基于图像匹配的机载惯导位置和航向修正方法

doi:10.7527/S1000-6893.2025.32116

航天遥感图像智能处理与分析专刊

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于图像匹配的机载惯导位置和航向修正方法

董晶¹, 胡权富¹, 刘海桥², 韩松来¹(), 尧雅婷¹, 陈志康¹

^1.中南大学航空航天技术研究院，长沙 410083
^2.湖南工程学院电气与信息工程学院，湘潭 411104

收稿日期:2025-05-28 修回日期:2025-06-27 接受日期:2025-09-03 出版日期:2025-09-12 发布日期:2025-09-10
通讯作者: 韩松来 E-mail:songlai.han@csu.edu.cn
基金资助:
国家重点研发计划(2023YFC2907000);国家自然科学基金(62203163);湖南省自然科学基金(2025JJ60407)

Image matching based airborne inertial navigation system position and heading correction method

Jing DONG¹, Quanfu HU¹, Haiqiao LIU², Songlai HAN¹(), Yating YAO¹, Zhikang CHEN¹

^1.Research Institute of Aerospace Technology，Central South University，Changsha 410083，China
^2.College of Electrical and Information Engineering，Hunan Institute of Engineering，Xiangtan 411104，China

Received:2025-05-28 Revised:2025-06-27 Accepted:2025-09-03 Online:2025-09-12 Published:2025-09-10
Contact: Songlai HAN E-mail:songlai.han@csu.edu.cn
Supported by:
National Key Research and Development Program of China(2023YFC2907000);National Natural Science Foundation of China(62203163);Hunan Provincial Natural Science Foundation(2025JJ60407)

摘要/Abstract

摘要：

针对无人机在无GPS环境和夜间环境下难以导航的问题，提出了一种基于异源图像匹配与惯导融合的机载自主定位与导航方法。该方法能实现红外或可见光航拍图像与卫星可见光基准图像的配准，并基于配准结果实现自主定位和航向修正。所提出的异源图像匹配方法由基于结构特征的快速图像匹配和基于端到端学习网络的精确配准组成，前者可以提供20 Hz左右的位置修正，后者可以提供高精度的位置和航向修正。通过位姿融合滤波方法，将图像匹配获得位置和方向信息与惯导融合，可以有效抑制惯性导航误差的发散，最终提高导航精度。挂飞测试结果表明所提方法比较现有方法能有效提高定位精度和可靠性，并能在机载嵌入式计算平台上达成实时处理。

关键词: 异源图像匹配, 惯性导航, 端到端学习, 融合滤波, 自主定位

Abstract:

To address the challenge of UAV navigation in GPS-free and nighttime environments， this paper proposes an airborne autonomous localization and navigation method based on heterogenous image matching and inertial navigationfusion. The proposed method enables the alignment of infrared or visible aerial images with geo-referenced satellite images， and subsequently realizes autonomous localization estimation and heading correction based on the alignment results. The heterogenous image matching method in this paper consists of a fast structural feature-based image matching module and an end-to-end learning-based fine registration network. The former provides position corrections at approximately 20 Hz， while the latter enables high-precision position and heading refinement. A pose fusion filtering strategy is employed to integrate the position and heading information obtained from image matching with inertial navigation data， effectively suppressing the drift in inertial systems and ultimately improving navigation accuracy. The flight test shows that the proposed method can effectively improve the positioning accuracy and reliability compared with existing methods， and can reach real-time processing on the airborne embedded computing platform.

Key words: heterogenous image matching, inertial navigation, end-to-end learning, fusion filter, autonomous localization

中图分类号:

董晶, 胡权富, 刘海桥, 韩松来, 尧雅婷, 陈志康. 基于图像匹配的机载惯导位置和航向修正方法[J]. 航空学报, 2026, 47(10): 632116.

Jing DONG, Quanfu HU, Haiqiao LIU, Songlai HAN, Yating YAO, Zhikang CHEN. Image matching based airborne inertial navigation system position and heading correction method[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(10): 632116.

图/表 20

图 1

图 2

图 3

图 4

图 5

图 6

图 7

图 8

表1

表2

MEMS惯性传感器参数

传感器	参数	数值
陀螺仪	偏置重复性/（（°）·h^-1）	0.1
	比例因子重复性	$< 50 × 10 - 6$
	比例因子非线性	$< 100 × 10 - 6$
加速度计	偏置重复性/mg	$< 3.5$
	噪声密度/（μg·Hz^-1/2）	$25$
	比例因子非线性	$< 1 000 × 10 - 6$

表2

表3

图 9

表4

表5

图 10

图 11

表6

图 12

表7

表8

参考文献 40

[1]	LIN J R， ZHANG F. R3LIVE： A robust， real-time， RGB-colored， LiDAR-inertial-visual tightly-coupled state estimation and mapping package［C］∥2022 International Conference on Robotics and Automation （ICRA）. Piscataway： IEEE Press， 2022： 10672-10678.
[2]	周治国，邸顺帆. 基于强度扫描上下文回环检测的激光雷达SLAM算法［J］. 中国惯性技术学报， 2022， 30（6）： 738-745.
	ZHOU Z G， DI S F. Lidar SLAM based on intensity scan context loop closure detection［J］. Journal of Chinese Inertial Technology， 2022， 30（6）： 738-745 （in Chinese）.
[3]	SHAN M， WANG F， LIN F， et al. Google map aided visual navigation for UAVs in GPS-denied environment［C］∥2015 IEEE International Conference on Robotics and Biomimetics （ROBIO）. Piscataway： IEEE Press， 2015： 114-119.
[4]	KINNARI J， VERDOJA F， KYRKI V. Season-invariant GNSS-denied visual localization for UAVs［J］. IEEE Robotics and Automation Letters， 2022， 7（4）： 10232-10239.
[5]	LOWE D G. Distinctive image features from scale-invariant keypoints［J］. International Journal of Computer Vision， 2004， 60（2）： 91-110.
[6]	BAY H， TUYTELAARS T， VAN GOOL L. SURF： Speeded up robust features［C］∥Computer Vision-ECCV 2006. Berlin： Springer， 2006： 404-417.
[7]	RUBLEE E， RABAUD V， KONOLIGE K， et al. ORB： An efficient alternative to SIFT or SURF［C］∥2011 International Conference on Computer Vision. Piscataway： IEEE Press， 2011： 2564-2571.
[8]	LI J Y， HU Q W， AI M Y. RIFT： Multi-modal image matching based on radiation-variation insensitive feature transform［J］. IEEE Transactions on Image Processing， 2019， 29： 3296-3310.
[9]	HAN X F， LEUNG T， JIA Y Q， et al. MatchNet： Unifying feature and metric learning for patch-based matching［C］∥2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2015： 3279-3286.
[10]	叶熠彬，滕锡超，于起峰，等. 基于MatchNet和多点匹配约束的可见光-SAR图像匹配［J］. 航空学报， 2024， 45（10）： 329162.
	YE Y B， TENG X C， YU Q F， et al. Optical-SAR image matching based on MatchNet and multi-point matching constraint［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（10）： 329162 （in Chinese）.
[11]	刘磊，李元祥，倪润生，等. 基于卷积与图神经网络的合成孔径雷达与可见光图像配准［J］. 光学学报， 2022， 42（24）： 110-120.
	LIU L， LI Y X， NI R S， et al. Synthetic aperture radar and optical images registration based on convolutional and graph neural networks［J］. Acta Optica Sinica， 2022， 42（24）： 110-120 （in Chinese）.
[12]	JIANG H W， KARPUR A， CAO B Y， et al. OmniGlue： Generalizable feature matching with foundation model guidance［C］∥2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2024： 19865-19875.
[13]	SARLIN P E， DETONE D， MALISIEWICZ T， et al. SuperGlue： Learning feature matching with graph neural networks［C］∥2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2020： 4937-4946.
[14]	LINDENBERGER P， SARLIN P E， POLLEFEYS M. LightGlue： Local feature matching at light speed［C］∥2023 IEEE/CVF International Conference on Computer Vision （ICCV）. Piscataway： IEEE Press， 2023： 17581-17592.
[15]	ZHANG W， LI T T， ZHANG Y T， et al. LTFormer： A light-weight transformer-based self-supervised matching network for heterogeneous remote sensing images［J］. Information Fusion， 2024， 109： 102425.
[16]	REVAUD J， WEINZAEPFEL P， HARCHAOUI Z， et al. DeepMatching： Hierarchical deformable dense matching［J］. International Journal of Computer Vision， 2016， 120（3）： 300-323.
[17]	YE Y X， SHAN J， BRUZZONE L， et al. Robust registration of multimodal remote sensing images based on structural similarity［J］. IEEE Transactions on Geoscience and Remote Sensing， 2017， 55（5）： 2941-2958.
[18]	ZHAI F C， ZENG Q H， LI J， et al. Iterative geolocation based on cross-view image registration （IGCIR） for long-range targets［J］. Chinese Journal of Aeronautics， 2025， 38（7）： 103483.
[19]	PARK J H， NAM W J， LEE S W. A two-stream symmetric network with bidirectional ensemble for aerial image matching［J］. Remote Sensing， 2020， 12（3）： 465.
[20]	ZHANG H， LEI L， NI W P， et al. Optical and SAR image dense registration using a robust deep optical flow framework［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2023， 16： 1269-1294.
[21]	MUR-ARTAL R， MONTIEL J M M， TARDÓS J D. ORB-SLAM： A versatile and accurate monocular SLAM system［J］. IEEE Transactions on Robotics， 2015， 31（5）： 1147-1163.
[22]	GOFORTH H， LUCEY S. GPS-denied UAV localization using pre-existing satellite imagery［C］∥2019 International Conference on Robotics and Automation （ICRA）. Piscataway： IEEE Press， 2019： 2974-2980.
[23]	CHANG C H， CHOU C N， CHANG E Y. CLKN： Cascaded Lucas-kanade networks for image alignment［C］∥2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2017： 3777-3785.
[24]	CHEN N H， LOU T S， ZHAO L Y. MMHCA： Multi-feature representations based on multi-scale hierarchical contextual aggregation for UAV-view geo-localization［J］. Chinese Journal of Aeronautics， 2025， 38（6）： 103242.
[25]	WANG H Y， ZHOU F H， WU Q H. Accurate vision-enabled UAV location using feature-enhanced transformer-driven image matching［J］. IEEE Transactions on Instrumentation and Measurement， 2024， 73： 5502511.
[26]	SAMANO N， ZHOU M J， CALWAY A. Global aerial localisation using image and map embeddings［C］∥2021 IEEE International Conference on Robotics and Automation （ICRA）. Piscataway： IEEE Press， 2021： 5788-5794.
[27]	BARRON J L， FLEET D J， BEAUCHEMIN S S. Performance of optical flow techniques［J］. International Journal of Computer Vision， 1994， 12（1）： 43-77.
[28]	HE Y， CISNEROS I， KEETHA N， et al. Foundloc： Vision-based onboard aerial localization in the wild［DB/OL］. arXiv preprint： 2310.16299， 2023.
[29]	LI M K， WANG Z M， HUO G， et al. A deep learning framework with geographic information adaptive loss for remote sensing images based UAV self-positioning［DB/OL］. arXiv preprint： 2502.16164， 2025.
[30]	HARTLEY R， ZISSERMAN A.计算机视觉中的多视图几何［M］. 韦穗，章权兵，译. 第2版. 北京：机械工业出版社， 2019： 157-158.
	RICARD HARTLEY， ANDREW ZISSERMAN. Mul-tiple view geometry in computer vision［M］.WEI H， ZHANG Q B， translated. Version 2. Beijing：China Machine Press， 2019：157-158.
[31]	GAO X S， HOU X R， TANG J L， et al. Complete solution classification for the perspective-three-point problem［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2003， 25（8）： 930-943.
[32]	WEI Y C， TAO L T. Efficient histogram-based sliding window［C］∥2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE Press， 2010： 3003-3010.
[33]	OUYANG W L， TOMBARI F， MATTOCCIA S， et al. Performance evaluation of full search equivalent pattern matching algorithms［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2012， 34（1）： 127-143.
[34]	ROCCO I， ARANDJELOVIC R， SIVIC J. End-to-end weakly-supervised semantic alignment［C］∥2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE Press， 2018： 6917-6925.
[35]	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.
[36]	XIE S N， GIRSHICK R， DOLLÁR P， et al. Aggregated residual transformations for deep neural networks［C］∥2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2017： 5987-5995.
[37]	RIBEIRO M I. Kalman and extended Kalman filters： Concept， derivation and properties［J］. Institute for Systems and Robotics， 2004， 43（46）： 3736-3741.
[38]	SAVAGE P G. Strapdown inertial navigation integration algorithm design part 2： Velocity and position algorithms［J］. Journal of Guidance， Control， and Dynamics， 1998， 21（2）： 208-221.
[39]	FURGALE P， REHDER J， SIEGWART R. Unified temporal and spatial calibration for multi-sensor systems［C］∥2013 IEEE/RSJ International Conference on Intelligent Robots and Systems. Piscataway： IEEE Press， 2013： 1280-1286.
[40]	LUO Y， CHA H， ZUO L， et al. General cross-modality registration framework for visible and infrared UAV target image registration［J］. Scientific Reports， 2023， 13（1）：12941.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

类型	参数	数值
红外相机	图像分辨率/pixel	640×480
	等效焦距/pixel	432.5
	视场角/（°）	73×58
	光谱范围/nm	8 000~14 000
可见光相机	图像分辨率/pixel	2 048×2 048
	等效焦距/pixel	1 375
	视场角/（°）	73×73

飞行编号	平均高度/m	距离/m	平均速度/ （m·s^-1）	相机类型
Flight1	328	1 130.6	4.7	可见光
Flight2	273	412.1	5.1	可见光
Flight3	501	1 213.6	4.9	红外
Flight4	521	1 248.6	4.0	红外

飞行编号	CMR/%
飞行编号	本文方法	HOP	SIVL
Flight1	99.5	98.7	95.6
Flight2	99.3	99.3	92.8
Flight3	99.1	72.0	40.4
Flight4	98.9	64.2	46.4

飞行编号	定位误差RMSE/m
飞行编号	本文精确匹配	本文快速粗匹配	HOP	SIVL
Flight1	4.53	6.72	7.01	12.71
Flight2	4.01	6.23	8.79	13.77
Flight3	5.97	8.76	9.94	14.22
Flight4	4.35	9.15	9.07	15.89

飞行编号	航向精度RMSE/（°）
飞行编号	本文算法	HOP	SIVL
Flight1	2.33	7.39	8.24
Flight2	1.98	5.48	6.79
Flight3	2.40	6.94	8.91
Flight4	2.57	8.01	10.02

基于图像匹配的机载惯导位置和航向修正方法

Image matching based airborne inertial navigation system position and heading correction method

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 20

参考文献 40

相关文章 15

编辑推荐

Metrics

本文评价

[1]	南子寒, 周睿阳, 王永亮, 刘大禹, 董明, 孟凡琛. 基于交互动静态多模型的拒止环境鲁棒滤波自主导航方法[J]. 航空学报, 2025, 46(24): 332062-332062.
[2]	程建华, 程思翔, 齐兵, 范世龙, 赵国晶, 陈思成. 电离层闪烁环境下PPP/INS组合导航性能分析[J]. 航空学报, 2024, 45(S1): 730676-730676.
[3]	南子寒, 刘大禹, 董明, 梁文宁, 赵雪薇, 马伊琳, 关瑶. GNSS拒止下多源自主导航鲁棒滤波方法[J]. 航空学报, 2024, 45(S1): 730782-730782.
[4]	赵春晖, 刘安萌, 吕洋, 潘泉. 无人机韧性自主定位技术综述[J]. 航空学报, 2024, 45(8): 28839-028839.
[5]	李坤, 布树辉, 贾旋, 董逸飞, 陈霖. 基于惯性导航与数据链的飞机间相对定位方法[J]. 航空学报, 2024, 45(15): 329594-329594.
[6]	张士峰, 李俊, 杨华波. 惯性制导工具误差分离技术综述[J]. 航空学报, 2023, 44(15): 528590-528590.
[7]	王巍, 邢朝洋, 冯文帅. 自主导航技术发展现状与趋势[J]. 航空学报, 2021, 42(11): 525049-525049.
[8]	杨朝旭, 郭毅, 雷廷万, 李荣冰. 先进战斗机过失速机动大气数据融合估计方法[J]. 航空学报, 2020, 41(6): 523456-523456.
[9]	王志伟, 王风杰, 狄长春, 石志勇, 杨功流. 陆用惯性导航系统非线性对准方法[J]. 航空学报, 2018, 39(1): 321554-321554.
[10]	钱超, 张子剑, 李大伟. 平台式惯性导航系统在线可靠性评估技术[J]. 航空学报, 2017, 38(9): 321259-321259.
[11]	曾庆化, 潘鹏举, 刘建业, 王云舒, 刘昇. 惯性信息辅助的大视角目标快速精确定位[J]. 航空学报, 2017, 38(8): 321171-321171.
[12]	赵曦晶, 汪立新, 何志昆, 张博. 约简二次扩展平方根容积卡尔曼滤波及其应用[J]. 航空学报, 2014, 35(8): 2286-2298.
[13]	宋伟, 朱岱寅, 叶少华, 李勇. 一种机载合成孔径雷达自主定位算法[J]. 航空学报, 2014, 35(8): 2279-2285.
[14]	岳亚洲, 李四海, 张亚崇, 刘镇波, 王珏. 机载主子惯导间失准角估计的差分惯性滤波器设计及性能分析[J]. 航空学报, 2013, 34(10): 2402-2410.
[15]	张恒浩, 孟秀云, 刘藻珍. 改进概率关联算法在组合导航系统中的应用研究[J]. 航空学报, 2012, 33(11): 2113-2120.