基于双目视觉的无人机姿态测量

黄少强++刘中华++汤晚霞++钟艳++王飞

摘要：无人机的姿态参数是飞行目标状态的重要参数。目前对无人机的姿态测量方法大致可分为两大类，即遥测法和外测法。遥测法即在无人机上装置各类传感器（如GPS、陀螺仪、高速摄像仪等）进行参数测量，此方法还存在很大缺点[1]，如当飞行目标高速飞行时，传感器会产生较大的数据误差甚至无法侦擦到无人机的信息，导致测量失败。在外测法中，对于中远距离的姿态测量，国内外大量使用的是基于广义点反馈迭代的影像匹配法[2]，此方法具有较高的精确度，但由于测量前要先建立数据库，因而适用性较低。针对以上的缺点，本文采用了基于双目视觉的无人机姿态测量方法， 采用全站仪和图像采集装置构建系统，利用全站仪数据进行三维标定，图像采集装置对无人机进行三维重建，利用双目直线原理重构机身、机翼的空间直线向量，利用BP神经网络算法进行数据的机器学习。该系统具有简易、精度高、设计简单等特点，被广泛应用于军事、民用系统中，具有很强的实用价值。

关键词：无人机 双目视觉 机器学习 姿态识别

中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2016）10-0048-02

无人机的姿态测量方法可分两大类：一是在无人机上装载传感器，如陀螺仪、GPS等，把相关的数据传回地面处理，即所谓的遥测法，它的优点是可以不受空间的限制，但精准度会大大降低。本文采用基于双目视觉的无人机姿态测量方法， 采用全站仪和图像采集装置构建系统，利用全站仪数据进行三维标定，图像采集装置对无人机进行三维重建，利用双目直线原理重构机身、机翼的空间直线向量，再根据直线向量算出姿态参数，该方法具有精度高、适用范围高等特点。

1 系统设计概述

本设计利用四台全高清的摄像头、全站仪、时间同步器及PC终端组成。系统由四台摄像头分别处于边长为5米的矩形场地的（我给你新加的文字）四个角中，用以（我给你新加的文字）采集视频数据，再由全站仪提供的相关角度矢量参数，通过计算得出系统所需要测量的姿态参数：偏航角、俯仰角及翻滚角。最后把这些参数存储到数据库中，并进行BP神经网络算法机器学习，让该系统具有（新加）能够二次识别飞行目标参数的能力。该系统能广泛应用于无人机的主动测量领域，即不需要在无人机上安装传感器，也能够准确识别无人机的姿态参数，应用方便、快捷。

2 姿态参数计算分析

步骤一：利用双目视觉原理，对飞行物体进行三维姿态恢复。

步骤二：分离目标和背景。对飞行物体进行数字信息提取。统计每帧图像像素分布直方图，设此时像素分布直方图的灰度分布为gmin及gmax，在gmin及gmax中选择较合适的灰度值g作为分割的阈值，去分离目标和标景。

步骤三：分离机身及机翼。在做实验前，对飞机进行如下处理：机翼与机身处涂上不同的颜色。获取视频信息后利用直方图对灰度进行分析，把两者分离出来，并分别对两者信息进行存储。

步骤四：对机身进行边缘检测处理，构建直线向量。

（1）选用的是Sobel算子来对其图像进行检测。Sobel算子模板分为水平模板及垂直模板，利用此模板在每帧上的像素去卷积，那么就可以得到机身的边缘轮廓线段。（2）构建机身直线向量。利用双目摄像头在空间交汇产生直线，可构建直线向量。如图2所示，对于任两个摄像机，无人机在其摄像头所投影的图像平面分别为S1、S2，两摄像头在空间所形成的平面相交即会产生一直线，可以利用这一原理来计算机身直线向量。

本系统采用的是四台摄像机，可以排除更大的干扰，因此，可以利用构建一个关于的集合，为：

式中指的是摄像机的台数。

步骤五：对图像的机翼处理。图像的机翼部分可看作为梯形。由上述，利用Hough Transform进行边缘检测，求飞行目标的前后翼边缘，设其在图像坐标系下的直线方程为：

由上式，可以算出点

由上述求的两点，就可以算出此机翼在图像坐标系下的直线方程：

同理，利用双目系统中两两图像平面相交可求得机翼向量

步骤六：利用构建的空间向量计算姿态参数。参数推导如下：

由向量得出：

3 实验

3.1 数据准备

准备的数据为训练集及测试集，里面的数据包括特征数据及样本标签。

训练集便是双摄像头采集到的视频数据，通过数字图像处理，提取图像的特征数据存储。测试数据集表示二次提取图像信息时所得到的图像特征信息，二者都需經过相同的处理，所得的参数求法是一样的。

特征数据是根据双目视觉分析的图像的特征数据，这里选用了周长像素点总数、奇数链码数目、高度、宽度、周长目标面积、矩形度、伸长度、及七个不变距特征。

3.2 训练结果与分析

根据上述算法，对1241组特征数据进行训练，为了结果更为准确，本文从测试的的数据中拿了一部分数据作为输入的训练，这里取训练组的数据1000组，测试的数据241组。经过BP神经网络算法后，对测试的数据进行了测试，为了结果的显示，只从测试数据中随机抽出50组数据对训练结果进行测试。

图1中黑色空白圈表示测试的值，星点表示神经网络学习后所得的理想值。可以看出相对于某点的测试值与理想值相拟合程度相对较高，也就是说，在一定的范围内，系统可以正常测量无人机的姿态参数。但也有部分数据拟合程度不太好，这和实验设备及机器学习的算法都有很大的关系。

如图2所示，BP网络预误差图中可以看出，把测试样本增大到100个，测量误差也控制在30%之内，所以，系统具有一定的稳定性。

4 结语

本文论述了基于双目视觉的无人机姿态测量系统，该系统通过四台摄像头读取无人机数据，利用双目视觉系统对无人机三维形态进行恢复，通过数字图像处理技术提取无人机的特征信息并进行存储。首先利用直方图法分离背景及无人机，再分离无人机的机翼及机身信息，并分别进行数据存储。其次利用空间两图像平面相交得出了无人机的机身、机翼向量，然后利用这些向量进行了姿态参数的计算。最后把无人机的特征参数及姿态参数做上相应的标签，让其进行机器学习。由实验得出，该系统具有二次识别无人机姿态的能力，且此系统比较稳定。但由于实验设备及算法原因，该系统还存在一定的误差，但大部分数据误差率保持在30%内。

参考文献

[1]苏国中.基于光电经纬仪影像的飞机姿态测量方法研究[J].武汉大学，博士论文，2005.

[2]H.Mostafavi，M.A. Streicker.Rigid body attitude estimation from a single view.[J] SPIE Ultrahigh-and High- speed Phot ography，videography，and Phot oni cs，1992，290-297.

收稿日期：2016-09-12

作者简介：黄少强（1993—），男，广西梧州人，本科，上海电机学院电子信息工程学生，研究方向：双目视觉。