CN110244771A - 一种无人机任务载荷实训自适应跟踪控制方法 - Google Patents

Abstract

本发明公开了一种无人机任务载荷实训自适应跟踪控制方法，该方法包括以下步骤：步骤一：确定跟踪目标初始图像模板；步骤二：获取帧图像；步骤三：帧图像预处理；步骤四：预处理帧图像分层；步骤五：模板匹配；步骤六：Kalman滤波；步骤七：有效性判断；步骤八：图像模板融合；步骤九：计算控制角度；步骤十：自适应跟踪。本发明针对现有技术中无人机自动跟踪技术自适应调节能力差、数据计算精确度低、抗干扰能力差、跟踪精确度低等技术问题进行改进，本发明具有自适应调节能力强、数据计算精确度高、抗干扰能力强、跟踪精确度高等优点。

Description

一种无人机任务载荷实训自适应跟踪控制方法

技术领域

本发明涉及无人机跟踪技术领域，尤其涉及一种无人机任务载荷实训自适应跟踪控制方法。

背景技术

无人机，顾名思义，即是没有人驾驶的飞机，无人机是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机。随着无人机技术的不断成熟，无人机开始在各行各业中得到广泛的应用，无人机具有体积小、质量轻、成本低、灵活性强、工作条件要求低等众多优点，对于一些工作环境恶劣，人类无法完成的工作可以通过无人机来完成。目前，无人机在农业、工业、军事、探险救援等领域都发挥着其重要作用，在拥有众多优点的同时，无人机也存在一些缺陷。

目前无人机在对移动目标跟踪方面任然存在不足，主要的方式任然是依赖于操纵手的手动操作，这种方式需要操作手实时监测无人机相对于目标物体的位置，并根据目标物体的移动速度实时调整无人机的航向和前进速率，这种方式耗费人力，无法使无人机长时间自动跟踪移动目标；现有的无人机自动跟踪技术容易受到背景噪声的影响，当无人机与跟踪目标之间出现障碍物时，无人机难以继续对重新出现的跟踪目标进行跟踪定位，数据计算精确度低，自适应调节能力差，跟踪精确度低，跟踪的效果差。

针对以上技术问题，本发明公开了一种无人机任务载荷实训自适应跟踪控制方法，本发明具有自适应调节能力强、数据计算精确度高、抗干扰能力强、跟踪精确度高等优点。

发明内容

本发明的目的在于克服现有技术的不足，提供了一种无人机任务载荷实训自适应跟踪控制方法，以解决现有技术中无人机自动跟踪技术自适应调节能力差、数据计算精确度低、抗干扰能力差、跟踪精确度低等技术问题，本发明具有自适应调节能力强、数据计算精确度高、抗干扰能力强、跟踪精确度高等优点。

本发明通过以下技术方案实现：本发明公开了一种无人机任务载荷实训自适应跟踪控制方法，该方法包括以下步骤：

步骤一：确定跟踪目标初始图像模板，图像采集模块获取跟踪目标的初始图像，确定跟踪目标的初始图像模板；

步骤二：获取帧图像，图像采集模块不断采集跟踪目标运动过程中的帧图像；

步骤三：帧图像预处理，图像处理模块获取帧图像并进行预处理，得到预处理帧图像；

步骤四：预处理帧图像分层，图像处理模块对预处理帧图像进行分层；

步骤五：模板匹配，图像处理模块根据分层后的预处理帧图像进行模板匹配获得最优匹配点；

步骤六：自适应Kalman滤波，图像处理模块对最优匹配点进行自适应Klaman滤波，自适应Klaman滤波是指在利用测量数据进行滤波的同时，不断地由滤波本身去判断系统的动态是否有变化，对模型参数和噪声统计特性进行估计和修正，以改进滤波设计、缩小滤波的实际误差；

步骤七：有效性判断，图像处理模块对滤波后的最优匹配点进行有效性计算并判断；

步骤八：图像模板融合，图像处理模块将有效的最优匹配点对应的图像模板与初始图像模板进行融合更新，得到动态图像模板数据；

步骤九：计算控制角度，主控制器获取动态图像模板数据并计算得到控制角度数据，同时将控制角度数据发送给电机控制模块；

步骤十：自适应跟踪，电机控制模块获取控制角度数据，并控制电机动作，使图像采集模块的镜头始终对准跟踪目标，完成自适应跟踪。

进一步的，为了去除干扰，消除零位误差和陀螺仪漂移产生的误差，提高数据计算精确度，步骤三中，帧图像预处理通过在图像处理模块获取帧图像的电路中加入低通滤波器和高通滤波器来实现，通过对经过低通滤波器和高通滤波器得到的数据进行融合，提高数据计算的精确度。

进一步的，为了去除干扰，消除零位误差和陀螺仪漂移产生的误差，提高数据计算精确度，步骤三中，对帧图像进行预处理时还融合了无人机运行的姿态信息。

进一步的，为了准确获取无人机运行的姿态信息，姿态信息通过安装在无人机任务载荷平台上的加速度计和方位陀螺陀螺仪和俯仰陀螺仪获取。

进一步的，为了准确获取无人机运行的姿态信息，姿态信息获取具体包括：首先主控制器根据加速度计采集的实时数据计算得到无人机的俯仰角预估值和航向角预估值，并将俯仰角预估值和航向角预估值与方位陀螺仪和俯仰陀螺仪的实时数据积分后得到的角度相融合，得到无人机当前的俯仰角和航向角，从而获取到无人机的姿态信息，并将姿态信息传输到图像处理模块。

进一步的，为了更好进行模板匹配，步骤四中，预处理帧图像分层具体包括：图像处理模块将预处理帧图像分为两层，第一层图像为原图大小，第二层图像为原图的1/N大小，N根据初始图像模板的尺寸大小确定。

进一步的，为了提高模板匹配的准确性，步骤五中，模板匹配包括模板粗匹配和模板细匹配；

模板粗匹配具体包括：图像处理模块在第二层图像中获得粗匹配点；

模板细匹配具体包括：图像处理模块将粗匹配点映射到第一层图像中获得对应像素点，并在对应像素点周围(2×N+1)×(2×N+1)范围内逐点进行匹配，获得最优匹配点。

进一步的，为了避免错误匹配，步骤七中，有效性判断具体包括图像处理模块计算经过滤波后的最优匹配点与初始图像模板中心之间的偏差，并判断偏差是否在有效范围内，若否，则执行步骤五；若是，则执行步骤八。

本发明具有以下优点：本发明通过在对帧图像数据进行处理时加入低通和高通滤波器，提高数据计算的精确度，同时将无人机运行的姿态信息加以融合，可去除干扰，消除零位误差和陀螺仪的漂移误差，提高计算的精确度；在进行模板匹配时先对帧图像进行分层，然后再进行粗匹配和细匹配，获取到最优匹配点，并进行有效性判断，防止出现匹配错误的情况，从而提高跟踪的精确度，跟踪效果好，在复杂背景中，能够准确对目标进行跟踪，即使存在遮挡障碍物，也能在跟踪目标重新出现后快速跟踪定位，自适应调节能力和抗背景噪声能力强，可适用于可见光图像和红外图像。

附图说明

图1为本发明无人机任务载荷实训自适应跟踪控制方法流程图；

图2为姿态信息获取流程图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

实施例1公开了一种无人机任务载荷实训自适应跟踪控制方法，如图1所示，该方法包括以下步骤：

步骤101：确定跟踪目标初始图像模板，图像采集模块获取跟踪目标的初始图像，确定跟踪目标的初始图像模板；

步骤102：获取帧图像，图像采集模块不断采集跟踪目标运动过程中的帧图像；

步骤103：帧图像预处理，图像处理模块获取帧图像并进行预处理，得到预处理帧图像；

步骤104：预处理帧图像分层，图像处理模块对预处理帧图像进行分层；

步骤105：模板匹配，图像处理模块根据分层后的预处理帧图像进行模板匹配获得最优匹配点；

步骤106：自适应Kalman滤波，图像处理模块对最优匹配点进行自适应Klaman滤波，自适应Klaman滤波是指在利用测量数据进行滤波的同时，不断地由滤波本身去判断系统的动态是否有变化，对模型参数和噪声统计特性进行估计和修正，以改进滤波设计、缩小滤波的实际误差；

步骤107：有效性判断，图像处理模块对滤波后的最优匹配点进行有效性计算并判断；

步骤108：图像模板融合，图像处理模块将有效的最优匹配点对应的图像模板与初始图像模板进行融合更新，得到动态图像模板数据；

步骤109：计算控制角度，主控制器获取动态图像模板数据并计算得到控制角度数据，同时将控制角度数据发送给电机控制模块；

步骤110：自适应跟踪，电机控制模块获取控制角度数据，并控制电机动作，使图像采集模块的镜头始终对准跟踪目标，完成自适应跟踪。

其中，步骤103中，帧图像预处理通过在图像处理模块获取帧图像的电路中加入低通滤波器和高通滤波器来实现，同时对帧图像进行预处理时还融合了无人机运行的姿态信息。

无人机运行的姿态信息通过安装在无人机任务载荷平台上的加速度计、方位陀螺仪和俯仰陀螺仪获取。

如图2所示，姿态信息获取具体包括：首先主控制器根据加速度计采集的实时数据计算得到无人机俯仰角预估值和航向角预估值，并将俯仰角预估值和航向角预估值与方位陀螺仪和俯仰陀螺仪的实时数据积分后得到的角度相融合，得到无人机当前的俯仰角和航向角，从而获取到无人机的姿态信息，并将姿态信息传输到图像处理模块。

其中，步骤104中，预处理帧图像分层具体包括：图像处理模块将预处理帧图像分为两层，第一层图像为原图大小，第二层图像为原图的1/N大小，N根据初始图像模板的尺寸大小确定。

其中，步骤105中，模板匹配包括模板粗匹配和模板细匹配；

模板粗匹配具体包括：图像处理模块在第二层图像中获得粗匹配点；

模板细匹配具体包括：图像处理模块将粗匹配点映射到第一层图像中获得对应像素点，并在对应像素点周围(2×N+1)×(2×N+1)范围内逐点进行匹配，获得最优匹配点。

其中，步骤107中，有效性判断具体包括图像处理模块计算经过滤波后的最优匹配点与初始图像模板中心之间的偏差，并判断偏差是否在有效范围内，若否，则执行步骤105；若是，则执行步骤108。

Claims (8)

1.一种无人机任务载荷实训自适应跟踪控制方法，其特征在于，该方法包括以下步骤：

步骤一：确定跟踪目标初始图像模板，图像采集模块获取所述跟踪目标的初始图像，确定所述跟踪目标的初始图像模板；

步骤二：获取帧图像，所述图像采集模块不断采集所述跟踪目标运动过程中的帧图像；

步骤三：帧图像预处理，图像处理模块获取所述帧图像并进行预处理，得到预处理帧图像；

步骤四：预处理帧图像分层，所述图像处理模块对所述预处理帧图像进行分层；

步骤五：模板匹配，所述图像处理模块根据分层后的所述预处理帧图像进行模板匹配获得最优匹配点；

步骤六：自适应Kalman滤波，所述图像处理模块对所述最优匹配点进行自适应Klaman滤波；

步骤七：有效性判断，所述图像处理模块对滤波后的所述最优匹配点进行有效性计算并判断；

步骤八：图像模板融合，所述图像处理模块将有效的所述最优匹配点对应的图像模板与所述初始图像模板进行融合更新，得到动态图像模板数据；

步骤九：计算控制角度，主控制器获取所述动态图像模板数据并计算得到控制角度数据，同时将所述控制角度数据发送给电机控制模块；

步骤十：自适应跟踪，所述电机控制模块获取所述控制角度数据，并控制电机动作，使所述图像采集模块的镜头始终对准所述跟踪目标，完成自适应跟踪。

2.如权利要求1所述的无人机任务载荷实训自适应跟踪控制方法，其特征在于，步骤三中，所述帧图像预处理通过在所述图像处理模块获取所述帧图像的电路中加入低通滤波器和高通滤波器来实现。

3.如权利要求1所述的无人机任务载荷实训自适应跟踪控制方法，其特征在于，步骤三中，对所述帧图像进行预处理时还融合了无人机运行的姿态信息。

4.如权利要求3所述的无人机任务载荷实训自适应跟踪控制方法，其特征在于，所述姿态信息通过安装在无人机任务载荷平台上的加速度计、方位陀螺仪和俯仰陀螺获取。

5.如权利要求4所述的无人机任务载荷实训自适应跟踪控制方法，其特征在于，所述姿态信息获取具体包括：首先，所述主控制器根据所述加速度计采集的实时数据计算得到所述无人机的俯仰角预估值和航向角预估值，并将所述俯仰角预估值和航向角预估值与所述方位陀螺仪和所述俯仰陀螺仪的实时数据积分后得到的角度相融合，得到所述无人机当前的俯仰角和航向角，获取所述姿态信息，并将所述姿态信息传输到所述图像处理模块。

6.如权利要求1所述的无人机任务载荷实训自适应跟踪控制方法，其特征在于，步骤四中，所述预处理帧图像分层具体包括：所述图像处理模块将所述预处理帧图像分为两层，第一层图像为原图大小，第二层图像为原图的1/N大小，所述N根据所述初始图像模板的尺寸大小确定。

7.如权利要求6所述的无人机任务载荷实训自适应跟踪控制方法，其特征在于，步骤五中，所述模板匹配包括模板粗匹配和模板细匹配；

所述模板粗匹配具体包括：所述图像处理模块在所述第二层图像中获得粗匹配点；

所述模板细匹配具体包括：所述图像处理模块将所述粗匹配点映射到所述第一层图像中获得对应像素点，并在所述对应像素点周围逐点进行匹配，获得最优匹配点。

8.如权利要求6所述的无人机任务载荷实训自适应跟踪控制方法，其特征在于，步骤七中，所述有效性判断具体包括所述图像处理模块计算经过滤波后的所述最优匹配点与所述初始图像模板中心之间的偏差，并判断所述偏差是否在有效范围内，若否，则执行步骤五；若是，则执行步骤八。