(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 202210796600.8 (22)申请日 2022.07.06 (71)申请人 广东电网有限责任公司 地址 510000 广东省广州市越秀区东 风东 路757号 申请人 广东电网有限责任公司东莞供电局 (72)发明人 魏志文　黄滔　王永源　凌怡珍　 曾伟　吴轲　潘维　陈振良　 刘国兵　钟启濠　卢俏玲　芦大伟　 陈鹏　卢润华　黄贺平　 (74)专利代理 机构 北京品源专利代理有限公司 11332 专利代理师 岳晓萍 (51)Int.Cl. G06T 7/70(2017.01)G06V 10/74(2022.01) G06V 10/82(2022.01) G06V 20/17(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种无人机地理位置识别方法、 装置、 设备 及存储介质 (57)摘要 本发明实施例公开了一种无人机地理位置 识别方法、 装置、 设备及存储介质。 其中， 该方法 包括： 获取无人机采集得到的实时采集图像序 列； 分别计算所述实时采集图像序列与各历史采 集图像序列之间的距离矩阵； 采用动态时间扭曲 算法， 计算各距离矩阵的最优匹配 路径的路径长 度， 并获取与最小路径长度的目标最优匹配路径 对应的目标历史采集图像序列； 使用所述目标历 史采集图像序列的地理位置标注结果， 对所述无 人机进行实时地理位置识别。 本发明实施例， 解 决了无人机在困难环境下无法准确对环境进行 识别的问题， 实现了准确地确定无人机的地理位 置， 有效地避免由于无法准确识别地理位置而导 致的判断的失误。 权利要求书2页 说明书10页 附图3页 CN 115170649 A 2022.10.11 CN 115170649 A 1.一种无 人机地理位置识别方法， 其特 征在于， 包括： 获取无人机采集得到的实时采集图像序列； 分别计算所述实时采集图像序列 与各历史采集图像序列之间的距离矩阵； 其中， 距离矩阵中的矩阵元素为实时采集图像序列中的一张实时采集图像与历史采集 图像序列中的一张历史采集图像之间的图像距离； 采用动态时间扭曲算法， 计算各距离矩阵的最优匹配路径的路径长度， 并获取与最小 路径长度的目标最优匹配路径对应的目标历史采集图像序列； 使用所述目标历史采集图像序列的地理位置标注结果， 对所述无人机进行实时地理位 置识别。 2.根据权利要求1所述的方法， 其特征在于， 所述分别计算所述实时采集图像序列与 各 历史采集图像序列之间的距离矩阵， 包括： 获取当前历史采集图像序列， 并分别计算实时采集图像序列中的各实时采集图像与当 前历史采集图像序列中各当前历史采集图像之间的当前图像距离； 获取所述实时采集图像序列中的第一图像数量l， 以及当前历史采集图像序列中的第 二图像数量m； 构建m行l列的原始矩阵， 并将计算得到的各当前图像距离填充至所述原始矩阵中， 得 到实时采集图像序列 与当前历史采集图像序列之间的距离矩阵； 其中， 距离矩阵D中的矩阵元素Dij代表当前历史采集图像序列中的第i张当前历史采集 图像， 与实时采集图像序列中第j张实时采集图像之间的当前图像距离 。 3.根据权利要求2所述的方法， 其特征在于， 分别计算实时采集图像序列中的各实时采 集图像与当前历史采集图像序列中各当前历史采集图像之间的当前图像距离， 包括： 获取实时采集图像序列中的目标实时采集图像， 以及 当前历史采集图像序列中的目标 当前历史采集图像； 获取与所述目标实时采集图像以及所述目标当前历史采集图像分别对应的目标实时 采集图像特 征向量和目标当前历史采集图像特 征向量； 计算目标实时采集图像特 征向量和目标当前历史采集图像特 征向量之间的余弦距离； 根据S型函数对所述余弦距离进行拉伸， 得到拉伸矢量距离作为目标实时采集图像与 目标当前历史采集图像之间的当前图像距离 。 4.根据权利要求3所述的方法， 其特征在于， 获取与所述目标实时采集图像对应的目标 实时采集图像特 征向量， 包括： 将所述目标实时采集图像输入至预先训练 的深度卷积网络 中， 获取所述目标实时采集 图像特征向量。 5.根据权利要求3所述的方法， 其特征在于， 根据S型函数对所述余弦距离进行拉伸， 得 到拉伸矢量距离， 包括： 根据公式f(dxy)＝sigmoid( α(dxy‑β ))， 计算得到拉伸矢量距离f(dxy)； 其中， α和β 是可 调参数， sigmo id()为S型函数处 理运算， dxy为余弦距离 。 6.根据权利要求1 ‑5任一项所述的方法， 其特征在于， 采用动态时间扭曲算法， 计算各 距离矩阵的最优匹配路径的路径长度， 包括： 获取当前距离矩阵D， 并计算与所述当前距离矩阵D匹配的累计距离矩阵S；权　利　要　求　书 1/2 页 2 CN 115170649 A 2其中， 累计距离矩阵S与当前距离矩阵D的矩阵形状相同， 累计距离矩阵S中的矩阵元素 Sij表示从当前距离矩阵D中的矩阵元 素D11， 到矩阵元 素Dij的弯曲矩阵的累计距离； 根据所述累计距离矩阵S以及预设的约束条件： 计算得到与当前距离矩阵D对应的最 优匹配路径W； 其中， wn＝(i,j)代 表的是当前距离矩阵D中第i行第j列的矩阵元 素Dij。 7.根据权利要求6所述的方法， 其特征在于， 计算与所述当前距离矩阵D匹配的累计距 离矩阵S， 包括： 根据当前距离矩阵D和累 计距离公式 计算 得到累计距离矩阵S。 8.一种无 人机地理位置识别装置， 其特 征在于， 包括： 实时采样图像序列获取模块， 用于获取 无人机采集得到的实时采集图像序列； 距离矩阵计算模块， 用于分别计算所述实时采集图像序列与 各历史采集图像序列之间 的距离矩阵； 其中， 距离矩阵中的矩阵元素为实时采集图像序列中的一张实时采集图像与历史采集 图像序列中的一张历史采集图像之间的图像距离； 历史采集图像序列获取模块， 用于采用动态时间扭曲算法， 计算各距离矩阵的最优匹 配路径的路径长度， 并获取与最小路径长度的目标最优匹配路径对应的目标历史采集图像 序列； 地理位置识别模块， 用于使用所述目标历史采集图像序列的地理位置标注结果， 对所 述无人机进行实时地理位置识别。 9.一种计算机设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要求 1‑7中任一项 所 述的无人机地理位置识别方法。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该计算机程序被 处理器执行时实现如权利要求1 ‑7中任一所述的无 人机地理位置识别方法。权　利　要　求　书 2/2 页 3 CN 115170649 A 3