基于智能视觉的无人机导航技术研究

张谦 邬依林

摘 要： 基于鲁棒滤波的无人机着陆相对导航方法是通过设计的鲁棒高阶容积滤波相对导航滤波器实现无人机着陆导航，缺乏无人机导航图像预处理过程，导航准确性差。为此，提出基于智能视觉的无人机着陆导航方法，采用基于视觉的无人机导航特征提取方法，通过高、低帽滤波器增强无人机视频跑道图像，使用Ostu分割法对增强无人机视频跑道图像做二值化处理和去噪预处理，通过Hough变换提取预处理后无人机跑道图像中跑道的直线特征。依据获取的直线特征，进行无人机姿态角和位置运算以及换算后，获取无人机的姿态角和位置，实现无人机着陆的自主导航。实验证明，所提方法能够有效地对无人机着陆进行导航，并且准确性和效率较高。

关键词： 智能视觉； 无人机； 着陆导航； 图像预处理； 特征提取； 姿态角

中图分类号： TN965?34； TP391 文献标识码： A 文章编号： 1004?373X（2018）16?0132?03

Abstract： The unmanned aerial vehicle （UAV） landing relative navigation method based on robust filtering achieves UAV landing navigation by means of the designed robust high?order volume?filtering relative navigation filter， resulting in lack of the preprocessing process of UAV navigation images， and poor navigation accuracy. Therefore， a UAV landing navigation method based on intelligent vision is proposed. The vision?based UAV navigation feature extraction method is adopted. The high and low hat filters are used to enhance UAV video runway images. The Ostu segmentation method is used to perform binarization processing and denoising preprocessing for enhanced UAV video runway images. The Hough transform is used to extract the linear feature of runways in preprocessed UAV runway images. According to the obtained linear feature， the attitude angle and position of the UAV are obtained after calculation and conversion of the attitude angle and position of the UAV， so as to realize autonomous navigation of UAV landing. The experimental results show that the proposed method can effectively navigate UAV landing， and has high accuracy and efficiency.

Keywords： intelligent vision； UAV； landing navigation； image preprocessing； feature extraction； attitude angle

無人机具有体积小、灵活性高、耗费低等特点，当下，已经较为广泛地运用于监控、通信、拍摄等诸多领域[1]。研究无人机在监控中的着陆过程，对于确保无人机回收质量和安全性，具有重要的价值。以往研究出的无人机着陆导航方法由于导航精度差、效率低等缺点已经逐渐被淘汰。随着智能视觉技术的极速发展，利用智能视觉信息实现无人机着陆导航的方法得到研究人员越来越多的关注[2]。传统基于鲁棒滤波的无人机着陆相对导航方法，通过设计的鲁棒高阶容积滤波相对导航滤波器实现对无人机着陆的准确导航，缺乏无人机导航图像预处理过程，导航准确性差。基于此，本文提出了基于智能视觉的无人机着陆导航方法，提高无人机着陆导航效率和准确率[3]。

1 基于智能视觉的无人机着陆导航方法

1.1 基于视觉的无人机导航特征的提取

1.1.1 图像预处理

无人机在空中飞行时，通过对机场跑道指示灯的特征点提取，能够对跑道的大致位置及方向进行估算[4]。但由于噪声和其他光源等外在因素的存在，跑道上的特征点难以实现准确提取。为了解决这个问题，需要对跑道的特征视频图像实施预处理，减少或消除其他光源的影响。首先用灰度形态学中的高、低帽滤波器使图像增强，然后用Ostu分割法对增强后图像做二值化处理得到二值化图像，并进行图像去噪处理。

相对于跑道边光源分散的散射光，指示灯的灯光比较集中，这样对跑道边缘做出的计算只是简单的运算，为了确保检测结果的准确性以及运算速度，要保证充足的特征点。为消除高亮度而又相对孤立的噪声假设跑道上的指示灯多于其他的散射光源，边缘的指示灯多于入口处的指示灯，对其二值化图像中的高灰度（码值为1）像素点实施区域处理。设[bw]是原图像的二值图像，[bwi，j=1]，对像素点[i，j]的[I×J]邻域进行观察，若这个邻域中全部像素灰度值相加小于阈值T，则像素点[i，j]是二值图像内的噪声，小邻域和大邻域分别对图像的微小噪声、较大且单独的噪声实施去噪。

1.1.2 无人机跑道图像中直线特征提取

经过图像预处理后，无人机视频跑道图像内的噪声被大幅消除，使有效信息被保存，在去噪图像内进行关联信息的提取能够获取跑道两边及中线指示灯的方位，即跑道的大概方位[5]。同侧指示灯呈直线排列是指示灯的特征，在此特征的基础上，用Hough变换来检测跑道的边缘和中线。也就是采用Hough变换提取预处理后无人机导航图像中跑道的直线特征。本文对无人机导航二值图像内3条最长的直线最大值进行提取，在提取无人机图像中跑道直线特征時，若出现最大点数过差异直线的情况，平均差异直线的参数获取新直线为特征线。

1.2 无人机姿态角和位置的计算

1.2.1 摄像机姿态角和位置的计算

相对于无人机，摄像机是静止的，所以摄像机同地面坐标的姿态角与无人机同地面的姿态角一致，通过第1节提取的无人机跑道图像的直线特征能够获取摄像机的姿态角[6]。通过摄像机同地面坐标系的3个欧拉角得到地面坐标系至摄像机坐标系的变换矩阵为[T=TcbTbi]。

1） 在入口处指示灯的成像内提取直线进行滚动角的计算，设[l3]是平面内入口处指示灯的成像，[kl3]为其斜率，可得滚动角为：

2） 通过图像竖直中线的方位同图像内消失点的误差进行偏航角的计算。在进行偏航角的计算时，会出现偏航角为零与偏航角非零两种情况。偏航角为零时，图像较为简单，算法参照文献[7]的算法即可。偏航角非零的情况下，滚动角同样存在非零的可能性，图像会变得相对繁琐，这时采用的解决方法是对[I′]进行补偿，即以图像中心[O]为中心转动[I′]的坐标[ψ]角，通过转动后的坐标对偏航角[ψ]进行计算，其中i为摄影机位置，具体如图1所示。

上述过程基于提取的无人机跑道图像中直线特征，对摄像机姿态角和位置计算结果的换算得到无人机的姿态角和位置，完成无人机着陆的智能导航。

3 实验分析

为了验证使用本文方法对无人机进行导航时对于障碍物躲避的准确性[9]，采用本文方法对两个连续的障碍物进行躲避试验。两个障碍物分别为静止的物体和行走的人员，试验结果如图2所示。

对图2进行分析能够得到，通过本文方法对静止障碍物和动态障碍物都能够进行识别并控制无人机进行成功躲避，并且在上一个障碍物成功躲避后会自动对前进方向上的下一个障碍物进行寻找。实验结果表明，无人机使用本文方法能够有效地对无人机前进方向上的障碍物进行躲避。实验为了验证本文方法对无人机导航的效率，使用本文方法、基于直线稀疏光流场的无人机姿态估计导航方法以及基于鲁棒滤波的无人机着陆相对导航方法[10]进行效率对比的试验，结果见表1。

通过对表1分析能够得到，使用本文方法对无人机进行着陆导航所用的时间远远低于其他两种方法进行无人机着陆导航所用时间，说明使用本文方法能够提高无人机着陆导航的效率。

4 结 论

本文提出基于智能视觉的无人机着陆导航方法，对无人机视频跑道图像进行预处理，在预处理后图像上提取无人机跑道直线特征，再结合无人机姿态角和位置的计算，实现无人机高效率与高准确性的着陆导航。

参考文献

[1] 张春晓，林招荣，姚毅刚.视觉信息辅助无人机侦察目标定位技术研究进展[J].航天返回与遥感，2016，37（6）：1?10.

ZHANG Chunxiao， LIN Zhaorong， YAO Yigang. Advances in target location based on visual information for UAV photoelectric reconnaissance [J]. Spacecraft recovery & remote sensing， 2016， 37（6）： 1?10.

[2] 蔡鸣，孙秀霞，徐嵩，等.视觉技术辅助的无人机自主着陆组合导航研究[J].应用光学，2015，36（3）：343?350.

CAI Ming， SUN Xiuxia， XU Song， et al. Vision/INS integrated navigation for UAV autonomous landing [J]. Journal of applied optics， 2015， 36（3）： 343?350.

[3] 黄楠楠，刘贵喜，张音哲，等.无人机视觉导航算法[J].红外与激光工程，2016，45（7）：269?277.

HUANG Nannan， LIU Guixi， ZHANG Yinzhe， et al. Unmanned aerial vehicle vision navigation algorithm [J]. Infrared and laser engineering， 2016， 45（7）： 269?277.

[4] 吕科，施泽南，李一鹏.微型无人机视觉定位与环境建模研究[J].电子科技大学学报，2017，46（3）：543?548.

L? Ke， SHI Zenan， LI Yipeng. Visual localization and environment mapping for micro aerial vehicles [J]. Journal of University of Electronic Science and Technology of China， 2017， 46（3）： 543?548.

[5] 黄颖辉.无人机姿态视觉导航位置测量仿真研究[J].计算机仿真，2017，34（4）：51?54.

HUANG Yinghui. Simulation research on attitude measurement based on visual navigation for unmanned aerial vehicle [J]. Computer simulation， 2017， 34（4）： 51?54.

[6] 周朗明，钟磬，张跃强，等.运用跑道平面结构化线特征的固定翼无人机视觉导航算法[J].国防科技大学学报，2016，38（3）：182?190.

ZHOU Langming， ZHONG Qing， ZHANG Yueqiang， et al. Vision?based landing method using structured line features of runway surface for fixed?wing unmanned aerial vehicles [J]. Journal of National University of Defense Technology， 2016， 38（3）： 182?190.

[7] 关震宇，李杰，杨欢，等.基于直线稀疏光流场的微小型无人机姿态信息估计方法研究[J].兵工学报，2014，35（11）：1851?1859.

GUAN Zhenyu， LI Jie， YANG Huan， et al. Research on attitude estimation of micro UAV based on sparse line optical flow field [J]. Acta Armamentarii， 2014， 35（11）： 1851?1859.

[8] 杨新锋，田广强，路新华.基于智能视觉分析无人机发动机转速测量方法[J].计算机仿真，2015，32（9）：72?74.

YANG Xinfeng， TIAN Guangqiang， LU Xinhua. Engine speed measurement method for unmanned aerial vehicle （UAV） based on intelligent vision analysis [J]. Computer simulation， 2015， 32（9）： 72?74.

[9] ANGELOPOULOU M E， BOUGANIS C S. Vision?based egomotion estimation on FPGA for unmanned aerial vehicle navigation [J]. IEEE transactions on circuits & systems for video technology， 2014， 24（6）： 1070?1083.

[10] 陈诚，王小刚，秦武韬，等.基于鲁棒滤波的无人机着陆相对导航方法[J].中国惯性技术学报，2017，25（3）：415?420.

CHEN Cheng， WANG Xiaogang， QIN Wutao， et al. Unmanned aerial vehicle landing navigation algorithm based on robust filter [J]. Journal of Chinese inertial technology， 2017， 25（3）： 415?420.