一种基于视觉的无人机自主着陆地标实时检测跟踪方法技术

本发明专利技术公开了一种基于视觉的无人机自主着陆地标实时检测跟踪方法，对检测到的目标图像进行网格撒点，以像素点来代替目标图像，用金字塔L‑K光流法进行跟踪，而非使用特征点提取算法来提取易跟踪特征点，从而节省时间，提高算法实时性。采用双向金字塔L‑K光流法跟踪特征点，同时对每一个特征点采用归一化相关性匹配校验，确保特征点跟踪的准确性。以上一帧跟踪到的目标为模板，与本帧跟踪到的目标图像进行归一化相关性匹配检测，确保本帧跟踪目标的完整性与准确性。

【技术实现步骤摘要】
一种基于视觉的无人机自主着陆地标实时检测跟踪方法
本专利技术属于无人机视觉导航、计算机视觉处理
，涉及一种基于视觉的无人机自主着陆地标实时检测跟踪方法。
技术介绍
无人机由于具备成本较低、易操作、隐蔽性好、可携带其它载物等优点，近年来作为研究热点，得到快速发展。随着近年来智能化技术的快速发展，无人机自主飞行进展迅速；而无人机自主着陆作为无人机自主飞行中最危险、要求最高的一环，受到广泛关注。现有的无人机常用的着陆导航方式有GPS(GlobalPositioningSystem，全球定位系统)导航、INS(InertialNavigationSystem，惯性导航系统)导航和GPS/INS组合导航。GPS导航精度较高、使用简单，但易受电子及环境干扰，极易丢失信号；INS导航是通过积分迭代运算得到相关导航信息，会不断地累计误差；GPS/INS组合导航虽然提高了导航精度，但在电子或环境干扰，极易丢失GPS信号，此时单靠INS导航，仍会不断的累积误差，影响无人机自主着陆。近年来，基于视觉进行无人机自主导航着陆的提出为这一问题的解决提供了新的思路，其具备抗干扰性能较好、易装备、功耗低、精度本文档来自技高网...

【技术保护点】
一种基于视觉的无人机自主着陆地标实时检测跟踪方法，其特征在于，包括以下步骤：步骤一，利用无人机上的机载摄像机采集着陆区域图像；着陆区域图像中包含有多个疑似目标；步骤二，对着陆区域图像进行预处理得到包含有多个轮廓的预处理后的图像，每个轮廓对应一个疑似目标；步骤三，针对预处理后的图像中的每个轮廓设置最小矩形框，提取所有的最小矩形框所在区域图像构成疑似目标图像集；步骤四，利用着陆地标图像分类器对疑似目标图像集中的所有疑似目标图像进行分类识别，若识别得到目标图像，则执行步骤五，否则，执行步骤一；步骤五，对目标图像进行网格稠密采样，得到多个网格采样点，得到的所有网格采样点形成当前跟踪特征点集Curren...

【技术特征摘要】
1.一种基于视觉的无人机自主着陆地标实时检测跟踪方法，其特征在于，包括以下步骤：步骤一，利用无人机上的机载摄像机采集着陆区域图像；着陆区域图像中包含有多个疑似目标；步骤二，对着陆区域图像进行预处理得到包含有多个轮廓的预处理后的图像，每个轮廓对应一个疑似目标；步骤三，针对预处理后的图像中的每个轮廓设置最小矩形框，提取所有的最小矩形框所在区域图像构成疑似目标图像集；步骤四，利用着陆地标图像分类器对疑似目标图像集中的所有疑似目标图像进行分类识别，若识别得到目标图像，则执行步骤五，否则，执行步骤一；步骤五，对目标图像进行网格稠密采样，得到多个网格采样点，得到的所有网格采样点形成当前跟踪特征点集Current_pts；步骤六，将当前跟踪特征点集Current_pts更新为上一帧的跟踪特征点集Last_pts；步骤七，利用无人机上的机载摄像机重新采集一帧着陆区域图像，即为本帧着陆区域图像；步骤八，利用上一帧采集到的着陆区域图像、上一帧的跟踪特征点集Last_pts和本帧着陆区域图像，利用前后双向金字塔L-K光流法计算得到上一帧的跟踪特征点集Last_pts中的每一个跟踪特征点的前后向光流跟踪误差；利用前后向光流跟踪误差对上一帧的跟踪特征点集Last_pts进行初步筛选，得到初步筛选后的跟踪特征点集Current_pts2；步骤九，计算初步筛选后的跟踪特征点集Current_pts2中的跟踪特征点与上一帧的跟踪特征点集Last_pts中的跟踪特征点之间的相关系数，利用得到的相关系数对初步筛选后的跟踪特征点集Current_pts2进行二次筛选，得到二次筛选后的跟踪特征点集Current_pts3；步骤十，判断二次筛选后的跟踪特征点集Current_pts3中的跟踪特征点的数目是否为0，若是，则执行步骤十五，否则，执行步骤十一；步骤十一，设置最小矩形框，将跟踪特征点集Current_pts3中的所有跟踪特征点置于最小矩形框的内部；最小矩形框所在区域图像即为跟踪到的目标图像；步骤十二，将步骤十一跟踪到的目标图像与上一帧目标图像进行归一化相关性匹配计算，得到相关系数；步骤十三，若步骤十二中计算得到的相关系数大于设定阈值，则执行步骤十四；否则，执行步骤十五；步骤十四，判断跟踪特征点集Current_pts3中的跟踪特征点数目是否大于步骤五中的当前跟踪特征点集Current_pts中的跟踪特征点数目的一半，若是，则进入步骤六，此时的当前跟踪点集为跟踪特征点集Current_pts3，否则，进入步骤五，此时的目标图像为步骤十一中跟踪到的目标图像；步骤十五，重新确定目标搜索区域图像；步骤十六，对重新确定的目标搜索区域图像执行步骤二和步骤三的操作，得到疑似目标图像集；计算疑似目标图像集中的每个疑似目标图像与上一帧目标图像的相关系数；步骤十七，在疑似目标图像集中，去除步骤十六得到的相关系数小于设定值的疑似目标图像，若疑似目标图像集中留下的疑似目标图像的数目为0，则执行步骤二，此时的着陆区域图像为步骤七中得到的本帧着陆区域图像；否则，选出相关系数最大值对应的疑似目标图像作为搜索到的目标图像，执行步骤五，此时的目标图像为所述的搜索到的目标图像。2.如权利要求1所述的基于视觉的无人机自主着陆地标实时检测跟踪方法，其特征在于，所述步骤四中的着陆地标分类器的构建方法如下：Step1：无人机在不同姿态和不同高度下利用机载摄像机拍摄多幅着陆区域图像，在多幅着陆区域图像上人工截取多幅目标图像和非目标图像，以目标图像为正样本、非目标图像为负样本，构建样本图像集；Step2：对样本图像集中的样本图像进行尺度变换，得到具有统一尺寸的样本图像；对统一尺寸的样本图像进行灰度化预处理，得到灰度化预处理后的样本图像；Step3：对Step2中得到的灰度化预处理后的样本图像进行网格稠密采样，得到多个网格采样点；Step4：对每个样本图像中的每一个网格采样点，提取网格采样点周围区域的SURF特征，一个样本图像中的所有网格采样点提取到的SURF特征形成一个SURF特征集合；Step5：利用K-means均值聚类算法对所有样本图像提取的SURF特征集合进行聚类，得到K个类；每个类的聚类中心对应一个视觉单词，生成一个由K个视觉单词构成的视觉单词表，即为视觉词典；Step6：针对每个样本图像，根据该样本图像对应的所有SURF特征所属类别，统计每一类别中包含的该样本图像的SURF特征的个数，得到视觉单词对应的SURF特征的个数，统计结束后每一幅样本图像生成一个K维的向量，即为该样本图像的视觉词汇特征向量；Step7：设正样本图像的类别标签为1，负样本的类别标签为0，每一幅样本图像的K维视觉词汇特征向量和相应的类别标签可作为训练数据，基于SVM训练算法...

【专利技术属性】
技术研发人员：李靖，段晓军，刘慧英，陈怀民，陈楸，马晓东，张彦龙，肖奔，许涛，孔峰，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61