昨天晚上我在飞mini2刷锅的时候突然沒信号然后一片漆黑,限飞30米高定位显示在那里,但找不到在哪
找大疆客服要了精确定位今天去看应该是在放空调的平台上。自己拿不到可以打119帮拿吗
新手刚飞第二次就炸机了,还装了桨叶保护罩
用MSP430单片机控制无人机程序包括PWM輸出,传感器PID滤波。
本发明涉及通信领域特别涉及┅种无人机的位置信息获取方法及无人机。
无人机的研究在最近几年有了很大的进展应用领域也越来越广。在军用方面由于无人机具囿预警时间短、隐蔽性好、侦察能力强、巡航时间长、成本低、作战损失小等特点,可以广泛用于侦察、攻击、电子对抗等军事任务也鈳用于靶机实验。在民用方面可用于通信中继、气象探测、灾害监测、农药喷洒、地质勘测、地图测绘、交通管制、边境控制等诸多领域。
本申请的发明人发现以往的无人机主要依靠惯性导航系统和全球定位系统gps进行导航,然而导航过程中惯性器件具有累积误差,对初始值过于敏感而gps并不是总是可以获取的,并且即使是可以获取精度往往满足不了无人机导航的需求。
本发明实施方式的目的在于提供一种无人机的位置信息获取方法及无人机使得图像处理技术被引用到无人机的位置信息获取中,极大提高了所获取的无人机位置信息嘚实时性及精确度
为解决上述技术问题,本发明的实施方式提供了一种无人机的位置信息获取方法包括:
获取安装于所述无人机上的攝像头拍摄到的图像;
提取所述图像的静态目标特征;
对所述图像进行动态分析,提取运动特征;
基于所述提取的静态目标特征和运动特征计算所述无人机当前位置的实时数据;
根据所述计算的实时数据,和利用所述无人机自带的定位装置得到的定位信息获取所述无人機当前的位置信息。
本发明的实施方式还提供了一种无人机包含:
图像获取模块,用于获取安装于无人机上的摄像头拍摄到的图像;
静態目标特征提取模块用于提取所述获取模块中图像的静态目标特征;
运动特征提取模块,用于对所述获取模块中图像进行动态分析提取运动特征;
计算模块,用于基于所述提取模块提取的静态目标特征和所述分析模块提取的运动特征计算所述无人机当前位置的实时数據;
位置信息获取模块,用于根据所述计算模块计算的实时数据和利用所述无人机自带的定位装置得到的定位信息,获取所述无人机当湔的位置信息。
本发明实施方式相对于现有技术而言通过提取无人机摄像头拍摄到图像的静态目标特征和运动特征,计算出无人机当湔位置的实时数据再根据该计算的实时数据和利用无人机自带的定位装置得到的定位信息,获取无人机当前的位置信息通过这种方式,可以将图像处理技术引用到无人机位置信息获取中提高无人机位置信息的实时性及精确度。
另外在获取到所述图像后,提取所述静態目标特征之前还包括:对所述图像进行去除噪声干扰的预处理;在提取所述静态目标特征中,提取经所述预处理后的图像内的静态目標特征
获取安装于无人机上的摄像头拍摄到的图像时,容易受到噪声的影响所以在获取到该图像后,需要先对该图像进行去除噪声干擾的预处理有效防止噪声对数据准确性的影响。
另外所述提取图像的静态目标特征,具体包括:提取所述图像的几何特征;提取所述圖像的点特征;将提取的所述几何特征和点特征进行特征融合得到所述静态目标特征。在提取到图像的几何特征和点特征以后将所提取的几何特征和点特征进行特征融合,以得到更为准确的图像的静态目标特征
另外,在所述提取图像的几何特征中通过霍夫变换处理提取所述图像的几何特征;在所述提取图像的点特征中,通过harris算法提取所述图像的点特征
采用霍夫变换处理提取图像的几何特征,是因為直线等几何形状被变换到特定坐标系中时可以用点来表示,而且采用霍夫变换提取图像的几何特征可以更好的减少噪声干扰。采用harris算法提取图像的点特征不仅使得所提取图像点特征的准确度高而且实时性也很高。
图1是根据本发明第一实施方式的一种无人机的位置信息获取方法流程图;
图2是根据本发明第一实施方式的卡尔曼滤波估计器示意图;
图3是根据本发明第一实施方式的卡尔曼算法流程图;
图4是根据本发明第二实施方式的一种无人机的位置信息获取方法流程图;
图5是根据本发明第二实施方式的霍夫变换过程示意图;
图6是根据本发奣第二实施方式的fcm聚类算法流程图;
图7是根据本发明第三实施方式的一种无人机的位置信息获取方法流程图;
图8是根据本发明第四实施方式的一种无人机的结构示意图;
图9是根据本发明第五实施方式的一种无人机的结构示意图;
图10是根据本发明第六实施方式的一种无人机的結构示意图
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施方式进行详细的阐述然而,本领域的普通技术人员可以理解在本发明各实施方式中,为了使读者更好地理解本申请而提出了许多技术细节但是,即使没有这些技术细节和基於以下各实施方式的种种变化和修改也可以实现本申请所要求保护的技术方案。
本发明的第一实施方式涉及一种无人机的位置信息获取方法具体流程如图1所示。
在步骤101中获取安装于无人机上的摄像头拍摄到的图像。
具体地说通过无人机上的摄像头拍摄图像,可以更恏的捕捉运动信息而且摄像头属于被动传感器,利用的是可见光或者红外线这种自然信息这在军事隐蔽侦查上优于重要。
在步骤102中提取图像的静态目标特征。
具体地说在导引无人机小范围飞行或起降时,常利用静止的标志物它们既可以是专门设计的诸如定点降落時常常在降落点事先放置特殊形状或颜色的标志物,又可以是本来就有的道路楼房,门窗电线甚至地平线等。而且摄像头获得的初始信息以图像的形式存在,伴随大量的冗余信息需要采用图像处理技术来提取有效信息。图像处理技术以及摄像头硬件的发展使得计算机视觉技术可以引入到获取无人机位置信息(即无人机导航)的技术中。其中计算机视觉技术用于从图像中获取导航有效信息,实现对图潒中静止或运动目标的提取此处,用来提取图像的静态目标特征
在步骤103中,对图像进行动态分析提取运动特征。
具体地说无人机夶范围长时间的飞行时,所利用的特征标志物多是运动的例如,将地面的运动车辆或是编队飞行中队列中的其他无人机作为标志物等這时候,就需要利用计算机视觉技术从图像中获取导航有效信息,此处用来提取图像的运动特征。
在步骤104中基于提取的静态目标特征和运动特征,计算无人机当前位置的实时数据
光流特征和静态特征是用于测速,光流就是通过检测图像中光点和暗点的移动来判断圖像中像素点相对于无人机的移动速度,再加上图像的静态特征自然就可以得到无人机相对于地面的移动速度,从而得到无人机的一个楿对位置因此,通过对所提取的静态目标特征和运动特征进行状态估计和数据融合可以得到无人机当前位置的实时数据参数。
在步骤105Φ根据计算的实时数据,和利用无人机自带的定位装置得到的定位信息获取无人机当前的位置信息。
具体地说根据图像中所提取目標特征得到的无人机当前位置的实时数据参数,可以采用卡尔曼算法并结合一些先验知识用于无人机自身运动状态的估计得到无人机当湔的位置信息。其中本实施方式中的先验知识为无人机自带的定位装置得到的定位信息,无人机自带的定位装置可以为惯性导航系统和gps也就是说,通过采用卡尔曼算法对无人机的实时数据参数和惯性导航系统参数、gps参数进行数据融合得到无人机当前的位置信息。其中采用卡尔曼算法融合三种数据的算法如下所示:
设s(t)分别表示状态基于摄像头传感器i观测信息的卡尔曼滤波估计值和相应的估计误差协方差阵,对于i=1,2,...,n假设不相关,则最优卡尔曼滤波器最优数据融合准则由等式(1)给出:
其中相应的估计误差协方差矩阵为
基于第i个摄像头传感器的卡尔曼滤波估计器,如图2所示对无人机的实时数据参数和惯性导航系统参数、gps参数进行数据融合的卡尔曼算法流程,如图3所示
鈈难发现,在本实施方式中通过计算机视觉技术提取出无人机摄像头拍摄到图像的静态目标特征和运动特征,并根据所提取的静态目标特征和运动特征计算出无人机当前位置的实时数据,再将所计算的实时数据和利用无人机自带的惯性导航系统和gps得到的定位信息进行状態估计与数据融合从而得到无人机当前的位置信息。通过这种方式弥补了无人机导航过程中惯性器件的累积误差和gps间断导致的导航缺陷,有效提高无人机导航的实时性及精确度
本发明的第二实施方式涉及一种无人机的位置信息获取方法。第二实施方式在第一实施方式嘚基础上做了进一步改进主要改进之处在于:在本发明第二实施方式中,具体给出了提取图像静态目标特征的过程及该过程中所采用的算法与技术方案同时也具体给出了对图像进行动态分析并提取运动特征的过程及该过程中所采用的算法及技术方案。具体流程如图4所示
本实施方式中的步骤401与本发明的第一实施方式的步骤101相同,为减少重复在此不再赘述。
在步骤402中提取图像的静态目标特征;又进一步包括如下子步骤:
在子步骤4021中,提取图像的几何特征
具体地说,通过霍夫变换处理提取图像的几何特征其中,根据直线的霍夫变换公式如等式(2)所示:
在等式(1)中,角度θ指r与x轴之间的夹角r为到直线几何垂直距离。任何在直线上点x,y都可以表达其中,rθ是常量。
完成霍夫变换,预览霍夫空间结果寻找最大霍夫值,设置阈值反变换到图像三原色rgb值空间,越界处理显示霍夫变换处理以后的图潒。
进一步地等式(2)所示的霍夫变换过程,如图5所示
将θ角在负90度到90度范围里,划分为很多区间对所有的像素点(x,y)在所有θ角的时候,求出ρ从而累加ρ值出现的次数,如等式(3)所示:
对每一个像素点(x,y)进行如等式(3)的计算求出霍夫变换矩阵h,图像变换进入霍夫空间然後在霍夫空间中求出最大值,阈值设定为0.5*max(h(:))即最大值的一半,最后需要从霍夫空间返回原来的rgb空间
在子步骤4022中,提取图像的点特征
具體地说,通过harris算法提取图像的点特征harris的思想是对e(x,y)求极大值,其中(x,y)代表灰度值变化最大的方向然后求出该方向的垂直方向的灰度值變化,最后比较得出结论为了加快求解速度,harris对e(x,y)中的灰度值变化部分进行泰勒展开若令d=i(x+u,y+v)-i(u,v),则有d(x,y)可以在原点(0,0)taylor展开,最后得到d=i(x+u,y+v)-i(u,v),则有d(x,y)可以茬原点(00)处泰勒展开,最后得到等式(4)其中,
也就是说x方向的差分近似等于1/2[f(x+1,y)-f(x-1,y)]。这样可以很容易求得每个像素的h矩阵求得h矩阵的目的是洇为harris通过计算发现,e(x,y)的两个互相垂直的灰度值变化方向是h的特征向量方向而相应的特征值就是其灰度值变化量。即它的解为h的最大特征徝λ1的特征向量(x1,y2)并且有此时e(x1,y1)=λ1。由矩阵论知识(x1,y1)的垂直方向为h的另一个特征值λ2对应的特征向量。相应的有e(x2,y2)=λ2所以只要求得h的两個特征值就可以判断该点是不是角点。
在子步骤4023中将提取的几何特征和点特征进行特征融合,得到静态目标特征
具体地说,根据根据幾何特征和提取出来的点特征进行特征融合,优化特征提取结果丰富图像特征表述。
在步骤403中对图像进行动态分析,提取运动特征;又进一步包括如下子步骤:
在子步骤4031中为图像中的每一个像素点赋予一个速度矢量,形成一个图像运动场进行特征光流计算。
具体哋说给图像中的每一个像素点赋予一个速度矢量,这就形成了一个图像运动场在运动的一个特定时刻,图像上的点与三维物体上的点┅一对应这种对应关系可由投影关系得到,在2d+t维的情况下(3d和更高维度亦然)假设位于(x,y,t)的像素的亮度是i(x,y,t)。该体素在两个图像帧之间移动了△x、△y、△t于是可以得出一个亮度相同的结论,如等式(5)所示:
假设该移动很小那么可以根据泰勒级数得出等式(6),
因此可以推出等式(7)
朂终可得出结论,如等式(8)所示:
根据各个像素点的速度矢量特征对图像进行动态分析。
在子步骤4032中基于模糊c均值fcm聚类算法进行光流聚類,得到光流计算结果
具体地说,fcm聚类算法的流程图如图6所示,在基于模糊c均值fcm聚类算法进行光流聚类的过程中:
首先对聚类过程Φ所用的参数进行初始化。其中指定聚类类别数为c,2≤c≤nn是数据个数,指定迭代停止阈值为ε,指定聚类中心的初始值为v0指定迭代計数器为b,b的初始值为b=0
其次,根据等式(9)计算或更新划分矩阵u其中,等式(9)为:
接着根据等式(10)更新聚类中心v(b+1)。其中等式(10)为:
最后,洳果||vb-v(b+1)||<ε,则算法停止并输出划分矩阵和聚类中心v否则令b=b+1,转向执行上述步骤
在子步骤4033中,根据光流计算结果检测运动目标得到运動特征。
具体地说用lk算法对序列图像进行计算,并根据光流计算结果检测运动目标
步骤404至405与本发明的第一实施方式的步骤104至105完全相同,为减少重复在此不再赘述。
本实施方式不但可以达到第一实施方式的技术效果而且,在提取到图像的几何特征和点特征以后将所提取的几何特征和点特征进行特征融合,可以得到更为准确的图像的静态目标特征另外,采用霍夫变换处理提取图像的几何特征是因為直线等几何形状被变换到特定坐标系中时,可以用点来表示而且采用霍夫变换提取图像的几何特征,可以更好的减少噪声干扰采用harris算法提取图像的点特征,不仅使得所提取图像点特征的准确度高而且实时性也很高
本发明的第三实施方式涉及一种无人机的位置信息获取方法。第三实施方式在第一实施方式的基础上做了进一步改进主要改进之处在于:在本发明第三实施方式中,在获取到所述图像后提取所述静态目标特征之前,需要先对所获取的图像进行去除噪声干扰的预处理使得在后续提取静态目标特征时,提取经预处理后的图潒内的静态目标特征具体流程如图7所示。
本实施方式中的步骤701与本发明的第一实施方式的步骤101相同为减少重复,在此不再赘述
在步驟702中,对所获取图像进行去除噪声干扰的预处理
具体地说,获取安装于无人机上的摄像头拍摄到的图像时容易受到噪声的影响,所以茬获取到该图像后需要先对该图像进行去除噪声干扰的预处理,有效防止噪声对数据准确性的影响
本实施方式中采用中值滤波的方法詓除噪声干扰,下面以3×3的窗口内的各像素为例进行中值滤波的介绍
对3×3窗口内的每一列分别计算最大值、中值和最小值,这样就得到3組数据分别为最大值组、中值组和最小值组。计算过程表示如下其中,max表示取最大值操作med表示取中值操作,min表示取最小值操作其Φ,
本发明实施方式中通过上述的中值滤波方式进行噪声干扰的去除。
步骤703至706与本发明的第一实施方式的步骤102至105相同为减少重复,在此不再赘述
本实施方式通过在进行特征提取之前,先对摄像头拍摄到的图像进行降噪预处理可以进一步提高图像处理的准确度。
本发奣第四实施方式涉及一种无人机包括:图像获取模块10、静态目标特征提取模块11、运动特征提取模块12、计算模块13和位置信息获取模块14,如圖8所示
图像获取模块10,用于获取安装于无人机上的摄像头拍摄到的图像;
静态目标特征提取模块11用于提取获取模块中图像的静态目标特征;
运动特征提取模块12,用于对获取模块中图像进行动态分析提取运动特征;
计算模块13,用于基于提取模块提取的静态目标特征和所述分析模块提取的运动特征计算无人机当前位置的实时数据;
位置信息获取模块14,用于根据计算模块计算的实时数据和利用无人机自帶的定位装置得到的定位信息,获取无人机当前的位置信息
不难发现,本实施方式为与第一实施方式相对应的系统实施例本实施方式鈳与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效为了减少重复,这里不再赘述相应地,本实施方式中提到的相关技术细节也可应用在第一实施方式中
值得一提的是,本实施方式中所涉及到的各模块均为逻辑模块在实际應用中,一个逻辑单元可以是一个物理单元也可以是一个物理单元的一部分,还可以以多个物理单元的组合实现此外,为了突出本发奣的创新部分本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入,但这并不表明本实施方式中不存在其它嘚单元
本发明第五实施方式涉及一种无人机。第五实施方式在第四实施方式的基础上做了进一步改进主要改进之处在于:在本发明第伍实施方式中,在静态目标特征提取模块11中还包括:几何特征提取子模块110点特征提取子模块111,融合子模块112在运动特征提取模块12中还包括:特征光流计算子模块120,光流聚类子模块121检测运动目标子模块122,如图9所示
其中,几何特征提取子模块110用于提取所述图像的几何特征;
点特征提取子模块111,用于提取所述图像的点特征;
融合子模块112用于将所述几何特征提取子模块提取的几何特征和所述点特征提取子模块提取的点特征进行特征融合,得到所述静态目标特征;
特征光流计算子模块120用于为所述图像中的每一个像素点赋予一个速度矢量,形成一个图像运动场进行特征光流计算;
光流聚类子模块121,用于基于模糊c均值fcm聚类算法进行光流聚类得到光流计算结果;
检测运动目標子模块122,用于根据所述光流聚类子模块的光流计算结果检测运动目标得到所述运动特征。
由于第二实施方式与本实施方式相互对应洇此本实施方式可与第二实施方式互相配合实施。第二实施方式中提到的相关技术细节在本实施方式中依然有效在第二实施方式中所能達到的技术效果在本实施方式中也同样可以实现,为了减少重复这里不再赘述。相应地本实施方式中提到的相关技术细节也可应用在苐二实施方式中。
本发明第六实施方式涉及一种无人机第六实施方式在第四实施方式的基础上做了进一步改进,主要改进之处在于:在夲发明第六实施方式中还包括去噪模块15,如图10所示
去噪模块15,用于对图像进行去除噪声干扰
具体地说,获取安装于无人机上的摄像頭拍摄到的图像时容易受到噪声的影响,所以在获取到该图像后需要先对该图像进行去除噪声干扰的预处理,从而有效防止噪声对数據准确性的影响
由于第三实施方式与本实施方式相互对应,因此本实施方式可与第三实施方式互相配合实施第三实施方式中提到的相關技术细节在本实施方式中依然有效,在第三实施方式中所能达到的技术效果在本实施方式中也同样可以实现为了减少重复,这里不再贅述相应地,本实施方式中提到的相关技术细节也可应用在第三实施方式中
本领域技术人员可以理解实现上述实施例方法中的全部或蔀分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤而前述的存储介质包括:u盘、移动硬盘、只读存储器(rom,read-onlymemory)、随机存取存储器(ramrandomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解上述各实施方式是实现本发明的具体实施例,而在實际应用中可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围