CN114858226B - 一种无人机山洪流量测量方法、装置及设备 - Google Patents

一种无人机山洪流量测量方法、装置及设备 Download PDF

Info

Publication number
CN114858226B
CN114858226B CN202210782991.8A CN202210782991A CN114858226B CN 114858226 B CN114858226 B CN 114858226B CN 202210782991 A CN202210782991 A CN 202210782991A CN 114858226 B CN114858226 B CN 114858226B
Authority
CN
China
Prior art keywords
aerial vehicle
unmanned aerial
point cloud
obtaining
represent
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210782991.8A
Other languages
English (en)
Other versions
CN114858226A (zh
Inventor
刘炳义
李玉琳
嵇莹
刘维高
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Dashuiyun Technology Co ltd
Original Assignee
Wuhan Dashuiyun Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan Dashuiyun Technology Co ltd filed Critical Wuhan Dashuiyun Technology Co ltd
Priority to CN202210782991.8A priority Critical patent/CN114858226B/zh
Publication of CN114858226A publication Critical patent/CN114858226A/zh
Application granted granted Critical
Publication of CN114858226B publication Critical patent/CN114858226B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Fluid Mechanics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明提供一种无人机山洪流量测量方法、装置及设备，包括获取离线激光点云地图；获取在线点云数据，根据IMU数据和无人机初始位置得到无人机预测位姿；遍历在线点云数据，选取关键点，根据关键点和预测位姿得到在线点云中的特征描述符；划分无人机的预测位姿周围的空间得到解空间，进行坐标变换得到离线点云中的特征描述符；通过边缘化匹配概率得到估计偏移量，得到无人机的位移，进行无人机自定位；根据无人机的世界坐标得到像素的世界坐标；根据像素的世界坐标得到粒子的位移情况，得到流速，根据断面信息得到流量，利用深度学习实现对无人机精确定位，推得相机的位置，得到像素的位置，快速获取山洪流量。

Description

一种无人机山洪流量测量方法、装置及设备
技术领域
本发明涉及流场测量技术领域，具体涉及一种无人机山洪流量测量方法、装置及设备。
背景技术
中国是洪涝灾害频发的国家，洪涝灾害还会带来其它的自然灾害，严重威胁广大人民群众的生命财产安全。在洪水来临前后提供河流表面流量数据对大洪水防汛决策的时效性，降低灾害带来的损失具有十分重要的意义。因此，深入开展洪涝表面流速测量研究，是防灾减灾研究的重要组成部分，对流域防洪规划，江河洪泛区土地的合理利用以及区域经济可持续性发展都具有重大意义。
洪水期间，传统的设备如缆道铅鱼，无法下水作业，同时，如果流速过大，走航式ADCP也无法安全地进行测量。因为测量难度高，测到的流量精度也不够准确，常错失抢测洪峰时机，暴雨易发区河流洪水陡涨陡落，常规测速方法很难满足大洪水防汛决策时效性。
随着计算机视觉领域和无人机领域的发展，无人机测流逐渐被应用到山洪流量监测中，目前应用的无人机测流方法主要有直接测量法，由飞手控制操作无人机起飞，飞到断面上并悬停，利用雷达流速仪对流速进行测量，待到完成所有垂线的流速测量后，由飞手操控无人机返回地面，通过地面PC机测流软件自动完成流量计算。岸基视频辅助定位法，通过在岸边建立辅助标定摄像机对无人机进行三维定位，得到三维坐标系，将每帧图片与三维定位坐标系建立映射计算水流流速。还有通过设置漂浮盘或抛洒示踪粒子的方式，计算视频中漂浮盘或示踪粒子的位移估计流速。
无人机测流方法适用于山洪流量监测，但是基于机载雷达测速仪进行测量的方式，只能测量水面点流速，无法覆盖完整断面，测量结果无法代表断面实际流量，且无人机在山洪期间存在抖动，定位不精准，对测量结果有较大的影响；基于岸基辅助的无人机视频测流方法，需要提前进行人工标定，洪水期间较为危险，且标定精度直接影响测量精度，此外洪水过大时，岸基辅助易被损毁，无法进行图像采集；使用漂浮盘进行流速测量时，在流速过大时，漂浮盘会反向牵引无人机，导致无人机坠河无法进行图像采集和流速的测量；基于无人机抛洒示踪粒子法，在飞行过程中容易存在偏航，高空风速，飞手影响等因素导致定位不准，致使计算结果不精确。
以上所述的机载摄影测流方法虽然适用在山洪流量监测中，但是，一方面存在只能测量断面点流速，需要进行人工标定，洪水期间进行人工标定十分复杂和危险。同时还会存在设备损毁，无法测量的情况；另一方面存在航线偏移，高空风速，飞手影响对无人机定位产生影响。无人机的位置和相机矩阵对计算流速有着至关重要的影响，但是洪水期间无人机高精度定位难度大，人工标定困难，设备再次安装复杂且不安全，无法进行高精度的流场测量。
发明内容
为了解决现有基于无人机的山洪流量测量方法中存在的问题，本发明提出了一种无人机山洪流量测量方法。
一种无人机山洪流量测量方法，包括以下步骤：
步骤S1、获取待测河道区域离线激光点云地图；
步骤S2、获取在线点云数据，根据IMU数据和无人机初始位置得到无人机预测位姿；
步骤S3、遍历每一帧所有的在线点云数据，选取关键点，根据关键点和预测位姿得到在线点云中的特征描述符；
步骤S4、划分无人机的预测位姿周围的空间得到解空间，进行坐标变换得到离线点云中的特征描述符；
步骤S5、通过边缘化匹配概率得到估计偏移量，得到无人机的位移，进行无人机自定位；
步骤S6、根据无人机的世界坐标得到像素的世界坐标；
步骤S7、根据像素的世界坐标得到粒子的位移情况，得到流速，根据断面信息得到流量。
进一步地，所述步骤S1中，采用无人机搭载三维激光扫描仪，保持高度不变沿待测河道区域从上游到下游往复飞行，在飞行过程中采集获得待测河道区域离线点云数据，多次采集同一待测河道区域的离线点云数据，使用体素网格化滤波对点云数据进行降采样，进行语义分割，剔除动态物，对多次采集同一区域的离线点云数据进行融合，得到离线激光点云地图。
进一步地，所述步骤S2具体包括：
步骤S201、采用无人机携带三维激光扫描仪、摄像机、惯性传感器和示踪粒子，沿 预设航线从上游河道中轴向下游飞行，在待测河道区域均匀抛洒示踪粒子，待测河道区域 包括完整的断面信息和至少五米的岸边信息，通过摄像机采集待测河道区域表面水流的视 频；通过三维激光扫描仪获取每一帧的在线点云数据，通过惯性传感器获取IMU的数据与无 人机初始位置
Figure 823417DEST_PATH_IMAGE001
；
步骤S202、通过IMU的数据计算连续激光雷达帧之间的增量运动情况，生成无人机 的预测位姿
Figure 174764DEST_PATH_IMAGE002
，其中，
Figure 996090DEST_PATH_IMAGE003
表示无人机的空间位置，
Figure 673059DEST_PATH_IMAGE004
表示无人机的空间姿态。
进一步地，所述步骤S3具体包括：
步骤301、遍历每一帧所有的在线点云数据，估算每个点云邻域内的点的线性度和 反射值，挑选出具有线性度高和反射值低的点作为候选点，对候选点进行由高到低的排序， 选取线性度高和反射值低的候选点作为关键点，用
Figure 829102DEST_PATH_IMAGE005
来表示关键点，其中
Figure 984140DEST_PATH_IMAGE006
表示关键点的地理信息，
Figure 925551DEST_PATH_IMAGE007
表示关键点的反射强度，关键点和其它的点存在一 定的空间距离；
步骤S302、利用
Figure 773422DEST_PATH_IMAGE008
方法对每一帧的在线点云数据进行处理，对每个关键点提 取其邻域内的
Figure 167494DEST_PATH_IMAGE009
个点，将每个关键点
Figure 250856DEST_PATH_IMAGE010
的邻域数据和无人机的预测位姿
Figure 30462DEST_PATH_IMAGE011
输入
Figure 49234DEST_PATH_IMAGE012
算法，将输入数据划分为
Figure 930602DEST_PATH_IMAGE013
维中的离散 空间，
Figure 693022DEST_PATH_IMAGE014
分别表示为
Figure 343446DEST_PATH_IMAGE013
维的大小，得到
Figure 516807DEST_PATH_IMAGE015
个特征描述符，每个 特征描述符的特征向量长度为
Figure 885472DEST_PATH_IMAGE016
。
进一步地，所述步骤S4具体包括：
步骤401、将无人机的预测位姿
Figure 186003DEST_PATH_IMAGE017
周围的空间按照
Figure 956513DEST_PATH_IMAGE018
六个维度划分得到解空间：
Figure 51508DEST_PATH_IMAGE019
其中，
Figure 156736DEST_PATH_IMAGE020
表示
Figure 260958DEST_PATH_IMAGE021
坐标变换值的集合，
Figure 620396DEST_PATH_IMAGE022
表示
Figure 151871DEST_PATH_IMAGE023
坐标变换值的集合，
Figure 229549DEST_PATH_IMAGE024
表示
Figure 137462DEST_PATH_IMAGE025
坐 标变换值的集合，
Figure 866252DEST_PATH_IMAGE026
表示
Figure 568629DEST_PATH_IMAGE027
坐标变换值的集合，
Figure 399182DEST_PATH_IMAGE028
表示
Figure 579627DEST_PATH_IMAGE029
坐标变换值的集合，
Figure 179236DEST_PATH_IMAGE030
表示
Figure 36202DEST_PATH_IMAGE031
坐标变换值的集合，
Figure 354051DEST_PATH_IMAGE032
表示
Figure 72608DEST_PATH_IMAGE021
维度大小，
Figure 792303DEST_PATH_IMAGE033
表示
Figure 570903DEST_PATH_IMAGE034
维度大小，
Figure 376048DEST_PATH_IMAGE035
表示
Figure 147564DEST_PATH_IMAGE036
维度大小，
Figure 721765DEST_PATH_IMAGE037
表示
Figure 671266DEST_PATH_IMAGE027
维度大小，
Figure 698128DEST_PATH_IMAGE038
表示
Figure 24067DEST_PATH_IMAGE029
维度大小，
Figure 702042DEST_PATH_IMAGE039
表示
Figure 88024DEST_PATH_IMAGE040
维度大小；
步骤S402、将在线点云数据按照下式变换到离线点云地图中，将变换后的坐标再次进行特征描述符提取：
Figure 602182DEST_PATH_IMAGE041
Figure 731812DEST_PATH_IMAGE042
Figure 749446DEST_PATH_IMAGE043
Figure 555597DEST_PATH_IMAGE044
Figure 557051DEST_PATH_IMAGE045
Figure 490372DEST_PATH_IMAGE046
Figure 362513DEST_PATH_IMAGE047
Figure 355877DEST_PATH_IMAGE048
其中，
Figure 579048DEST_PATH_IMAGE049
为变换后的离线点云中的坐标，
Figure 57606DEST_PATH_IMAGE050
为在线点云中的坐 标，
Figure 315412DEST_PATH_IMAGE051
为每次获取数据的角度变化值，
Figure 214098DEST_PATH_IMAGE052
为坐标变化值。
进一步地，步骤S501、对于每一帧所有的特征描述符在一个偏移量
Figure 924565DEST_PATH_IMAGE053
的概率为
Figure 934110DEST_PATH_IMAGE054
，其中，
Figure 561269DEST_PATH_IMAGE055
表示偏移处
Figure 630856DEST_PATH_IMAGE056
的第
Figure 828619DEST_PATH_IMAGE057
个特征描述 符的匹配概率；
通过对数似然法减少溢出，可以得到：
Figure 110696DEST_PATH_IMAGE058
其中，
Figure 343094DEST_PATH_IMAGE059
表示在线点云与离线点云地图之间偏移
Figure 832850DEST_PATH_IMAGE060
处的总体匹配成本；
将匹配成本
Figure 517910DEST_PATH_IMAGE059
转换为归一化值概率
Figure 134836DEST_PATH_IMAGE061
，将归一化值概率
Figure 956161DEST_PATH_IMAGE061
边缘化为 能够得到概率向量
Figure 633130DEST_PATH_IMAGE062
、
Figure 789174DEST_PATH_IMAGE063
、
Figure 944212DEST_PATH_IMAGE064
、
Figure 885623DEST_PATH_IMAGE065
、
Figure 467914DEST_PATH_IMAGE066
；
步骤S502、将概率向量
Figure 127565DEST_PATH_IMAGE067
、
Figure 820715DEST_PATH_IMAGE068
、
Figure 865900DEST_PATH_IMAGE069
、
Figure 884672DEST_PATH_IMAGE070
、
Figure 766040DEST_PATH_IMAGE071
作为五个独立参数输入
Figure 262881DEST_PATH_IMAGE072
，输出估计偏移量
Figure 913305DEST_PATH_IMAGE073
；
估计偏移量
Figure 352245DEST_PATH_IMAGE074
的计算方程为：
Figure 720910DEST_PATH_IMAGE075
Figure 21441DEST_PATH_IMAGE076
Figure 526372DEST_PATH_IMAGE077
Figure 886946DEST_PATH_IMAGE078
Figure 992174DEST_PATH_IMAGE079
Figure 830817DEST_PATH_IMAGE080
根据前一帧无人机的位置与估计偏移量得到飞行中每帧无人机的世界坐标
Figure 455833DEST_PATH_IMAGE081
的计算方程；
Figure 987309DEST_PATH_IMAGE082
，
Figure 64986DEST_PATH_IMAGE083
其中，
Figure 972899DEST_PATH_IMAGE084
为获得的帧数。
进一步地，所述步骤S6中，无人机拍摄获取视频图像矩阵
Figure 701690DEST_PATH_IMAGE085
，间隔
Figure 404067DEST_PATH_IMAGE086
帧，每 帧间隔时间
Figure 234619DEST_PATH_IMAGE087
提取1帧得到测流图像矩阵
Figure 149486DEST_PATH_IMAGE088
，每帧无人机的世界坐标
Figure 14674DEST_PATH_IMAGE089
计算测流图像矩阵上任意像素点的世界坐标
Figure 871640DEST_PATH_IMAGE090
；
对于第i帧像素坐标
Figure 189489DEST_PATH_IMAGE091
，其对应的世界坐标为
Figure 908046DEST_PATH_IMAGE092
，相机外参
Figure 627741DEST_PATH_IMAGE093
，相机内 参
Figure 406341DEST_PATH_IMAGE094
，焦距
Figure 211486DEST_PATH_IMAGE095
，像素宽度
Figure 983001DEST_PATH_IMAGE096
，像素长度
Figure 557202DEST_PATH_IMAGE097
，像素坐标系的中心点
Figure 506704DEST_PATH_IMAGE098
，无人机高度
Figure 533566DEST_PATH_IMAGE099
， 无人机姿态角
Figure 125084DEST_PATH_IMAGE100
，旋转矩阵
Figure 537480DEST_PATH_IMAGE101
，平移向量
Figure 923462DEST_PATH_IMAGE102
为已知参数；
Figure 437620DEST_PATH_IMAGE103
Figure 567250DEST_PATH_IMAGE104
Figure 584884DEST_PATH_IMAGE105
像素坐标上的一点
Figure 407347DEST_PATH_IMAGE106
转换到图像坐标上为
Figure 392489DEST_PATH_IMAGE107
，
Figure 60231DEST_PATH_IMAGE108
Figure 197951DEST_PATH_IMAGE109
Figure 191315DEST_PATH_IMAGE110
其中，
Figure 148907DEST_PATH_IMAGE111
为相机比例变量。
进一步地，所述步骤S7具体包括：
步骤S701、步骤S701、对测流图像矩阵的每帧图像进行划分，划分为均匀的矩形窗 口，窗口尺寸
Figure 135186DEST_PATH_IMAGE112
，连续两帧的窗口灰度函数分别为
Figure 127413DEST_PATH_IMAGE113
，
Figure 26099DEST_PATH_IMAGE114
，计算连续两帧内所有 示踪粒子位移量对应的互相关系数
Figure 736566DEST_PATH_IMAGE115
，计算公式：
Figure 11689DEST_PATH_IMAGE116
其中，
Figure 107690DEST_PATH_IMAGE117
为最大互相关系数值，M、P均为窗口尺寸，
Figure 442856DEST_PATH_IMAGE118
、
Figure 375040DEST_PATH_IMAGE119
均为窗口灰 度函数，
Figure 188276DEST_PATH_IMAGE120
为示踪粒子在矩形窗口中的任意坐标，
Figure 155095DEST_PATH_IMAGE121
为对 应窗口内粒子运动产生的位移量；
Figure 644851DEST_PATH_IMAGE122
最大值对应的为前后两帧中的同一粒子，测流图像中连续两帧图像的像素 坐标
Figure 329910DEST_PATH_IMAGE123
和
Figure 946836DEST_PATH_IMAGE124
，根据前后两帧粒子的移动距离：
Figure 502582DEST_PATH_IMAGE125
Figure 897660DEST_PATH_IMAGE126
其中，
Figure 70016DEST_PATH_IMAGE127
均为粒子移动距离；
和帧间时间
Figure 225054DEST_PATH_IMAGE128
计算第
Figure 166465DEST_PATH_IMAGE129
帧位移情况
Figure 748756DEST_PATH_IMAGE130
；
Figure 408407DEST_PATH_IMAGE131
Figure 350824DEST_PATH_IMAGE132
步骤S702、通过测流图像中连续两帧图像的像素坐标
Figure 412321DEST_PATH_IMAGE106
和
Figure 165514DEST_PATH_IMAGE133
和连续两 帧图片的世界坐标
Figure 46882DEST_PATH_IMAGE134
和
Figure 543722DEST_PATH_IMAGE135
算图片空间分辨率；
Figure 708993DEST_PATH_IMAGE136
Figure 898666DEST_PATH_IMAGE137
步骤S703、利用第i帧图片的世界坐标信息
Figure 267331DEST_PATH_IMAGE138
对第i帧位移情况
Figure 567862DEST_PATH_IMAGE139
计算得到世界坐标下的瞬时位移情况
Figure 72793DEST_PATH_IMAGE140
；
计算方式如下：
Figure 433367DEST_PATH_IMAGE141
通过断面的水流速度为：
Figure 273016DEST_PATH_IMAGE142
按照上述方法对一段时间获取的所有图片计算均值，得到时均流速：
Figure 377238DEST_PATH_IMAGE143
Figure 2254DEST_PATH_IMAGE144
、
Figure 533730DEST_PATH_IMAGE145
、
Figure 611407DEST_PATH_IMAGE146
、
Figure 503009DEST_PATH_IMAGE147
为一段时间获取的所有图片的水流速度；
通过断面的流量
Figure 248111DEST_PATH_IMAGE148
为：
Figure 684909DEST_PATH_IMAGE149
其中，
Figure 515461DEST_PATH_IMAGE150
为水道断面面积，由测量的水位信息与获取图像信息得到，单位为
Figure 695907DEST_PATH_IMAGE151
,
Figure 561095DEST_PATH_IMAGE152
为
Figure 418061DEST_PATH_IMAGE150
内单元面积。
一种无人机山洪流量测量装置，包括离线激光点云地图获取模块（1）、在线点云数据获取模块（2）、特征提取模块（3）、无人机定位模块（4）、像素定位模块（5）和流量确定模块（6）；
离线激光点云地图获取模块（1），用于获取待测河道区域离线激光点云地图；
在线点云数据获取模块（2），用于获取每一帧的在线点云数据，且获取IMU的数据与无人机初始位置，并生成无人机的预测位姿；
特征提取模块（3），用于遍历每一帧所有的在线点云数据，选取关键点，根据关键点和预测位姿得到在线点云中的特征描述符，且划分无人机的预测位姿周围的空间得到解空间，进行坐标变换得到离线点云中的特征描述符；
无人机定位模块（4），用于通过边缘化匹配概率得到估计偏移量，得到无人机的位移，进行无人机自定位；
像素定位模块（5），用于根据无人机的世界坐标得到像素的世界坐标；
流量确定模块（6），用于根据像素的世界坐标得到粒子的位移情况，得到流速，根据断面信息得到流量。
一种无人机山洪流量测量设备，包括无人机、处理器和用于存储能够在处理器上运行的计算机程序的存储器，无人机携带三维激光扫描仪、摄像机、惯性传感器和示踪粒子，处理器用于运行计算机程序时，执行所述的一种无人机山洪流量测量方法的步骤。
与现有技术相比，本发明具有以下优点和有益效果：
本发明所述的一种无人机山洪流量测量方法、装置及设备，不受航线偏移，高空风速，飞手等因素对实际结果产生的影响，也不受洪水的影响，通过建立待测河道区域离线激光点云地图，进而通过获取在线点云数据，根据IMU数据和无人机初始位置得到无人机预测位姿，进行特征提取后，通过边缘化匹配概率得到估计偏移量，得到无人机的位移，进行无人机自定位，能够通过深度学习计算无人机的精确位置。
本发明所述的一种无人机山洪流量测量方法、装置及设备，无需标定就可以完成像素坐标和世界坐标的对应转换。
附图说明
图1为本发明无人机山洪流量测量方法的流程图。
图2为本发明无人机携带三维激光扫描仪、摄像机、惯性传感器和示踪粒子的示意框图。
图3为本发明无人机山洪流量测量设备的示意框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种无人机山洪流量测量方法，包括以下步骤：
步骤S1、获取待测河道区域离线激光点云地图。
预先获取离线激光点云地图，方便后续步骤在线激光点云与其匹配，提升定位精度。
步骤S2、获取在线点云数据，根据IMU数据和无人机初始位置得到无人机预测位姿。
通过IMU数据计算得到预测位姿可以得到无人机飞行的姿态，便于后续步骤将在线激光点云的坐标变换到离线激光点云地图中，以及可以推算无人机行驶的状态，了解外力因素对无人机行驶路线的影响。
步骤S3、遍历每一帧所有的在线点云数据，选取关键点，根据关键点和预测位姿得到在线点云中的特征描述符、
获取特征描述符可以方便在线激光点云数据与离线激光点云数据更快更好的匹配（例如特征明显的物体进行快速的匹配，避免搜索全局进行匹配，提高程序运行速度），提升定位精度。
步骤S4、划分无人机的预测位姿周围的空间得到解空间，进行坐标变换得到离线点云中的特征描述符。
减少无人机飞行中外力影响带来的误差。
步骤S5、通过边缘化匹配概率得到估计偏移量，得到无人机的位移，进行无人机自定位。
完成无人机自定位，通过无人机的定位结果，求解任意像素坐标，不需要进行人工标定。
步骤S6、根据无人机的世界坐标得到像素的世界坐标。
步骤S7、根据像素的世界坐标得到粒子的位移情况，得到流速，根据断面信息得到流量，从而实现全断面的流速测量。
目前无人机测流会遇到高空风速，飞手影响，GPS信号弱这样的问题，因此本发明提供一种无人机山洪流量测量方法，获取离线激光点云地图后，在实际测量山洪流量过程中，采用无人机搭载摄像机和三维激光扫描仪，摄像机拍摄水流视频，在待测河道区域通过三维激光扫描仪获取每一帧的在线点云数据和无人机初始位置，生成无人机的预测位姿；遍历每一帧所有的在线点云数据，选取线性程度高和反射值低的候选点作为关键点，进行特征提取，将在线点云数据变换到离线激光点云地图，在线点云数据和离线激光点云地图之间无人机的精确位置，对无人机进行精确定位，进而可以推得相机的位置，通过世界坐标系、水流视频中的图片以及像素坐标系转换可以得到像素的具***置，从而计算流速，不需要标定。
本发明所述步骤S1中，采用无人机搭载三维激光扫描仪，保持高度不变沿待测河道区域从上游到下游往复飞行，在飞行过程中采集获得待测河道区域离线点云数据，多次采集同一待测河道区域的离线点云数据，使用体素网格化滤波对点云数据进行降采样，进行语义分割，剔除动态物，对多次采集同一区域的离线点云数据进行融合，得到离线激光点云地图。
其中，本发明实施例中，使用
Figure 470331DEST_PATH_IMAGE153
算法进行语义分割，剔除动态物，对多次采 集同一区域的离线点云数据进行融合。
本发明所述步骤S2中具体包括：
步骤S201、采用无人机携带三维激光扫描仪、摄像机、惯性传感器和示踪粒子，沿 预设航线从上游河道中轴向下游飞行，在待测河道区域均匀抛洒示踪粒子，待测河道区域 包括完整的断面信息和至少五米的岸边信息，通过摄像机采集待测河道区域表面水流的视 频；通过三维激光扫描仪获取每一帧的在线点云数据，通过惯性传感器获取IMU的数据与无 人机初始位置
Figure 454467DEST_PATH_IMAGE154
。
为实现全断面测量，得到无人机预测位姿提供基础。
步骤S202、通过IMU的数据计算连续激光雷达帧之间的增量运动情况，生成无人机 的预测位姿
Figure 174162DEST_PATH_IMAGE155
，其中，
Figure 218341DEST_PATH_IMAGE156
表示无人机的空间位置，
Figure 741595DEST_PATH_IMAGE157
表示无人机的空间姿态。
得到无人机飞行的姿态，便于后续步骤将在线激光点云的坐标变换到离线激光点云地图中，以及可以推算无人机行驶的状态，了解外力因素对无人机行驶路线的影响。
所述步骤S3具体包括：
步骤S301、遍历每一帧所有的在线点云数据，估算每个点云邻域内的点的线性度 和反射值，挑选出具有线性度高和反射值低的点作为候选点，对候选点进行由高到低的排 序，选取线性度高和反射值低的候选点作为关键点，用
Figure 263843DEST_PATH_IMAGE158
来表示关键点，其中
Figure 838044DEST_PATH_IMAGE159
表示关键点的地理信息，
Figure 787546DEST_PATH_IMAGE160
表示关键点的反射强度，关键点和其它的点存在一 定的空间距离。
通过设置步骤S301，一方面可以通过特征点快速建立激光点云三维模型，另一方面方便提取特征描述符。
步骤S302、利
Figure 79987DEST_PATH_IMAGE161
用
Figure 405926DEST_PATH_IMAGE162
方法对每一帧的在线点云数据进 行处理，对每个关键点提取其邻域内的
Figure 83901DEST_PATH_IMAGE163
个点，将每个关键点
Figure 469883DEST_PATH_IMAGE164
的邻域数据和无 人机的预测位姿输入
Figure 718461DEST_PATH_IMAGE165
算法，将输入数据划分为
Figure 848091DEST_PATH_IMAGE018
维中的离散空间，
Figure 131305DEST_PATH_IMAGE166
分别表示为
Figure 937456DEST_PATH_IMAGE018
维的大小，得到
Figure 673331DEST_PATH_IMAGE167
个特征描述符，每个特 征描述符的特征向量长度为
Figure 606652DEST_PATH_IMAGE016
。
通过维度划分方便从各个角度考量提取特征描述符，获取特征描述符可以方便在线激光点云数据与离线激光点云数据更快更好的匹配（例如特征明显的物体进行快速的匹配，避免搜索全局进行匹配，提高程序运行速度），提升定位精度。
所述步骤S4具体包括：
步骤S401、将无人机的预测位姿
Figure 9951DEST_PATH_IMAGE168
周围的空间按照
Figure 472157DEST_PATH_IMAGE169
六个维度划分得到解空间：
Figure 960907DEST_PATH_IMAGE170
其中，
Figure 681607DEST_PATH_IMAGE171
表示
Figure 939413DEST_PATH_IMAGE172
坐标变换值的集合，
Figure 572520DEST_PATH_IMAGE173
表示
Figure 548566DEST_PATH_IMAGE174
坐标变换值的集合，
Figure 558110DEST_PATH_IMAGE024
表示
Figure 434537DEST_PATH_IMAGE025
坐 标变换值的集合，
Figure 753392DEST_PATH_IMAGE175
表示
Figure 951155DEST_PATH_IMAGE027
坐标变换值的集合，
Figure 764390DEST_PATH_IMAGE176
表示
Figure 731209DEST_PATH_IMAGE029
坐标变换值的集合，
Figure 971698DEST_PATH_IMAGE177
表示
Figure 906025DEST_PATH_IMAGE031
坐标变换值的集合，
Figure 257371DEST_PATH_IMAGE032
表示
Figure 344276DEST_PATH_IMAGE178
维度大小，
Figure 21245DEST_PATH_IMAGE179
表示
Figure 928021DEST_PATH_IMAGE034
维度大小，
Figure 348638DEST_PATH_IMAGE035
表示
Figure 273738DEST_PATH_IMAGE025
维度大小，
Figure 121608DEST_PATH_IMAGE180
表示
Figure 515680DEST_PATH_IMAGE027
维度大小，
Figure 419218DEST_PATH_IMAGE038
表示
Figure 480715DEST_PATH_IMAGE029
维度大小，
Figure 233907DEST_PATH_IMAGE181
表示
Figure 115276DEST_PATH_IMAGE040
维度大小；
步骤S402、将在线点云数据按照下式变换到离线点云地图中，将变换后的坐标再次进行特征描述符提取：
Figure 877695DEST_PATH_IMAGE182
Figure 777387DEST_PATH_IMAGE183
Figure 967060DEST_PATH_IMAGE184
Figure 70145DEST_PATH_IMAGE185
Figure 370677DEST_PATH_IMAGE186
Figure 141186DEST_PATH_IMAGE046
Figure 751028DEST_PATH_IMAGE047
Figure 606989DEST_PATH_IMAGE187
其中，
Figure 445632DEST_PATH_IMAGE188
为变换后的离线点云中的坐标，
Figure 70648DEST_PATH_IMAGE189
为在线点云中的坐标，
Figure 602124DEST_PATH_IMAGE190
为每次获取数据的角度变化值，
Figure 929069DEST_PATH_IMAGE191
为坐标变化值。
所述步骤S5具体包括：
步骤S501、对于每一帧所有的特征描述符在一个偏移量
Figure 571403DEST_PATH_IMAGE192
的概率为
Figure 316505DEST_PATH_IMAGE193
，其中，
Figure 753302DEST_PATH_IMAGE055
表示偏移处
Figure 583855DEST_PATH_IMAGE194
的第
Figure 764301DEST_PATH_IMAGE057
个特征描述 符的匹配概率；
通过对数似然法减少溢出，可以得到：
Figure 347598DEST_PATH_IMAGE195
其中，
Figure 220876DEST_PATH_IMAGE196
表示在线点云与离线点云地图之间偏移
Figure 538724DEST_PATH_IMAGE194
处的总体匹配成本；
将匹配成本
Figure 522861DEST_PATH_IMAGE196
转换为归一化值概率
Figure 976976DEST_PATH_IMAGE197
，将归一化值概率
Figure 4844DEST_PATH_IMAGE197
边缘化为的 概率向量可以得到概率向量
Figure 809989DEST_PATH_IMAGE198
、
Figure 332237DEST_PATH_IMAGE199
、
Figure 906438DEST_PATH_IMAGE200
、
Figure 855939DEST_PATH_IMAGE201
、
Figure 148380DEST_PATH_IMAGE202
；
步骤S502、将概率向量
Figure 723587DEST_PATH_IMAGE203
、
Figure 886715DEST_PATH_IMAGE204
、
Figure 538276DEST_PATH_IMAGE200
、
Figure 786855DEST_PATH_IMAGE201
、
Figure 916485DEST_PATH_IMAGE202
作为五个独立参数输 入
Figure 448966DEST_PATH_IMAGE205
，输出估计偏移量
Figure 5850DEST_PATH_IMAGE206
；
估计偏移量
Figure 741725DEST_PATH_IMAGE207
的计算方程为：
Figure 675045DEST_PATH_IMAGE208
Figure 812766DEST_PATH_IMAGE209
Figure 540550DEST_PATH_IMAGE077
Figure 12989DEST_PATH_IMAGE210
Figure 484421DEST_PATH_IMAGE211
Figure 476648DEST_PATH_IMAGE212
根据前一帧无人机的位置与估计偏移量得到飞行中每帧无人机的世界坐标
Figure 640913DEST_PATH_IMAGE213
的计算方程；
Figure 616960DEST_PATH_IMAGE214
，
Figure 610192DEST_PATH_IMAGE215
其中，
Figure 988084DEST_PATH_IMAGE216
为获得的帧数。
所述步骤S6中，无人机拍摄获取视频图像矩阵
Figure 792092DEST_PATH_IMAGE217
，间隔
Figure 255434DEST_PATH_IMAGE218
帧，每帧间隔时 间
Figure 803090DEST_PATH_IMAGE219
提取1帧得到测流图像矩阵
Figure 35489DEST_PATH_IMAGE220
，每帧无人机的世界坐标
Figure 525245DEST_PATH_IMAGE221
计算 测流图像矩阵上任意像素点的世界坐标
Figure 210304DEST_PATH_IMAGE222
；
对于第i帧像素坐标
Figure 561651DEST_PATH_IMAGE223
，其对应的世界坐标为
Figure 648555DEST_PATH_IMAGE224
，相机外参
Figure 59945DEST_PATH_IMAGE225
，相机内 参
Figure 481568DEST_PATH_IMAGE094
，焦距
Figure 636606DEST_PATH_IMAGE226
，像素宽度
Figure 578017DEST_PATH_IMAGE227
，像素长度
Figure 425887DEST_PATH_IMAGE228
，像素坐标系的中心点
Figure 819960DEST_PATH_IMAGE098
，无人机高度
Figure 778688DEST_PATH_IMAGE229
， 无人机姿态角
Figure 558294DEST_PATH_IMAGE230
，旋转矩阵
Figure 577066DEST_PATH_IMAGE231
，平移向量
Figure 458434DEST_PATH_IMAGE102
为已知参数；
Figure 220854DEST_PATH_IMAGE232
Figure 136857DEST_PATH_IMAGE233
Figure 44639DEST_PATH_IMAGE234
像素坐标上的一点
Figure 678883DEST_PATH_IMAGE106
转换到图像坐标上为
Figure 713835DEST_PATH_IMAGE107
，
Figure 749924DEST_PATH_IMAGE235
Figure 579340DEST_PATH_IMAGE236
Figure 700880DEST_PATH_IMAGE237
其中，
Figure 788790DEST_PATH_IMAGE238
为相机比例变量。
所述步骤S7具体包括：
步骤S701、对测流图像矩阵的每帧图像进行划分，划分为均匀的矩形窗口，窗口尺 寸
Figure 413807DEST_PATH_IMAGE239
，连续两帧的窗口灰度函数分别为
Figure 945282DEST_PATH_IMAGE240
，
Figure 22960DEST_PATH_IMAGE241
，计算连续两帧内所有示踪粒子位 移量对应的互相关系数
Figure 665294DEST_PATH_IMAGE115
，计算公式：
Figure 659663DEST_PATH_IMAGE242
其中，
Figure 362040DEST_PATH_IMAGE117
为最大互相关系数值，M、P均为窗口尺寸，
Figure 927014DEST_PATH_IMAGE243
、
Figure 107459DEST_PATH_IMAGE119
均为窗口灰度函 数，
Figure 707068DEST_PATH_IMAGE244
为示踪粒子在矩形窗口中的任意坐标，
Figure 580346DEST_PATH_IMAGE121
为对应窗口内粒子 运动产生的位移量；
Figure 881883DEST_PATH_IMAGE122
最大值对应的为前后两帧中的同一粒子，测流图像中连续两帧图像的像素 坐标
Figure 866020DEST_PATH_IMAGE245
和
Figure 320135DEST_PATH_IMAGE246
，根据前后两帧粒子的移动距离：
Figure 98735DEST_PATH_IMAGE247
Figure 903880DEST_PATH_IMAGE248
其中，
Figure 940975DEST_PATH_IMAGE249
均为粒子移动距离；
和帧间时间
Figure 249597DEST_PATH_IMAGE250
计算第
Figure 199098DEST_PATH_IMAGE251
帧位移情况
Figure 225960DEST_PATH_IMAGE252
；
Figure 817478DEST_PATH_IMAGE131
Figure 229874DEST_PATH_IMAGE253
步骤S702、通过测流图像中连续两帧图像的像素坐标
Figure 615856DEST_PATH_IMAGE254
和
Figure 130014DEST_PATH_IMAGE133
和连续两 帧图片的世界坐标
Figure 259644DEST_PATH_IMAGE255
和
Figure 277278DEST_PATH_IMAGE256
算图片空间分辨率；
Figure 99741DEST_PATH_IMAGE257
Figure 84883DEST_PATH_IMAGE258
步骤S703、利用第i帧图片的世界坐标信息
Figure 18204DEST_PATH_IMAGE259
对第
Figure 890345DEST_PATH_IMAGE260
帧位移情况
Figure 883709DEST_PATH_IMAGE261
计算得到世界坐标下的瞬时位移情况
Figure 372459DEST_PATH_IMAGE262
；
计算方式如下：
Figure 827580DEST_PATH_IMAGE263
通过断面的水流速度为：
Figure 819807DEST_PATH_IMAGE264
按照上述方法对一段时间获取的所有图片计算均值，得到时均流速：
Figure 984072DEST_PATH_IMAGE265
Figure 694539DEST_PATH_IMAGE144
、
Figure 704083DEST_PATH_IMAGE266
、
Figure 81975DEST_PATH_IMAGE146
、
Figure 135251DEST_PATH_IMAGE147
为一段时间获取的所有图片的水流速度；
通过断面的流量
Figure 598593DEST_PATH_IMAGE267
为：
Figure 146249DEST_PATH_IMAGE149
其中，
Figure 378647DEST_PATH_IMAGE150
为水道断面面积，由测量的水位信息与获取图像信息得到，单位为
Figure 353557DEST_PATH_IMAGE268
,
Figure 553463DEST_PATH_IMAGE152
为
Figure 904809DEST_PATH_IMAGE269
内单元面积。
综上所述，本发明所述的一种无人机山洪流量测量方法，不受航线偏移，高空风速，飞手等因素对实际结果产生的影响，也不受洪水的影响，通过建立待测河道区域离线激光点云地图，进而通过获取在线点云数据，根据IMU数据和无人机初始位置得到无人机预测位姿，进行特征提取后，通过边缘化匹配概率得到估计偏移量，得到无人机的位移，进行无人机自定位，能够通过深度学习计算无人机的精确位置。
本发明所述的一种无人机山洪流量测量方法，无需标定就可以完成像素坐标和世界坐标的对应转换。
为了实现本发明实施例的方法，本发明实施例还提供一种无人机山洪流量测量装置，如图3所示，该装置包括：离线激光点云地图获取模块1、在线点云数据获取模块2、特征提取模块3、无人机定位模块4、像素定位模块5和流量确定模块6。其中，
离线激光点云地图获取模块1，用于获取待测河道区域离线激光点云地图；
在线点云数据获取模块2，用于获取每一帧的在线点云数据，且获取IMU的数据与无人机初始位置，并生成无人机的预测位姿；
特征提取模块3，用于遍历每一帧所有的在线点云数据，选取关键点，根据关键点和预测位姿得到在线点云中的特征描述符，且划分无人机的预测位姿周围的空间得到解空间，进行坐标变换得到离线点云中的特征描述符；
无人机定位模块4，用于通过边缘化匹配概率得到估计偏移量，得到无人机的位移，进行无人机自定位；
像素定位模块5，用于根据无人机的世界坐标得到像素的世界坐标；
流量确定模块6，用于根据像素的世界坐标得到粒子的位移情况，得到流速，根据断面信息得到流量。
其中，所述离线激光点云地图是无人机搭载三维激光扫描仪，保持高度不变沿待测河道区域从上游到下游往复飞行，在飞行过程中采集获得待测河道区域离线点云数据，多次采集同一待测河道区域的离线点云数据，使用体素网格化滤波对点云数据进行降采样，进行语义分割，剔除动态物，对多次采集同一区域的离线点云数据进行融合后获得。
通过摄像机采集待测河道区域表面水流的视频；通过三维激光扫描仪获取每一帧 的在线点云数据，通过惯性传感器获取IMU的数据与无人机初始位置
Figure 991714DEST_PATH_IMAGE154
，通过 IMU的数据计算连续激光雷达帧之间的增量运动情况，生成无人机的预测位姿
Figure 668683DEST_PATH_IMAGE270
。
本发明还提供一种无人机山洪流量测量设备，包括无人机、处理器和用于存储能够在处理器上运行的计算机程序的存储器，无人机携带三维激光扫描仪、摄像机、惯性传感器和示踪粒子，处理器用于运行计算机程序时，执行上述方法的步骤。
实际应用时，离线激光点云地图获取模块1、在线点云数据获取模块2、特征提取模块3、无人机定位模块4、像素定位模块5和流量确定模块6，可以由无人机山洪流量测量设备中的处理器、无人机以及无人机上携带三维激光扫描仪、摄像机、惯性传感器和示踪粒子来实现。当然，处理器需要运行存储器中的计算机程序来实现它的功能。
需要说明的是：上述实施例提供的无人机山洪流量测量设备在进行无人机山洪流量测量时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的无人机山洪流量测量装置与无人机山洪流量测量方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本发明实施例提供的无人机山洪流量测量设备包括：至少一个处理器、存储器、用户接口，至少一个网络接口。处理器、存储器、用户接口，至少一个网络接口通过总线***耦合在一起。可以理解，总线***用于实现这些组件之间的连接通信。总线***除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。
其中，用户接口可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。
本发明实施例中的存储器用于存储各种类型的数据以支持无人机山洪流量测量设备的操作。这些数据的示例包括：用于在无人机山洪流量测量设备上操作的任何计算机程序。
本发明实施例揭示的无人机山洪流量测量方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，无人机山洪流量测量方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DSP，DigitalSignalProcessor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成本发明实施例提供的无人机山洪流量测量方法的步骤。
在示例性实施例中，无人机山洪流量测量设备可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex ProgrammableLogicDevice)、FPGA、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或者其他电子元件实现，用于执行前述方法。
在一应用示例中，无人机山洪流量测量设备包括无人机和笔记本电脑，无人机携带三维激光扫描仪、摄像机、惯性传感器和示踪粒子，笔记本电脑用于运行计算机程序时，实现前述任一实施例所述的无人机山洪流量测量方法。
可以理解，存储器可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，RandomAccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random AccessMemory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random AccessMemory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
在示例性实施例中，本发明实施例还提供了一种存储介质，即计算机存储介质，具体可以是计算机可读存储介质，例如包括存储计算机程序的存储器，上述计算机程序可由无人机山洪流量测量设备的处理器执行，以完成本发明实施例方法所述的步骤。计算机可读存储介质可以是ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。
另外，本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

Claims (9)

1.一种无人机山洪流量测量方法，其特征在于，包括以下步骤：
步骤S1、获取待测河道区域离线激光点云地图；
步骤S2、获取在线点云数据，根据IMU数据和无人机初始位置得到无人机预测位姿；
步骤S3、遍历每一帧所有的在线点云数据，选取关键点，根据关键点和预测位姿得到在线点云中的特征描述符；
步骤S4、划分无人机的预测位姿周围的空间得到解空间，进行坐标变换得到离线点云中的特征描述符；
步骤S5、通过边缘化匹配概率得到估计偏移量，得到无人机的位移，进行无人机自定位步骤；
步骤S501、对于每一帧所有的特征描述符在一个偏移量
Figure 692320DEST_PATH_IMAGE001
的 概率为
Figure 573688DEST_PATH_IMAGE002
，其中，
Figure 70528DEST_PATH_IMAGE003
表示
Figure 720952DEST_PATH_IMAGE004
坐标变换值的集合，
Figure 645046DEST_PATH_IMAGE005
表示
Figure 528557DEST_PATH_IMAGE006
坐标变换值的集合，
Figure 829089DEST_PATH_IMAGE007
表示
Figure 334019DEST_PATH_IMAGE008
坐标变换值的集合，
Figure 694594DEST_PATH_IMAGE009
表示
Figure 550554DEST_PATH_IMAGE010
坐标变换值的集合，
Figure 372885DEST_PATH_IMAGE011
表示
Figure 263481DEST_PATH_IMAGE012
坐标变换值的集合，
Figure 794957DEST_PATH_IMAGE013
为五个维度，
Figure 872634DEST_PATH_IMAGE014
表示偏移处
Figure 514968DEST_PATH_IMAGE015
的第
Figure 260070DEST_PATH_IMAGE016
个特征描述符的匹配概率；
通过对数似然法减少溢出，可以得到：
Figure 946135DEST_PATH_IMAGE017
其中，
Figure 776688DEST_PATH_IMAGE018
表示在线点云与离线点云地图之间偏移
Figure 691554DEST_PATH_IMAGE019
处的总体匹配成本；
将匹配成本
Figure 556742DEST_PATH_IMAGE018
转换为归一化值概率
Figure 164441DEST_PATH_IMAGE020
，将归一化值概率
Figure 731557DEST_PATH_IMAGE020
边缘化为能够得到概率向量
Figure 450115DEST_PATH_IMAGE021
、
Figure 169809DEST_PATH_IMAGE022
、
Figure 948409DEST_PATH_IMAGE023
、
Figure 753554DEST_PATH_IMAGE024
、
Figure 525070DEST_PATH_IMAGE025
；
步骤S502、将概率向量
Figure 99271DEST_PATH_IMAGE026
、
Figure 314351DEST_PATH_IMAGE027
、
Figure 75634DEST_PATH_IMAGE028
、
Figure 401573DEST_PATH_IMAGE029
、
Figure 830280DEST_PATH_IMAGE025
作为五个独立参数输入
Figure 199951DEST_PATH_IMAGE030
，输出估计偏移量
Figure 979688DEST_PATH_IMAGE031
；
估计偏移量
Figure 843739DEST_PATH_IMAGE032
的计算方程为：
Figure 126953DEST_PATH_IMAGE033
Figure 949415DEST_PATH_IMAGE034
Figure 934557DEST_PATH_IMAGE035
Figure 336720DEST_PATH_IMAGE036
Figure 740020DEST_PATH_IMAGE037
Figure 467804DEST_PATH_IMAGE038
其中，
Figure 690975DEST_PATH_IMAGE039
表示
Figure 427987DEST_PATH_IMAGE040
维度大小，
Figure 669481DEST_PATH_IMAGE041
表示
Figure 568167DEST_PATH_IMAGE042
维度大小，
Figure 278634DEST_PATH_IMAGE043
表示
Figure 553758DEST_PATH_IMAGE044
维度大小，
Figure 400491DEST_PATH_IMAGE045
表示
Figure 984925DEST_PATH_IMAGE046
维度大小，
Figure 917109DEST_PATH_IMAGE047
表示
Figure 730344DEST_PATH_IMAGE048
维度大小；
根据前一帧无人机的位置与估计偏移量得到飞行中每帧无人机的世界坐标
Figure 962742DEST_PATH_IMAGE049
的计算方程；
Figure 937652DEST_PATH_IMAGE050
，
Figure 137558DEST_PATH_IMAGE051
其中，
Figure 488904DEST_PATH_IMAGE052
为获得的帧数；
步骤S6、根据无人机的世界坐标得到像素的世界坐标；
步骤S7、根据像素的世界坐标得到粒子的位移情况，得到流速，根据断面信息得到流量。
2.根据权利要求1所述的无人机山洪流量测量方法，其特征在于：所述步骤S1中，采用无人机搭载三维激光扫描仪，保持高度不变沿待测河道区域从上游到下游往复飞行，在飞行过程中采集获得待测河道区域离线点云数据，多次采集同一待测河道区域的离线点云数据，使用体素网格化滤波对点云数据进行降采样，进行语义分割，剔除动态物，对多次采集同一区域的离线点云数据进行融合，得到离线激光点云地图。
3.根据权利要求1所述的无人机山洪流量测量方法，其特征在于，所述步骤S2具体包括：
步骤S201、采用无人机携带三维激光扫描仪、摄像机、惯性传感器和示踪粒子，沿预设 航线从上游河道中轴向下游飞行，在待测河道区域均匀抛洒示踪粒子，待测河道区域包括 完整的断面信息和至少五米的岸边信息，通过摄像机采集待测河道区域表面水流的视频； 通过三维激光扫描仪获取每一帧的在线点云数据，通过惯性传感器获取IMU的数据与无人 机初始位置
Figure 575809DEST_PATH_IMAGE053
；
步骤S202、通过IMU的数据计算连续激光雷达帧之间的增量运动情况，生成无人机的预 测位姿
Figure 721620DEST_PATH_IMAGE054
，其中，
Figure 893975DEST_PATH_IMAGE055
表示无人机的空间位置，
Figure 298280DEST_PATH_IMAGE056
表示无人机的空间姿态。
4.根据权利要求3所述的无人机山洪流量测量方法，其特征在于，所述步骤S3具体包括：
步骤301、遍历每一帧所有的在线点云数据，估算每个点云邻域内的点的线性度和反射 值，挑选出具有线性度高和反射值低的点作为候选点，对候选点进行由高到低的排序，选取 线性度高和反射值低的候选点作为关键点，用
Figure 770850DEST_PATH_IMAGE057
来表示关键点，其中
Figure 602409DEST_PATH_IMAGE058
表示关键点的地理信息，
Figure 262060DEST_PATH_IMAGE059
表示关键点的反射强度，关键点和其它的点存在一 定的空间距离；
步骤S302、利用
Figure 955210DEST_PATH_IMAGE060
方法对每一帧的在线点云数据进行处理，对每个关键点提取其 邻域内的
Figure 16707DEST_PATH_IMAGE061
个点，将每个关键点
Figure 769899DEST_PATH_IMAGE062
的邻域数据和无人机的预测位姿
Figure 900535DEST_PATH_IMAGE063
输入
Figure 397375DEST_PATH_IMAGE064
算法，将输入数据划分为
Figure 313379DEST_PATH_IMAGE065
维中的离散空 间，
Figure 237472DEST_PATH_IMAGE066
分别表示为
Figure 871716DEST_PATH_IMAGE065
维的大小，得到
Figure 179373DEST_PATH_IMAGE067
个特征描述符，每个 特征描述符的特征向量长度为
Figure 949883DEST_PATH_IMAGE068
。
5.根据权利要求3所述的无人机山洪流量测量方法，其特征在于，所述步骤S4具体包括：
步骤401、将无人机的预测位姿
Figure 44878DEST_PATH_IMAGE069
周围的空间按照
Figure 900839DEST_PATH_IMAGE065
六个 维度划分得到解空间：
Figure 739482DEST_PATH_IMAGE070
其中，
Figure 613766DEST_PATH_IMAGE071
表示
Figure 145241DEST_PATH_IMAGE040
坐标变换值的集合，
Figure 222919DEST_PATH_IMAGE072
表示
Figure 865252DEST_PATH_IMAGE042
坐标变换值的集合，
Figure 344775DEST_PATH_IMAGE073
表示
Figure 47152DEST_PATH_IMAGE074
坐标变换 值的集合，
Figure 861393DEST_PATH_IMAGE075
表示
Figure 307418DEST_PATH_IMAGE044
坐标变换值的集合，
Figure 907027DEST_PATH_IMAGE076
表示
Figure 780305DEST_PATH_IMAGE046
坐标变换值的集合，
Figure 566995DEST_PATH_IMAGE077
表示
Figure 65979DEST_PATH_IMAGE048
坐标变 换值的集合，
Figure 520094DEST_PATH_IMAGE078
表示
Figure 564273DEST_PATH_IMAGE040
维度大小，
Figure 103839DEST_PATH_IMAGE079
表示
Figure 626087DEST_PATH_IMAGE042
维度大小，
Figure 200288DEST_PATH_IMAGE080
表示
Figure 399057DEST_PATH_IMAGE074
维度大小，
Figure 425919DEST_PATH_IMAGE081
表示
Figure 751858DEST_PATH_IMAGE044
维度大 小，
Figure 446144DEST_PATH_IMAGE045
表示
Figure 566547DEST_PATH_IMAGE046
维度大小，
Figure 329973DEST_PATH_IMAGE082
表示
Figure 194023DEST_PATH_IMAGE083
维度大小；
步骤S402、将在线点云数据按照下式变换到离线点云地图中，将变换后的坐标再次进行特征描述符提取：
Figure 742816DEST_PATH_IMAGE084
Figure 34120DEST_PATH_IMAGE085
Figure 35574DEST_PATH_IMAGE086
Figure 952584DEST_PATH_IMAGE087
Figure 355883DEST_PATH_IMAGE088
Figure 818089DEST_PATH_IMAGE089
Figure 306839DEST_PATH_IMAGE090
Figure 778271DEST_PATH_IMAGE091
其中，
Figure 19766DEST_PATH_IMAGE092
为变换后的离线点云中的坐标，
Figure 918452DEST_PATH_IMAGE093
为在线点云中的坐标，
Figure 894498DEST_PATH_IMAGE094
为每次获取数据的角度变化值，
Figure 904042DEST_PATH_IMAGE095
为坐标变化值。
6.根据权利要求1所述的无人机山洪流量测量方法，其特征在于，所述步骤S6中，无人 机拍摄获取视频图像矩阵
Figure 16355DEST_PATH_IMAGE096
，间隔
Figure 85942DEST_PATH_IMAGE097
帧，每帧间隔时间
Figure 532973DEST_PATH_IMAGE098
提取1帧得到测流图 像矩阵
Figure 346208DEST_PATH_IMAGE099
，每帧无人机的世界坐标
Figure 313027DEST_PATH_IMAGE100
计算测流图像矩阵上任意像素 点的世界坐标
Figure 553515DEST_PATH_IMAGE101
；
对于第i帧像素坐标
Figure 238575DEST_PATH_IMAGE102
，其对应的世界坐标为
Figure 839189DEST_PATH_IMAGE103
，相机外参
Figure 926094DEST_PATH_IMAGE104
，相机内参
Figure 337484DEST_PATH_IMAGE105
，焦距
Figure 509839DEST_PATH_IMAGE106
，像素宽度
Figure 664877DEST_PATH_IMAGE107
，像素长度
Figure 606288DEST_PATH_IMAGE108
，像素坐标系的中心点
Figure 437847DEST_PATH_IMAGE109
，无人机高度
Figure 97498DEST_PATH_IMAGE110
， 无人机姿态角
Figure 790648DEST_PATH_IMAGE111
，旋转矩阵
Figure 852144DEST_PATH_IMAGE112
，平移向量
Figure 339758DEST_PATH_IMAGE113
为已知参数；
Figure 735973DEST_PATH_IMAGE114
Figure 232813DEST_PATH_IMAGE115
Figure 148817DEST_PATH_IMAGE116
像素坐标上的一点
Figure 72910DEST_PATH_IMAGE117
转换到图像坐标上为
Figure 441575DEST_PATH_IMAGE118
，
Figure 725794DEST_PATH_IMAGE119
Figure 761883DEST_PATH_IMAGE120
Figure 856878DEST_PATH_IMAGE121
其中，
Figure 712839DEST_PATH_IMAGE122
为相机比例变量。
7.根据权利要求6所述的无人机山洪流量测量方法，其特征在于，所述步骤S7具体包括：
步骤S701、对测流图像矩阵的每帧图像进行划分，划分为均匀的矩形窗口，窗口尺寸
Figure 551482DEST_PATH_IMAGE123
，连续两帧的窗口灰度函数分别为
Figure 442078DEST_PATH_IMAGE124
，
Figure 957241DEST_PATH_IMAGE125
，计算连续两帧内所有示踪粒子位 移量对应的互相关系数
Figure 300498DEST_PATH_IMAGE126
，计算公式：
Figure 677253DEST_PATH_IMAGE127
其中，
Figure 422355DEST_PATH_IMAGE128
为最大互相关系数值，M、P均为窗口尺寸，
Figure 859152DEST_PATH_IMAGE129
、
Figure 938973DEST_PATH_IMAGE130
均为窗口灰度函 数，
Figure 384998DEST_PATH_IMAGE131
为示踪粒子在矩形窗口中的任意坐标，
Figure 719027DEST_PATH_IMAGE132
为对应窗口 内粒子运动产生的位移量；
Figure 592305DEST_PATH_IMAGE133
最大值对应的为前后两帧中的同一粒子，测流图像中连续两帧图像的像素坐标
Figure 644575DEST_PATH_IMAGE134
和
Figure 877979DEST_PATH_IMAGE135
，根据前后两帧粒子的移动距离：
Figure 332094DEST_PATH_IMAGE136
Figure 110694DEST_PATH_IMAGE137
其中，
Figure 915839DEST_PATH_IMAGE138
均为粒子移动距离；
和帧间时间
Figure 703666DEST_PATH_IMAGE139
计算第
Figure 12288DEST_PATH_IMAGE140
帧位移情况
Figure 211057DEST_PATH_IMAGE141
；
Figure 503498DEST_PATH_IMAGE142
Figure 563858DEST_PATH_IMAGE143
步骤S702、通过测流图像中连续两帧图像的像素坐标
Figure 992565DEST_PATH_IMAGE117
和
Figure 644127DEST_PATH_IMAGE144
和连续两帧图 片的世界坐标
Figure 141973DEST_PATH_IMAGE145
和
Figure 271603DEST_PATH_IMAGE146
算图片空间分辨率；
Figure 554817DEST_PATH_IMAGE147
Figure 111700DEST_PATH_IMAGE148
步骤S703、利用第i帧图片的世界坐标信息
Figure 847575DEST_PATH_IMAGE149
对第i帧位移情况
Figure 780896DEST_PATH_IMAGE150
计算得到世界坐标下的瞬时位移情况
Figure 167884DEST_PATH_IMAGE151
；
计算方式如下：
Figure 895668DEST_PATH_IMAGE152
通过断面的水流速度为：
Figure 118839DEST_PATH_IMAGE153
按照上述方法对一段时间获取的所有图片计算均值，得到时均流速：
Figure 590272DEST_PATH_IMAGE154
Figure 582498DEST_PATH_IMAGE155
、
Figure 996031DEST_PATH_IMAGE156
、
Figure 706498DEST_PATH_IMAGE157
、
Figure 716043DEST_PATH_IMAGE158
为一段时间获取的所有图片的水流速度；
通过断面的流量
Figure 828355DEST_PATH_IMAGE159
为：
Figure 897942DEST_PATH_IMAGE160
其中，
Figure 344973DEST_PATH_IMAGE161
为水道断面面积，由测量的水位信息与获取图像信息得到，单位为
Figure 95891DEST_PATH_IMAGE162
,
Figure 328289DEST_PATH_IMAGE163
为
Figure 818045DEST_PATH_IMAGE164
内单元面积。
8.一种无人机山洪流量测量装置，应用于如权利要求1至7任一项所述的无人机山洪流量测量方法，其特征在于：包括离线激光点云地图获取模块（1）、在线点云数据获取模块（2）、特征提取模块（3）、无人机定位模块（4）、像素定位模块（5）和流量确定模块（6）；
离线激光点云地图获取模块（1），用于获取待测河道区域离线激光点云地图；
在线点云数据获取模块（2），用于获取每一帧的在线点云数据，且获取IMU的数据与无人机初始位置，并生成无人机的预测位姿；
特征提取模块（3），用于遍历每一帧所有的在线点云数据，选取关键点，根据关键点和预测位姿得到在线点云中的特征描述符，且划分无人机的预测位姿周围的空间得到解空间，进行坐标变换得到离线点云中的特征描述符；
无人机定位模块（4），用于通过边缘化匹配概率得到估计偏移量，得到无人机的位移，进行无人机自定位；
像素定位模块（5），用于根据无人机的世界坐标得到像素的世界坐标；
流量确定模块（6），用于根据像素的世界坐标得到粒子的位移情况，得到流速，根据断面信息得到流量。
9.一种无人机山洪流量测量设备，其特征在于：包括无人机、处理器和用于存储能够在处理器上运行的计算机程序的存储器，无人机携带三维激光扫描仪、摄像机、惯性传感器和示踪粒子，处理器用于运行计算机程序时，执行权利要求1-7任一项所述的一种无人机山洪流量测量方法的步骤。
CN202210782991.8A 2022-07-05 2022-07-05 一种无人机山洪流量测量方法、装置及设备 Active CN114858226B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210782991.8A CN114858226B (zh) 2022-07-05 2022-07-05 一种无人机山洪流量测量方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210782991.8A CN114858226B (zh) 2022-07-05 2022-07-05 一种无人机山洪流量测量方法、装置及设备

Publications (2)

Publication Number Publication Date
CN114858226A CN114858226A (zh) 2022-08-05
CN114858226B true CN114858226B (zh) 2022-10-25

Family

ID=82625637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210782991.8A Active CN114858226B (zh) 2022-07-05 2022-07-05 一种无人机山洪流量测量方法、装置及设备

Country Status (1)

Country Link
CN (1) CN114858226B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116663223B (zh) * 2023-02-09 2024-05-03 北方工业大学 一种基于断波原理的溃坝洪水演进预测方法
CN116858229A (zh) * 2023-07-12 2023-10-10 广东喜讯智能科技有限公司 一种桥梁缺陷定位方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2025971A1 (en) * 1989-12-30 1991-07-01 Bir Bhanu Inertial navigation sensor integrated obstacle detection system
CN109945856A (zh) * 2019-02-18 2019-06-28 天津大学 基于惯性/雷达的无人机自主定位与建图方法
CN112067839A (zh) * 2020-09-18 2020-12-11 重庆交通大学 无控制点条件下的无人机超宽河流表面流场快速测量方法
CN112347840A (zh) * 2020-08-25 2021-02-09 天津大学 视觉传感器激光雷达融合无人机定位与建图装置和方法
CN113129377A (zh) * 2021-04-23 2021-07-16 南京航空航天大学 一种三维激光雷达快速鲁棒slam方法和装置
CN113359782A (zh) * 2021-05-28 2021-09-07 福建工程学院 一种融合lidar点云与图像数据的无人机自主选址降落方法
CN113419235A (zh) * 2021-05-28 2021-09-21 同济大学 一种基于毫米波雷达的无人机定位方法
CN113901920A (zh) * 2021-10-11 2022-01-07 华南理工大学 结构模态参数识别方法、装置、计算机设备及存储介质
CN114066981A (zh) * 2021-11-11 2022-02-18 国网辽宁省电力有限公司沈阳供电公司 一种无人机对地目标定位方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060224318A1 (en) * 2005-03-30 2006-10-05 Wilson Robert C Jr Trajectory prediction
WO2019119328A1 (zh) * 2017-12-20 2019-06-27 深圳市大疆创新科技有限公司 一种基于视觉的定位方法及飞行器
CN113945206B (zh) * 2020-07-16 2024-04-19 北京图森未来科技有限公司 一种基于多传感器融合的定位方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2025971A1 (en) * 1989-12-30 1991-07-01 Bir Bhanu Inertial navigation sensor integrated obstacle detection system
CN109945856A (zh) * 2019-02-18 2019-06-28 天津大学 基于惯性/雷达的无人机自主定位与建图方法
CN112347840A (zh) * 2020-08-25 2021-02-09 天津大学 视觉传感器激光雷达融合无人机定位与建图装置和方法
CN112067839A (zh) * 2020-09-18 2020-12-11 重庆交通大学 无控制点条件下的无人机超宽河流表面流场快速测量方法
CN113129377A (zh) * 2021-04-23 2021-07-16 南京航空航天大学 一种三维激光雷达快速鲁棒slam方法和装置
CN113359782A (zh) * 2021-05-28 2021-09-07 福建工程学院 一种融合lidar点云与图像数据的无人机自主选址降落方法
CN113419235A (zh) * 2021-05-28 2021-09-21 同济大学 一种基于毫米波雷达的无人机定位方法
CN113901920A (zh) * 2021-10-11 2022-01-07 华南理工大学 结构模态参数识别方法、装置、计算机设备及存储介质
CN114066981A (zh) * 2021-11-11 2022-02-18 国网辽宁省电力有限公司沈阳供电公司 一种无人机对地目标定位方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
An integrated UAV navigation system based on geo-registered 3D point cloud;Shuai Zhang 等;《2017 IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems (MFI)》;20171118;第650-655页 *
一种利用MAP估计的双目运动体视算法;杨敬安;《电子学报》;19970125;第第25卷卷(第01期);第50-53页 *
基于单目视觉和惯性测量的飞行器自定位研究;王巍 等;《吉林大学学报(信息科学版)》;20161115;第第34卷卷(第06期);第774-780页 *
基于多传感器融合的无人机定位方法研究;陈财富;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20210815(第08期);第C031-3页 *
基于多感知信息融合的无人机定位技术研究;彭晶;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20210315(第03期);第C031-48页 *
基于无人机自标定的表面流场测量方法;陈诚 等;《水利水电科技进展》;20200731;第40卷(第4期);第39-42、50页 *

Also Published As

Publication number Publication date
CN114858226A (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
JP6831414B2 (ja) 測位のための方法、測位のための装置、デバイス及びコンピュータ読み取り可能な記憶媒体
CN114858226B (zh) 一种无人机山洪流量测量方法、装置及设备
CN109059906B (zh) 车辆定位方法、装置、电子设备、存储介质
JP6862409B2 (ja) 地図生成及び移動主体の位置決めの方法及び装置
CN102262092B (zh) 能见度测量***及方法
US20190161186A1 (en) Unmanned aerial vehicle, control system for unmanned aerial vehicle and control method thereof
CN113933818A (zh) 激光雷达外参的标定的方法、设备、存储介质及程序产品
KR20210089602A (ko) 차량의 제어 방법, 장치 및 차량
WO2021212477A1 (zh) 校正点云数据的方法和相关装置
CN107607091A (zh) 一种测量无人机飞行航迹的方法
CN112489032A (zh) 一种复杂背景下无人机载小目标检测定位方法及***
CN114323033A (zh) 基于车道线和特征点的定位方法、设备及自动驾驶车辆
CN111623773A (zh) 一种基于鱼眼视觉和惯性测量的目标定位方法及装置
CN111121755B (zh) 一种多传感器的融合定位方法、装置、设备及存储介质
CN111652276B (zh) 一种全天候便携式多功能仿生定位定姿观瞄***及方法
CN105807083A (zh) 一种无人飞行器实时测速方法及***
Liu et al. Fusing dense features and pose consistency: A regression method for attitude measurement of aircraft landing
CN117218855A (zh) 一种评价侧撞事故风险的方法及***
CN106441282B (zh) 一种星敏感器星跟踪方法
CN114910875A (zh) 一种雷达和相机的联合标定方法、装置及介质
CN114943809A (zh) 一种地图模型的生成方法、装置及存储介质
Bhaganagar et al. A novel machine-learning framework with a moving platform for maritime drift calculations
CN114120252A (zh) 自动驾驶车辆状态的识别方法、装置、电子设备及车辆
Hwang et al. Wave height measurement scheme using wave detector based on convolutional neural network and PPM calculator with ocean wave images
Xiaochen et al. Evaluation of Lucas-Kanade based optical flow algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant