CN111325752B - 一种直升机精准着陆及动态位姿调整视觉辅助方法 - Google Patents

一种直升机精准着陆及动态位姿调整视觉辅助方法 Download PDF

Info

Publication number
CN111325752B
CN111325752B CN201811543231.1A CN201811543231A CN111325752B CN 111325752 B CN111325752 B CN 111325752B CN 201811543231 A CN201811543231 A CN 201811543231A CN 111325752 B CN111325752 B CN 111325752B
Authority
CN
China
Prior art keywords
ellipse
equation
landing
cooperative
landmark
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
Application number
CN201811543231.1A
Other languages
English (en)
Other versions
CN111325752A (zh
Inventor
陈硕阳
孙长燕
于云翔
万增录
李战行
杜海亮
王敬洋
王佳佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Huahang Radio Measurement Research Institute
Original Assignee
Beijing Huahang Radio Measurement Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Huahang Radio Measurement Research Institute filed Critical Beijing Huahang Radio Measurement Research Institute
Priority to CN201811543231.1A priority Critical patent/CN111325752B/zh
Publication of CN111325752A publication Critical patent/CN111325752A/zh
Application granted granted Critical
Publication of CN111325752B publication Critical patent/CN111325752B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

一种直升机精准着陆及动态位姿调整视觉辅助方法，包括如下步骤：S1合作地标设计，S2合作地标检测识别。本发明结合现有的视觉辅助自主着陆方法和项目工作实际，完成了直升机精准着陆及动态位姿调整视觉辅助方法。本发明方法在目标上空10米、合作地标散布6米时精准检测出合作地标；同时检测出合作地标的相应区域并由此指示无人机的位姿偏转角度；实时指示无人机飞向目标区域并进行动态位姿调整，最终实现精准降落。

Description

一种直升机精准着陆及动态位姿调整视觉辅助方法
技术领域
本发明涉及无人机领域，特别是无人机着陆及动太位姿调整。
背景技术
无人机(UnmannedAerial Vehicle，UAV)是一种由飞控系统控制可实现自主飞行或被远距离遥控飞行，且能够重复使用的无人驾驶飞行器。无人机具有制造成本低、灵活性好、应用范围广、续航时间长等特点。军用方面，主要应用于侦察监视、无线中继及执行空战任务等；民用方面，主要应用于地理勘测、森林防火、农药喷洒以及航空摄影等。
无人机着陆技术为无人机的关键技术之一。某项目中提出了将直升机精准降落在指定的2m*1m区域内，且在降落过程中持续修正首尾位姿方向的需求。目前的无人机视觉辅助自主着陆多是空旷地带的较大范围着陆，而在小范围内精准着陆且要求持续修正位姿的情况则比较少见。
发明内容
为了解决上述问题，本发明提出了一种直升机精准着陆及动态位姿调整视觉辅助方法。
一种直升机精准着陆及动态位姿调整视觉辅助方法，包括如下步骤：
S1.合作地标设计，具体包括如下步骤：
步骤S1.1选用椭圆为主体的合作地标图案；
步骤S1.2嵌套椭圆个数、最小椭圆尺寸根据着陆起始高度和最低高度要求与成像器视场参数计算确定，确保着陆最低高度时最小和次小椭圆不出视场；
步骤S1.3由大到小嵌套椭圆间留距离，防止成像模糊或成像远距离时椭圆粘连；
步骤S1.4该地标为黑白两色，最大椭圆的外接矩形主体设置为黑色，黑白相间设置颜色；
S2.合作地标检测识别，具体包括如下步骤：
S2.1灰度直方图检测大致区域
灰度直方图是一个二维图，横坐标表示灰度值，纵坐标表示具有各个灰度值或者灰度级别的像素在图像中出现的次数或者概率；
S2.2HU不变矩评分
HU不变矩具有旋转与尺度的不便性很好的弥补灰度直方图的不足；图像函数f(x,y)，其p+q阶几何矩定义为：
Figure BDA0001908720750000021
p+q阶中心矩定义为：
Figure BDA0001908720750000022
/>
其中
Figure BDA0001908720750000023
和/>
Figure BDA0001908720750000024
代表图像的重心，x,y分别代表该像素点的横纵坐标
Figure BDA0001908720750000025
Figure BDA0001908720750000026
归一化中心距定义为：
Figure BDA0001908720750000027
其中ρ＝(p+q)/2+1；
利用二阶和三阶归一化中心矩构造7个不变矩，这7个不变矩构成一组特征量；
计算按灰度直方图检测得到多个可能结果的HU不变矩与合作地标原图HU不变矩相比的评分，得到置信区间；随后用自适应阈值分割的方法取该区域，计算自适应阈值并最终得到准确完整的分割结果；
S2.3连通域检测
得到分割结果后，通过连通域检测后控制连通域大小并做椭圆拟合来滤除虚警；
S2.4椭圆拟合
椭圆拟合的方法选择最小二乘法，即通过最小化约束条件4ac-b2＝1来最小化距离误差；首先引入拉格朗日乘子法获得等式组，最后求解等式组得到最优的拟合椭圆；
方程组的构建首先根据椭圆方程：
ax2+bxy+cy2＝1 (6)
令a＝[a,b,c,d,e]T，x＝[x2 xy y2 x y]T，其中a,b,c,d,e为椭圆方程系数，则方程表示为ax＝1；拟合椭圆表示为：
min||Da||2 (7)
其中D表示数据样本集合n×6，6表示维度，n表示样本数；a表示椭圆方程的参数；根据拉格朗日乘子法，引入拉格朗日因子λ，得：
2DTDa-2λCa＝0 (8)
aTCa＝1 (9)
令S＝DTD，方程改写为：
Sa＝λCa (10)
aTCa＝1 (11)
求解方程Sa＝λCa的特征值和向量(λi,ui)，其也是方程的特征解，其中μ为任意实数；而根据方程aTCa＝1，找到一个μ，使得μ2ui TCui＝1，即：
Figure BDA0001908720750000031
最后令
Figure BDA0001908720750000032
取λi＞0对应的特征向量ui，即作为曲线拟合的方程解。
本发明结合现有的视觉辅助自主着陆方法和项目工作实际，完成了直升机精准着陆及动态位姿调整视觉辅助方法。本发明方法在目标上空10米、合作地标散布6米时精准检测出合作地标；同时检测出合作地标的相应区域并由此指示无人机的位姿偏转角度；实时指示无人机飞向目标区域并进行动态位姿调整，最终实现精准降落。
附图说明
图1是本发明合作地标示意图
具体实施方式
下面结合附图对本发明做进一步描述。
本发明采用“合作地标自主着陆”的方法，构建特征明显的合作地标，并在该合作地标中特殊图案的指示下计算出降落的精确位置和方向。
一种直升机精准着陆及动态位姿调整视觉辅助方法，包括如下步骤：
S1.合作地标设计
合作地标的设计需要结合应用实际。首先，为了保障主体功能(定位、方向指示)的实现，目标需要易于被检测同时需具备方向性。考虑到实际应用场景中诸如回收车辆等方形目标多，主流的方形合作地标易收到干扰，本发明采用椭圆为主体的图案进行地标设计。同时为了保证在降落时视场内始终有指示图案，本发明采取图案嵌套的方法。
最终设计的图案如图1所示。该地标图案通过椭圆拟合检测出每个椭圆，通过相邻椭圆中心点之间的连线即可得到正确的方向指示。同时在降落至较低高度时图案充满视场，但内层椭圆的边缘依然在视场内部，即实现持续地修正。
具体包括如下步骤：
步骤S1.1选用椭圆为主体的合作地标图案；
步骤S1.2嵌套椭圆个数、最小椭圆尺寸根据着陆起始高度和最低高度要求与成像器视场参数计算确定，确保着陆最低高度时最小和次小椭圆不出视场；
步骤S1.3由大到小嵌套椭圆间留距离，防止成像模糊或成像远距离时椭圆粘连；
步骤S1.4该地标为黑白两色，最大椭圆的外接矩形主体设置为黑色，黑白相间设置颜色。
进一步，所述椭圆长短轴比例不限，最大椭圆长轴尺寸接近直升机尺寸。
进一步，所述步骤3中最小椭圆中心在全图中的位置根据目标着陆点而定，嵌套各个椭圆的长轴在一条直线上，依次由小到大嵌套椭圆，每个椭圆中心在保证椭圆不粘连情况下向一个方向偏，由此确保着陆点的方向性，即由相邻椭圆中大的椭圆中心指向小的椭圆中心。
S2.合作地标检测识别
在10米的高度、环境比较复杂时分割出摆放在视场内的合作地标。由于合作地标由黑白两色组成，其灰度直方图特点十分突出，因此，用灰度直方图的方法检测出目标的大致区域。
S2.1灰度直方图检测大致区域
灰度直方图描述了一幅图像的绘图统计信息，应用于图像分割和图像灰度变换等处理过程中。从数学上说它是一个关于灰度的函数，如令x表示灰度值(0≤x≤255)，则f(x)表示当x为特定灰度时，一幅图像上灰度值为x的像素的数量，要注意的是这里的函数f(x)是一个离散的函数。从图形上来说，灰度直方图就是一个二维图，横坐标表示灰度值(灰度级别)，纵坐标表示具有各个灰度值或者灰度级别的像素在图像中出现的次数或者概率。
S2.2HU不变矩评分
由于灰度直方图对尺度信息比较敏感，且区域形状不确定很难得到完整准确的分割结果，为了确保得到更加准确完整的分割效果，本发明加入了HU不变矩识别与灰度直方图结合最后通过Otsu自适应分割得到准确的图像分割结果。
HU不变矩具有旋转与尺度的不便性很好的弥补灰度直方图的不足。图像函数f(x,y)，其p+q阶几何矩定义为：
Figure BDA0001908720750000051
p+q阶中心矩定义为：
Figure BDA0001908720750000052
其中
Figure BDA0001908720750000053
和/>
Figure BDA0001908720750000054
代表图像的重心，x,y分别代表该像素点的横纵坐标
Figure BDA0001908720750000055
Figure BDA0001908720750000056
归一化中心距定义为：
Figure BDA0001908720750000057
其中ρ＝(p+q)/2+1。
利用二阶和三阶归一化中心矩构造了7个不变矩，这7个不变矩构成一组特征量，Hu.M.K在1962年证明了他们具有旋转，缩放和平移不变性。故称之为HU不变矩。
计算按灰度直方图检测得到多个可能结果的HU不变矩与合作地标原图HU不变矩相比的评分，得到最可能的置信区间。随后用自适应阈值分割的方法取该区域，计算自适应阈值并最终得到准确完整的分割结果。
S2.3连通域检测
得到分割结果后，仍有可能存在一些噪声虚警，通过连通域检测后控制连通域大小并做椭圆拟合来滤除虚警。
检测连通域的步骤如下：
S2.3.1逐行扫描图像，我们把每一行中连续的白色像素组成一个序列称为一个团(run)，并记下它的起点start、它的终点end以及它所在的行号。
S2.3.2对于除了第一行外的所有行里的团，如果它与前一行中的所有团都没有重合区域，则给它一个新的标号；如果它仅与上一行中一个团有重合区域，则将上一行的那个团的标号赋给它；如果它与上一行的2个以上的团有重叠区域，则给当前团赋一个相连团的最小标号，并将上一行的这几个团的标记写入等价对，说明它们属于一类。
S2.3.3将等价对转换为等价序列，每一个序列需要给一个相同的标号，因为它们都是等价的，从1开始，给每个等价序列一个标号。
S2.3.4遍历开始团的标记，查找等价序列，给予它们新的标记。
S2.3.5将每个团的标号填入标记图像中。
S2.3.6结束。
S2.4椭圆拟合
椭圆拟合的方法选择最小二乘法，即通过最小化约束条件4ac-b2＝1来最小化距离误差。首先引入拉格朗日乘子法获得等式组，最后求解等式组得到最优的拟合椭圆。
方程组的构建首先根据椭圆方程：
ax2+bxy+cy2＝1 (6)
令a＝[a,b,c,d,e]T，x＝[x2 xy y2 x y]T，其中a,b,c,d,e为椭圆方程系数，则方程表示为ax＝1。那么拟合椭圆的最优化问题就可表示为：
min||Da||2 (7)
其中D表示数据样本集合n×6，6表示维度，n表示样本数。a表示椭圆方程的参数。根据拉格朗日乘子法，引入拉格朗日因子λ，得：
2DTDa-2λCa＝0 (8)
aTCa＝1 (9)
令S＝DTD，方程改写为：
Sa＝λCa (10)
aTCa＝1 (11)
求解方程Sa＝λCa的特征值和向量(λi,ui)，其也是方程的特征解，其中μ为任意实数。而根据方程aTCa＝1，很容易找到一个μ，使得μ2ui TCui＝1，即：
Figure BDA0001908720750000061
最后令
Figure BDA0001908720750000062
取λi＞0对应的特征向量ui，即可作为曲线拟合的方程解。
本发明通过外场直升机搭载光电载荷的飞行实验采集了一些实验数据最终通过仿真得到的结果正确率在97％以上。
本发明方法直接应用到项目中，完成了实物验证以及外场的采图与仿真，准确率达到97％左右，效果良好。实现了项目要求的直升机的精准着陆以及动态位姿调整。为后续直升机的自主回收等功能并最终实现全部功能自主化奠定了良好的基础。该项研究结合无人机的巨大市场具有广阔的发展空间和潜力，持续地带来良好的经济效益。

Claims (4)

1.一种直升机精准着陆及动态位姿调整视觉辅助方法，包括如下步骤：
S1.合作地标设计，具体包括如下步骤：
步骤S1.1选用椭圆为主体的合作地标图案；
步骤S1.2嵌套椭圆个数、最小椭圆尺寸根据着陆起始高度和最低高度要求与成像器视场参数计算确定，确保着陆最低高度时最小和次小椭圆不出视场；
步骤S1.3由大到小嵌套椭圆间留距离，防止成像模糊或成像远距离时椭圆粘连；
步骤S1.4该地标为黑白两色，最大椭圆的外接矩形主体设置为黑色，黑白相间设置颜色；
S2.合作地标检测识别，具体包括如下步骤：
S2.1灰度直方图检测大致区域
灰度直方图是一个二维图，横坐标表示灰度值，纵坐标表示具有各个灰度值或者灰度级别的像素在图像中出现的次数或者概率；
S2.2 HU不变矩评分
图像函数f(x,y)，其p+q阶几何矩定义为：
Figure FDA0004141919950000011
p+q阶中心矩定义为：
Figure FDA0004141919950000012
其中
Figure FDA0004141919950000013
和/>
Figure FDA0004141919950000014
代表图像的重心，x,y分别代表该像素点的横纵坐标
Figure FDA0004141919950000015
Figure FDA0004141919950000016
归一化中心距定义为：
Figure FDA0004141919950000017
其中ρ＝(p+q)/2+1；
利用二阶和三阶归一化中心矩构造7个不变矩，这7个不变矩构成一组特征量；
计算按灰度直方图检测得到多个可能结果的HU不变矩与合作地标原图HU不变矩相比的评分，得到置信区间；随后用自适应阈值分割的方法取该区域，计算自适应阈值并最终得到准确完整的分割结果；
S2.3连通域检测
得到分割结果后，通过连通域检测后控制连通域大小并做椭圆拟合来滤除虚警；
S2.4椭圆拟合
椭圆拟合的方法选择最小二乘法，即通过最小化约束条件4ac-b2＝1来最小化距离误差；首先引入拉格朗日乘子法获得等式组，最后求解等式组得到最优的拟合椭圆；
方程组的构建首先根据椭圆方程：
ax2+bxy+cy2＝1 (6)
令a＝[a,b,c,d,e]T，x＝[x2 xy y2 x y]T，其中a,b,c,d,e为椭圆方程系数，则方程表示为ax＝1；拟合椭圆表示为：
min||Da||2 (7)
其中D表示数据样本集合n×6，6表示维度，n表示样本数；a表示椭圆方程的参数；根据拉格朗日乘子法，引入拉格朗日因子λ，得：
2DTDa-2λCa＝0 (8)
aTCa＝1 (9)
令S＝DTD，方程改写为：
Sa＝λCa (10)
aTCa＝1 (11)
求解方程Sa＝λCa的特征值和向量(λi,ui)，其也是方程的特征解，其中μ为任意实数；而根据方程aTCa＝1，找到一个μ，使得μ2ui TCui＝1，即：
Figure FDA0004141919950000021
最后令
Figure FDA0004141919950000022
取λi＞0对应的特征向量ui，即作为曲线拟合的方程解。
2.如权利要求1所述的视觉辅助方法，其特征在于，所述步骤S1.1中椭圆长短轴比例不限，最大椭圆长轴尺寸接近直升机尺寸。
3.如权利要求1所述的视觉辅助方法，其特征在于，所述步骤S1.3中最小椭圆中心在全图中的位置根据目标着陆点而定，嵌套各个椭圆的长轴在一条直线上，依次由小到大嵌套椭圆，每个椭圆中心在保证椭圆不粘连情况下向一个方向偏，由此确保着陆点的方向性，即由相邻椭圆中大的椭圆中心指向小的椭圆中心。
4.如权利要求1所述的视觉辅助方法，其特征在于，所述步骤S2.3包括如下步骤：
S2.3.1逐行扫描图像，我们把每一行中连续的白色像素组成一个序列称为一个团(run)，并记下它的起点start、它的终点end以及它所在的行号；
S2.3.2对于除了第一行外的所有行里的团，如果它与前一行中的所有团都没有重合区域，则给它一个新的标号；如果它仅与上一行中一个团有重合区域，则将上一行的那个团的标号赋给它；如果它与上一行的2个以上的团有重叠区域，则给当前团赋一个相连团的最小标号，并将上一行的这几个团的标记写入等价对，说明它们属于一类；
S2.3.3将等价对转换为等价序列，每一个序列需要给一个相同的标号，因为它们都是等价的，从1开始，给每个等价序列一个标号；
S2.3.4遍历开始团的标记，查找等价序列，给予它们新的标记；
S2.3.5将每个团的标号填入标记图像中；
S2.3.6结束。
CN201811543231.1A 2018-12-17 2018-12-17 一种直升机精准着陆及动态位姿调整视觉辅助方法 Active CN111325752B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811543231.1A CN111325752B (zh) 2018-12-17 2018-12-17 一种直升机精准着陆及动态位姿调整视觉辅助方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811543231.1A CN111325752B (zh) 2018-12-17 2018-12-17 一种直升机精准着陆及动态位姿调整视觉辅助方法

Publications (2)

Publication Number Publication Date
CN111325752A CN111325752A (zh) 2020-06-23
CN111325752B true CN111325752B (zh) 2023-06-13

Family

ID=71166887

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811543231.1A Active CN111325752B (zh) 2018-12-17 2018-12-17 一种直升机精准着陆及动态位姿调整视觉辅助方法

Country Status (1)

Country Link
CN (1) CN111325752B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114489129B (zh) * 2022-01-24 2023-04-07 北京远度互联科技有限公司 无人机着陆方法及相关装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020582A (zh) * 2012-09-20 2013-04-03 苏州两江科技有限公司 计算机通过视频图像识别车辆类型的方法
CN105000194A (zh) * 2015-08-13 2015-10-28 史彩成 基于地面合作标志的无人机助降视觉引导方法及机载系统
CN106097308A (zh) * 2016-05-31 2016-11-09 长沙理工大学 一种基于机器视觉的新能源电动车辆充电孔检测与定位方法
CN108052942A (zh) * 2017-12-28 2018-05-18 南京理工大学 一种飞机飞行姿态的视觉图像识别方法
CN108873917A (zh) * 2018-07-05 2018-11-23 太原理工大学 一种面向移动平台的无人机自主着陆控制系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10540782B2 (en) * 2016-11-15 2020-01-21 Colorado Seminary Which Owns And Operates The University Of Denver Image processing for pose estimation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020582A (zh) * 2012-09-20 2013-04-03 苏州两江科技有限公司 计算机通过视频图像识别车辆类型的方法
CN105000194A (zh) * 2015-08-13 2015-10-28 史彩成 基于地面合作标志的无人机助降视觉引导方法及机载系统
CN106097308A (zh) * 2016-05-31 2016-11-09 长沙理工大学 一种基于机器视觉的新能源电动车辆充电孔检测与定位方法
CN108052942A (zh) * 2017-12-28 2018-05-18 南京理工大学 一种飞机飞行姿态的视觉图像识别方法
CN108873917A (zh) * 2018-07-05 2018-11-23 太原理工大学 一种面向移动平台的无人机自主着陆控制系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于视觉的无人直升机着陆位姿参数估计方法;陈丽娟; 等;《计算机应用与软件》;第30卷(第11期);21-23 *
无人机视觉导航算法;黄楠楠 等;《红外与激光工程》;第45卷(第07期);269-277 *

Also Published As

Publication number Publication date
CN111325752A (zh) 2020-06-23

Similar Documents

Publication Publication Date Title
Jeong et al. Road-SLAM: Road marking based SLAM with lane-level accuracy
CN108446634B (zh) 基于视频分析和定位信息结合的航空器持续跟踪方法
Leira et al. Object detection, recognition, and tracking from UAVs using a thermal camera
CN102831618A (zh) 基于霍夫森林的视频目标跟踪方法
Wang et al. Bionic vision inspired on-road obstacle detection and tracking using radar and visual information
CN108986148B (zh) 实现多智能小车协同搜索识别并跟踪特定目标群体的方法
CN111680713B (zh) 一种基于视觉检测的无人机对地目标跟踪与逼近方法
CN111491131B (zh) 由每个对象检测器检测的对象检测信息的集成方法及装置
CN109460046B (zh) 一种无人机自然地标识别与自主着陆方法
CN108036786B (zh) 基于辅助线的位姿检测方法、装置和计算机可读存储介质
Premachandra et al. Speed-up automatic quadcopter position detection by sensing propeller rotation
CN109238288A (zh) 一种无人机室内自主导航方法
CN113406975B (zh) 一种仿生智能多无人机集群自主编队导航控制方法及装置
CN109613926A (zh) 多旋翼无人机自动降落高精度自动识别降落区域的方法
CN107424156A (zh) 基于仿仓鸮眼视觉注意的无人机自主编队精准测量方法
Saleem et al. Steering angle prediction techniques for autonomous ground vehicles: a review
CN108871409A (zh) 一种故障检测方法和系统
Fan et al. Vision algorithms for fixed-wing unmanned aerial vehicle landing system
CN111325752B (zh) 一种直升机精准着陆及动态位姿调整视觉辅助方法
Chiu et al. Vision-only automatic flight control for small UAVs
Le Saux et al. Rapid semantic mapping: Learn environment classifiers on the fly
CN114689030A (zh) 一种基于机载视觉的无人机辅助定位方法及系统
CN113378701B (zh) 一种基于无人机的地面多agv状态监测方法
Kim et al. Fusing lidar data and aerial imagery with perspective correction for precise localization in urban canyons
Rodríguez-Teiles et al. Vision-based reactive autonomous navigation with obstacle avoidance: Towards a non-invasive and cautious exploration of marine habitat

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