基于计算机视觉辅助的无人机着舰关键技术研究

发布时间：2021-05-08 15:40

　　计算机视觉凭借其无源、经济、信息丰富的优点,成为无人机自主导航中的重要信息源。本文以双目摄像机所拍摄的舰船模型序列图像为研究对象,综合运用数字图像处理、计算机视觉、三维重建等技术和方法,对无人机自主着舰阶段的舰船识别与跟踪、着陆场区域有用特征提取、无人机相对位姿的估计等问题进行了深入的研究。首先利用SIFT特征匹配与模板匹配相结合的方法来解决复杂背景条件下着陆场目标的识别与跟踪的问题。在建立舰船跑道SIFT特征库的基础上,将机载摄像机拍摄图像所提取的SIFT特征与特征库做匹配,并设定匹配阈值来确定目标是否已被识别,然后对识别后的舰船跑道区域进行定位,通过提出的模板刷新策略,采用模板匹配的算法对定位区域实现实时的跟踪。光照变换对着陆场区域图像的有效分割造成了极大的影响,本文提出一种跑道区域图像增强算法来消除光照变化带来的不利影响。算法融合了基于图像平均灰度的图像恢复技术和线性灰度变换的图像增强技术,并通过一种基于反馈信息的迭代方法将两种技术多次迭代。处理后的图像不仅消除了光照变化的影响,而且突出了跑道线的特征。以增强的跑道区域灰度图像为对象,经过灰度拉伸、阈值分割得到二值化图像,利用Ca... 

【文章来源】：国防科技大学湖南省 211工程院校 985工程院校

【文章页数】：78 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 课题研究背景和意义
    1.2 无人机自主着陆/舰视觉导航的研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
        1.2.3 自主着陆/舰过程中目标识别算法存在的问题
    1.3 本文研究内容及章节安排
第二章 无人机自主着陆中的跑道识别与跟踪
    2.1 SIFT算法原理
        2.1.1 尺度空间极值检测
        2.1.2 特征点定位
        2.1.3 特征点主方向计算
        2.1.4 特征点描述子生成
        2.1.5 特征向量的匹配
    2.2 基于SIFT特征匹配的舰船识别
        2.2.1 转换灰度图像
        2.2.2 平滑滤波
        2.2.3 目标舰船SIFT特征库的建立
        2.2.4 舰船识别算法设计
        2.2.5 舰船跑道区域的定位
    2.3 基于模板匹配的跑道区域跟踪
        2.3.1 模板匹配方法
        2.3.2 模板更新策略
    2.4 实验结果与分析
    2.5 本章小结
第三章 舰船跑道区域图像增强算法
    3.1 图像恢复技术
        3.1.1 图像恢复方法
        3.1.2 基于平均灰度的图像恢复
    3.2 图像增强技术
    3.3 图像恢复和增强算法的迭代规则
    3.4 实验结果与分析
    3.5 本章小结
第四章 跑道边线的检测与提取
    4.1 跑道区域增强图像预处理
        4.1.1 灰度拉伸
        4.1.2 阈值分割
        4.1.3 数学形态学运算
            4.1.3.1 形态学基本运算
            4.1.3.2 对跑道二值图像的形态学运算
    4.2 跑道区域直线检测
        4.2.1 边缘检测
            4.2.1.1 常用边缘检测算法
            4.2.1.2 Canny边缘检测
        4.2.2 直线特征检测
            4.2.2.1 Hough变换原理
            4.2.2.2 概率Hough变换检测直线
    4.3 跑道左右边线的提取
        4.3.1 跑道线的分类
        4.3.2 跑道边线外边缘的提取
    4.4 实验结果与分析
    4.5 本章小结
第五章 基于双目立体视觉的无人机姿态测量
    5.1 双目立体视觉的标定
        5.1.1 相机成像模型
        5.1.2 相机的标定
    5.2 跑道边线端点三维坐标的计算
        5.2.1 基于极线约束的匹配点的确定
        5.2.2 匹配点三维坐标的计算
    5.3 无人机位姿的估计
        5.3.1 高度的估计
        5.3.2 旋转矩阵的估计
        5.3.3 水平位置的估计
    5.4 KALMAN滤波
    5.5 无人机模拟平台简介
        5.5.1 双目立体视觉系统
        5.5.2 仿真下滑平台
    5.6 实验结果与分析
        5.6.1 位置测量结果
        5.6.2 姿态角测量结果
        5.6.3 误差原因分析
    5.7 本章小结
第六章 总结与展望
    6.1 工作总结
    6.2 研究展望
致谢
参考文献
作者在学期间取得的学术成果


【参考文献】：
期刊论文
[1]基于直方图均衡化图像增强的改进方法[J]. 张琳梅,潘赟,张雪峰.  电子世界. 2013(17)
[2]一种改善受光照影响而恶化的图像质量的方法[J]. 陶志锋.  制导与引信. 2009(03)
[3]基于视觉信息的无人机自主着陆过程姿态和位置估计[J]. 陈龙胜,陈谋,姜长生.  电光与控制. 2009(05)
[4]基于视觉着陆的无人机俯仰角与高度估计[J]. 潘翔,马德强,吴贻军,张光富,姜哲圣.  浙江大学学报(工学版). 2009(04)
[5]一种基于Hough变换的对极几何稳健估计算法[J]. 山海涛,马淑宇,郝向阳,李大卫.  测绘科学技术学报. 2008(03)
[6]基于视觉的飞机自主着陆导航[J]. 赵昊昱,李红,彭嘉雄.  系统工程与电子技术. 2007(07)
[7]基于不变矩的前视红外图像机场目标识别[J]. 张天序,曹杨,刘进,李勐.  华中科技大学学报(自然科学版). 2007(01)
[8]概率Hough变换在仪表检测中的应用[J]. 陈艳海,姜木霖,陈建勋.  湖北汽车工业学院学报. 2006(04)
[9]基于视觉的无人机着陆时机场标记的检测与识别[J]. 王洪群,彭嘉雄,李玲玲.  模式识别与人工智能. 2006(06)
[10]图像处理技术在火焰目标提取中的应用[J]. 范华忠,张伯虎,冯艳.  电光与控制. 2006(01)

硕士论文
[1]无人机着陆信息预测与姿态控制[D]. 汪光明.华中科技大学 2008
[2]基于视觉信息的无人飞行器自主着陆导航系统的关键技术研究[D]. 王兴国.浙江大学 2007



本文编号：3175594