于 洋，畢宏帥

(沈陽理工大學(xué) 自動化與電氣工程學(xué)院，沈陽 110159)

目前，無人機主要的導(dǎo)航方式有INS(慣性導(dǎo)航)、INS/GPS組合導(dǎo)航、視覺導(dǎo)航[1]。慣性導(dǎo)航的定位誤差隨時間積累越來越大，無法滿足自主著陸的精度要求。INS/GPS組合導(dǎo)航系統(tǒng)在無人機大部分的自主飛行任務(wù)中均能起到很好的作用，但一些特定的環(huán)境中，如在室內(nèi)，無人機無法獲得足夠精確的GPS信號[2]，影響導(dǎo)航效果。

基于視覺的無人機導(dǎo)航因不受外界電磁干擾，導(dǎo)航精度高[3]，利用機載攝像機采集圖像，用數(shù)字圖像處理方法進行預(yù)處理，以特征提取等方式將地標(biāo)特征點轉(zhuǎn)換成對無人機的姿態(tài)估計，因此，將簡單且具備顯著特征的地標(biāo)作為視覺導(dǎo)航的參照，是提高圖像識別算法精準(zhǔn)性的關(guān)鍵[4]。Lee S等[5]設(shè)計了一種外部圓形，內(nèi)“H”的地標(biāo)圖案，并提出了一種識別國際標(biāo)準(zhǔn)直升機停機坪的視覺算法，通過地標(biāo)圖案的邊緣分布函數(shù)，對其數(shù)學(xué)計算，可實現(xiàn)對著陸標(biāo)志的識別，但并未對無人機進行姿態(tài)的估計。劉士清等[6]提出了一個包含四組平行線的平面著陸合作目標(biāo)，通過機載相機獲取含有合作目標(biāo)的圖片，估計出無人機與該目標(biāo)的相對位姿信息，但會出現(xiàn)較多的錯檢和漏檢情況。張廣軍等[7]設(shè)計了一個雙圓特征圖案，該地標(biāo)最顯著的特征是由兩個圓形圖案組合而成，且左側(cè)地標(biāo)圖案為同心圓；基于該圖案設(shè)計了一套特征點提取算法，仿真結(jié)果表明，該算法對于地標(biāo)的檢測提取具有很好的抗噪能力，且能滿足對無人機姿態(tài)信息采集的實時性[8]，但該方法只適用于遠距離導(dǎo)航的情況。

根據(jù)以上研究，本文設(shè)計出一種同心圓環(huán)和正方形組合的合作地標(biāo)，對其進行識別、計算，得到無人機的位姿參數(shù)；其特點是利用圖像幾何信息可以快速提取的優(yōu)勢，以滿足無人機的實時性。

1 著陸地標(biāo)的設(shè)計

考慮到無人機對地標(biāo)響應(yīng)的快速性，地標(biāo)的設(shè)計應(yīng)滿足以下條件：一是標(biāo)志應(yīng)能包含無人機定點自主降落所能夠識別的信息，并提取地標(biāo)特征解算出與降落標(biāo)志的相對位置；二是標(biāo)志不應(yīng)太復(fù)雜，盡量避免復(fù)雜的模式識別和學(xué)習(xí)等過程，從而保證識別算法的實時性；三是標(biāo)志要保證輪廓清晰，易于區(qū)別其他地面輪廓，保證不會出現(xiàn)誤識別而發(fā)生不可預(yù)測的錯誤[9]。

基于上述要求，本文設(shè)計了新的著陸地標(biāo)和與之相對應(yīng)的識別算法。該標(biāo)識中，以白色作為著陸背景，將該地標(biāo)分解為兩部分，其中R為外圓半徑，r為內(nèi)圓半徑，a為空心正方形邊長，b為實心正方形邊長；實際值分別為：R=28cm，r=20cm，a=7cm，b=3.5cm，正方形黑邊寬度為1.2cm，著陸地標(biāo)如圖1所示。

圖1 著陸地標(biāo)

當(dāng)無人機高度足夠高時，圓環(huán)部分用來做無人機的初始估計，隨著無人機高度的下降，只有正方形部分被機載相機捕獲。此時正方形的作用有兩個，其一是在圓環(huán)檢測后，對無人機質(zhì)心與地標(biāo)中心點位置的糾偏；其二是實現(xiàn)無人機在偏航方向角度的矯正。

2 地標(biāo)識別策略

在算法的實現(xiàn)上，目前通過大量訓(xùn)練樣本學(xué)習(xí)方式較為流行，但這類方式會導(dǎo)致機載處理器承擔(dān)大量計算的高負荷工作，對實時性有所影響。因此，本文根據(jù)所設(shè)計的地標(biāo)提出了兩階段識別算法以克服上述問題。

基于第一節(jié)所設(shè)計的著陸地標(biāo)，在經(jīng)圖像預(yù)處理后，識別過程一共分為兩個階段：第一階段無人機在相對位置較高處對地標(biāo)的定位和追蹤，這階段通過識別圓的特征信息實現(xiàn)；當(dāng)無人機距地面較低時，第二階段通過識別正方形的特征實現(xiàn)對無人機位置與偏航方向的調(diào)整。地標(biāo)檢測算法流程如圖2所示。

圖2 地面標(biāo)識檢測算法流程圖

2.1 地標(biāo)預(yù)圖像處理

圖像預(yù)處理可以減少噪聲的影響并突出細節(jié)部分，能夠更為準(zhǔn)確地將地標(biāo)前景和地面背景分離開來。首先灰度處理，其目的是減小機載處理器的計算量，保證響應(yīng)的速度。首先將機載攝像頭捕獲到的彩色圖像轉(zhuǎn)為單通道的灰度圖像，采用的方法是加權(quán)平均法，公式如式(1)所示[10]。

f(x，y)=0.229R(x，y)+0.587G(x，y)+
0.114B(x，y)

(1)

式中：x、y分別代表圖像像素的橫、縱坐標(biāo)；f(x，y)為該點灰度值；R(x，y)、G(x，y)、B(x，y)各代表圖像中紅綠藍分量的灰度值。然后進行圖像濾波，作用是消除周圍環(huán)境帶來的細微影響，達到去除噪聲的效果，方法采用的是平均值濾波。

(2)

式中：w(x，y)為濾波后圖像的灰度值，采用的掩模是3×3的方塊區(qū)域；i為9個方塊區(qū)域中的第i個方塊。最后的預(yù)處理操作將得到的灰度圖像轉(zhuǎn)換為二值圖像，目的是能更好地將地標(biāo)前景和地面背景分割開來，進而為下一步檢測識別剔除不必要的干擾。圖像二值化處理的方法是通過設(shè)定一個固定的閾值(threshold)，并將圖像中所有像素與該閾值逐一進行對比，當(dāng)某一個像素點的灰度值大于這個閾值，則該像素點值取255，否則取0。

(3)

式中：pixel為單個像素點的灰度值；result為二值化處理后的結(jié)果；threshold為整個圖像像素值的平均值。

2.2 地標(biāo)特征的識別

2.2.1 地標(biāo)圓形特征的識別

理論上，經(jīng)上述預(yù)處理后得到僅包含地標(biāo)前景的二值圖像，但機載相機捕捉圖片時有光照、地面裂紋等其他因素的影響，二值圖像可能出現(xiàn)一些細小輪廓，需對其進行特征篩選以排除干擾。首先，利用圓的圓度特征進行篩選，公式為

(4)

式中：F為篩選后所保留區(qū)域的面積；max為各區(qū)域中心到所有輪廓像素的最大距離；C1為比例因子；C2為形狀因子，規(guī)定圓的形狀因子C2為1，如果是橢圓則C2小于1。由于拍攝角度等問題，圖像可能會產(chǎn)生形變，所以s閾值設(shè)為0.85，當(dāng)C2小于0.85時，此輪廓將會被剔除。上述圓形檢測過程完成后，由于環(huán)境等其他因素的影響，可能待選輪廓中還存在干擾，需根據(jù)同心圓相關(guān)特征進一步判定。然后，根據(jù)候選輪廓到質(zhì)心坐標(biāo)，通過圓心間歐氏距離及其半徑比對同心圓進行判定，歐氏距離的定義為[11]

(5)

式中j為當(dāng)前輪廓。根據(jù)本文設(shè)計的地標(biāo)中兩圓的半徑比為1.08，同心圓篩選判定條件為

(6)

式中：δRist代表相對半徑閾值；δRadiusRatio代表歐氏距離的閾值。最后，計算地標(biāo)與目標(biāo)輪廓中心偏移量，分別得到x方向與y方向各需要移動的距離，通過與飛控通信將得到的位姿信息轉(zhuǎn)換為操作指令，控制無人機實現(xiàn)第一階段對地標(biāo)的跟蹤。

2.2.2 地標(biāo)方形特征的識別與無人機偏航角計算

經(jīng)上述第一階段對地標(biāo)的跟蹤后，得到的位姿信息可能會出現(xiàn)誤差較大的情況，需配合第二次方形識別進一步糾偏，方法是利用正方形輪廓的矩形度擬合矩形質(zhì)心，進而解算無人機與著陸地標(biāo)間的相對位姿關(guān)系。設(shè)矩形擬合因子N為

(7)

式中：S1是待檢測區(qū)域的面積；Sext是該區(qū)域最小外接矩形的曲積。矩形擬合因子的值為0～1，對于矩形物體N取最大值1；對于圓形物體N取最小值0，利用這個特征可以把方形物體識別出來。由于飛行器拍攝角度等帶來的誤差問題，本文研究的正方形擬合因子的值限定在0.7～1。

通過對篩選后得到的區(qū)域進行擬合得到正方形質(zhì)心的像素坐標(biāo)。但此時不能獲得無人機的偏航角，為解決該問題，推導(dǎo)了偏航角計算方法，示意圖如圖3所示。

圖3 偏航角計算示意圖

該地標(biāo)以黑色實心部分的正方形作為參考，對角線為OB，與地標(biāo)橫坐標(biāo)正方向的夾角為θ；坐標(biāo)軸Ox與邊長為a的正方形交點為A，兩個端點坐標(biāo)分別為A(u1，v1)和B(u2，v2)。在無人機降落過程，飛控發(fā)出指令將計算得到的無人機偏航角順時針轉(zhuǎn)至零，便可成功矯正無人機的偏航角度，其中偏航角φ計算公式為

(8)

3 實驗結(jié)果與誤差分析

為對本文提出的方案加以驗證，利用TELLO無人機進行實機測試，在多組實驗數(shù)據(jù)中選取其中一組實驗數(shù)據(jù)用來分析誤差。圖4分別是無人機在不同高度下地標(biāo)檢測結(jié)果。

圖4 不同高度檢測結(jié)果

圖4a和圖4b為高度較高時對圓環(huán)檢測，此時不計算無人機的偏航角。圖4c和圖4d為無人機降低到一定高度后，圓環(huán)已經(jīng)在視野外，進行第二階段的方形檢測和偏航角計算。檢測結(jié)果中不同階段對地標(biāo)的識別結(jié)果會用不同形狀的框標(biāo)出，兩個“×”點分別是無人機當(dāng)前坐標(biāo)和地面標(biāo)識的中心，通過計算得到兩點分別在x軸和y軸兩方向的偏差的估計值，并與真實值進行比較；同一高度下，x、y方向上估計值與真實值相對誤差較大的值作為該高度下系統(tǒng)的相對誤差。表1為不同高度下無人機對地標(biāo)識別的檢測時間、質(zhì)心距地標(biāo)中心的二維偏差以及無人機偏航角，表2為不同高度下無人機位姿的真實值及與表1估計值間的相對誤差。

表1 不同高度下無人機位姿估計值與響應(yīng)時間

表2 不同高度下無人機位姿真實值與相對誤差

實驗數(shù)據(jù)表明，該算法最大檢測時間為110.964ms，遠低于無人機執(zhí)行一條控制指令所需要的時間350ms，所以滿足系統(tǒng)的實時響應(yīng)需求。此外，在高度為2m時出現(xiàn)該系統(tǒng)最大誤差，為7.49%，滿足無人機精準(zhǔn)著陸位置誤差在8%以下的要求。

4 結(jié)論

提出了基于視覺的無人機著陸時的檢測方法。首先設(shè)計了同心圓和正方形復(fù)合的合作地標(biāo)，在地標(biāo)實時檢測中，對機載相機捕獲的圖像進行灰度化、均值濾波、二值化等預(yù)處理，然后利用兩階段位姿估計法實現(xiàn)無人機位姿姿態(tài)的獲取，并與無人機的真實值進行對比。實驗結(jié)果表明，算法能快速準(zhǔn)確地檢測到地面標(biāo)識、求得無人機

與地標(biāo)相對的位姿信息和不同高度下該方案求解出的無人機位姿估計的最大相對誤差。誤差在可接受的范圍內(nèi)，滿足實際應(yīng)用需求，驗證了該方案的有效性。