CN105182994A - 一种无人机定点降落的方法 - Google Patents

Abstract

本发明公开了一种无人机定点降落的方法，结合GPS和计算机视觉技术的高精度定点降落的方法：首先是计算无人机返航悬停高度；第二步是上传返航悬停点GPS坐标及返航指令，使无人机开始返航；第三步使用人工智能算法精确调整无人机水平方位，使无人机位于目标降落点正上方；最后向无人机下达垂直降落指令，无人机降落至地面。

Description

一种无人机定点降落的方法

技术领域

本发明涉及一种无人机定点降落的方法。

背景技术

近年来，无人驾驶的飞行器在航拍领域的应用极为广泛，获取飞行器的地理位置坐标主要依靠全球定位***(GPS)。

GPS是20世纪70年代初在美军“子午卫星导航***”的技术上发展而来的，具有全球性、全能性、全天候优势的导航定位、定时、测试***。GPS一般可采用4颗卫星的测量数据来计算一个移动接收端的位置，在天气条件良好的情况下，单点定位的精度范围在5-40m之间。

考虑到使用手机APP操纵无人机降落，在恶劣的环境下，降落点精度需要控制在dm级别，单独依靠GPS定位不能满足实际应用的需求。

发明内容

本发明的目的提供一种无人机定点降落的方法，本发明方法结合GPS和计算机视觉技术，能够将无人机降落位置精度控制在10cm之内。

本发明采用的一个方案是：

一种无人机定点降落的方法，其特征在于包括以下步骤：

步骤一，计算无人机返航高度：获取手机摄像头视场角参数；确定GPS定位精度的最大误差；根据视场角、GPS最大误差两个参数计算返航高度；步骤二，上传返航悬停点坐标及返航指令：APP获取手机GPS坐标；更改GPS坐标，经度、纬度保持不变，高度设置为步骤一计算获得的返航高度值；上传GPS坐标至无人机作为返航悬停点；上传返航降落指令，无人机开始返航；步骤三，精确调整无人机水平方位：使用混合高斯建模算法对背景建模，得到背景帧；判断图像帧，若像素点与背景模型匹配则认定为背景像素，否则为目标像素；获得目标在图像中的位置，计算目标相对手机的水平偏差，依此控制无人机向中心点移动；重复校正，直至无人机位于手机正上方,进入悬停状态；步骤四，垂直降落：确定无人机已达到目标状态；APP上传降落指令，无人机垂直降落。

本发明的有益效果为：区别于单独依靠GPS定位技术，本发明提供的方法可摆脱天气等客观条件的约束，定点降落具有更高的精准性、可靠性和安全性。

附图说明

图1是本发明实施例提供的高精度定点降落处理方法的流程图。

具体实施方式

结合附图及具体实施方式对本发明作进一步的详细描述。

如图1所示，具体实施方式如下：

1、计算返航高度

获取手机摄像头视场角参数θ，确定GPS定位精度的最大误差r；根据视场角θ、GPS定位精度的最大误差r两个参数计算返航高度H，公式为：

$H=\tan (90-\frac{\mathrm{\θ}}{2})*r$

其中θ表示视场角，r表示GPS定位精度的最大误差。

2、下达返航指令

获取手机当前GPS经纬度坐标，高度设置为步骤1计算结果，发送至无人机，并发送降落指令。将手机平放于地面，摄像头向上。

3、精确调整无人机水平方位。

无人机接收到GPS坐标及降落指令后将飞行至降落点附近H高度处，进入摄像头视野。

(1)背景建模

使用RGB的三种颜色分量对背景进行高斯建模，则每帧图像I(X,t)表示为公式：

I(X,t)＝{I_R(X,t),I_G(X,t),I_B(X,t)}

其中X＝(x,y)表示每个像素点，t为时刻；

每个状态K都用一个高斯函数来表示；若在t时刻，用X_t来表示每个像素点，则用K个状态高斯分布的线性组合来表示这个像素点的概率密度函数P(X_t＝x)，公式为：

$\left\{\begin{array}{c}P(X_t=x)=\underset{i=1}{\overset{K}{\Σ}}{\mathrm{\ω}}_{i,t}\mathrm{\η}(x;{\mathrm{\μ}}_{i,t},{\mathrm{\Σ}}_{i,t})\\ \underset{i=1}{\overset{K}{\Σ}}{\mathrm{\ω}}_{i,t}=1\end{array}\right.$

其中，X_t表示每个像素点，ω_i表示第i个高斯分布的权值，μ_i和Σ_i分别表示第i个高斯分布的均值和协方差，η(x；μ_i,Σ_i)表示t时刻第i个高斯分布。

其中，η(x；μ_i,Σ_i)公式为：

$\mathrm{\η}(x;{\mathrm{\μ}}_{i,t},{\mathrm{\Σ}}_{i,t})=\frac{1}{{\left(2\mathrm{\π}\right)}^{n/2}{\left|{\mathrm{\Σ}}_{i,t}\right|}^{1/2}}{e}^{-\frac{1}{2}{(x-{\mathrm{\μ}}_{i,t})}^T{\mathrm{\Σ}}_{i,t}^{-1}(x-{\mathrm{\μ}}_{i,t})}$

其中，n为需要进行滤波的图像的维数，T为阈值，一般取0.75。

通过计算一段时间内视频序列中每个像素点平均灰度值μ₀以及方差σ₀来初始化混合高斯模型，即：

其中μ₀为平均灰度值，σ₀为方差,N表示像素点数量。

对于深度为8位的视频帧来说，每个的像素值的范围为0-255，因此混合高斯模型的参数初始化使用简化公式：

$\left\{\begin{array}{c}\mathrm{\ω}=1/K\\ \mathrm{\μ}=255\×rand\end{array}\right.$

方差则取较大值，初始方差为36，rand∈[0,1)。

(2)匹配像素点

接下来需要对图像内的像素点进行判断，看它能否与所建立的背景模型匹配，若像素点匹配，则认定为背景像素，否则为目标像素；表明像素点与第K个状态的高斯模型相匹配的公式：

|x_t-μ_i,t-1|≤D×σ_i,t-1

其中，X_t表示每个像素点，μ_i，t-1表示t-1时刻第i个高斯分布的均值，σ_i，t-1表示t-1时刻第i个高斯分布的方差，D为自定义参数，取值2.5。

若像素点与背景高斯模型匹配成功，更新公式为：

$\left\{\begin{array}{c}{\mathrm{\ω}}_{k,t}=(1-\mathrm{\α}){\mathrm{\ω}}_{k,t-1}+\mathrm{\α}\\ {\mathrm{\μ}}_{k,t}=(1-p){\mathrm{\μ}}_{k,t-1}+{\mathrm{px}}_{t-1}\\ {\mathrm{\Σ}}_{k,t}=(1-p){\mathrm{\Σ}}_{k,t-1}+p{(x_{t-1}-{\mathrm{\μ}}_{k,t})}^T(x_{t-1}-{\mathrm{\μ}}_{k,t})\\ p=\mathrm{\α}/{\mathrm{\ω}}_{k,t}\end{array}\right.$

其中α表示背景更新的速率，p为像素点的概率密度，ω_k，t表示第k张图像在t时刻高斯分布的权值，μ_k，t表示第k张图像在t时刻高斯分布的均值。0＜α＜1，Σ_k，t表示表示第k张图像在t时刻高斯分布的方差，T为阈值，一般取0.75。α越大则背景更新的速度就越快，反之越慢，；若是像素点不能和背景高斯模型匹配，那么将会采用一个新的高斯模型来取代权值较小的高斯模型，即重新初始化一个较大的方差，均值保持不变，其权值则重新计算，公式为：

ω_k,t＝(1-α)ω_k,t-1

(3)实时更新背景模型

在实际应用中，视频中的背景环境并不是一成不变的，背景像素值会随着光线的闪烁或者拍摄位置的移动而变化，对背景信息进行实时的更新机制，才能够适应周围的环境，及时鲁棒的检测目标；背景信息的更新公式：

B_t+1＝(1-α)B_t+αI_t

其中，α为常数，一般为设置0.1，B_t表示t时刻的背景图像灰度值，I_t表示t时刻的图像。

4、垂直降落

APP向无人机发送降落指令，无人机垂直降落。

Claims (3)

1.一种无人机定点降落的方法，其特征在于包括以下步骤：

步骤一，计算无人机返航高度：获取手机摄像头视场角参数，确定GPS定位精度的最大误差；根据视场角、GPS最大误差两个参数计算返航高度；步骤二，上传返航悬停点坐标及返航指令：APP获取手机GPS坐标，更改GPS坐标，经度、纬度保持不变，高度设置为步骤一计算获得的返航高度值，上传GPS坐标至无人机作为返航悬停点；上传返航降落指令，无人机开始返航；步骤三，精确调整无人机水平方位：使用混合高斯建模算法对背景建模，得到背景帧；判断图像帧，若像素点与背景模型匹配则认定为背景像素，否则为目标像素；获得目标在图像中的位置，计算目标相对手机的水平偏差，依此控制无人机向中心点移动；重复校正，直至无人机位于手机正上方,进入悬停状态；步骤四，垂直降落：确定无人机已达到目标状态；APP上传降落指令，无人机垂直降落。

2.根据权利要求1所述无人机定点降落的方法，其特征在于，所述步骤一，计算无人机返航高度：获取手机摄像头视场角参数θ，确定GPS定位精度的最大误差γ；根据视场角θ、GPS定位精度的最大误差γ两个参数计算返航高度H，公式为：

$H=\tan (90-\frac{\mathrm{\θ}}{2})*r$

其中θ表示视场角，γ表示GPS定位精度的最大误差。

3.根据权利要求1所述的无人机定点降落的方法，其特征在于步骤三，精确调整无人机水平方位：

无人机接收到GPS坐标及降落指令后将飞行至降落点附近H高度处，进入摄像头视野；

(1)背景建模

使用RGB的三种颜色分量对背景进行高斯建模，则每帧图像I(X,t)表示为公式：

I(X,t)＝{I_R(X,t),I_G(X,t),I_B(X,t)}

其中X＝(x,y)表示每个像素点，t为时刻；

每个状态K都用一个高斯函数来表示；若在t时刻，用X_t来表示每个像素点，则用K个状态高斯分布的线性组合来表示这个像素点的概率密度函数P(X_t＝x)，公式为：

$\left\{\begin{array}{c}P(X_t=x)=\underset{i=1}{\overset{K}{\Σ}}{\mathrm{\ω}}_{i,t}\mathrm{\η}(x;{\mathrm{\μ}}_{i,t},{\mathrm{\Σ}}_{i,t})\\ \underset{i=1}{\overset{K}{\Σ}}{\mathrm{\ω}}_{i,t}=1\end{array}\right.$

其中，X_t表示每个像素点，ω_i表示第i个高斯分布的权值，μ_i和Σ_i分别表示第i个高斯分布的均值和协方差，η(x；μ_i,Σ_i)表示t时刻第i个高斯分布。

其中，η(x；μ_i,Σ_i)公式为：

$\mathrm{\η}(x;{\mathrm{\μ}}_{i,t},{\mathrm{\Σ}}_{i,t})=\frac{1}{{\left(2\mathrm{\π}\right)}^{n/2}{\left|{\mathrm{\Σ}}_{i,t}\right|}^{1/2}}{e}^{-\frac{1}{2}{(x-{\mathrm{\μ}}_{i,t})}^T{\mathrm{\Σ}}_{i,t}^{-1}(x-{\mathrm{\μ}}_{i,t})}$

其中，n为需要进行滤波的图像的维数，T为阈值，一般取0.75

通过计算一段时间内视频序列中每个像素点平均灰度值μ₀及方差σ₀来初始化混合高斯模型，即：

$\left\{\begin{array}{c}{\mathrm{\σ}}_0^2=\frac{1}{N}\underset{t=0}{\overset{N-1}{\Σ}}{(X_t-{\mathrm{\μ}}_0)}^2\\ {\mathrm{\μ}}_0=\frac{1}{N}\underset{t=0}{\overset{N-1}{\Σ}}{X}_t\end{array}\right.$

其中μ₀为平均灰度值，σ₀为方差,N表示像素点数量。

对于深度为8位的视频帧来说，每个的像素值的范围为0-255，因此混合高斯模型的参数初始化使用简化公式：

$\left\{\begin{array}{c}\mathrm{\ω}=1/K\\ \mathrm{\μ}=255\×rand\end{array}\right.$

方差则取较大值，初始方差为36，rand∈[0,1)。

(2)匹配像素点

接下来需要对图像内的像素点进行判断，看它能否与所建立的背景模型匹配，若像素点匹配，则认定为背景像素，否则为目标像素；表明像素点与第K个状态的高斯模型相匹配的公式：

|x_t-μ_i,t-1|≤D×σ_i,t-1

其中，X_t表示每个像素点，μ_t，t-1表示t-1时刻第i个高斯分布的均值，σ_i，t-1示t-1时刻第i个高斯分布的方差，D为自定义参数，取值2.5。

若像素点与背景高斯模型匹配成功，更新公式为：

$\left\{\begin{array}{c}{\mathrm{\ω}}_{k,t}=(1-\mathrm{\α}){\mathrm{\ω}}_{k,t-1}+\mathrm{\α}\\ {\mathrm{\μ}}_{k,t}=(1-p){\mathrm{\μ}}_{k,t-1}+{\mathrm{px}}_{t-1}\\ {\mathrm{\Σ}}_{k,t}=(1-p){\mathrm{\Σ}}_{k,t-1}+p{(x_{t-1}-{\mathrm{\μ}}_{k,t})}^T(x_{t-1}-{\mathrm{\μ}}_{k,t})\\ p=\mathrm{\α}/{\mathrm{\ω}}_{k,t}\end{array}\right.$

其中α表示背景更新的速率，P为像素点的概率密度，ω_k，t表示第K张图像在t时刻高斯分布的权值，μ_κ，t表示第κ张图像在t时刻高斯分布的均值。0＜α＜1，∑_κ，t表示表示第κ张图像在t时刻高斯分布的方差，T为阈值，一般取0.75。α越大则背景更新的速度就越快，反之越慢，；若是像素点不能和背景高斯模型匹配，那么将会采用一个新的高斯模型来取代权值较小的高斯模型，即重新初始化一个较大的方差，均值保持不变，其权值则重新计算，公式为：

ω_k,t＝(1-α)ω_k,t-1

(3)实时更新背景模型

在实际应用中，视频中的背景环境并不是一成不变的，背景像素值会随着光线的闪烁或者拍摄位置的移动而变化，对背景信息进行实时的更新机制，才能够适应周围的环境，及时鲁棒的检测目标；背景信息的更新公式：

B_t+1＝(1-α)B_t+αI_t

其中，α为常数，一般为设置0.1，β_t表示t时刻的背景图像灰度值，I_t表示t时刻的图像。