大家好，欢迎来到IT知识分享网。
文 |古轩说史
编辑 | 古轩说史
无人机的自主起飞和着陆一直以来都是无人机操作中的关键问题，而基于地面立体视觉的方法在这方面具有巨大的潜力，地面立体视觉通过捕捉无人机与地面之间的视差信息，能够实现无人机在起飞和着陆阶段的精准定位和导航。
Chan-Vese 模型方法以其轮廓演化和分割特征为基础，能够对无人机周围的环境进行高精度的图像分析。
通过分析无人机与地面之间的视觉信息，该方法可以实现无人机的自主起飞和着陆导航，从而提高起降操作的安全性和准确性。
与传统方法相比，Chan-Vese 模型方法在对复杂场景和光照变化的适应性上具有独特的优势，为无人机在各种环境下的自主起降提供了更加可靠的支持。
01
方法论
该定位算法的核心基于地面立体视觉系统，并依赖于标定获得的恒定参数，包括相机内部和外部参数、PTU位置和初始姿态等，同时该算法可以实时获取两个相机捕获的图像和PTU姿态信息，整个定位过程可以分为以下几个步骤：
采用基于Chan-Vese模型的检测算法在图像中提取目标，Chan-Vese模型是一种几何活动轮廓模型，旨在通过动态演化活动轮廓来捕获移动物体的边界。
该模型通过最小化能量函数来演化活动轮廓，从而找到目标的边界，这个过程在图像中提取出目标的轮廓，作为后续定位的依据。
使用基于扩展卡尔曼滤波（EKF）的空间定位算法来计算目标的空间位置，这个算法利用实时的图像信息和PTU姿态信息，将图像中检测到的目标位置进行估计，先预测目标的空间位置和速度，然后将其与实际测量结果进行融合，得到更精确的位置估计。
为了提高实时性，研究人员将感兴趣区域（ROI）方案融入到基于Chan-Vese模型的检测中，这个ROI方案通过在图像中定义感兴趣的区域，将检测过程的计算成本降低，从而提高实时性。
ROI是根据轨迹估计模块提供的目标位置和大小自动生成的，飞行器检测将在这个ROI内进行，而不是在整个原始图像上进行，这样的缩小图像尺寸可以帮助提升实时性。
空间定位是飞行飞机检测的关键步骤，定位精度受到目标检测误差和PTU姿态误差的影响，为了抑制这些误差对定位精度的影响，研究人员采用了扩展卡尔曼滤波（EKF）来估计飞行器的空间坐标，EKF不仅考虑了图像中检测到的目标位置，还考虑了双目相机的姿态信息。
在这个过程中，相机模型用于将估计的目标位置映射到图像平面上，整个算法的流程示意图如图表中所示，其中Chan-Vese检测算法占据了主要的计算时间，为了提高效率，ROI方案被引入进一步加速了检测过程。
02
实验与讨论
为了验证所提出的目标定位算法，研究团队建立了基于立体视觉的无人机自主起降系统，在跑道两侧布置了具备高精度的精密平台云台（PTU），这两个云台之间的基线长度约为10.77米。
他们在云台上安装了可见光相机DFK 23G445，并随着云台的旋转来扩展视野，这里值得注意的是，PTU拥有高位置分辨率（0.00625度）和快速旋转速度（50度/秒），因此可以实现更为精确的定位，所选用的实验飞机翼展大约为2.3米。
为了验证这一算法，研究人员进行了离线和在线实验，离线实验的数据包括了标定参数、视频图像、PTU姿态信息以及同步DGPS数据，这些数据是通过DGPS引导下，进行自主起飞和着陆过程中获取的，据DGPS手册所述，其定位误差在95%的情况下小于2厘米。
实验的主要目标是验证所提出的方法相对于之前研究和其他先进技术的四个性能改进：
第一个实验证实了基于 Chan-Vese 模型的目标检测算法相对于其他活动轮廓算法（例如 Snake 和 GVF Snake）具有更好的准确性。
第二个实验展示了基于 Chan-Vese 模型的目标检测算法的实时能力的提高。
第三个实验验证了 EKF 具有更高的定位精度。
最终实验表明 EKF 对测量误差具有更好的鲁棒性。
在这些实验中，研究人员选择将飞行器头部的中心点作为目标图像坐标，值得强调的是，尽管在线实验是在无人机自主起降过程中进行的，但出于安全考虑，实验结果并未提供给无人机作为自主起降的定位信息。
需要注意的是，实验中使用的算法组标记如下：CV_E表示基于Chan-Vese模型的检测算法和基于EKF的定位算法，而CV_T表示基于Chan-Vese模型的检测算法和基于三角测量的定位算法，这些实验为所提出的定位方法的有效性和性能提升提供了有力支持。
03
物体检测实验
为了确保高精度的无人机目标检测作为实现精确定位的基础，同时实时处理能力成为任务成功执行的关键因素。
要验证使用Chan-Vese模型的高精度无人机检测能力，研究人员对比了基于Chan-Vese模型的目标检测算法与Snake算法和GVF算法在检测精度方面的表现。
他们在实验中展示了基于Snake算法和基于Chan-Vese模型的算法的分割过程和结果，在图像预处理阶段，采用了HSV模型S通道的直方图均衡技术，这有助于凸显图像中的目标特征。
实验结果揭示，在图像预处理后，图像中的飞行器形状常常发生拓扑变化，使得飞机的机翼与机身分离。
基于Snake算法的分割结果被红色轮廓包围，然而该算法无法适应拓扑变化，导致在飞机目标上丢失了翅膀的信息，从而引发检测错误。
通过使用从自主着陆中获取的一组离线数据，研究人员对比了Snake算法、GVF算法和基于Chan-Vese模型的目标检测算法的精度。
红色、浅蓝色和绿色轨迹分别代表不同的检测算法，但使用相同的定位算法（三角测量法）生成的结果，蓝色轨迹由DGPS生成，红色和浅蓝色轨迹由GVF和Snake算法生成，绿色轨迹由Chan-Vese算法生成。
当无人机接近地面，也就是背景最为复杂时，基于GVF和Snake算法的定位误差会增加，图像中G点和H点的图像和定位结果进一步支持了这一观察。
04
基于Chan-Vese模型的检测实时能力实验
研究者进一步指出了检测算法的实时处理能力限制，每帧图像处理时间约为157毫秒，耗时测试结果显示，基于Chan-Vese模型的区域分割几乎占据了处理每帧视频所需总时间的84.1%，因此，降低区域分割的时间开销被认为是提升实时性的最有效途径。
为了测试实时能力，研究人员在之前的工作中使用了相同配置的设备，即一台配备有2.80 GHz CPU和6.00 GB RAM的个人电脑，通过设定感兴趣区域（ROI），他们成功地减少了分割时间的消耗，随着ROI尺寸的减小，时间消耗显著减少。
他们同时强调了检测精度的重要性，通过计算每个图像坐标处的检测平均误差，他们综合权衡了实时性和准确性。
在综合考虑下，他们确定了一个最佳的基本ROI尺寸，为250*100像素（其中250为宽度，100为高度），在这个尺寸下，平均误差始终保持在1.00像素以下，而平均耗时约为20毫秒。
最为重要的是，他们指出，使用250*100像素的视频处理时间分布较为集中，这在实际项目中具有显著的应用价值，因为这有助于保持稳定的实时表现，这一结果强调了在实现高效实时处理时，如何在时间开销和检测准确性之间取得平衡的重要性。
05
基于EKF的定位实验
过去的研究在定位飞机时使用了三角测量方法，实验结果表明，这种方法的定位精度和鲁棒性受到目标检测和PTU姿态等测量精度的影响。
为了有效减少测量误差对定位的影响，研究人员引入了扩展卡尔曼滤波（EKF）来估计无人机的位置，通过在离线和在线实验中引入EKF，定位的准确性和鲁棒性得到了提升。
离线实验中使用的参考定位结果是通过DGPS数据获得的，这些数据是在自主着陆过程中收集的，为了展示EKF的精度改进，研究人员选择了两组着陆数据进行分析。
需要注意的是，EKF的初始状态包括无人机的位置和PTU姿态，这些状态是通过DGPS和PTU测量进行配置的，这是因为在自主着陆之前，无人机的位置是通过DGPS进行定位，而姿态则是通过IMU进行引导的。
离线实验都是关于自主着陆过程的，这是在DGPS的位置引导和IMU的姿态引导下完成的，制作显示图，在使用X、Y和Z表示方向，在方向上的自主着陆轨迹以及定位误差。
蓝色轨迹是由DGPS生成的参考路径，而绿色和红色轨迹分别是基于CV_T和CV_E算法生成的定位路径，图中的三个阴影区域分别代表了图像中只有天空、天空和地面以及只有地面的三个着陆阶段，引入EKF后，每个轴上的均方根误差（RMSE）得到了改进。
这一系列实验强调了EKF在减少测量误差对定位精度影响方面的作用，以及在复杂环境中提高定位鲁棒性的能力，通过在自主着陆过程中引入EKF，研究人员有效地提高了飞机定位的精度和可靠性。
在数据传输中存在异步问题，图像和DGPS之间存在延迟，因此，在计算偏差时需要考虑这一点。
为了解决这个问题，假设延迟是恒定的，并通过实验进行了验证，研究人员设置了最多三个图像帧的恒定延迟，在y坐标小于187时，偏差迅速增大，这主要是因为飞行器接近地面时，DGPS信号变弱所致。
经过一系列的电磁环境测试，研究人员得出结论：距离地面较近（小于2米）的区域存在最为复杂的电磁环境，从而导致DGPS信号变得较弱，在没有DGPS信号的情况下，DGPS数据会保持恒定。
连续的DGPS信号中断会导致延迟积累，这就解释了为什么偏差（y < 187 m）（表3中的数据）随着图像数量的增加而变大。
基于EKF的定位算法显示出更好的精度，尤其在Z轴上，同时，X轴的精度也有明显提升，尽管Y轴的偏差仍然在2~3米左右，但在真实的无人机自主着陆中，高度的准确性对于取得成功至关重要，相反，由于跑道的长度约为400米，Y轴的精度对自主着陆影响较小。
通过基于EKF的定位算法，Z轴的偏差减少了约67.16%至77.75%，这对自主着陆的改善产生了显著影响。
考虑到DGPS数据存在不准确性，第二次实验中的RMSE仅基于y坐标大于187的轨迹计算，在对比中，主要关注了X和Z方向的误差，而Y方向（即跑道方向）的误差明显较高。
这种较高的误差主要是由于物体检测误差在u方向和v方向上（0-50像素范围内）引起的定位误差，显而易见，这种检测误差导致了y方向的定位误差明显升高，这是因为飞行器的基线远比跑道短，根据相机针孔模型，角度误差会引起跑道方向上的定位误差增加。
这表明，在考虑到基线长度和相机模型的情况下，对于跑道方向的定位精度，物体检测的准确性至关重要。
免责声明：本站所有文章内容,图片，视频等均是来源于用户投稿和互联网及文摘转载整编而成，不代表本站观点，不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益，请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权，请联系删除，如若转载，请注明出处：https://yundeesoft.com/167076.html
