CN112907574A - 一种飞行器的降落点寻找方法、装置、系统及存储介质 - Google Patents

一种飞行器的降落点寻找方法、装置、系统及存储介质 Download PDF

Info

Publication number
CN112907574A
CN112907574A CN202110318924.6A CN202110318924A CN112907574A CN 112907574 A CN112907574 A CN 112907574A CN 202110318924 A CN202110318924 A CN 202110318924A CN 112907574 A CN112907574 A CN 112907574A
Authority
CN
China
Prior art keywords
landing
point
image
preset
aircraft
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.)
Granted
Application number
CN202110318924.6A
Other languages
English (en)
Other versions
CN112907574B (zh
Inventor
鲜龙
严旭
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.)
Chengdu Jouav Automation Technology Co ltd
Original Assignee
Chengdu Jouav Automation Technology Co ltd
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 Chengdu Jouav Automation Technology Co ltd filed Critical Chengdu Jouav Automation Technology Co ltd
Priority to CN202110318924.6A priority Critical patent/CN112907574B/zh
Publication of CN112907574A publication Critical patent/CN112907574A/zh
Application granted granted Critical
Publication of CN112907574B publication Critical patent/CN112907574B/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10024—Color image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种飞行器的降落点寻找方法、装置、系统及计算机可到存储介质，包括接收降落指令后，判断飞行器的当前高度是否大于预设高度，若是，则对采集到的地表彩色图像进行分析，确定出与满足预设降落要求的降落区域对应的目标降落点；本发明在飞行器获取到降落指令时，对当前高度进行判断，若高度大于预设高度则说明飞行器处于高空飞行，此时可以通过对采集到的地表彩色图像进行分析，确定出满足预设降落要求的降落区域及与该降落区域对应的目标降落点，有助于飞行器在高空飞行降落时找到平坦的降落区域及对应的目标降落点用于降落，有利于后续飞行器位于低空时更好的进行降落避障，使降落过程更加安全、快速和稳定。

Description

一种飞行器的降落点寻找方法、装置、系统及存储介质
技术领域
本发明实施例涉及飞行器技术领域，特别是涉及一种飞行器的降落点寻找方法、装置、系统及计算机可读存储介质。
背景技术
当飞行器出现定位系统工作异常或动力不足以支撑返航等情况时，飞行器需进行就地降落。目前基于双目立体匹配算法的计算机视觉飞行器辅助降落技术可在飞行器需进行降落时实时计算稠密深度，利用障碍物检测和视觉制导等算法实现降落过程的避障功能，从而降低机身与地面设施发生损坏的风险。但是，该避障算法仅在飞行器处于低空时才能正确得到地面的深度信息，此时可能错过在高空较宽视野内寻找平坦降落点的时机，当飞行器下方地形较为复杂时，仅仅依靠避障算法仍难以使飞行器降落在理想的平坦地面上或降落耗时过长。
鉴于此，如何提供一种解决上述技术问题的飞行器的降落点寻找方法、装置、系统及计算机可读存储介质成为本领域技术人员需要解决的问题。
发明内容
本发明实施例的目的是提供一种飞行器的降落点寻找方法、装置、系统及计算机可读存储介质，在使用过程中有助于飞行器在高空飞行降落时找到平坦的降落区域及对应的目标降落点用于降落，有利于后续飞行器位于低空时更好的进行降落避障，使降落过程更加安全、快速和稳定。
为解决上述技术问题，本发明实施例提供了一种飞行器的降落点寻找方法，包括：
获取降落指令，判断飞行器的当前高度是否大于预设高度；
若是，则对采集到的地表彩色图像进行分析，确定出与满足预设降落要求的降落区域对应的目标降落点。
可选的，所述对采集到的地表彩色图像进行分析，确定出与满足预设降落要求的降落区域对应的目标降落点的过程为：
根据与采集到的地表彩色图像对应的最优分类簇数，对所述地表彩色图像进行分类聚合处理，得到对应的聚合图像；所述聚合图像中属于同一个类的各个数据点的颜色值与所述类的聚类中心的颜色值相同；
对所述聚合图像进行轮廓信息提取，得到与每个类各自对应的各个轮廓信息；
依据各个所述轮廓信息确定出面积大于预设面积、且固态性值大于预设固态性值的各个第一轮廓；
从各个所述第一轮廓中筛选出存在色彩纹理连续、且满足预设尺寸的降落点区域的各个第一轮廓作为各个第二轮廓，并确定出每个所述第二轮廓中的最终降落点；
按照预设筛选方法从各个所述最终降落点中筛选出目标降落点。
可选的，所述对所述聚合图像进行轮廓信息提取，得到与每个类各自对应的各个轮廓信息的过程为：
对所述聚合图像进行灰度化处理，得到与每个类各自对应的灰度化图像，其中，灰度化图像中属于对应的类的各个数据点的灰度值为第一灰度值，属于其他类的各个数据点的灰度值为第二灰度值，所述第一灰度值与所述第二灰度值之差大于预设灰度值增量；
对各个所述灰度化图像分别进行轮廓提取，得到与每个所述灰度化图像各自对应的各个轮廓信息。
可选的，对所述聚合图像进行灰度化处理，得到与每个类各自对应的灰度化图像的过程为：
对所述聚合图像进行二值化处理，得到与每个类各自对应的二值化图像，其中，所述第一灰度值为255，所述第二灰度值为0；
则，所述对各个所述灰度化图像分别进行轮廓提取，得到与每个所述灰度化图像各自对应的各个轮廓信息的过程为：
对各个所述二值化图像分别进行轮廓提取，得到与每个所述二值化图像各自对应的各个轮廓信息。
可选的，所述从各个所述第一轮廓中筛选出存在色彩纹理连续、且满足预设尺寸的降落点区域的各个第一轮廓作为各个第二轮廓，并确定出每个所述第二轮廓中的最终降落点的过程为：
对每个所述第一轮廓分别进行搜寻，判断所述第一轮廓中是否存在色彩纹理连续、且满足预设尺寸的降落点区域，若存在，则将所述第一轮廓作为第二轮廓，并确定出所述第二轮廓中与所述降落点区域对应的初始降落点；
针对每个所述初始降落点，从所述初始降落点的像素位置与对应的第二轮廓中心的像素位置之间的各个数据点中，选择出距离所述第二轮廓中心最近、且以自身为中心的所述预设尺寸的区域内色彩纹理连续的数据点作为与所述第二轮廓对应的最终降落点。
可选的，所述按照预设筛选方法从各个所述最终降落点中筛选出目标降落点的过程为：
将所述地表彩色图像转换为地表灰度图像，并从所述地表灰度图像中确定出与每个所述最终降落点分别对应的备选降落点的位置；
按照预设规则对所述地表灰度图像中的每个所述备选降落点进行排序，得到第一备选降落点序列；
计算每个所述备选降落点对应的降落点区域的色彩梯度值，并将色彩梯度值低于预设色彩梯度值的备选降落点从所述第一备选降落点序列中剔除，得到第二备选降落点序列；
从所述第二备选降落点序列中当前的各个备选降落点中，确定出第一个满足距离要求的备选降落点作为目标降落点，所述距离要求为备选降落点至所述地表灰度图像中像主点的距离在预设距离范围内。
可选的，所述按照预设规则对所述地表灰度图像中的每个所述备选降落点进行排序，得到第一备选降落点序列的过程为：
将所述地表灰度图像中的每个所述备选降落点按照灰度值从大到小进行排序；
计算每个所述备选降落点分别至所述地表灰度图像中像主点的距离，并将大于预设灰度值的各个备选降落点按照距离从小到大进行排序，将小于所述预设灰度值的各个备选降落点按照距离从小到大进行排序，以得到排序后的第一备选降落点序列。
可选的，在所述从所述第二备选降落点序列中当前的各个备选降落点中，确定出第一个满足距离要求的备选降落点作为目标降落点之前，还包括：
判断所述当前高度是否在预设高度范围内时，若是，则获取与所述地表彩色图像同一时刻采集的另一张地表彩色图像；
依据所述地表采集图像及所述另一张地表彩色图像获取视差信息，并得到对应的视差图像；
依据所述视差图像计算出所述第二备选降落点序列中当前的各个备选降落点分别所属的降落点区域的视差梯度值，并将视差梯度值大于预设梯度值的备选降落点从所述第二备选降落点序列中剔除，得到第三备选降落点序列；
则，所述从所述第二备选降落点序列中当前的各个备选降落点中，确定出第一个满足距离要求的备选降落点作为目标降落点的过程为：
所述从所述第三备选降落点序列中当前的各个备选降落点中，确定出第一个满足距离要求的备选降落点作为目标降落点。
可选的，所述最优分类簇数的寻找过程为:
采用各个预设分类簇数分别对所述地表彩色图像进行分类聚合处理，得到与每个预设分类簇数对应的分类聚合误差值；
根据各个所述预设分类簇数及各自对应的分类聚合误差值，得到对应的肘图形；
计算出所述肘图形的肘点，并将与所述肘点对应的分类簇数作为与所述地表彩色图像对应的最优分类簇数。
可选的，还包括：
将所述目标降落点的坐标从图像坐标系转换为机体坐标系。
本发明实施例还相应的提供了一种飞行器的降落点寻找装置，包括：
判断模块，用于获取降落指令，判断飞行器的当前高度是否大于预设高度，若是，则触发分析模块；
所述分析模块，用于对采集到的地表彩色图像进行分析，确定出与满足预设降落要求的降落区域对应的目标降落点。
本发明实施例还提供了一种飞行器的降落点寻找系统，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述所述飞行器的降落点寻找方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述飞行器的降落点寻找方法的步骤。
本发明实施例提供了一种飞行器的降落点寻找方法、装置、系统及计算机可到存储介质，该方法包括：获取降落指令，判断飞行器的当前高度是否大于预设高度，若是，则对采集到的地表彩色图像进行分析，确定出与满足预设降落要求的降落区域对应的目标降落点。可见，本发明在飞行器获取到降落指令时，可以对当前所在的高度进行判断，若高度大于预设高度，则说明飞行器处于高空飞行，此时可以通过对采集到的地表彩色图像进行分析，确定出满足预设降落要求的降落区域，并进一步确定出与该降落区域对应的目标降落点，从而有助于飞行器在高空飞行降落时找到平坦的降落区域及对应的目标降落点用于降落，有利于后续飞行器位于低空时更好的进行降落避障，使降落过程更加安全、快速和稳定。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，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飞行器的降落点寻找方法的流程示意图；
图2为本发明实施例提供的一种目标降落点寻找过程的流程示意图；
图3为本发明实施例提供的一种CPU-GPU异构的Kmeans分类聚合算法并行加速处理示意图；
图4为本发明实施例提供的一种飞行器的降落点寻找装置的结构示意图。
具体实施方式
本发明实施例提供了一种飞行器的降落点寻找方法、装置、系统及计算机可读存储介质，在使用过程中有助于飞行器在高空飞行降落时找到平坦的降落区域及对应的目标降落点用于降落，有利于后续飞行器位于低空时更好的进行降落避障，使降落过程更加安全、快速和稳定。
为使本发明实施例的目的、技术方案和优点更加清楚，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。
请参照图1，图1为本发明实施例提供的一种飞行器的降落点寻找方法的流程示意图。该方法，包括：
S110：获取降落指令，判断飞行器的当前高度是否大于预设高度，若是，则进入S120；
需要说明的是，本发明实施例中在飞行器飞行过程中获取降落指令时，可以根据飞行器当前所处的飞行高度判断当前高度是否大于预设高度，当大于预设高度时，执行S120，其中，本发明实施例中的降落指令可以为人工根据实际情况输入的，也可以是系统根据当前飞行器的状态满足预设条件(如燃油低于预设值等)时自动生成的，具体哪种方式本发明实施例不做特殊限定；对于本发明实施例中的预设高度，可以根据实际应用过程中飞行器处于高空飞行时的最低高度值进行确定，例如可以为20米，当然不仅限于为该具体数值。另外，本发明中的飞行器具体可以为无人机，当然也可以为其他具体的飞行器，本发明实施例不做特殊限定。
S120：对采集到的地表彩色图像进行分析，确定出与满足预设降落要求的降落区域对应的目标降落点。
具体的，可以预设设置降落要求，然后根据该降落要求对采集到的地表彩色图像进行分析，具体可以对触发降落指令后所采集到的地表彩色图像进行分析，以便从该地表彩色图像中确定出满足预设降落要求的降落区域，并根据该降落区域的具体位置确定出飞行器在该降落区域中的具体目标降落点。其中，地表彩色图像可以为设置在飞行器上的拍摄装置采集的，并且本发明实施例中的预设降落要求可以根据色彩纹理连续性及平坦性要求进行建立。
还需要说明的是，上述对地表彩色图像进行分析的过程可以在图像坐标系进行，并且在确定出目标降落点后，还可以将目标降落点从图像坐标系转换为机体坐标系，以便飞行器根据在自身坐标系下的降落点能够快速从地面定位对应的降落点位置并进行降落。
进一步的，上述S130中对采集到的地表彩色图像进行分析，确定出与满足预设降落要求的降落区域对应的目标降落点的过程具体如图2所示，该过程具体为：
S210：根据与采集到的地表彩色图像对应的最优分类簇数，对地表彩色图像进行分类聚合处理，得到对应的聚合图像；聚合图像中属于同一个类的各个数据点的颜色值与类的聚类中心的颜色值相同；
需要说明的是，本发明实施例中可以先确定出与地表彩色图像对应的最优分类簇数，然后根据该最优分类簇数对该地表彩色图像进行分类聚合处理，其中具体可以采用但不仅限于采用Kmeans分类聚合算法。
进一步的，本发明实施例中的最优分类簇数的寻找过程，具体可以为:
采用各个预设分类簇数分别对地表彩色图像进行分类聚合处理，得到与每个预设分类簇数对应的分类聚合误差值；
根据各个预设分类簇数及各自对应的分类聚合误差值，得到对应的肘图形；
计算出肘图形的肘点，并将与肘点对应的分类簇数作为与地表彩色图像对应的最优分类簇数。
需要说明的是，可以预先设定多个分类簇数K，例如为1至n，其中，n为大于1的正整数，然后可以采用Kmeans分类聚合算法分别选用各个分类簇数对该地表彩色图像进行分类聚合，得到与每个分类簇数各自对应的分类聚合误差值，然后根据每个分类簇数及各自的分类聚合误差绘制出与该地表彩色图像对应的肘形图，可以通过计算该肘形图中最小的夹角点(大于90°)得到肘形图的肘点，与该肘点对应的分类簇数即为该地表彩色图像的最优分类簇数。其中，可以采用利用Kmeans的手肘法来确定最优分类簇数K，则：
EK＝(K,ErrK)，
Figure BDA0002992377650000081
K＝min(CosAngel1,CosAngel2,...,CosAngelMaxK)
D,Colorid_K＝Km eans(srcImg,K)
其中，EK为当分类簇数为K时，对应Kmeans肘形图上的肘点；ErrK为当分类簇数为K时Kmeans的分类聚合误差值；CosAngelK为当分类簇数为K时，对应Kmeans肘形图上肘点的夹角；abs为计算绝对值函数，min为计算最小值函数，D为与K对应的聚合图像；Colorid_K为第id_K簇类别颜色，srcImg为原始彩色图像。
具体的，为了提高处理效率本发明实施例中还可以采用CPU-GPU异构的Kmeans分类聚合算法的并行加速处理方式(如图3所示)，具体可以在CPU端并行实现肘形图的绘制过程，并行计算不同分类簇数的分类聚合误差，并根据各个分类簇数及相应的分类聚合误差绘制肘形图，计算肘点，找出最优分类簇数，具体可以在GPU端利用CUDA平台对Kmeans算法内部进行并行加速，具体包括每个数据点与聚类中心的欧式距离的计算、数据点类别标签的更新及聚类中心风险等计算过程。
也即，如图3所示，多条CPU线程各自对应一个分类簇数K，每个CUP线程均并行对每个分类簇数初始化聚类中心后将数据传输至相应的GPU，GPU根据该初始化聚类中心并行计算每个数据点与各个聚类中心的欧氏距离，并针对一个数据点找到最小欧氏距离对应的聚类中心，并将该数据点的类标签更新为与该聚类中心对应的类，从而得到与m个数据点各自的类标签，计算出属于一类的数据点的颜色值之和，然后再根据该和计算出该类新的聚类中心，从而实现对聚类中心的更新，当不满足预设迭代终止条件时各个GPU继续采用更新后的聚类中心对各个数据点与该聚类中心之间的欧氏距离进行计算，并更新各个数据点的类别标签及更新各个聚类中心，直至满足预设迭代终止条件后确定出每个类的最终聚类中心及各个数据点的类别标签，并计算出与对应的分类簇数对应的分类聚合误差，然后根据各个分类聚合误差绘制肘形图，计算肘点，从而得到与该地表彩色图像对应的最优分类簇数。其中，预设迭代终止条件可以为达到预设迭代次数，或在预设次数内聚类中心保持不变。
在确定出最优分类簇数后，根据该最优分类簇数对地表彩色图像进行分类聚合处理，得到对应的聚合图像，其中，确定出地表彩色图像中每个数据点的类标签，并且将数据点的颜色值更新为与对应的聚类中心的颜色值相同，从而得到聚合图像。
S220：对聚合图像进行轮廓信息提取，得到与每个类各自对应的各个轮廓信息；
需要说明的是，由于聚合图像中属于同一个类的各个数据点的颜色相同，因此可以对聚合图像进行轮廓信息提取，从而可以得到与每个类各自对应的各个轮廓信息，也即一个类对应多个轮廓信息。
进一步的，上述S220中对聚合图像进行轮廓信息提取，得到与每个类各自对应的各个轮廓信息的过程，具体可以为：
对聚合图像进行灰度化处理，得到与每个类各自对应的灰度化图像，其中，灰度化图像中属于对应的类的各个数据点的灰度值为第一灰度值，属于其他类的各个数据点的灰度值为第二灰度值，第一灰度值与第二灰度值之差大于预设灰度值增量；
对各个灰度化图像分别进行轮廓提取，得到与每个灰度化图像各自对应的各个轮廓信息。
需要说明的是，为了更好地对轮廓信息进行提取，本发明实施例中可以将聚合图像进行灰度化处理，得到与每个类各自对应的灰度化图像中，也即一个类对应一张灰度化图像，并且该灰度化图像中所属该类的所有数据点的灰度值均置为第一灰度值，所属其他类的所有数据点的灰度值均置为第二灰度值，并且第一灰度值与第二灰度值相差预设灰度值增量，以便能够从该灰度化图像中所属该类的数据点与其他数据点进行明显的区分，并对每个灰度化图像进行轮廓提取，得到与每个灰度化图像各自对应的各个轮廓信息，从而得到与聚合图像对应的各个轮廓信息，以便提高后续轮廓信息提取的精确度。
例如，分类簇数为3，可以先令聚合图像中属于类1的各个数据点的灰度值为第一灰度值，其余类的数据点的灰度值均为第二灰度值，从而得到与类1对应的灰度化图像，然后再令该聚合图像中属于类2的各个数据点的灰度值为第一灰度值，其余类的数据点的灰度值为第二灰度值，从而得到与类2对应的灰度化图像，然后再令该聚合图像中属于类3的各个数据点的灰度值为第一灰度值，其余类的数据点的灰度值为第二灰度值，从而得到与类3对应的灰度化图像。其中，本发明实施例中的第一灰度值可以为大于200的灰度值，第二灰度值可以为小于50的灰度值，以便更好地进行区分，当前第一灰度值和第二灰度值的具体数值可以根据实际需要进行确定，本发明实施例对此不做特性限定。
更进一步的，上述对聚合图像进行灰度化处理，得到与每个类各自对应的灰度化图像的过程，具体可以为：
对聚合图像进行二值化处理，得到与每个类各自对应的二值化图像；其中，第一灰度值为255，第二灰度值为0；
则，所述对各个灰度化图像分别进行轮廓提取，得到与每个灰度化图像各自对应的各个轮廓信息的过程为：
对各个二值化图像分别进行轮廓提取，得到与每个二值化图像各自对应的各个轮廓信息。
具体的，本发明实施例中为了进一步提高处理结果的精确度，具体可以对聚合图像进行二值化处理得到多张二值化图像Bn，其中，n＝1,2,…,K，Bn表示第n簇类别的二值化图像，K为最优分类簇数，每个类对应一张二值化图像，例如，令属于类1的各个数据点的灰度值为255，其余类的数据点的灰度值均为0，从而得到与类1对应的二值化图像，然后再令属于类2的各个数据点的灰度值为255，其余类的数据点的灰度值为0，从而得到与类2对应的二值化图像，直至得到与每个类分别对应的二值化图像，并对每个二值化图像进行轮廓提取，得到与每个二值化图像各自对应的各个轮廓信息，从而得到与聚合图像对应的各个轮廓信息。其中，
Figure BDA0002992377650000101
D(x,y)为与最优分类簇数K对应的聚合图中坐标为(x，y)的数据点，Colorn为第n簇的类别颜色，第n个二值化图像中的第m个图像轮廓可以用表示为
Figure BDA0002992377650000102
m＝1,2,3…。
由于本发明实施例中的每张二值化图像与一个类对应的数据点的灰度值均为255，与其他类对应的数据点的灰度值均为0，从而可以使二值化图像中目标类与其他类的对比度更加鲜明，在对每个二值化图像进行轮廓提取时，能够更加准确的提出与二值化图像中的各个轮廓信息。
另外，为了进一步提高精确度，降低误差，本发明实施例还可以先对每个二值化图像Bn进行形态学开闭合处理，去除每个二值化图像中的噪点，得到处理后的各个二值化图像Bn”，具体可以先对二值化图像Bn执行开操作得到开操作后的第n簇类别的二值化图像Bn'，然后再对Bn'进行闭合操作，得到闭合操作后的第n簇类别的二值化图像Bn”，然后在对每个Bn”进行轮廓提取，得到各个轮廓信息，从而提高最终所寻找到的目标降落点的精确度。
S230：依据各个轮廓信息确定出面积大于预设面积、且固态性值大于预设固态性值的各个第一轮廓；
需要说明的是，本发明实施例中所寻找的降落区域为了使飞行器降落使用，因此应该从轮廓面积大于预设面积、轮廓固态性大于预设固态性值(Solidity)值的各个第一轮廓中进行寻找，其中，预设面积可以根据飞行器的尺寸进行确定，预设面积大于飞行器尺寸，预设固态性值可以根据实际需要进行确定，固态性值较小的轮廓多数是不规则轮廓、轮廓所包括的区域通常不存在良好的降落点，不利于飞行器降落，因此需要将轮廓面积小于预设面积、固态性值低于预设固态性值的轮廓排除。
S240：从各个第一轮廓中筛选出存在色彩纹理连续、且满足预设尺寸的降落点区域的各个第一轮廓作为各个第二轮廓，并确定出每个第二轮廓中的最终降落点；
具体的，为了找出能够用来降落飞行器的降落区域，该区域应该满足色轮纹理连续，以便找出平坦的降落区域，并且应该满足预设尺寸要求，以便能够满足飞行器尺寸要求，该预设尺寸具体可以根据飞行器尺寸进行确定，例如将比飞行器尺寸大预设值的尺寸作为预设尺寸，该预设尺寸具体可以为像素尺寸(例如100×100)，然后从各个第一轮廓中筛选出存在色彩纹理连续、且满足预设尺寸的降落点区域的各个第一轮廓，并将筛选出的这些第一轮廓作为各个第二轮廓，然后再确定出每个第二轮廓中的最终降落点。
进一步的，上述S240从各个第一轮廓中筛选出存在色彩纹理连续、且满足预设尺寸的降落点区域的各个第一轮廓作为各个第二轮廓，并确定出每个第二轮廓中的最终降落点的过程，具体可以为：
对每个第一轮廓分别进行搜寻，判断第一轮廓中是否存在色彩纹理连续、且满足预设尺寸的降落点区域，若存在，则将第一轮廓作为第二轮廓，并确定出第二轮廓中与降落点区域对应的初始降落点；
也即，确定出第二轮廓中满足色彩纹理连续且满足预设尺寸的降落点区域的位置及与该降落点区域对应的初始降落点的位置，其中可以将该第二轮廓中降落点区域的中心作为初始降落点。
具体的，可以先计算出第一轮廓的斜矩形和正矩形，然后在斜矩形和正矩形内遍历搜寻，得到多个预设尺寸的待决策降落点区域及对应的待决策降落点，并将每个待决策降落点按照距离像主点(也即飞行器在地表灰度图像中的位置)的距离由近到远的顺序进行排序，然后对排序后的各个待决策降落点进行遍历，一旦找到以该待决策降落点为中心满足色彩纹理连续且满足预设尺寸的待决策降落点区域后停止寻找，并将找到的该待决策降落点作为初始降落点。
针对每个初始降落点，从初始降落点的像素位置与对应的第二轮廓中心的像素位置之间的各个数据点中，选择出距离第二轮廓中心最近、且以自身为中心的预设尺寸的区域内色彩纹理连续的数据点作为与第二轮廓对应的最终降落点。
需要说明的是，由于实际情况中每个轮廓的实际边缘处可能存在归属于其他类的区块，而轮廓中心通常表现最为良好，因此本发明实施例中为了防止飞行器按照找出目标降落点降落后与轮廓边缘区域可能存在的其他类物体发生碰撞，在确定出第二轮廓中每个初始降落点后，可以将该初始降落点尽量靠近该第二轮廓的中心，具体的可以从第二轮廓中该初始降落点对应的像素位置与第二轮廓中心的像素位置之间，按照预设尺寸逐个数据点进行判断，从而确定出距离第二轮廓中心最近的、满足色彩纹理连续的目标数据点，将降落点的位置从初始降落点移动至该目标数据点的位置处，将该目标数据点的位置作为第二轮廓中最终降落点的位置。当然，不仅限于采用上述方法确定出第二轮廓的最终降落点，还可以直接从第二轮廓中的初始降落点和第二轮廓中心之间，确定出各个色彩纹理连续、且满足预设尺寸的区域，并将各个区域中距离第二轮廓中心最近的区域的中心点作为最终降落点，以便提高后续所找出的目标降落点的安全性。
S250：按照预设筛选方法从各个最终降落点中筛选出目标降落点。具体的，在确定出与每个第二轮廓对应的最终降落点后，按照预设筛选方法从这些最终降落点中筛选出能够用于降落飞行器的目标降落点。
进一步的，上述按照预设筛选方法从各个最终降落点中筛选出目标降落点的过程，具体可以为：
将地表彩色图像转换为地表灰度图像，并从地表灰度图像中确定出与每个最终降落点分别对应的备选降落点的位置；
按照预设规则对地表灰度图像中的每个备选降落点进行排序，得到第一备选降落点序列；
计算每个备选降落点对应的降落点区域的色彩梯度值，并将色彩梯度值低于预设色彩梯度值的备选降落点从第一备选降落点序列中剔除，得到第二备选降落点序列；
从第二备选降落点序列中当前的各个备选降落点中，确定出第一个满足距离要求的备选降落点作为目标降落点，距离要求为备选降落点至地表灰度图像中像主点的距离在预设距离范围内。
具体的，在确定出每个最终降落点后，也即确定出每个最终降落点的位置，因此可以在将与地表彩色图像对应的地表灰度图像中确定出与每个最终降落点的位置分别对应的数据点，将这些数据点作为备选降落点，并按照预设规则对这些备选降落点进行排序，具体可以先将地表灰度图像中的每个备选降落点按照灰度值从大到小进行排序，然后按照预设灰度值将排好序的各个备选降落点分为两组，具体可以将大于预设灰度值的各个备选降落点分为一组，将小于预设灰度值的各个备选降落点分为一组，然后在每个组内再次根据备选降落点到地表灰度图像中像主点(也即飞行器在地表灰度图像中的位置)之间的距离进行排序，具体按照距离从小到大进行排序，各组内排序完成后即可得到整体排序完成的各个备选降落点形成的第一备选降落点序列。例如，当前的各个备选降落点分别为1、2、3、4、5和6根据灰度值从大到小排序完成后为2、3、1、4、6、5，根据预设灰度值将其分为2、3、1，和4、6、5，且每组按照距离从小到大排序后为3、1、2，6、4、5，因此可以得到最终的第一备选降落点序列3、1、2、6、4、5。
具体的，在得到第一备选降落点序列后，由于色彩纹理连续、且大小满足预设尺寸的降落区域可能会是湖泊等水面，但是水面本身又不能够用于降落飞行器，因此本发明实施例中为了将水面区域排除，需要计算每个备选降落点对应的降落点区域的色彩梯度值，并将色彩梯度值低于预设色彩梯度值的备选降落点从第一备选降落点序列中剔除，得到第二备选降落点序列，也即，色彩梯度值小于预设色彩梯度值的平面较为光滑，可能会是水面，因此将与这些降落点区域对应的备选降落点剔除，以进一步提高飞行器的降落安全性。
具体的，在确定出第二备选降落点序列后，由于距离飞行器太近或太远的备选降落点都不适合用于飞行器的降落，因此可以从第二备选降落点序列中当前的各个备选降落点中，选择出一个与像主点之间的距离为预设距离范围内的一个备选降落点作为目标将落地，具体可以对第二备选降落点序列中的各个备选降落点逐个进行寻找，可以将第一个找到的满足距离要求的备选降落点作为目标降落点，若所有的备选降落点的距离均不在预设距离范围内，则视为没有找到目标降落点。其中，预设距离范围可以为2m～50m，当然具体数值可以根据实际需要进行确定，本发明实施例不做特殊限定。
进一步的，为了进一步确保所选则的降落区域适合飞行器的降落，本发明实施例中在执行上述从第二备选降落点序列中当前的各个备选降落点中，确定出第一个满足距离要求的备选降落点作为目标降落点之前，该方法还可以包括：
判断当前高度是否在预设高度范围内时，若是，则获取与地表彩色图像同一时刻采集的另一张地表彩色图像；
依据地表采集图像及另一张地表彩色图像获取视差信息，并得到对应的视差图像；
依据视差图像计算出第二备选降落点序列中当前的各个备选降落点分别所属的降落点区域的视差梯度值，并将视差梯度值大于预设梯度值的备选降落点从第二备选降落点序列中剔除，得到第三备选降落点序列；
则，上述从第二备选降落点序列中当前的各个备选降落点中，确定出第一个满足距离要求的备选降落点作为目标降落点的过程，具体为：
从第三备选降落点序列中当前的各个备选降落点中，确定出第一个满足距离要求的备选降落点作为目标降落点。
需要说明的是，由于房子等建筑物或树木等植被等与地面距离一定高度的物体，在地表彩色图像中也可能是色彩纹理连续的、且满足预设尺寸的区域，因此第二备选降落点序列中当前的各个备选降落点所对应的降落点区域可能会存在是建筑物或植被等不能够用来降落飞行器的区域，因此本发明实施例中为了更好地找出用于降落飞行器的降落区域及降落点，可以在上述得到第二备选降落点序列后，根据飞行器的当前高度是否在预设范围内，来确定能否获取视差图像，由于飞行器距离地面高度较高时获取不到视差图像，因此若飞行器当前接近低空(也即当前高度在预设范围内，例如30m～20m)则可以获取视差图像，然后从视差图像中确定出与第二备选降落点序列中当前的各个备选降落点分别对应的降落点区域，然后在计算出每个降落点区域的视差梯度值，若视差梯度值较大，则对应的降落点区域可能是建筑物或植被等与地面距离一定高度的物体，因此可以将这些降落点区域对应的备选降落点进行剔除，得到第三备选降落点序列，然后再从第三备选降落点序列中当前的各个备选降落点中，确定出第一个满足距离要求的备选降落点作为目标降落点。
其中，本发明实施例在应用于无人机时，对于设有双目相机的无人机，本发明所采集的地表彩色图像信息具体可以为双目相机中的其中一个相机采集到的图像，为了方便坐标系转换，可以优选为基于作为相机坐标系原点的相机(如左相机)采集的地表彩色图像来寻找目标降落点，并且在需要获取视差图像时，可以获取另一个相机(右相机)在同一时刻采集到的地表彩色图像，基于两个相机在同一时刻所采集到的两张地表彩色图像来得到视差图像。
还需要说明的是，若该地表彩色图像中没有找到满足预设降落要求的降落区域也即没有找到目标降落点，则继续获取下一张地表彩色图像，并继续寻找满足预设降落要求的降落区域及对应的目标降落点，直至找到目标降落点或飞行器高度低于预设高度。另外，在确定出目标降落点后，飞行器可以根据当前的避障算法在降落过程中进行有效避障。
可见，本发明在飞行器获取到降落指令时，可以对当前所在的高度进行判断，若高度大于预设高度，则说明飞行器处于高空飞行，此时可以通过对采集到的地表彩色图像进行分析，确定出满足预设降落要求的降落区域，并进一步确定出与该降落区域对应的目标降落点，从而有助于飞行器在高空飞行降落时找到平坦的降落区域及对应的目标降落点用于降落，有利于后续飞行器位于低空时更好的进行降落避障，使降落过程更加安全、快速和稳定。
在上述实施例的基础上，本发明实施例还相应的提供了一种飞行器的降落点寻找装置，具体请参照图4。该装置包括：
判断模块21，用于获取降落指令，判断飞行器的当前高度是否大于预设高度，若是，则触发分析模块22；
分析模块22，用于对采集到的地表彩色图像进行分析，确定出与满足预设降落要求的降落区域对应的目标降落点。
需要说明的是，本发明实施例中的飞行器的降落点寻找装置具有与上述实施例中提供的飞行器的降落点寻找方法相同的有益效果，并且对于本发明实施例中所涉及到的飞行器的降落点寻找方法的具体介绍请参照上述实施例，本申请在此不再赘述。
在上述实施例的基础上，本发明实施例还提供了一种飞行器的降落点寻找系统，该系统包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现如上述飞行器的降落点寻找方法的步骤。
例如，本发明实施例中的处理器具体可以用于实现获取降落指令后，判断飞行器的当前高度是否大于预设高度，若是，则对采集到的地表彩色图像进行分析，确定出与满足预设降落要求的降落区域对应的目标降落点。
在上述实施例的基础上，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述飞行器的降落点寻找方法的步骤。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本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。
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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (13)

1.一种飞行器的降落点寻找方法，其特征在于，包括：
获取降落指令，判断飞行器的当前高度是否大于预设高度；
若是，则对采集到的地表彩色图像进行分析，确定出与满足预设降落要求的降落区域对应的目标降落点。
2.根据权利要求1所述的飞行器的降落点寻找方法，其特征在于，所述对采集到的地表彩色图像进行分析，确定出与满足预设降落要求的降落区域对应的目标降落点的过程为：
根据与采集到的地表彩色图像对应的最优分类簇数，对所述地表彩色图像进行分类聚合处理，得到对应的聚合图像；所述聚合图像中属于同一个类的各个数据点的颜色值与所述类的聚类中心的颜色值相同；
对所述聚合图像进行轮廓信息提取，得到与每个类各自对应的各个轮廓信息；
依据各个所述轮廓信息确定出面积大于预设面积、且固态性值大于预设固态性值的各个第一轮廓；
从各个所述第一轮廓中筛选出存在色彩纹理连续、且满足预设尺寸的降落点区域的各个第一轮廓作为各个第二轮廓，并确定出每个所述第二轮廓中的最终降落点；
按照预设筛选方法从各个所述最终降落点中筛选出目标降落点。
3.根据权利要求2所述的飞行器的降落点寻找方法，其特征在于，所述对所述聚合图像进行轮廓信息提取，得到与每个类各自对应的各个轮廓信息的过程为：
对所述聚合图像进行灰度化处理，得到与每个类各自对应的灰度化图像，其中，灰度化图像中属于对应的类的各个数据点的灰度值为第一灰度值，属于其他类的各个数据点的灰度值为第二灰度值，所述第一灰度值与所述第二灰度值之差大于预设灰度值增量；
对各个所述灰度化图像分别进行轮廓提取，得到与每个所述灰度化图像各自对应的各个轮廓信息。
4.根据权利要求3所述的飞行器的降落点寻找方法，其特征在于，所述对所述聚合图像进行灰度化处理，得到与每个类各自对应的灰度化图像的过程为：
对所述聚合图像进行二值化处理，得到与每个类各自对应的二值化图像；其中，所述第一灰度值为255，所述第二灰度值为0；
则，所述对各个所述灰度化图像分别进行轮廓提取，得到与每个所述灰度化图像各自对应的各个轮廓信息的过程为：
对各个所述二值化图像分别进行轮廓提取，得到与每个所述二值化图像各自对应的各个轮廓信息。
5.根据权利要求2所述的飞行器的降落点寻找方法，其特征在于，所述从各个所述第一轮廓中筛选出存在色彩纹理连续、且满足预设尺寸的降落点区域的各个第一轮廓作为各个第二轮廓，并确定出每个所述第二轮廓中的最终降落点的过程为：
对每个所述第一轮廓分别进行搜寻，判断所述第一轮廓中是否存在色彩纹理连续、且满足预设尺寸的降落点区域，若存在，则将所述第一轮廓作为第二轮廓，并确定出所述第二轮廓中与所述降落点区域对应的初始降落点；
针对每个所述初始降落点，从所述初始降落点的像素位置与对应的第二轮廓中心的像素位置之间的各个数据点中，选择出距离所述第二轮廓中心最近、且以自身为中心的所述预设尺寸的区域内色彩纹理连续的数据点作为与所述第二轮廓对应的最终降落点。
6.根据权利要求2所述的飞行器的降落点寻找方法，其特征在于，所述按照预设筛选方法从各个所述最终降落点中筛选出目标降落点的过程为：
将所述地表彩色图像转换为地表灰度图像，并从所述地表灰度图像中确定出与每个所述最终降落点分别对应的备选降落点的位置；
按照预设规则对所述地表灰度图像中的每个所述备选降落点进行排序，得到第一备选降落点序列；
计算每个所述备选降落点对应的降落点区域的色彩梯度值，并将色彩梯度值低于预设色彩梯度值的备选降落点从所述第一备选降落点序列中剔除，得到第二备选降落点序列；
从所述第二备选降落点序列中当前的各个备选降落点中，确定出第一个满足距离要求的备选降落点作为目标降落点，所述距离要求为备选降落点至所述地表灰度图像中像主点的距离在预设距离范围内。
7.根据权利要求6所述的飞行器的降落点寻找方法，其特征在于，所述按照预设规则对所述地表灰度图像中的每个所述备选降落点进行排序，得到第一备选降落点序列的过程为：
将所述地表灰度图像中的每个所述备选降落点按照灰度值从大到小进行排序；
计算每个所述备选降落点分别至所述地表灰度图像中像主点的距离，并将大于预设灰度值的各个备选降落点按照距离从小到大进行排序，将小于所述预设灰度值的各个备选降落点按照距离从小到大进行排序，以得到排序后的第一备选降落点序列。
8.根据权利要求6所述的飞行器的降落点寻找方法，其特征在于，在所述从所述第二备选降落点序列中当前的各个备选降落点中，确定出第一个满足距离要求的备选降落点作为目标降落点之前，还包括：
判断所述当前高度是否在预设高度范围内时，若是，则获取与所述地表彩色图像同一时刻采集的另一张地表彩色图像；
依据所述地表采集图像及所述另一张地表彩色图像获取视差信息，并得到对应的视差图像；
依据所述视差图像计算出所述第二备选降落点序列中当前的各个备选降落点分别所属的降落点区域的视差梯度值，并将视差梯度值大于预设梯度值的备选降落点从所述第二备选降落点序列中剔除，得到第三备选降落点序列；
则，所述从所述第二备选降落点序列中当前的各个备选降落点中，确定出第一个满足距离要求的备选降落点作为目标降落点的过程为：
所述从所述第三备选降落点序列中当前的各个备选降落点中，确定出第一个满足距离要求的备选降落点作为目标降落点。
9.根据权利要求2所述的飞行器的降落点寻找方法，其特征在于，所述最优分类簇数的寻找过程为:
采用各个预设分类簇数分别对所述地表彩色图像进行分类聚合处理，得到与每个预设分类簇数对应的分类聚合误差值；
根据各个所述预设分类簇数及各自对应的分类聚合误差值，得到对应的肘图形；
计算出所述肘图形的肘点，并将与所述肘点对应的分类簇数作为与所述地表彩色图像对应的最优分类簇数。
10.根据权利要求1所述的飞行器的降落点寻找方法，其特征在于，还包括：
将所述目标降落点的坐标从图像坐标系转换为机体坐标系。
11.一种飞行器的降落点寻找装置，其特征在于，包括：
判断模块，用于获取降落指令，判断飞行器的当前高度是否大于预设高度，若是，则触发分析模块；
所述分析模块，用于对采集到的地表彩色图像进行分析，确定出与满足预设降落要求的降落区域对应的目标降落点。
12.一种飞行器的降落点寻找系统，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至10任一项所述飞行器的降落点寻找方法的步骤。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至10任一项所述飞行器的降落点寻找方法的步骤。
CN202110318924.6A 2021-03-25 2021-03-25 一种飞行器的降落点寻找方法、装置、系统及存储介质 Active CN112907574B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110318924.6A CN112907574B (zh) 2021-03-25 2021-03-25 一种飞行器的降落点寻找方法、装置、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110318924.6A CN112907574B (zh) 2021-03-25 2021-03-25 一种飞行器的降落点寻找方法、装置、系统及存储介质

Publications (2)

Publication Number Publication Date
CN112907574A true CN112907574A (zh) 2021-06-04
CN112907574B CN112907574B (zh) 2023-10-17

Family

ID=76106499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110318924.6A Active CN112907574B (zh) 2021-03-25 2021-03-25 一种飞行器的降落点寻找方法、装置、系统及存储介质

Country Status (1)

Country Link
CN (1) CN112907574B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114384921A (zh) * 2022-01-12 2022-04-22 上海赫千电子科技有限公司 一种基于无人机母车的车载无人机的升降方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070086667A1 (en) * 2005-10-17 2007-04-19 Canon Kabushiki Kaisha Image processing apparatus, image processing method, and program
CN102663729A (zh) * 2012-03-11 2012-09-12 东华大学 基于轮廓跟踪的车载红外视频彩色化方法
CN104049641A (zh) * 2014-05-29 2014-09-17 深圳市大疆创新科技有限公司 一种自动降落方法、装置及飞行器
CN106054929A (zh) * 2016-06-27 2016-10-26 西北工业大学 一种基于光流的无人机自动降落引导方法
CN106096651A (zh) * 2016-06-12 2016-11-09 西安电子科技大学 基于超像素和度量学习的极化sar地物分类方法
CN107403450A (zh) * 2017-02-25 2017-11-28 天机智汇科技（深圳）有限公司 一种无人机定点降落的方法及装置
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
CN107609468A (zh) * 2017-07-28 2018-01-19 飞智控（天津）科技有限公司 用于无人机降落区域主动安全检测的类别优化聚合分析方法及应用
CN108256491A (zh) * 2018-01-25 2018-07-06 北方工业大学 无预设靶标的复杂场景无人机自主降落候选区筛选方法
WO2019062092A1 (zh) * 2017-09-30 2019-04-04 深圳市颐通科技有限公司 基于超像素-多色彩空间的人体轮廓提取方法
CN109885086A (zh) * 2019-03-11 2019-06-14 西安电子科技大学 一种基于复合多边形标志引导的无人机垂直降落方法
CN110297498A (zh) * 2019-06-13 2019-10-01 暨南大学 一种基于无线充电无人机的轨道巡检方法及系统
WO2021003587A1 (zh) * 2019-07-05 2021-01-14 深圳市大疆创新科技有限公司 语义地图的构建方法、系统、可移动平台和存储介质
CN112419250A (zh) * 2020-11-13 2021-02-26 湖北工业大学 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070086667A1 (en) * 2005-10-17 2007-04-19 Canon Kabushiki Kaisha Image processing apparatus, image processing method, and program
CN102663729A (zh) * 2012-03-11 2012-09-12 东华大学 基于轮廓跟踪的车载红外视频彩色化方法
CN104049641A (zh) * 2014-05-29 2014-09-17 深圳市大疆创新科技有限公司 一种自动降落方法、装置及飞行器
CN106096651A (zh) * 2016-06-12 2016-11-09 西安电子科技大学 基于超像素和度量学习的极化sar地物分类方法
CN106054929A (zh) * 2016-06-27 2016-10-26 西北工业大学 一种基于光流的无人机自动降落引导方法
CN107403450A (zh) * 2017-02-25 2017-11-28 天机智汇科技（深圳）有限公司 一种无人机定点降落的方法及装置
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
CN107609468A (zh) * 2017-07-28 2018-01-19 飞智控（天津）科技有限公司 用于无人机降落区域主动安全检测的类别优化聚合分析方法及应用
WO2019062092A1 (zh) * 2017-09-30 2019-04-04 深圳市颐通科技有限公司 基于超像素-多色彩空间的人体轮廓提取方法
CN108256491A (zh) * 2018-01-25 2018-07-06 北方工业大学 无预设靶标的复杂场景无人机自主降落候选区筛选方法
CN109885086A (zh) * 2019-03-11 2019-06-14 西安电子科技大学 一种基于复合多边形标志引导的无人机垂直降落方法
CN110297498A (zh) * 2019-06-13 2019-10-01 暨南大学 一种基于无线充电无人机的轨道巡检方法及系统
WO2021003587A1 (zh) * 2019-07-05 2021-01-14 深圳市大疆创新科技有限公司 语义地图的构建方法、系统、可移动平台和存储介质
CN112419250A (zh) * 2020-11-13 2021-02-26 湖北工业大学 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
林开颜,吴军辉,徐立鸿: "彩色图像分割方法综述", 中国图象图形学报, no. 01, pages 1 - 10 *
马旭;程咏梅;郝帅;: "尺度变化下飞机着降区自适应分割算法", 西北工业大学学报, no. 02, pages 328 - 331 *
黄淼;王刘涛;褚龙现;张海朝;: "飞行器降落图像智能优化识别建模研究", 计算机仿真, no. 01, pages 92 - 95 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114384921A (zh) * 2022-01-12 2022-04-22 上海赫千电子科技有限公司 一种基于无人机母车的车载无人机的升降方法
CN114384921B (zh) * 2022-01-12 2024-05-28 上海赫千电子科技有限公司 一种基于无人机母车的车载无人机的升降方法

Also Published As

Publication number Publication date
CN112907574B (zh) 2023-10-17

Similar Documents

Publication Publication Date Title
CN111985322B (zh) 一种基于激光雷达的道路环境要素感知方法
CN108304873B (zh) 基于高分辨率光学卫星遥感影像的目标检测方法及其系统
CN106022381B (zh) 基于车载激光扫描点云的路灯杆自动提取方法
CN108510467B (zh) 基于深度可变形卷积神经网络的sar图像目标识别方法
CN109061600B (zh) 一种基于毫米波雷达数据的目标识别方法
CN111444767B (zh) 一种基于激光雷达的行人检测和追踪方法
CN112825192B (zh) 基于机器学习的对象辨识系统及其方法
CN111158015B (zh) 机载激光雷达点云数据误分地面点的检测方法和系统
CN112099046B (zh) 基于多值体素模型的机载lidar三维平面检测方法
CN111783721B (zh) 一种激光点云的车道线提取方法及电子设备
CN110047036B (zh) 基于极坐标格网的地面激光扫描数据建筑物立面提取方法
CN113484875B (zh) 一种基于混合高斯排序的激光雷达点云目标分级识别方法
CN113177477A (zh) 一种基于三维点云分析的目标检测识别方法
Cheng et al. Urban road extraction via graph cuts based probability propagation
CN111783722B (zh) 一种激光点云的车道线提取方法和电子设备
CN112528781B (zh) 一种障碍物检测方法、装置、设备和计算机可读存储介质
CN108596151B (zh) 一种大场景sar图像中舰船目标切片快速提取方法
Guo et al. Classification of airborne laser scanning data using JointBoost
Lin et al. Pedestrian detection from lidar data via cooperative deep and hand-crafted features
CN115063555A (zh) 高斯分布区域生长的车载LiDAR点云行道树提取方法
CN116524219A (zh) 一种基于激光雷达点云聚类的障碍物检测方法
CN112907574B (zh) 一种飞行器的降落点寻找方法、装置、系统及存储介质
Dos Santos et al. Automatic building change detection using multi-temporal airborne LiDAR data
Yazdanpanah et al. Sky segmentation by fusing clustering with neural networks
Montoya et al. TreeTool: A tool for detecting trees and estimating their DBH using forest point clouds

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, Chengdu pilot Free Trade Zone, Sichuan 610041

Patentee before: CHENGDU JOUAV AUTOMATION TECHNOLOGY Co.,Ltd.

Country or region before: China