孟文曄+王景璐

【摘要】當(dāng)進(jìn)行海面目標(biāo)偵測、地面目標(biāo)精準(zhǔn)打擊、重大自然災(zāi)害救援、農(nóng)林牧業(yè)作業(yè)等活動時，判斷無人機自身位置的精確信息對上下文感知應(yīng)用至關(guān)重要。本文提出一種結(jié)合圖像處理與神經(jīng)網(wǎng)絡(luò)設(shè)計的無人機遙控定位算法。首先預(yù)處理無人機遙感視覺數(shù)據(jù)樣本，從中提取色彩與建筑物邊界作為特征：其次，經(jīng)過語義分析組建特征空間：然后輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行機器學(xué)習(xí)訓(xùn)練、識別，基于神經(jīng)網(wǎng)絡(luò)算法分析實現(xiàn)路徑標(biāo)記與轉(zhuǎn)換，最終完成位置識別：自動發(fā)出指令實現(xiàn)對無人機的定位控制。實驗結(jié)果表明本算法能獲得良好的定位效果。

1緒論

無人機無需搭載駕駛員，通過無線鏈路傳遞指令控制飛行或預(yù)編制程序自主控制飛行，具有機身小巧、起降便捷、耗能少等優(yōu)點，在軍事與民用領(lǐng)域得到廣泛應(yīng)用。自動控制，先進(jìn)傳感技術(shù)以及計算機科學(xué)等諸多領(lǐng)域的高新技術(shù)被融合到無人機應(yīng)用中，目前的無人機搭載多樣遙感設(shè)備，可獲取信息應(yīng)用于軍事與民用領(lǐng)域。例如地面面目標(biāo)偵測、地面目標(biāo)精準(zhǔn)打擊、重大自然災(zāi)害災(zāi)情采集、災(zāi)害救援、農(nóng)田信息監(jiān)測、植物保護(hù)及貨物遞送等應(yīng)用中，另外目前已有機構(gòu)將無人機利用到給戰(zhàn)場、災(zāi)區(qū)和難以到達(dá)的地區(qū)提供臨時的網(wǎng)絡(luò)覆蓋服務(wù)中，而無人機自身的精確位置信息是決定以上活動成敗的關(guān)鍵環(huán)節(jié)。

研究人員國內(nèi)外科研人員已經(jīng)探索與研制出各種技術(shù)來實現(xiàn)對無人機定位的控制，關(guān)于無人機的定位研究結(jié)合導(dǎo)航與飛控兩大核心技術(shù)，位于目前科技研究的前端，具有重要意義。一般來說，這些技術(shù)可以分為兩類。一種是基于全球定位系統(tǒng)的絕對定位，另一種是基于傳感器獲取被定位目標(biāo)信息的相對定位，以及融合這兩種方式的數(shù)據(jù)后進(jìn)行定位。前一種方法基于天體或大地坐標(biāo)獲取無人機在大地坐標(biāo)系中的絕對位置，由于在飛行過程中GPS并不是一直能夠獲取，會導(dǎo)致其精度不能滿足無人機導(dǎo)航的需要，另外，所需設(shè)備造價高昂，使得相關(guān)應(yīng)用的廣泛度受限。

第二種方法通過導(dǎo)航設(shè)備分析傳感器獲取的信息來判斷無人機與目標(biāo)間的相對位置關(guān)系，主要有基于計算無人機與目標(biāo)間的距離的，如利用聲納傳感器與激光測距儀發(fā)射信號并計算信號返回的時間間隔來感知距離信息：和利用視覺系統(tǒng)分析定位的，如采用圖像傳感器獲取周圍環(huán)境信息。

由于機器視覺技術(shù)不斷提高，嵌入式硬件的進(jìn)步，加之圖像傳感器造價低廉應(yīng)用廣泛，圖像信息獲取具有自主性、全天候、全天時等顯著優(yōu)點，是民用無人機賴以獲取信息的最重要來源，所以本文建立基于神經(jīng)網(wǎng)絡(luò)的無人機定位系統(tǒng)，采取搭載在無人機上單目攝像頭獲取地面圖像，進(jìn)而采用機器學(xué)習(xí)的方法分析處理圖像實現(xiàn)無人機定位。

2.基于神經(jīng)網(wǎng)絡(luò)的定位算法設(shè)計

本論文提出將無人機航拍時得到的圖像利用神經(jīng)網(wǎng)絡(luò)進(jìn)行有監(jiān)督識別處理，實現(xiàn)對地面建筑物的定位。圖像識別可以將圖像中中與特征無關(guān)的不相同的物理內(nèi)容去除掉，再根據(jù)特征的共性進(jìn)行分類。本文主要對圖像模式識別理論和數(shù)字圖像處理技術(shù)進(jìn)行了研究，有些問題能很好地適應(yīng)區(qū)分不同的建筑的照片。

無人機定位的過程涉及圖像的采集、圖像預(yù)處理、建筑物圖像的特征提取、建筑物外觀圖像的識別等基本過程。其中，圖像的采集是通過攝像機直接獲取的，圖像的預(yù)處理主要包括圖像的大小、灰度變換等，圖像的特征提取和識別的方法相對復(fù)雜，且特征提取和識別方法是影響識別速度和準(zhǔn)確度的關(guān)鍵。

本文的定位識別系統(tǒng)對無人機采集到的圖像采取以下方法進(jìn)行識別，由于無人機拍攝圖像角度大，所以需要區(qū)分的建筑物較多，為了提高識別的速度，本方法利用SVD提取的建筑物外觀特征，并將選擇后的特征傳輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，后續(xù)用來識別。因此本實驗主要采用BP神經(jīng)網(wǎng)絡(luò)模型，算法步驟如圖1所示。圖像定位識別是一個有監(jiān)督學(xué)習(xí)過程，首先利用訓(xùn)練集構(gòu)造一個建筑物地標(biāo)模型，然后將測試集與訓(xùn)練集進(jìn)行匹配，找到與之對應(yīng)的訓(xùn)練集圖像，即可獲得無人機所在的位置信息。本方法是一種識別速度快且識別率高的建筑物定位識別方法，

2.2方法：數(shù)據(jù)獲取和處理

圖像預(yù)處理過程為，首先，用移動為0.3s的窗口篩去相近的時間內(nèi)攝取的圖像以減小圖像處理工作量：其次，簡化篩選出的新編圖片，例如做縮放處理然后濾波以提高識別速度：

2.3神經(jīng)網(wǎng)絡(luò)分類器設(shè)計

BP算法是利用輸出層的誤差來估計輸出層的直接前導(dǎo)層的誤差，再用這個誤差估計更前一層的誤差。如此下去，就獲得了所有其他各層的誤差估計。這樣就形成了將輸出端表現(xiàn)出的誤差沿著與輸入信號傳送相反的方向逐級向網(wǎng)絡(luò)的輸入端傳遞的過程。因此，人們就又將此算法稱為向后傳播算法，簡稱BP算法。使用BP算法進(jìn)行學(xué)習(xí)的多級非循環(huán)網(wǎng)絡(luò)稱為BP網(wǎng)絡(luò)。

使用BP網(wǎng)路作為模式分類器時，輸入層節(jié)點數(shù)取決于數(shù)據(jù)源的維數(shù)，即特征空間的維數(shù)。因此為了避免采集的信息太多，樣本維數(shù)太大，導(dǎo)致收斂時間和訓(xùn)練時間太長影響識別速度，在將特征輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練之前必須對收集到的特征進(jìn)行篩選，通過多次實驗去除對刻畫事物的本質(zhì)貢獻(xiàn)非常微小的特征，也就是需要做特征提取工作。

3仿真實驗

本論文通過將無人機航拍時得到的圖像利用神經(jīng)網(wǎng)絡(luò)進(jìn)行有監(jiān)督識別處理，實現(xiàn)對地面建筑物的定位。由于Matlab具有強大的圖像處理功能與機器學(xué)習(xí)工具箱，因此仿真實驗將在matlab軟件平臺上進(jìn)行。

3.1數(shù)據(jù)采集

本實驗是在本校采集的無人機攝像圖像庫上進(jìn)行的。本校建筑物共有10座，如，圖書館、運動場、教學(xué)樓群、AB實訓(xùn)樓、鐘樓廣場等地標(biāo)性建筑物。仿真實驗隨機選出每個建筑物的100幅不同角度不同高度拍攝的圖像作為訓(xùn)練圖像，構(gòu)成一個1000幅圖像的訓(xùn)練集，剩下的300幅圖像構(gòu)成測試集。

3.2測試結(jié)果

正確識別的測試集數(shù)目為：196

正確識別的訓(xùn)練集數(shù)目為：874

測試集識別率為6.533333e-01

訓(xùn)練集識別率為8.740000e-01

總識別率為8.2307600e-01

本章首先對圖像進(jìn)行預(yù)處理，增強圖像質(zhì)量，然后采取提取圖像中的物體邊緣與表面色彩作為高級特征，與特征一起訓(xùn)練Bp神經(jīng)網(wǎng)絡(luò)，對目標(biāo)進(jìn)行分類識別，獲得相關(guān)目標(biāo)的位置信息，并通過仿真給出了識別結(jié)果。

4結(jié)論

不論是無人機救援、偵測還是多機協(xié)這些應(yīng)用都需要建立在精準(zhǔn)的無人機定位技術(shù)上，因此研究基于神經(jīng)網(wǎng)絡(luò)的無人機定位技術(shù)是對先進(jìn)計算機圖像處理與機器學(xué)習(xí)技術(shù)的綜合實踐，具有極高的學(xué)術(shù)研究價值與社會生產(chǎn)實踐價值。本文通過對圖像模式識別理論和數(shù)字圖像處理技術(shù)的利用，有很好地區(qū)分了不同的建筑的照片，從而對無人機定位系統(tǒng)進(jìn)行了實現(xiàn)，最優(yōu)測試集識別率為82.33%。endprint