无人机视觉定位的景象匹配算法研究

发布时间：2020-09-25 14:44

　　在无人机视觉定位中,景象匹配的效果直接决定了视觉定位的精度。无人机视觉定位一般使用高分辨率遥感图像作为参考图像,使用无人机航拍图像作为实时图像,通过景象匹配确定无人机位置。然而由于参考图像与实时图像成像原理不同、拍摄条件存在差异,两种图像的灰度值相差很大,匹配存在一定的困难。线特征能够有效克服图像间灰度差异的影响,利用结构信息解决匹配问题,本文对基于线特征匹配的无人机视觉定位算法展开深入研究。首先描述了无人机视觉定位的基本流程,说明了景象匹配算法的重要性。然后按照特征匹配的基本顺序,研究了线特征提取算法,通过比较实验发现基于曲线拟合的线特征提取算法性能更为稳定;探究了基于RANSAC的线特征匹配算法,指出该算法所存在的不足,提出对线特征进行分组优化匹配过程的思路,加快了匹配速度。最后针对无人机视觉定位中参考图像与实时图像尺度相差较大的问题,提出了一种尺度统一的方法,使用由粗到精的匹配策略优化特征匹配过程,得到一种精度高、实时性强的匹配方法。主要内容和创新点如下:1.阐述了无人机视觉定位的基本原理。首先介绍了无人机及视觉定位系统的基本组成、视觉定位的原理和流程,说明了景象匹配算法的重要地位。然后推导了如何利用同名线特征确定图像间变换参数。最后对无人机视觉定位图像进行分析,指出了无人机视觉定位需要解决的问题。2.研究了线特征提取、线特征匹配算法以及如何利用同名线特征确定图像间变换参数。研究了不同线特征提取算法的具体实现步骤,使用合成图像比较了不同线特征提取算法的各项指标,发现基于曲线拟合的线特征提取算法效果较好。其次研究了基于RANSAC确定特征对应关系的方法,指出该算法所存在的不足,提出基于特征的尺度稳定性对特征进行分组,优化匹配过程。3.完成了无人机视觉定位中的景象匹配。根据线特征的尺度稳定性统一图像尺度,利用基于曲线拟合的线特征提取算法、基于改进的RANSAC特征匹配算法,匹配最小尺寸的图像得到粗略的变换关系,然后依次确定相邻层的较大图像上线特征的对应关系,计算得到更加精确的变换参数。直到某个匹配图像达到原图像的尺寸,利用最小二乘法优化,得到精确的匹配结果。
【学位单位】：战略支援部队信息工程大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：V279;V249.3
【部分图文】：

分类图,无人机,分类图,旋翼

第一章绪论涌现。按照飞行方式的不同，可分为单旋翼、多旋翼、固定翼以及组合无人机如图 1.1 所示。按照飞行高度的不同，一般划分为超低空(100 米以下)、低空(100-1000 米)、中空(1000-7000 米)、高空(7000-15000 米)以及超高空(15000 米以上)无人机。(a)单旋翼无人机 (b)多旋翼无人机

遥感图像,航拍图像,遥感图像

(d)农田航拍图像 (e)湖泊航拍图像 (f)建筑航拍图像图 1.3 遥感图像与航拍图像对比选取农田、湖泊以及建筑等常见的遥感景象和航拍图像进行分析。通过对比，可以看出由于成像原理的不同，航拍图像与遥感图像间存在着明显的色彩差异，其中农田图像尤其敏感。此外，对于田野这种特征重复、区分不明显的区域，很难通过显著特征点进行匹配，然而，我们可以通过提取显著线特征完成配准。在湖泊图像中，我们可以利用湖泊边缘等显著的线特征进行匹配。在包含建筑的图像中，需要注意由成像角度不同引起的建筑侧面差异。观察图像可以发现，尽管图像间存在色彩、角度差异，但是都保持了良好的结构特征。在人造环境中，到处都有着十分显著的线特征，因此可以选用线特征进行匹配。概括来讲，景象匹配的难点在于如何解决图像间的差异。在无人机视觉定位应用中，除了光照、角度等环境因素的影响，还需要解决成像原理的不同造成的灰度差异，由于图像分辨率不同造成的尺度差异。图 1.3 中的航拍图像与 Worldview 遥感图像的尺寸大约相差十几倍，必须解决景象间尺度不同的问题，才有可能实现无人机视觉定位。1.4 主要内容和组织结构

示意图,视觉定位,无人机,示意图

第二章无人机视觉定位原理设计过程中，考虑到机载运算能力有限，应尽可能使用高效、简单的同时保证定位算法的精确性和实时性。机视觉定位方法原理和流程导航的起始阶段，首先利用惯性导航系统获取的位置以及姿态角信息像中心点在参考图像中的大致位置，然后在附近区域进行搜索匹配，系。根据摄影测量中相机标定理论[34]-[35]，可以解算得到相机的位置、姿机与无人机间的相对位置关系，确定无人机的坐标以及姿态。文献[3同时刻的位置、姿态求取速度和角速度的方法，利用速度变化可以求得刻的定位结果。无人机视觉定位的示意图如图 2.2 所示。

【参考文献】