CN110597282A - 一种无人机自主降落控制系统 - Google Patents

Abstract

本发明公开了一种无人机自主降落控制系统，包括位于无人机的探测装置，与探测装置连接的第一处理器以及地面标识装置，在基于机器视觉进行目标识别的基础上，地面标识装置设有包括图案识别区域和热感识别区域探测目标区域，相应的第一处理器用于根据探测装置识别到的探测目标区域的位置确定无人机与地面标识装置的相对位置，从而可以根据图案图像和热感图像两种特征进行地面标识装置的识别，支持根据光线的强弱选择是识别图案特征还是识别热感特征，大大降低了基于机器视觉进行无人机位置识别时对环境光线的要求，提高了基于机器视觉的无人机自主降落控制系统的抗干扰能力，实现了基于机器视觉进行自主降落的无人机的全天候自主降落。

Description

一种无人机自主降落控制系统

技术领域

本发明涉及无人机技术领域，特别是涉及一种无人机自主降落控制系统。

背景技术

近年来，无人机自主降落技术逐渐成熟，本领域技术人员提供的技术手段众多，包括GPS/惯性组合导航技术、无线定位技术、机器视觉技术等。

基于机器视觉技术的无人机自主降落控制系统通过机器视觉系统获取无人机所在的高度，检测四周的环境，能够有效防止无人机降落过程中因为失控而构成的危险。机器视觉的基础是图像信息，无人机控制器通过视觉传感器来获取其所处信息、机身信息，然后基于这些信息进行位姿参数的调整，控制无人机精准、高效的降落。在基于视觉的自主降落中，对识别降落模型和模型中心位置估计是两个首要解决的问题。

降落模型，即地面标识装置，通常设有特定的颜色或图案用于与所处的环境区分，无人机通过摄像头录制探测视频，从视频的每一帧图像中分辨出预先设定的目标颜色或图案来捕捉到地面标识装置并确定地面标识装置与自身的相对位置，进而根据相对位置进行飞行控制，实现自主降落。

然而，这种基于机器视觉识别地面标识装置的位置的方案非常依赖于机器视觉的实现效果，当无人机处于夜晚或光线较暗的环境时，将大大降低机器视觉的识别效果，进而导致基于机器视觉的无人机自主降落控制系统的抗干扰能力较差。

发明内容

本发明的目的是提供一种无人机自主降落控制系统，用于降低基于机器视觉进行无人机位置识别时对环境光线的要求，提高基于机器视觉的无人机自主降落控制系统的抗干扰能力。

为解决上述技术问题，本发明提供一种无人机自主降落控制系统，包括位于无人机的探测装置，与所述探测装置连接的第一处理器以及地面标识装置；

其中，所述地面标识装置设有探测目标区域，所述探测目标区域包括图案识别区域和热感识别区域；

所述第一处理器用于根据所述探测装置识别到的所述探测目标区域的位置确定所述无人机与所述地面标识装置的相对位置，以根据所述相对位置控制所述无人机降落。

可选的，所述探测装置具体包括摄像头和红外热感应器。

可选的，所述第一处理器根据所述探测装置识别到的所述探测目标区域的位置确定所述无人机与所述地面标识装置的相对位置，具体为：

当识别到所述图案识别区域时，所述第一处理器根据所述图案识别区域的位置确定所述无人机与所述地面标识装置的相对位置；

当识别不到所述图案识别区域时，所述第一处理器根据所述热感识别区域的位置确定所述无人机与所述地面标识装置的相对位置。

可选的，所述地面标识装置具体包括颜色识别标签和加热装置；

其中，所述颜色识别标签设有目标颜色的所述图案识别区域，所述加热装置用于对所述图案识别区域加热。

可选的，所述目标颜色为红色。

可选的，所述加热装置具体包括设于所述图案识别区域的电热元件，与所述电热元件连接的加热电路，光强探测器以及分别与所述加热电路和所述光强探测器连接的第二处理器；

其中，所述第二处理器用于在所述光强探测器检测环境光强度值低于预设光强度值时控制所述加热电路对所述电热元件加热。

可选的，所述第一处理器根据所述探测装置识别到的所述探测目标区域的位置确定所述无人机与所述地面标识装置的相对位置，以根据所述相对位置控制所述无人机降落，具体包括：

所述第一处理器对所述探测装置获取的探测图像进行边缘检测，基于所述探测目标区域的特征确定所述探测目标区域的位置；

所述第一处理器基于所述探测目标区域的位置对所述探测目标区域进行自适应轮廓的质心跟踪，确定所述无人机的位置与所述探测目标区域的位置的脱靶量；

所述第一处理器根据所述脱靶量进行所述无人机的飞行控制。

可选的，所述第一处理器对所述探测装置获取的探测图像进行边缘检测，基于所述探测目标区域的特征确定所述探测目标区域的位置，具体包括：

当所述探测图像为RGB图像时，所述第一处理器在所述RGB图像上基于RGB值确定所述地面标识装置的位置；

当所述探测图像为红外探测图像时，所述第一处理器在所述红外探测图像上基于灰度值确定所述地面标识装置的位置；

根据所述探测目标区域的RGB特征或所述探测目标区域的灰度特征，在所述地面标识装置的位置确定所述探测目标区域的位置。

可选的，所述根据所述探测目标区域的RGB特征，在所述地面标识装置的位置确定所述探测目标区域的位置，具体为：

将所述RGB图像转换到HSL空间后，基于HSL值在所述地面标识装置的位置确定所述探测目标区域的位置。

可选的，所述第一处理器基于所述探测目标区域的位置对所述探测目标区域进行自适应轮廓的质心跟踪，确定所述无人机的位置与所述探测目标区域的位置的脱靶量，具体包括：

所述第一处理器根据所述探测目标区域的位置确定目标波门，并根据所述目标波门估计背景波门；

所述第一处理器计算所述目标波门的直方图和所述背景波门的直方图；

所述第一处理器根据所述目标波门的直方图和所述背景波门的直方图估计所述探测目标区域的像素；

所述第一处理器依据所述探测目标区域的像素确定所述探测目标区域的质心位置；

所述第一处理器根据所述质心位置更新所述目标波门的位置和尺度。

本发明所提供的无人机自主降落控制系统，包括位于无人机的探测装置，与探测装置连接的第一处理器以及地面标识装置，在基于机器视觉进行目标识别的基础上，地面标识装置设有包括图案识别区域和热感识别区域探测目标区域，相应的第一处理器用于根据探测装置识别到的探测目标区域的位置确定无人机与地面标识装置的相对位置，从而可以根据图案图像和热感图像两种特征进行地面标识装置的识别，支持根据光线的强弱选择是识别图案特征还是识别热感特征，大大降低了基于机器视觉进行无人机位置识别时对环境光线的要求，提高了基于机器视觉的无人机自主降落控制系统的抗干扰能力，实现了基于机器视觉进行自主降落的无人机的全天候自主降落。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种无人机自主降落控制系统的结构示意图；

图2为本发明实施例提供的一种地面标识装置的外观示意图；

图3为本发明实施例提供的摄像头探测图像示意图；

图4为本发明实施例提供的红外探测图像示意图；

图5(a)为本发明实施例提供的一种目标波门的直方图；

图5(b)为本发明实施例提供的一种背景波门的直方图；

图5(c)为本发明实施例提供的一种目标概率分布图。

具体实施方式

本发明的核心是提供一种无人机自主降落控制系统，用于降低基于机器视觉进行无人机位置识别时对环境光线的要求，提高基于机器视觉的无人机自主降落控制系统的抗干扰能力。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供的一种无人机自主降落控制系统的结构示意图。

如图1所示，本发明实施例提供的无人机自主降落控制系统包括位于无人机的探测装置101，与探测装置101连接的第一处理器102以及地面标识装置200；

其中，地面标识装置200设有探测目标区域，探测目标区域包括图案识别区域201和热感识别区域202；

第一处理器102用于根据探测装置101识别到的探测目标区域的位置确定无人机与地面标识装置200的相对位置，以根据相对位置控制无人机降落。

在具体实施中，可以将探测装置101固定于无人机的机翼处，用于获取探测图像或探测视频。第一处理器102用于处理探测装置101所采集到的探测图像或探测视频，得到探测结果。

地面标识装置200可以为固定或可拆卸于地面的装置，设有图案识别区域201和热感识别区域202，其中以图案识别区域201为主，需设有能够显著区分于所在环境的图案或鲜明的颜色，热感识别区域202为光线不足时辅助识别用，通过加热或制冷使区域温度与所在环境区分。

因此，第一处理器102根据探测装置101识别到的探测目标区域的位置确定无人机与地面标识装置200的相对位置，具体为：

当识别到图案识别区域201时，第一处理器102根据图案识别区域201的位置确定无人机与地面标识装置200的相对位置；

当识别不到图案识别区域201时，第一处理器102根据热感识别区域202的位置确定无人机与地面标识装置200的相对位置。

为避免出现多个识别结果，图案识别区域201应与热感识别区域202重叠或完全重合。

与探测目标区域相应的，探测装置101具体可以包括摄像头和红外热感应器，分别用于获取探测视频和红外感应图像。第一处理器102基于探测视频识别图案识别区域201的位置，基于红外感应图像识别热感识别区域202的位置。

本发明实施例提供的无人机自主降落控制系统，包括位于无人机的探测装置，与探测装置连接的第一处理器以及地面标识装置，在基于机器视觉进行目标识别的基础上，地面标识装置设有包括图案识别区域和热感识别区域探测目标区域，相应的第一处理器用于根据探测装置识别到的探测目标区域的位置确定无人机与地面标识装置的相对位置，从而可以根据图案图像和热感图像两种特征进行地面标识装置的识别，支持根据光线的强弱选择是识别图案特征还是识别热感特征，大大降低了基于机器视觉进行无人机位置识别时对环境光线的要求，提高了基于机器视觉的无人机自主降落控制系统的抗干扰能力，实现了基于机器视觉进行自主降落的无人机的全天候自主降落。

图2为本发明实施例提供的一种地面标识装置200的外观示意图。

在上述实施例的基础上，图案识别区域201采用鲜明的颜色进行标识，热感识别区域202采用加热的方式进行标识，因此地面标识装置200具体包括颜色识别标签和加热装置；

其中，颜色识别标签包括设有目标颜色的图案识别区域201，加热装置用于对图案识别区域201加热。

如图2所示，颜色识别标签可以采用双圆形标签；

其中，双圆形标签的内圆区域A为图案识别区域201，加热装置用于对内圆区域加热，双圆形标签的外部圆环区域B为对比区域。

进一步的，目标颜色可以采用红色，对比区域可以设为白色。

加热装置具体包括设于图案识别区域(内圆区域A)的电热元件，与电热元件连接的加热电路，光强探测器以及分别与加热电路和光强探测器连接的第二处理器；

其中，第二处理器用于在光强探测器检测环境光强度值低于预设光强度值时控制加热电路对电热元件加热。

加热装置在环境光的光强度值低于预设光强度值时进行加热，从而在环境光线不足时再进行热感识别，降低资源浪费。

图3为本发明实施例提供的摄像头探测图像示意图；图4为本发明实施例提供的红外探测图像示意图；图5(a)为本发明实施例提供的一种目标波门的直方图；图5(b)为本发明实施例提供的一种背景波门的直方图；图5(c)为本发明实施例提供的一种目标概率分布图。

基于机器视觉的进行无人机自主降落控制的基础是探测装置101所获取到的图像信息，第一处理器102根据图像信息分析得到探测目标区域的位置，进而确定自身与地面标识装置200的相对位置，以进行自身飞行控制。在上述实施例的基础上，在本发明实施例中，第一处理器102根据探测装置101识别到的探测目标区域的位置确定无人机与地面标识装置200的相对位置，以根据相对位置控制所述无人机降落，具体包括：

步骤一，第一处理器102对探测装置101获取的探测图像进行边缘检测，基于探测目标区域的特征确定探测目标区域的位置。

探测图像包括摄像头获取的探测图像和红外热感应器获取的红外感应图像，其中，摄像头获取的探测图像通常为RGB图像。因此，第一处理器102对探测装置101获取的探测图像进行边缘检测，基于探测目标区域的特征确定探测目标区域的位置，具体包括：

当探测图像为RGB图像时，第一处理器102在RGB图像上基于RGB值确定地面标识装置200的位置；

当探测图像为红外探测图像时，第一处理器102在红外探测图像上基于灰度值确定地面标识装置200的位置；

根据探测目标区域的RGB特征或探测目标区域的灰度特征，在地面标识装置200的位置确定探测目标区域的位置。

在上述实施例中提到，可以将探测目标区域的目标颜色设置为红色区域，并设置白色的对比区域，可以将探测图像中含有目标颜色(红色)的区域视为兴趣区域，不包含目标颜色的区域视为感兴趣区域；当接收到的探测图像为RGB图像时，如图3所示，在地面标识装置200上，A区域为目标颜色的探测目标区域，B区域为对比区域，根据R+G+B的值可以确定探测图像上各区域的颜色(如白色区域的各个颜色分量值均大于190)，根据下式提取含有白色区域的部分：

其中，g(x,y)为基于点(x,y)的R+G+B的值的识别结果，R+G+B的值大于或等于279即为探测目标区域的RGB特征。

为了提高对比度，根据探测目标区域的RGB特征，在地面标识装置200的位置确定探测目标区域的位置，具体为：

将RGB图像转换到HSL空间后，基于HSL值(色相(H)、饱和度(S)、亮度(L))在地面标识装置200的位置确定探测目标区域的位置。

在RGB图像中由于目标颜色为红色，根据下式将RGB图像的RGB值转换为HSL值，当分量在大于330或小于30时，为红色区域，以此确定探测目标区域的位置：

其中，h为RGB图像中一点的色相值，max为该点的R、G、B值中的最大值，min为该点的R、G、B值中的最小值。

对于红外热感应器获取的红外探测图像，如图4所示，可以根据灰度值划分兴趣区域，将灰度值大于阈值的区域视为兴趣区域，阈值可以为190，则灰度值大于190即为探测目标区域(如图4上的A区域)的灰度特征。

在识别到探测目标区域后，还需要精准确定探测目标区域上的目标降落点，由于探测目标区域为圆形，通过Hough变换对目标圆进行检测：

先对探测图像进行边缘检测，采用Sobel算子计算探测图像中各点的像素值，如下式所示：

|G|＝|G_x+G_y| (5)

其中，A为原始图像，G_x为横向边缘检测的图像灰度值，G_y为纵向边缘检测的图像灰度值，G为点(x,y)的灰度值。

根据边缘检测结果，先对邻域内像素按灰度值进行排序，设定阈值K，若邻域的中心像素在序列中的次序小于K，则说明中心像素在邻域内较为重要需要被保留，否则就对中心像素进行删除。这样处理就限制了处理结果中每个邻域内仅包含的可见像素数目，对于3×3邻域，若设定阈值K为3，则可限制图像细化的结果中尽可能只包含宽度为1的线条，除去部分噪声。对圆心和半径进行统计，从而识别出目标圆。

步骤二，第一处理器102基于探测目标区域的位置对探测目标区域进行自适应轮廓的质心跟踪，确定无人机的位置与探测目标区域的位置的脱靶量。

随着探测装置101获取探测视频或不断获取新的红外探测图像，应用步骤一中更新探测目标区域的位置，进而在无人机飞行过程中，为了准确降落，需要对探测目标区域进行基于自适应轮廓的质心跟踪。

在具体实施中，第一处理器102基于探测目标区域的位置对探测目标区域进行自适应轮廓的质心跟踪，确定无人机的位置与探测目标区域的位置的脱靶量，具体包括：

第一处理器102根据探测目标区域的位置确定目标波门，并根据目标波门估计背景波门；

第一处理器102计算目标波门的直方图和背景波门的直方图；

第一处理器102根据目标波门的直方图和背景波门的直方图估计探测目标区域的像素；

第一处理器102依据探测目标区域的像素确定探测目标区域的质心位置；

第一处理器102根据质心位置更新目标波门的位置和尺度。

需要说明的是，当探测图像为RGB图像时，需要先对RGB图像进行灰度化，如下式所示：

Gray＝(R×299+G×587+B×114+500)/1000 (6)

在每一帧探测图像中，应用质心跟踪算法估计新的目标位置，并根据目标波门估计背景波门。确定波门可以减少确定目标位置的操作，另外，有了目标波门和背景波门，噪声和杂物对跟踪过程的影响就能的到有效地抑制。在一次具体实施中，得到一个目标波门和四个背景波门，计算各自的直方图(均以像素量Pixel Quantity为纵坐标，以强度Intensity为横坐标)以显示波门的灰度分布情况，由于当前直方图在某些帧时可能不稳定，应用下述公式计算先前帧的目标和当前帧的目标：

其中，Target_Histogram[i]为目标波门，γ为，Previous_Target_Histograme[i]为目标波门的先前帧，Background_Histogram[i]为背景波门，Previous_Background_Histograme[i]为背景波门的先前帧。其中，0＜γ＜1，并不断更新，当γ增大，直方图的更新率也在增加。

计算完目标直方图和背景直方图后，目标的概率分布(TPD)可用下述公式计算：

其中，由于i是灰度值，对于8-bit的红外视频来说范围是0～255。在一次具体实施中，得到目标直方图如图5(a)所示，背景直方图如图5(b)所示，目标概率分布图如图5(c)所示。图5(c)以目标概率分布Target Probability Distribution为纵坐标，以强度Intensity为横坐标，并设定目标的灰度阈值Target Threshold，从图5(c)上可以看到，基于目标的灰度阈值确定左侧区域为背景像素，右侧区域为目标像素，并能够确定目标区域的下限Buttom Threshold和目标区域的上限Upper Threshold。

利用目标的概率分布，通过分析目标的灰度阈值找到目标像素，灰度值大于灰度阈值的被当做目标像素，灰度阈值的确定是将目标和背景有效分离的关键步骤，因此在无人机飞行过程中灰度阈值应该合理的更新。

灰度阈值的选择可基于目标背景波门法实现，通过下述公式分别计算目标的灰度均值Target_Average和背景的灰度均值Background_Average：

其中，Target_Pixels为目标像素，T为目标像素个数，Background_Gate为背景像素，Y为背景像素个数，灰度阈值可以从目标的灰度均值和背景的灰度均值中选取，也可以取二者均值。

当分类得到目标像素后，就可以通过目标灰度的加权均值计算探测目标区域的质心位置，如下式所示：

其中，c_x和c_y分别为质心的横坐标和纵坐标，Target_Gate为探测目标区域，j为列号，x_j为第j列在x轴的投影，n为行号，y_n为第n行在y轴的投影。

目标波门的位置和尺寸对计算后续帧中目标的位置有影响，当波门位置不对或者太小，目标的某些部分不被包含在目标位置中，如果波门太大，则会包含大量的背景像素，会影响计算结果。因此当前帧的特点能够影响下一帧的波门位置和尺寸，尺寸直接和质心坐标相关，因此需要根据当前的质心位置更新当前目标波门的位置和尺度，具体根据下述公式，基于质心位置自适应扩大或缩小目标波门：

其中，k_x和k_y分别为目标波门的，g₁为包围率，g₂为变化率，total_x为目标列像素数，total_y为目标行像素数，column为目标波门中的列数，row为目标波门中的行数，search_right为右部的搜索行数，search_left为左部的搜索行数，search_up为上部的搜索列数，search_bottom为下部的搜索列数。

对于x轴、y轴，如果目标在某一方向放大，目标像素也相应的增大，目标波门的尺寸也随着变化。

步骤三，第一处理器102根据脱靶量进行无人机的飞行控制。

利用步骤一和步骤二计算目标的灰度直方图和背景的灰度直方图，估计目标像素并计算质心得到目标位置，并通过探测目标区域的质心位置不断更新目标波门的位置及尺度，实现对探测目标区域的质心跟踪。

在此基础上，基于质心跟踪结果，确定无人机与探测目标区域质心的脱靶量，并将之传递至无人机飞行控制模型，从而实现无人机的自主降落。

以上对本发明所提供的一种无人机自主降落控制系统进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种无人机自主降落控制系统，其特征在于，包括位于无人机的探测装置，与所述探测装置连接的第一处理器以及地面标识装置；

其中，所述地面标识装置设有探测目标区域，所述探测目标区域包括图案识别区域和热感识别区域；

所述第一处理器用于根据所述探测装置识别到的所述探测目标区域的位置确定所述无人机与所述地面标识装置的相对位置，以根据所述相对位置控制所述无人机降落。

2.根据权利要求1所述的无人机自主降落控制系统，其特征在于，所述探测装置具体包括摄像头和红外热感应器。

3.根据权利要求1所述的无人机自主降落控制系统，其特征在于，所述第一处理器根据所述探测装置识别到的所述探测目标区域的位置确定所述无人机与所述地面标识装置的相对位置，具体为：

当识别到所述图案识别区域时，所述第一处理器根据所述图案识别区域的位置确定所述无人机与所述地面标识装置的相对位置；

当识别不到所述图案识别区域时，所述第一处理器根据所述热感识别区域的位置确定所述无人机与所述地面标识装置的相对位置。

4.根据权利要求1所述的无人机自主降落控制系统，其特征在于，所述地面标识装置具体包括颜色识别标签和加热装置；

其中，所述颜色识别标签设有目标颜色的所述图案识别区域，所述加热装置用于对所述图案识别区域加热。

5.根据权利要求4所述的无人机自主降落控制系统，其特征在于，所述目标颜色为红色。

6.根据权利要求4所述的无人机自主降落控制系统，其特征在于，所述加热装置具体包括设于所述图案识别区域的电热元件，与所述电热元件连接的加热电路，光强探测器以及分别与所述加热电路和所述光强探测器连接的第二处理器；

其中，所述第二处理器用于在所述光强探测器检测环境光强度值低于预设光强度值时控制所述加热电路对所述电热元件加热。

7.根据权利要求1所述的无人机自主降落控制系统，其特征在于，所述第一处理器根据所述探测装置识别到的所述探测目标区域的位置确定所述无人机与所述地面标识装置的相对位置，以根据所述相对位置控制所述无人机降落，具体包括：

所述第一处理器对所述探测装置获取的探测图像进行边缘检测，基于所述探测目标区域的特征确定所述探测目标区域的位置；

所述第一处理器基于所述探测目标区域的位置对所述探测目标区域进行自适应轮廓的质心跟踪，确定所述无人机的位置与所述探测目标区域的位置的脱靶量；

所述第一处理器根据所述脱靶量进行所述无人机的飞行控制。

8.根据权利要求7所述的无人机自主降落控制系统，其特征在于，所述第一处理器对所述探测装置获取的探测图像进行边缘检测，基于所述探测目标区域的特征确定所述探测目标区域的位置，具体包括：

当所述探测图像为RGB图像时，所述第一处理器在所述RGB图像上基于RGB值确定所述地面标识装置的位置；

当所述探测图像为红外探测图像时，所述第一处理器在所述红外探测图像上基于灰度值确定所述地面标识装置的位置；

根据所述探测目标区域的RGB特征或所述探测目标区域的灰度特征，在所述地面标识装置的位置确定所述探测目标区域的位置。

9.根据权利要求8所述的无人机自主降落控制系统，其特征在于，所述根据所述探测目标区域的RGB特征，在所述地面标识装置的位置确定所述探测目标区域的位置，具体为：

将所述RGB图像转换到HSL空间后，基于HSL值在所述地面标识装置的位置确定所述探测目标区域的位置。

10.根据权利要求7所述的无人机自主降落控制系统，其特征在于，所述第一处理器基于所述探测目标区域的位置对所述探测目标区域进行自适应轮廓的质心跟踪，确定所述无人机的位置与所述探测目标区域的位置的脱靶量，具体包括：

所述第一处理器根据所述探测目标区域的位置确定目标波门，并根据所述目标波门估计背景波门；

所述第一处理器计算所述目标波门的直方图和所述背景波门的直方图；

所述第一处理器根据所述目标波门的直方图和所述背景波门的直方图估计所述探测目标区域的像素；

所述第一处理器依据所述探测目标区域的像素确定所述探测目标区域的质心位置；

所述第一处理器根据所述质心位置更新所述目标波门的位置和尺度。