CN104484870A - 校验飞机定位方法 - Google Patents

Abstract

本发明提供一种校验飞机定位方法。该方法包括：校验飞机根据获取的跑道入口标志图像，确定至少两个特征点在图像坐标系中的第一坐标；其中，跑道入口标志图像由校验飞机的机载摄像机获取；校验飞机根据第一坐标、预先获得的第二坐标、以及校验飞机的当前姿态信息，计算至少两个特征点从世界坐标系变换至摄像机坐标系的平移向量；其中，第二坐标是至少两个特征点在世界坐标系中的坐标；校验飞机根据平移向量以及当前姿态信息获得校验飞机在世界坐标系中的第三坐标。从而实现校验飞机的精确定位，并且为校验飞机提供了在机场跑道附近通过视觉传感器自主确定自身位置的能力，有效弥补了基于GPS的定位技术在精度、可靠性等方面的缺陷。

Description

校验飞机定位方法

技术领域

本发明涉及飞行校验技术，尤其涉及一种校验飞机定位方法。

背景技术

飞行校验是为了保证飞行安全，使用装有专业校验设备的飞行校验飞机，按照飞机校验的规范检查评估导航、雷达、通信设备的空间信号的质量、容限以及机场的进港、离港飞行程序，并根据检查评估的结果出具飞行校验报告的过程。飞行校验的基本原理是将校验飞机飞行过程中采集的数据与基准数据作比对，以评估各项数据的误差。其中，由定位系统提供的空间基准坐标的精确度直接影响飞行校验结果的精度和可靠性。

目前，校验飞机定位通常利用差分全球定位系统(Differential GlobalPositioning System，简称：DGPS)方法中的实时载波相位差分(Real-TimeKinematic，简称：RTK)技术，可以得到厘米级精度的全球定位系统(GlobalPositioning System，简称：GPS)定位信息。

但是，GPS作为民用导航系统存在着固有缺陷，如在复杂环境下卫星信号存在丢失的可能，在高动态条件下跟踪精度下降且信号容易失锁等。因此，亟需提出一种新的校验飞机定位方法。

发明内容

本发明提供一种校验飞机定位方法，以实现校验飞机的精确定位。

本发明提供一种校验飞机定位方法，包括：

校验飞机根据获取的跑道入口标志图像，确定至少两个特征点在图像坐标系中的第一坐标；其中，所述跑道入口标志图像由所述校验飞机的机载摄像机获取；

所述校验飞机根据所述第一坐标、预先获得的第二坐标、以及所述校验飞机的当前姿态信息，计算至少两个所述特征点从世界坐标系变换至摄像机坐标系的平移向量；其中，所述第二坐标是所述至少两个特征点在所述世界坐标系中的坐标；

所述校验飞机根据所述平移向量以及所述当前姿态信息获得所述校验飞机在所述世界坐标系中的第三坐标。

如上所述的方法，其中，所述确定至少两个特征点在图像坐标系中的第一坐标，包括：

所述校验飞机通过边缘检测技术和直线检测技术，提取所述跑道入口标志图像边缘的多条直线；

所述校验飞机通过聚类算法对多条所述直线按照倾斜角聚类，得到第一类直线集合和第二类直线集合；所述第一类直线集合中包含两条第一直线；

所述校验飞机确定所述第二类直线集合中最靠近所述跑道入口标志图像中心的两条第二直线；

所述校验飞机计算两条所述第一直线与两条所述第二直线的至少四个交点在所述图像坐标系中的坐标；其中，所述至少四个交点在所述图像坐标系中的坐标为所述第一坐标。

如上所述的方法，其中，所述校验飞机根据所述第一坐标、预先获得的第二坐标、以及所述校验飞机的当前姿态信息，计算至少两个所述特征点从世界坐标系变换至摄像机坐标系的平移向量，包括：

所述校验飞机根据第一矩阵方程计算所述平移向量T；

其中，所述第一矩阵方程为P_I,i＝sM₁M₂P_W,i＝sM₁[R T]P_W,i；

其中，i表示所述至少两个特征点中的第i个特征点，P_I,i表示第i个特征点在所述图像坐标系中的齐次坐标，s表示未知常数，M₁表示所述摄像机的内部已知参数矩阵，M₂＝[R T]表示所述摄像机的外部参数矩阵，R表示根据所述当前姿态信息获得的旋转矩阵，T表示所述平移向量。

如上所述的方法，其中，所述校验飞机通过边缘检测技术和直线检测技术，提取所述跑道入口标志图像边缘的多条直线，包括：

所述校验飞机通过边缘检测技术中的罗伯茨Roberts算子提取所述跑道入口标志图像的边缘，得到二值化的边缘图像；

所述校验飞机通过直线检测技术中的Hough变换算法提取所述边缘图像的多条直线，忽略长度短于第一预设阈值的直线，融合间距小于第二预设阈值的直线，得到所述跑道入口标志图像边缘的多条直线；其中，所述第一预设阈值为所述第二预设阈值的3倍。

如上所述的方法，其中，所述校验飞机通过聚类算法对多条所述直线按照倾斜角聚类，得到第一类直线集合和第二类直线集合，包括：

所述校验飞机通过所述聚类算法对多条所述直线按照倾斜角聚类；

所述校验飞机通过第一公式计算包含直线成员最多的直线集合中所有所述直线成员的倾斜角平均值其中，所述第一公式为：式中，G_max为所述包含所述直线成员最多的直线集合，为G_max中的所述直线成员数量，为中第i个直线成员的倾斜角；

所述校验飞机计算各所述直线与所述倾斜角平均值的差值，将与所述倾斜角平均值的差值接近90度的直线归入所述第一类直线集合，将与所述倾斜角平均值的差值小于第三预设阈值的直线归入第二类直线集合。

本发明提供的校验飞机定位方法，通过校验飞机根据获取的跑道入口标志图像，确定至少两个特征点在图像坐标系中的第一坐标；其中，所述跑道入口标志图像由所述校验飞机的机载摄像机获取；所述校验飞机根据所述第一坐标、预先获得的第二坐标、以及所述校验飞机的当前姿态信息，计算至少两个所述特征点从世界坐标系变换至摄像机坐标系的平移向量；其中，所述第二坐标是所述至少两个特征点在所述世界坐标系中的坐标；所述校验飞机根据所述平移向量以及所述当前姿态信息获得所述校验飞机在所述世界坐标系中的第三坐标。从而实现校验飞机的精确定位。

附图说明

图1为本发明校验飞机定位方法实施例一的流程图；

图2为本发明校验飞机定位方法实施例一中确定第一坐标的方法流程图；

图3为本发明跑道入口标志图像的四个特征点的示意图；

图4为本发明跑道入口标志图像提取边缘结果的示意图；

图5为本发明对跑道入口标志图像提取直线边缘结果的示意图；

图6为本发明为确定第二直线而建立的马尔可夫随机场示意图；

图7为本发明直线边缘图像中需要确定的四个直线交点的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明校验飞机定位方法实施例一的流程图。如图1所示，本实施例提供的方法具体可以包括：

步骤101、校验飞机根据获取的跑道入口标志图像，确定至少两个特征点在图像坐标系中的第一坐标；其中，所述跑道入口标志图像由所述校验飞机的机载摄像机获取。

具体的，如图2所示，本步骤中，所述校验飞机在确定所述第一坐标时，具体可以包括：

步骤1011、所述校验飞机通过边缘检测技术和直线检测技术，提取所述跑道入口标志图像边缘的多条直线。

本步骤中，所述校验飞机先通过边缘检测技术中的Roberts算子提取所述跑道入口标志图像的边缘，得到二值化的边缘图像，再通过直线检测技术中的Hough变换算法提取所述边缘图像的多条直线，忽略长度短于第一预设阈值的直线，融合间距小于第二预设阈值的直线，得到所述跑道入口标志图像边缘的多条直线；其中，所述第一预设阈值为所述第二预设阈值的3倍。

需要说明的是，所述第一预设阈值和所述第二预设阈值是根据实际情况设定的，本实施例对此不进行限制。

步骤1012、所述校验飞机通过聚类算法对多条所述直线按照倾斜角聚类，得到第一类直线集合和第二类直线集合；所述第一类直线集合中包含两条第一直线。

实际应用过程中，所述校验飞机先通过所述聚类算法对多条所述直线按照倾斜角聚类；再通过第一公式计算包含直线成员最多的直线集合中所有所述直线成员的倾斜角平均值得到所述倾斜角平均值后，所述校验飞机计算各所述直线与所述倾斜角平均值的差值，将与所述倾斜角平均值的差值接近90度的直线归入所述第一类直线集合，将与所述倾斜角平均值的差值小于第三预设阈值的直线归入第二类直线集合；其中，所述第一公式为：式中，G_max为所述包含所述直线成员最多的直线集合，为G_max中的所述直线成员数量，为中第i个直线成员的倾斜角。

需要说明的是，所述第三预设阈值是根据实际情况设定的，本实施例对此不进行限制。

步骤1013、所述校验飞机确定所述第二类直线集合中最靠近所述跑道入口标志图像中心的两条第二直线。

步骤1014、所述校验飞机计算两条所述第一直线与两条所述第二直线的至少四个交点在所述图像坐标系中的坐标；其中，所述至少四个交点在所述图像坐标系中的坐标为所述第一坐标。

步骤102、所述校验飞机根据所述第一坐标、预先获得的第二坐标、以及所述校验飞机的当前姿态信息，计算至少两个所述特征点从世界坐标系变换至摄像机坐标系的平移向量；其中，所述第二坐标是所述至少两个特征点在所述世界坐标系中的坐标。

需要说明的是，所述当前姿态信息可以为所述校验飞机当前的各姿态角度，是由所述校验飞机自带的仪表测得的，本实施例不关注所述当前姿态信息的获取过程。

具体的，所述校验飞机可以根据第一矩阵方程计算所述平移向量T；其中，所述第一矩阵方程为P_I,i＝sM₁M₂P_W,i＝sM₁[R T]P_W,i；其中，i表示所述至少两个特征点中的第i个特征点，P_I,i表示第i个特征点在所述图像坐标系中的齐次坐标，s表示未知常数，M₁表示所述摄像机的内部已知参数矩阵，M₂＝[R T]表示所述摄像机的外部参数矩阵，R表示根据所述当前姿态信息获得的旋转矩阵，T表示所述平移向量。

可以理解的是，针对每个所述特征点，均可以得到一个所述第一矩阵方程，将至少两个所述第一矩阵方程联立，即可解出所述第一矩阵方程中的未知常数s和所述平移向量T。

步骤103、所述校验飞机根据所述平移向量以及所述当前姿态信息获得所述校验飞机在所述世界坐标系中的第三坐标。

需要说明的是，所述平移向量即为所述校验飞机上机载摄像机在所述世界坐标系中的坐标，针对不同的实际应用情况，可以根据所述平移向量推算出所述校验飞机上任一点在所述世界坐标系中的第三坐标。

本实施例的技术方案，通过校验飞机根据获取的跑道入口标志图像，确定至少两个特征点在图像坐标系中的第一坐标；其中，所述跑道入口标志图像由所述校验飞机的机载摄像机获取；所述校验飞机根据所述第一坐标、预先获得的第二坐标、以及所述校验飞机的当前姿态信息，计算至少两个所述特征点从世界坐标系变换至摄像机坐标系的平移向量；其中，所述第二坐标是所述至少两个特征点在所述世界坐标系中的坐标；所述校验飞机根据所述平移向量以及所述当前姿态信息获得所述校验飞机在所述世界坐标系中的第三坐标。从而实现校验飞机的精确定位。

下面以获取四个特征点为例，对本发明提供的校验飞机定位方法作进一步说明。

首先，在校验飞机起飞前，先由工作人员实际测量机场跑道入口标志图像的四个特征点，如图3所示，获得四个特征点在世界坐标系中的坐标P_W,i；(i＝1,2，3，4)，并输入所述校验飞机中，作为预先获得的第二坐标。

校验飞机在机场跑道附近飞行，通过机载单目摄像机拍摄跑道入口标志图像。通过Roberts算子提取所述跑道入口标志图像的边缘，得到二值化的边缘图像，如图4所示，再通过Hough变换算法提取边缘图像的多条直线，忽略长度短于第一预设阈值的直线，融合间距小于第二预设阈值的直线，得到跑道入口标志图像边缘的多条直线；如图5所示。

校验飞机通过聚类(kmeans)算法对多条所述直线按照倾斜角聚类，以图5为例，图5中有26条直线，上下两条横向直线倾斜角约为0度，其余竖直短直线倾斜角约为90度。因此理想的聚类结果是聚为水平直线、竖直直线两类。但考虑到由于透视形变、摄像机成像失真等因素，跑道入口标志图像中原本平行的线段在成像后未必保持平行关系，并且kmeans算法聚类结果具有一定随机性，因此本实施例中实际聚类结果可以聚为三类，第一类的聚类中心可以为0度，包含图5中上下两条横向直线；第二类的聚类中心可以为89度，包含图5中24条竖直短直线中的20条；第三类的聚类中心为91度，包含图5中剩余的4条竖直短直线。

校验飞机找出包含直线成员最多的类别，即直线集合G_max，本实施例中为第二类，计算其包含的所有直线成员的倾斜角平均值具体可以通过第一公式计算其中，第一公式为：式中，G_max为包含直线成员最多的直线集合，为G_max中的直线成员数量，为中第i个直线成员的倾斜角。得到后，计算各直线与的差值，将差值小于第三预设阈值Δ_th的直线归入第二类直线集合G₂，即将差值接近90度的直线归入第一类直线集合G₁，即，聚类结果中的第一类归入G₁，聚类结果中的第二类和第三类归入G₂。

校验飞机确定G₂中最靠近跑道入口标志图像中心的两条第二直线l_a、l_b。考虑到确定两条所述第二直线存在如下困难：一是由于所述第二直线与G₂中其它直线具有基本一致的形态，因此无法通过考察各条直线的形态特征确定所述第二直线；二是虽然所述第二直线在G₂中最靠近跑道入口标志图像中心，但跑道入口标志图像可能只在画面中部分出现，校验飞机难以自动确定其中心位置，因此无法通过考察各条直线的绝对位置确定所述第二直线。相对于上述两点困难，所述第二直线还存在如下特性：其与周围直线的相对位置关系不同于G₂中其它直线。基于上述考虑，本实施例通过考察G₂中各条直线间的相互关系确定所述第二直线。

确定所述第二直线的具体方法为：以G₂中各条直线为节点，按照各直线的相对位置关系建立链式马尔可夫随机场，如图6所示。根据Hammersley-Clifford定理，马尔可夫随机场的概率分布可以被定义为如下Gibbs公式：其中，为所有n_v个节点所取状态值所组成的向量；其中，v表示节点(vertex)，C表示马尔可夫随机场中所有基团(clique)的集合；x_C表示各个基团内部节点的状态值所组成的向量；非负实值函数是各个基团的势函数；Z是规范化因子，又称为拆分函数，取值为

本实施例中，各节点的状态空间均为{1,0}，标示着各节点所对应的直线是否属于所述第二直线。对于G₂中的每一条直线l_i，找出G₂中与其距离最近的另外两条直线l_i1和l_i2，计算l_i与l_i1的距离d_i1、l_i与l_i2的距离d_i2，d_i1>d_i2；令由图4可以看出，对于跑道入口标志图像提取直线边缘得到的竖直短直线中，只有最靠近边缘的两条直线和最靠近中心的两条直线的r_i值接近2。令马尔可夫随机场中单节点基团的势函数为：

双节点基团的势函数为：

将单、双节点基团的势函数带入前述Gibbs公式，采用动态规划策略中的维特比译码算法计算所有节点的最优状态值：需要说明的是，在实际应用中还可以采用其他算法计算所有节点的最优状态值，本实施例仅以维特比译码算法为例进行说明，但并不以此为限。

计算结果已在图6中标示，其中状态值为1的节点对应着图5中两边和中心的四条直线；再找出这四条直线中相距最近的两条直线l_a、l_b，即为跑道入口标志图像最靠近标志中心的两条直线，如图7所示。

校验飞机计算直线l_a、l_b分别与G₁中两条直线l_m、l_n相交的四个交点A、B、C、D在图像坐标系中的齐次坐标P_I,i；(i＝1,2,3,4)。根据摄像机成像原理，对每个特征点i，有第一矩阵方程P_I,i＝sM₁M₂P_W,i＝sM₁[R T]P_W,i，其中i＝1,2,3,4；s表示未知常数，M₁表示所述摄像机的内部已知参数矩阵，M₂＝[R T]表示所述摄像机的外部参数矩阵，R表示根据所述当前姿态信息获得的旋转矩阵，T表示所述平移向量；联立多个第一矩阵方程，解出未知常数s和所述平移向量T。需要说明的是，旋转矩阵R可以由校验飞机的当前姿态角推算得到。将世界坐标系的XOY平面建立在跑道入口标志图像所在平面上，即令P_W,i＝[_W,i y_W,i z_W,i 1]^T中的z_W,i＝0，(i＝1,2,3,4)，则由特征点i得到的矩阵方程可展开写为： $\left[\begin{array}{c}{x}_{I,i}\\ y_{I,i}\\ 1\end{array}\right]=s{M}_1\left[\begin{array}{ccc}{r}_{11}& r_{12}& t_1\\ r_{21}& r_{22}& t_2\\ r_{31}& r_{32}& t_3\end{array}\right]\left[\begin{array}{c}{x}_{W,i}\\ y_{W,i}\\ 1\end{array}\right],$ 式中r_ij；(i＝1,2,3；j＝1,2)表示旋转矩阵R中相应位置的元素，t_i(i＝1,2,3)表示平移向量T中相应位置的元素。方程中有s、t₁、t₂、t₃四个未知数，因此只要联立两个矩阵方程即可解出所有未知数，从而获得平移向量T＝[t₁ t₂ t₃]^T。摄像机光心在世界坐标系中的坐标即为T，结合校验飞机当前姿态和摄像机光心在机体坐标系中的坐标，可以计算出校验飞机上任何一点在世界坐标系中的坐标。

本实施例的技术方案，可以实现校验飞机的精确定位，并且为校验飞机提供了在机场跑道附近通过视觉传感器自主确定自身位置的能力，有效弥补了基于GPS的定位技术在精度、可靠性等方面的缺陷。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (5)

1.一种校验飞机定位方法，其特征在于，包括：

校验飞机根据获取的跑道入口标志图像，确定至少两个特征点在图像坐标系中的第一坐标；其中，所述跑道入口标志图像由所述校验飞机的机载摄像机获取；

所述校验飞机根据所述第一坐标、预先获得的第二坐标、以及所述校验飞机的当前姿态信息，计算至少两个所述特征点从世界坐标系变换至摄像机坐标系的平移向量；其中，所述第二坐标是所述至少两个特征点在所述世界坐标系中的坐标；

所述校验飞机根据所述平移向量以及所述当前姿态信息获得所述校验飞机在所述世界坐标系中的第三坐标。

2.根据权利要求1所述的方法，其特征在于，所述确定至少两个特征点在图像坐标系中的第一坐标，包括：

所述校验飞机通过边缘检测技术和直线检测技术，提取所述跑道入口标志图像边缘的多条直线；

所述校验飞机通过聚类算法对多条所述直线按照倾斜角聚类，得到第一类直线集合和第二类直线集合；所述第一类直线集合中包含两条第一直线；

所述校验飞机确定所述第二类直线集合中最靠近所述跑道入口标志图像中心的两条第二直线；

所述校验飞机计算两条所述第一直线与两条所述第二直线的至少四个交点在所述图像坐标系中的坐标；其中，所述至少四个交点在所述图像坐标系中的坐标为所述第一坐标。

3.根据权利要求1所述的方法，其特征在于，所述校验飞机根据所述第一坐标、预先获得的第二坐标、以及所述校验飞机的当前姿态信息，计算至少两个所述特征点从世界坐标系变换至摄像机坐标系的平移向量，包括：

所述校验飞机根据第一矩阵方程计算所述平移向量T；

其中，所述第一矩阵方程为P_I,i＝sM₁M₂P_W,i＝sM₁[R T]P_W,i；

其中，i表示所述至少两个特征点中的第i个特征点，P_I,i表示第i个特征点在所述图像坐标系中的齐次坐标，s表示未知常数，M₁表示所述摄像机的内部已知参数矩阵，M₂＝[R T]表示所述摄像机的外部参数矩阵，R表示根据所述当前姿态信息获得的旋转矩阵，T表示所述平移向量。

4.根据权利要求2或3所述的方法，其特征在于，所述校验飞机通过边缘检测技术和直线检测技术，提取所述跑道入口标志图像边缘的多条直线，包括：

所述校验飞机通过边缘检测技术中的罗伯茨Roberts算子提取所述跑道入口标志图像的边缘，得到二值化的边缘图像；

所述校验飞机通过直线检测技术中的Hough变换算法提取所述边缘图像的多条直线，忽略长度短于第一预设阈值的直线，融合间距小于第二预设阈值的直线，得到所述跑道入口标志图像边缘的多条直线；其中，所述第一预设阈值为所述第二预设阈值的3倍。

5.根据权利要求2或3所述的方法，其特征在于，所述校验飞机通过聚类算法对多条所述直线按照倾斜角聚类，得到第一类直线集合和第二类直线集合，包括：

所述校验飞机通过所述聚类算法对多条所述直线按照倾斜角聚类；

所述校验飞机通过第一公式计算包含直线成员最多的直线集合中，所有所述直线成员的倾斜角平均值其中，所述第一公式为：式中，G_max为所述包含所述直线成员最多的直线集合，为G_max中的所述直线成员数量，为中第i个直线成员的倾斜角；

所述校验飞机计算各所述直线与所述倾斜角平均值的差值，将与所述倾斜角平均值的差值接近90度的直线归入所述第一类直线集合，将与所述倾斜角平均值的差值小于第三预设阈值的直线归入第二类直线集合。