CN106892133B - 负载摄像装置的飞行器云台稳定性测试方法 - Google Patents
负载摄像装置的飞行器云台稳定性测试方法 Download PDFInfo
- Publication number
- CN106892133B CN106892133B CN201710121619.1A CN201710121619A CN106892133B CN 106892133 B CN106892133 B CN 106892133B CN 201710121619 A CN201710121619 A CN 201710121619A CN 106892133 B CN106892133 B CN 106892133B
- Authority
- CN
- China
- Prior art keywords
- aircraft
- stability
- camera device
- camera
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012430 stability testing Methods 0.000 title abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000013112 stability test Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 63
- 238000005096 rolling process Methods 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000011158 quantitative evaluation Methods 0.000 claims description 3
- 210000003128 head Anatomy 0.000 description 29
- 229910052751 metal Inorganic materials 0.000 description 26
- 239000002184 metal Substances 0.000 description 26
- 239000013598 vector Substances 0.000 description 9
- 239000011295 pitch Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013519 translation Methods 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 229920000535 Tan II Polymers 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- FGRBYDKOBBBPOI-UHFFFAOYSA-N 10,10-dioxo-2-[4-(N-phenylanilino)phenyl]thioxanthen-9-one Chemical compound O=C1c2ccccc2S(=O)(=O)c2ccc(cc12)-c1ccc(cc1)N(c1ccccc1)c1ccccc1 FGRBYDKOBBBPOI-UHFFFAOYSA-N 0.000 description 1
- 229920001342 Bakelite® Polymers 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000004637 bakelite Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开一种负载摄像装置的飞行器云台稳定性测试设备及方法。该负载摄像装置的飞行器云台稳定性测试设备，用于测试搭载有摄像装置的云台的稳定性，包括：第一支撑部件，设于所述第一支撑部件上的横滚驱动部件、位于所述第一支撑部件顶部的第二支撑部件，设于所述第二支撑部件一端的俯仰驱动部件和夹持所述云台的云台夹持部，所述俯仰驱动部件与所述云台夹持部通过转轴连接，所述横滚驱动部件可驱动所述第二支撑部件发生横滚运动。本发明的负载摄像装置的飞行器云台稳定性测试设备及方法，可以模拟无人飞行器在真实飞行环境下进行拍摄的情形，并能准确评价飞行器云台的稳定性。
Description
技术领域
本发明涉及无人飞行器技术领域，特别是涉及一种负载摄像装置的飞行器云台稳定性测试方法。
背景技术
近年来，无人机的概念在大众中传播越来越广泛，其相关技术的发展也相当快速。无人机是一种有动力、可控制、能携带多种任务设备、执行多种任务并能重复使用的飞行器。能够利用无线遥控设备和自身的控制装置进行控制的不载人飞行器，例如无人直升机、无人固定翼机、无人伞翼机等等。该无人机可以用于挂载拍摄装置，用于航拍、测绘、侦查等等，具有安全、快捷、方便等特点。
目前的技术中，常常是使用云台挂载相机(摄像头)，云台的稳定性直接关系到拍摄图像的质量。为了拍摄出高质量的图片，增稳云台的使用是必不可少的。这就需要对增稳云台的稳定性进行测试和评价。但是，在无人机或云台的生产测试过程中，目前鲜有用于测试云台稳定性的系统装置。通常，云台稳定性的测试，就是直接将云台及相机挂载安装在无人机上，然后进行图像拍摄，再通过肉眼查看拍摄的图像质量，根据图像的抖动程度判断云台的稳定性。这种判断方法完全依靠肉眼的判断，且受人主观意识的影响很大，不仅效率低、费时费力、使用不便，而且容易出错。
最近出现了飞行器云台稳定性测试设备，对云台稳定性进行测试，然而其测试与评价过于简单和不准确。例如对比文件CN105784346A公开一种基于数码相机的飞行器云台稳定性测试设备，包括飞行器(4)、飞行器(4)机载的锂电池(7)和云台(5)以及安装在云台(5)上的数码相机(1)。固定支架布置在飞行器外周围，飞行器顶部通过万向节固定在支撑杆下端并位于固定支架的中心，油布水平布置于固定支架框架的底面，油布上布设有标志图像，数码相机与飞行器机身刚性连接，飞行器和数码相机均经图片数据传输系统与地面的PC上位机相连接；先对数码相机进行标定，建立数码相机图像的像素位置与油布上的标志点位置之间的关系，飞行保持固定支架和油布水平平行于地面，实时采集图片数据处理得到外方位参数，方差求解后获得飞行器云台的稳定性结果。
然而上述云台稳定性测试设备并不能真实模拟无人机在环境中出现横滚运动或俯仰运动时，云台的稳定性情况，其仅用于静态测试云台稳定性，无法模拟无人机在真实环境下的情况，因而获得的飞行器云台稳定性结果并不准确。
发明内容
本发明正是基于以上一个或多个问题，提供一种负载摄像装置的飞行器云台稳定性测试方法，用以解决现有技术中存在的飞行器云台稳定性测试设备不能模拟真实飞行环境，以致稳定性测试结果不够准确的问题。
本发明提供一种负载摄像装置的飞行器云台稳定性测试方法。所述云台稳定性测试方法包括以下步骤：
S1提供一负载摄像装置的飞行器云台稳定性测试设备，所述负载摄像装置的飞行器云台稳定性测试设备包括：第一支撑部件，设于所述第一支撑部件上的横滚驱动部件、位于所述第一支撑部件顶部的第二支撑部件，设于所述第二支撑部件一端的俯仰驱动部件和夹持所述云台的云台夹持部，所述俯仰驱动部件与所述云台夹持部通过转轴连接，所述横滚驱动部件可驱动所述第二支撑部件发生横滚运动；
S2摄像装置标定步骤：标定设于所述飞行器云台的摄像装置的参数；
S3分别获取所述摄像装置在横滚向偏转状态和俯仰向偏转状态下拍摄的至少两幅图像；
S4图像预处理步骤：消除所述图像中的高斯噪声；
S5检测与匹配步骤：检测图像特征点，进行所述图像特征点匹配；
S6稳定性量化评价步骤：依据匹配后的所述图像特征点，计算出所述摄像装置在横滚向偏转状态和俯仰向偏转状态下的姿态角变化值，评价所述飞行器云台的稳定性。
优选地，所述步骤S5进一步包括以下步骤：
S51检测并提取图像特征点；
S52采用Brute-Force匹配算法进行所述图像特征点的匹配；
S53消除错误匹配的图像特征点。
优选地，所述步骤S6进一步包括：
S61依据匹配后的所述图像特征点，获取符合预设条件的旋转矩阵；
S62将所述旋转矩阵进行欧拉角转换获得所述摄像装置在横滚向偏转状态和俯仰向偏转状态下的姿态角变化值；
S63评价所述飞行器云台的稳定性。
优选地，所述步骤S61进一步包括：
S611根据匹配图像特征点对的集合来求解基础矩阵F；
S612根据基础矩阵F和所述摄像装置的参数求解本征矩阵E；
S613对所述本征矩阵E进行奇异值分解得到旋转矩阵R；
S614筛选出符合预设条件的旋转矩阵R。
本发明的负载摄像装置的飞行器云台稳定性测试方法，可以模拟无人飞行器在真实飞行环境下进行拍摄的情形，并能准确评价飞行器云台的稳定性。
附图说明
图1是本发明实施方式一的负载摄像装置的飞行器云台稳定性测试设备在一视角下的结构示意图；
图2是本发明实施方式一的负载摄像装置的飞行器云台稳定性测试设备在另一视角下的结构示意图；
图3是本发明实施方式二的负载摄像装置的飞行器云台稳定性测试方法的流程示意图；
图4是图3中步骤S5的具体流程示意图；
图5是图4中步骤S6的具体流程示意图；
图6是采用两幅图像建立基础矩阵的几何模型图。
具体实施方式
下面结合附图和实施例对本发明进行详细说明。需要说明的是，如果不冲突，本发明实施例以及实施例中的各个特征可以相互结合，均在本发明的保护范围之内。
实施方式一
请参见图1和图2，图1是本发明实施方式一的负载摄像装置的飞行器云台稳定性测试设备在一视角下的结构示意图；图2是本发明实施方式一的负载摄像装置的飞行器云台稳定性测试设备在另一视角下的结构示意图。如图1和2所示，本发明提供一种负载摄像装置的飞行器云台稳定性测试设备，用于测试搭载有摄像装置的云台的稳定性。所述飞行器云台稳定性测试设备包括：
第一支撑部件3，设于所述第一支撑部件3上的横滚驱动部件；
位于所述第一支撑部件3顶部的第二支撑部件；
设于所述第二支撑部件一端的俯仰驱动部件13和夹持所述云台的云台夹持部1，所述俯仰驱动部件与所述云台夹持部通过转轴连接，所述横滚驱动部件4可驱动所述第二支撑部件发生横滚运动。
本发明为了克服以上所述现有无人机云台稳定性测试技术的缺陷，更为有效地进行云台稳定性测试，提供一种可定量评价负载摄像装置的飞行器云台稳定性测试设备及方法，可以模拟无人飞行器在真实飞行环境下进行拍摄的情形，并能准确评价飞行器云台的稳定性，准确度和灵敏度高、使用方便快捷，有利于节省生产时间成本和售后返修成本，有利于提高产品质量和提升客户满意度。
所述飞行器云台稳定性测试设备还包括：底座2，所述底座2与所述第一支撑部件3的底部连接，用于承载所述第一支撑部件。
所述第一支撑件设有凹槽，所述凹槽自所述第一支撑件的底部延伸到所述第一支撑件的顶部，所述横滚驱动部件4安装于所述第一支撑件的靠近顶部的凹槽处。
所述第二支撑部件包括：金属支撑架，所述金属支撑架包括：第一支撑单元11、第二支撑单元6和第三支撑单元7以及第四支撑单元12，所述第一支撑单元与所述云台夹持部相对设置，所述第二支撑单元6与所述第三支撑单元7位于所述第一支撑单元11两侧，且相对平行设置，所述第四支撑单元12与所述第一支撑单元11平行且夹设于所述第二支撑单元6与所述第三支撑单元7之间。
所述第二支撑部件还包括：第一转动轴承8和第二转动轴承10以及连接所述第一转动轴承8与所述第二转动轴承10的转动轴9，所述转动轴9一端与所述第一支撑单元11连接，另一端与所述第四支撑单元12连接。
所述横滚驱动部件的转轴通过两平行设置的连接件5连接至所述第四支撑单元。
第一支撑部件3竖直固定在底座的一边边沿。一个横滚舵机通过凹槽安装固定在立体支架上，舵机转轴部分位于凹槽开口的一侧，非转轴部分位于凹槽内部。金属支撑架的构造为两根侧杆平行放置，靠近凹槽型立体支架的一端用螺丝以一定间隔固定两根横杆。两根横杆位于在凹槽型立体支架两边。在金属支撑架另一端，俯仰舵机通过其中一根侧杆上设计的孔槽安装固定在该侧杆上，俯仰舵机的转轴部分在该侧杆内侧，非转轴部分在该侧杆外侧。在金属支撑架的两根横杆之间，间隔放置两个转动轴承，两个轴承均固定在立体支架的顶端。一根金属轴杆穿过轴承和横杆上的圆形孔槽，并用螺丝固定。横滚舵机的转轴部分通过平行连杆与一根横杆连接，该横杆上设计有安装连杆的螺丝孔。金属转动板为“C”型，其一端与俯仰舵机的转动轴连接，另一端与金属支撑架上未固定俯仰舵机的侧杆连接。“C”型金属板的凹形内侧中间位置安装有一个云台固定架，该云台固定架外壳上有用于挂载云台的卡扣，内部中空安装有控制电路板。
底座2和第一支撑部件3均为电木材料，环保且易于加工和螺丝锁孔。
横滚舵机转动时，会带动横杆一起运动，进而使得金属支撑架在横滚方向也产生一定角度的运动。
俯仰舵机的转动会带动“C”型金属板一起转动，进而带动无人机底座和安装在底座上的云台产生俯仰运动。
具体来说，第一支撑部件3竖直固定在底座2的一边边沿。一个横滚舵机4通过第一支撑部件3的凹槽安装固定在第一支撑部件3上，横滚舵机4的转轴部分位于凹槽外侧，非转轴部分位于凹槽内部。金属支撑架的构造为所述第二支撑单元6与所述第三支撑单元7平行放置，靠近第一支撑部件3的一端用螺丝以一定间隔固定所述第四支撑单元12与所述第一支撑单元11。所述第四支撑单元12与所述第一支撑单元11位于在第一支撑部件3两侧。在金属支撑架另一端，俯仰舵机13通过第二支撑单元6上设计的孔槽安装固定在第二支撑单元6上，俯仰舵机13的转轴部分在第二支撑单元6内侧，非转轴部分在第二支撑单元6的外侧。在金属支撑架的所述第四支撑单元12与所述第一支撑单元11之间，间隔放置第一转动轴承8与所述第二转动轴承10，第一转动轴承8与所述第二转动轴承10均固定在第一支撑部件3的顶端。转动轴9穿过第一转动轴承8与所述第二转动轴承10和所述第四支撑单元12及所述第一支撑单元11上的圆形孔槽，并用螺丝固定。横滚舵机4的转轴部分通过平行连接件5与第四支撑单元12连接，第四支撑单元12上设计有安装连杆的螺丝孔。金属转动板1为“C”型，其一端与俯仰舵机13的转动轴连接，另一端与金属支撑架上未固定俯仰舵机的第三支撑单元7连接。金属转动板1的凹形内侧中间位置安装有一个云台固定架(图中未显示)，该云台固定架外壳上有用于挂载云台的卡扣，内部中空安装有控制电路板。
在使用本发明所提出的系统装置测试云台稳定性时，通过单片机输出一定的PWM信号分别控制横滚驱动部件(横滚舵机)4和俯仰驱动部件(俯仰舵机)13的转动，从而带动金属支撑架和金属转动板1分别进行横滚运动和俯仰运动，进而模拟出飞行器在飞行过程中出现的横滚向偏转和俯仰向偏转，更接近真实环境。
实施方式二
如图3所示，本发明在上述负载摄像装置的飞行器云台稳定性测试设备的基础上，还提供一种负载摄像装置的飞行器云台稳定性测试方法，包括以下步骤：
S1提供一负载摄像装置的飞行器云台稳定性测试设备，所述负载摄像装置的飞行器云台稳定性测试设备实施方式一所述的负载摄像装置的飞行器云台稳定性测试设备；
S2摄像装置标定步骤，标定摄像装置的参数；摄像装置的标定有很多种方法，最常见的是采用张氏棋盘标定法分别对摄像装置(这里优选为双目摄像机，也可是单目或者多目摄像机)的每一摄像头标定以获取两个摄像头的内参矩阵。本发明采用张氏棋盘标定法的基本操作步骤为：
S21打印一张棋盘格，将棋盘格贴在一个平面上，作为标定物；
S22通过调整标定物或摄像机的方向，为标定物拍摄一些不同方向的图片；
S23从图片中提取特征点；这里的特征点可以是角点，即图像中的一个特殊像素点，角点可以通过以下几种方式选出：
1.一阶导数(即图像灰度的梯度)的局部最大所对应的像素点；
2.两边缘之间或多个边缘之间的交点；
3.图像中梯度值和梯度方向的变化速率都很高的点；
4.角点处的一阶导数最大，二阶导数为零，指示物体边缘变化不连续的方向。
S24估算理想无畸变的情况下摄像机的内参矩阵；
S25应用最小二乘法估算实际存在径向畸变下的畸变系数；
S26使用最大似然法进行优化估计，提升估计精度。最大似然法(MaximumLikelihood，ML)也称为最大概似估计，也叫极大似然估计，是一种具有理论性的点估计法，此方法的基本思想是：当从模型总体随机抽取n组样本观测值后，最合理的参数估计量应该使得从模型中抽取该n组样本观测值的概率最大，而不是像最小二乘估计法旨在得到使得模型能最好地拟合样本数据的参数估计量。
S3分别获取所述摄像装置在横滚向偏转状态和俯仰向偏转状态下拍摄的至少两幅图像；具体来说，通过单片机输出一定的PWM波分别控制横滚舵机4和俯仰舵机13的转动，从而带动金属支撑架和金属转动板分别进行横滚运动和俯仰运动，进而模拟出飞行器在飞行过程中出现的横滚向偏转和俯仰向偏转。然后在横滚向偏转状态下和俯仰向偏转状态下，摄像装置进行拍摄图像。至一个实施例中，摄像装置包括两个摄像机，分别安装在云台的不同位置，一个摄像机是用于拍摄飞行器前方的图像，也即拍摄用户需要的图像；一个摄像机用于拍摄飞行器下方的图像，用于飞行器定位。
S4图像预处理步骤：消除所述图像中的高斯噪声；这里主要采用高斯滤波算法，用于消除图像中的高斯噪声，本发明在进行高斯滤波时使用5×5矩阵模版(也可以是7×7矩阵模版)扫描图像中的每个像素，用该模版确定的区域内各像素的加权平均灰度值作为模版中心像素点的像素值。采用上述矩阵模板可以获得较为准确的模版中心像素点的像素值。
S5检测与匹配步骤：检测图像特征点，进行所述图像特征点匹配；
请参见图4，在一个具体实施例中，所述步骤S5进一步包括以下步骤：
S51检测并提取图像特征点；
S52采用Brute-Force匹配算法进行所述图像特征点的匹配；具体来说，图像特征点检测提取与匹配采用以下方式实现：ORB(Oriented Brief)特征提取或FAST(featuresfrom accelerated segment test)角点检测或BREIF(Binary Robust IndependentElementary Features)特征描述。这里优选使用ORB特征提取。
ORB特征提取是对FAST特征点检测与BREIF特征描述子的一种结合与改进，可以有效的克服图像中出现的光照、旋转、尺度等变化，而且计算量很小，可以满足实时性。首先，采用分块降采样处理方法获取均匀分布的ORB特征，从而获得更为稳定的相机姿态。
然后采用采用Brute-Force匹配算法进行图像特征点匹配。
具体来说，Brute-Force匹配算法(称为简单匹配算法，又称为BF匹配算法)，Brute-Force匹配算法的基本思想为：对第一图像中每一个特征点Pi，与第二图像中所有的特征点Pj，测量描述子距离，描述子距离表示两个特征点之间的相似程度。然后排序，取相似程度最近的一个作为匹配点。在实际应用中，通常这种描述子距离可以用不同的距离范数进行度量，本发明中采用汉明距离(Hamming distance)进行度量。汉明距离度量方式是将一个字符串变换成另外一个字符串所需要替换的字符个数，比如2143896与2233796之间的汉明距离是3。
在一个具体实施例中，ORB特征提取是对FAST特征点检测与BREIF特征描述子的一种结合与改进，可以有效的克服图像中出现的光照、旋转、尺度等变化，而且计算量很小，可以满足实时性。首先，采用分块降采样处理方法获取均匀分布的ORB特征，从而获得更为稳定的摄像机姿态。其中包括两个步骤：
1.采用FAST算法来检测特征点。这个定义基于特征点周围的图像灰度值，检测候选特征点周围一圈的像素值，如果候选点周围领域内有足够多的像素点与该候选点的灰度值差别够大，则认为该候选点为一个特征点。
2.得到特征点后我们需要以某种方式描述这些特征点的属性。这些属性的输出我们称之为该特征点的描述子(Feature Descriptors)。采用BRIEF算法来计算一个特征点的描述子，该算法的核心思想是在关键点P的周围以一定模式选取N个点对，把这N个点对的比较结果组合起来作为描述子。其基本步骤为步骤：
a.以特征点P为圆心，以d为半径做圆O。
b.在圆O内某一模式选取N个点对，如N＝4。假设当前选取的4个点对如上图所示分别标记为：P1(A,B)，P2(A,B)，P3(A,B)，P4(A,B)。
c.设定规则，当点A的灰度值大于点B的灰度值时，定义点对P(A,B)的描述值T[P(A,B)]为1，否则为0。
d.分别对已选取的点对进行求取描述值，将得到的结果进行组合得到描述子。
例如：T[P1(A,B)]＝1；
T[P2(A,B)]＝0；
T[P3(A,B)]＝0；
T[P4(A,B)]＝1；
则特征点P的描述子为1001。
S53消除错误匹配的图像特征点。具体来说，采用以下方式消除错误匹配的图像特征点：
S531采用向量场一致性算法(Vector Field Consensus,简称VFC算法)第一次消除错误匹配的图像特征点。VFC实际上就是一种鲁棒向量插值算法，利用向量场的光滑先验，从具有离群值的样本中寻找向量场的鲁棒估计，并且用于图像的特征匹配。
在贝叶斯框架下，将插值问题形式化为一个最大后验估计问题，对每一个向量场样本关联一个隐变量用以指示该样本为内点还是离群点，并采用一个先验模型来约束向量场的平滑性。然后，查找离群值，具体来说就是从图像特征点数据中找出与其他数值相比差异较大的数据作为离群值；之后进行鲁棒估计，即对估计方法容忍离群值数据的能力的估计；
S532采用随机抽样一致性(RANSAC,RANdom SAmple Consensus)算法第二次消除错误匹配的图像特征点。
具体来说，本发明采用RANSAC算法有以下步骤：
(1)随机从数据集中随机抽出4个样本数据(此4个样本之间不能共线)，计算出变换矩阵H，记为模型M；
(2)计算数据集中所有数据与模型M的投影误差，若误差小于阈值，加入内点集I；
(3)如果当前内点集I元素个数大于最优内点集I_best,则更新I_best＝I，同时更新迭代次数k；
(4)如果迭代次数大于k,则退出；否则迭代次数加1，并重复上述步骤；其中，一般迭代次数k在不大于最大迭代次数的情况下，是在不断更新而不是固定的；
K＝Log(1-p)/Log(1-wm)
其中，p为置信度，一般取0.995；w为"内点"的比例；m为计算模型所需要的最少样本数＝4。
本发明利用VFC算法先消除大部分的误匹配，再通过RANSAC算法进一步消除误匹配，从而可以精确地消除图像特征点的误匹配，提升了云台稳定性测试结果准确性。
S6稳定性量化评价步骤：依据匹配后的所述图像特征点，计算出所述摄像装置在横滚向偏转状态和俯仰向偏转状态下的姿态角变化值，评价所述飞行器云台的稳定性。
请参见图5，在一个具体实施例中，所述步骤S6进一步包括：
S61依据匹配后的所述图像特征点，获取符合预设条件的旋转矩阵；
S62将所述旋转矩阵进行欧拉角转换获得所述摄像装置在横滚向偏转状态和俯仰向偏转状态下的姿态角变化值；
S63评价所述飞行器云台的稳定性。
在一个具体实施例中，所述步骤S61进一步包括：
S611根据匹配图像特征点对的集合来求解基础矩阵F；
S612根据基础矩阵F和所述摄像装置的参数求解本征矩阵E；
S613对所述本征矩阵E进行SVD分解(奇异值分解)得到旋转矩阵R；这里的SVD分解也即奇异值分解(Singular Value Decomposition)，是线性代数中一种重要的矩阵分解，奇异值分解则是特征分解在任意矩阵上的推广。
S614筛选出符合预设条件的旋转矩阵R。
具体来说，基础矩阵、本征矩阵的获得方式如下：
1.基础矩阵F：将一幅图像中的点P和另外一幅图像中的匹配点Q结合起来，并且满足QTFP＝0，当有很多正确的匹配点对(P，Q)时，上述方程即为一个超定方程组，采用最小二乘即可求解出基础矩阵F；
2.而基础矩阵F和本征矩阵满足如下关系式：F＝KTEK，K为标定出的摄像机的参数(这里是内参矩阵)，则可以由摄像机的内参矩阵K和基础矩阵F求解出摄像机的本征矩阵E；
在对极几何中，通常根据两组二维图像特征点对摄像机的运动情况进行估计，如图6所示，两个摄像机的中心分别为O1、O2，P1，P2分别为三维空间内的点P在两个像平面的像点，e1，e2分别为O1，O2在两个像平面的像点；P1e1与P2e2分别表示极线，即极平面(O1PO2)与两个像平面的交线。假设第一图像I1中有一个特征点p1，它在第二图像I2中对应的特征点为p2，p1和p2对应的三维空间坐标P为：
P＝[X,Y,Z]T
根据针孔摄像机模型，可以知道两个像素点p1和p2对应的像素坐标满足：：
s1p1＝KP,s2p2＝K(RP+t)
其中，K为摄像机的内参矩阵，R、t分别为第二图像相对于第一图像的旋转矩阵和平移向量；s1与s2为尺度因子，只是为了方便运算，对于齐次坐标，尺度因子不会改变坐标值的。因为标定物是平面，所以我们可以把世界坐标系构造在Z＝0的平面上，然后进行单应性计算，采用齐次坐标形式，上式可以写成：
p1＝KP,p2＝K(RP+t)
消去点P则得到对极约束方程：
对极约束方程的几何含义为摄像机中心O1，三维物点P，摄像机中心O2共面。对极约束方程中包含了旋转部分和平移部分，故而可以通过点匹配求解摄像机运动的姿态变化。其中，
E＝t^R
称为本征矩阵，而基础矩阵F为：
F＝K-Tt∧RK-1
由上述表达式可以认为基础矩阵与像素坐标之间存在关系。
3.摄像机的本征矩阵E包含了摄像机之间的平移关系T和旋转关系R，将E进行奇异值(Singular Value Decomposition，SVD)分解可得到旋转矩阵R和平移向量T。具体来说，设E＝UDVT＝RS，其中U和V是正交矩阵，D为奇异值矩阵，且D＝diag(σ，σ，0)，而R为旋转矩阵，S为由平移向量构成的反对称矩阵，设T＝(Tx，Ty，Tz)，则
对E进行SVD分解可得到R和T。
传统的筛选旋转矩阵R的方法是根据三角化匹配点，通过统计处于图像正前方的点数来做判断，但是此处选择旋转矩阵R，完全可以利用旋转矩阵R的特性来判断：这里旋转矩阵的行列式为1，并且主对角线上的三个元素接近1，利用这两个特征即可以有效选取旋转矩阵R。
上述步骤S62进一步包括：
设本征矩阵分解得到的旋转矩阵为：
那么可求得各旋转轴角度为：
yaw＝a tan 2(r21,r11)
roll＝a tan 2(r32,r33)
其中，atan为反正切函数，atan2是指当x的绝对值比y的绝对值大时使用atan(y/x)，反之使用atan(x/y)，从而保证了数值的稳定性，利用这些数值来评价云台的稳定性。
综上所述，本发明使用ORB特征的视觉里程计的算法计算摄像机姿态角的变化，其基本思路为：先对摄像机进行标定，求出摄像机内参矩阵K；然后，读取摄像机拍摄的多张图片，并对图片进行预处理；提取多张图片中的特征点，并对特征点进行匹配处理以及无匹配消除；接着计算出相应的基础矩阵、本征矩阵以及旋转矩阵；最后根据旋转矩阵得到摄像机运动姿态角。稳定性测试流程：使用本发明所提出的稳定性测试设备，将安装摄像机后的云台固定在云台固定架上，通过控制两个电机转动分别模拟飞行器不同的横滚向偏转状态和俯仰向偏转状态。设置摄像机以一定的时间间隔对特定目标(标志物)拍摄图像，再对拍摄的图像进行比对分析，从而得到飞行器在不同的横滚向或俯仰向偏转过程中，云台横滚轴与俯仰轴的具体偏转角度，进而判断云台的稳定性能。
本发明的负载摄像装置的飞行器云台稳定性测试方法，可以模拟无人飞行器在真实飞行环境下进行拍摄的情形，并能准确评价飞行器云台的稳定性。
以上对本发明所提供的一种负载摄像装置的飞行器云台稳定性测试设备及方法，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。不应理解为对本发明的限制。
Claims (4)
1.一种负载摄像装置的飞行器云台稳定性测试方法，其特征在于，所述云台稳定性测试方法包括以下步骤：
S1提供一负载摄像装置的飞行器云台稳定性测试设备，所述负载摄像装置的飞行器云台稳定性测试设备包括：第一支撑部件，设于所述第一支撑部件上的横滚驱动部件、位于所述第一支撑部件顶部的第二支撑部件，设于所述第二支撑部件一端的俯仰驱动部件和夹持所述云台的云台夹持部，所述俯仰驱动部件与所述云台夹持部通过转轴连接，所述横滚驱动部件可驱动所述第二支撑部件发生横滚运动；
S2摄像装置标定步骤：标定设于所述飞行器云台的摄像装置的参数；
S3分别获取所述摄像装置在横滚向偏转状态和俯仰向偏转状态下拍摄的至少两幅图像；
S4图像预处理步骤：消除所述图像中的高斯噪声；
S5检测与匹配步骤：检测图像特征点，进行所述图像特征点匹配；
S6稳定性量化评价步骤：依据匹配后的所述图像特征点，计算出所述摄像装置在横滚向偏转状态和俯仰向偏转状态下的姿态角变化值，评价所述飞行器云台的稳定性。
2.如权利要求1所述的负载摄像装置的飞行器云台稳定性测试方法，其特征在于，所述步骤S5进一步包括以下步骤：
S51检测并提取图像特征点；
S52采用Brute-Force匹配算法进行所述图像特征点的匹配；
S53消除错误匹配的图像特征点。
3.如权利要求1或2所述的负载摄像装置的飞行器云台稳定性测试方法，其特征在于，所述步骤S6进一步包括：
S61依据匹配后的所述图像特征点，获取符合预设条件的旋转矩阵；
S62将所述旋转矩阵进行欧拉角转换获得所述摄像装置在横滚向偏转状态和俯仰向偏转状态下的姿态角变化值；
S63评价所述飞行器云台的稳定性。
4.如权利要求3所述的负载摄像装置的飞行器云台稳定性测试方法，其特征在于，所述步骤S61进一步包括：
S611根据匹配图像特征点对的集合来求解基础矩阵F；
S612根据基础矩阵F和所述摄像装置的参数求解本征矩阵E；
S613对所述本征矩阵E进行奇异值分解得到旋转矩阵R；
S614筛选出符合预设条件的旋转矩阵R。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710121619.1A CN106892133B (zh) | 2017-03-02 | 2017-03-02 | 负载摄像装置的飞行器云台稳定性测试方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710121619.1A CN106892133B (zh) | 2017-03-02 | 2017-03-02 | 负载摄像装置的飞行器云台稳定性测试方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106892133A CN106892133A (zh) | 2017-06-27 |
| CN106892133B true CN106892133B (zh) | 2019-12-27 |
Family
ID=59185438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710121619.1A Active CN106892133B (zh) | 2017-03-02 | 2017-03-02 | 负载摄像装置的飞行器云台稳定性测试方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106892133B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019019152A1 (zh) * | 2017-07-28 | 2019-01-31 | 深圳市大疆创新科技有限公司 | 云台可靠性测试方法与装置 |
| CN109084675A (zh) * | 2018-06-04 | 2018-12-25 | 哈尔滨工业大学 | 基于嵌入式的几何特征与Zernike矩结合的圆心定位装置与方法 |
| CN109117851A (zh) * | 2018-07-06 | 2019-01-01 | 航天星图科技（北京）有限公司 | 一种基于网格统计约束的视频图像匹配方法 |
| CN109544584B (zh) * | 2018-11-30 | 2021-03-16 | 国网智能科技股份有限公司 | 一种实现巡检稳像精度测量的方法及系统 |
| CN109466795B (zh) * | 2018-12-04 | 2022-03-29 | 湖南山河科技股份有限公司 | 一种无人直升机自动测试平台 |
| CN111742278A (zh) * | 2019-04-30 | 2020-10-02 | 深圳市大疆创新科技有限公司 | 云台的模拟控制方法、控制装置、设备及计算机存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103287587B (zh) * | 2013-06-17 | 2015-10-07 | 西北工业大学 | 一种垂直起降飞机地面模拟飞行试验平台 |
| US9488589B2 (en) * | 2013-10-29 | 2016-11-08 | The Boeing Company | Mapping damaged regions on objects |
| CN203902846U (zh) * | 2014-04-18 | 2014-10-29 | 深圳市大疆创新科技有限公司 | 一种负载的承载平台及拍摄装置、飞行器 |
| CN105784346B (zh) * | 2016-04-13 | 2018-05-08 | 中国计量学院 | 基于数码相机的飞行器云台稳定性测试方法 |
| CN205675261U (zh) * | 2016-06-24 | 2016-11-09 | 济宁学院 | 用于机载云台测试的旋翼机飞行模拟平台 |
-
2017
- 2017-03-02 CN CN201710121619.1A patent/CN106892133B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106892133A (zh) | 2017-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106892133B (zh) | 负载摄像装置的飞行器云台稳定性测试方法 | |
| CN111735479B (zh) | 一种多传感器联合标定装置及方法 | |
| US10909721B2 (en) | Systems and methods for identifying pose of cameras in a scene | |
| CN109029299B (zh) | 舱段销孔对接转角的双相机测量装置及测量方法 | |
| CN110231025B (zh) | 一种基于捷联式偏振光罗盘的动态定向方法及系统 | |
| CN106625673A (zh) | 狭小空间装配系统及装配方法 | |
| CN111380703A (zh) | 基于轮定位仪将校准装置对准车辆的方法及校准系统 | |
| WO2023165632A1 (zh) | 基于振镜相机的主动视觉三维标定方法、系统和设备 | |
| CN109711400A (zh) | 一种识别模拟指针式仪表读数的电力巡检方法和装置 | |
| US20220230348A1 (en) | Method and apparatus for determining a three-dimensional position and pose of a fiducial marker | |
| CN106846414B (zh) | 一种基于可变标定目标的主动视觉相机标定方法 | |
| CN113155047B (zh) | 长距离孔距测量装置、方法、存储介质、设备及轨道车辆 | |
| CN114993608B (zh) | 一种风洞模型三维姿态角测量方法 | |
| CN112712565A (zh) | 基于视觉与imu融合的飞机蒙皮损伤无人机绕检定位方法 | |
| CN115717867A (zh) | 一种基于机载双相机和目标追踪的桥梁变形测量方法 | |
| CN107146257B (zh) | 一种自适应水质的水下相机标定装置 | |
| CN115770989A (zh) | 3d相机点云配准的焊接工件初定位系统和方法 | |
| CN116608937A (zh) | 基于计算机视觉的大型柔性结构振动模态辨识方法与试验装置 | |
| CN116051650A (zh) | 激光雷达与相机联合的外部参数标定方法及装置 | |
| CN111738971B (zh) | 一种基于线激光双目立体视觉的电路板立体扫描检测方法 | |
| CN113658270B (zh) | 基于工件孔心的多目视觉标定的方法、装置、介质及系统 | |
| CN109211186B (zh) | 一种非接触快速测定空间中两点距离的方法 | |
| CN114001651A (zh) | 一种基于双目视觉测量和先验检测数据的大型细长筒类构件位姿原位测量方法 | |
| CN111754584A (zh) | 一种远距离大视场相机参数标定系统和方法 | |
| CN112419423A (zh) | 一种标定方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231227 Address after: 518000 Room 501, block a, West Industrial Building, Gongyuan Road, zone 22, Xin'an street, Bao'an District, Shenzhen, Guangdong Province Patentee after: SHENZHEN SIMTOO INTELLIGENT TECHNOLOGY Co.,Ltd. Address before: 430070 room 3001, 3rd floor, Nanhu Pioneer Park, 53 Nanhu Avenue, Hongshan District, Wuhan City, Hubei Province Patentee before: WUHAN XINGXUN INTELLIGENT TECHNOLOGY CO.,LTD. |