CN112906479B - 一种无人机辅助降落方法及其系统 - Google Patents
一种无人机辅助降落方法及其系统 Download PDFInfo
- Publication number
- CN112906479B CN112906479B CN202110093620.4A CN202110093620A CN112906479B CN 112906479 B CN112906479 B CN 112906479B CN 202110093620 A CN202110093620 A CN 202110093620A CN 112906479 B CN112906479 B CN 112906479B
- Authority
- CN
- China
- Prior art keywords
- image
- obstacle
- generating
- binocular
- parallax
- 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 24
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000004888 barrier function Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 230000005484 gravity Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 8
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical group C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000003702 image correction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 230000011664 signaling Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 abstract description 5
- 230000006978 adaptation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G05D1/04—Control of altitude or depth
- G05D1/06—Rate of change of altitude or depth
- G05D1/0607—Rate of change of altitude or depth specially adapted for aircraft
- G05D1/0653—Rate of change of altitude or depth specially adapted for aircraft during a phase of take-off or landing
- G05D1/0676—Rate of change of altitude or depth specially adapted for aircraft during a phase of take-off or landing specially adapted for landing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种无人机辅助降落方法及其系统，包括：获取双目摄像单元采集的无人机下方的双目图像；对所述双目图像进行视差计算并生成视差图；基于所述视差图进行前景点分割、图像开合处理和轮廓计算生成障碍物的真实面积和边界框；基于所述边界框生成用于控制飞机移动的控制信号。本发明通过将双目立体匹配算法与图像形态学开合处理及轮廓算法相结合，获取障碍物的真实面积及边界框，从而根据边界框计算无人机需移动的距离及方向，实现了对无人机下方障碍物进行快速检测并计算避障方向和距离，能够在无人机紧急迫降时协助其安全、平稳地降落，解决了传统的无人机迫降方法具有的降落位置不理想、安全性低的问题。
Description
技术领域
本发明涉及无人机降落控制技术领域，具体涉及一种无人机辅助降落方法及其系统。
背景技术
目前，大部分无人机配备前视避障功能以保证飞行过程中的安全性，通常采用双目相机通过立体匹配得到稠密深度、或者计算稠密光流、视觉SLAM等方式判断出前方障碍物位置，并规划避障路径。而针对无人机超视距飞行时，当动力系统不足以支撑其返航或者定位系统工作异常等各种原因需要就地进行迫降时，由于无法获取机身下方和地面环境状况的信息，导致迫降到不理想的位置，并对机身和地面设施造成损坏的案例时有发生。
因此，现有的无人机迫降方法具有生成的降落位置不理想、安全性低的问题。
发明内容
有鉴于此，本发明提供一种无人机辅助降落方法及其系统，通过改进图像处理方法，解决了现有的无人机迫降方法具有生成的降落位置不理想、安全性低的问题。
为解决以上问题，本发明的技术方案为采用一种无人机辅助降落方法，包括：S1：获取双目摄像单元采集的无人机下方的双目图像；S2：对所述双目图像进行视差计算并生成视差图；S3：基于所述视差图进行前景点分割、图像开合处理和轮廓计算生成障碍物的真实面积和边界框；S4：基于所述边界框生成用于控制飞机移动的控制信号。
可选地，所述S2包括：对所述双目图像进行立体矫正；利用双目立体匹配算法处理所述双目图像，并以所述双目图像的左视图和/或右视图为基图进行匹配生成初始视差图；对所述初始视差图进行滤波去除噪点，生成包含有效深度像素的深度图；剔除所述包含有效深度像素的深度图中无法进行匹配的边缘区域，生成视差图。
可选地，所述S3包括：根据所述视差图计算平均深度，并定义动态兴趣框大小；对所述视差图进行直方图统计生成用于表征视差分布的直方图；根据像素比例分割所述视差图，生成包含前景深度的前景区域图像和包含背景深度的背景区域图像；将分割出的所述前景区域图像转换为二值图，并进行图像形态学开合处理，生成去噪后的障碍物图层；利用轮廓算法处理所述障碍物图层并生成所有的障碍物轮廓；提取面积最大的所述障碍物轮廓作为障碍物，计算所述障碍物的所述真实面积和所述边界框。
可选地，基于所述边界框生成用于控制飞机移动的控制信号包括：对所述障碍物进行面积和固态性判定；若则利用公式计算相机坐标系下的第一移动距离，其中，/>为所述障碍物的像素面积，/>为所述障碍物的凸包面积，t2为最小轮廓固态性阈值，/>为所述障碍物的真实尺度面积，t4最小降落面积阈值，(px，py)为(质心横坐标，质心纵坐标)，/>为所述障碍物的像素质心，/>为所述第一移动距离，W为所述兴趣框宽度，H为所述兴趣框高度，f为双目摄像单元的焦距，deptho为所述前景深度；将所述第一移动距离转换为无人机坐标系下的第二移动距离并生成所述控制信号。
可选地，基于所述边界框生成用于控制飞机移动的控制信号还包括：对所述障碍物进行面积和固态性判定；若或/>则利用公式判定所述边界框与所述兴趣框的面积比是否超过障碍物边界框面积比例阈值，其中，xmax(BB)为所述边界框的最大横坐标，xmin(BB)为所述边界框的最小横坐标，ymax(BB)为所述边界框的最大纵坐标，ymin(BB)为所述边界框的最小纵坐标，t5为所述障碍物边界框面积比例阈值；若所述边界框与所述兴趣框的面积比未超过所述障碍物边界框面积比例阈值，通过计算将障碍物边界框移出兴趣框的距离，反算出所述第一移动距离；若所述边界框与所述兴趣框的面积比超过所述障碍物边界框面积比例阈值，计算所述障碍物的重心，并通过计算将所述障碍物重心移出兴趣框的距离反算出所述第一移动距离。
可选地，在所述边界框与所述兴趣框的面积比未超过所述障碍物边界框面积比例阈值的情况下，通过计算将障碍物边界框移出兴趣框的距离反算出所述第一移动距离，包括：利用公式Δd＝max{xmin(BB)，W-xmax(BB)，ymin(BB)，H-ymax(BB)}计算出所述边界框移出所述兴趣框的最短像素距离，其中，Δd为所述边界框移出所述兴趣框的最短像素距离；利用公式计算相机坐标系下的所述第一移动距离。
可选地，在所述边界框与所述兴趣框的面积比超过所述障碍物边界框面积比例阈值的情况下，计算所述障碍物的重心，并通过计算将所述障碍物重心移出兴趣框的距离反算出所述第一移动距离，包括：利用公式 计算相机坐标系下的所述第一移动距离，其中，sgn为符号函数。
可选地，将所述第一移动距离转换为无人机坐标系下的第二移动距离并生成所述控制信号包括：利用公式计算所述第二移动距离，其中，Tv2u为相机坐标系到无人机坐标系的变换矩阵，/>为所述第二移动距离；基于所述第二移动距离数据并生成所述控制信号。
相应地，本发明提供，一种无人机辅助降落系统，包括：双目摄像单元，用于采集无人机下方的双目图像；图像处理单元，用于接收所述双目图像，对所述双目图像进行视差计算并生成视差图，基于所述视差图进行前景点分割、图像开合处理和轮廓计算生成障碍物的真实面积和边界框，并基于所述边界框生成用于控制飞机移动的控制信号；飞控单元，用于接收所述控制信号并控制所述无人机移动。
可选地，所述图像处理单元包括：相机驱动模块，用于驱动所述双目摄像单元并接收所述双目图像；图像矫正模块，用于对所述双目图像进行立体矫正；视差计算模块，用于利用双目立体匹配算法处理所述双目图像，并以所述双目图像的左视图和/或右视图为基图进行匹配生成初始视差图；视差滤波模块，用于对所述初始视差图进行滤波去除噪点，生成包含有效深度像素的深度图；有效视差后处理模块，用于剔除所述包含有效深度像素的深度图中无法进行匹配的边缘区域，生成视差图；直方图生成模块，用于根据所述视差图计算平均深度，定义动态兴趣框大小，并对所述视差图进行直方图统计生成用于表征视差分布的直方图；前后景判断模块，用于根据像素比例分割所述视差图，生成包含前景深度的前景区域图像和包含背景深度的背景区域图像；障碍物拟合模块，用于将分割出的所述前景区域图像转换为二值图，并进行图像形态学开合处理，生成去噪后的障碍物图层，利用轮廓算法处理所述障碍物图层并生成所有的障碍物轮廓，提取面积最大的所述障碍物轮廓作为障碍物，计算所述障碍物的所述真实面积和所述边界框；视觉制导模块，用于基于所述边界框生成用于控制飞机移动的控制信号。
本发明的首要改进之处为提供的无人机辅助降落方法，通过双目立体匹配得到视差图并处理、分割出包含障碍物的前景图像，结合图像形态学开合处理及轮廓算法获取障碍物的真实面积及边界框，从而根据边界框计算无人机需移动的距离及方向，实现了对无人机下方障碍物进行快速检测并计算避障方向和距离，能够在无人机紧急迫降时协助其安全、平稳地降落，解决了传统的无人机迫降方法具有的降落位置不理想、安全性低的问题。
附图说明
图1是本发明的无人机辅助降落方法的简化流程图；
图2是本发明的无人机辅助降落系统的简化模块连接图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施例对本发明作进一步的详细说明。
如图1所示，一种无人机辅助降落方法，包括：S1：获取双目摄像单元采集的无人机下方的双目图像；S2：对所述双目图像进行视差计算并生成视差图；S3：基于所述视差图进行前景点分割、图像开合处理和轮廓计算生成障碍物的真实面积和边界框；S4：基于所述边界框生成用于控制飞机移动的控制信号。
进一步的，所述S2包括：
对所述双目图像进行立体矫正，包括对所述双目图像的左右图去畸变、极线校正、成像面共面、光轴平行等；
利用双目立体匹配算法处理所述双目图像，并以所述双目图像的左视图和/或右视图为基图进行匹配生成初始视差图D，包括：通过匹配左右图公共视野的像素点，计算出每个像素点的视差值，结合已知的双目摄像单元的焦距f和基线b计算出像素点的深度；
对所述初始视差图进行滤波去除噪点，生成包含有效深度像素的深度图，包括：基于所述立体矫正后的图像有效区域ROI和自定义的视差范围[dmin，dmax]，利用公式D1(x，y)＝{D(x，y)|dmax＜x＜ROIx+ROIw，ROIy＜y＜ROIy+ROIh}生成裁剪后视差图D1(x，y)，其中，ROIx为有效区域起点横坐标，ROIy为有效区域起点纵坐标，ROIw为有效区域宽度，有效区域高度ROIh，并利用公式D2(x，y)＝med{D1(x-m，y-n)|m，n∈w}计算包含有效深度像素的深度图D2(x，y)，其中，med表示滤波计算，w为滤波器核窗口；
剔除所述包含有效深度像素的深度图中无法进行匹配的边缘区域，生成视差图。包括：利用公式D3(x，y)＝{D2(x，y)|dmin＜D(x，y)＜dmax}计算所述视差图。本发明通过裁剪除去图像边缘无法匹配的区域，并通过滤波去除噪点，只保留有效深度像素的深度图，有效地提升了障碍物判断的准确性。
进一步的，所述S3包括：利用公式计算平均深度depthm，并定义动态兴趣框大小；
利用公式h＝{Fi|i∈dmin，dmax]}、计算直方图h和直方图顶点p，其中，A为直方图面积；
根据像素比例分割所述视差图，生成包含前景深度deptho的前景区域图像o(x，y)和包含背景深度depthg的背景区域图像g(x，y)，包括：利用公式g(x，y)＝{D3(x，y)|D3(x，y)＜min(p)+r×depthm}计算背景区域图像g(x，y)，利用公式o(x，y)＝{D3(x，y)|D3(x，y)＞max(p)-r×depthm}计算前景区域图像o(x，y)，利用公式计算背景深度depthg，利用公式/>计算前景深度deptho，其中，r为视差误差比例。
利用公式将分割出的所述前景区域图像转换为二值图，并利用公式/>进行图像形态学开合处理，生成去噪后的障碍物图层o″，其中，o″为结构元素。本发明通过图像形态学处理消除部分空洞、噪点，并使边缘光滑，便于拟合障碍物边界框，进一步的提升了生成的控制命令的准确性。
利用轮廓算法处理所述障碍物图层并生成所有的障碍物轮廓Co″；提取面积最大的所述障碍物轮廓作为障碍物包括：利用公式
选取符合面积、固态性、前背景差等条件中最大的轮廓作为主要障碍物其中，area为轮廓内像素面积，hullArea为凸包面积，t1为最小轮廓面积比例阈值，t2为最小轮廓固态性阈值，t3为最小前后景视差阈值，
利用公式计算所述障碍物/>其中，dist为欧式距离，centroid为质心；
利用公式和
计算所述障碍物的所述真实面积和所述边界框/>
进一步的，基于所述边界框生成用于控制飞机移动的控制信号包括：对所述障碍物进行面积和固态性判定；若则利用公式/>计算相机坐标系下的第一移动距离，其中，/>为所述障碍物的像素面积，/>为所述障碍物的凸包面积，t2为最小轮廓固态性阈值，/>为所述障碍物的真实尺度面积，t4最小降落面积阈值，(px，py)为(质心横坐标，质心纵坐标)，/>为所述障碍物的像素质心，/>为所述第一移动距离，W为所述兴趣框宽度，H为所述兴趣框高度，f为双目摄像单元的焦距，deptho为所述前景深度；将所述第一移动距离转换为无人机坐标系下的第二移动距离并生成所述控制信号。
更进一步的，基于所述边界框生成用于控制飞机移动的控制信号还包括：对所述障碍物进行面积和固态性判定；若或/>则利用公式判定所述边界框与所述兴趣框的面积比是否超过障碍物边界框面积比例阈值，其中，xmax(BB)为所述边界框的最大横坐标，xmin(BB)为所述边界框的最小横坐标，ymax(BB)为所述边界框的最大纵坐标，ymin(BB)为所述边界框的最小纵坐标，t5为所述障碍物边界框面积比例阈值；若所述边界框与所述兴趣框的面积比未超过所述障碍物边界框面积比例阈值，通过计算将障碍物边界框移出兴趣框的距离，反算出所述第一移动距离；若所述边界框与所述兴趣框的面积比超过所述障碍物边界框面积比例阈值，计算所述障碍物的重心，并通过计算将所述障碍物重心移出兴趣框的距离反算出所述第一移动距离。
在所述边界框与所述兴趣框的面积比未超过所述障碍物边界框面积比例阈值的情况下，通过计算将障碍物边界框移出兴趣框的距离反算出所述第一移动距离，包括：利用公式Δd＝max{xmin(BB)，W-xmax(BB)，ymin(BB)，H-ymax(BB)}计算出所述边界框移出所述兴趣框的最短像素距离，其中，Δd为所述边界框移出所述兴趣框的最短像素距离；利用公式计算相机坐标系下的所述第一移动距离。
在所述边界框与所述兴趣框的面积比超过所述障碍物边界框面积比例阈值的情况下，计算所述障碍物的重心，并通过计算将所述障碍物重心移出兴趣框的距离反算出所述第一移动距离，包括：利用公式 计算相机坐标系下的所述第一移动距离，其中，sgn为符号函数。
更进一步的，将所述第一移动距离转换为无人机坐标系下的第二移动距离并生成所述控制信号包括：利用公式计算所述第二移动距离，其中，Tv2u为相机坐标系到无人机坐标系的变换矩阵，/>为所述第二移动距离；基于所述第二移动距离数据并生成所述控制信号。
本发明通过双目立体匹配得到视差图并处理、分割出包含障碍物的前景图像，结合图像形态学开合处理及轮廓算法获取障碍物的真实面积及边界框，从而根据边界框计算无人机需移动的距离及方向，实现了对无人机下方障碍物进行快速检测并计算避障方向和距离，能够在无人机紧急迫降时协助其安全、平稳地降落，解决了传统的无人机迫降方法具有的降落位置不理想、安全性低的问题。
相应的，如图2所示，本发明提供，一种无人机辅助降落系统，包括：双目摄像单元，用于采集无人机下方的双目图像；图像处理单元，用于接收所述双目图像，对所述双目图像进行视差计算并生成视差图，基于所述视差图进行前景点分割、图像开合处理和轮廓计算生成障碍物的真实面积和边界框，并基于所述边界框生成用于控制飞机移动的控制信号；飞控单元，用于接收所述控制信号并控制所述无人机移动。
进一步的，所述图像处理单元包括：相机驱动模块，用于驱动所述双目摄像单元并接收所述双目图像；图像矫正模块，用于对所述双目图像进行立体矫正；视差计算模块，用于利用双目立体匹配算法处理所述双目图像，并以所述双目图像的左视图和/或右视图为基图进行匹配生成初始视差图；视差滤波模块，用于对所述初始视差图进行滤波去除噪点，生成包含有效深度像素的深度图；有效视差后处理模块，用于剔除所述包含有效深度像素的深度图中无法进行匹配的边缘区域，生成视差图；直方图生成模块，用于根据所述视差图计算平均深度，定义动态兴趣框大小，并对所述视差图进行直方图统计生成用于表征视差分布的直方图；前后景判断模块，用于根据像素比例分割所述视差图，生成包含前景深度的前景区域图像和包含背景深度的背景区域图像；障碍物拟合模块，用于将分割出的所述前景区域图像转换为二值图，并进行图像形态学开合处理，生成去噪后的障碍物图层，利用轮廓算法处理所述障碍物图层并生成所有的障碍物轮廓，提取面积最大的所述障碍物轮廓作为障碍物，计算所述障碍物的所述真实面积和所述边界框；视觉制导模块，用于基于所述边界框生成用于控制飞机移动的控制信号。其中，所述图像处理单元还设置有由标准的飞控接口构成的串口，用于与所述飞控单元建立通信连接。
以上仅是本发明的优选实施方式，应当指出的是，上述优选实施方式不应视为对本发明的限制，本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说，在不脱离本发明的精神和范围内，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种无人机辅助降落方法，其特征在于，包括：
S1：获取双目摄像单元采集的无人机下方的双目图像；
S2：对所述双目图像进行视差计算并生成视差图，具体的，对所述双目图像进行立体矫正；利用双目立体匹配算法处理所述双目图像，并以所述双目图像的左视图和/或右视图为基图进行匹配生成初始视差图；对所述初始视差图进行滤波去除噪点，生成包含有效深度像素的深度图；剔除所述包含有效深度像素的深度图中无法进行匹配的边缘区域，生成视差图；
S3：根据所述视差图计算平均深度，并定义动态兴趣框大小；对所述视差图进行直方图统计生成用于表征视差分布的直方图；根据像素比例分割所述视差图，生成包含前景深度的前景区域图像和包含背景深度的背景区域图像；将分割出的所述前景区域图像转换为二值图，并进行图像形态学开合处理，生成去噪后的障碍物图层；利用轮廓算法处理所述障碍物图层并生成所有的障碍物轮廓；提取面积最大的所述障碍物轮廓作为障碍物，计算所述障碍物的真实面积和边界框；
S4：基于所述边界框生成用于控制飞机移动的控制信号，具体的，对所述障碍物进行面积和固态性判定；若所述障碍物的像素面积相对于障碍物的凸包面积的比值大于最小轮廓固态性阈值且所述障碍物的真实尺度面积大于最小降落面积阈值，则通过提取所述障碍物的质心坐标计算相机坐标系下的第一移动距离；将所述第一移动距离转换为无人机坐标系下的第二移动距离并生成所述控制信号。
2.根据权利要求1所述的无人机辅助降落方法，其特征在于，基于所述边界框生成用于控制飞机移动的控制信号还包括：
若所述障碍物的像素面积相对于障碍物的凸包面积的比值不大于最小轮廓固态性阈值或所述障碍物的真实尺度面积不大于最小降落面积阈值，则计算所述边界框与所述兴趣框的面积比是否超过障碍物边界框面积比例阈值；
若所述边界框与所述兴趣框的面积比未超过所述障碍物边界框面积比例阈值，通过计算将障碍物边界框移出兴趣框的距离，反算出所述第一移动距离；
若所述边界框与所述兴趣框的面积比超过所述障碍物边界框面积比例阈值，计算所述障碍物的重心，并通过计算将所述障碍物重心移出兴趣框的距离反算出所述第一移动距离。
3.根据权利要求2所述的无人机辅助降落方法，其特征在于，在所述边界框与所述兴趣框的面积比未超过所述障碍物边界框面积比例阈值的情况下，通过计算将障碍物边界框移出兴趣框的距离反算出所述第一移动距离，包括：
计算所述边界框移出所述兴趣框的最短像素距离；
基于所述最短像素距离计算相机坐标系下的所述第一移动距离。
4.根据权利要求3所述的无人机辅助降落方法，其特征在于，将所述第一移动距离转换为无人机坐标系下的第二移动距离并生成所述控制信号包括：
基于所述第一移动距离和相机坐标系到无人机坐标系的变换矩阵计算所述第二移动距离；
基于所述第二移动距离数据并生成所述控制信号。
5.一种无人机辅助降落系统，其特征在于，包括：
双目摄像单元，用于采集无人机下方的双目图像；
图像处理单元，用于接收所述双目图像，对所述双目图像进行视差计算并生成视差图，具体的，对所述双目图像进行立体矫正；利用双目立体匹配算法处理所述双目图像，并以所述双目图像的左视图和/或右视图为基图进行匹配生成初始视差图；对所述初始视差图进行滤波去除噪点，生成包含有效深度像素的深度图；剔除所述包含有效深度像素的深度图中无法进行匹配的边缘区域，生成视差图，根据所述视差图计算平均深度，并定义动态兴趣框大小；对所述视差图进行直方图统计生成用于表征视差分布的直方图；根据像素比例分割所述视差图，生成包含前景深度的前景区域图像和包含背景深度的背景区域图像；将分割出的所述前景区域图像转换为二值图，并进行图像形态学开合处理，生成去噪后的障碍物图层；利用轮廓算法处理所述障碍物图层并生成所有的障碍物轮廓；提取面积最大的所述障碍物轮廓作为障碍物，计算所述障碍物的真实面积和边界框，并基于所述边界框生成用于控制飞机移动的控制信号，具体的，对所述障碍物进行面积和固态性判定；若所述障碍物的像素面积相对于障碍物的凸包面积的比值大于最小轮廓固态性阈值且所述障碍物的真实尺度面积大于最小降落面积阈值，则通过提取所述障碍物的质心坐标计算相机坐标系下的第一移动距离；将所述第一移动距离转换为无人机坐标系下的第二移动距离并生成所述控制信号；
飞控单元，用于接收所述控制信号并控制所述无人机移动。
6.根据权利要求5所述的无人机辅助降落系统，其特征在于，所述图像处理单元包括：
相机驱动模块，用于驱动所述双目摄像单元并接收所述双目图像；
图像矫正模块，用于对所述双目图像进行立体矫正；
视差计算模块，用于利用双目立体匹配算法处理所述双目图像，并以所述双目图像的左视图和/或右视图为基图进行匹配生成初始视差图；
视差滤波模块，用于对所述初始视差图进行滤波去除噪点，生成包含有效深度像素的深度图。
7.根据权利要求6所述的无人机辅助降落系统，其特征在于，所述图像处理单元还包括：
有效视差后处理模块，用于剔除所述包含有效深度像素的深度图中无法进行匹配的边缘区域，生成视差图；
直方图生成模块，用于根据所述视差图计算平均深度，定义动态兴趣框大小，并对所述视差图进行直方图统计生成用于表征视差分布的直方图；
前后景判断模块，用于根据像素比例分割所述视差图，生成包含前景深度的前景区域图像和包含背景深度的背景区域图像；
障碍物拟合模块，用于将分割出的所述前景区域图像转换为二值图，并进行图像形态学开合处理，生成去噪后的障碍物图层，利用轮廓算法处理所述障碍物图层并生成所有的障碍物轮廓，提取面积最大的所述障碍物轮廓作为障碍物，计算所述障碍物的所述真实面积和所述边界框；
视觉制导模块，用于基于所述边界框生成用于控制飞机移动的控制信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110093620.4A CN112906479B (zh) | 2021-01-22 | 2021-01-22 | 一种无人机辅助降落方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110093620.4A CN112906479B (zh) | 2021-01-22 | 2021-01-22 | 一种无人机辅助降落方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112906479A CN112906479A (zh) | 2021-06-04 |
| CN112906479B true CN112906479B (zh) | 2024-01-26 |
Family
ID=76118648
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110093620.4A Active CN112906479B (zh) | 2021-01-22 | 2021-01-22 | 一种无人机辅助降落方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112906479B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100121020A (ko) * | 2009-05-07 | 2010-11-17 | 한국철도기술연구원 | 객체의 이동궤적을 이용한 철도건널목 위험지역의 지장물 영상검지장치 및 그 제어방법 |
| CN102175222A (zh) * | 2011-03-04 | 2011-09-07 | 南开大学 | 基于立体视觉的吊车避障系统 |
| KR20150136209A (ko) * | 2014-05-26 | 2015-12-07 | 서울대학교산학협력단 | 다중 영상 기반 장애물 회피 시스템 및 방법 |
| CN106681353A (zh) * | 2016-11-29 | 2017-05-17 | 南京航空航天大学 | 基于双目视觉与光流融合的无人机避障方法及系统 |
| CN106708084A (zh) * | 2016-11-24 | 2017-05-24 | 中国科学院自动化研究所 | 复杂环境下无人机自动障碍物检测和避障方法 |
| CN107563373A (zh) * | 2017-07-28 | 2018-01-09 | 飞智控（天津）科技有限公司 | 基于立体视觉的无人机降落区域主动安全检测方法及应用 |
| CN108230392A (zh) * | 2018-01-23 | 2018-06-29 | 北京易智能科技有限公司 | 一种基于imu的视觉障碍物检测虚警剔除方法 |
| CN109508673A (zh) * | 2018-11-13 | 2019-03-22 | 大连理工大学 | 一种基于棒状像素的交通场景障碍检测与识别方法 |
| CN109739256A (zh) * | 2018-12-20 | 2019-05-10 | 深圳市道通智能航空技术有限公司 | 一种无人机降落避障方法、装置及无人机 |
| CN110209184A (zh) * | 2019-06-21 | 2019-09-06 | 太原理工大学 | 一种基于双目视觉系统的无人机避障方法 |
| CN110825101A (zh) * | 2019-12-26 | 2020-02-21 | 电子科技大学 | 一种基于深度卷积神经网络的无人机自主降落方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10635913B2 (en) * | 2016-10-17 | 2020-04-28 | Mediatek Inc. | Path planning method and related navigation device |
| CN111867932A (zh) * | 2018-02-07 | 2020-10-30 | 杭州零零科技有限公司 | 包含全向深度感测和避障空中系统的无人飞行器及其操作方法 |
-
2021
- 2021-01-22 CN CN202110093620.4A patent/CN112906479B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100121020A (ko) * | 2009-05-07 | 2010-11-17 | 한국철도기술연구원 | 객체의 이동궤적을 이용한 철도건널목 위험지역의 지장물 영상검지장치 및 그 제어방법 |
| CN102175222A (zh) * | 2011-03-04 | 2011-09-07 | 南开大学 | 基于立体视觉的吊车避障系统 |
| KR20150136209A (ko) * | 2014-05-26 | 2015-12-07 | 서울대학교산학협력단 | 다중 영상 기반 장애물 회피 시스템 및 방법 |
| CN106708084A (zh) * | 2016-11-24 | 2017-05-24 | 中国科学院自动化研究所 | 复杂环境下无人机自动障碍物检测和避障方法 |
| CN106681353A (zh) * | 2016-11-29 | 2017-05-17 | 南京航空航天大学 | 基于双目视觉与光流融合的无人机避障方法及系统 |
| CN107563373A (zh) * | 2017-07-28 | 2018-01-09 | 飞智控（天津）科技有限公司 | 基于立体视觉的无人机降落区域主动安全检测方法及应用 |
| CN108230392A (zh) * | 2018-01-23 | 2018-06-29 | 北京易智能科技有限公司 | 一种基于imu的视觉障碍物检测虚警剔除方法 |
| CN109508673A (zh) * | 2018-11-13 | 2019-03-22 | 大连理工大学 | 一种基于棒状像素的交通场景障碍检测与识别方法 |
| CN109739256A (zh) * | 2018-12-20 | 2019-05-10 | 深圳市道通智能航空技术有限公司 | 一种无人机降落避障方法、装置及无人机 |
| CN110209184A (zh) * | 2019-06-21 | 2019-09-06 | 太原理工大学 | 一种基于双目视觉系统的无人机避障方法 |
| CN110825101A (zh) * | 2019-12-26 | 2020-02-21 | 电子科技大学 | 一种基于深度卷积神经网络的无人机自主降落方法 |
Non-Patent Citations (1)
| Title |
|---|
| 农用无人机避障技术的应用现状及展望;兰玉彬;王林琳;张亚莉;;农业工程学报(第09期);第112-121页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112906479A (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107844750B (zh) | 一种水面全景图像目标检测识别方法 | |
| CN112396650B (zh) | 一种基于图像和激光雷达融合的目标测距系统及方法 | |
| WO2020135446A1 (zh) | 一种目标定位方法和装置、无人机 | |
| CN111209770B (zh) | 一种车道线识别方法及装置 | |
| CA2975139C (en) | Stereo camera system for collision avoidance during aircraft surface operations | |
| CN111311679B (zh) | 一种基于深度相机的自由漂浮目标位姿估计方法 | |
| CN108269281B (zh) | 基于双目视觉的避障技术方法 | |
| CN105825173A (zh) | 通用道路和车道检测系统与方法 | |
| WO2018119744A1 (zh) | 一种虚警障碍物检测方法及装置 | |
| EP3531375B1 (en) | Method and apparatus for measuring distance, and unmanned aerial vehicle | |
| KR101714783B1 (ko) | Ｇｐｕ를 이용한 온라인 전기 자동차용 전방 장애물 검출 장치 및 방법 | |
| EP2960858B1 (en) | Sensor system for determining distance information based on stereoscopic images | |
| CN113781562B (zh) | 一种基于道路模型的车道线虚实配准和自车定位方法 | |
| Oniga et al. | Polynomial curb detection based on dense stereovision for driving assistance | |
| CN109917359B (zh) | 基于车载单目视觉的鲁棒车辆距离估计方法 | |
| CN110209184A (zh) | 一种基于双目视觉系统的无人机避障方法 | |
| Bao et al. | Vehicle distance detection based on monocular vision | |
| CN110717445A (zh) | 一种用于自动驾驶的前车距离跟踪系统与方法 | |
| Li et al. | Road markings extraction based on threshold segmentation | |
| CN107944350B (zh) | 一种基于外观和几何信息融合的单目视觉道路识别方法 | |
| CN114549549B (zh) | 一种动态环境下基于实例分割的动态目标建模跟踪方法 | |
| CN113724335B (zh) | 一种基于单目相机的三维目标定位方法及系统 | |
| CN109801309B (zh) | 一种基于rgb-d相机的障碍物感知方法 | |
| Hultqvist et al. | Detecting and positioning overtaking vehicles using 1D optical flow | |
| CN112906479B (zh) | 一种无人机辅助降落方法及其系统 |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 610041 7th floor, area a, building 6, No. 200, Tianfu 5th Street, high tech Zone, Chengdu, Sichuan Patentee after: CHENGDU JOUAV AUTOMATION TECHNOLOGY Co.,Ltd. Country or region after: China Address before: Room 801-805, 8th floor, area a, building 3, No. 200, Tianfu 5th Street, Chengdu hi tech Zone, China (Sichuan) pilot Free Trade Zone, Chengdu, Sichuan 610041 Patentee before: CHENGDU JOUAV AUTOMATION TECHNOLOGY Co.,Ltd. Country or region before: China |