CN111572790A - 一种无人机可伸缩全面保护控制***及方法 - Google Patents
一种无人机可伸缩全面保护控制***及方法 Download PDFInfo
- Publication number
- CN111572790A CN111572790A CN202010378042.4A CN202010378042A CN111572790A CN 111572790 A CN111572790 A CN 111572790A CN 202010378042 A CN202010378042 A CN 202010378042A CN 111572790 A CN111572790 A CN 111572790A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- module
- distance
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000012937 correction Methods 0.000 claims abstract description 10
- 238000013459 approach Methods 0.000 claims abstract description 4
- 238000005516 engineering process Methods 0.000 claims abstract description 4
- 230000004888 barrier function Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000008054 signal transmission Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000002087 whitening effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 3
- 230000001915 proofreading effect Effects 0.000 description 3
- 230000001681 protective effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U10/00—Type of UAV
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Image Processing (AREA)
Abstract
本发明属于无人机技术领域,公开一种无人机可伸缩全面保护控制***及方法,图像采集模块,用于无人机在飞行过程中向无人机的周围按一定频率拍摄图像;图像特征校对模块,采用SIFT的特征点匹配技术对拍摄的图像进行自动判断周边是否存在障碍物;距离测定模块,用于通过距离传感器检测无人机与障碍物之间的距离;自动伸缩模块用于无人机靠近障碍物时,电动伸缩杆向外伸出连接的弹性橡胶块实现对无人机的保护;本发明采用的可伸缩的保护装置,可以对无人机在飞行过程中进行全面的保护,采用的软性橡胶材质重量轻便,节省了无人机电力的消耗,采用的自动探测,自动伸缩结构使得整体结构紧凑,避免无人机在飞行过程中的空气阻力,节省无人机电力的消耗。
Description
技术领域
本发明属于无人机技术领域,尤其涉及一种无人机可伸缩全面保护控制***及方法。
背景技术
目前,无人机是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机,或者由车载计算机完全地或间歇地自主地操作,它具有体积小、造价低、使用方便、对作战环境要求低、战场生存能力较强等优点。在无人机飞行过程中,如果操作不好很容易撞到障碍物,造成机毁。
但是现有的大部分无人机并没有相应的保护措施,很容易出现撞击损坏的事情发生;部分无人机安装了保护装置,但保护装置整体覆盖无人机,提高了无人机的飞行阻力,并且增加了能源消耗。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有的大部分无人机并没有相应的保护措施,很容易出现撞击损坏的事情发生;
(2)部分无人机安装了保护装置,但保护装置整体覆盖无人机,提高了无人机的飞行阻力,并且增加了能源消耗。
发明内容
针对现有技术存在的问题,本发明提供了一种无人机可伸缩全面保护控制***及方法。
本发明是这样实现的,一种无人机可伸缩全面保护控制方法,所述无人机可伸缩全面保护控制方法包括:
步骤一,无人机在飞行过程中,通过照相机对无人机周围按5s/次进行无人机采集图像采集,进行去噪和特征提取;
所述去噪包括:
(1)将含噪无人机采集图像f(x,y)进行平稳小波变换邻域系数萎缩的无人机采集图像去噪,分别获得子带系数:低频系数、水平细节系数、垂直细节系数和对角细节系数;
(2)对第一层的低频系数利用PCNN进行区域分割;
(3)将低频系数保持不变,对各层的水平细节系数、垂直细节系数和对角细节系数分别进行邻域阈值处理;
(4)采用脉冲耦合神经网络对噪声无人机采集图像进行处理,得到熵序列En,将En作为边缘检测算子;
(5)进行阈值寻优,得到最优去噪阈值k;
(6)根据求得的边缘检测算子En和最优去噪阈值k,采用改进的各向异性扩散模型对无人机采集图像进行去噪;
所述无人机采集图像的特征提取包括:将L个经过噪声处理后的无人机采集图像分别按行展开后再进行组合,形成一个L行、M×N列的矩阵X=(x1,x2,x3,Λ,xL)T;
对矩阵X进行均值化,使得E(X)=0;
对矩阵X进行白化处理,使得E(XTX)=I;
初始化独立分量的个数,使得n=1,其中,n为独立分量的个数;
初始化wn,随机选取wn=wn/||wn||;
根据公式wn=E{Xg(wn TX)}-E{g′(wn TX)}wn,求取wn;
判断得到的wn+1是否收敛,如果wn+1不收敛,返回求取wn;
取n=n+1,在n<M的情况下,逐一提取出所有的独立分量;
将各个独立分量构成矩阵S=(s1,s2,Λ,sP)T,根据公式P=FS-1计算出L个无人机采集图像的特征P;
步骤二,使用3×3的二阶梯度高斯模板计算纹理图像并对去噪和特征提取后的照相机采集的图像通过改进的SIFT提取出特征点与存储器中的障碍物特征点进行核对;
步骤三,当核对特征点相符时,微处理器控制两路距离传感器对无人机与障碍物之间的距离信息进行采集并通过高速数字信号处理器对采集的距离信息基于改进的层级主题模型聚类进行最优估计;
步骤四,当无人机靠近障碍物时,微处理器控制电动伸缩杆向外伸出连接的弹性橡胶块实现对无人机的保护。
进一步,所述使用3×3的二阶梯度高斯模板计算纹理图像包括:
水平方向上:
其中,I(x,y)表示图像NL的像素强度;
垂直方向上:
计算梯度值:
进一步,所述基于改进的层级主题模型聚类包括:
将距离信息引入主题模型中进行联合建模,得到聚类结果,每一个聚类对应一个专题;
建模距离信息时选择某距离上的函数或某随机过程来刻画主题的强度变化;Beta分布相对于其他分布具有不对称性,用来建模距离信息;
Beta分布的概率密度函数:
利用层级模型nCRP建模不同层级的专题;
采样层级按照以下条件概率设定:
p(zd,n|z-(d,n),c,w,m,π,η)∝p(zd,n|zd,-n,m,π)p(wd,n|z,c,w-(d,n),η);
zd,n代表当前词的主题分配情况,zd,-n代表排除了所要采样的主题之后的其余观测数据的当前主题分配情况,k为主题索引,c,w,m,π,η为超参数。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
步骤一,无人机在飞行过程中,通过照相机对无人机周围按5s/次进行无人机采集图像采集,进行去噪和特征提取;
步骤二,使用3×3的二阶梯度高斯模板计算纹理图像并对去噪和特征提取后的照相机采集的图像通过改进的SIFT提取出特征点与存储器中的障碍物特征点进行核对;
步骤三,当核对特征点相符时,微处理器控制两路距离传感器对无人机与障碍物之间的距离信息进行采集并通过高速数字信号处理器对采集的距离信息基于改进的层级主题模型聚类进行最优估计;
步骤四,当无人机靠近障碍物时,微处理器控制电动伸缩杆向外伸出连接的弹性橡胶块实现对无人机的保护。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
步骤一,无人机在飞行过程中,通过照相机对无人机周围按5s/次进行无人机采集图像采集,进行去噪和特征提取;
步骤二,使用3×3的二阶梯度高斯模板计算纹理图像并对去噪和特征提取后的照相机采集的图像通过改进的SIFT提取出特征点与存储器中的障碍物特征点进行核对;
步骤三,当核对特征点相符时,微处理器控制两路距离传感器对无人机与障碍物之间的距离信息进行采集并通过高速数字信号处理器对采集的距离信息基于改进的层级主题模型聚类进行最优估计;
步骤四,当无人机靠近障碍物时,微处理器控制电动伸缩杆向外伸出连接的弹性橡胶块实现对无人机的保护。
本发明的另一目的在于提供一种运行所述无人机可伸缩全面保护控制方法的无人机可伸缩全面保护控制***,所述无人机可伸缩全面保护控制***包括:
图像采集模块,与中央控制模块连接,包括照相机,用于无人机在飞行过程中向无人机的周围按一定频率拍摄图像;
图像特征校对模块,与中央控制模块连接,采用SIFT的特征点匹配技术对拍摄的图像进行自动判断周边是否存在障碍物;
在通过无人机进行采集完图像信息之后,通过改进的SIFT提取出的特征点,可以把特征点构造成向量P={p1,p2,…,pn},其中n是特征点个数,然后通过向量P与内存的特征总向量进行校对,对于其中匹配度达到60%时,判定为存在障碍物;
距离测定模块,与中央控制模块连接,包括两路距离传感器,用于通过距离传感器检测无人机与障碍物之间的距离;
两路距离传感器能够测量无人机距离障碍物的直线距离,并且以1s的频率向无人机的飞行控制终端返回距离障碍物的距离,高速数字信号处理器运行卡尔曼滤波器,对两路传感器返回的信息进行数据融合,得到无人机距离障碍物距离的最优估计;
自动伸缩模块,与中央控制模块连接,包括电动伸缩杆、弹性橡胶块、滑轮,用于无人机靠近障碍物时,电动伸缩杆向外伸出连接的弹性橡胶块实现对无人机的保护;
中央控制模块,与图像采集模块、图像特征校对模块、距离测定模块、自动伸缩模块连接,包括微处理器,用于通过控制图像采集模块按照一定的设定频率对无人机的周边进行图像采集,并通过图像特征校对模块对采集的周边图像进行特征的提取与存储的障碍物图像的特征总集合进行核对,当达到标准匹配度时,则自动判定存在障碍物,进而控制距离测定模块对无人机与障碍物的距离进行测定并进行传输,当测定距离与无人机距离接近时,则控制电动伸缩杆向外伸出连接的弹性橡胶块实现对无人机的保护;
存储模块,与中央控制模块连接,包括存储器,用于存储障碍物特征点的集合,并受中央控制模块控制与采集的图像特征点进行核对。
进一步,所述自动伸缩模块的结构设置有电动伸缩杆,电动伸缩杆的端部连接无人机,顶部连接弹性橡胶块。
进一步,所述弹性橡胶块内部设置有连接轴,连接轴上方连接有滑轮。
进一步,所述滑轮采用无动力控制,用于改变无人机触碰障碍物后的运行轨迹。
所述无人机可伸缩全面保护控制***进一步还包括:
无线信号传输模块,与中央控制模块连接,包括无线信号收发器,用于将无人机与障碍物之间的距离信息传输给控制终端;
显示模块,与中央控制模块连接,包括显示屏,用于对无人机的状态及无人机与障碍物之间的距离信息进行显示。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:
(1)本发明采用的可伸缩的保护装置,可以对无人机在飞行过程中进行全面的保护,采用的软性橡胶材质重量轻便,节省了无人机电力的消耗,并且采用的自动探测,自动伸缩结构使得整体结构紧凑,避免增加无人机在飞行过程中的空气阻力,节省无人机电力的消耗,智能化程度高。
(2)本发明采用的电动伸缩杆可以实现保护橡胶块的自动伸缩,减少了飞行过程中的空气阻力。
(3)本发明采用的滑轮结构可使无人机在触碰到障碍物时,减小无人机与障碍物之间的摩擦力,使无人机可改变飞行方向,及时摆脱与障碍物的接触。
(4)本发明滑轮采用无动力控制,可根据无人机的动力方向而改变无人机的运行方向。
(5)本发明提供的无人机保护装置的使用方法,智能化程度高,并可以进行人机交互,使监测人员实时了解无人机的运行情况。
(6)本发明提供的无线信号传输模块和显示模块可以实现人机交互,方便人员对无人机的监控。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,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是本发明实施例提供的无人机可伸缩全面保护控制***的结构框图;
图2是本发明实施例提供的自动伸缩模块结构示意图;
图3是本发明实施例提供的无人机可伸缩全面保护控制方法流程图;
图中:1、图像采集模块;2、图像特征校对模块;3、距离测定模块;4、自动伸缩模块;5、中央控制模块;7、电动伸缩杆;8、弹性橡胶块;9、滑轮;10、无线信号传输模块;11、显示模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种无人机可伸缩全面保护控制***,下面结合附图对本发明作详细的描述。
如图1所示,本发明提供的无人机可伸缩全面保护控制***具体包括:
图像采集模块1,与中央控制模块5连接,包括照相机,用于无人机在飞行过程中向无人机的周围按一定频率拍摄图像;
图像特征校对模块2,与中央控制模块5连接,采用SIFT的特征点匹配技术对拍摄的图像进行自动判断周边是否存在障碍物;
在通过无人机进行采集完图像信息之后,通过改进的SIFT提取出的特征点,可以把特征点构造成向量P={p1,p2,…,pn},其中n是特征点个数,然后通过向量P与内存的特征总向量进行校对,对于其中匹配度达到60%时,判定为存在障碍物;
距离测定模块3,与中央控制模块5连接,包括两路距离传感器,用于通过距离传感器检测无人机与障碍物之间的距离;
两路距离传感器能够测量无人机距离障碍物的直线距离,并且以1s的频率向无人机的飞行控制终端返回距离障碍物的距离,高速数字信号处理器运行卡尔曼滤波器,对两路传感器返回的信息进行数据融合,得到无人机距离障碍物距离的最优估计;
自动伸缩模块4,与中央控制模块5连接,包括电动伸缩杆、弹性橡胶块、滑轮,用于无人机靠近障碍物时,电动伸缩杆向外伸出连接的弹性橡胶块实现对无人机的保护;
中央控制模块5,与图像采集模块1、图像特征校对模块2、距离测定模块3、自动伸缩模块4连接,包括微处理器,用于通过控制图像采集模块1按照一定的设定频率对无人机的周边进行图像采集,并通过图像特征校对模块2对采集的周边图像进行特征的提取与存储的障碍物图像的特征总集合进行核对,当达到标准匹配度时,则自动判定存在障碍物,进而控制距离测定模块3对无人机与障碍物的距离进行测定并进行传输,当测定距离与无人机距离接近时,则控制电动伸缩杆向外伸出连接的弹性橡胶块实现对无人机的保护;
存储模块6,与中央控制模块5连接,包括存储器,用于存储障碍物特征点的集合,并受中央控制模块5控制与采集的图像特征点进行核对。
如图2所示,本发明提供的自动伸缩模块4的结构设置有电动伸缩杆7,电动伸缩杆7的端部连接无人机,顶部连接弹性橡胶块8。
如图2所示,弹性橡胶块8内部设置有连接轴,连接轴上方连接有滑轮9。
滑轮9采用无动力控制,用于改变无人机触碰障碍物后的运行轨迹。
如图3所示,本发明提供的无人机可伸缩全面保护控制方法具体如下:
S101:无人机在飞行过程中,通过照相机对无人机周围按5s/次进行无人机采集图像采集,进行去噪和特征提取;
S102:使用3×3的二阶梯度高斯模板计算纹理图像并对去噪和特征提取后的照相机采集的图像通过改进的SIFT提取出特征点与存储器中的障碍物特征点进行核对;
S103:当核对特征点相符时,微处理器控制两路距离传感器对无人机与障碍物之间的距离信息进行采集并通过高速数字信号处理器对采集的距离信息基于改进的层级主题模型聚类进行最优估计;
S104:当无人机靠近障碍物时,微处理器控制电动伸缩杆向外伸出连接的弹性橡胶块实现对无人机的保护。
所述去噪包括:
(1)将含噪无人机采集图像f(x,y)进行平稳小波变换邻域系数萎缩的无人机采集图像去噪,分别获得子带系数:低频系数、水平细节系数、垂直细节系数和对角细节系数;
(2)对第一层的低频系数利用PCNN进行区域分割;
(3)将低频系数保持不变,对各层的水平细节系数、垂直细节系数和对角细节系数分别进行邻域阈值处理;
(4)采用脉冲耦合神经网络对噪声无人机采集图像进行处理,得到熵序列En,将En作为边缘检测算子;
(5)进行阈值寻优,得到最优去噪阈值k;
(6)根据求得的边缘检测算子En和最优去噪阈值k,采用改进的各向异性扩散模型对无人机采集图像进行去噪;
所述无人机采集图像的特征提取包括:将L个经过噪声处理后的无人机采集图像分别按行展开后再进行组合,形成一个L行、M×N列的矩阵X=(x1,x2,x3,Λ,xL)T;
对矩阵X进行均值化,使得E(X)=0;
对矩阵X进行白化处理,使得E(XTX)=I;
初始化独立分量的个数,使得n=1,其中,n为独立分量的个数;
初始化wn,随机选取wn=wn/||wn||;
根据公式wn=E{Xg(wn TX)}-E{g′(wn TX)}wn,求取wn;
判断得到的wn+1是否收敛,如果wn+1不收敛,返回求取wn;
取n=n+1,在n<M的情况下,逐一提取出所有的独立分量;
将各个独立分量构成矩阵S=(s1,s2,Λ,sP)T,根据公式P=FS-1计算出L个无人机采集图像的特征P。
进一步,所述使用3×3的二阶梯度高斯模板计算纹理图像包括:
水平方向上:
其中,I(x,y)表示图像NL的像素强度;
垂直方向上:
计算梯度值:
进一步,所述基于改进的层级主题模型聚类包括:
将距离信息引入主题模型中进行联合建模,得到聚类结果,每一个聚类对应一个专题;
建模距离信息时选择某距离上的函数或某随机过程来刻画主题的强度变化;Beta分布相对于其他分布具有不对称性,用来建模距离信息;
Beta分布的概率密度函数:
利用层级模型nCRP建模不同层级的专题;
采样层级按照以下条件概率设定:
p(zd,n|z-(d,n),c,w,m,π,η)∝p(zd,n|zd,-n,m,π)p(wd,n|z,c,w-(d,n),η);
zd,n代表当前词的主题分配情况,zd,-n代表排除了所要采样的主题之后的其余观测数据的当前主题分配情况,k为主题索引,c,w,m,π,η为超参数。
如图1所示,本发明提供的无人机可伸缩全面保护控制***进一步还包括:
无线信号传输模块10,与中央控制模块5连接,包括无线信号收发器,用于将无人机与障碍物之间的距离信息传输给控制终端;
显示模块11,与中央控制模块5连接,包括显示屏,用于对无人机的状态及无人机与障碍物之间的距离信息进行显示。
以上所述,仅为本发明较优的具体的实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种无人机可伸缩全面保护控制方法,其特征在于,所述无人机可伸缩全面保护控制方法包括:
步骤一,无人机在飞行过程中,通过照相机对无人机周围按5s/次进行无人机采集图像采集,进行去噪和特征提取;
所述去噪包括:
(1)将含噪无人机采集图像f(x,y)进行平稳小波变换邻域系数萎缩的无人机采集图像去噪,分别获得子带系数:低频系数、水平细节系数、垂直细节系数和对角细节系数;
(2)对第一层的低频系数利用PCNN进行区域分割;
(3)将低频系数保持不变,对各层的水平细节系数、垂直细节系数和对角细节系数分别进行邻域阈值处理;
(4)采用脉冲耦合神经网络对噪声无人机采集图像进行处理,得到熵序列En,将En作为边缘检测算子;
(5)进行阈值寻优,得到最优去噪阈值k;
(6)根据求得的边缘检测算子En和最优去噪阈值k,采用改进的各向异性扩散模型对无人机采集图像进行去噪;
所述无人机采集图像的特征提取包括:将L个经过噪声处理后的无人机采集图像分别按行展开后再进行组合,形成一个L行、M×N列的矩阵X=(x1,x2,x3,Λ,xL)T;
对矩阵X进行均值化,使得E(X)=0;
对矩阵X进行白化处理,使得E(XTX)=I;
初始化独立分量的个数,使得n=1,其中,n为独立分量的个数;
初始化wn,随机选取wn=wn/||wn||;
根据公式wn=E{Xg(wn TX)}-E{g′(wn TX)}wn,求取wn;
判断得到的wn+1是否收敛,如果wn+1不收敛,返回求取wn;
取n=n+1,在n<M的情况下,逐一提取出所有的独立分量;
将各个独立分量构成矩阵S=(s1,s2,Λ,sP)T,根据公式P=FS-1计算出L个无人机采集图像的特征P;
步骤二,使用3×3的二阶梯度高斯模板计算纹理图像并对去噪和特征提取后的照相机采集的图像通过改进的SIFT提取出特征点与存储器中的障碍物特征点进行核对;
步骤三,当核对特征点相符时,微处理器控制两路距离传感器对无人机与障碍物之间的距离信息进行采集并通过高速数字信号处理器对采集的距离信息基于改进的层级主题模型聚类进行最优估计;
步骤四,当无人机靠近障碍物时,微处理器控制电动伸缩杆向外伸出连接的弹性橡胶块实现对无人机的保护。
3.如权利要求1所述的无人机可伸缩全面保护控制方法,其特征在于,所述基于改进的层级主题模型聚类包括:
将距离信息引入主题模型中进行联合建模,得到聚类结果,每一个聚类对应一个专题;
建模距离信息时选择某距离上的函数或某随机过程来刻画主题的强度变化;Beta分布相对于其他分布具有不对称性,用来建模距离信息;
Beta分布的概率密度函数:
利用层级模型nCRP建模不同层级的专题;
采样层级按照以下条件概率设定:
p(zd,n|z-(d,n),c,w,m,π,η)∝p(zd,n|zd,-n,m,π)p(wd,n|z,c,w-(d,n),η);
zd,n代表当前词的主题分配情况,zd,-n代表排除了所要采样的主题之后的其余观测数据的当前主题分配情况,k为主题索引,c,w,m,π,η为超参数。
4.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
步骤一,无人机在飞行过程中,通过照相机对无人机周围按5s/次进行无人机采集图像采集,进行去噪和特征提取;
步骤二,使用3×3的二阶梯度高斯模板计算纹理图像并对去噪和特征提取后的照相机采集的图像通过改进的SIFT提取出特征点与存储器中的障碍物特征点进行核对;
步骤三,当核对特征点相符时,微处理器控制两路距离传感器对无人机与障碍物之间的距离信息进行采集并通过高速数字信号处理器对采集的距离信息基于改进的层级主题模型聚类进行最优估计;
步骤四,当无人机靠近障碍物时,微处理器控制电动伸缩杆向外伸出连接的弹性橡胶块实现对无人机的保护。
5.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
步骤一,无人机在飞行过程中,通过照相机对无人机周围按5s/次进行无人机采集图像采集,进行去噪和特征提取;
步骤二,使用3×3的二阶梯度高斯模板计算纹理图像并对去噪和特征提取后的照相机采集的图像通过改进的SIFT提取出特征点与存储器中的障碍物特征点进行核对;
步骤三,当核对特征点相符时,微处理器控制两路距离传感器对无人机与障碍物之间的距离信息进行采集并通过高速数字信号处理器对采集的距离信息基于改进的层级主题模型聚类进行最优估计;
步骤四,当无人机靠近障碍物时,微处理器控制电动伸缩杆向外伸出连接的弹性橡胶块实现对无人机的保护。
6.一种运行权利要求1~4任意一项所述无人机可伸缩全面保护控制方法的无人机可伸缩全面保护控制***,其特征在于,所述无人机可伸缩全面保护控制***包括:
图像采集模块,与中央控制模块连接,包括照相机,用于无人机在飞行过程中向无人机的周围按一定频率拍摄图像;
图像特征校对模块,与中央控制模块连接,采用SIFT的特征点匹配技术对拍摄的图像进行自动判断周边是否存在障碍物;
在通过无人机进行采集完图像信息之后,通过改进的SIFT提取出的特征点,可以把特征点构造成向量P={p1,p2,…,pn},其中n是特征点个数,然后通过向量P与内存的特征总向量进行校对,对于其中匹配度达到60%时,判定为存在障碍物;
距离测定模块,与中央控制模块连接,包括两路距离传感器,用于通过距离传感器检测无人机与障碍物之间的距离;
两路距离传感器能够测量无人机距离障碍物的直线距离,并且以1s的频率向无人机的飞行控制终端返回距离障碍物的距离,高速数字信号处理器运行卡尔曼滤波器,对两路传感器返回的信息进行数据融合,得到无人机距离障碍物距离的最优估计;
自动伸缩模块,与中央控制模块连接,包括电动伸缩杆、弹性橡胶块、滑轮,用于无人机靠近障碍物时,电动伸缩杆向外伸出连接的弹性橡胶块实现对无人机的保护;
中央控制模块,与图像采集模块、图像特征校对模块、距离测定模块、自动伸缩模块连接,包括微处理器,用于通过控制图像采集模块按照一定的设定频率对无人机的周边进行图像采集,并通过图像特征校对模块对采集的周边图像进行特征的提取与存储的障碍物图像的特征总集合进行核对,当达到标准匹配度时,则自动判定存在障碍物,进而控制距离测定模块对无人机与障碍物的距离进行测定并进行传输,当测定距离与无人机距离接近时,则控制电动伸缩杆向外伸出连接的弹性橡胶块实现对无人机的保护;
存储模块,与中央控制模块连接,包括存储器,用于存储障碍物特征点的集合,并受中央控制模块控制与采集的图像特征点进行核对。
7.如权利要求6所述的无人机可伸缩全面保护控制***,其特征在于,所述自动伸缩模块的结构设置有电动伸缩杆,电动伸缩杆的端部连接无人机,顶部连接弹性橡胶块。
8.如权利要求7所述的无人机可伸缩全面保护控制***,其特征在于,所述弹性橡胶块内部设置有连接轴,连接轴上方连接有滑轮。
9.如权利要求7所述的无人机可伸缩全面保护控制***,其特征在于,所述滑轮采用无动力控制,用于改变无人机触碰障碍物后的运行轨迹。
10.如权利要求6所述的无人机可伸缩全面保护控制***,其特征在于,所述无人机可伸缩全面保护控制***进一步还包括:
无线信号传输模块,与中央控制模块连接,包括无线信号收发器,用于将无人机与障碍物之间的距离信息传输给控制终端;
显示模块,与中央控制模块连接,包括显示屏,用于对无人机的状态及无人机与障碍物之间的距离信息进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010378042.4A CN111572790A (zh) | 2020-05-07 | 2020-05-07 | 一种无人机可伸缩全面保护控制***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010378042.4A CN111572790A (zh) | 2020-05-07 | 2020-05-07 | 一种无人机可伸缩全面保护控制***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111572790A true CN111572790A (zh) | 2020-08-25 |
Family
ID=72109089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010378042.4A Pending CN111572790A (zh) | 2020-05-07 | 2020-05-07 | 一种无人机可伸缩全面保护控制***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111572790A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113311858A (zh) * | 2021-04-29 | 2021-08-27 | 重庆交通大学 | 一种基于无人机的飞控***及方法 |
CN113998109A (zh) * | 2021-11-17 | 2022-02-01 | 北京京能能源技术研究有限责任公司 | 一种炉内空间自主导航的无人机 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103135550A (zh) * | 2013-01-31 | 2013-06-05 | 南京航空航天大学 | 用于电力巡线的无人机多重避障控制方法 |
CN105759836A (zh) * | 2016-03-14 | 2016-07-13 | 武汉卓拔科技有限公司 | 一种基于3d摄像头的无人机避障方法及装置 |
CN106168808A (zh) * | 2016-08-25 | 2016-11-30 | 南京邮电大学 | 一种基于深度学习的旋翼无人机自动巡航方法及其*** |
CN106200672A (zh) * | 2016-07-19 | 2016-12-07 | 深圳北航新兴产业技术研究院 | 一种基于光流的无人机避障方法 |
CN106444837A (zh) * | 2016-10-17 | 2017-02-22 | 北京理工大学 | 一种无人机避障方法及*** |
US20170090271A1 (en) * | 2015-09-24 | 2017-03-30 | Amazon Technologies, Inc. | Unmanned aerial vehicle descent |
CN106774387A (zh) * | 2016-12-08 | 2017-05-31 | 天津中翔腾航科技股份有限公司 | 一种无人机避障方法及避障*** |
CN108227738A (zh) * | 2017-12-28 | 2018-06-29 | 湖北电鹰科技有限公司 | 一种无人机避障方法及*** |
CN108445905A (zh) * | 2018-03-30 | 2018-08-24 | 合肥赛为智能有限公司 | 一种无人机智能化避障调控*** |
CN108735001A (zh) * | 2018-05-31 | 2018-11-02 | 智飞智能装备科技东台有限公司 | 一种基于北斗导航的无人机防撞及预警装置 |
US20190206073A1 (en) * | 2016-11-24 | 2019-07-04 | Tencent Technology (Shenzhen) Company Limited | Aircraft information acquisition method, apparatus and device |
CN110045364A (zh) * | 2019-03-01 | 2019-07-23 | 上海大学 | 基于渐进式畸变图像特征识别的动态目标跟踪和静态目标检测***与方法 |
CN110658840A (zh) * | 2019-10-28 | 2020-01-07 | 郑州航空工业管理学院 | 一种用于多旋翼无人机的自主导航避障方法及装置 |
CN110673632A (zh) * | 2019-09-27 | 2020-01-10 | 中国船舶重工集团公司第七0九研究所 | 一种基于视觉slam的无人机自主避障方法及装置 |
CN210005927U (zh) * | 2019-04-11 | 2020-01-31 | 株洲时代电子技术有限公司 | 一种桥梁巡检无人机*** |
-
2020
- 2020-05-07 CN CN202010378042.4A patent/CN111572790A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103135550A (zh) * | 2013-01-31 | 2013-06-05 | 南京航空航天大学 | 用于电力巡线的无人机多重避障控制方法 |
US20170090271A1 (en) * | 2015-09-24 | 2017-03-30 | Amazon Technologies, Inc. | Unmanned aerial vehicle descent |
CN105759836A (zh) * | 2016-03-14 | 2016-07-13 | 武汉卓拔科技有限公司 | 一种基于3d摄像头的无人机避障方法及装置 |
CN106200672A (zh) * | 2016-07-19 | 2016-12-07 | 深圳北航新兴产业技术研究院 | 一种基于光流的无人机避障方法 |
CN106168808A (zh) * | 2016-08-25 | 2016-11-30 | 南京邮电大学 | 一种基于深度学习的旋翼无人机自动巡航方法及其*** |
CN106444837A (zh) * | 2016-10-17 | 2017-02-22 | 北京理工大学 | 一种无人机避障方法及*** |
US20190206073A1 (en) * | 2016-11-24 | 2019-07-04 | Tencent Technology (Shenzhen) Company Limited | Aircraft information acquisition method, apparatus and device |
CN106774387A (zh) * | 2016-12-08 | 2017-05-31 | 天津中翔腾航科技股份有限公司 | 一种无人机避障方法及避障*** |
CN108227738A (zh) * | 2017-12-28 | 2018-06-29 | 湖北电鹰科技有限公司 | 一种无人机避障方法及*** |
CN108445905A (zh) * | 2018-03-30 | 2018-08-24 | 合肥赛为智能有限公司 | 一种无人机智能化避障调控*** |
CN108735001A (zh) * | 2018-05-31 | 2018-11-02 | 智飞智能装备科技东台有限公司 | 一种基于北斗导航的无人机防撞及预警装置 |
CN110045364A (zh) * | 2019-03-01 | 2019-07-23 | 上海大学 | 基于渐进式畸变图像特征识别的动态目标跟踪和静态目标检测***与方法 |
CN210005927U (zh) * | 2019-04-11 | 2020-01-31 | 株洲时代电子技术有限公司 | 一种桥梁巡检无人机*** |
CN110673632A (zh) * | 2019-09-27 | 2020-01-10 | 中国船舶重工集团公司第七0九研究所 | 一种基于视觉slam的无人机自主避障方法及装置 |
CN110658840A (zh) * | 2019-10-28 | 2020-01-07 | 郑州航空工业管理学院 | 一种用于多旋翼无人机的自主导航避障方法及装置 |
Non-Patent Citations (1)
Title |
---|
王淏等: "基于双目视觉的无人机避障之研究", 《检测技术与数据处理》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113311858A (zh) * | 2021-04-29 | 2021-08-27 | 重庆交通大学 | 一种基于无人机的飞控***及方法 |
CN113998109A (zh) * | 2021-11-17 | 2022-02-01 | 北京京能能源技术研究有限责任公司 | 一种炉内空间自主导航的无人机 |
CN113998109B (zh) * | 2021-11-17 | 2022-05-13 | 北京京能能源技术研究有限责任公司 | 一种炉内空间自主导航的无人机 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108216252B (zh) | 一种地铁司机车载驾驶行为分析方法、车载终端及*** | |
Xu et al. | Inter/intra-category discriminative features for aerial image classification: A quality-aware selection model | |
CN111505632B (zh) | 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法 | |
CN108831161A (zh) | 一种基于无人机的交通流量监测方法、智能***及数据集 | |
CN107657226B (zh) | 一种基于深度学习的人数估计方法 | |
CN104766320B (zh) | 阈值化量测下的多伯努利滤波弱目标检测与跟踪方法 | |
CN106023185A (zh) | 一种输电设备故障诊断方法 | |
CN111572790A (zh) | 一种无人机可伸缩全面保护控制***及方法 | |
CN103455797A (zh) | 航拍视频中运动小目标的检测与跟踪方法 | |
CN103262121A (zh) | 移动物体的检测和跟踪 | |
CN110660065B (zh) | 一种红外故障检测识别算法 | |
CN114372960A (zh) | 基于图像理解的飞机地面积冰检测方法、***、终端及介质 | |
CN111667655A (zh) | 基于红外图像的高速铁路安全区入侵警报装置及方法 | |
CN111444801A (zh) | 一种无人机红外目标实时检测方法 | |
CN111723773A (zh) | 遗留物检测方法、装置、电子设备及可读存储介质 | |
CN116434088A (zh) | 基于无人机航拍图像的车道线检测及车道辅助保持方法 | |
CN105469054A (zh) | 正常行为的模型构建方法及异常行为的检测方法 | |
CN112037252A (zh) | 基于鹰眼视觉的目标跟踪方法及*** | |
CN113256731A (zh) | 基于单目视觉的目标检测方法及装置 | |
CN115731174A (zh) | 基于图像信息熵和多尺度局部对比度量的红外小目标检测方法及装置 | |
CN117036404A (zh) | 一种单目热成像同时定位与建图方法和*** | |
CN103679740A (zh) | 一种无人机对地目标roi提取方法 | |
CN115205615A (zh) | 一种车辆清洁度检测方法、装置和计算机可读存储介质 | |
CN111915558A (zh) | 一种高压输电线销钉状态检测方法 | |
CN112907972B (zh) | 基于无人机的道路车流量检测方法、***及计算机可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200825 |