| 标题 | 一种改善无人机自动返航降落误差的方法 |
| 范文 | 刘康+张家田+严正国 摘 要： 针对车载无人机自动返航降落误差太大的缺点，提出一种基于利用GPS粗定位、运动检测技术细定位相结合的方法。为了实现选择简单且效果好的运动检测技术，使用一种摄像头静止、目标移动的结构方法，最终采用背景减除算法追踪无人机。室外实验结果表明，无人机能被精准追踪，将这种方法与仅仅GPS定位的实验结果进行对比，得出该方法能有效抑制降落误差，具有一定的实际应用价值。 关键词： 车载无人机； GPS； 运动检测技术； 自动返航； 降落误差； 背景减除算法 中图分类号： TN820.4?34 文献标识码： A 文章编号： 1004?373X（2018）06?0061?04 Abstract： In allusion to the shortcoming of big automatic return landing error existing in vehicle?mounted unmanned aerial vehicle （UAV）， a method based on combination of rough GPS localization and fine localization using motion detection technology is proposed. To select a plain and effective motion detection technology， a structural approach with camera static and object moving is employed. The background subtraction algorithm is adopted to track UAV. The outdoor experimental results indicate that the UAV can be tracked precisely， and the method can more effectively suppress the landing error in comparison with the method using only GPS localization and has a certain practical application value. Keywords： vehicle?mounted UAV； GPS； motion detection technology； automatic return； landing error； background subtraction algorithm 轻小型无人机的快速发展，许多无人机的控制精度、悬停稳定性已经明显提高。甚至图传、超声波避障，三轴云台增稳等新技术的使用，可以使无人机应用在许多具体的任务中，如无人机在矿体测绘系统[1]、无人机地震灾害中的应用[2]、以及无人机在农业上的使用[3]等。具体到车载无人机，即无人机降落在静止汽车车顶停机坪中，无人机返航过程手动控制遥控器降落在车顶本身有一定困难，无人机一键返航利用GPS记录起飞点，使无人机自动降落在起飞点，但受GPS水平精度限制，无人机无法准确降落在起飞点。光流传感器和惯性测量模块相定位的方法[4]是利用无人机上双摄像头和惯性导航模块提高了无人机室内的定位精度，光流法计算复杂，且增加了无人机的成本和负载。扩展卡尔曼算法的定位[5]是当GPS信号突然失效时，利用机载无线射频的接收信号强度解决定位问题，此方法定位精度还无法满足车载无人机的精度要求。 考虑到车载无人机室外的应用背景，提出利用背景减除算法与GPS定位相结合的方法，其是一种先粗定位后细定位设计方案。本文首先整体上介绍一键返航启动之后无人机的控制过程，然后讨论背景减除算法相关参数的确定以及无人机在图像中的位置信息，实现无人机的准确降落，本文提出的方法是针对室外环境而言。 1 系统构成 1.1 整体结构 本系统由三个部分构成：车载无人机、遥控器、停机坪。车载无人机具有GPS定位模块，记录无人机的初始起飞点，数字气压计，用于测量无人机高度以及加速度计和陀螺仪联合使用进行无人机运动补偿。遥控器只用到无人机与遥控器通信传输模块和一键返航按键。广角摄像头位于停机坪的中心，用来获取无人机的图像信息。遥控器与停机坪的摄像头有线连接，利用遥控器上手机自带的APP进行算法控制，遥控器与无人机只传输控制信息和反馈信息。与目前市面上无人机图传系统相比，优点是遥控器与无人机传输信息少，实时性更好；缺点是这一过程没有利用无人机自带的摄像头，没有无人机降落画面。具体的结构示意图如图1所示。 1.2 无人机返航控制流程 当遥控器的一键返航启动，无人机先垂直飞行到设置的返航高度。然后再水平飞行到GPS记录的起飞点上空，打开停机坪中间的摄像头获取无人机图像，利用运动检测的方法确定悬停中无人机的位置信息，根据位置信息确定无人机所在平面的运动方向，当无人机进行平移时不断计算图像中无人机中心与图像中心的距离。由于无人机移动的惯性影响，给定一个距离误差，当距离小于距离误差时，就认为无人机的中心与图像中心重合，水平移动完成。控制无人机垂直下降一定距离，再判断水平距离，若满足小于距离误差，继续垂直下降，如此循环，最终使无人机降落在停机坪上。 2 运动检测算法确定 整个流程最关键的是从图像序列中检测出来无人机的位置信息，也就归结为运动检测。 运动检测算法常见的有如下几种： 1） 图像差分算法。图像差分利用相邻两帧图像差值获取运动目标，去除两帧图像的共有背景。优点是计算简单，缺点是图像采样率、移动目标的移动速度、目标与摄像头的距离会对检测效果产生很大影响，当目标与摄像头距离较近、目标移动过快、图像采样率低时，会产生大量背景区域出现在目标区域中，这样对于后续想要用目标矩形作为目标的轮廓框比较困难，不能完整分割出目标。为了改善帧差检测使目标存在的较大空洞，也出现了改进的帧差运动检测算法[6]。 2） 模板匹配算法。这里所说的模板匹配算法中的模板指的是存入在内存中无人机图片库，通过比对模板与视频中每一帧图像，寻找无人机在每帧图像中的位置，比对的方法通过相关两幅图像。这种算法的优点在简单场景中匹配比较准确，不需要进行滤波处理，缺点是对内存和CPU性能要求较高，考虑到目标离摄像头的距离，内存需要存储大量实验目标的图片作为模板，且对应的相关操作有大量的乘积运算，计算要求较高。该算法适合目标与摄像头距离比较固定的场合。为了改善计算时间较长，出现了改进归一化的灰度匹配算法[7]。 3） 背景减除算法。背景减除算法是用当前图像减去背景图像得到差值图像，通过设定一定的阈值将绝对值的差值图像转为二值图像。然后通过滤波等操作得到移动目标，这种算法适合于背景在大部分时间可见的场合[8?9]，从无人机水平飞进摄像头视野中有几秒时间完全可以构建初始背景图像，所以本实验采用背景减除算法。 2.1 获取图像中的无人机 背景建模的关键是对背景的提取，从自动返航按键启动到无人机移动到视野有几秒钟时间。利用这段时间采样N帧图像对背景建模初始化，背景提取影响着对目标的检测，是背景减除算法的核心。本文使用时间背景建模，其中包括两种方法：均值法和中值法[10?11]。 1） 均值法是用对应像素点在时间序列上的均值代替对应背景点的像素值，其公式为： [Bx，y=n=1NIn（x，y）N] （1） 2） 中值法是用对应像素点在时间序列上的中值代替对应背景点的像素值，其公式为： [Bx，y=MedInx，y， 1nN] （2） 式中：[Bx，y]属于初始背景像素点灰度值；[Inx，y]属于初始化图像序列帧中对应像素点的灰度值。均值法容易受到噪声的干扰，中值法会排除噪声干扰。本实验获取了前N帧图像，通过改变图像尺寸的方法和使用Buffer缓冲器获取每一点N帧的图像序列的灰度值的中值，获取初始背景帧中像素点中的灰度值，再恢复原图像的尺寸即初始背景帧。图2为背景帧初始化流程图。 初始背景帧提取之后再进行背景减除，背景减除利用当前图像和背景图像进行差分获取移动区域即检测出背景中不存在的区域或明显差异的区域。这部分区域包括移动目标和噪声干扰，然后通过设置阈值来获得前景图像的二值图像，公式为： [Bdx，y=1， Ix，y-Ib（x，y）Ith0， Ix，y-Ib（x，y） 2.2 无人机位置信息确定 利用上述背景减除算法检测出无人机之后，然后需要确定无人机位置信息。位置信息的确定可以控制无人机运动方向和移动的距离。由于摄像头处于停机坪中间即无人机的起飞点，图像的中心也是停机坪的中心，如果以图像的中心为原点，正北和正东分别为y轴和x轴，无人机所在水平平面建立直角坐标系，只要获取无人机在图像中的坐标即位置信息。无人机的高度由无人机上数字气压计给出。 在自动返航过程需要说明的是机头的方向一直是正北方向，根据坐标（x，y）的正负值判断无人机是往正北、正南，还是正东、正西飞行，图3为无人机水平坐标示意图。 3 相关参数确定及实验结果 本实验选取的广角摄像头视角为60°，启动一键返航，进入视野之后进行距离和方向的微调，到距离停机坪高度h时停止水平距离调整，垂直降落，这是考虑到无人机仍在摄像头视野中。如图1所示，当高度为h，无人机到视角边缘的半径为r，可以用公式表示为： [tan θ2=rh] （4） 式中：[θ]为选用摄像头的视角；h为无人机所处的高度；r为无人机中心到视角边缘的半径。本实验设置的h为1 m，计算出r为1.15 m。 在当前图像和背景图像相减得到的差分图像中，通过选取合适的[Ith]，得到合适的二值前景图。[Ith]的选取很关键，它直接影响到后面的滤波操作以及最终目标的提取。通过大量的实验，选取目标刚出现在视野中的图像序列帧的灰度直方图进行阈值的选取，如图4所示。 由于差分的结果，大量的灰度值集中在0～1附近，其中灰度值数量最多集中在0附近，属于黑色的背景，少量灰度值数量的是目标，属于前景。从图4中可以看出，当阈值为0.05～0.07之间属于最合适的阈值选取范围，当阈值选取的过小或者过大，分别会出现噪声明显增多或目标边缘被误认为背景像素。 由上述得到的前景图像再进行形态学滤波处理，结构元素的选取对图像的滤波效果产生很大的影响，结构元素的形状有直线型、矩形、菱形、圆盘形等对称式结构。结构元素的尺寸要根据具体的图像来选择参数。尺寸太小无法连接目标断裂较大的区域，增加块区域的数目；尺寸太大会导致毗邻不相关两块区域的级联。这两种情况都直接影响最终前景目标的完整提取，使用形态学操作中的膨胀操作，膨胀系数模板是使用5×5的矩形。可以把结构元素看作是卷积模板，尽管膨胀是以集合运算为基础，而卷积是以算术运算为基础，膨胀的具体实现过程和卷积相似，都是先对模板进行翻转，由于模板的对称性，翻转前后一样，然后使模板滑过图像，模板像素和圖像像素之间进行“或”操作[12]。 经过形态学滤波操作之后是进行块分析，噪声经过上述几步操作之后大部分已经滤除掉了，可能有个别的较大噪声经过滤波操作之后还会伴随目标一起出现在前景中，根据无人机自动返航过程设置的返航高度。当无人机进入视野到无人机移出视野时，计算无人机块区域像素数量的最小值和最大值，相应的公式表示为： [Obj=1， areaminareaareamax0， other] （5） 式中：[area]为每个块中像素的个数；[areamin]和[areamax]为设定的块区域像素数量的最小值和最大值；[Obj]为逻辑与的判断结果，只有符合逻辑结果为1时才是前景目标。 本实验中使用的是大疆Phantom 3 Advanced无人机，质量1 280 g，水平悬停精度1.5 m，垂直悬停精度0.5 m，最大水平飞行速度16 m/s。经运动检测获取的无人机位置如图5所示。由于无人机的惯性影响，经测试，设置图像中无人机中心与图像中心的距离误差为20，20个像素以内即认为两个中心重合。 考虑到树木和普通建筑高度，选取无人机的返航高度大于等于30 m，即30 m，40 m，50 m，60 m，70 m，它们分别对应的[areamin]为1 020，430，120，50，25，[areamax]是停止无人机水平移动的高度h=1 m所计算的块区域像素为3 000，此参数根据设置返航的高度，人为计算调整。表1为无人机的降落点误差对比。 图5中，5列分别对应第30帧，117帧，180帧，260帧，420帧图像，图中的a～d分别对应原始视频帧、背景帧、前景帧、追踪结果帧。由表1可知，在高度50 m及以下高度，无人机的降落半径可以达到半径0.5 m之内，相比于GPS误差半径1.5 m降落精度提高。高度大于50 m时，由于无人机在图像中基本属于一个点状形态，噪音影响严重，无法准确用图像捕获无人机，测出的降落半径其实是GPS误差半径。 4 结 论 本文提出对于无人机自动返航中无法准确降落的问题，并在解决方案中提出摄像头静止，目标移动的新的想法，利用背景减除算法实现无人机的检测并追踪，控制无人机使其降落在摄像头的位置。实验表明，本文设计的方法能够稳定地追踪无人机并获得位置信息，当设置返航高度为30 m时，使无人机降落的误差大约为0.5 m，相比GPS定位精度有明显提升，基本能满足落在长宽为0.5 m的停机坪要求。 参考文献 [1] 刘军，王鹤，王秋玲，等.无人机遥感技术在露天矿边坡测绘中的应用[J].红外与激光工程，2016，45（z1）：111?114. LIU Jun， WANG He， WANG Qiuling， et al. Application of UAV remote sensing technology in open?pit slope mapping [J]. Infrared and laser engineering， 2016， 45（S1）： 111?114. [2] 臧克，孙永华，李京，等.微型无人机遥感系统在汶川地震中的应用[J].自然灾害学报，2010，19（3）：162?166. ZANG Ke， SUN Yonghua， LI Jing， et al. Application of miniature unmanned aerial vehicle remote sensing system to Wenchuan earthquake [J]. Journal of natural disasters， 2010， 19（3）： 162?166. [3] 井然，邓磊，赵文吉，等.基于可见光植被指数的面向对象湿地水生植被提取方法[J].应用生态学报，2016，27（5）：1427?1436. JING Ran， DENG Lei， ZHAO Wenji， et al. Object?oriented aquatic vegetation extracting approach based on visible vegetation indices [J]. Chinese journal of applied ecology， 2016， 27（5）： 1427?1436. [4] 宋宇，翁新武，郭昕刚.基于光流和惯性导航的小型无人机定位方法[J].传感器与微系统，2015，34（1）：13?16. SONG Yu， WENG Xinwu， GUO Xingang. Small UAV localization method based on optical?flow and inertial navigation [J]. Transducer and microsystem technologies， 2015， 34（1）： 13?16. [5] 赵春晖，潘泉，梁彦，等.视频图像运动目标分析[M].北京：国防工业出版社，2011. ZHAO Chunhui， PAN Quan， LIANG Yan， et al. Video imagery moving targets analysis [M]. Beijing： National Defense Industry Press， 2011. [6] 严金果，徐蔚鸿.基于新的帧间差分运动目标检测算法[J].计算机工程与设计，2013，34（12）：4331?4335. YAN Jinguo， XU Weihong. Moving object real?time detection algorithm based on new frame difference [J]. Computer engineering and design， 2013， 34（12）： 4331?4335. [7] 陈丽芳，刘渊，须文波.改进的归一互相关法的灰度图像模板匹配方法[J].计算机工程与应用，2011，47（26）：181?183. CHEN Lifang， LIU Yuan， XU Wenbo. Improved normalized correlation method of gray image template matching method [J]. Computer engineering and applications， 2011， 47（26）： 181?183. [8] CHEUNG S C S， KAMATH C. Robust techniques for background subtraction in urban traffic video [C]// Proceedings of Visual Communications and Image Processing. San Jose： SPIE proceedings， 2004， 5308： 881?892. [9] 纪运红，张颖，吴庆洪.基于灰度图像的自适应背景模型运动物体检测算法比较研究[J].现代电子技术，2007，30（5）：123?127. JI Yunhong， ZHANG Ying， WU Qinghong. Comparison of moving target detection algorithms using adaptive background models in grayscale image sequences [J]. Modern electronics technique， 2007， 30（5）： 123?127. [10] 康晓晶，吴谨.基于高斯背景建模的目标检测技术[J].液晶与显示，2010，25（3）：454?459. KANG Xiaojing， WU Jin. Object detecting technology based on Gauss background modeling [J]. Chinese journal of liquid crystals and displays， 2010， 25（3）： 454?459. [11] MOHAN A S， RESMI R. Video image processing for moving object detection and segmentation using background subtraction [C]// Proceedings of International Conference on Computational Systems and Communications. Trivandrum： IEEE， 2014： 288?292. [12] GONZALEZ R C， WOODS R E. Digital image processing [M]. New Jersey： Prentice Hall， 2003. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。