面向视觉着陆的高精度结构化约束特征点研究

为提高视觉着陆过程中无人机的相对定位精度,选取视觉图像中的直线交点作为结构化约束特征点,设计了基于梯度一致性的边缘检测算法,并结合Shi-Tomasi角点检测算法进行结构化约束特征点的粗定位。对LSD直线检测算法进行改进并设计了亚像素角点定位精度改进算法,在结构化约束特征点粗定位的基础上,将其精度提高到亚像素级。基于实际场景中固有约束的结构化约束特征点具有鲁棒性、旋转和尺度不变性,抗干扰能力更强,其高精度定位有利于提高视觉着陆相对定位的精度与可靠性。     

基于视觉引导着陆的微小型四旋翼设计及实现

为了增强四旋翼的自主性,借用视觉导航方法要求在GPS丢失信号或信号精度不高的情况下进行辅助定位,使得四旋翼能够在某些特殊需求场合自动着陆。针对Harris角点检测算法计算量大的问题,设计了一种快速、准确的标志图像识别算法,将一个区域内的所有角点转换成一个单值角点,替代了Harris算法中的局部非极大值抑制算法,减小了计算量,并进一步设计了视觉模式下的姿态与位置转换算法和视觉着陆控制算法。为了验证所设计算法的可行性和有效性,基于STM32单片机搭建了微型四旋翼实验平台系统,并实时在线进行了性能实验,结果表明,标志图像识别算法能正确检测和识别出标志图像,视觉着陆算法也成功实现了四旋翼实验平台的着陆功能。     

一种基于张氏标定法的单目相机改进标定算法

单目视觉在地面机器人等无人导航系统中的应用越来越广泛，而相机参数的标定是利用视觉进行导航的基础性工作。标定结果的好坏，直接影响导航性能和定位精度。主要考虑单目相机的径向畸变，基于张正友平面标定法，通过利用Matlab进行图像预处理、利用OpenCV进行Harris角点检测和亚像素精确化等方法在角点提取精度等方面进行了改进，通过重投影法对标定结果进行了评估，并将其与Matlab相机标定工具箱Toolbox_calib所得结果进行了比较。实验结果表明，改进的标定算法标定结果精度更高，并且对多个摄像头传感器均有效，适用性强。     

无人机自动着陆中的机器视觉辅助技术

设计了一套辅助无人机自动着陆的机器视觉系统。该系统由机载硬件设备和用户开发软件共同组成,用以完成数字图像处理任务和无人机运动参数估计任务。系统传感器包括一个单目摄像机和机载惯性陀螺;数字图像处理使用的主要算法有图像的轮廓提取、角点检测和模版匹配。基于角点处各个方向上灰度差变化较大的特征,依据最小核值相似(SUSAN)算法和角点几何结构分析,提出一种改进的角点特征提取算法;根据任务开发的位置参数估计算法依据摄像机透视投影理论,运用摄像机成像标定方法导出了一种高精度的位置测量模型。通过计算机仿真表明,所提出的计算机视觉位置参数估计算法可以达到无人机着陆过程的精度要求。     

一种基于亚像素匹配的高精度视觉定位方法

大多数应用到无人机景象匹配导航中的匹配算法都只能满足像素级精度,且当无人机利用景象匹配定位时图像之间往往存在较大的视觉差异,这种情况下图像匹配精度低且性能会急剧下降。所以选用具有仿射不变特性的特征点进行匹配,结合高斯亚像素拟合原理及特征描述符简化方法,并采用渐进采样一致性(PROSAC)算法剔除误匹配点,最终实现亚像素级的景象匹配定位。实验结果表明,采用此方法可以大大提高图像匹配的精度,提高到0.05像素以内。     

基于改进DeepSORT的视觉/激光雷达目标跟踪与定位方法CSCD

通过结合目标跟踪与相对定位,在对多帧检测目标进行关联与分析的同时,可以获取其三维信息。但当目标外观特征变换较大时,传统目标跟踪算法较易发生漏匹配或身份变换,而仅依靠对齐点云的相对定位算法较易出现定位失效的情况。针对以上问题,提出了一种基于改进DeepSORT的目标跟踪与定位方法在原始DeepSORT算法中加入基于位置约束的匹配,解决了因外观改变导致的漏匹配问题;在获取跟踪信息的基础上,设计了基于目标运动模型的相对定位方法,解决了图像中目标较小时相对定位不连续且定位精度较低的问题。试验结果表明,与传统DeepSORT算法相比,多目标跟踪准确度提高了5.9%;与仅依靠对齐点云的相对定位算法相比,定位精度提高了62.4%。     

面向未知区域深度测量的序列图像稠密点特征生成算法

对未知着降区平坦度测量是无人机在复杂地形下安全着陆的关键问题。首先,根据小孔成像原理推导出基于单目序列图像的未知区域深度计算方程;其次,针对稀疏匹配存在深度信息重构误差大而稠密匹配在平滑区域误匹配率高的问题,提出一种基于Delaunay三角剖分的稠密点特征生成算法;然后,分别对序列图像中的2帧图像提取亚像素级Harris角点和尺度不变特征变换(SIFT)特征点,并分别进行特征点匹配;再以2种特征点间的欧氏距离作为约束条件将2种特征点进行融合,生成准稠密特征点;最后,将准稠密特征点进行Delaunay三角剖分,并根据每个剖分三角形上3个顶点像素偏差的方差值制定稠密特征点的生成策略,并结合所提出的深度计算方程计算整个未知区域各点的深度信息。通过Vega Prime(VP)搭建仿真演示验证系统,实验结果表明在机载相机距地面400m处计算高度分别为90m和55m的物体深度信息时,其深度测量相对误差不超过0.89%,具有较高的精度。     

基于四元数的单目视觉物体位姿测量方法

对基于点特征的单目视觉定位算法进行了研究,设计了一种5点平面靶标,在五个特征点的基础上提出了一种基于四元数的单摄像机位姿测量方法。建立了四元数空间变换矩阵,然后再根据特征点在世界坐标系下的坐标值以及特征点在CCD成像面上的坐标值,在空间投射的基础上利用最小二乘法求解出靶标的四元数空间变换矩阵,从而求得靶标的空间位姿。通过实验对该单目视觉定位方法进行验证,实验结果表明：测量模型平移定位精度达到了,旋转定位精度达到了。     

一种基于语义信息辅助的无人机视觉/惯性融合定位方法CSCD

视觉传感器在无人机室内定位中发挥着重要作用。传统基于特征点的视觉里程计算法通过底层亮度关系进行描述匹配,抗干扰能力不足,会出现匹配错误甚至失败的情况,导航系统的精度及鲁棒性有待提升。由于室内环境存在丰富的语义信息,提出了一种基于语义信息辅助的无人机视觉/惯性融合定位方法。首先,将室内语义信息进行因子建模,并与传统的视觉里程计方法进行融合;然后,基于惯性预积分方法,在因子图优化中添加惯性约束,以进一步提高无人机在动态复杂环境下的定位精度和鲁棒性;最后,通过无人机室内飞行试验对算法的定位精度进行了分析。试验结果表明,相较于传统的视觉里程计算法,该方法具有更高的精度和鲁棒性。     

一种检测机场跑道辅助飞机着陆的系统设计

跑道作为机场的关键设施,是飞机着陆和减速滑行的区域,通过视觉定位方法计算飞机相对跑道的位置,可以作为辅助飞机快速平稳着陆的一种思路。视觉传感器所需成本较低,对安装环境要求不高,本文旨在设计一个仅靠视觉传感器对飞机进行定位的辅助着陆系统,运用目标检测和视觉定位两个模型,计算飞机相对跑道的位置。首先搭建出等比例微缩的机场跑道模型,视觉传感器产生运动模拟飞机飞行路径,目标检测模型通过机载视觉传感器获取的图像识别出跑道区域,随后视觉定位模型提取图像中跑道区域特征点,计算飞机相对跑道的位置。分别对目标检测和视觉定位两部分的实现原理及难点进行阐述,尝试将目标检测和视觉定位结合起来实现飞机降落时的定位,描述辅助着陆系统设计的整体思路。     

基于改进SURF算法的无人机遥感图像拼接方法

针对传统SIFT算法在无人机遥感图像拼接中存在的运算缓慢、误匹配较多且计算过于复杂,无法满足遥感图像处理的实时性要求等缺陷,以及由于采集到的图像之间存在曝光差异等情况,直接进行叠加拼接后极大可能会在边界处产生重影错位的情况,文章提出了一种改进的SURF算法与融合算法用于无人机的遥感图像拼接。首先,在特征检测阶段,将SURF算法与Harris角点检测算法2种算法相结合,快速得到图像的特征点与特征描述子;在特征匹配阶段分为粗匹配与精匹配2个步骤:通过KNN算法对待拼接图像间特征点的粗匹配,以及应用RANSAC算法去除误匹配点的精匹配;在图像融合阶段,采用了基于距离的加权平均算法进行图像融合;最后,实验表明:文章所提出的算法处理速度相比于传统SUFT算法提升了近5倍,相比于其他改进算法,匹配精度也有所提高,并且该算法能够有效提高图像拼接后的质量与效果,解决了拼接痕印明显、重影、错位等现象可能发生的问题。     

Use of land＇s cooperative object to estimate UAV＇s pose for autonomous landing

The research of unmanned aerial vehicles＇（UAVs＇）autonomy navigation and landing guidance with computer vision has important signifcance.However,because of the image blurring,the position of the cooperative points cannot be obtained accurately,and the pose estimation algorithms based on the feature points have low precision.In this research,the pose estimation algorithm of UAV is proposed based on feature lines of the cooperative object for autonomous landing.This method uses the actual shape of the cooperative-target on ground and the principle of vanishing line.Roll angle is calculated from the vanishing line.Yaw angle is calculated from the location of the target in the image.Finally,the remaining extrinsic parameters are calculated by the coordinates transformation.Experimental results show that the pose estimation algorithm based on line feature has a higher precision and is more reliable than the pose estimation algorithm based on points feature.Moreover,the error of the algorithm we proposed is small enough when the UAV is near to the landing strip,and it can meet the basic requirements of UAV＇s autonomous landing.