选择RANSAC算法、RANSAC++算法、LPM(locality preserving matching)算法、TRESAC(triplet relationship guided sampling consensus)算法和文中所改进的RANSAC算法进行对比。文中算法的运行环境为:Intel(R) Core(TM) i5-1035G1 CPU@1.00 GHz计算机,8 GB内存;8 GB存储(硬盘);操作系统为64位Windows10。

2.1 评判标准

为验证文中算法在面向无人机侦察复杂环境下性能,分别以算法的正确匹配率、运行时间进行评价。同时,为进一步验证文中算法对目标定位的性能,使用交并比RIOU作为客观评价指标,对不同算法的目标定位性能进行评价。
1)正确匹配率RCM
正确匹配率反映了图像特征匹配时剔除离群点的能力。正确匹配率越低,则算法能够更有效地过滤离群点,从而保留正确的特征匹配对。在目标定位中,正确的特征匹配对能够得到准确有效的坐标信息使得无人机在侦察过程中能够对目标实现精准定位。RCM的定义为:

RCM= P T P + P T N P T P + P T N + P F P + P F N

式中:PTP表示正确归类为内点;PFN表示错误归类为离群点;PFP表示错误归类为内点;PTN表示正确归类为离群点。
2)运行时间tR
运行时间tR是检测、匹配所花费的总时间。运行时间是对实时性要求高的侦察任务的一个重要指标。运行时间越短,则算法计算效率更高从而可以更迅速的得到特征匹配对。
3)交并比RIOU
RIOU是衡量预测框与真实框重叠程度的指标,计算公式为:

RIOU= A P r e ⋂ A T r u A P r e ⋃ A T r u

式中:APre,ATru分别为预测框面积、真实框面积。在目标定位中,预测框为基准图里目标的真实位置范围,而真实框是无人机对侦察目标进行定位时算法所得到的目标的位置范围。一般来说,当RIOU>0.5时表示成功定位目标[17],RIOU值越接近1则定位精确度越高。

2.2 数据集

无人机在执行侦察任务时,通常需要在面向复杂环境下对目标实现精准快速定位。但在复杂环境下,无人机所采集到的图像包含的地面特征大量减少,图像缺乏丰富纹理加大了目标定位的难度。针对上述问题文中采用北京邮电大学的UAV-VisLoc数据集[18]进行实验:该数据集是为无人机视觉定位量身定制的大规模数据集,集包含了6 742张图像分辨率为3 976×2 652的图像。

2.3 实验仿真与分析

为验证算法在面对不同复杂环境下的有效性,从该数据集选取了4组包含了河流、森林、山地和沙漠等具有相似背景的复杂环境图像作为基准图,选取图像分辨率为700×700的图像作为侦察目标图像。将文中所提出的算法与RANSAC、RANSAC++[19]、LPM[20]、TRESAC[12]进行对比,同时以算法的正确匹配率RCM、运行时间tR和RIOU进行性能评估。
图2~图5为不同算法在4组复杂环境场景下时进行特征匹配的结果,其中绿线表示算法所认为的内点,红线表示算法所剔除的离群点。
图2 河流背景配对性能

Fig.2 Pairing performance of river background

图3 草地背景配对性能

Fig.3 Pairing performance of grassland background

图4 森林背景配对性能

Fig.4 Pairing performance of forest background

图5 沙漠背景配对性能

Fig.5 Pairing performance of desert background

从图2~图5可以看出,在4组场景中,在剔除离群点之后,RANSAC算法仍然存在含有大量离群点的问题;而本文所提出的算法可以剔除大部分离群点,且效果优于RANSAC++、LPM和TRESAC算法。表1为不同算法之间的正确匹配率和运行时间对比。从表1中可以看到,在对4组实验图像剔除离群点后,RANSAC的平均正确匹配率在95.10%,而其他算法的平均正确匹配率均达到了97%以上,这表明高级算法具有更强的剔除离群点的能力,可以生成更可靠的潜在内点。在运行时间方面,与RASNAC和RANSAC++算法相比,文中所改进的算法显著减少了处理时间,同时保持了较高的匹配率。文中所改进的算法平均运行时间为0.095 5 s,计算效率较RANSAC算法相比提升了86.47%,较RANSAC++相比提升了72.76%,这是由于RANSAC和RANSAC++算法都需要迭代更新数据以寻找最佳模型实例,这在构建模型上需要耗费大量时间。相较于RANSAC和RANSAC++算法,TRESAC算法能够实现更好的离群点过滤能力,然而严格的空间约束关系使得TRESAC会错误的过滤掉一些内点。
表1 不同算法的运行时间、正确匹配率对比

Table 1 Runtime and correct matching rate of different algorithms

Background RANSAC RANSAC++ LPM TRESAC Our algorithm
Run
time/s		 Correct
matching
rate/%		 Run
time/s		 Correct
matching
rate/%		 Run
time/s		 Correct
matching
rate/%		 Run
time/s		 Correct
matching
rate/%		 Run
time/s		 Correct
matching
rate/%
River 0.654 4 91.39 0.368 4 98.01 0.028 0 95.36 0.175 1 98.01 0.090 4 98.68
Grassland 0.776 9 95.85 0.348 5 97.93 0.027 1 97.41 0.216 8 97.41 0.088 5 98.45
Forest 0.709 6 96.30 0.349 4 98.77 0.022 1 98.15 0.186 6 98.77 0.106 8 99.38
Desert 0.681 7 96.85 0.336 0 98.43 0.030 3 97.64 0.170 3 99.21 0.096 4 99.21
Mean 0.705 7 95.10 0.350 6 98.29 0.026 9 97.14 0.187 2 98.35 0.095 5 98.93
而文中所提算法首先利用三元组关系对初始数据进行几何约束,之后利用基于邻域的几何一致性和三角剖分过滤了不稳定的三元组结构,减少了冗余的三元组数量,同时文中算法在数据子集精化策略中引入了停止准则,进一步减少优化迭代次数从而有效减少了计算开销,降低了计算成本,计算效率较TRESAC相比提升了48.99%。然而,文中算法在应用三元组关系时需要事先搜索数据点的相邻点,因此,计算成本略高于LPM。尽管LPM计算效率高,但LPM平均正确匹配率低于文中所提出的算法,这将导致LPM未剔除的离群点中更有可能提供错误的位置信息导致对侦察目标的定位精度下降。
为进一步验证文中所提算法在无人机侦察目标定位的有效性,使用交并比RIOU来对匹配结果进行评价。图6~图9表示了不同算法在4组图像的定位性能,其中绿色矩形框为侦察目标定位的真实位置,红色矩形框为算法的预测位置。
图6 河流背景定位特征

Fig.6 Localization performance of river background

图7 草地背景定位特征

Fig.7 Localization performance of grassland background

图8 森林背景定位特征

Fig.8 Localization performance of forest background

图9 沙漠背景定位特征

Fig.9 Localization performance of desert background

表2表示了不同算法之间对4组图像进行定位所得到的RIOU值。从图6~图9中根据算法的匹配结果得到的矩形框可以看出,文中算法得到的矩形框结果和真实位置最接近,在定位精度方面明显优于其他算法。从表2中可以看出,文中算法的RIOU平均值达到了0.845 4,定位精度相较于RANSAC算法提高了67.64%,相较于RANSAC++算法提高了15.20%,相较于TRESAC算法提高了7.70%。而尽管LPM运行时间表现出明显的优势,但LPM的平均RIOU值仅有0.288 0,这是因为和其他高级算法相比,LPM表现出较低的正确匹配率,这使得LPM在定位时错误的匹配点会提供错误的位置信息从而使定位精度下降,从而不适应于高定位精度要求的无人机侦察任务中。
表2 不同算法的RIOU

Table 2 RIOU of different algorithms

Background RANSAC RANSAC++ LPM TRESAC Our
algorithm
River 0.076 4 0.584 4 0.559 5 0.675 8 0.800 0
Grassland 0.272 9 0.713 6 0.228 6 0.729 9 0.822 4
Forest 0.240 9 0.730 5 0.193 1 0.730 5 0.759 1
Desert 0.504 2 0.839 0 0.170 6 0.985 0 1.000 0
Mean 0.273 6 0.716 9 0.288 0 0.780 3 0.845 4
综上所述,文中所提出的算法在无人机侦察飞行时面向具有相似背景、复杂环境下能够有效的进行侦察目标定位的任务。同时,所提出的算法的运行效率、高定位精度使其能够被应用到目标快速搜寻搜救、目标监视等军事应用中,以快速获取目标信息,提前布置作战任务。

3 结论

文中提出了一种改进的RANSAC算法,该算法通过三元组关系建立初始数据,然后提出一种改进的初始数据子集选择策略,该策略通过基于邻域的几何一致性得到有效的三元组,并利用三角剖分保留稳定的三元组结构,减少了冗余三元组数量的同时也过滤掉了不可靠的三元组结构,使得算法减少了计算开销并保留稳定的三元组。最后通过一种数据子集细化策略,进一步提高算法的采样性能。将该方法与RANSAC算法和RANSAC++、LPM高级算法进行了对比分析。同时,利用不同算法的匹配结果对目标进行定位并根据客观评价指标RIOU进行定位效果对比分析,验证了本文所提算法的定位准确性。实验结果表明本文所提算法具有较高的计算效率和匹配精度,能够满足无人机侦察目标定位计算速度快、定位精度高的要求,具备一定的工程应用价值。未来,将进一步应用于四旋翼无人机Iinks-UAV-MiniBench实验台架中进行实物测试,以评估其在真实飞行环境中的稳定性和准确性。此外,通过调整参数优化和引入更多实时环境数据,进一步提升算法的鲁棒性与适应性。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
胡海洋, 李海林. 基于图像匹配的无人机目标定位方法[J]. 舰船电子工程, 2012, 32(12): 49-51.

HU H Y, LI H L. A target location method for UAV based on image registration[J]. Ship Electronic Engineering, 2012, 32(12): 49-51.

[2]
都基焱, 段连飞, 黄国满. 无人机电视侦察目标定位原理[M]. 合肥: 中国科学技术大学出版社, 2013.

DU J Y, DUAN L F, HUANG G M. UAV TV reconnaissance target location principle[M]. Hefei: University of Science and Technology of China Press, 2013.

[3]
贺若飞, 田雪涛, 刘宏娟, 等. 基于蒙特卡罗卡尔曼滤波的无人机目标定位方法[J]. 西北工业大学学报, 2017, 35(3): 435-441.

HE R F, TIAN X T, LIU H J, et al. A UAV target localization approach based on Monte-Carlo Kalman filter[J]. Journal of Northwestern Polytechnical University, 2017, 35(3): 435-441.

[4]
郑锴, 郑献民, 殷少锋, 等. 基于总体最小二乘的无人机实时目标定位方法[J]. 电光与控制, 2019, 26(10): 26-29.

ZHENG K, ZHENG X M, YIN S F, et al. A real-time target localization approach for UAVs based on total least squares method[J]. Electronics Optics & Control, 2019, 26(10): 26-29.

[5]
陈丹淇, 赵迪. 基于特征点的图像配准方法研究[J]. 弹箭与制导学报, 2017, 37(3): 139-142.

DOI

CHEN D Q, ZHAO D. Image registration based on feature[J]. Journal of Projectiles, Rockets, Missiles and Guidance, 2017, 37(3): 139-142.

[6]
HAN W, HUANG D, XU C.A novel compensation algorithm of aerial image registration[C]//2017 IEEE 2nd International Conference on Signal and Image Processing (ICSIP). Augest 4-6, 2017, Piscataway, N.J. New York: IEEE, 2017: 223-227.

[7]
薛鹏, 陆晓飞, 董文锋, 等. 一种新的基于SIFT算法的景象匹配制导方法[J]. 弹箭与制导学报, 2018, 38(3): 55-57.

DOI

XUE P, LU X F, DONG W F, et al. A novel scene matching guidance method based on sift algorithm[J]. Journal of Projectiles, Rockets, Missiles and Guidance, 2018, 38(3): 55-57.

[8]
郑锴, 殷少锋, 郑献民, 等. 基于POS数据的无人机高精度匹配定位方法[J]. 火力与指挥控制, 2023, 48(9): 160-166.

ZHENG K, YIN S F, ZHENG X M, et al, A UAV matching positioning approach with high accuracy based on POS data[J]. Fire Control & Command Control, 2023, 48(9): 160-166.

[9]
ZHANG X, YUAN G, ZHANG H, et al. Precise target geo-location of long-range oblique reconnaissance system for UAVs[J]. Sensors, 2022, 22(5): 1903.

[10]
谢万鹏, 刘欢, 吴银花, 等. 基于改进SIFT和互信息法的单色和彩色视频高精度配准[J]. 液晶与显示, 2023, 38(12): 1-10.

XIE W P, LIU H, WU Y H, et al. High precision registration of monochrome and color video ba sed on improved SIFT and mutual information method[J]. Chinese Journal of Liquid Crystals and Displays, 2023, 38(12): 1-10.

[11]
FISCHLER M A, BOLLES R C. Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography[J]. Communications of the ACM, 1981, 24(6): 381-395.

[12]
GUO H L, Y L, XIAO G B, et al, Triplet relationship guided sampling consensus for robust model estimation[J]. IEEE Signal Processing Letters, 2022, 29: 817-821.

[13]
ZHOU J X, YAO Y X, CHEN X, et al. Research on moving object tracking with a large number of outliers based on TRESAC++ algorithm[J]. Digital Signal Processing, 2024, 151: 104548.

[14]
XIA Y F, MA J Y. Locality-guided global-preserving optimization for robust feature matching[J]. IEEE Transactions on Image Processing, 2022, 31: 5093-5108.

[15]
SAN J, JIANG W S. Reliable image matching via photometric and geometric constraints structured by Delaunay triangulation[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 153: 1-20.

[16]
TENNAKOON R B, BAB-HADIASHAR A, CAO Z, et al. Robust model fitting using higher than minimal subset sampling[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2016, 38(2): 350-362.

DOI PMID

[17]
LUO H, XIE W, WANG X, et al. Detect or track: Towards cost-effective video object detection/tracking[C]// IEEE.Proceedings of the AAAI Conference on Artificial Intelligence. New York: IEEE, 2019, 33(1): 8803-8810.

[18]
XU W J, YAO Y X, CAO J Q, et al. UAV-VisLoc: A large-scale dataset for UAV visual localization[E/OL]. http://arxiv preprint arxiv: 2405. 11936.

[19]
TRAN Q H, CHIN T J, CARNEIRO G, et al. In defence of RANSAC for outlier rejection in deformable registration[C]// Computer Vision-ECCV 2012: 12th European Conference on Computer Vision, October 7-13, 2012, Florence, Italy, Springer: Berlin, 2012: 274-287.

[20]
MA J Y, ZHAO J, JIANG J J, et al. Locality preserving matching[J]. International Journal of Computer Vision, 2019, 127: 512-531.

Options
文章导航

/

〈 〉

陕ICP备2025069823号-1

版权所有 © 《弹箭与制导学报》编辑部
地址：北京市海淀区车道沟十号院　
邮编：100089　
电话：010-68961361 010-68968684
E-mail：djxb1980@163.com
技术支持：北京玛格泰克科技发展有限公司