【技术实现步骤摘要】
一种无人机降落过程中视觉锚点的检测方法及系统
本专利技术涉及无人机自主降落
,尤其是一种无人机降落过程中视觉锚点的检测方法及系统。
技术介绍
在无人机自主起降过程中,无人机通常利用机载惯导系统和全球定位系统完成对自身位姿的实时感知。然而这些系统会受到诸如磁场、温度等环境因素的干扰,从而严重降低对自身位姿的感知精度,影响无人机自主降落。地基视觉无人机状态监测系统是利用地面视觉系统,在无人机降落过程中对无人机的位置和姿态进行实时估计监测,进一步确保无人机对自身位姿的准确感知,辅助其完成自主降落。在地基视觉系统实时生成的图像中检测出无人机成像的关键点(锚点),是开展无人机降落过程中位置和姿态实时估计的基础之一。目前利用角点、光流法、颜色概率密度法等传统方法提取无人机锚点的图像坐标在精确性和鲁棒性方面均存在不足。因此,亟需一种精度较高的无人机图像锚点检测方法。
技术实现思路
本专利技术提供一种无人机降落过程中视觉锚点的检测方法及系统,用于克服现有技术中精确度不高、鲁棒性不足等缺陷。为实现上述目的,本专利技术提出一种无人机降落过程中视觉锚点的检测方法,包括:根据锚点的属性,在无人机三维模型上选取锚点;获取无人机降落过程中的视觉图像,对视觉图像中无人机目标和锚点进行人工标注,形成训练集;利用所述训练集对预先构建的锚点检测模型进行训练,所述锚点检测模型包括目标检测神经子网络和锚点检测子网络;将实时生成的待检测视觉图像输入训练好的锚点检测模型中,利用目标检测神经子网络 ...
【技术保护点】
1.一种无人机降落过程中视觉锚点的检测方法,其特征在于,包括:/n根据锚点的属性,在无人机三维模型上选取锚点;/n获取无人机降落过程中的视觉图像,对视觉图像中无人机目标和锚点进行人工标注,形成训练集;/n利用所述训练集对预先构建的锚点检测模型进行训练,所述锚点检测模型包括目标检测神经子网络和锚点检测子网络;/n将实时生成的待检测视觉图像输入训练好的锚点检测模型中,利用目标检测神经子网络获得视觉图像中的无人机区域;/n根据锚点在历史帧图像中的分布状况,将所述无人机区域划分为多块不同分辨率的子区域,利用锚点检测子网络分别检测所述无人机区域和多块所述不同分辨率的子区域,获得多组原始锚点,求取各组原始锚点间相同原始锚点的位置均值,获得待检测视觉图像中无人机视觉锚点的位置。/n
【技术特征摘要】
1.一种无人机降落过程中视觉锚点的检测方法,其特征在于,包括:
根据锚点的属性,在无人机三维模型上选取锚点;
获取无人机降落过程中的视觉图像,对视觉图像中无人机目标和锚点进行人工标注,形成训练集;
利用所述训练集对预先构建的锚点检测模型进行训练,所述锚点检测模型包括目标检测神经子网络和锚点检测子网络;
将实时生成的待检测视觉图像输入训练好的锚点检测模型中,利用目标检测神经子网络获得视觉图像中的无人机区域;
根据锚点在历史帧图像中的分布状况,将所述无人机区域划分为多块不同分辨率的子区域,利用锚点检测子网络分别检测所述无人机区域和多块所述不同分辨率的子区域,获得多组原始锚点,求取各组原始锚点间相同原始锚点的位置均值,获得待检测视觉图像中无人机视觉锚点的位置。
2.如权利要求1所述的无人机降落过程中视觉锚点的检测方法,其特征在于,根据锚点的属性,在无人机三维模型上选取锚点,包括:
根据锚点的特征性、可见性以及包络性,在无人机三维模型上选取锚点。
3.如权利要求1所述的无人机降落过程中视觉锚点的检测方法,其特征在于,所述目标检测神经子网络依次包括6个卷积层和2个全连接层;其中,前5个卷积层的后面均连接1个最大池化层;
利用目标检测神经子网络获得视觉图像中的无人机区域,包括:
利用目标检测神经子网络中的卷积层对视觉图像进行特征提取,利用最大池化层对提取的特征进行筛选;
根据筛选的特征,利用全连接层获得视觉图像中的无人机区域。
4.如权利要求1所述的无人机降落过程中视觉锚点的检测方法,其特征在于,所述锚点检测子网络依次包括5个卷积层和1个全连接层;第2、3和4个卷积层的后面均连接1个最大池化层;
利用锚点检测子网络分别检测所述无人机区域和多块所述不同分辨率的子区域,获得多组原始锚点,包括:
利用锚点检测子网络中的卷积层对所述无人机区域或者多块所述不同分辨率的子区域进行特征提取,利用最大池化层对提取的特征进行筛选;
根据筛选的特征,利用全连接层获得多组原始锚点。
5.如权利要求1所述的无人机降落过程中视觉锚点的检测方法,其特征在于,在获得待检测视觉图像中无人机视觉锚点的位置之后,还包括:
根据锚点在...
【专利技术属性】
技术研发人员:唐邓清,相晓嘉,周晗,常远,闫超,黄依新,陈紫叶,李贞屹,谭沁,孙懿豪,
申请(专利权)人:中国人民解放军国防科技大学,
类型:发明
国别省市:湖南;43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。