【正文】 它們之間的幾何尺寸，通過對 應的像點位置及它們在圖像中的幾何尺寸就可以得出相機坐標系和著陸平臺坐標系之間的位置和姿態(tài) [6]。這個結(jié)果說明視覺導航系統(tǒng)是實際可行的。在加州大學的研究工作中，他們選擇角點這個特征是因為角點具有透視投影不變性，實際目標中的角點在透視投影中也總是表現(xiàn)為角點，而且具有目標的幾何形狀信息。 在國內(nèi)，北京航空航天大學較早開始研究基于視覺的無人機自主著陸。 4 定位系統(tǒng)搜索、跟蹤空中漸進著陸的無人戰(zhàn)斗機 (UCVA)，獲取無人機的圖像；再利用地面設備對獲取的無人機圖像進行圖像預處理，獲取無人機的特征信息，然后將特征信息、攝相機參數(shù)等視覺信息經(jīng)過上行數(shù)據(jù)鏈上傳到無人機；機載信息融合系統(tǒng) （ 采用多速率 Kalman 濾波方法 ） 將視覺信息和機載的慣導系統(tǒng)、高度表系統(tǒng)等給出的信息進行 信息融合，得到無人機的位姿估計 [7]。 圖 基于視覺的無人機半自主導引系統(tǒng)結(jié)構(gòu) 本文的研究內(nèi)容 以上簡要敘述了國內(nèi)外幾所大學的研究工作，他們的 研究工作都取得了很好的研究成果，也推動了視覺導航技術(shù)的發(fā)展，本文 的研究 中 以無人直升機為研究對象，主要是討 論無人直升機在著陸過程中，視覺技術(shù)的應用，上述的研究成果給了本課題的研究 很大的啟迪和幫助。本文 選 用的著陸場景是 H形的人造哈爾濱工程大學本科生畢業(yè)論文 由于 H形目標區(qū)域矩具有透視投影不變的特征，在具體的實施過程中，首先對大量圖像上的 H形目標區(qū)域矩進行統(tǒng)計，得到一個統(tǒng)計量作為該目標區(qū)域矩的正確值，實際飛行過程中，將計算的矩值與正確值比較，如果在誤差范圍內(nèi)，則認為目標被識別，如果在誤差范圍外，則目標錯誤。下面的內(nèi)容就是探討怎樣通過特征提取，獲得無人直升機的姿態(tài)角。最后是對課題工作的總結(jié)和對未來工作的展望 。 6 第 2 章 方案設計的 論證 由于微飛行器體積小，現(xiàn)有大型飛行器中的線加速度、角加速度傳感器不能簡單地縮小尺寸就用到微飛行器上，而 MEMS 技術(shù)還不夠成熟，這就決定了微飛行器上不可能有過多的傳感器。 微飛行器 的 選擇 常見的飛行器有按翼形可分為固定翼和旋翼 兩種，固定翼主要有噴氣式飛機，而旋翼主要是直升機。旋翼機由于可 以垂直起降，降落地點為直升機降落平臺，所以對跑道的要求較低。飛行器在降落過程中機載攝像機拍攝到的圖片需要傳輸?shù)降孛婵刂朴嬎銠C中，由地面計算機處理圖像解算出飛行姿態(tài)，并發(fā)出控制指令，控制飛行器平穩(wěn)降落。而旋翼機飛行速度較慢，并且可以懸停，對數(shù)據(jù)處理的速度要求較低，接收到控制指令時，飛行姿態(tài)并沒有發(fā)生大的變化，因此實時可控性較強，控制精度較高。 已有視覺導航技術(shù)的概述 隨著機器視覺技術(shù)的發(fā)展，飛行器降落過程中的跑道識別技術(shù)已經(jīng)日趨哈爾濱工程大學本科生畢業(yè)論文 實際應用中，微飛行器的主要任務是偵察監(jiān)視，一般都攜帶有機載攝像設備和圖像傳感器，圖像中包含有大量的信息，如果能從圖像中獲得著陸的必要信息，對微飛行器的發(fā)展有很大的促進作用。下面將對已有的視覺導航技術(shù)進行對比研究，以確定最終的設計方案。因此將跑道 的兩條縱 向邊界作為特征量。而地平線和飛行器的俯仰角、滾轉(zhuǎn)角有密切的聯(lián)系，由它們的關(guān)系可以解算出飛行器的俯仰角和滾轉(zhuǎn)角 [8]。其思想為認為天空和地面是特征差別較大的兩個類別，地平線是這兩個類別的分界線，檢測地平線的過程就是確定天空、地面兩個類別分界線的過程。算法中對圖像中每一條直線，判斷他所區(qū)分的兩個類別特征值的差異，找出差異最大的那條直線，并認為它是地平線。從佛羅里達大學的研究成果可以看出，該方法可以有效的檢測出地平線，并由地平線在圖像中的位置解算出飛行器的俯仰角和滾轉(zhuǎn)角。 8 對跑道場景中的兩條跑道邊線和一條著陸線進行檢測，這樣做不需要人為設置著陸標志，而且這些線具有明顯的可視性和直線性，可直接算出飛行器的姿態(tài)角 [10]。因此，利用兩條跑道邊線的交點和兩條跑道邊線與著陸線的兩個交點，借助于跑道是矩形這一特征以及跑道的寬度，最終可以求得飛機的飛行姿態(tài)。這種方法的應用很廣，只需要事先知道跑道的寬度并且檢測出跑道邊線和著陸線，限制條件較少。所謂 P3P 問題，就是已知地面三個點之間的距離以及它們在像平面中的對應像點坐標，通過某種算法計算出這三個點的具體位置 [12]。 P4P 問題與 P3P 類似，應用到飛機導航中時，由于飛機跑道通常都是矩形，并且該矩形的長度和寬度都是已知的，因此通過該矩形的四個頂點以及其在像平面中的對應像點可以用 P4P 的方法求解出各點的具體位置，從而可以確定出飛機的飛行姿態(tài) [13]。需要注意的是，識別跑道上四個頂點的像點有一定的困難，可能會造成較大的誤差。 9 非一條直線，實際中的地平線會受到樹木和建筑物等物體的干擾， Hough 變換很難發(fā)揮作用，這就使地平線的檢測變?yōu)閿M合過程 [14]。此算法最關(guān)鍵的兩個步驟是圖像預處理和最優(yōu)解搜索算法，圖像處理方法的好壞直接決定了系 統(tǒng)輸入數(shù)據(jù)的有效性，搜索算法的優(yōu)劣決定了算法的實時性和準確性。 上述的已有的視覺導航技術(shù)都已經(jīng)逐漸成熟，各種方法都可 以實現(xiàn)飛行器的著陸導航，但其適用對象有所區(qū)別，方法也有優(yōu)劣，課題的研究中要結(jié)合已有的技術(shù)來設計選擇本文 的設計方案。 直升機非線性數(shù)學模型的組成 直升機氣動力 /力矩的主要貢獻來自旋翼，旋翼力 /力矩的計算模型是直升機建模的關(guān) 鍵環(huán)節(jié)。直升機尾槳操作系統(tǒng)簡單，僅有尾槳總距，沒有尾槳周期變距，揮舞效應小，簡化模型的計算中僅考慮尾槳拉力，只分析尾槳總距的影響 [15]。機體的六自由度動力學方程普遍建立在機體軸系，機體軸系中質(zhì)心的動力學方程是： / si n/ c os c os/ c os si nx x z y y zy y x z z xz z y x x yV F m V V gV F m V V gV F m V V g? ? ?? ? ? ?? ? ? ?? ? ? ? ??? ? ? ? ??? ? ? ? ??? （ ） 哈爾濱工程大學本科生畢業(yè)論文 姿態(tài)角與機體角速度之間的運動學關(guān)系為： ? ?? ?t a n c os si nc os si n / c osc os si nx y zyzzy? ? ? ? ? ? ?? ? ? ? ? ?? ? ? ? ?? ? ? ??????? ???? （ ） 式中， m 是全機質(zhì)量， xI ， yI ， zI 是機體三個軸方向的慣量矩， xzI 是慣量積，g 是重力加速度，并假設它們都為常數(shù)。 11 角速度、俯仰角速度、和偏航角速度。 直升機的非線性數(shù)學模型為 ? ?,x f t x u? ，式中 x 表示直升機動力學方程的全部狀態(tài)量， u 表示直升機的操縱量。 本文的設計方案 節(jié)中已經(jīng)確定了微飛行器的類型和起落跑道的設計，微飛行器選擇為無人直升機模型，跑道場景設計為 H形著陸平臺。無人直升機在垂直 降落的過程 中，為了方便圖像采集，本課題設計 將機載攝像設備安裝在無人直升機的正下方，攝像頭向下拍攝圖片，這樣可以更好地識別跑道。而且上述方案 一 中基于模式識別中分類概念的地平線檢測法和方案 四 中的地平線擬合算法計算量都比較大，計算時間較長。方案四用禁忌搜索 算法搜尋最優(yōu)解時，搜索域內(nèi)適配值函數(shù)值的變化有較強的方向性，令其從一個初始可行解出發(fā)，選擇一系列的特定搜索方向作為試探，選擇使適配值函數(shù)值增大最多的移動，從而在保證搜索質(zhì)量的同時較大幅度地減少搜索空間。方案二和方案四基于地平線的檢測算法雖然不適用于本文 的研究，但是其根據(jù)地平線在圖像中的位置變化來解算飛行器姿態(tài)角的原哈爾濱工程大學本科生畢業(yè)論文 方案二提出了較為新穎 的飛行參 數(shù) 的算法，但不適合于無人直升機的垂直起降。 根據(jù)上述的分析可以得知，無人直升機的機載攝像頭安裝在機身的正下方時，對于跑道的識別和姿態(tài) 角的解算可以借鑒地平線檢測算法。下列圖片就顯示出了飛行器不同姿態(tài)角時拍攝到的圖片。 13 (a) (b) 圖 無人直升機有偏航角時拍攝到的著陸圖像 (a) (b) 圖 無人直升機有俯仰角時拍攝到的著陸圖像 由上述的三組圖像可以看出，無人直升機在不同的姿態(tài)位置時，拍攝到的圖片中著陸平臺上的 H在圖像中的位置不同。圖 是飛行器有俯仰角時拍攝到的著陸場景，不同俯仰角時，著陸場景中的 H在圖像坐標系中縱軸的位置不同，有俯仰角時 H在縱軸上位置與沒有俯仰角時 H在圖像中的基準位置進行對比，可以解算出飛行器的俯仰角。 14 相對于俯仰角和偏航角，它是一個小的角度量，在降落過程中對著陸的穩(wěn)定性影響較小，作為一個小角度量處理，在本文的方案設計中，不研究著陸姿態(tài)中滾轉(zhuǎn)角。 本章小結(jié) 在本章中主要介紹了已有的 視覺導航技術(shù)，并結(jié)合已有的研究確定出本文的設計方案。本章只是對降落過程中的姿態(tài)解算作了理論上的分析，具體的跑道識別和飛行參數(shù)的獲取將在后面的章節(jié)中具體分析。 15 第 3章 數(shù)字 圖像預處理 由機載攝像設備拍攝到的圖像一般都存在或大或小的噪聲，對于本文中的 跑 道檢測和邊緣提取有很大的干擾 作用，因此，對數(shù)字圖像進行預處理顯得非常 重要。下面 幾節(jié)內(nèi)容 將 著重介紹 介紹本 文圖像預處理 算法中用到的幾種方法，包括圖像灰度化、閾值分割 二值化、邊緣檢測等。 在 實際 處理圖像時，只是需要 用到 圖像的形態(tài)特征，而且圖像灰度化 處理后 可以減小圖像的存儲量，減小數(shù)據(jù)處理量 和處理時間 。一般有四種方法對彩色圖像進行灰度化，分別為：分量法、最大值法、平均值法、加權(quán)平均法。加權(quán)平均法的 算法為： ? ? ? ? ? ? ? ?, 0 . 3 0 , 0 . 5 9 , 0 . 1 1 ,f i j R i j G i j B i j? ? ? （ ） 在本文的灰度 化 處理算法中， 采用加權(quán)平均法對 拍攝到的著陸場景 圖像進行灰度化處理， 灰度化處理后的 效果圖如下 所示 ： 哈爾濱工程大學本科生畢業(yè)論文 下面 的研究內(nèi)容將 對此進行詳 細的分析。 17 圖像去噪處理 由上述灰度化處理的圖像可以看出，圖像 的背景色上有很多白色的斑點，這些白色的點都是圖像中的噪聲，給本文中 的圖像處理工作帶來了很大的干擾。 對于拍攝到的跑道區(qū)域， 需要提取的是跑道區(qū)域中的 H 形著陸平臺 ，它在圖像中顯示為白色，而圖像的背景色為灰色，為將白色的 H形 區(qū)域凸顯出來，需要對圖像進行增強，即增加圖像的對比度。 imadjust函數(shù)可用于簡單的圖像增強處理，增強對比度實際上是增強原圖 像中 各部分的反差。 圖 默認對比度灰度調(diào)整后的圖像 哈爾濱工程大學本科生畢業(yè)論文 圖像增強處理后，需要采用濾波 的方式減小圖像中的噪聲，濾波的方式主要有平滑濾波、中值濾波、銳化濾波。 19 度值的中值；而圖像銳化是補償圖像的輪廓，增強圖像的邊緣及灰度跳變的部分，使圖像變得清晰。 本文 所處理的圖像中的噪聲大多是離散的白色斑點，可以看作 是 椒鹽噪聲中的 鹽噪聲 ，因此，選 用中值 濾波的方法對圖像進行消噪處理比較好。 圖像分割 的具體實施 機載攝像設備拍攝到的無人直升機實際著陸場景的圖像中，著陸平臺區(qū)域的識別 對飛行器的著陸有著重要的作用，它關(guān)系到無人直升機能不能降落在跑道 區(qū)域內(nèi)，因此為使無人直升機能在跑道 合理的區(qū)域 內(nèi) 著陸，視覺導航系統(tǒng)需要將跑道從整個場景中 分割出來，分析跑道的位置、區(qū)域大小等內(nèi)容，確定無人直升機的航向信息和位置信 息，然后送入控制系統(tǒng)以使無人直升機安全著陸。 20 理之用。 在圖像處理的研究應用中，人們通常把 感興趣的圖像信息額外分割出來，稱之為興趣區(qū)域，他們是圖像中特定的具有獨特價值的區(qū)域。在許多情況下，圖像中不同類型區(qū)域內(nèi)部各自的灰度分布是均勻或相對均勻的，但區(qū)域之間的灰度或平均灰度是不同的， 可以將灰度的均一性作為依據(jù)進行圖像的分割和區(qū)域的提取。最常用的閾值處理就是圖像的二值化處理，通過一個閾值（ 0255 之間）將圖像轉(zhuǎn)換為黑白二值圖像，用于圖像分割及邊緣提取等預處理。對于閾值的選取主要有取全局閾值和取局部閾值兩種情況，閾值選取方法的依據(jù)基礎是圖像灰度直方圖。允許閾值變化的方法稱為局部閾值處理。雖然局部閾值分割可以進一 步提高圖像的分割質(zhì)量，但是其分割算法時間復雜度很高，處理圖像尤其 是處理大分辨率彩色圖像的速度 很慢 ，而且其最終效果與全局閾值法相差無幾。 閾值分割的方法主要有人工選擇法、迭代式閾值選擇、最大類間方差法(Otsu)和最小誤差閾值選擇法。人工哈爾濱工程大學本科生畢業(yè)論文 這種方法需要反復試驗，挑選不同的閾值，直到觀察者覺得產(chǎn)生了較好的結(jié)果為止。 22 (c) 閾值 T =230 圖 不同閾值 T 時圖像分割的結(jié)果 上述的圖像顯示，當閾值 T =2