CN109492525A - 一种测量基站天线工程参数的方法 - Google Patents

Abstract

本发明公开了一种测量基站天线工程参数的方法，其步骤如下：控制无人机飞至基站天线的水平面上，以天线抱杆为圆心进行圆周飞行，录制视频，并实时记录GPS位置信息；选取天线抱杆为目标跟踪区域，对每帧图像使用meanShift算法跟踪天线抱杆，设抱杆两侧区域为天线检测区域；对天线检测区域进行图像轮廓检测处理，得到天线板正面及侧面轮廓；利用Kmeans算法对天线板的轮廓聚类，并对天线板正面与侧面的方向角之差进行图像匹配，得出不同天线板的正面及对应的侧面轮廓；结合记录的GPS位置数据，与得到的该天线板的正面及对应的侧面轮廓，计算基站天线板各个工程参数。本发明具有测量基站天线工程参数效率高、准确性高。本发明适用于测量基站天线工程参数领域。

Description

一种测量基站天线工程参数的方法

技术领域

本发明涉及测量基站天线工程参数领域，更具体的，涉及一种测量基站天线工程参数的方法。

背景技术

目前，现有基站工程参数的信息获取，需要尽可能详尽地采集现场的资料，包括基站的位置、天线所处的高度、天线的方向角和下倾角等。而现有测量基站的位置信息主要是依靠GPS测量仪，测量基站天线所处的高度主要依靠测距仪测量，然而天线的方向角只能靠远距离目测配合指南针进行大概的目测，天线下倾角的测量只能根据设计图纸或者验收资料去提取。这些获取基站工程参数的方式存在效率低下、测量不准确。因此急需一种能准确、高效率的测量基站天线工程参数的方法。

发明内容

本发明为了解决以上现有技术中获取基站天线工程参数过程存在效率低下、测量不准确的问题，提供了一种测量基站天线工程参数的方法，其具有操作简单，测量效率高、测量准确性高的特点。

为实现上述本发明目的，采用的技术方案如下：一种测量基站天线工程参数的方法，所述该方法具体步骤如下：

步骤1：控制无人机飞至基站天线所处的水平面上，以天线抱杆圆柱为圆心位置进行圆周平面顺时针飞行，录制视频，并实时记录GPS位置信息；

步骤2：选取天线抱杆为目标跟踪区域，对每帧图像，使用meanShift算法跟踪天线抱杆，目标跟踪完成后，设定抱杆左右两侧位置区域为天线检测区域；

步骤3：提取天线检测区域的数据，对其进行图像轮廓检测处理，得到天线板正面的轮廓以及侧面的轮廓；

步骤4：利用Kmeans聚类算法对天线板正面的轮廓以及侧面的轮廓进行聚类，并对天线板正面与侧面的方向角之差进行图像匹配，得出不同天线板的正面轮廓以及对应的侧面天线板轮廓；

步骤5：结合无人机记录的GPS位置信息数据，与得到的该天线板的正面轮廓以及对应的侧面天线板轮廓，计算基站天线板各个工程参数。

优选地，所述步骤2中meanShift算法的表达式如下：

其中：j是视频图像的帧数；y_j-1是前一帧图像中被选中的被跟踪目标；y_j是下一帧图像目标跟踪区域中天线抱杆的图像亮度值集合；ω(x_i)是权重系数；g(x_i)是核函数；n是目标跟踪区域中特征点的个数；i取值是从1到n；x_i是特征点的亮度值。

优选地，所述步骤3中对图像轮廓检测之前，将天线检测区域转换为灰度图及二值化处理；所述的二值化处理公式如下：

其中：t为阀值，t取值为天线检测区域内所有像素亮度值的平均值；f为灰度图像中的一个像素；g为黑白图像中的一个像素。

优选地，所述步骤4中Kmeans聚类算法的具体过程为:

a.初始化常数，初始化k个聚类中心，k为基站天线的个数；

b.计算每个样本与每个聚类中心之间的相似度，将样本划分到最相似的类别中；以图像的像素RGB值为数据点，图像每个像素数值都与这k个数据进行差值计算，按照指定的k簇进行聚类；

c.计算划分到每个类别中的所有样本特征的RGB均值，并将该均值作为每个类新的聚类中心，若聚类中心不再改变，则进入下一步；若聚类中心改变，回到步骤b；

d.输出最终的聚类中心以及每个样本所属的类别，重构图像，得到k个天线板的RGB数据的聚类。

优选地，所述天线板正面与侧面的方向角之差为90°。

优选地，天线板正面与侧面的方向角差计算方式如下：

i)无人机绕抱杆一周360°，每帧图像GPS信息都对应其中某个角度。无人机摄像头作为主视角，相当于无人机不动，天线在转动；

ii)以第一帧图像的角度，设定为0°，接下来第二帧帧图像，相对第一帧图像偏移一个角度，该角度值为360°除以无人机绕一圈拍摄视频图像的帧数总数。根据这个角度偏差将，可以得到每帧图像相对第一帧图像的偏移角度；

iii)根据聚类得到的天线板轮廓，根据不同帧图像的，得到天线板正面与侧面的方向角差90°的图像帧。

优选地，所述步骤5中所述的基站天线工程参数包括基站的位置信息、基站天线板高度信息、基站天线板方向角、基站天线板下倾角；

所述基站天线板方向角测量，获取天线板的正面，并结合无人机姿态数据获取相机的朝向数据，再减去180°获取天线方向角；

所述基站天线板下倾角测量，计算天线板的侧面与图像垂线的夹角，得到天线板的下倾角。

本发明的有益效果如下：本发明通过图像识别算法测量出基站天线下倾角，同时通过无人机环绕基站飞行的数据测量出基站的位置信息、天线板方向角、天线板高度，测量效率高，测量操作简单；本发明通过Kmeans算法提高测量准确度。

附图说明

图1是本发明测量基站天线工程参数的方法流程图。

图2是本发明基站天线和抱杆示意图。

图3是本发明所述目标跟踪区域及天线检测区域的示意图。

其中：1.天线抱杆、2.天线板。

具体实施方式

下面结合附图和具体实施方式对本发明做详细描述。

实施例1

本发明提出的一种测量基站天线工程参数的方法，需要借助无人机平台，通过无人机录制基站天线视频。所需的硬件包括无人机、无人机遥控器和平板电脑，其中无人机上设有GPS信息采集模块、WIFI通信模块、摄像模块，平板电脑设有通信模块和视频图像识别算法模块。无人机通过WIFI通信模块与无人机遥控器进行通信，遥控器与平板电脑通过数据解析模块连接进行数据传输。一般情况下，抱杆上有1个或者多个基站天线，本发明以3个基站天线来描述图像识别算法的工作原理和工作流程。

如图1、图2、图3所示，一种测量基站天线工程参数的方法，所述该方法具体步骤如下：

步骤1：控制无人机飞至基站天线所处的水平面上，以天线抱杆圆柱为圆心位置进行圆周平面顺时针飞行，录制视频，并实时记录GPS位置信息；

步骤2：选取天线抱杆为目标跟踪区域，对每帧图像，使用meanShift算法跟踪天线抱杆，目标跟踪完成后，设定抱杆左右两侧位置区域为天线检测区域；

步骤3：提取天线检测区域的数据，对其进行图像轮廓检测处理，得到天线板正面的轮廓以及侧面的轮廓；

步骤4：利用Kmeans聚类算法对天线板正面的轮廓以及侧面的轮廓进行聚类，并对天线板正面与侧面的方向角之差进行图像匹配，得出不同天线板的正面轮廓以及对应的侧面天线板轮廓；

步骤5：结合无人机记录的GPS位置信息数据，与得到的该天线板的正面轮廓以及对应的侧面天线板轮廓，计算基站天线板各个工程参数。

本实施所述的MeanShift算法，又称为均值漂移算法，本质是使用图像的颜色直方图信息作为整个搜索过程的特征，跟踪初选框中特征的相似度，完成目标跟踪。meanShift算法在目标跟踪等方面有广泛的应用，计算简单且实时性较好。

本实施例中所述步骤3中目标跟踪meanShift算法的主体向量表达式如下：

其中：j是视频图像的帧数；y_j-1是前一帧图像中被选中的被跟踪目标，所述天线抱杆的图像亮度值集合；y_j是下一帧图像目标跟踪区域中天线抱杆的图像亮度值集合；ω(x_i)是权重系数；g(x_i)是核函数；n是目标跟踪区域中特征点的个数；i取值是从1到n；x_i是特征点的亮度值。

将当前图像帧的目标跟踪区域的中心初始为前一帧目标中心y_j-1，然后在其邻区域内搜索匹配目标，不断地从目标的当前位置y_j-1移动到新目标位置y_j，当meanShift向量‖y_j－y_j-1‖＜ε时则停止迭代，ε为预设的一个正数。直到候选区域与目标区域足够相似，此时目标区域中心位置会由y_j-1移动到新的位置y_j。

本实施例中所述的meanShift算法的算法流程如下：

a.根据y_j-1确定目标搜索区域，算法从j＝1第一帧图像开始；

b.计算当前目标跟踪区域内的y_j；

c.若||y_j-y_j-1||<ε，结束循环，否则，重复上述步骤。

通过该算法完成对天线抱杆目标图像的跟踪和锁定，并确定天线检测区域。

本实施例中使用meanShift算法跟踪天线抱杆，目标跟踪完成后，设定抱杆左右两侧居中位置区域为天线检测区域；再对天线检测区域进行灰度化及二值化处理，将灰度图转换成黑白图的过程，就是二值化，得出天线图形区域。所述二值化处理公式是：

其中：t为阀值，t取值为天线检测区域内所有像素亮度值的平均值；f为灰度图像中的一个像素；g为黑白图像中的一个像素。

本实施例中将得到的天线图形区域进行腐蚀算法处理，腐蚀算法是一种消除边界点，使边界向内部收缩的过程，消除背景噪声，避免噪声因素对后期处理造成影响。所述对天线图形区域的图像数据进行腐蚀处理的具体步骤如下：

1)扫描天线图形区域的图像的每一个像素，用4*4结构元素与其覆盖的黑白图像做“与”操作，如果有一个元素为0，结果图像的该像素为0，否则1。

2)同时将独立的图像元素分割出来，并连接具有相同特征的相邻图像元素，寻找图像中的极大值区域或极小值区域，从而得到该帧数据中的图像轮廓，对其进行图像轮廓检测，分别得到天线板正面轮廓以及侧面的轮廓图。

本实施例对于在处理过程中产生的斑点噪声和椒盐噪声，在本发明中采用中值滤波对图像进行滤波处理，滤除脉冲干扰及图像扫描噪声，保护目标图像的边缘信息。

在对图像进行处理的过程中，改变处理参数(轮廓矩形的长宽比、轮廓面积、轮廓矩形的倾斜角度)对检测出来的轮廓进行过滤，直到剩下所需轮廓为止，即可得到各个基站天线最大框图和最小框图，为天线的正面以及侧面的轮廓图。

本实施例利用Kmeans聚类算法对天线板图像进行聚类，实现对图像分割成若干互不相交区域的集合，其实质可以看成是一种像素的聚类过程。彩色图像中的每一个像素是三维空间中的一个点，三维对应红、绿、蓝三原色的强度，基于Kmeans聚类算法的图像分割以图像的像素为数据点，按照指定的簇数进行聚类，然后将每个像素点以其对应的聚类中心替代，重构该图像。

Kmeans算法是基于距离相似性的聚类算法，通过比较样本之间的相似性，将形式的样本划分到同一个类别中，Kmeans算法的基本过程为：

a.初始化常数，初始化k个聚类中心，k为基站天线的个数；

b.计算每个样本与每个聚类中心之间的相似度，将样本划分到最相似的类别中；以图像的像素RGB值为数据点，图像每个像素数值都与这k个数据进行差值计算，按照指定的k簇进行聚类；

c.计算划分到每个类别中的所有样本特征的RGB均值，并将该均值作为每个类新的聚类中心，若聚类中心不再改变，则进入下一步；若聚类中心改变，回到步骤b；

d.输出最终的聚类中心以及每个样本所属的类别，重构图像，得到k个天线板的RGB数据的聚类。

本实施例通过利用Kmeans聚类算法对天线板进行聚类，并对天线板正面与侧面的方向角之差进行图像匹配，得出该天线板的正面轮廓以及对应的侧面天线板轮廓。本实施例中所述天线板正面与侧面的方向角之差为90°，所述当图像为天线板正面时，寻找出该天线板旋转90°后的侧面图像，得到该天线板侧面轮廓。

本实施例中所述天线板正面与侧面的方向角差计算方式如下：

i)无人机绕抱杆一周360°，每帧图像GPS信息都对应其中某个角度。无人机摄像头作为主视角，相当于无人机不动，天线在转动；

ii)以第一帧图像的角度，设定为0°，接下来第二帧帧图像，相对第一帧图像偏移一个角度，该角度值为360°除以无人机绕一圈拍摄视频图像的帧数总数。根据这个角度偏差将，可以得到每帧图像相对第一帧图像的偏移角度；

iii)根据聚类得到的天线板轮廓，根据不同帧图像的，得到天线板正面与侧面的方向角差90°的图像帧。

本实施例所述的天线工程参数包括基站的位置信息、基站天线板高度信息、基站的天线板方向角、基站的天线板下倾角；

所述基站的位置信息，通过获取无人机环绕基站飞行轨迹的GPS数据推算出其圆心的GPS，即为基站的位置信息；

所述基站天线板高度信息，通过无人机从地面飞到天线安装的水平面时，环绕拍摄天线时记录的相对高度信息，通过计算无人机相对于地面高度的均值作为天线板高度信息；

所述基站天线板方向角测量，获取天线板的正面，并结合无人机姿态数据获取相机的朝向数据，再减去180°获取天线方向角；

所述基站天线板下倾角测量，计算天线板的侧面与图像垂线的夹角，得到天线板的下倾角。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (7)

1.一种测量基站天线工程参数的方法，其特征在于：所述该方法具体步骤如下：

步骤1：控制无人机飞至基站天线所处的水平面上，以天线抱杆圆柱为圆心位置进行圆周平面顺时针飞行，录制视频，并实时记录GPS位置信息；

步骤2：选取天线抱杆为目标跟踪区域，对每帧图像，使用meanShift算法跟踪天线抱杆，目标跟踪完成后，设定抱杆左右两侧位置区域为天线检测区域；

步骤3：提取天线检测区域的数据，对其进行图像轮廓检测处理，得到天线板正面的轮廓以及侧面的轮廓；

步骤4：利用Kmeans聚类算法对天线板正面的轮廓以及侧面的轮廓进行聚类，并对天线板正面与侧面的方向角之差进行图像匹配，得出不同天线板的正面轮廓以及对应的侧面天线板轮廓；

步骤5：结合无人机记录的GPS位置信息数据，与得到的该天线板的正面轮廓以及对应的侧面天线板轮廓，计算基站天线板各个工程参数。

2.根据权利要求1所述的测量基站天线工程参数的方法，其特征在于：所述步骤2中meanShift算法的表达式如下：

其中：j是视频图像的帧数；y_j-1是前一帧图像中被选中的被跟踪目标；y_j是下一帧图像目标跟踪区域中天线抱杆的图像亮度值集合；ω(x_i)是权重系数；g(x_i)是核函数；n是目标跟踪区域中特征点的个数；i取值是从1到n；x_i是特征点的亮度值。

3.根据权利要求1所述的测量基站天线工程参数的方法，其特征在于：所述步骤3中对图像轮廓检测之前，将天线检测区域转换为灰度图及二值化处理；所述的二值化处理公式如下：

其中：t为阀值，t取值为天线检测区域内所有像素亮度值的平均值；f为灰度图像中的一个像素；g为黑白图像中的一个像素。

4.根据权利要求1所述的测量基站天线工程参数的方法，其特征在于：所述步骤4中Kmeans聚类算法的具体过程为:

a.初始化常数，初始化k个聚类中心，k为基站天线的个数；

b.计算每个样本与每个聚类中心之间的相似度，将样本划分到最相似的类别中；以图像的像素RGB值为数据点，图像每个像素数值都与这k个数据进行差值计算，按照指定的k簇进行聚类；

c.计算划分到每个类别中的所有样本特征的RGB均值，并将该均值作为每个类新的聚类中心，若聚类中心不再改变，则进入下一步；若聚类中心改变，回到步骤b；

d.输出最终的聚类中心以及每个样本所属的类别，重构图像，得到k个天线板的RGB数据的聚类。

5.根据权利要求1所述的测量基站天线工程参数的方法，其特征在于：所述天线板正面与侧面的方向角差为90°。

6.根据权利要求5所述的测量基站天线工程参数的方法，其特征在于：所述方向角差计算方式如下：

i)无人机绕抱杆一周360°，每帧图像GPS信息都对应其中某个角度。无人机摄像头作为主视角，相当于无人机不动，天线在转动；

ii)以第一帧图像的角度，设定为0°，接下来第二帧帧图像，相对第一帧图像偏移一个角度，该角度值为360°除以无人机绕一圈拍摄视频图像的帧数总数。根据这个角度偏差将，可以得到每帧图像相对第一帧图像的偏移角度；

iii)根据聚类得到的天线板轮廓，根据不同帧图像的，得到天线板正面与侧面的方向角差90°的图像帧。

7.根据权利要求1所述的测量基站天线工程参数的方法，其特征在于：所述步骤5中所述的基站天线工程参数包括基站的位置信息、基站天线板高度信息、基站天线板方向角、基站天线板下倾角；

所述基站天线板方向角测量，获取天线板的正面，并结合无人机姿态数据获取相机的朝向数据，再减去180°获取天线方向角；

所述基站天线板下倾角测量，计算天线板的侧面与图像垂线的夹角，得到天线板的下倾角。