CN109215074B - 基于分层码标的无人机降落方法、装置、设备以及可读存储介质 - Google Patents
基于分层码标的无人机降落方法、装置、设备以及可读存储介质 Download PDFInfo
- Publication number
- CN109215074B CN109215074B CN201710514658.8A CN201710514658A CN109215074B CN 109215074 B CN109215074 B CN 109215074B CN 201710514658 A CN201710514658 A CN 201710514658A CN 109215074 B CN109215074 B CN 109215074B
- Authority
- CN
- China
- Prior art keywords
- code
- graph
- pose
- subcode
- unmanned aerial
- 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 63
- 230000000007 visual effect Effects 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 26
- 230000009466 transformation Effects 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 16
- 230000003190 augmentative effect Effects 0.000 description 14
- 108091026890 Coding region Proteins 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
- G06T2207/30208—Marker matrix
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于分层码标的无人机的降落方法，包括：获取分层码标的图像信息；提取所述图像信息中的子码；统计从所述图像信息中提取到的所述子码的数量；若提取到的所述子码的数量为一个，根据所述子码获得无人机的第一位姿；根据第一位姿执行降落操作。上述无人机的降落方法，当码标无法完整呈现在设备视野内的情况下，会提取码标中的子码信息，相对于码标，子码可以在更近距离被无人机识别，从而使无人机能够根据子码信息进行位姿估计，并引导无人机成功降落。本发明还涉及一种基于分层码标的无人机的降落装置、设备以及可读存储介质。
Description
技术领域
本发明涉及无人机领域，特别涉及无人机的降落方法、装置、设备以及可读存储介质。
背景技术
现在，无人机被广泛应用于各个领域，特别是被用来执行海上任务。所以，无人机的可靠性，尤其是其着陆方法与装置的可靠性，非常具有研究价值和商业价值。
在一种现有技术中，无人机首先使用全球定位系统(GPS)和惯性测量单元 (IMUs)进行位姿估计，然后根据位姿估计结果进行着陆。但是这种技术容易受到环境因素的制约并且可靠性较差。而基于视觉目标的着陆方法，相对而言具有无源性、精度高、可应用场景多等优点，从而成为无人机着陆方法中一个重要的研究方向。
相比于其他的基于视觉目标的位姿检测方法，基于增强现实码标签的检测系统由于视觉目标为黑白两色并且具有的固定编码方式，从而更为鲁棒、检测效率更高。基于普通增强现实码标签的无人机着陆系统(如西班牙的科尔多瓦大学设计的ArUco，美国麻省理工学院设计的AprilTags等)在图像采集设备与码标之间距离足够大时可以良好运行。
而在无人机着陆方法中，无人机不可避免的接近码标。由于普通视觉采集设备具有固定的视野范围，当图像采集设备与码标的距离较小时，码标无法完整的呈现在图像采集设备视野内，导致该码标无法被检测出来，从而造成位姿估计的失效。而当无人机在距离地面很近的地方丢失自身位姿估计时，着陆系统无法根据位姿估计信息来进行必要的调整，很可能会导致失控而坠毁。
发明内容
基于此，有必要针对在码标无法完整呈现在设备视野内的情况下会导致检测目标丢失以及位姿估计失效的问题，提供一种在设备不能完整捕捉到码标时，也能识别检测目标以及进行位姿估计，并引导无人机成功降落的方法、装置、设备以及可读存储介质。
一种基于分层码标的无人机的降落方法，其中，所述分层码标包括母码，所述母码中设置有子码，所述降落方法包括：
获取分层码标的图像信息；
提取所述图像信息中的子码；
统计从所述图像信息中提取到的所述子码的数量；
若提取到的所述子码的数量为一个，则根据所述子码获得无人机的第一位姿；
根据第一位姿执行降落操作。
上述无人机的降落方法，当码标无法完整呈现在设备视野内的情况下，会提取码标中的子码信息，相对于码标，子码可以在更近距离被无人机识别，从而使无人机能够根据子码信息进行位姿估计，并引导无人机成功降落。
作为一种实施例，其中，若提取到的所述子码的数量大于一个，则所述方法还包括：
根据各个所述子码，获取与每一个子码对应的权重值以及与每一个子码对应的第二位姿；
根据各个权重值以及各个第二位姿获取第二位姿的加权平均值；
根据所述第二位姿的加权平均值执行降落操作。
作为一种实施例，其中，所述子码包括子码识别区；
所述在所述图像信息中提取子码的步骤包括：
根据预设图形，在所述图像信息中获取所述图像信息中的待变换图形；
将所述待变换图形做视角变换，转换成待识别图形；
分割所述待识别图形，得到边框区域及中心区域；
将所述边框区域与子码识别区进行比对，若比对成功，则提取所述边框区域对应的待识别图形作为所述子码。
作为一种实施例，其中，所述提取所述图像信息中的子码的步骤包括：
采用边缘提取算法处理所述图像信息，获得边缘二值图像；
对所述边缘二值图像降噪，获得二值图片；
根据所述预设图形，对所述二值图片进行图形拟合，获得所述待变换图形。
作为一种实施例，其中，所述根据所述子码获得第一位姿的步骤包括：
根据所述待变换图形与所述预设图形的变换关系获得无人机的六自由度姿态信息；
根据所述子码获取与所述子码对应的坐标关系矩阵；
根据所述六自由度姿态信息以及所述坐标关系矩阵获得所述第一位姿。
作为一种实施例，其中，所述在所述图像信息中提取子码的步骤之前包括：
判断无人机的飞行高度是否大于预设的高度阈值；
若否，则继续执行所述在所述图像信息中提取子码的步骤；
若是，则在所述图像信息中提取所述母码；
根据所述母码获得第三位姿；
根据所述第三位姿进行降落操作。
一种基于分层码标的无人机的降落装置，其中，所述分层码标包括母码，所述母码中设置有子码，所述降落装置包括：
图像获取模块，用于获取分层码标的图像信息；
子码提取模块，用于提取所述图像信息中的子码；
子码统计模块，用于统计从所述图像信息中提取到的所述子码的数量；
若提取到的所述子码的数量为一个，则所述装置还包括，
第一位姿获取模块，根据所述子码获得无人机的第一位姿；
第一降落模块，用于根据第一位姿执行降落操作。
上述无人机的降落装置，当码标无法完整呈现在设备视野内的情况下，会提取码标中的子码信息，相对于码标，子码可以在更近距离被无人机识别，从而使无人机能够根据子码信息进行位姿估计，并引导无人机成功降落
作为一种实施例，其中，若提取到的所述子码的数量大于一个，所述装置还包括：
第二位姿获取模块，用于根据各个所述子码，获取与每一个子码对应的权重值以及对应的第二位姿；
平均值获取模块，用于根据各个权重值以及各个第二位姿获取第二位姿的加权平均值；
第二降落模块，用于根据所述第二位姿的加权平均值执行降落操作。
作为一种实施例，其中，所述子码包括子码识别区；
所述子码提取模块包括：
图形提取单元，用于根据预设图形，在所述图像信息中获取所述图像信息中的待变换图形；
视角变换单元，用于将所述待变换图形做视角变换，转换成待识别图形；
图形分割单元，用于分割所述待识别图形，得到边框区域及中心区域；
图形比对单元，用于将所述边框区域与子码识别区进行比对，若比对成功，则提取所述边框区域对应的待识别图形作为所述子码。
作为一种实施例，其中，所述图像提取单元包括：
边缘二值图像获取单元，用于采用边缘提取算法处理所述图像信息，获得边缘二值图像；
图像降噪单元，用于对所述边缘二值图像降噪，获得二值图片；
图形拟合单元，对所述二值图片进行图形拟合，获得所述待变换图形。
作为一种实施例，其中，所述根据所述第一位姿获取模块包括：
姿态获取单元，用于根据所述待变换图形与所述预设图形的变换关系获得无人机的六自由度姿态信息；
母码获取单元，用于根据所述子码获取与所述子码对应的坐标关系矩阵；
第一位姿获取单元，用于根据所述六自由度姿态信息以及所述坐标关系矩阵获得所述第一位姿。
作为一种实施例，其中，在所述子码提取模块之前，所述装置还包括：
阈值判断模块，用于判断无人机的飞行高度是否大于预设的高度阈值；
若否，则继续由所述子码提取模块执行所述在所述图像信息中提取子码的步骤；
若是，则所述装置还包括，
母码提取模块，用于在所述图像信息中提取所述母码；
第三位姿获取模块，用于根据所述母码获得第三位姿；
第三位姿降落模块，用于根据所述第三位姿进行降落操作。
一种计算机设备，包括处理器、存储器以及存储在存储器上的计算机指令，其中，所述计算机指令在被所述处理器执行时实现的方法包括以下步骤：
获取分层码标的图像信息；
提取所述图像信息中的子码；
统计从所述图像信息中提取到的所述子码的数量；
若提取到的所述子码的数量为一个，则根据所述子码获得无人机的第一位姿；
根据第一位姿执行降落操作。
上述计算机设备，处理器在处理存储器中存储的计算机指令时，可以实现当码标无法完整呈现在设备视野内的情况下，提取码标中的子码信息，相对于码标，子码可以在更近距离被无人机识别，从而使无人机能够根据子码信息进行位姿估计，并引导无人机成功降落。
作为一种实施例，其中，处理器执行所述计算机指令所实现的方法中，若提取到的所述子码的数量大于一个，则所述方法还包括：
根据各个所述子码，获取与每一个子码对应的权重值以及与每一个子码对应的第二位姿；
根据各个权重值以及各个第二位姿获取第二位姿的加权平均值；
根据所述第二位姿的加权平均值执行降落操作。
作为一种实施例，其中，所述子码包括子码识别区；处理器所执行的所述计算机指令所实现的在所述图像信息中提取子码的步骤包括：
根据预设图形，在所述图像信息中获取所述图像信息中的待变换图形；
将所述待变换图形做视角变换，转换成待识别图形；
分割所述待识别图形，得到边框区域及中心区域；
将所述边框区域与子码识别区进行比对，若比对成功，则提取所述边框区域对应的待识别图形作为所述子码。
作为一种实施例，其中，处理器所执行的所述计算机指令所实现的提取所述图像信息中的待变换图形的步骤包括：
采用边缘提取算法处理所述图像信息，获得边缘二值图像；
对所述边缘二值图像降噪，获得二值图片；
根据所述预设图形，对所述二值图片进行图形拟合，获得所述待变换图形。
作为一种实施例，其中，所述处理器执行所述计算机指令所实现的根据所述子码获得第一位姿的步骤包括：
根据所述待变换图形与所述预设图形的变换关系获得无人机的六自由度姿态信息；
根据所述子码获取与所述子码对应的坐标关系矩阵；
根据所述六自由度姿态信息以及所述坐标关系矩阵获得所述第一位姿。
作为一种实施例，其中，所述处理器执行所述计算机指令所实现的所述在所述图像信息中提取子码的步骤之前包括：
判断无人机的飞行高度是否大于预设的高度阈值；
若否，则继续执行所述在所述图像信息中提取子码的步骤；
若是，则在所述图像信息中提取所述母码；
根据所述母码获得第三位姿；
根据所述第三位姿进行降落操作。
一种可读存储介质，所述可读存储介质存储有计算机指令，其中，所述计算机指令在被所述处理器执行时实现的方法包括以下步骤：
获取分层码标的图像信息；
提取所述图像信息中的子码；
统计从所述图像信息中提取到的所述子码的数量；
若提取到的所述子码的数量为一个，则根据所述子码获得无人机的第一位姿；
根据第一位姿执行降落操作。
上述可读存储介质，其中存储的计算机指令在被处理器执行时，可以实现当码标无法完整呈现在设备视野内的情况下，会提取码标中的子码信息，相对于码标，子码可以在更近距离被无人机识别，从而使无人机能够根据子码信息进行位姿估计，并引导无人机成功降落。
作为一种实施例，其中，处理器执行所述计算机指令所实现方法中，若提取到的所述子码的数量大于一个，则所述方法还包括以下步骤：
根据各个所述子码，获取与每一个子码对应的权重值以及与每一个子码对应的第二位姿；
根据各个权重值以及各个第二位姿获取第二位姿的加权平均值；
根据所述第二位姿的加权平均值执行降落操作。
作为一种实施例，其中，所述子码包括子码识别区；
处理器所执行的所述计算机指令所实现的提取所述图像信息中的子码的步骤包括：
根据预设图形，在所述图像信息中获取所述图像信息中的待变换图形；
将所述待变换图形做视角变换，转换成待识别图形；
分割所述待识别图形，得到边框区域及中心区域；
将所述边框区域与子码识别区进行比对，若比对成功，则提取所述边框区域对应的待识别图形作为所述子码。
作为一种实施例，其中，处理器所执行的所述计算机指令所实现的提取所述图像信息中的待变换图形的步骤包括：
采用边缘提取算法处理所述图像信息，获得边缘二值图像；
对所述边缘二值图像降噪，获得二值图片；
根据所述预设图形，对所述二值图片进行图形拟合，获得所述待变换图形。
作为一种实施例，其中，所述处理器执行所述计算机指令所实现的根据所述子码获得第一位姿的步骤包括：
根据所述待变换图形与所述预设图形的变换关系获得无人机的六自由度姿态信息；
根据所述子码获取与所述子码对应的坐标关系矩阵；
根据所述六自由度姿态信息以及所述坐标关系矩阵获得所述第一位姿。
作为一种实施例，其中，所述处理器执行所述计算机指令所实现的所述在所述图像信息中提取子码的步骤之前包括：
判断无人机的飞行高度是否大于预设的高度阈值；
若否，则继续执行所述在所述图像信息中提取子码的步骤；
若是，则在所述图像信息中提取所述母码；
根据所述母码获得第三位姿；
根据所述第三位姿进行降落操作。
附图说明
图1为其中一种实施方式提供的降落方法的应用场景图；
图2为一个传统的增强现实码的结构示意图；
图3为其中一种实施方式使用的分层码标的结构示意图；
图4为其中又一种实施方式使用的分层码标的结构示意图；
图5为一种实施方式提供的无人机降落方法的流程图；
图6为一种实施方式提供的无人机降落方法的部分流程图；
图7为又一种实施方式提供的无人机降落方法的部分流程图；
图8为另一种实施方式提供的无人机降落方法的部分流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
请参阅图1，图1为其中一种实施方式提供的降落方法的应用场景图。
所述分层码标200是一种放置在着陆点或其附近的标识物，所述分层码标 200包含编码，无人机100在空中获取该分层码标的图像信息，提取并解析分层码标200上的编码，并根据编码查找预先存储的编码信息，从而获取分层码标 200对应的与统一坐标系之间的变换关系。
同时，利用图像单应性算法，计算出无人机100获取的图形与标准图形之间的变换关系，并基于该变换关系，即可得到基于分层码标200的摄像头六自由度姿态。最后将所获取到的六自由度姿态信息变换到统一坐标系下，从而获得无人机100的位姿，无人机100根据所述位姿进行降落。
请参阅图2，图2为一个传统的增强现实码的结构图。在本实施例中，选择的是加里多-尤利多(Garrido-Jurado)定义的增强现实码的集合，并在其中选择了一个7×7结构的增强现实码作为母码201，其中整个增强现实码包括中部为 5×5结构的编码区，剩余部分可作为识别区。编码区有25个编码块，根据颜色的不同可以将编码块区分白色编码块202与黑色编码块203。根据白色的0-编码块202的数量以及出现的位置不同，可以得到不同的增强现实码。在传统的无人机降落方法中，利用增强现实码可以方便的标定不同的坐标关系矩阵，并将坐标关系矩阵与对应的增强现实码进行建库存储，在无人机降落过程中，无人机的位姿获取模块获取并识别增强现实码标201，并根据识别结果在预先配置的库中查找获得与增强现实码标201对应的坐标关系矩阵。同时，无人机根据增强现实码标201利用图像单应算法计算获取摄像头的六自由度姿态信息。最后根据坐标关系矩阵以及六自由度姿态信息即可获得无人机的当前位姿，并根据当前位姿引导降落。
请一并参阅图3，图3为其中一种实施方式提供的分层码标的示意图。分层码标包括母码310，在母码中又设置了子码311。其中，母码310是在传统的增强现实码库中选择出的增强现实码，具有编码区和识别区，其中编码区位于增强现实码的中间位置，编码区用于使不同的增强现实码具有不同的编码值，编码区由白色编码块和黑色编码块组成，母码310除去编码区的剩余的边框部分为识别区，识别区用于将该码识别为母码，因此，所有的母码都具有相同的识别区。
请继续参阅图3，在图3提供的分层码标中，子码311与母码310具有相似的结构，即如果母码310为n×n结构，其中包括中间[(n-2)×(n-2)]结构的编码区，剩余的边框部分为识别区。那么子码311也为n×n结构，其中包括中间 [(n-2)×(n-2)]结构的子码编码区，剩余的边框部分为子码识别区。进一步地，子码识别区与母码的识别区的颜色不同，各个子码的子码识别区的颜色均相同。可以理解，图3给出了只含有一层子码的分层码标，但子码里面可以再设置下一层子码，从而形成多层子码结构。可以理解，由于母码的编码区根据颜色不同可以分为白色编码块与黑色编码块，而子码识别区的颜色全部相同，因此如果子码识别区的颜色为白色，子码311应全部设置在母码的白色编码块中，同样地，如果子码识别区的颜色为黑色，那么子码311应全部设置在母码的黑色编码块中。
请一并参阅图4，图4为其中另一种实施方式提供的分层码标的示意图。分层码标包括母码410，母码中设置第一层子码411，而第一层子码411中又设置有第二层子码411A。可以理解，图4给出了只含有两层子码的分层码标，但第二层子码里面可以再设置下一层子码，从而形成更多层子码结构。由于第一层子码、第二层子码以及母码的结构相似。即如果母码410为n×n结构，其中包括位于母码中间的，具有[(n-2)×(n-2)]结构的编码区，母码410除去编码区所剩余的边框部分为母码的识别区。那么第一层子码411也为n×n结构，其中包括位于第一层子码中间的，具有[(n-2)×(n-2)]结构的为第一层子码编码区，第一层子码中除去第一层子码编码区后剩余的边框部分为第一层子码识别区，同样地，第二层子码411也为n×n结构，其中包括位于第二层子码中间的，具有 [(n-2)×(n-2)]结构的第二层子码编码区，第二层子码除去第二层子码识别区剩余的边框部分为第二层子码识别区。可以理解，由于母码的编码区根据颜色不同可以分为黑色编码块与白色编码块，而子码识别区的颜色全部相同，因此如果子码识别区的颜色为白色，第一层子码411应全部设置在母码的白色编码块中，第二层子码411A应全部设置在第一层子码的白色编码块中。同样地，如果子码识别区的颜色为黑色，那么第一层子码411应全部设置在母码的黑色编码块中，第二层子码411A应全部设置在第一层子码的白色编码块中。
请参阅图5，图5为一种实施方式提供的无人机降落方法的流程图。其中，所述分层码标包括母码，所述母码中设置有子码，所述降落方法包括：
S510，获取分层码标的图像信息。
具体地，所述获取分层码标的图像信息，可以理解所述图像信息即可以包括完整的分层码标，也可以包括分层码标的一部分。
具体地，可以由无人机的图像采集设备采集分层码标的图像信息。
S520，提取所述图像信息中的子码。
具体地，对提取步骤S510获取到的图像信息中包含的子码。所述子码是分层码标中的子码，即可以是第一层子码，也可以是第N层子码，N为大于一的自然数。可以理解，提取的子码应当是完整的子码。
S530，统计从所述图像信息中提取到的所述子码的数量。
具体地，对图像信息中提取到的子码的数量进行统计以获得提取到的子码的个数。
S540，若提取到的所述子码的数量为一个，则根据所述子码获得无人机的第一位姿。
具体地，如果只提取到一个子码，则就根据所述子码获取无人机的第一位姿。
进一步地，根据子码获取无人机的第一位姿可以采取以下方法：首先根据子码查找其对应的母码，然后根据对应的母码获取坐标关系矩阵。同时利用图像单应算法获取摄像头的六自由度姿态信息，根据六自由度姿态信息以及坐标关系矩阵即可获得所述第一位姿。
S550，根据第一位姿执行降落操作。
具体地，无人机根据第一位子进行降落操作，直到成功着陆。
请继续参阅图5，若S530提取到的所述子码的数量大于一个，则所述方法还步骤包括：
S560，根据各个所述子码，获取与每一个子码对应的权重值以及与每一个子码对应的第二位姿。
具体地，如果从分层码标的图像信息中提取到的子码有多个，可以根据子码获取与每个子码对应的权重值。并根据每个子码获取无人机的第二位姿。根据每个子码获取无人机的第二位姿的方法可以与步骤S540中计算单个子码获取无人机的第一位姿的方法相同。即首先根据每个子码查找其对应的母码，然后根据对应的母码获取坐标关系矩阵。同时利用图像单应算法获取摄像头的六自由度姿态信息，根据六自由度姿态信息以及坐标关系矩阵即可获得所述每个子码对应的第二位姿
进一地，可以预先设置各个子码对应的权重并建表存储，再提取到子码后查表获取对应的权重。可以理解，可以为所有的子码设置相同的权重值，也可以根据子码的不同设置不同的权重值。
更进一步地，可以根据子码所处层数的不同设置不同的权重。又进一步地，所述不同的权重可以由如下方法获得：设子码的总层数为L，子码的结构为n×n, 子码编码区的结构为[(n-2)×(n-2)],则第i层的权重为(n+2)×(L-i)，其中i∈[0，L-1]。例如，当编码区为5×5结构的码标存在三层子码时，则第一层子码的权重值可以为21，第二层子码的权重值可以为14，第三层子码的权重可以为7。
S570，根据各个权重值以及各个第二位姿获取第二位姿的加权平均值。
具体地，步骤S560获取的每个子码对应的权重值以及每个子码对应的第二位姿之后，根据权重值将所有第二位姿进行加权平均，获得第二位姿的加权平均值。
S580，根据所述第二位姿的加权平均值执行降落操作。
具体地，无人机根据步骤S570获取的第二位姿的加权平均值执行降落操作。
请一并参阅图6，图6为一个具体实施方式提供的实现步骤S520的流程图。其中，子码包括子码识别区。所述在所述图像信息中提取子码的步骤包括：
S521，根据预设图形，在所述图像信息中获取所述图像信息中的待变换图形。
具体地，根据预设图形，在分层码标的图像信息中提取待变换图形。所述预设图形与子码的形状相关，而所述待变换图形与子码在空中被无人机采集到的图形相关。可以理解，固定形状的子码在空中被无人机的采集到的图形是具有对应关系的，例如图3提供的分层码标中，所述子码均为正方形，那么无人机采集到的图形应为四边形。此时，所述预设图形为正方形，所述待变换图形为四边形。可以理解，如果所述预设图形为正三角形，那么无人机采集到的图像应为三角形，此时，所述预设图形为正三角形，所述待变换图形为三角形。
S522，将所述待变换图形做视角变换，转换成待识别图形。
具体地，所述待识别图形即为子码的形状，即预设图形的形状。例如图3 提供的分层码标中，所述子码均为正方形，那么所述待识别图形即为正方形。即将采集到的四边形做视角变换为正方形。
S523，分割所述待识别图形，得到边框区域及中心区域。
具体地，根据预设的结构对待识别图形进行分割。所述预设的结构与子码的结构有关。例如图3提供的分层码标中，子码包括位于子码中心区域的子码编码区与边框区域的子码识别区。
S524，将所述边框区域与子码识别区进行比对，若比对成功，则提取所述边框区域对应的待变换图形作为所述子码。
具体地，将边框区域与子码识别区进行比对。所述比对成功，即步骤S523 获取的边框区域的颜色与子码识别区的颜色相同，那么提取所述边框区域对应的待变换图形识别为子码。
进一步地，可以将边框区域的平均灰度值与子码识别区的平均灰度值进行比较，如果二者的差值小于预设阈值，则可以视为边框区域与子码识别区比对成功。
再进一步地，为了使从图像信息中提取子码的精确度更高，还可以将边框区域与子码识别区均进行分割成大小相同的小块，分别比较每个相应位置的边框区域小块与子码识别区域小块的平均灰度值，如果每对小块的差值均小于预设阈值，则可以视为边框区域与子码识别区比对成功，则所述边框区域对应的待变换图形作为所述子码。例如在图3提供的码标中，可以将边框区域等分为 24个边框正方形块，将子码识别区分别等分为24个识别区小正方形块，并计算每个边框小正方形块的平均灰度值，并将每个平均灰度分别与识别区小正方形块(均为白色，灰度值为0)进行比较，获得比较结果，将比较结果与预设阈值进行比较，如果比较结果均小于预设阈值，则可以认为比对成功。可以理解，由于母码识别区与子码识别区的结构类似，只是颜色不同，因此，这种方法也可以用作判断边框区是否与母码识别区比对成功，进而可以判断提取到的待识别图形是否为完整的母码。
更进一步地，当边框区域与子码识别区比对成功后，再进一步将中心区域与预存储的所有子码的编码区进行比对，如果再次比对成功，则所述边框区域对应的待识别区域作为所述子码。
请一并参阅图7，图7为其中一个实施方式提供的实现步骤S540的流程图。所述根据所述子码获得第一位姿的步骤包括：
S541，根据所述待变换图形与所述预设图形的变换关系获得无人机的六自由度姿态信息。
具体地，通过经典的图像单应算法，根据所述待变换图形与所述预设图形的变换关系，计算获得无人机的六自由度姿态信息。
S542，根据所述子码获取与所述子码对应的坐标关系矩阵。
具体地，对步骤S520提取到的子码，根据预先存储的子码与所属母码的对应关系，并进一步获取所述子码与所述母码的子码与母码之间的坐标关系矩阵。并进一步获得统一坐标系下的子码对应的坐标关系矩阵。
S543，根据所述六自由度姿态信息以及所述坐标关系矩阵获得所述第一位姿。
具体地，根据S541步骤获取的六自由度姿态信息以及S542步骤获取的坐标关系矩阵来获取第一位姿。
请参阅图8，图8为其中一个实施方式提供的降落方法的部分流程图。
所述在所述图像信息中提取子码的步骤之前包括：
S810，判断无人机的飞行高度是否大于预设的高度阈值。
具体地，根据分层码标中母码尺寸确定无人机能够捕捉到完整的母码的高度，并根据所述高度确定合理的高度阈值。在无人机飞行过程中，实时监控飞行高度，并判断飞行高度是否大于预设的高度阈值。
S820，若否，则继续执行所述在所述图像信息中提取子码的步骤。
具体地，如果判断预设的飞行高度不大于预设的高度阈值，则无人机有较大可能无法捕捉到完整的母码。因此需要执行在所述图像信息中提取子码的步骤。
S830，若是，则在所述图像信息中提取所述母码。
具体地，如果在所述图像信息中无法提取所述母码，直接在图像中提取所述母码。
S840，根据所述母码获得第三位姿。
具体地，根据所述母码获得第三位姿。即首先根据所述母码获取母码在统一坐标系下的坐标关系矩阵，并同时根据母码计算获取基于所述母码的摄像头的六自由度姿态信息，然后再根据所述母码对应的坐标关系矩阵及所述母码对应的六自由度姿态信息技术获得所述第三位姿。
S850，根据所述第三位姿进行降落操作。
具体地，无人机根据所述第三位姿进行降落操作。
一种基于分层码标的无人机的降落装置，其中，所述分层码标包括母码，所述母码中设置有子码，所述降落装置包括：
图像获取模块，用于获取分层码标的图像信息；
子码提取模块，用于提取所述图像信息中的子码；
子码统计模块，用于统计从所述图像信息中提取到的所述子码的数量；
若提取到的所述子码的数量为一个，则所述装置还包括，
第一位姿获取模块，根据所述子码获得无人机的第一位姿；
第一降落模块，用于根据第一位姿执行降落操作。
上述无人机的降落装置，当码标无法完整呈现在设备视野内的情况下，会提取码标中的子码信息，相对于码标，子码可以在更近距离被无人机识别，从而使无人机能够根据子码信息进行位姿估计，并引导无人机成功降落
作为一种实施例，其中，若提取到的所述子码的数量大于一个，所述装置还包括：
第二位姿获取模块，用于根据各个所述子码，获取与每一个子码对应的权重值以及对应的第二位姿；
平均值获取模块，用于根据各个权重值以及各个第二位姿获取第二位姿的加权平均值；
第二降落模块，用于根据所述第二位姿的加权平均值执行降落操作。
作为一种实施例，其中，所述子码包括子码识别区；
所述子码提取模块包括：
图形提取单元，用于根据预设图形，在所述图像信息中获取所述图像信息中的待变换图形；
视角变换单元，用于将所述待变换图形做视角变换，转换成待识别图形；
图形分割单元，用于分割所述待识别图形，得到边框区域及中心区域；
图形比对单元，用于将所述边框区域与子码识别区进行比对，若比对成功，则提取所述边框区域对应的待识别图形作为所述子码。
作为一种实施例，其中，所述图像提取单元包括：
边缘二值图像获取单元，用于采用边缘提取算法处理所述图像信息，获得边缘二值图像；
图像降噪单元，用于对所述边缘二值图像降噪，获得二值图片；
图形拟合单元，对所述二值图片进行图形拟合，获得所述待变换图形。
作为一种实施例，其中，所述根据所述第一位姿获取模块包括：
姿态获取单元，用于根据所述待变换图形与所述预设图形的变换关系获得无人机的六自由度姿态信息；
母码获取单元，用于根据所述子码获取与所述子码对应的坐标关系矩阵；
第一位姿获取单元，用于根据所述六自由度姿态信息以及所述坐标关系矩阵获得所述第一位姿。
作为一种实施例，其中，在所述子码提取模块之前，所述装置还包括：
阈值判断模块，用于判断无人机的飞行高度是否大于预设的高度阈值；
若否，则继续由所述子码提取模块执行所述在所述图像信息中提取子码的步骤；
若是，则所述装置还包括，
母码提取模块，用于在所述图像信息中提取所述母码；
第三位姿获取模块，用于根据所述母码获得第三位姿；
第三位姿降落模块，用于根据所述第三位姿进行降落操作。
一种计算机设备，包括处理器、存储器以及存储在存储器上的计算机指令，其中，所述计算机指令在被所述处理器执行时实现的方法包括以下步骤：
获取分层码标的图像信息；
提取所述图像信息中的子码；
统计从所述图像信息中提取到的所述子码的数量；
若提取到的所述子码的数量为一个，则根据所述子码获得无人机的第一位姿；
根据第一位姿执行降落操作。
上述计算机设备，处理器在处理存储器中存储的计算机指令时，可以实现当码标无法完整呈现在设备视野内的情况下，提取码标中的子码信息，相对于码标，子码可以在更近距离被无人机识别，从而使无人机能够根据子码信息进行位姿估计，并引导无人机成功降落。
作为一种实施例，其中，处理器执行所述计算机指令所实现的方法中，若提取到的所述子码的数量大于一个，则所述方法还包括：
根据各个所述子码，获取与每一个子码对应的权重值以及与每一个子码对应的第二位姿；
根据各个权重值以及各个第二位姿获取第二位姿的加权平均值；
根据所述第二位姿的加权平均值执行降落操作。
作为一种实施例，其中，所述子码包括子码识别区；处理器所执行的所述计算机指令所实现的在所述图像信息中提取子码的步骤包括：
根据预设图形，在所述图像信息中获取所述图像信息中的待变换图形；
将所述待变换图形做视角变换，转换成待识别图形；
分割所述待识别图形，得到边框区域及中心区域；
将所述边框区域与子码识别区进行比对，若比对成功，则提取所述边框区域对应的待识别图形作为所述子码。
作为一种实施例，其中，处理器所执行的所述计算机指令所实现的提取所述图像信息中的待变换图形的步骤包括：
采用边缘提取算法处理所述图像信息，获得边缘二值图像；
对所述边缘二值图像降噪，获得二值图片；
根据所述预设图形，对所述二值图片进行图形拟合，获得所述待变换图形。
作为一种实施例，其中，所述处理器执行所述计算机指令所实现的根据所述子码获得第一位姿的步骤包括：
根据所述待变换图形与所述预设图形的变换关系获得无人机的六自由度姿态信息；
根据所述子码获取与所述子码对应的坐标关系矩阵；
根据所述六自由度姿态信息以及所述坐标关系矩阵获得所述第一位姿。
作为一种实施例，其中，所述处理器执行所述计算机指令所实现的所述在所述图像信息中提取子码的步骤之前包括：
判断无人机的飞行高度是否大于预设的高度阈值；
若否，则继续执行所述在所述图像信息中提取子码的步骤；
若是，则在所述图像信息中提取所述母码；
根据所述母码获得第三位姿；
根据所述第三位姿进行降落操作。
一种可读存储介质，所述可读存储介质存储有计算机指令，其中，所述计算机指令在被所述处理器执行时实现的方法包括以下步骤：
获取分层码标的图像信息；
提取所述图像信息中的子码；
统计从所述图像信息中提取到的所述子码的数量；
若提取到的所述子码的数量为一个，则根据所述子码获得无人机的第一位姿；
根据第一位姿执行降落操作。
上述可读存储介质，其中存储的计算机指令在被处理器执行时，可以实现当码标无法完整呈现在设备视野内的情况下，会提取码标中的子码信息，相对于码标，子码可以在更近距离被无人机识别，从而使无人机能够根据子码信息进行位姿估计，并引导无人机成功降落。
作为一种实施例，其中，处理器执行所述计算机指令所实现方法中，若提取到的所述子码的数量大于一个，则所述方法还包括以下步骤：
根据各个所述子码，获取与每一个子码对应的权重值以及与每一个子码对应的第二位姿；
根据各个权重值以及各个第二位姿获取第二位姿的加权平均值；
根据所述第二位姿的加权平均值执行降落操作。
作为一种实施例，其中，所述子码包括子码识别区；
处理器所执行的所述计算机指令所实现的提取所述图像信息中的子码的步骤包括：
根据预设图形，在所述图像信息中获取所述图像信息中的待变换图形；
将所述待变换图形做视角变换，转换成待识别图形；
分割所述待识别图形，得到边框区域及中心区域；
将所述边框区域与子码识别区进行比对，若比对成功，则提取所述边框区域对应的待识别图形作为所述子码。
作为一种实施例，其中，处理器所执行的所述计算机指令所实现的提取所述图像信息中的待变换图形的步骤包括：
采用边缘提取算法处理所述图像信息，获得边缘二值图像；
对所述边缘二值图像降噪，获得二值图片；
根据所述预设图形，对所述二值图片进行图形拟合，获得所述待变换图形。
作为一种实施例，其中，所述处理器执行所述计算机指令所实现的根据所述子码获得第一位姿的步骤包括：
根据所述待变换图形与所述预设图形的变换关系获得无人机的六自由度姿态信息；
根据所述子码获取与所述子码对应的坐标关系矩阵；
根据所述六自由度姿态信息以及所述坐标关系矩阵获得所述第一位姿。
作为一种实施例，其中，所述处理器执行所述计算机指令所实现的所述在所述图像信息中提取子码的步骤之前包括：
判断无人机的飞行高度是否大于预设的高度阈值；
若否，则继续执行所述在所述图像信息中提取子码的步骤；
若是，则在所述图像信息中提取所述母码；
根据所述母码获得第三位姿；
根据所述第三位姿进行降落操作。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/ 或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于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，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (14)
1.一种基于分层码标的无人机的降落方法，其特征在于，所述分层码标包括母码，所述母码中设置有子码，所述降落方法包括：
获取分层码标的图像信息；
提取所述图像信息中的子码；
统计从所述图像信息中提取到的所述子码的数量；
若提取到的所述子码的数量为一个，则获取无人机的六自由度姿态信息，根据所述子码查找对应的母码，再根据所述母码的子码与母码之间的坐标关系矩阵，获取所述子码对应的坐标关系矩阵，并根据所述六自由度姿态信息及所述子码对应的坐标关系矩阵获得无人机的第一位姿；
根据所述第一位姿执行降落操作。
2.根据权利要求1所述的降落方法，其特征在于，若提取到的所述子码的数量大于一个，则所述方法还包括：
根据各个所述子码，获取与每一个子码对应的权重值以及与每一个子码对应的第二位姿；
根据各个权重值以及各个第二位姿获取第二位姿的加权平均值；
根据所述第二位姿的加权平均值执行降落操作。
3.根据权利要求1所述的降落方法，其特征在于，所述子码包括子码识别区；
所述提取所述图像信息中的子码的步骤包括：
根据预设图形，在所述图像信息中获取所述图像信息中的待变换图形；
将所述待变换图形做视角变换，转换成待识别图形；
分割所述待识别图形，得到边框区域及中心区域；
将所述边框区域与子码识别区进行比对，若比对成功，则提取所述边框区域对应的待识别图形作为所述子码。
4.根据权利要求3所述的降落方法，其特征在于，所述提取所述图像信息中的待变换图形的步骤包括：
采用边缘提取算法处理所述图像信息，获得边缘二值图像；
对所述边缘二值图像降噪，获得二值图片；
根据所述预设图形，对所述二值图片进行图形拟合，获得所述待变换图形。
5.根据权利要求3所述的降落方法，其特征在于，所述获取无人机的六自由度姿态信息包括：
根据所述待变换图形与所述预设图形的变换关系获得无人机的六自由度姿态信息。
6.根据权利要求1所述的降落方法，其特征在于，所述在所述图像信息中提取子码的步骤之前包括：
判断无人机的飞行高度是否大于预设的高度阈值；
若否，则继续执行所述在所述图像信息中提取子码的步骤；
若是，则在所述图像信息中提取所述母码；
根据所述母码获得第三位姿；
根据所述第三位姿进行降落操作。
7.一种基于分层码标的无人机的降落装置，其特征在于，所述分层码标包括母码，所述母码中设置有子码，所述降落装置包括：
图像获取模块，用于获取分层码标的图像信息；
子码提取模块，用于提取所述图像信息中的子码；
子码统计模块，用于统计从所述图像信息中提取到的所述子码的数量；
若提取到的所述子码的数量为一个，则所述装置还包括，
第一位姿获取模块，获取无人机的六自由度姿态信息，根据所述子码查找对应的母码，再根据所述母码的子码与母码之间的坐标关系矩阵，获取所述子码对应的坐标关系矩阵，并根据所述六自由度姿态信息及所述子码对应的坐标关系矩阵获得无人机的第一位姿；
第一降落模块，用于根据第一位姿执行降落操作。
8.根据权利要求7所述的降落装置，其特征在于，若提取到的所述子码的数量大于一个，所述装置还包括：
第二位姿获取模块，用于根据各个所述子码，获取与每一个子码对应的权重值以及对应的第二位姿；
平均值获取模块，用于根据各个权重值以及各个第二位姿获取第二位姿的加权平均值；
第二降落模块，用于根据所述第二位姿的加权平均值执行降落操作。
9.根据权利要求7所述的降落装置，其特征在于，所述子码包括子码识别区；
所述子码提取模块包括：
图形提取单元，用于根据预设图形，在所述图像信息中获取所述图像信息中的待变换图形；
视角变换单元，用于将所述待变换图形做视角变换，转换成待识别图形；
图形分割单元，用于分割所述待识别图形，得到边框区域及中心区域；
图形比对单元，用于将所述边框区域与子码识别区进行比对，若比对成功，则提取所述边框区域对应的待识别图形作为所述子码。
10.根据权利要求9所述的降落装置，其特征在于，所述图形提取单元包括：
边缘二值图像获取单元，用于采用边缘提取算法处理所述图像信息，获得边缘二值图像；
图像降噪单元，用于对所述边缘二值图像降噪，获得二值图片；
图形拟合单元，对所述二值图片进行图形拟合，获得所述待变换图形。
11.根据权利要求9所述的降落装置，其特征在于，所述根据所述第一位姿获取模块包括：
姿态获取单元，用于根据所述待变换图形与所述预设图形的变换关系获得无人机的六自由度姿态信息；
母码获取单元，用于根据所述子码查找对应的母码，再根据所述母码的子码与母码之间的坐标关系矩阵，获取与所述子码对应的坐标关系矩阵；
第一位姿获取单元，用于根据所述六自由度姿态信息以及所述坐标关系矩阵获得所述第一位姿。
12.根据权利要求7所述的降落装置，其特征在于，在所述子码提取模块之前，所述装置还包括：
阈值判断模块，用于判断无人机的飞行高度是否大于预设的高度阈值；
若否，则继续由所述子码提取模块执行所述在所述图像信息中提取子码的步骤；
若是，则所述装置还包括，
母码提取模块，用于在所述图像信息中提取所述母码；
第三位姿获取模块，用于根据所述母码获得第三位姿；
第三位姿降落模块，用于根据所述第三位姿进行降落操作。
13.一种计算机设备，包括处理器、存储器以及存储在存储器上的计算机指令，其特征在于，所述计算机指令在被所述处理器执行时实现权利要求1-6任一项所述方法中的步骤。
14.一种可读存储介质，所述可读存储介质存储有计算机指令，其特征在于，所述计算机指令在被处理器执行时实现权利要求1-6任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710514658.8A CN109215074B (zh) | 2017-06-29 | 2017-06-29 | 基于分层码标的无人机降落方法、装置、设备以及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710514658.8A CN109215074B (zh) | 2017-06-29 | 2017-06-29 | 基于分层码标的无人机降落方法、装置、设备以及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109215074A CN109215074A (zh) | 2019-01-15 |
| CN109215074B true CN109215074B (zh) | 2021-08-03 |
Family
ID=64960732
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710514658.8A Active CN109215074B (zh) | 2017-06-29 | 2017-06-29 | 基于分层码标的无人机降落方法、装置、设备以及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109215074B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110968107A (zh) * | 2019-10-25 | 2020-04-07 | 深圳市道通智能航空技术有限公司 | 一种降落控制方法、飞行器及存储介质 |
| CN112906842B (zh) * | 2021-01-18 | 2023-07-14 | 清华大学 | 基于动态交通信息码的信息处理方法和引导系统 |
| CN115291618A (zh) * | 2022-07-27 | 2022-11-04 | 北京大学 | 一种数据处理方法及装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106326892A (zh) * | 2016-08-01 | 2017-01-11 | 西南科技大学 | 一种旋翼式无人机的视觉着陆位姿估计方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7769236B2 (en) * | 2005-10-31 | 2010-08-03 | National Research Council Of Canada | Marker and method for detecting said marker |
| CN106774386B (zh) * | 2016-12-06 | 2019-08-13 | 杭州灵目科技有限公司 | 基于多尺度标识物的无人机视觉导航降落系统 |
-
2017
- 2017-06-29 CN CN201710514658.8A patent/CN109215074B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106326892A (zh) * | 2016-08-01 | 2017-01-11 | 西南科技大学 | 一种旋翼式无人机的视觉着陆位姿估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| A vision based onboard approach for landing and position control of an autonomous multirotor UAV in GPS-denied environments;Sven Lange et al.;《2009 International Conference on Advanced Robotics》;20090728;第1-6页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109215074A (zh) | 2019-01-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105022990B (zh) | 一种基于无人艇应用的水面目标快速检测方法 | |
| WO2022100470A1 (en) | Systems and methods for target detection | |
| CN103714541B (zh) | 一种利用山体轮廓区域约束识别定位建筑物的方法 | |
| CN106767812B (zh) | 一种基于语义信息提取的室内语义地图更新方法与系统 | |
| Shen et al. | A vision-based automatic safe landing-site detection system | |
| Liu et al. | Automated vehicle extraction and speed determination from QuickBird satellite images | |
| CN111213155A (zh) | 图像处理方法、设备、可移动平台、无人机及存储介质 | |
| CN103020992B (zh) | 一种基于运动颜色关联的视频图像显著性检测方法 | |
| CN105608417B (zh) | 交通信号灯检测方法及装置 | |
| CN105701448B (zh) | 三维人脸点云鼻尖检测方法及应用其的数据处理装置 | |
| CN109215074B (zh) | 基于分层码标的无人机降落方法、装置、设备以及可读存储介质 | |
| CN106897681A (zh) | 一种遥感图像对比分析方法及系统 | |
| US8761441B2 (en) | System and method for measuring flight information of a spherical object with high-speed stereo camera | |
| US20150310277A1 (en) | Method and device for image-assisted runway localization | |
| CN105631852B (zh) | 基于深度图像等高线的室内人体检测方法 | |
| CN108537181A (zh) | 一种基于大间距深度度量学习的步态识别方法 | |
| Prates et al. | Vision-based UAV detection and tracking using motion signatures | |
| CN104751513A (zh) | 一种建立人体骨骼模型的方法及装置 | |
| CN106022236A (zh) | 一种基于人体轮廓的动作识别方法 | |
| CN117392611A (zh) | 工地安全监测方法、系统、设备及存储介质 | |
| CN105574535B (zh) | 基于间接距离角直方图空间关系模型的图形符号识别方法 | |
| Mitsudome et al. | Autonomous mobile robot searching for persons with specific clothing on urban walkway | |
| CN103390150A (zh) | 人体部件检测方法和装置 | |
| Abdullah et al. | LiDAR segmentation using suitable seed points for 3D building extraction | |
| Yang et al. | Method for building recognition from FLIR images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |