CN105424006A - 基于双目视觉的无人机悬停精度测量方法 - Google Patents

Abstract

本发明公开了基于双目视觉的无人机悬停精度测量方法，包括如下步骤：标定阶段：利用张正友棋盘标定法对相机进行标定，从而确定标定参数定义标定结果参数；定位阶段：在进行无人机悬停精度测量时，将滑轨放置于无人机悬停点正下方，将双目相机按照设定距离平行固定于滑轨上，且双目相机能够沿滑轨方向移动，相机镜头垂直向上放置，两相机成像平面应位于同一平面，光轴相互平行；左目相机和右目相机分别采集无人机图像，传输至计算机；计算机根据左目图像和右目图像，根据标定结果参数，计算无人机的三维位置坐标；悬停结束后，根据无人机三维轨迹计算悬停精度。本发明的有益效果：实现无人机目标的检测、跟踪、精确匹配和三维定位。

Description

基于双目视觉的无人机悬停精度测量方法

技术领域

本发明涉及一种基于双目视觉的无人机悬停精度测量方法。

背景技术

无人机悬停精度是无人机性能的一个重要指标，反映了无人机的核心——飞行控制***的稳定性和精确性。目前，在对无人机飞行功能的检验检测过程中，悬停精度的测量方法为人工观察的方法，不能保证其安全性、客观性和规范性。

无人机三维空间定位技术主要有两种方式：基于机载设备的定位方式和基于地面设备的定位方式。

根据机载设备类型的不同，基于机载设备的定位技术主要有3种：图4(a)基于GPS设备、图4(b)基于机载视频和图4(c)基于惯性导航装置的定位技术。机载设备集成在每个无人机的飞行控制***中，而不是独立于无人机之外，因此灵活性较差，不适用于针对不同无人机进行定位的任务。

基于地面设备的定位方式可以避免上述问题。根据地面设备类型的不同，基于地面设备的定位技术可以分为3种：图4(d)超声波测距仪、图4(e)激光测距仪、和图4(f)基于机器视觉的定位技术。其中，超声波或激光测距仪多用于目标距离的测量，而三维激光测距仪的扫描速度较慢，主要应用于静态三维场景的重建，无法计算目标的运动轨迹。

发明内容

本发明的目的就是为了解决上述问题，提供一种基于双目视觉的无人机悬停精度测量方法，它能够实时计算无人机的三维飞行轨迹，并自动计算悬停精度，提高了测量的准确性与规范性。

为了实现上述目的，本发明采用如下技术方案：

基于双目视觉的无人机悬停精度测量方法，包括如下步骤：

步骤(1)：标定阶段：利用张正友棋盘标定法对相机进行标定，从而确定标定参数，定义标定结果参数；

步骤(2)：定位阶段：在进行无人机悬停精度测量时，将滑轨放置于无人机悬停点正下方，将双目相机按照设定距离平行固定于滑轨上，且双目相机能够沿滑轨方向移动，相机镜头垂直向上放置，双目相机成像平面应位于同一平面，光轴相互平行；左目相机和右目相机分别采集无人机图像，传输至计算机；计算机根据采集到的左目图像和右目图像，结合步骤(1)得到的标定结果参数，计算无人机的三维位置坐标；悬停结束后，根据无人机三维轨迹计算悬停精度。

所述步骤(1)的步骤为：

步骤(1-1)：将两个相机固定在同一个滑轨上，定义距离L，调整滑轨上两相机位置，使其中心点之间的距离为L；

步骤(1-2)：采用张正友棋盘标定法对相机进行标定，并记录标定结果参数result＝{M^left,D^left,M^right,D^right,R,T}。result表示标定结果参数，M^left和D^left分别表示左目相机的相机矩阵和畸变系数向量，M^right和D^right分别表示右目相机的相机矩阵和畸变系数向量，R和T分别表示两相机之间的旋转矩阵和平移向量。对于每个相机，

$M=\left[\begin{array}{ccc}{f}_x& 0& c_x\\ 0& f_y& c_y\\ 0& 0& 1\end{array}\right];$

其中，M为相机矩阵，f_x,f_y是以像素为单位的焦距。

所述步骤(2)的步骤为：

步骤(2-1)：在进行无人机悬停精度测量时，将滑轨放置于无人机悬停点正下方，将双目相机平行固定于滑轨上，相机镜头垂直向上放置，两相机成像平面应位于同一平面，光轴相互平行；左目相机采集无人机左目图像，右目相机采集无人机右目图像；

步骤(2-2)：目标区域定位：采用手动选取的方式，选定左目图像中的目标区域；

步骤(2-3)：目标跟踪：利用TLD算法，对左目图像中的目标进行跟踪；

步骤(2-4)：目标匹配：在右目图像中，寻找与左目图像的目标区域最相似的匹配区域；

步骤(2-5)：同名点匹配：分别利用左目和右目图像中矩形目标区域的中心点，作为同名点；

步骤(2-6)：三维坐标计算：建立相机的坐标系，结合步骤(1)得到的标定结果参数，计算目标点在相机坐标系中的三维坐标；

步骤(2-7)：悬停精度评估，根据目标点的三维坐标轨迹，计算无人机的悬停精度。

所述步骤(2-2)的步骤为：令开始对目标进行定位的时刻t＝0。首先手动框取目标区域，目标区域为以B_L为左上角点，高h、宽w的矩形区域。

所述步骤(2-3)的步骤为：根据t＝0时刻确定的左目图像目标区域，在t＝1及其以后的时刻，采用TLD算法对左目图像的目标进行跟踪。

所述步骤(2-4)的步骤为：每次得到左目图像中的目标区域后，在右目图像中，寻找与左目图像的目标区域最相似的匹配区域，匹配区域为以B_R为左上角点，高h、宽w的矩形区域；

则目标匹配表示为：

$\underset{x_R,y_R}{\min }\underset{i=0}{\overset{h}{\Σ}}\underset{j=0}{\overset{w}{\Σ}}|I_{left}\[x_L+i\]\[y_L+j\]-I_{right}\[x_R+i\]\[y_R+j\]|---\left(1\right)$

其中，I_left表示左目图像灰度值，I_right表示右目图像灰度值，(x_L，y_L)表示点B_L的坐标，(x_R，y_R)表示点B_R的坐标；此时搜寻范围x_R∈[0,x_L]，其中s_h为搜寻区域的高度。这样，得到使得公式(1)最小的B_R点坐标(x_R，y_R)后，则视差d＝x_L-x_R；

在t≥1时刻，左目图像通过TLD算法得到新的目标区域后，对右目图像的搜寻范围进行更新 $x_R\∈\[x_L-d-\frac{s_w}{2},x_L-d+\frac{s_w}{2}\],y_R\∈\[y_L-\frac{s_h}{2},y_L+\frac{s_h}{2}\],$ 根据公式(1)确定右目图像中的目标区域；以此类推，来计算每一帧左目图像中的目标区域，以及同一目标在右目图像中的对应区域。

所述步骤(2-5)的步骤为：

利用左目图像中目标区域的中心点作为左目目标的同名点，利用右目图像中的目标区域的中心点作为右目目标的同名点。

所述同名点即左目图像和右目图像中，对应实际目标同一部位的像素点，必须保证前后帧、左右目图像中的同名点对应实际目标的同一位置。

所述步骤(2-6)的步骤为：

相机坐标系是以左目相机的光心O_L为原点，XO_LY平面平行于成像平面，光轴方向为Z轴，根据标定的相机参数result，得到重投影矩阵

$Q=\left[\begin{array}{cccc}1& 0& 0& -c_x^l\\ 0& 1& 0& -c_y^l\\ 0& 0& 0& f^l\\ 0& 0& -1/T_x& (c_x^l-c_x^r)/T_x\end{array}\right]---\left(2\right)$

其中，为左相机的主点坐标，为右相机的主点坐标；T_x为两相机之间平移矩阵的X轴分量；f^l为左侧相机焦距；

在左右目光轴相互平行情况下，已知左目图像同名点坐标P_L(x_L,y_L)和右目图像同名点坐标P_R(x_R,y_R)，计算目标点在左右视图的视差d＝x_L-x_R，则令

$\left[\begin{array}{c}{\hat{x}}_c\\ {\hat{y}}_c\\ {\hat{z}}_c\\ {\hat{w}}_c\end{array}\right]=Q\left[\begin{array}{c}{x}_L\\ y_L\\ d\\ 1\end{array}\right]=\left[\begin{array}{c}{x}_L-c_x^l\\ y_L-c_y^l\\ f^l\\ \frac{-d+c_x^l-c_x^r}{T_x}\end{array}\right]---\left(3\right)$

得到目标点在相机坐标系中的三维坐标：

$P_c=(x_c,y_c,z_c)=({\hat{x}}_c/{\hat{w}}_c,{\hat{y}}_c/{\hat{w}}_c,{\hat{z}}_c/{\hat{w}}_c)---\left(4\right);$

其中和为中间结果变量，x_c、y_c和z_c分别为目标点P_c在相机坐标系中的X、Y和Z轴坐标。

所述步骤(2-7)的步骤为：

在无人机悬停时，采用步骤(2-5)实时计算无人机的三维位置坐标，得到其飞行轨迹；

假设得到轨迹点的集合为P＝[P₁,P₂,...,P_N]，共包含N个点，其中

P_n＝[x_n,y_n,z_n]^T,n＝1,2,...,N；

飞行轨迹点集合的质心 $P_m={\[x_m,y_m,z_m\]}^T=\frac{1}{N}\underset{n=1}{\overset{N}{\Σ}}{P}_n;$

进行无人机悬停精度测试时，规定无人机悬停的离地高度记作H₀；

在进行悬停精度检测时，将双目相机放置于悬停的正下方，具体来说，是将左目相机放置于悬停点并使光轴垂直于水平面；悬停精度分为定点悬停精度的水平偏差和垂直偏差悬停控制精度的水平偏差和垂直偏差

由于O_L为坐标系原点，计算公式为：

$E_{Hoving}^h=\sqrt{x_m^2+y_m^2},$

$E_{Hoving}^v=|z_m-H_0|,$

$E_{Control}^h=\frac{\sqrt{e_X^2+e_Y^2}}{2},$

$E_{Control}^v=\frac{\underset{n\∈\[1,N\]}{max}\left(z_n\right)-\underset{n\∈\[1,N\]}{\min }\left(z_n\right)}{2}$

其中，e_X和e_Y分别为无人机悬停过程中，在以左目相机为原点的相机坐标系下，X轴方向和Y轴方向的运动范围，z_n表示无人机飞行轨迹点P_n的Z轴坐标。

本发明的有益效果：

1能够实时计算无人机的三维飞行轨迹，并自动计算悬停精度，提高了测量的准确性与规范性；

2无需对无人机作任何改造，***的可扩展性较好；

3整个测量过程几乎不需要人的参与，自动化程度高；

4设备的使用方法简便，只需将双目相机放置于预先设置的悬停点下方，即可在计算机端获得无人机的飞行轨迹与悬停精度。

5基于机器视觉的三维定位技术，可以将目标的检测、跟踪、匹配、三维定位过程整合在一起，只需要将相机放置在指定位置，所有的相关算法都在计算机上完成并显示。因此针对于检验检测任务，一种有效方法是：利用双目视觉技术，结合无人机检验检测任务的特殊情况和需求，实现无人机目标的检测、跟踪、精确匹配和三维定位。

附图说明

图1为本发明的整体流程图；

图2为本发明的标定阶段流程图；

图3为本发明的定位阶段流程图；

图4(a)为基于GPS机载设备的定位方式；

图4(b)为基于机载视频设备的定位方式；

图4(c)为基于机载惯性导航设备的定位方式；

图4(d)为基于地面超声波测距仪的定位方式；

图4(e)为基于地面激光测距仪的定位方式；

图4(f)为基于地面机器视觉的定位方式；

图5基于双目视觉的无人机悬停精度测量***；

图6双目相机标定示意图；

图7目标跟踪与匹配；

图8左右目、前后帧的同名点匹配；

图9双目定位***坐标系示意图；

图10悬停误差示意图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

硬件组成为：2个工业相机，1个相机滑轨，1套工控机与显示器，1个棋盘标定版。整个***结构如图5所示。

1、2：工业相机。镜头焦距5mm，分辨率1384x1032，帧率16帧/秒。

3：相机滑轨。长度1.2m，带有刻度，分度值为1mm。

4：工控机与显示器。凌华MXC-6000工控机。

5：棋盘标定板。方格个数19×17，每个方格宽度20mm。

6：无人机。无人直升机、多旋翼无人机。

如图1所示，整个过程分为2个阶段：标定阶段和定位阶段。在标定阶段，利用张正友棋盘标定法^[1]对相机进行标定。在定位阶段，根据标定参数，计算无人机目标的三维位置。

3.2标定阶段：

对于标定技术相关算法的理论问题，基本都已得到了的解决。目前的相机标定主要有三类方法：传统标定方法、主动视觉标定方法和自标定方法。传统标定方法利用几何约束已知的标定模板计算摄像机参数，设备简便，精度高，是目前最常用的方法。主动视觉标定方法将摄像机固定在云台等机械机构上，严格限制摄像机的旋转和平移运动，标定精度高，设备复杂，标定时间长；自标定方法仅依靠场景中多幅图像之间的对应关系计算摄像机参数，标定灵活方便，但属于非线性标定，鲁棒性不高。

本发明利用传统标定法，在文献[1]方法的基础上进行扩展。定义标定结果result＝{M^left,D^left,M^right,D^right,R,T}。result表示标定结果，M^left和D^left分别表示目相机的相机矩阵和畸变系数向量，M^right和D^right分别表示右目相机的相机矩阵和畸变系数向量，R和T分别表示两相机之间的旋转矩阵和平移向量。如图2、6所示，标定步骤为：

1将两个相机固定在同一个滑轨上，定义距离L，调整滑轨上两相机位置，使其中心点之间的距离为L。

2采用张正友棋盘标定法对相机进行标定，并记录标定结果参数为如下形式：

result＝{M^left,D^left,M^right,D^right,R,T}

其中result表示标定结果，M^left和D^left分别表示目相机的相机矩阵和畸变系数向量，M^right和D^right分别表示右目相机的相机矩阵和畸变系数向量，R和T分别表示两相机之间的旋转矩阵和平移向量。

3.3定位阶段：

如图5所示，在进行无人机悬停精度测量时，将双目相机平行固定于滑轨上，两相机成像平面应尽量位于同一平面，光轴相互平行。将滑轨放置于无人机悬停点正下方，相机镜头垂直向上放置。左目和右目相机采集无人机图像，通过GigE千兆网传输至便携电脑。便携电脑根据左目和右目图像，采用相关算法定位无人机的三维位置坐标。悬停结束后，根据无人机三维轨迹计算悬停精度。

如图3所示，无人机的三维位置定位算法主要分为以下几个步骤：目标区域定位与跟踪、左右目目标匹配、同名点匹配、三维坐标计算和悬停精度的评估。

目标区域定位与跟踪

目标区域定位可采用手动选取或自动检测的方式。由于无人机目标图像背景为静态的单一背景，因此可以采用显著性目标检测方式，获得目标区域。如图7所示，在t＝0时刻，通过手动选取或自动检测的方式，得到左目图像中的目标位置(实线矩形框)后，采用TLD(Tracking-Learning-Detection)算法^[2]进行跟踪。TLD算法的优势是，在目标移出并重新进入图像区域时，算法仍能检测并跟踪此目标。

左右目目标匹配

假设在时刻t＝0初次确定了左目图像的目标区域，如图7所示，目标区域为以B_L为左上角点，高h、宽w的矩形区域。左右目目标匹配就是在右目图像中，寻找与左目目标区域最相似的匹配区域，匹配区域为以B_R为左上角点，高h、宽w的矩形区域。则目标匹配可表示为以下问题：

$\underset{x_R,y_R}{\min }\underset{i=0}{\overset{h}{\Σ}}\underset{j=0}{\overset{w}{\Σ}}|I_{left}\[x_L+i\]\[y_L+j\]-I_{right}\[x_R+i\]\[y_R+j\]|$ 公式(1)

其中，I_left和I_right分别代表左目和右目图像灰度值，(x_L，y_L)和(x_R，y_R)分别为点B_L和B_R的坐标。此时搜寻范围x_R∈[0,x_L]，如图7中t＝0时刻图像中灰色区域所示。得到使得公式(1)最小的(x_R，y_R)后，则视差d＝x_L-x_R。

在t+1时刻，左目图像通过TLD算法得到新的目标区域，对右目图像的搜寻范围进行更新 $x_R\∈\[x_L-d-\frac{s_w}{2},x_L-d+\frac{s_w}{2}\],y_R\∈\[y_L-\frac{s_h}{2},y_L+\frac{s_h}{2}\],$ 如t+1时刻图像中灰色区域所示。根据公式(1)确定右目图像中的目标区域。以此类推，来计算每一帧左目和右目图像的目标区域。

同名点匹配

同名点，即左目和右目图像中，对应实际目标同一部位的像素点。如图8所示，我们必须保证前后帧、左右目图像中的同名点对应实际目标的同一位置。一种简单的方式是利用图像中目标区域的中心点，即 $P_L=(x_L+\frac{w}{2},y_L+\frac{h}{2})$ 和 $P_R=(x_R+\frac{w}{2},y_R+\frac{h}{2})$ 作为左目和右目目标的同名点。

三维坐标计算

相机坐标系是以左目相机的光心O_L为原点，XO_LY平面平行于成像平面，光轴方向为Z轴，如图9所示。根据标定的相机参数，得到重投影矩阵

$Q=\left[\begin{array}{cccc}1& 0& 0& -c_x^l\\ 0& 1& 0& -c_y^l\\ 0& 0& 0& f^l\\ 0& 0& -1/T_x& (c_x^l-c_x^r)/T_x\end{array}\right].$ 公式(2)

其中为左、右相机的主点坐标(式中未用到)；T_x为两相机之间平移矩阵的X轴分量；f^l为左侧相机焦距。在左右目光轴相互平行情况下，已知左右目图像同名点坐标P_L(x_L,y_L)和P_R(x_R,y_R)，计算目标点在左右视图的视差d＝x_L-x_R，则令

$\left[\begin{array}{c}{\hat{x}}_c\\ {\hat{y}}_c\\ {\hat{z}}_c\\ {\hat{w}}_c\end{array}\right]=Q\left[\begin{array}{c}{x}_L\\ y_L\\ d\\ 1\end{array}\right]=\left[\begin{array}{c}{x}_L-c_x^l\\ y_L-c_y^l\\ f^l\\ \frac{-d+c_x^l-c_x^r}{T_x}\end{array}\right].$ 公式(3)

这样就得到目标点在相机坐标系中的三维坐标：

$P_c=(x_c,y_c,z_c)=({\hat{x}}_c/{\hat{w}}_c,{\hat{y}}_c/{\hat{w}}_c,{\hat{z}}_c/{\hat{w}}_c).$ 公式(4)

悬停精度评估

在无人机悬停时，采用以上方法实时计算无人机的三维位置坐标，得到其飞行轨迹。假设得到轨迹点的集合为P＝[P₁,P₂,...,P_N]，共包含N个点，其中

P_n＝[x_n,y_n,z_n]^T,n＝1,2,...,N。图10中的点为飞行轨迹点在水平面的投影。飞行轨迹点集合的质心在进行悬停精度检测时，将双目相机放置于悬停的的正下方，具体来说，是将左目相机放置于悬停点并使光轴垂直于水平面。停精度分为定点悬停精度的水平偏差和垂直偏差悬停控制精度的水平偏差和垂直偏差由于O_L为坐标系原点，计算公式为：

$E_{Hoving}^h=\sqrt{x_m^2+y_m^2},$

$E_{Hoving}^V=|z_m-H_0|,$

$E_{Control}^h=\frac{\sqrt{e_X^2+e_Y^2}}{2},$

$E_{Control}^v=\frac{\underset{n\∈\[1,N\]}{max}\left(z_n\right)-\underset{n\∈\[1,N\]}{\min }\left(z_n\right)}{2}.$

参考文献：

[1]ZhangZ.Aflexiblenewtechniqueforcameracalibration[J].PatternAnalysisandMachineIntelligence,IEEETransactionson,2000,22(11):1330-1334.

[2]KalalZ,MikolajczykK,MatasJ.Tracking-learning-detection[J].PatternAnalysisandMachineIntelligence,IEEETransactionson,2012,34(7):1409-1422.

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (9)

1.基于双目视觉的无人机悬停精度测量方法，其特征是，包括如下步骤：

步骤(1)：标定阶段：利用张正友棋盘标定法对相机进行标定，从而确定标定参数定义标定结果参数；

步骤(2)：定位阶段：在进行无人机悬停精度测量时，将滑轨放置于无人机悬停点正下方，将双目相机按照设定距离平行固定于滑轨上，且双目相机能够沿滑轨方向移动，相机镜头垂直向上放置，双目相机成像平面应位于同一平面，光轴相互平行；左目相机和右目相机分别采集无人机图像，传输至计算机；计算机根据采集到的左目图像和右目图像，结合步骤(1)得到的标定结果参数，计算无人机的三维位置坐标；悬停结束后，根据无人机三维轨迹计算悬停精度。

2.如权利要求1所述的基于双目视觉的无人机悬停精度测量方法，其特征是，所述步骤(1)的步骤为：

步骤(1-1)：将两个相机固定在同一个滑轨上，定义距离L，调整滑轨上两相机位置，使其中心点之间的距离为L；

步骤(1-2)：采用张正友棋盘标定法对相机进行标定，并记录标定结果参数result＝{M^left,D^left,M^right,D^right,R,T}；result表示标定结果，M^left和D^left分别表示目相机的相机矩阵和畸变系数向量，M^right和D^right分别表示右目相机的相机矩阵和畸变系数向量，R和T分别表示两相机之间的旋转矩阵和平移向量；对于每个相机，

$M=\left[\begin{array}{ccc}{f}_x& 0& c_x\\ 0& f_y& c_y\\ 0& 0& 1\end{array}\right].$

3.如权利要求1所述的基于双目视觉的无人机悬停精度测量方法，其特征是，所述步骤(2)的步骤为：

步骤(2-1)：在进行无人机悬停精度测量时，将滑轨放置于无人机悬停点正下方，将双目相机平行固定于滑轨上，相机镜头垂直向上放置，双目相机成像平面应位于同一平面，光轴相互平行；左目相机采集无人机左目图像，右目相机采集无人机右目图像；

步骤(2-2)：目标区域检测：采用显著性目标检测方式，获得左目图像中的目标区域；

步骤(2-3)：目标跟踪：利用TLD算法，对左目图像中的目标进行跟踪；

步骤(2-4)：目标匹配：在右目图像中，寻找与左目图像的目标区域最相似的匹配区域；

步骤(2-5)：同名点匹配：分别利用左目和右目图像中矩形目标区域的中心点，作为同名点；

步骤(2-6)：三维坐标计算：建立相机的坐标系，结合步骤(1)得到的标定结果参数，计算目标点在相机坐标系中的三维坐标；

步骤(2-7)：悬停精度评估，根据目标点的三维坐标轨迹，计算无人机的悬停精度。

4.如权利要求3所述的基于双目视觉的无人机悬停精度测量方法，其特征是，所述步骤(2-2)的步骤为：令设开始对目标进行定位的时刻t＝0，首先采用显著性目标检测方式获得目标区域，目标区域为以B_L为左上角点，高h、宽w的矩形区域。

5.如权利要求3所述的基于双目视觉的无人机悬停精度测量方法，其特征是，所述步骤(2-3)的步骤为：根据t＝0时刻确定的左目图像目标区域，在t＝1及其以后的时刻，采用TLD算法对左目图像的目标进行跟踪。

6.如权利要求3所述的基于双目视觉的无人机悬停精度测量方法，其特征是，所述步骤(2-4)的步骤为：每次得到左目图像中的目标区域后，在右目图像中，寻找与左目图像的目标区域最相似的匹配区域，匹配区域为以B_R为左上角点，高h、宽w的矩形区域；

则目标匹配表示为：

$\underset{x_R,y_R}{\min }\underset{i=0}{\overset{h}{\Σ}}\underset{j=0}{\overset{w}{\Σ}}|I_{left}\[x_L+i\]\[y_L+j\]-I_{right}\[x_R+i\]\[y_R+j\]|---\left(1\right)$

其中，I_left表示左目图像灰度值，I_right表示右目图像灰度值，(x_L，y_L)表示点BL的坐标，(x_R，y_R)表示点B_R的坐标；此时搜寻范围x_R∈[0,x_L]，其中s_h为搜寻区域的高度，得到使得公式(1)最小的B_R点坐标(x_R，y_R)后，则视差

d＝x_L-x_R；

在t≥1时刻，左目图像通过TLD算法得到新的目标区域后，对右目图像的搜寻范围进行更新 $x_R\∈\[x_L-d-\frac{s_w}{2},x_L-d+\frac{s_w}{2}\],y_R\∈\[y_L-\frac{s_h}{2},y_L+\frac{s_h}{2}\],$ 根据公式(1)确定右目图像中的目标区域；以此类推，来计算每一帧左目图像中的目标区域，以及同一目标在右目图像中的对应区域。

7.如权利要求3所述的基于双目视觉的无人机悬停精度测量方法，其特征是，所述步骤(2-5)的步骤为：

利用左目图像中目标区域的中心点作为左目目标的同名点，利用右目图像中的目标区域的中心点作为右目目标的同名点。

8.如权利要求3所述的基于双目视觉的无人机悬停精度测量方法，其特征是，所述步骤(2-6)的步骤为：

相机坐标系是以左目相机的光心O_L为原点，XO_LY平面平行于成像平面，光轴方向为Z轴，根据标定的相机参数，得到重投影矩阵

$Q=\left[\begin{array}{cccc}1& 0& 0& -c_x^l\\ 0& 1& 0& -c_y^l\\ 0& 0& 0& f^l\\ 0& 0& -1/T_x& (c_x^l-c_x^r)/T_x\end{array}\right]---\left(2\right)$

其中，为左相机的主点坐标，为右相机的主点坐标；T_x为两相机之间平移矩阵的X轴分量；f^l为左侧相机焦距；

在左右目光轴相互平行情况下，已知左目图像同名点坐标P_L(x_L,y_L)和右目图像同名点坐标P_R(x_R,y_R)，计算目标点在左右视图的视差d＝x_L-x_R，则令

$\left[\begin{array}{c}{\hat{x}}_c\\ {\hat{y}}_c\\ {\hat{z}}_c\\ {\hat{w}}_c\end{array}\right]=Q\left[\begin{array}{c}{x}_L\\ y_L\\ d\\ 1\end{array}\right]=\left[\begin{array}{c}{x}_L-c_x^l\\ y_L-c_y^l\\ f^l\\ \frac{-d+c_x^l-c_x^r}{T_x}\end{array}\right]---\left(3\right)$

得到目标点在相机坐标系中的三维坐标：

$P_c=(x_c,y_c,z_c)=({\hat{x}}_c/{\hat{w}}_c,{\hat{y}}_c/{\hat{w}}_c,{\hat{z}}_c/{\hat{w}}_c)---\left(4\right).$

9.如权利要求3所述的基于双目视觉的无人机悬停精度测量方法，其特征是，所述步骤(2-7)的步骤为：

在无人机悬停时，采用步骤(2-5)实时计算无人机的三维位置坐标，得到其飞行轨迹；

假设得到轨迹点的集合为P＝[P₁,P₂,...,P_N]，共包含N个点，其中

P_n＝[x_n,y_n,z_n]^T,n＝1,2,...,N；

飞行轨迹点集合的质心 $P_m={\[x_m,y_m,z_m\]}^T=\frac{1}{N}\underset{n=1}{\overset{N}{\Σ}}{P}_n;$

进行无人机悬停精度测试时，规定无人机悬停的离地高度记作H₀；

在进行悬停精度检测时，将双目相机放置于悬停的正下方，具体来说，是将左目相机放置于悬停点并使光轴垂直于水平面；悬停精度分为定点悬停精度的水平偏差和垂直偏差悬停控制精度的水平偏差和垂直偏差

由于O_L为坐标系原点，计算公式为：

$E_{Hoving}^h=\sqrt{x_m^2+y_m^2},$

$E_{Hoving}^v=|z_m-H_0|,$

$E_{Control}^h=\frac{\sqrt{e_X^2+e_Y^2}}{2},$

$E_{Control}^v=\frac{\underset{n\∈\[1,N\]}{\max }\left(z_n\right)-\underset{n\∈\[1,N\]}{\min }\left(z_n\right)}{2}$

其中，e_X和e_Y分别为无人机悬停过程中，在以左目相机为原点的相机坐标系下，X轴方向和Y轴方向的运动范围，z_n表示无人机飞行轨迹点P_n的Z轴坐标。