CN105004337B - 基于直线匹配的农用无人机自主导航方法 - Google Patents

基于直线匹配的农用无人机自主导航方法 Download PDF

Info

Publication number
CN105004337B
CN105004337B CN201510512916.XA CN201510512916A CN105004337B CN 105004337 B CN105004337 B CN 105004337B CN 201510512916 A CN201510512916 A CN 201510512916A CN 105004337 B CN105004337 B CN 105004337B
Authority
CN
China
Prior art keywords
straight line
coordinate system
image
unmanned aerial
matching
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510512916.XA
Other languages
English (en)
Other versions
CN105004337A (zh
Inventor
邵巍
赵立业
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xupu Nongfeike Agricultural Technology Co Ltd
Original Assignee
Qingdao University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qingdao University of Science and Technology filed Critical Qingdao University of Science and Technology
Priority to CN201510512916.XA priority Critical patent/CN105004337B/zh
Publication of CN105004337A publication Critical patent/CN105004337A/zh
Application granted granted Critical
Publication of CN105004337B publication Critical patent/CN105004337B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/04—Interpretation of pictures

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种基于直线匹配的农用无人机自主导航方法，该方法首先对常见的田间直线纹理特征进行提取、匹配，得到相应的几何约束方程，然后使用最小二乘法和奇异值分解对方程求解，并对求出的位置姿态参数进行二次校正，最终得到农用无人机的位置、姿态。本发明的优点在于：结合农田地形特征，提出基于直线匹配对农用无人机导航的新思路，采用本方法导航具有较高实时性和准确性，并且精度高、噪声干扰小，具有广泛的应用前景。

Description

基于直线匹配的农用无人机自主导航方法
技术领域
本发明属于无人机导航领域，尤其涉及一种基于直线匹配的农用无人机自主导航方法。
背景技术
随着现代化农业技术的发展，农用无人机的应用无疑是跨进高科技农业时代的重要标志，现在农用无人机越来越多地应用于喷洒农药、施肥等方面，农用无人机的出现节省了大量的人力劳动，而导航方法的精确性直接影响农用无人机工作效率，因此找到一种精确度高、噪声影响小的导航方法十分必要。
目前，较常使用的导航方法主要有惯性导航、无线电导航以及卫星导航等，这些导航技术应用在工作在山区、丘陵等地区的农用无人机都存在一定的局限性。申请号为【201410128459.X】的发明专利公开一种基于景象匹配/视觉里程的惯性组合导航方法，根据视觉里程原理，计算无人机航拍实时图像序列的单应矩阵，通过累积连续两帧实时图之间的相对位移，递推计算出无人机的当前位置；由于导航信息经积分产生，定位误差随时间增长，误差积累较大导致定位精度随时间降低，并且要对误差进行修正，导致高精度的惯导***质量高、体积大、造价昂贵，不适用于农用无人机的导航。
使用无线电导航发送无线电波实现导航时，需要建立地面基站来辅助导航，只有地面基站正常工作时，无线电导航***才能正常工作，在山区、盆地或丘陵地区易受地形遮挡，容易产生信号干扰，卫星导航方法的传输信号易被山峰阻挡导致导航精度降低，不适用于有遮挡物的山区。
利用计算机视觉进行无人机的自主导航成为近年的研究热点，该方法具有精度高，不受电子干扰等特点。申请号为【201410596775.X】公开一种无人机视觉导航方法，首先利用SIFT算法构建图像的多尺度空间，然后精确定位特征点的位置，根据图像中提取的最稳定特征点采用最近/次近邻距离匹配方法对特征点进行匹配，利用已经匹配的特征点对求解基础矩阵再进一步解算本质矩阵从而求解了无人机的姿态变换，此类方法是基于搜寻像素多尺度局部信息极值，并形成特征点描述符从而进行匹配的，对一定范围内的缩放、光照、尺度变化具有一定的鲁棒性，但是不适用于农用无人机导航，由于农田纹理特征极为相似、大尺度的缩放和角度变化时容易出现误匹配，另一方面，这些特征点提取算法能够在每幅图像得到几百甚至上千个特征点，计算量大，实时性难以保证，并且不利于进行地理位置等信息的直观表述。因此，利用点特征等信息进行农用无人机的自主导航存在诸多局限性。
为此，亟待提出一种针对农田地形特征，实现精确、实时导航的方法。
发明内容
本发明的目的是针对上述导航方法导航精度低、易受信号干扰，计算量大、实时性难以保证等技术问题提出的一种基于直线匹配的农用无人机自主导航方法，基于农田中因作物分垄形成的纹理丰富、田间道路明显，并利用这些纹理特征便于提取出直线的特点进行导航。
为了达到上述目的，本发明提出一种基于直线匹配的农用无人机自主导航方法，主要包括以下步骤：
S1、对航拍的田间直线纹理特征进行提取、并与基准图像进行直线匹配，所述基准图像为目标作业区的完整图像；
S2、根据上述匹配结果求取农用无人机的位姿参数，过程如下：
S21、建立世界坐标系和局部坐标系，标定匹配直线L1、L2…Ln(n>3)；
S22、从图像中检测出匹配直线的对应投影l1、l2…ln(n>3)；
S23、建立相机坐标系，描述投影直线的图像坐标；
S24、根据地面匹配直线与像平面上投影直线间的几何关系，建立约束方程；
S25、求解约束方程得到农用无人机的位姿参数候选初始解；
S3、对上述农用无人机的位姿参数候选初始解进行校正，并选取最优解；
S4、剔除导航过程中出现的粗大误差，进而确定农用无人机的导航数据，所述导航数据为农用无人机的位姿参数终值。
作为优选，所述步骤S21中建立局部坐标系时，为了减少噪声的影响，选取像平面上内最长的一条直线记为l1，对应的空间直线为L1，以直线L1作为局部坐标系的Xm轴，以地平面内与Xm轴垂直且指向的右方向作为局部坐标系Ym轴，利用匹配直线近似位于同一地平面的特点，建立的局部坐标系Zm轴与世界坐标系的Zw轴方向一致，将所有局部坐标值在Zm轴上的分量近似为零，降低了计算的复杂度，提高实时性。
作为优选，为了取得更为稳定可靠的导航结果，利用无人机在飞行的过程中，无论在角度上还是方向位移上不会在极短时间内发生极大的变化特点，所述步骤S4中剔除粗大误差采用3σ准则去除产生粗大误差的结果，若当前时刻位姿参数值超过误差范围，则当前时刻位姿参数值使用上一时刻的位姿参数值替代。
作为优选，所述步骤S1包括：S11、对航拍图像进行高斯滤波及图像金字塔处理，对不同尺度下的图像进行边缘提取，提取的边缘具有单像素特性，便于直线特征符的描述；S12、直线特征提取之后，利用尺度不变特征点描述符的匹配思想，对提取出的直线进行局部特征描述，并利用最近邻距离比率的方法进行匹配，该描述符对图像的缩放、旋转、光照变化都具有鲁棒性。
作为优选，对所述约束方程求解时采用最小二乘法和奇异值分解法，最小二乘法通过将误差最小化，实现最大程度地拟合出真实数据的走向，提高计算精度，奇异值分解原理中不涉及复数，计算简单，速度快。
作为优选，所述农用无人机的位姿参数包括旋转矩阵和平移向量T。
作为优选，所述步骤S3中对农用无人机的位姿参数进行校正时，先设定求得的旋转矩阵和平移向量T与真实值相差ΔR和ΔT，将ΔR和ΔT作为对农用无人机位姿参数的修正，根据修正后的参数满足直线上的点与相应投影平面的法向量的点乘加权求和为零，反求ΔR和ΔT，进而对位姿参数校正。
与现有技术相比，本发明的优点和积极效果在于：
1、根据田间作物分垄以及农田中道路形成的直线纹理清晰丰富等特征，提出根据直线匹配进行农用无人机导航的新思路，受外界环境约束较少，且不受电子信号干扰，该方法适用于任何位置关系的直线。
2、通过对直线纹理特征的提取与匹配，并基于平面直线特征建立局部坐标系，使z轴方向的坐标值近似为零，降低了计算的复杂度，计算速度快、实时性好，对地面高度变化的鲁棒性好。
3、利用3σ准则去除导航过程中产生的粗大误差，获得更为稳定可靠的导航结果，提高了导航精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为实施例中基于直线匹配的农用无人机自主导航方法流程图；
图2为实施例中建立的坐标系示意图；
图3-1为基准图像直线提取结果示意图；
图3-2为无人机导航过程中拍摄图像的直线提取结果示意图；
图4为直线匹配结果示意图；
图5-1为剔除粗大误差后位移误差仿真结果图；
图5-2为剔除粗大误差后角度误差仿真结果图；
图6-1为实施例中导航方法位移误差与直线条数的关系曲线图；
图6-2为实施例中导航方法角度误差与直线条数的关系曲线图；
图7为实施例中导航方法计算时间示意图；
图8-1为实施例中导航方法位移误差与地面起伏的关系图；
图8-2为实施例中导航方法角度误差与地面起伏的关系图。
具体实施方式
本发明提出一种基于直线匹配的农用无人机自主导航方法，下面结合附图详细说明本发明的具体实施方式。
如图1所示，为本实施例提供的基于直线匹配的农用无人机自主导航方法流程图，基于直线匹配的农用无人机自主导航方法主要包括：步骤S1、对航拍的田间直线纹理特征进行提取、并与基准图像进行直线匹配，所述基准图像为目标作业区的完整图像；步骤S2、根据上述匹配结果求取农用无人机的位姿参数；步骤S3、对上述农用无人机的位姿参数进行校正，并选取最优解；步骤S4、剔除导航过程中出现的粗大误差，进而确定农用无人机的导航数据，所述导航数据为无人机的位姿参数。步骤S2求取农用无人机位姿参数的过程如下：步骤S21、建立世界坐标系和局部坐标系，标定匹配直线L1、L2…Ln(n>3)；步骤S22、从图像中检测出匹配直线的对应投影l1、l2…ln(n>3)；步骤S23、建立相机坐标系，描述投影直线的图像坐标；步骤S24、根据地面匹配直线与像平面上投影直线间的几何关系，建立约束方程；步骤S25、求解约束方程得到农用无人机的位姿参数初值。
为了获得更为稳定的导航结果，所述步骤S4中剔除粗大误差，采用3σ准则去除粗大误差后的结果，先假设导航得到的一组位姿参数数据只含有随机误差，对其进行计算处理得到标准差σ，以3σ为误差区间范围，超过此范围的为粗大误差并予以剔除，即若当前时刻位姿参数值超过此误差范围，则当前时刻位姿参数值使用上一时刻的位姿参数值替代。
1)本实施例中，对图像中的直线纹理特征提取与匹配时，首先采用SIFT特征点尺度空间的思想，将原始图像灰度化，为了保证能够在不同缩放比例下对边缘信息进行提取，采用连续降采样获取图像金字塔。对各层图像利用高斯滤波滤除噪声，然后采用索贝尔算子包含的横向及纵向两组3×3的矩阵，与图像作平面卷积，得到横向和纵向的灰度差分近似值，然后通过判断像素梯度变化方向并进行相邻关键像素的连接，进而对不同尺度下的图像进行边缘提取，此方法比传统的canny边缘提取算法计算速度快10％，且提取的边缘具有单像素特性、连续性，且运行速度很快，便于直线特征符的描述。如图3-1和3-2所示，为对基准图像与航拍图像进行多尺度边缘提取并进行直线最小二乘拟合的效果，从图中可以看出，图像中的大多数直线纹理都被较好地提取出来。
提取直线特征之后，根据尺度不变特征点描述符的匹配思想，对提取出的直线进行局部特征的描述，并利用最近邻距离比率的方法进行匹配，为使特征描述符具有良好的独特性，采用的直线描述符不仅包含直线本身，也包括直线邻域的有关像素信息。首先对不同直线的描述符在搜索空间中进行层次划分，导出一个索引结构，进而快速寻找到一个给定特征的邻近特征，在欧式空间中进行快速匹配。广泛使用的索引结构是多维搜索树，这里采用K-D树最近邻搜索算法的改进：BBF(Best-Bin-First)查询算法，此算法将“查询路径”上的节点进行排序，如按各自分割超平面与查询点的距离排序，能够确保优先检索包含最近邻点可能性较高的空间。采用BBF查询机制后，K-D树便可以有效的扩展到高维数据集上。利用该搜索算法可快速找到最邻近以及次邻近的直线描述符。
设待匹配特征描述符为LBDA，其最邻近特征为LBDB，次邻近特征为LBDc，那么判断该特征匹配的条件为：其中N为比例阈值，本实施例中N取0.6。如图4所示，对航拍农田图像与基准图像进行直线匹配的结果可以看出，由于对直线特征较为详细的描述，达到很好的匹配效果。并且利用该直线描述符可以对提取的直线特征进行不同缩放、旋转的正确匹配，为利用直线导航奠定了良好的基础。
2)对图像中的直线特征提取并匹配后，标定匹配出的直线，根据匹配结果求取农用无人机的位姿参数，所述位姿参数包括旋转矩阵Rc w和平移向量T。
标定匹配直线、求取农用无人机位姿参数时，首先建立坐标系，如图2所示，图2中左边为相机坐标系和局部坐标系的关系图，右边为局部坐标系和世界坐标系的关系图。实施例中，以东北天坐标系作为世界坐标系OwXwYwZw，以相机光心为相机坐标系原点Oc，相机坐标系Zc轴方向为相机光轴方向，并指向像平面外，像平面的行和列平行且方向相同的方向为Xc轴和Yc轴，建立相机坐标系OcXcYcZc。为方便相机在世界坐标系中姿态的计算，还需要建立局部坐标系，设由相机采集并匹配得到的空间直线记为Li(i＝1,2,3…n)以及在像平面上的投影直线记为li(i＝1,2,3…n)。为了减少噪声的影响，在像平面上选取最长的一条直线记为l1，对应的地面空间直线为L1。设平面Π1是相机坐标系的坐标原点Oc和直线L1组成的平面，称为投影平面，其法向量为n1。为方便相机在世界坐标系中姿态的计算，并考虑到减少噪声的干扰，选取直线L1作为局部坐标系Xm轴，地平面内与Xm轴垂直且指向的右方向作为局部坐标系Ym轴，局部坐标系Zm轴与世界坐标系的Zm轴方向一致，从而建立局部坐标系OmXmYmZm，利用农田种植基地地势较为平缓的特点，将直线的空间坐标近似为平面坐标值，降低了计算的复杂度，本实施例中，由于农田直线特征多为平面直线，本导航方法将近似于平面的直线按平面算法处理。
3)获得直线的世界坐标值及对应投影的图像坐标值，根据地面直线与在像平面上投影直线间的几何关系，建立约束方程。直线L1的单位方向向量在世界坐标系下记为设其与轴OwXw的夹角为α，直线的方向向量在世界坐标系中的坐标值转化成局部坐标系中的坐标值的旋转矩阵记为根据直线L1作为局部坐标系的Xm轴这一特点，向量与向量存在如下关系如果的取值记为必须满足以下条件：向量e1和e2是一对单位正交向量；向量e1和e2满足又因为是围绕世界坐标系Zw的旋转，所以有旋转矩阵同样满足实现其他直线方向向量的世界坐标向局部坐标转换。
像平面上投影直线l1的端点在相机坐标系下记为 平面Π1的法向量在n1可由p1s，p1e叉乘获得，即n1＝p1s×p1e，因为直线L1位于平面Π1上，直线L1的方向向量与平面Π1的法向量正交，并将相机坐标系转换为局部坐标系旋转矩阵记为实现n1从相机坐标值向局部坐标系的转化为局部坐标，其中，为局部坐标系到相机坐标系的旋转矩阵，为直线L1在局部坐标系下的方向向量，且满足条件由以上限制条件，可以将参数化为其中，R为第二列为n1的单位正交矩阵，Rx(β)表示围绕OmXm轴旋转β角度的旋转矩阵，Ry(γ)表示围绕OmYm轴旋转γ角度的旋转矩阵，向量n1已知量，而向量为在直线提取匹配后获得，那么也为已知量，记相机坐标系转化成世界坐标系的旋转矩阵只需将角度β和γ求出，即可得到旋转矩阵
4)求取位姿参数时，在像平面上选取投影直线长度仅次于l1的直线记为l2，对应的空间直线为L2，记除L1、L2外的n-2条直线为Li(i＝3,4…n)，同样为了减少像平面上像素噪声对直线向量的影响，选取L2作为在求解方程中的辅助线，设L2和Li的方向向量在局部坐标系下表示为 Li(i＝1,2,3…n)与相机的坐标原点构成平面Πi(i＝1,2,3…n)，记Πi单位法向量为ni＝[x′i y′iz′i]T，除直线L1外，剩余n-1条直线，将直线L2分别和L3、L4…Ln组合，共构成n-2组直线对，以直线L2和L3组为第一组，获得约束方程组将向量和的坐标表示代入上式得到
其中，
求解上式得到利用三角函数关系cos2γ+sin2γ＝1消去未知参数γ，得到仅含未知参数β的一元方程(σ2σ6-σ3σ5)2+(σ3σ4-σ1σ6)2＝(σ1σ5-σ2σ4)2，将三角函数关系cos2β＝1-sin2β代入式，记r＝sinβ，得其中a10、a11…a14是由σj(j＝1,2…6)构成的多项式。与第一组直线的计算方法同理，分别对其他n-3组直线对列写约束方程组，共得到n-2个关于r的一元方程，将n-2个方程联立得到其中k＝0,1,2,3,4对方程中各等式两边平方并相加得到求导得到关于r的7阶方程式可以从中解得7个r根，设其中存在m1(m1≤7)个实数。为了判断所求的是极大或极小值点，需要对上式求二阶导数利用极小值判定定理F″(r)≥0，从求出的m1个实数中选出m2(m2≤m1)个极小值，因此求出m2个sinβ的候选值，接下来就可以利用sinβ的候选值求出γ值及旋转矩阵的候选值。
根据法向量ni与相应平面内的向量都垂直，可以得到方程其中，T为世界坐标系下农用无人机的平移向量位置坐标，在直线Li上任取一点记为T为世界坐标系中相机的位置，将式及第t(t＝1,2…m2)个sinβ值代入式得到其中，设 并代入式得到Mt·Q＝0，其中，
q＝[cosγ sinγ xc yc zc 1]T，将Mt奇异值分解如下[U S V]＝svd(Mt)，
根据奇异值分解原理知，V的第6列向量V6与向量q线性相关，存在如下关系V6＝kq，其中k为常数，因为向量q的最后一个元素为1，所以k与向量V6中的最后一个元素V66相等，即k＝V66，所以有q＝V6/V66，相应地得到：cosγ＝V16/V66，所以现在得到m2个sinβ候选值，并得到对应的γ三角函数值及平移向量T的解。
5)求出旋转矩阵和平移向量T的候选初值后，由于噪声干扰，旋转矩阵并不符合旋转矩阵为正交单位阵的基本要求，因此，在选取最精确位姿参数之前，应先对位姿参数进行处理以满足旋转矩阵要求。
首先在直线Li上任选一点，其世界坐标为并通过计算得到直线Li上离世界坐标系原点最近的一点利用已求出的和T得到相机坐标系下点的坐标为在投影平面Πi上投影坐标为根据 对点校准，估计出规范化的和Τ′，在以下的叙述中和Τ＝Τ′。
将位姿参数规范化后，为了简化选取最优解的计算量，首先对m2组旋转矩阵作初步筛选，并设定旋转矩阵误差表示为：下面是对连续2000次随机仿真试验结果的数据分析：
2000次随机仿真试验共得到候选旋转矩阵7413个，对应得到的E1值分布如下：
表1-1候选旋转矩阵对应E值
E1误差值 小于10-6 (10-6,10-5] (10-5,10-4] (10-4,10-3] (10-3,10-2] 大于10-2
数量 300 466 1458 2774 1660 755
概率 4.0469％ 6.2863％ 19.6682％ 37.4207％ 22.3931％ 10.1848％
选取的2000个最优旋转矩阵对应的E1值分布如下表：
表1-2最优旋转矩阵对应E1值
E1误差值 小于10-6 (10-6,10-5] (10-5,10-4] (10-4 ,10-3] (10-3,10-2] 大于10-2
数量 214 367 1028 354 37 0
概率 10.7％ 18.35％ 51.4％ 17.7％ 1.85％ 0
由表中的数据分布可知，在筛选的过程中，将E1大于10-2对应的候选旋转矩阵较为合理。设经过筛选后剩余m3组位姿参数，将其代入式得到m3组值，并相应地得到m3组和在投影平面上画出由和构成的直线记做L′i，设其投影为l′i，Li和L′i偏离程度表示了位姿参数的准确度。将两直线之间的偏差定义为E2，其中li表示像平面上投影直线li的长度，his、hie分别表示li上的点到l′i的距离，并将其作为评价位姿参数准确性的标准。选出m3组位姿参数对应E2最小的一组，并根据相机只拍摄前方物体这一基本原则，只保留Zc轴坐标分量为正时对应的和T值。利用ni应与垂直的几何关系，进一步修正和T。假设T与真实值分别相差ΔR和ΔT，直线上点对应Pi的真实值坐标为求取其点乘的加权平方和最小值对应的ΔR和ΔT，作为对和T的修正，其中ωi是li的倒数，用于优化估计过程中噪声对直线影响的权重。
标定结果，以仿真环境为Matlab R2010a，CPU采用Intel(R)Core(TM)i5-323M，内存4GB为例，假设农用无人机飞行高度为2000m，相机视场角45°，分辨率为1024×1024，焦距为2.5mm，每秒拍摄1帧图像。设田间道路宽度为10m，匹配直线的两个端点加上标准差为9个像素的高斯白噪声。
农用无人机连续航拍过程中，采用蒙特卡洛模拟仿真方法，进行2000次随机仿真实验并统计计算结果，进而获得无人机位姿参数最终导航数据。参考图5-1和图5-2，为经过2000次随机仿真实验剔除粗大误差后位移误差和角度误差仿真结果图。在选取最优解的过程中，由于某些角度的候选解与真实值十分接近，偶尔选错最优解而出现发散现象。考虑到无人机短时间内位置、角度变化小，可以采用3σ准则剔除粗大误差。本实施例优选从当前时刻算起，对前10次的位姿参数求标准差σ，并比较第11次的值与之前10次的平均值之差与3σ的大小，差值小于3σ的在误差范围内，则第11次的位姿参数值保留，否则使用第10次的位姿参数替代，依次对之后的数据采用此方法处理，最后取平均值作为最终的导航数据。表2-1、2-2为使用该导航方法仿真得到的旋转角度及平移向量的精度值，可以看出该方法稳定性较强且导航精度较高。
表2-1旋转角精度
表2-2平移向量精度
图6-1和图6-2为本发明导航方法导航精度与匹配直线条数的关系曲线图，图7为本方法计算时间示意图。参考图8-1、图8-2，为本发明导航方法的导航精度与地面起伏关系图，其中农用无人机飞行高度由高度计获取。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (4)

1.一种基于直线匹配的农用无人机自主导航方法，其特征在于，包括如下步骤：
S1、对航拍的田间直线纹理特征进行提取、并与基准图像进行直线匹配，所述基准图像为目标作业区的完整图像，具体的：
(1)首先将原始图像灰度化，并采用连续降采样获取图像金字塔对各层图像利用高斯滤波滤除噪声；
(2)然后采用索贝尔算子与图像作平面卷积，得到横向和纵向的灰度差分近似值，通过判断像素梯度变化方向并进行相邻关键像素的连接，对不同尺度下的图像进行边缘提取；
(3)提取直线特征之后，对提取出的直线进行局部特征的描述，并利用最近邻距离比率的方法进行匹配，且采用的直线描述符不仅包含直线本身，也包括直线邻域的有关像素信息；
S2、根据上述匹配结果求取农用无人机的位姿参数，所述位姿参数包括旋转矩阵和平移向量T，过程如下：
S21、建立世界坐标系OwXwYwZw和局部坐标系OmXmYmZm，标定匹配直线L1、L2...Ln(n>3)：建立局部坐标系时，选取像平面上最长的一条直线记为l1，对应的空间直线为L1，以直线L1作为局部坐标系的Xm轴，以地平面内与Xm轴垂直且指向的右方向作为局部坐标系Ym轴，局部坐标系的Zm轴与世界坐标系的Zw轴重合；
S22、从图像中检测出匹配直线的对应投影l1、l2...ln(n>3)；
S23、以相机光心为相机坐标系原点Oc，建立相机坐标系OcXcYcZc，相机坐标系Zc轴方向为相机光轴方向，并指向像平面外，像平面的行和列平行且方向相同的方向为Xc轴和Yc轴，描述直线在图像上的投影坐标；
S24、根据地面匹配直线与像平面上投影直线间的几何关系，建立约束方程；
S25、求解约束方程得到农用无人机的位姿参数候选初始解：在像平面中选取除L1之外最长的L2作为在求解方程中的辅助线，利用“直线Li(i＝1,2,3…n)与相机的坐标原点构成的平面Πi法向量垂直的约束关系”获取方程，与直线L2和其所在平面法向量垂直关系构成的方程分别组成方程组，然后对方程组进行求解，得到多个候选初始解；
S3、对上述农用无人机的位姿参数候选初始解进行校正，根据投影直线与通过候选初始解构造的投影直线间的误差比较运算得到最优解：利用旋转角度的三角函数关系，对步骤S25中方程组化简，首先使用最小二乘法将获取的n-2个方程求出多组旋转角，再利用“直线上的点与坐标原点的连线在直线与坐标原点构成的平面上”这一特点列方程，使用奇异值分解求出的多组位姿参数，并再次利用“直线与平面法向量正交的关系”选取精度最高的位姿参数；
S4、剔除连续导航过程中出现的粗大误差，进而确定农用无人机的最终导航数据。
2.根据权利要求1所述的基于直线匹配的农用无人机自主导航方法，其特征在于，所述步骤S4中采用3σ准则剔除粗大误差，若当前时刻位姿参数值超过误差范围，则当前时刻位姿参数值使用上一时刻的位姿参数值替代。
3.根据权利要求2所述的基于直线匹配的农用无人机自主导航方法，其特征在于，对所述约束方程求解时采用最小二乘法和奇异值分解法。
4.根据权利要求3所述的基于直线匹配的农用无人机自主导航方法，其特征在于，所述步骤S3中对农用无人机的位姿参数进行二次校正时，先设定位姿参数旋转矩阵和平移向量T与真实值相差ΔR和ΔT，并将ΔR和ΔT作为对无人机位姿参数的修正，根据修正后的参数满足直线上的点与相应投影平面法向量的点乘加权求和为零，求ΔR和ΔT，进而对位姿参数校正。
CN201510512916.XA 2015-08-19 2015-08-19 基于直线匹配的农用无人机自主导航方法 Active CN105004337B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510512916.XA CN105004337B (zh) 2015-08-19 2015-08-19 基于直线匹配的农用无人机自主导航方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510512916.XA CN105004337B (zh) 2015-08-19 2015-08-19 基于直线匹配的农用无人机自主导航方法

Publications (2)

Publication Number Publication Date
CN105004337A CN105004337A (zh) 2015-10-28
CN105004337B true CN105004337B (zh) 2017-12-08

Family

ID=54377102

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510512916.XA Active CN105004337B (zh) 2015-08-19 2015-08-19 基于直线匹配的农用无人机自主导航方法

Country Status (1)

Country Link
CN (1) CN105004337B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105346706B (zh) * 2015-11-13 2018-09-04 深圳市道通智能航空技术有限公司 飞行装置、飞行控制***及方法
CN105628052B (zh) * 2015-12-24 2020-02-14 武汉大学 基于控制直线的光学卫星传感器在轨几何定标方法及***
CN106767785B (zh) * 2016-12-23 2020-04-07 成都通甲优博科技有限责任公司 一种双回路无人机的导航方法及装置
CN107633202A (zh) * 2017-08-11 2018-01-26 合肥嘉浓航空科技有限公司 一种基于农田图像特征识别的植保无人机飞控方法和***
CN108225318B (zh) * 2017-11-29 2021-11-02 农业农村部南京农业机械化研究所 基于图像质量的航空遥感路径规划方法及***
CN108256180B (zh) * 2017-12-30 2023-04-18 天津职业技术师范大学 基于多尺度高斯特征误差拟合的无人机模型验证方法
CN109085842A (zh) * 2018-10-27 2018-12-25 西北农林科技大学 一种果园施肥装置的控制***及其控制方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102052925A (zh) * 2010-12-16 2011-05-11 西北工业大学 基于空间关系约束的适配区景象匹配方法
CN103822635A (zh) * 2014-03-05 2014-05-28 北京航空航天大学 基于视觉信息的无人机飞行中空间位置实时计算方法
CN104077809A (zh) * 2014-06-24 2014-10-01 上海交通大学 基于结构性线条的视觉slam方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102052925A (zh) * 2010-12-16 2011-05-11 西北工业大学 基于空间关系约束的适配区景象匹配方法
CN103822635A (zh) * 2014-03-05 2014-05-28 北京航空航天大学 基于视觉信息的无人机飞行中空间位置实时计算方法
CN104077809A (zh) * 2014-06-24 2014-10-01 上海交通大学 基于结构性线条的视觉slam方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GPS失效情况下农用无人机视觉导航关键算法研究;王翔鹏;《中国优秀硕士学位论文全文数据库工程科技II辑》;20150415;摘要、第1.3节、第2.1节、第2.2节、第3.1节、第4.3节 *
Least squares 3D surface and curve matching;Armin Gruen et al.;《ISPRS Journal of Photogrammetry and Remote Sensing》;20050329;第151-174页 *
基于共面特征点的单目视觉位姿测量误差分析;霍炬等;《光子学报》;20140531;第43卷(第5期);第0512003-1-0512003-7页 *
基于目视遥控的无人机直线飞行与航线作业试验;彭孝东等;《农业机械学报》;20141130;第45卷(第11期);第258-263页 *

Also Published As

Publication number Publication date
CN105004337A (zh) 2015-10-28

Similar Documents

Publication Publication Date Title
CN105004337B (zh) 基于直线匹配的农用无人机自主导航方法
CN110966991B (zh) 一种无控制点下的单幅无人机影像定位方法
CN111507901B (zh) 基于航带gps及尺度不变约束的航拍图像拼接定位方法
CN111028277A (zh) 基于伪孪生卷积神经网络的sar和光学遥感图像配准方法
US20160379375A1 (en) Camera Tracking Method and Apparatus
CN111968177B (zh) 一种基于固定摄像头视觉的移动机器人定位方法
CN110084743B (zh) 基于多航带起始航迹约束的图像拼接与定位方法
CN103954283A (zh) 基于景象匹配/视觉里程的惯性组合导航方法
CN112435193B (zh) 一种点云数据去噪的方法、装置、存储介质和电子设备
CN112419374A (zh) 一种基于图像配准的无人机定位方法
CN106096497B (zh) 一种针对多元遥感数据的房屋矢量化方法
CN114067001B (zh) 车载相机角度标定方法、终端及存储介质
CN114299405A (zh) 一种无人机图像实时目标检测方法
CN113450334B (zh) 一种水上目标检测方法、电子设备及存储介质
CN112435294B (zh) 目标物体的六自由度姿态跟踪方法及终端设备
CN112288813B (zh) 基于多目视觉测量与激光点云地图匹配的位姿估计方法
CN111964665B (zh) 基于车载环视图像的智能车定位方法、***及存储介质
CN107330934B (zh) 低维度的集束调整计算方法与***
EP2871611B1 (en) Enhanced outlier removal for 8 point algorithm used in camera motion estimation
Ragab et al. Multiple nonoverlapping camera pose estimation
Zhang et al. An enhanced multi-view vertical line locus matching algorithm of object space ground primitives based on positioning consistency for aerial and space images
CN113592958A (zh) 一种基于单目视觉的auv对接坞站光学引导方法
CN113223163A (zh) 点云地图构建方法及装置、设备、存储介质
CN110728176A (zh) 一种无人机视觉图像特征快速匹配与提取方法及装置
CN115077467B (zh) 清洁机器人的姿态估计方法、装置及清洁机器人

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20190529

Address after: 419300 Liangjiapo Village, Lufeng Town, Xupu County, Huaihua City, Hunan Province

Patentee after: Xupu Nongfeike Agricultural Technology Co., Ltd.

Address before: 266061 Songling Road, Laoshan District, Qingdao, Shandong Province, No. 99

Patentee before: Qingdao University of Science & Technology

TR01 Transfer of patent right