无人机自主着降是实现无人直升机自主飞行的关键技术之一。在该研究领域中,基于视觉的无人机自主着降技术是近年来一个新兴的研究方向。传统的无人直升机视觉着降方法主要依赖于预设的地面合作目标,通过对地面合作目标的检测、识别与跟踪实现无人机的定位与自主导航,并根据合作目标在实时图像中的尺度、形状等信息估计无人机降落过程中的飞行姿态。这类方法需要人为地预先设置合作目标,具有一定局限性。针对这一点,本文对未知环境下无人直升机不依赖于地面合作目标的视觉着降技术进行了研究,主要工作如下:1.设计了一种基于引导区域的无人直升机视觉着降方案:首先,在无人直升机航行前的准备阶段对预计着降点及其邻近区域进行引导区域检测,并保存引导区域与预设着降点的相对空间关系;随后,在无人直升机准备着陆前,将地面区域与引导区域图像进行景象匹配,一旦匹配成功即令无人机进入自主着降阶段;在这一阶段,无人直升机对引导区域进行目标跟踪,并实时计算无人机与着降区域的相对空间关系,从而根据准备阶段得到的着降点与引导区域相对空间关系推导出水平方向上无人直升机相对于着降点的距离与方向,并生成导航信息。2.研究了一种基于超像素显著性与区域匹配概率估计的引导区域检测算法:首先,分析了引导区域的特点,得到引导区域高显著性、高匹配概率的特性;再针对这些特点,对地面图像进行超像素分割,将图像分割为面积相似且内部像素较为一致的超像素;然后利用基于区域对比度的显著度计算方法估计各超像素的显著性值;最后,对显著性高于一定阈值的区域进行区域匹配概率估计,从而得到同时具备高显著性与高匹配概率的区域,以此作为需要的引导区域。3.考虑到引导区域跟踪需要同时满足高实时性以及尺度自适应性,对经典的核化相关滤波跟踪方法进行了改进:基于多帧代表目标估计位置的响应图,对目标框的尺度因子进行估计,从而实现了核化相关滤波跟踪方法的尺度变换自适应性。实验表明,该方法在速度与精度上与原方法保持一致,同时可以自动调节目标框大小,能很好地应对无人机飞行时目标区域不断变化的尺度。4.研究了一种基于特征分类的着降区域检测算法:首先,对图像进行预处理,从区域外观的角度筛选出图像中明显不适合作为着降区域的部分;随后,基于纹理、颜色、边缘等特征训练分类器对剩余区域进行特征分类,得到符合人类视觉判断原则的安全着降区域。实验结果表明,在具有多种区域类型的地面图像中,该方法能有效提取出安全的可着降区域,从而满足无人直升机的临时着降。