论文部分内容阅读
近年来,无人旋翼直升机在军用民用领域受到了广泛的关注。军事上主要用于侦察、作战,民用领域涉及危险环境(火灾或地震等自然灾害现场)中的搜查和救援以及农业应用。无人旋翼直升机常用的定位导航方式即GPS(GlobalPositioning System全球定位系统),但在某些环境(隧道或室内)中,GPS信号受到干扰或是失效,无法继续对无人机进行定位。而且,GPS的定位精度在十米左右,有时达不到精度的要求。在民用领域,高精度的GPS的成本较高。因此,本课题研究在无人机飞行过程中基于机器视觉的定位算法,利用机载高清摄像头完成视觉算法进而计算出无人机三维位置坐标,为无人机的位置控制提供位置反馈。为了增大定位的精度和增强定位的实时性,又提出了改进算法,并进行了实验验证。首先,提出了基于视觉的无人机飞行过程中的定位算法步骤。从无人机起飞开始,在轨迹上利用高清摄像头对地面目标进行实时采图,采图的同时利用SIFT算法对前后两幅图像进行特征点提取,之后使用KD-tree特征点搜索算法和欧式距离对特征点进行匹配,得到匹配点的像素坐标。本文提出的定位算法是一个迭代算法,即已知无人机起飞后前两个时刻的实时位置,通过坐标变换算法Trf1求出地面目标上匹配点的地面坐标,求出的匹配点地面坐标再通过坐标变换算法Trf2求得下一时刻的无人机XYZ位置坐标值,如此迭代下去。其中,坐标变换算法和是由无人机飞行过程中涉及到的机体坐标系、地面坐标系、摄像机坐标系、图像坐标系之间的变换关系得来,利用IMU(惯性测量单元)测得的无人机实时飞行时的偏航、俯仰、滚转三个方向角值以及上述计算出的匹配点像素坐标值。其次,考虑到定位的实时性和准确性,对上述定位算法进行了改进。无人机飞行过程中的定位算法包括图像采集、图像匹配以及位置解算三个部分,本文对图像特征点匹配阶段进行了改进。首先将SIFT算法得出的特征点描述符从128维降低到了64维,然后用K-means聚类算法对特征点的数量进行压缩,只保留图像中目标上及其周围对下一步匹配有用的特征点,最后用KD-tree最近邻查询算法的改进算法BBF搜索算法对特征点进行搜索匹配,进一步减少匹配时间。最后设计了实验平台,将定位算法在硬件装置上进行实现,由结果可得,改进后的定位算法时间减少500ms左右,计算出的无人机XYZ方向上的位置误差保持在6cm范围内,相对误差在6%左右,达到了定位实时性和精度要求。