CN108917768A - 无人机定位导航方法和系统 - Google Patents

Abstract

本发明提供了一种无人机定位导航方法和系统，该方法，包括：采集无人机当前所在区域的地面图像；对所述地面图像进行预处理，得到预处理后的地面图像；将所述预处理后的地面图像与数据库中预先存储的参考图像进行匹配，若匹配正确，则对所述预处理后的地面图像进行阈值分割，得到不同的图像区域；对每个所述图像区域进行边界轮廓检测，得到所述图像区域的边界轮廓；根据所述边界轮廓的高阶矩，获取无人机的定位结果。从而可以解决无人机定位不准确的问题，与现有的定位方法相比，有效地提升了无人机的定位结果的准确性和效率，适用性更广。

Description

无人机定位导航方法和系统

技术领域

本发明涉及图像处理技术领域，具体地，涉及无人机定位导航方法和系统。

背景技术

随着无人机技术的发展，无人机的使用越来越广泛。在生活中，无人机可以开展勘查事故现场以及进行事故现场救援。例如，亚马逊已经开始尝试使用无人机来派送快递，国内也正在尝试使用这样的“快递员”来完成派送任务。但是，无人机的定位导航经常会出现定位不准确，或者是定位错的情况，从而影响无人机对任务的执行效果。

现有的无人机定位方法，经常依靠定位地标性建筑来获取无人机自身的定位结果，但是如果在开阔的地带，缺少地标性建筑物的时候，无人机就会出现定位不准确的问题。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种无人机定位导航方法和系统。

第一方面，本发明实施例提供一种无人机定位导航方法，包括：

采集无人机当前所在区域的地面图像；

对所述地面图像进行预处理，得到预处理后的地面图像；

将所述预处理后的地面图像与数据库中预先存储的参考图像进行匹配，若匹配正确，则对所述预处理后的地面图像进行阈值分割，得到不同的图像区域；

对每个所述图像区域进行边界轮廓检测，得到所述图像区域的边界轮廓；

根据所述边界轮廓的高阶矩，获取无人机的定位结果。

可选地，采集无人机当前所在区域的地面图像，包括：

当无人机飞行在待定位的区域上空时，通过无人机上的摄像头拍摄所述无人机当前所在区域的地面图像。

可选地，对所述地面图像进行预处理，得到预处理后的地面图像，包括：

提高所述地面图像的亮度和对比度，并对所述地面图像的轮廓进行平滑处理，得到调整后的地面图像；

对所述调整后的地面图像进行灰度处理，得到对应的灰度图像；

对所述灰度图像进行高斯滤波处理，并用预设的3*3模板进行降噪处理，得到预处理后的地面图像。

可选地，将所述预处理后的地面图像与数据库中预先存储的参考图像进行匹配，包括：

将所述预处理后的地面图像与数据库中预先存储的参考图像进行尺度不变特征变换尺度不变特征变换(Scale-invariant feature transform，SIFT)特征匹配，若SIFT特征匹配一致，则确定所述预处理后的地面图像与数据库中预先存储的参考图像匹配正确；否则，确定所述预处理后的地面图像与数据库中预先存储的参考图像匹配错误，输出错误提示信息。

可选地，对所述预处理后的地面图像进行阈值分割，得到不同的图像区域，包括：

遍历所述预处理后的地面图像，按照不同的灰度级，将所述预处理后的地面图像划分为不同的图像区域。

可选地，根据所述边界轮廓的高阶矩，获取无人机的定位结果，包括：

根据所述图像区域的边界轮廓上的像素点在地面图像中的坐标，得到所述边界轮廓的高阶矩；

将所述边界轮廓的高阶矩与数据库中预先存储的参考图像的高阶矩进行比对，若比对结果的误差在预设的误差范围内，则将所述参考图像对应的位置信息作为无人机的定位结果。

可选地，还包括：

根据无人机的定位结果，进行无人机导航。

第二方面，本发明实施例提供一种无人机定位导航系统，应用在无人机上，且所述无人机配置有便携式相机、无线局域网络、数据处理器、信号接收发射器以及服务器；该系统用于执行如第一方面中任一项所述的无人机定位导航方法，包括：

采集模块，用于采集无人机当前所在区域的地面图像；

预处理模块，用于对所述地面图像进行预处理，得到预处理后的地面图像；

匹配模块，用于将所述预处理后的地面图像与数据库中预先存储的参考图像进行匹配，若匹配正确，则对所述预处理后的地面图像进行阈值分割，得到不同的图像区域；

检测模块，用于对每个所述图像区域进行边界轮廓检测，得到所述图像区域的边界轮廓；

定位模块，用于根据所述边界轮廓的高阶矩，获取无人机的定位结果。

可选地，所述采集模块，具体用于：

当无人机飞行在待定位的区域上空时，通过无人机上的摄像头拍摄所述无人机当前所在区域的地面图像。

可选地，所述预处理模块，具体用于：

提高所述地面图像的亮度和对比度，并对所述地面图像的轮廓进行平滑处理，得到调整后的地面图像；

对所述调整后的地面图像进行灰度处理，得到对应的灰度图像；

对所述灰度图像进行高斯滤波处理，并用预设的3*3模板进行降噪处理，得到预处理后的地面图像。

可选地，所述匹配模块，具体用于：

将所述预处理后的地面图像与数据库中预先存储的参考图像进行尺度不变特征变换SIFT特征匹配，若SIFT特征匹配一致，则确定所述预处理后的地面图像与数据库中预先存储的参考图像匹配正确；否则，确定所述预处理后的地面图像与数据库中预先存储的参考图像匹配错误，输出错误提示信息。

可选地，所述匹配模块，还用于：

遍历所述预处理后的地面图像，按照不同的灰度级，将所述预处理后的地面图像划分为不同的图像区域。

可选地，所述定位模块，具体用于：

根据所述图像区域的边界轮廓上的像素点在地面图像中的坐标，得到所述边界轮廓的高阶矩；

将所述边界轮廓的高阶矩与数据库中预先存储的参考图像的高阶矩进行比对，若比对结果的误差在预设的误差范围内，则将所述参考图像对应的位置信息作为无人机的定位结果。

可选地，还包括：导航模块，用于根据无人机的定位结果，进行无人机导航。

第三方面，本发明实施例还提供一种定位设备，所述定位设备加载在无人机上；所述定位设备包括：处理器和存储器，所述存储器中存储有计算机程序，当处理器调用所述存储器中的计算机程序时，可以执行如上述第一方面中任一项所述的无人机定位导航方法。

与现有技术相比，本发明具有如下的有益效果：

本发明提供的无人机定位导航方法和系统，通过采集无人机当前所在区域的地面图像；对所述地面图像进行预处理，得到预处理后的地面图像；将所述预处理后的地面图像与数据库中预先存储的参考图像进行匹配，若匹配正确，则对所述预处理后的地面图像进行阈值分割，得到不同的图像区域；对每个所述图像区域进行边界轮廓检测，得到所述图像区域的边界轮廓；根据所述边界轮廓的高阶矩，获取无人机的定位结果。从而可以解决无人机定位不准确的问题，与现有的定位方法相比，有效地提升了无人机的定位结果的准确性和效率，适用性更广。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明实施例提供的无人机定位导航方法的流程图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

图1为本发明实施例提供的无人机定位导航方法的流程图，如图1所示，本实施例中的方法可以包括：

S101、采集无人机当前所在区域的地面图像。

本实施例中，当无人机飞行在待定位的区域上空时，可以通过无人机上的摄像头拍摄所述无人机当前所在区域的地面图像。使用无人机采集图像的方式非常快速便捷。

S102、对所述地面图像进行预处理，得到预处理后的地面图像。

本实施例中，可以首先提高所述地面图像的亮度和对比度，并对所述地面图像的轮廓进行平滑处理，得到调整后的地面图像；然后对所述调整后的地面图像进行灰度处理，得到对应的灰度图像；对所述灰度图像进行高斯滤波处理，并用预设的3*3模板进行降噪处理，得到预处理后的地面图像。这样会有利于图像匹配，减少了一些不必要的噪声带来的影响。

S103、将所述预处理后的地面图像与数据库中预先存储的参考图像进行匹配，若匹配正确，则对所述预处理后的地面图像进行阈值分割，得到不同的图像区域。

本实施例中，可以将所述预处理后的地面图像与数据库中预先存储的参考图像进行尺度不变特征变换SIFT特征匹配，若SIFT特征匹配一致，则确定所述预处理后的地面图像与数据库中预先存储的参考图像匹配正确；否则，确定所述预处理后的地面图像与数据库中预先存储的参考图像匹配错误，输出错误提示信息。进一步地，若匹配正确遍历所述预处理后的地面图像，按照不同的灰度级，将所述预处理后的地面图像划分为不同的图像区域。具体地，根据不同的灰度级，对像素集合进行一个划分，各个图像区域内部具有一致的阈值，而相邻区域的阈值都不相同，这样就将图像分割成不同的区域。需要说明的是，阈值分割采用的是多个阈值分割的方法，采集到的图像数据很难使用单个阈值或者是全局阈值直接进行分割，多阈值分割方法可以扩展到任意数量的分类。

具体地，SIFT算法特征匹配对旋转、尺度缩放、亮度变化保持不变性，对于视角变化、仿射变换也保持一定的稳定性，所以利用SIFT算法是比较好的选择；在图像预处理的过程中，对图像进行了增强亮度以及对比度，所以首选是使用SIFT算法进行匹配。

SIFT算法匹配步骤如下：

(1)尺度空间的关键点检测

SIFT算法先对图像进行高斯卷积建立尺度空间，图像的尺度空间定义为：

L(x,y,σ)＝G(x,y,σ)*I(x,y)

其中，*表示卷积运算，x表示x方向的坐标值，y表示y方向的坐标值，I(x,y)表示待检测图像，σ为可变核，即尺度空间因子，值越小表示图像被平滑的越少，相应的尺度也就越小。

G(x,y,σ)表示为m，n表示为高斯模板的维度。

(2)关键点定位

通过拟合三维二次函数来精确确定关键点的位置和尺度，同时去除低对比度的关键点和不稳定的边缘响应点(因为DoG算子会产生较强的边缘响应)，以增强匹配稳定性、提高抗噪声能力。

(3)确定关键点方向

在确定关键点的方向参数的时候，可以利用边缘强度m(x,y)和边缘方向θ(x,y)来进行求解。公式如下：

θ(x,y)＝tan^-1(L(x+1,y)-L(x-1,y))/(L(x,y+1)-L(x,y-1))

其中，(L(x+1,y)表示(x,y)坐标点的右边特征点的尺度，L(x-1,y)表示(x,y)坐标点的左边特征点的尺度，(L(x,y+1)表示(x,y)坐标点的上边特征点的尺度，L(x,y-1)示(x,y)坐标点的下边特征点的尺度。

利用图像中关键点附近像素的梯度方向分布特征来为每个关键点指定方向。先在关键点为中心的区域采样，利用直方图表示出区域内像素的主要的梯度方向，将直方图的峰值作为该区域的特征点的主方向。

如果在进行特征匹配的时候，就已经数据库部分与采集图像不相符，就直接输出错误信息；如果数据库图像部分与采集图像符合特征匹配，那么就进行下一步，知道最后输出精确信息。

本实施例中利用SIFT算法特征匹配和轮廓矩不变结合的匹配方法，这样能够提高配准率已经更加精准的地位与导航，提高了无人机的工作效率，降低了错误率以及保证了时效性。

S104、对每个所述图像区域进行边界轮廓检测，得到所述图像区域的边界轮廓。

本实施例中，对每个图像区域进行区域边界轮廓检测，从而得到整幅地面图像中每个图像区域的边界轮廓；得到边界的同时，同时能够得到边界轮廓像素点在地面图像中的坐标，通过这些坐标就可以计算轮廓边界的高阶矩。

S105、根据所述边界轮廓的高阶矩，获取无人机的定位结果。

本实施例中，可以根据所述图像区域的边界轮廓上的像素点在地面图像中的坐标，得到所述边界轮廓的高阶矩；将所述边界轮廓的高阶矩与数据库中预先存储的参考图像的高阶矩进行比对，若比对结果的误差在预设的误差范围内，则将所述参考图像对应的位置信息作为无人机的定位结果。进一步地，根据无人机的定位结果，进行无人机导航。

具体地，高阶矩的计算结果将直接影响最后结果信息的输出。

图像的高阶矩是矩不变量在欧式变换群下的整体不变量。这些矩不变量为旋转、平移和尺度不变量，容易受到噪声的影响，但是已经得到了优化，例如此处就是使用了轮廓矩不变量来进行计算以及匹配的。

离散情况下，假设图像f(m,n)的灰度值函数在目标函数曲线C上，所以C的(p+q)阶轮廓几何矩为：式中：p,q＝0,1,2,3,....,p+q＝2,3,...。(p+q)阶的轮廓中心矩为：

其中：m_ctr＝m₁₀/m₀₀以及n_ctr＝m₀₁/m₀₀分别表示的是目标轮廓的几何中心；μ₀₀＝m₀₀则表示的为零阶的轮廓的中心矩。

当轮廓中心矩大于一阶的时候，则可以表示为：所以由上式可以得到，当μ₁₀＝μ₀₁＝0时，得到的规范化的轮廓中心矩为：

得到轮廓矩，再与原始数据库中图像部分的轮廓矩进行比较，输出最后匹配准信息。

本实施例，通过采集无人机当前所在区域的地面图像；对所述地面图像进行预处理，得到预处理后的地面图像；将所述预处理后的地面图像与数据库中预先存储的参考图像进行匹配，若匹配正确，则对所述预处理后的地面图像进行阈值分割，得到不同的图像区域；对每个所述图像区域进行边界轮廓检测，得到所述图像区域的边界轮廓；根据所述边界轮廓的高阶矩，获取无人机的定位结果。从而可以解决无人机定位不准确的问题，与现有的定位方法相比，有效地提升了无人机的定位结果的准确性和效率，适用性更广。

本发明实施例还提供一种定位设备，所述定位设备加载在无人机上；所述定位设备包括：处理器和存储器，所述存储器中存储有计算机程序，当处理器调用所述存储器中的计算机程序时，可以执行如上述的无人机定位导航方法。

需要说明的是，本发明提供的所述无人机定位导航方法中的步骤，可以利用所述无人机定位导航系统中对应的模块、装置、单元等予以实现，本领域技术人员可以参照所述系统的技术方案实现所述方法的步骤流程，即，所述系统中的实施例可理解为实现所述方法的优选例，在此不予赘述。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种无人机定位导航方法，其特征在于，包括：

采集无人机当前所在区域的地面图像；

对所述地面图像进行预处理，得到预处理后的地面图像；

将所述预处理后的地面图像与数据库中预先存储的参考图像进行匹配，若匹配正确，则对所述预处理后的地面图像进行阈值分割，得到不同的图像区域；

对每个所述图像区域进行边界轮廓检测，得到所述图像区域的边界轮廓；

根据所述边界轮廓的高阶矩，获取无人机的定位结果。

2.根据权利要求1所述的无人机定位导航方法，其特征在于，采集无人机当前所在区域的地面图像，包括：

当无人机飞行在待定位的区域上空时，通过无人机上的摄像头拍摄所述无人机当前所在区域的地面图像。

3.根据权利要求1所述的无人机定位导航方法，其特征在于，对所述地面图像进行预处理，得到预处理后的地面图像，包括：

提高所述地面图像的亮度和对比度，并对所述地面图像的轮廓进行平滑处理，得到调整后的地面图像；

对所述调整后的地面图像进行灰度处理，得到对应的灰度图像；

对所述灰度图像进行高斯滤波处理，并用预设的3*3模板进行降噪处理，得到预处理后的地面图像。

4.根据权利要求1所述的无人机定位导航方法，其特征在于，将所述预处理后的地面图像与数据库中预先存储的参考图像进行匹配，包括：

将所述预处理后的地面图像与数据库中预先存储的参考图像进行尺度不变特征变换SIFT特征匹配，若SIFT特征匹配一致，则确定所述预处理后的地面图像与数据库中预先存储的参考图像匹配正确；否则，确定所述预处理后的地面图像与数据库中预先存储的参考图像匹配错误，输出错误提示信息。

5.根据权利要求1所述的无人机定位导航方法，其特征在于，对所述预处理后的地面图像进行阈值分割，得到不同的图像区域，包括：

遍历所述预处理后的地面图像，按照不同的灰度级，将所述预处理后的地面图像划分为不同的图像区域。

6.根据权利要求1所述的无人机定位导航方法，其特征在于，根据所述边界轮廓的高阶矩，获取无人机的定位结果，包括：

根据所述图像区域的边界轮廓上的像素点在地面图像中的坐标，得到所述边界轮廓的高阶矩；

将所述边界轮廓的高阶矩与数据库中预先存储的参考图像的高阶矩进行比对，若比对结果的误差在预设的误差范围内，则将所述参考图像对应的位置信息作为无人机的定位结果。

7.根据权利要求1-6中任一项所述的无人机定位导航方法，其特征在于，还包括：

根据无人机的定位结果，进行无人机导航。

8.一种无人机定位导航系统，应用在无人机上，且所述无人机配置有便携式相机、无线局域网络、数据处理器、信号接收发射器以及服务器；其特征在于，用于执行如权利要求1-7中任一项所述的无人机定位导航方法，包括：

采集模块，用于采集无人机当前所在区域的地面图像；

预处理模块，用于对所述地面图像进行预处理，得到预处理后的地面图像；

匹配模块，用于将所述预处理后的地面图像与数据库中预先存储的参考图像进行匹配，若匹配正确，则对所述预处理后的地面图像进行阈值分割，得到不同的图像区域；

检测模块，用于对每个所述图像区域进行边界轮廓检测，得到所述图像区域的边界轮廓；

定位模块，用于根据所述边界轮廓的高阶矩，获取无人机的定位结果。

9.根据权利要求8所述的无人机定位导航系统，其特征在于，所述采集模块，具体用于：

当无人机飞行在待定位的区域上空时，通过无人机上的摄像头拍摄所述无人机当前所在区域的地面图像。

10.根据权利要求8所述的无人机定位导航系统，其特征在于，所述预处理模块，具体用于：

提高所述地面图像的亮度和对比度，并对所述地面图像的轮廓进行平滑处理，得到调整后的地面图像；

对所述调整后的地面图像进行灰度处理，得到对应的灰度图像；

对所述灰度图像进行高斯滤波处理，并用预设的3*3模板进行降噪处理，得到预处理后的地面图像。