CN107194941A - 一种基于单目视觉的无人机自主着陆方法、***及电子设备 - Google Patents
一种基于单目视觉的无人机自主着陆方法、***及电子设备 Download PDFInfo
- Publication number
- CN107194941A CN107194941A CN201710367835.4A CN201710367835A CN107194941A CN 107194941 A CN107194941 A CN 107194941A CN 201710367835 A CN201710367835 A CN 201710367835A CN 107194941 A CN107194941 A CN 107194941A
- Authority
- CN
- China
- Prior art keywords
- straight line
- parameter
- image
- unmanned plane
- point
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P13/00—Indicating or recording presence, absence, or direction, of movement
- G01P13/02—Indicating direction only, e.g. by weather vane
- G01P13/025—Indicating direction only, e.g. by weather vane indicating air data, i.e. flight variables of an aircraft, e.g. angle of attack, side slip, shear, yaw
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于单目视觉的无人机自主着陆的方法、***及电子设备,其中的方法包括根据预先获取的航拍图像,获得高斯金字塔图像;对所述高斯金字塔图像进行边缘检测,获得边缘图像;采用粗尺度霍夫变换方法从所述边缘图像中获得第一直线和第二直线;对所述第一直线和所述第二直线采用选择性迭代的随机抽样一致性算法获得第三直线和第四直线;根据所述第三直线和所述第四直线,获得所述无人机的着陆参数,以使所述无人机进行自主着陆。本发明解决了现有技术中无人机着陆方法存在定位精度不高的技术问题。
Description
技术领域
本发明涉及视觉导航技术领域,尤其涉及一种基于单目视觉的无人机自主着陆方法、***及电子设备。
背景技术
在军事航空领域,具有自主着陆能力的无人机是目前研究的热点,无人机自主着陆对导航的精度和速度以及可靠性提出了很高的要求。目前无人机自主着陆导航主要分为两类:基于卫星GPS的导航和基于视觉的导航。基于GPS的导航使用方便,但在战时将会完全失效;基于视觉的自主导航,可以减少无人机着陆过程中对外界信号的依赖,使无人机着陆具有更高的自主性。
现有技术中,无人机自主着陆技术主要是基于跑道两侧白线的检测,常用的几类方法有:Hough变换、Radon变换和线段聚类等。其中,线段聚类方法容易受噪声干扰,用于无人机导航可靠性不够;Hough变换与Radon变换很相似,都是将图像平面的点变换到参数空间,区别在于前者是直线参数变换的离散形式,直接应用在二值图像上;而后者是直线参数变换的连续形式,直接应用在灰度图像。
然而,申请人通过长期的实践发现,现有技术中采用的上述方法中,Hough变换速度较快,但是精度不高,Radon变换精度较高,但实时性较差,达不到无人机对实时导航速度的要求。
由此可知,现有技术中无人机着陆方法存在定位精度不高的技术问题,因此提供一种无人机自主着陆的方法显得尤为重要。
发明内容
本发明实施例提供一种基于单目视觉的无人机自主着陆方法、***及电子设备,用以解决现有技术中无人机着陆方法存在定位精度不高的技术问题。
本发明公开了
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本发明公开的一种基于单目视觉的无人机自主着陆的方法,首先根据预先获取的航拍图像,获得高斯金字塔图像;并对所述高斯金字塔图像进行边缘检测,获得边缘图像;然后采用粗尺度霍夫变换方法从所述边缘图像中获得第一直线和第二直线;对所述第一直线和所述第二直线采用选择性迭代的随机抽样一致性算法获得第三直线和第四直线,根据所述第三直线和所述第四直线,获得所述无人机的着陆参数,以使所述无人机进行自主着陆。上述方法中,首先通过高斯金字塔加速算法根据预先获取的航拍图像,获得高斯金字塔图像,可以提高实时性,并对无人机采用粗尺度霍夫变换方法从所述边缘图像中获得第一直线和第二直线,从而提高霍夫变换速度,并且采用选择性迭代的随机抽样一致性算法对霍夫变换得到的直线进行处理,提高直线的定位精度,从而获取精确的着陆参数,从而使所述无人机进行自主着陆,解决了现有技术中无人机着陆方法存在的定位精度不高的技术问题。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种基于单目视觉的无人机自主着陆的方法的流程图;
图2为本发明实施例中一种基于单目视觉的无人机自主着陆的***的结构图;
图3为本发明实施例中粗尺度霍夫变换的相关参数的几何解释的图;
图4为本发明实施例中采用粗尺度霍夫变换方法得出的第三直线和第四直线的原理图;
图5为本发明实施例中无人机旋转及平移到跑道正上空的示意图;
图6为本发明实施例中提供的电子设备的结构示意图。
具体实施方式
本发明实施例提供了一种基于单目视觉的无人机自主着陆方法、***及电子设备,用以解决现有技术中无人机着陆方法存在定位精度不高的技术问题。
本申请实施例中的技术方案,总体思路如下:
首先通过高斯金字塔加速算法根据预先获取的航拍图像,获得高斯金字塔图像,可以提高实时性,并对无人机采用粗尺度霍夫变换方法从所述边缘图像中获得第一直线和第二直线,从而提高霍夫变换速度,并且采用选择性迭代的随机抽样一致性算法对霍夫变换得到的直线进行处理,提高直线的定位精度,从而获取精确的着陆参数,从而使所述无人机进行自主着陆,解决了现有技术中无人机着陆方法存在的定位精度不高的技术问题。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
本实施例提供了一种基于单目视觉的无人机自主着陆方法,请参见图1,所述方法包括:
步骤S101:根据预先获取的航拍图像,获得高斯金字塔图像;
步骤S102:对所述高斯金字塔图像进行边缘检测,获得边缘图像;
步骤S103:采用粗尺度霍夫变换方法从所述边缘图像中获得第一直线和第二直线;
步骤S104:对所述第一直线和所述第二直线采用选择性迭代的随机抽样一致性算法获得第三直线和第四直线,
步骤S105:根据所述第三直线和所述第四直线,获得所述无人机的着陆参数,以使所述无人机进行自主着陆。
需要说明的是,本申请中首先根据预先获取的航拍图像,获得高斯金字塔图像,可以提高计算效率,满足无人机实时导航的需求,然后通过粗尺度霍夫变换方法从所述边缘图像中获得第一直线和第二直线,从而提高霍夫变换速度,并且采用选择性迭代的随机抽样一致性算法对霍夫变换得到的直线进行处理,提高直线的定位精度,从而获取精确的着陆参数,从而使所述无人机进行自主着陆,解决了现有技术中无人机着陆方法存在的定位精度不高的技术问题。
下面,结合图1对本申请提供的一种基于单目视觉的无人机自主着陆方法进行详细介绍:
步骤S101:根据预先获取的航拍图像,获得高斯金字塔图像。
所述根据预先获取的航拍图像,获得高斯金字塔图像,包括:
对所述航拍图像进行灰度化处理,获得第一图像;
将所述第一图像作为高斯金字塔的第0层图像;
采用高斯卷积核对所述第0层图像进行处理,获得第1层图像,其中所述高斯卷积核的尺寸为5*5;
采用所述高斯卷积和对所述第1层图像进行处理,获得第L层图像,其中,所述第L图像的尺寸为所述第0层图像尺寸的1/2L倍,以所述第L层图像作为所述高斯金字塔图像。
在具体的实施过程中,可以利用无人机拍摄获取航拍图像,然后通过高斯金字塔加速算法对航拍的图像灰度化处理,记为F(x,y),令高斯金字塔0层图像G0(x,y)=F(x,y),设定高斯金字塔L层图像为:
其中w(m,n)是尺寸为5×5的高斯卷积核,其中G0(x,y),G1(x,y)…Gl(x,y),每一层高斯金字塔图像尺寸为之前的1/2倍,在本实施中采用第L层图像,即GL(x,y),为了确保检测精度,GL图像尺寸不小于128×128,其中,第L层图像与第0层图像尺寸的关系为:GL=G0/2L。
然后执行步骤S102:对所述高斯金字塔图像进行边缘检测,获得边缘图像。
在具体的实施过程中,可以采用canny算子或者边缘聚焦的方法对高斯金字塔图像进行边缘检测,获得边缘图像。
接下来执行步骤S103:采用粗尺度霍夫变换方法从所述边缘图像中获得第一直线和第二直线。
所述采用粗尺度霍夫变换方法从所述边缘图像中获得第一直线和第二直线,包括:
获取所述边缘图像中的直线点,其中,所述直线点可以构成多条霍夫直线;
获取霍夫直线法线方程xcosθ+ysinθ=ρ,其中,x为所述直线上的某一点的横坐标,y为所述直线上的某一点的纵坐标,第一参数ρ对应于该点到正x轴的垂线距离,第二参数θ对应于所述垂线与x轴正方向夹角;
将所述第二参数θ按照预定的幅度从最小值到最大值进行变换,其中最小值为-90度,最大值为90度,得出多个取值不同的第二参数;
根据所述第二参数的取值,获取第一目标参数和第二目标参数;
根据所述第一目标参数和所述第二目标参数,获取相对应的第三目标参数和第四目标参数,其中所述第三目标参数和所述第四目标参数为不同取值的第一参数;
将所述第一目标参数和所述第三目标参数确定的直线作为第一直线,将所述第二目标参数和所述第四目标参数确定的直线作为第二直线。
在具体的实施过程中,霍夫换换直线l的法线方程为:xcosθ+ysinθ=ρ,关于第一参数ρ和第二参数θ的几何解释如图3所示,ρ对应于正的x轴截距,θ对应于直线l的垂线与x轴正方向夹角。上述方案也就是将xy坐标系的边缘点通过公式xcosθ+ysinθ=ρ转换到了ρθ坐标系中,即在xy坐标系中一个点,在ρθ坐标系中是一条正弦曲线。将ρθ参数空间划分为累加单元,如图4所示,位于坐标(i,j)处的单元格具有累加值A(i,j),它对应于以第一参数ρ和第二参数θ为坐标的坐标系中相关联的正方形。首先将上述单元置为零,即A(i,j)=0。设定参数范围:θmin≤θ<θmax,ρmin≤ρ<ρmax。由于不能确定无人机航拍图中跑道白色边线的具体方位,这里取θmin=-90°,θmax=90°,ρmin=0,ρmax=D,D为高斯金字塔图像中对角之间的最大像素距离。为了提高运算速度,采用粗尺度霍夫变换,也就是将ρθ参数空间θ方向的预定的幅度取较大的值,而传统Hough变换中Δθ取值较小,一般取Δθ=0.1°,在本实施例中,我们取Δθ=2°。例如对边缘图E(x,y)上的非背景点(xk,yk),上述非背景点即边缘检测后的边缘点,有的在直线上,有的不在,霍夫直线检测就是可以找出上述边缘点中的直线点。
具体来说,通过改变θ的值,可以令θ等于θ轴上每个允许的细分值,也就是令θj=θmin,θmin+Δθ,θmin+2Δθ,…θmax,同时使用方程ρ=xkcosθ+yksinθ解出对应的ρ。然后对得到的ρ值进行四舍五入,得到沿ρ轴最接近的细分值ρi,也就是ρi∈(ρmin,ρmin+1,ρmin+2,…ρmax)。然后定位每一对(ρi,θj)对应的单元格A(i,j),使其加1。在累加单元中,数值最大的单元格A(i,j)所对应的(ρi,θj)即为所寻找直线的参数,即为第一目标参数和所述第三目标参数,则直线的斜截式方程为y=kx+b,其中此外,由于上述过程总处理的是高斯金字塔第L层GL(x,y)图像,得到的直线参数(ρi,θj)与原始图像G0(x,y)中直线参数(ρ0,θ0)存在以下转换关系:θj=θ0,ρi=ρ0/2L,同时为了提高着陆跑道边线的检测精度与鲁棒性,跑道两侧边线均要检测。
然后执行步骤S104:对所述第一直线和所述第二直线采用选择性迭代的随机抽样一致性算法获得第三直线和第四直线。
所述对所述第一直线和所述第二直线采用选择性迭代的随机抽样一致性算法获得第三直线和第四直线,包括:
选择所述第一直线附近距离为T的数据点作为迭代点集,其中T=D*tan(Δθ/2),D为所述高斯金字塔图像的对角线之间的最大像素距离,Δθ为所述预设幅度;
从迭代点集中,任意选择两点确定第一初步直线,获取所述第一初步直线的第一参数ρ1和第二参数θ1,直到所述第一初步直线的参数值(ρ1,θ1)与所述第一直线的参数值(ρl,θl)的差值在预设范围之内;
根据预设的阈值,将所述第一初步直线附近距离为T的属于所述迭代点集中的点作为该第一初步直线的内点,统计内点个数;
采用迭代方法,根据所述内点个数,选取内点个数最多的内点集。
采用最小二乘法对所述内点集进行拟合,得到第一拟合直线,以所述第一拟合直线为所述第三直线,用同样的方法得到第二拟合直线,以所述第二拟合直线为所述第四直线。
在具体的实施过程中,以获取第一拟合直线为例,详细介绍采用采用选择性迭代的随机抽样一致性算法获得第三直线的流程,首先选择上述通过粗尺度霍夫变换方法获得的第一直线附近距离为T的数据点作为RANSAC迭代点集,其中T可以根据预设幅度的值和高斯金字塔图像的对角线之间的最大像素距离计算得出,具体的计算方法为T=D*tan(Δθ/2),然后在迭代点集中,随机选择两点确定直线参数(ρ1,θ1),判断参数(ρ1,θ1)与边线l的参数(ρl,θl)的差值是否在预设范围内,例如上述预设范围为[δ1,δ2],可以取δ1=Δθ,δ2=2。若符合要求,则进行步下一步操作,否则重新选取两点确定直线,直到满足要求。
具体地,可预设的阈值t,例如t的可以为[1 3],然后将上述第一初步直线附近距离为T的属于迭代点集中的点作为该直线的内点,同时统计内点个数。并重复执行,一共迭代N次,N可以用自适应的方法确定,并标记选取内点个数最多的内点集。最后采用最小二乘法对标记的内点集进行拟合,得到最优的边线,即第一拟合直线,将该第一拟合直线作为第三直线,该第三直线就是在采用粗尺度霍夫变换方法获得的第一直线的基础上进行了精化处理,得到了精度更高的第三直线。同理,着陆跑道边线的另一条边线,即第四直线可以采用同样的方法获得,即首先确定第二直线附近距离为T的数据点作为迭代点集,其中T=D*tan(Δθ/2),D为所述高斯金字塔图像的对角线之间的最大像素距离,Δθ为所述预设幅度;然后从迭代点集中,任意选择两点确定第二初步直线,获取所述第二初步直线的第一参数ρ2和第二参数θ2,直到所述第二初步直线的参数值(ρ2,θ2)与所述第二直线的参数值(ρl2,θl2)的差值在预设范围之内;根据预设的阈值,将所述第二初步直线附近距离为T的属于所述迭代点集中的点作为该第二初步直线的内点,统计内点个数;然后采用迭代方法,根据所述内点个数,选取内点个数最多的内点集;最后采用最小二乘法对所述内点集进行拟合,得到第二拟合直线,以所述第二拟合直线为所述第四直线。
最后执行步骤S105:根据所述第三直线和所述第四直线,获得所述无人机的着陆参数,以使所述无人机进行自主着陆。
具体地,所述根据所述第三直线和所述第四直线,获得所述无人机的着陆参数,以使所述无人机进行自主着陆,包括:
根据所述第三直线和所述第四直线,获取无人机的着陆跑道的实际第一边线和实际第二边线;
根据所述实际第一边线和实际第二边线,获得着陆跑道的中线;
根据所述着陆跑道的中线,获取无人机的水平旋转角度和平移距离,以所述水平旋转角度和平移距离为所述着陆参数,以使所述无人机进行自主着陆。
在具体的实施过程中,由于采用选择性迭代的随机抽样一致性算法获得第三直线和第四直线是在利用高斯金字塔加速原理处理过的图像的基础上获得的,为了获得无人机着陆跑道的实际边线,就需要将第三直线和第四直线进行还原处理,具体方法为第三直线l1和第三直线l2的参数如下所示:l1:(ρ1,θ1),l2:(ρ2,θ2)。则着陆跑道的实际边线,第一边线和第二边线分别用l1r、l2r表示,l1r:(ρ1r,θ1r),l2:(ρ2r,θ2r),则对应的关系为,ρ1r=ρ1/2L,ρ2r=ρ2/2L,θ1r=θ1,θ2r=θ2,这样就获得了着陆跑道的实际第一边线和实际第二边线;
然后根据所述实际第一边线和实际第二边线,获得着陆跑道的中线;设跑道中线l的参数为θl,ρl,则可以得出θl=(θ1r+θ2r)/2,ρl=(ρ1r+ρ2r)/2。根据上述中线,可以获得无人机在空中到达跑道正上方需要水平旋转的角度θ和平移的距离d为:θ=θl,L为图像对角线像素距离,Ls为无人机跑道的实际距离,α是图像对角线与跑道中线参数ρl的夹角,其数值为α=γ-θl,其中,a,b分别为图像长宽的像素距离。
具体参见图5,图5所示的矩形框是无人机上的相机垂直向下拍摄时的视野范围(即无人机拍摄的航拍图像),上述图像由无人机相机选确定,例如相机的分辨率是1920X1080,那么这个框的长宽,也就是图像的尺寸分别等于:a=1920像素,b=1080像素。图像的对角线(图5所示的虚线)与图像长边即a的夹角为无人机位于图像的中心O点,方向垂直于图像长边a,无人机飞行方向与跑道方向的夹角即为无人机需要旋转的角度,这个角度刚好等于跑道中线的一个参数θl,无人机旋转后与跑道之间的距离d1即为无人机旋转后要平移的图像距离,然后乘以一个实际距离与图像距离的比例因子即可得到要偏移的实际距离d,比例因子等于跑道的实际距离比上跑道的像素距离,即Ls/(ρ2r-ρ1r),Ls为跑道的实际距离,(ρ2r-ρ1r)为跑道的像素距离。θl具体有两种情形:一个是θl大于零的情况,一个是θl小于零的情况,公式都是一样的。当跑道中线在图像中的斜率为正时,θl>0;当跑道中线在图像中的斜率为负时,θl<0。图5中表示的是θl大于零的情形。
举例来说,若θ为正值,则无人机顺时针旋转θ度;若θ为负值,则无人机逆时针旋转θ度;若d为正值,则无人机旋转后向左飞行d米;若d为负值,则无人机旋转后向右飞行d米。此时,无人机已调整到跑道中线正上空。
实施例二
基于与实施例一同样的发明构思,本发明实施例二提供了一种基于单目视觉的无人机自主着陆的***,请参见图2,所述***包括:
第一获得模块201,用于根据预先获取的航拍图像,获得高斯金字塔图像;
第二获得模块202,用于对所述高斯金字塔图像进行边缘检测,获得边缘图像;
第三获得模块203,用于采用粗尺度霍夫变换方法从所述边缘图像中获得第一直线和第二直线;
第四获得模块204,用于对所述第一直线和所述第二直线采用选择性迭代的随机抽样一致性算法获得第三直线和第四直线,
第五获得模块205,用于根据所述第三直线和所述第四直线,获得所述无人机的着陆参数,以使所述无人机进行自主着陆。
本发明实施例提供的***中,所述第一获得模块201还用于:
对所述航拍图像进行灰度化处理,获得第一图像;
将所述第一图像作为高斯金字塔的第0层图像;
采用高斯卷积核对所述第0层图像进行处理,获得第1层图像,其中所述高斯卷积核的尺寸为5*5;
采用所述高斯卷积和对所述第1层图像进行处理,获得第L层图像,其中,所述第L图像的尺寸为所述第0层图像尺寸的1/2L倍,以所述第L层图像作为所述高斯金字塔图像。
本发明实施例提供的***中,所述第三获得模块203还用于:
获取所述边缘图像中的直线点,其中,所述直线点可以构成多条霍夫直线;
获取霍夫直线法线方程xcosθ+ysinθ=ρ,其中,x为所述直线上的某一点的横坐标,y为所述直线上的某一点的纵坐标,第一参数ρ对应于该点到正x轴的垂线距离,第二参数θ对应于所述垂线与x轴正方向夹角;
将所述第二参数θ按照预定的幅度从最小值到最大值进行变换,其中最小值为-90度,最大值为90度,得出多个取值不同的第二参数;
根据所述第二参数的取值,获取第一目标参数和第二目标参数;
根据所述第一目标参数和所述第二目标参数,获取相对应的第三目标参数和第四目标参数,其中所述第三目标参数和所述第四目标参数为不同取值的第一参数;
将所述第一目标参数和所述第三目标参数确定的直线作为第一直线,将所述第二目标参数和所述第四目标参数确定的直线作为第二直线。
本发明实施例提供的***中,所述第四获得模块204还用于:
选择所述第一直线附近距离为T的数据点作为迭代点集,其中T=D*tan(Δθ/2),D为所述高斯金字塔图像的对角线之间的最大像素距离,Δθ为所述预设幅度;
从迭代点集中,任意选择两点确定第一初步直线,获取所述第一初步直线的第一参数ρ1和第二参数θ1,直到所述第一初步直线的参数值(ρ1,θ1)与所述第一直线的参数值(ρl,θl)的差值在预设范围之内;
根据预设的阈值,将所述第一初步直线附近距离为T的属于所述迭代点集中的点作为该第一初步直线的内点,统计内点个数;
采用迭代方法,根据所述内点个数,选取内点个数最多的内点集。
采用最小二乘法对所述内点集进行拟合,得到第一拟合直线,以所述第一拟合直线为所述第三直线,用同样的方法得到第二拟合直线,以所述第二拟合直线为所述第四直线。
本发明实施例提供的***中,所述第五获得模块205还用于:
根据所述第三直线和所述第四直线,获取无人机的着陆跑道的实际第一边线和实际第二边线;
根据所述实际第一边线和实际第二边线,获得着陆跑道的中线;
根据所述着陆跑道的中线,获取无人机的水平旋转角度和平移距离,以所述水平旋转角度和平移距离为所述着陆参数,以使所述无人机进行自主着陆。
实施例一中的基于单目视觉的无人机自主着陆的方法的各种变化方式和具体实例同样适用于本实施例的基于单目视觉的无人机自主着陆的***,通过前述对基于单目视觉的无人机自主着陆的方法的详细描述,本领域技术人员可以清楚的知道本实施例中的基于单目视觉的无人机自主着陆的***,所以为了说明书的简洁,在此不再详述。
实施例三
基于与实施例一同样的发明构思,本发明实施例三提供了一种电子设备,请参见图6,包括存储器301,处理器302及存储在存储器301上并可在处理器302上运行的计算机程序,所述处理器302执行所述程序时实现以下步骤:
根据预先获取的航拍图像,获得高斯金字塔图像;
对所述高斯金字塔图像进行边缘检测,获得边缘图像;
采用粗尺度霍夫变换方法从所述边缘图像中获得第一直线和第二直线;
对所述第一直线和所述第二直线采用选择性迭代的随机抽样一致性算法获得第三直线和第四直线,
根据所述第三直线和所述第四直线,获得所述无人机的着陆参数,以使所述无人机进行自主着陆。
为了便于说明,图6仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。其中,存储器301可用于存储软件程序以及模块,处理器302通过运行执行存储在存储器301的软件程序以及模块,从而执行移动终端的各种功能应用以及数据处理。
存储器301可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据手机的使用所创建的数据等。处理器302移动通信终端的控制中心,利用各种接口和线路连接整个移动通信终端的各个部分,通过运行或执行存储在存储器301内的软件程序和/或模块,以及调用存储在存储器301内的数据,执行移动终端机的各种功能和处理数据,从而对移动终端机进行整体监控。可选的,处理器302可包括一个或多个处理单元。
实施例一中的基于单目视觉的无人机自主着陆的方法的各种变化方式和具体实例同样适用于本实施例的电子设备,通过前述对基于单目视觉的无人机自主着陆的方法的详细描述,本领域技术人员可以清楚的知道本实施例中的电子设备,所以为了说明书的简洁,在此不再详述。
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本发明公开的一种基于单目视觉的无人机自主着陆的方法,首先根据预先获取的航拍图像,获得高斯金字塔图像;并对所述高斯金字塔图像进行边缘检测,获得边缘图像;然后采用粗尺度霍夫变换方法从所述边缘图像中获得第一直线和第二直线;对所述第一直线和所述第二直线采用选择性迭代的随机抽样一致性算法获得第三直线和第四直线,根据所述第三直线和所述第四直线,获得所述无人机的着陆参数,以使所述无人机进行自主着陆。上述方法中,首先通过高斯金字塔加速算法根据预先获取的航拍图像,获得高斯金字塔图像,可以提高实时性,并对无人机采用粗尺度霍夫变换方法从所述边缘图像中获得第一直线和第二直线,从而提高霍夫变换速度,并且采用选择性迭代的随机抽样一致性算法对霍夫变换得到的直线进行处理,提高直线的定位精度,从而获取精确的着陆参数,从而使所述无人机进行自主着陆,解决了现有技术中无人机着陆方法存在的定位精度不高的技术问题。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于单目视觉的无人机自主着陆的方法,其特征在于,所述方法包括:
根据预先获取的航拍图像,获得高斯金字塔图像;
对所述高斯金字塔图像进行边缘检测,获得边缘图像;
采用粗尺度霍夫变换方法从所述边缘图像中获得第一直线和第二直线;
对所述第一直线和所述第二直线采用选择性迭代的随机抽样一致性算法获得第三直线和第四直线;
根据所述第三直线和所述第四直线,获得所述无人机的着陆参数,以使所述无人机进行自主着陆。
2.如权利要求1所述的方法,其特征在于,所述根据预先获取的航拍图像,获得高斯金字塔图像,包括:
对所述航拍图像进行灰度化处理,获得第一图像;
将所述第一图像作为高斯金字塔的第0层图像;
采用高斯卷积核对所述第0层图像进行处理,获得第1层图像,其中所述高斯卷积核的尺寸为5*5;
采用所述高斯卷积和对所述第1层图像进行处理,获得第L层图像,其中,所述第L图像的尺寸为所述第0层图像尺寸的1/2L倍,以所述第L层图像作为所述高斯金字塔图像。
3.如权利要求1所述的方法,其特征在于,所述采用粗尺度霍夫变换方法从所述边缘图像中获得第一直线和第二直线,包括:
获取所述边缘图像中的直线点,其中,所述直线点可以构成多条霍夫直线;
获取霍夫直线法线方程xcosθ+ysinθ=ρ,其中,x为所述直线上的某一点的横坐标,y为所述直线上的某一点的纵坐标,第一参数ρ对应于该点到正x轴的垂线距离,第二参数θ对应于所述垂线与x轴正方向夹角;
将所述第二参数θ按照预定的幅度从最小值到最大值进行变换,其中最小值为-90度,最大值为90度,得出多个取值不同的第二参数;
根据所述第二参数的取值,获取第一目标参数和第二目标参数;
根据所述第一目标参数和所述第二目标参数,获取相对应的第三目标参数和第四目标参数,其中所述第三目标参数和所述第四目标参数为不同取值的第一参数;
将所述第一目标参数和所述第三目标参数确定的直线作为第一直线,将所述第二目标参数和所述第四目标参数确定的直线作为第二直线。
4.如权利要求3所述的方法,其特征在于,所述对所述第一直线和所述第二直线采用选择性迭代的随机抽样一致性算法获得第三直线和第四直线,包括:
选择所述第一直线附近距离为T的数据点作为迭代点集,其中
T=D*tan(Δθ/2),D为所述高斯金字塔图像的对角线之间的最大像素距离,Δθ为所述预设幅度;
从迭代点集中,任意选择两点确定第一初步直线,获取所述第一初步直线的第一参数ρ1和第二参数θ1,直到所述第一初步直线的参数值(ρ1,θ1)与所述第一直线的参数值(ρl,θl)的差值在预设范围之内;
根据预设的阈值,将所述第一初步直线附近距离为T的属于所述迭代点集中的点作为该第一初步直线的内点,统计内点个数;
采用迭代方法,根据所述内点个数,选取内点个数最多的内点集;
采用最小二乘法对所述内点集进行拟合,得到第一拟合直线,以所述第一拟合直线为所述第三直线,用同样的方法得到第二拟合直线,以所述第二拟合直线为所述第四直线。
5.如权利要求1所述的方法,其特征在于,所述根据所述第三直线和所述第四直线,获得所述无人机的着陆参数,以使所述无人机进行自主着陆,包括:
根据所述第三直线和所述第四直线,获取无人机的着陆跑道的实际第一边线和实际第二边线;
根据所述实际第一边线和实际第二边线,获得着陆跑道的中线;
根据所述着陆跑道的中线,获取无人机的水平旋转角度和平移距离,以所述水平旋转角度和平移距离为所述着陆参数,以使所述无人机进行自主着陆。
6.一种基于单目视觉的无人机自主着陆的***,其特征在于,所述***包括:
第一获得模块,用于根据预先获取的航拍图像,获得高斯金字塔图像;
第二获得模块,用于对所述高斯金字塔图像进行边缘检测,获得边缘图像;
第三获得模块,用于采用粗尺度霍夫变换方法从所述边缘图像中获得第一直线和第二直线;
第四获得模块,用于对所述第一直线和所述第二直线采用选择性迭代的随机抽样一致性算法获得第三直线和第四直线,
第五获得模块,用于根据所述第三直线和所述第四直线,获得所述无人机的着陆参数,以使所述无人机进行自主着陆。
7.如权利要求6所述的***,其特征在于,所述第一获得模块还用于:
对所述航拍图像进行灰度化处理,获得第一图像;
将所述第一图像作为高斯金字塔的第0层图像;
采用高斯卷积核对所述第0层图像进行处理,获得第1层图像,其中所述高斯卷积核的尺寸为5*5;
采用所述高斯卷积和对所述第1层图像进行处理,获得第L层图像,其中,所述第L图像的尺寸为所述第0层图像尺寸的1/2L倍,以所述第L层图像作为所述高斯金字塔图像。
8.如权利要求6所述的***,其特征在于,所述第三获得模块还用于:
获取所述边缘图像中的直线点,其中,所述直线点可以构成多条霍夫直线;
获取霍夫直线法线方程xcosθ+ysinθ=ρ,其中,x为所述直线上的某一点的横坐标,y为所述直线上的某一点的纵坐标,第一参数ρ对应于该点到正x轴的垂线距离,第二参数θ对应于所述垂线与x轴正方向夹角;
将所述第二参数θ按照预定的幅度从最小值到最大值进行变换,其中最小值为-90度,最大值为90度,得出多个取值不同的第二参数;
根据所述第二参数的取值,获取第一目标参数和第二目标参数;
根据所述第一目标参数和所述第二目标参数,获取相对应的第三目标参数和第四目标参数,其中所述第三目标参数和所述第四目标参数为不同取值的第一参数;
将所述第一目标参数和所述第三目标参数确定的直线作为第一直线,将所述第二目标参数和所述第四目标参数确定的直线作为第二直线。
9.如权利要求8所述的***,其特征在于,所述第四获得模块还用于:
选择所述第一直线附近距离为T的数据点作为迭代点集,其中T=D*tan(Δθ/2),D为所述高斯金字塔图像的对角线之间的最大像素距离,Δθ为所述预设幅度;
从迭代点集中,任意选择两点确定第一初步直线,获取所述第一初步直线的第一参数ρ1和第二参数θ1,直到所述第一初步直线的参数值(ρ1,θ1)与所述第一直线的参数值(ρl,θl)的差值在预设范围之内;
根据预设的阈值,将所述第一初步直线附近距离为T的属于所述迭代点集中的点作为该第一初步直线的内点,统计内点个数;
采用迭代方法,根据所述内点个数,选取内点个数最多的内点集;
采用最小二乘法对所述内点集进行拟合,得到第一拟合直线,以所述第一拟合直线为所述第三直线,用同样的方法得到第二拟合直线,以所述第二拟合直线为所述第四直线。
10.一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
根据预先获取的航拍图像,获得高斯金字塔图像;
对所述高斯金字塔图像进行边缘检测,获得边缘图像;
采用粗尺度霍夫变换方法从所述边缘图像中获得第一直线和第二直线;
对所述第一直线和所述第二直线采用选择性迭代的随机抽样一致性算法获得第三直线和第四直线;
根据所述第三直线和所述第四直线,获得所述无人机的着陆参数,以使所述无人机进行自主着陆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710367835.4A CN107194941A (zh) | 2017-05-23 | 2017-05-23 | 一种基于单目视觉的无人机自主着陆方法、***及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710367835.4A CN107194941A (zh) | 2017-05-23 | 2017-05-23 | 一种基于单目视觉的无人机自主着陆方法、***及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107194941A true CN107194941A (zh) | 2017-09-22 |
Family
ID=59875539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710367835.4A Pending CN107194941A (zh) | 2017-05-23 | 2017-05-23 | 一种基于单目视觉的无人机自主着陆方法、***及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107194941A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111192318A (zh) * | 2018-11-15 | 2020-05-22 | 杭州海康机器人技术有限公司 | 确定无人机位置和飞行方向的方法、装置及无人机 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101504287A (zh) * | 2009-01-22 | 2009-08-12 | 浙江大学 | 基于视觉信息的无人飞行器自主着陆的姿态参数估算方法 |
CN104215239A (zh) * | 2014-08-29 | 2014-12-17 | 西北工业大学 | 基于视觉的无人机自主着陆导引装置及导引方法 |
US20150199839A1 (en) * | 2012-08-02 | 2015-07-16 | Earthmine, Inc. | Three-Dimentional Plane Panorama Creation Through Hough-Based Line Detection |
CN105261020A (zh) * | 2015-10-16 | 2016-01-20 | 桂林电子科技大学 | 一种快速车道线检测方法 |
CN105387860A (zh) * | 2015-12-16 | 2016-03-09 | 西北工业大学 | 结合单目视觉与激光测距的无人机自主着陆导引方法 |
-
2017
- 2017-05-23 CN CN201710367835.4A patent/CN107194941A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101504287A (zh) * | 2009-01-22 | 2009-08-12 | 浙江大学 | 基于视觉信息的无人飞行器自主着陆的姿态参数估算方法 |
US20150199839A1 (en) * | 2012-08-02 | 2015-07-16 | Earthmine, Inc. | Three-Dimentional Plane Panorama Creation Through Hough-Based Line Detection |
CN104215239A (zh) * | 2014-08-29 | 2014-12-17 | 西北工业大学 | 基于视觉的无人机自主着陆导引装置及导引方法 |
CN105261020A (zh) * | 2015-10-16 | 2016-01-20 | 桂林电子科技大学 | 一种快速车道线检测方法 |
CN105387860A (zh) * | 2015-12-16 | 2016-03-09 | 西北工业大学 | 结合单目视觉与激光测距的无人机自主着陆导引方法 |
Non-Patent Citations (1)
Title |
---|
杨世保: "无人机着陆位姿参数视觉估计研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111192318A (zh) * | 2018-11-15 | 2020-05-22 | 杭州海康机器人技术有限公司 | 确定无人机位置和飞行方向的方法、装置及无人机 |
CN111192318B (zh) * | 2018-11-15 | 2023-09-01 | 杭州海康威视数字技术股份有限公司 | 确定无人机位置和飞行方向的方法、装置及无人机 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022078156A1 (en) | Method and system for parking space management | |
CN108122256B (zh) | 一种逼近状态下旋转目标位姿测量的方法 | |
CN108764048A (zh) | 人脸关键点检测方法及装置 | |
CN107636679A (zh) | 一种障碍物检测方法及装置 | |
CN106546233A (zh) | 一种面向合作目标的单目视觉定位方法 | |
CN103136525B (zh) | 一种利用广义Hough变换的异型扩展目标高精度定位方法 | |
CN104331876A (zh) | 直线检测、图像处理的方法及相关装置 | |
CN110516532B (zh) | 基于计算机视觉的无人机铁路轨道线路识别方法 | |
CN106444846A (zh) | 移动终端的定位和控制方法、装置及无人机 | |
CN111273701B (zh) | 一种云台视觉控制***以及控制方法 | |
CN106971408A (zh) | 一种基于时空转换思想的摄像机标定方法 | |
CN112666963A (zh) | 基于四轴无人机的公路路面裂缝检测***及其检测方法 | |
CN111598952A (zh) | 一种多尺度合作靶标设计与在线检测识别方法及*** | |
CN108122255A (zh) | 一种基于梯形与圆形组合地标的无人机位姿估计方法 | |
CN112947526B (zh) | 一种无人机自主降落方法和*** | |
CN114004977A (zh) | 一种基于深度学习的航拍数据目标定位方法及*** | |
CN109447117A (zh) | 双层车牌识别方法、装置、计算机设备及存储介质 | |
CN106815553A (zh) | 一种基于边缘匹配的红外前视图像舰船检测方法 | |
CN112215308A (zh) | 一种吊装物体单阶检测方法、装置、电子设备及存储介质 | |
CN109661631A (zh) | 无人机的控制方法、装置和无人机 | |
CN113034347B (zh) | 倾斜摄影图像处理方法、装置、处理设备及存储介质 | |
CN104180794A (zh) | 数字正射影像拉花区域的处理方法 | |
CN107194941A (zh) | 一种基于单目视觉的无人机自主着陆方法、***及电子设备 | |
CN110472451A (zh) | 一种基于单目相机的面向agv定位的人工地标及解算方法 | |
CN110363801A (zh) | 工件实物与工件三维cad模型的对应点匹配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170922 |
|
RJ01 | Rejection of invention patent application after publication |