CN113899367A - 无人机降落的定位方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明涉及无人机技术领域，公开了一种无人机降落的定位方法、装置、计算机设备及存储介质，所述方法包括：获取无人机预设的停机场地位置，作为初始位置信息，并获取当前时刻的无人机位置信息，作为当前位置信息，获取当前时刻无人机拍照的地面图像，作为当前图像，根据初始位置信息和当前位置信息，得到位置差值信息，根据位置差值确定待检测图像，若待检测图像存在待检测对象，则获取当前位置信息对应的位置，作为当前位置，计算当前位置与待检测对象中心点的距离差信息，基于距离差信息对无人机进行位置调整，直至距离差信息小于或等于预设第二阈值为止，将更新后的当前位置信息对应的位置作为降落位置，提高无人机降落位置的定位精准度。

Description

无人机降落的定位方法、装置、计算机设备及存储介质

技术领域

本发明涉及无人机技术领域，尤其涉及一种无人机降落的定位方法、装置、计算机设备及存储介质。

背景技术

无人机自主飞行技术多年来一直是航空领域研究的热点，具有使用便利、运营成本低、飞行精度高、机动灵活易于智能化等优点，且无人直升机具有不需要专门的起降场地和跑道，可以垂直起飞和降落，对需用空间要求很低等优点，但是由于无人机操控复杂，实现无人机精确降落具有一定的技术难度。

传统的无人机自主着陆导航方法主要有惯性导航、GPS导航和INS/GPS组合导航等方式。惯性导航由于要进行积分运算，随着运行时间的增加，其累积误差越来越大，甚至发散，而民用领域的GPS精度有限且高精度GPS成本较高，因此，现有方式中无人机降落除了依赖高精度GPS定位之外，普遍存在无人机的降落位置定位精准度不高的问题。

发明内容

本发明实施例提供一种无人机降落的定位方法、装置、计算机设备和存储介质，以提高无人机降落位置定位精准度。

为了解决上述技术问题，本申请实施例提供一种无人机降落的定位方法，包括：

获取无人机预设的停机场地位置，作为初始位置信息，并获取当前时刻的无人机位置信息，作为当前位置信息，获取当前时刻无人机拍照的地面图像，作为当前图像；

根据所述初始位置信息和所述当前位置信息，得到位置差值信息；

若所述位置差值信息小于或等于预设第一阈值，确定所述当前图像为待检测图像；

判断所述待检测图像是否存在待检测对象；

若存在，则将所述当前位置信息对应的位置，作为当前位置；

计算所述当前位置与所述待检测对象中心点的距离差信息；

若所述距离差信息大于预设第二阈值，则基于所述距离差信息对无人机进行位置调整，并更新所述当前位置信息；

返回计算所述当前位置与所述待检测对象中心点的距离差信息的步骤继续执行，直至所述距离差信息小于或等于所述预设第二阈值为止，将更新后的当前位置信息对应的位置作为降落位置。

为了解决上述技术问题，本申请实施例还提供一种无人机降落的定位装置，包括：

第一信息获取模块，用于获取无人机预设的停机场地位置，作为初始位置信息，并获取当前时刻的无人机位置信息，作为当前位置信息，获取当前时刻无人机拍照的地面图像，作为当前图像；

第二信息获取模块，用于根据所述初始位置信息和所述当前位置信息，得到位置差值信息；

第三信息获取模块，用于若所述位置差值信息小于或等于预设第一阈值，确定所述当前图像为待检测图像；

第一判断模块，用于判断所述待检测图像是否存在待检测对象；

第二判断模块，用于若存在，则将所述当前位置信息对应的位置，作为当前位置；

信息计算模块，用于计算所述当前位置与所述待检测对象中心点的距离差信息；

第三判断模块，用于若所述距离差信息大于预设第二阈值，则基于所述距离差信息对无人机进行位置调整，并更新所述当前位置信息；

位置确定模块，用于返回计算所述当前位置与所述待检测对象中心点的距离差信息的步骤继续执行，直至所述距离差信息小于或等于所述预设第二阈值为止，将更新后的当前位置信息对应的位置作为降落位置。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述无人机降落的定位方法的步骤。

为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述无人机降落的定位方法的步骤。

本发明实施例提供的无人机降落的定位方法、装置、计算机设备及存储介质，通过获取无人机预设的停机场地位置，作为初始位置信息，并获取当前时刻的无人机位置信息，作为当前位置信息，获取当前时刻无人机拍照的地面图像，作为当前图像，根据初始位置信息和当前位置信息，得到位置差值信息，若位置差值小于或等于预设第一阈值，确定当前图像为待检测图像，判断待检测图像是否存在待检测对象，若存在，则获取当前位置信息对应的位置，作为当前位置，计算当前位置与待检测对象中心点的距离差信息，若距离差信息大于预设第二阈值，则基于距离差信息对无人机进行位置调整，并更新当前位置信息，返回计算当前位置与待检测对象中心点的距离差信息的步骤继续执行，直至距离差信息小于或等于预设第二阈值为止，将更新后的当前位置信息对应的位置作为降落位置，提高了无人机降落位置的定位精准度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述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性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请可以应用于其中的示例性系统架构图；

图2是本申请的无人机降落的定位方法的一个实施例的流程图；

图3是根据本申请的无人机降落的定位装置的一个实施例的结构示意图；

图4是根据本申请的计算机设备的一个实施例的结构示意图；

图5是根据本申请的无人机降落的定位方法的待检测图像和待检测对象的一示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

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作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。

请参阅图1，如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。

需要说明的是，本申请实施例所提供的无人机降落的定位方法由服务器执行，相应地，无人机降落的定位装置设置于服务器中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器，本申请实施例中的终端设备101、102、103具体可以对应的是实际生产中的应用系统。

请参阅图2，图2示出本发明实施例提供的一种无人机降落的定位方法，以该方法应用在图1中的服务端为例进行说明，详述如下：

S201：获取无人机预设的停机场地位置，作为初始位置信息，并获取当前时刻的无人机位置信息，作为当前位置信息，获取当前时刻无人机拍照的地面图像，作为当前图像。

具体的，初始位置信息包括预设的无人机场地位置的经度值、纬度值和海拔高度值，当前位置信息包括无人机在当前时刻的位置的经度值、纬度值和海拔高度值，当前图像为无人机在当前位置信息处拍摄的地面图像。

S202：根据初始位置信息和当前位置信息，得到位置差值信息。

具体的，分别计算预设的无人机场地位置的经度值、纬度值和海拔高度值和无人机在当前时刻的位置的经度值、纬度值和海拔高度值的差值，得到经度差值、纬度差值和高度差值，将经度差值、纬度差值和高度差值作为位置差值信息。

S203：若位置差值信息小于或等于预设第一阈值，确定当前图像为待检测图像。

具体的，预设第一阈值包括经度阈值、纬度阈值和高度阈值，若经度差值小于或等于经度阈值、纬度差值小于或等于纬度阈值且高度差值小于或等于高度阈值，则将当前图像作为待检测图像，其中，预设第一阈值根据历史经验分析获得。

在本步骤中，通过比较位置差值信息和预设第一阈值，预估预设的停机场地位置的范围，在该范围内确定待检测图像，有利于提高在待检测图像中检测到待检测对象的概率，进而提高无人机降落时精准定位的效率。

S204：判断待检测图像是否存在待检测对象。

具体的，待检测对象可以为无人机停机场地的边界图形或中心图形，其中，边界图像包括但不限于圆形、正方形和长方形，中心图形包括但不限于十字形、H形、X形，目前，在实际应用场景中，由于便于识别，因此无人机停机场地的中心图形主要采用H形，此处，需要特别说明的是，边界图形包含中心图形且边界图形与中心图形的中心点重合。

S205：若存在，则将所述当前位置信息对应的位置，作为当前位置。

S206：计算所述当前位置与所述待检测对象中心点的距离差信息。

具体的，距离差信息包括当前位置与待检测对象中心点的横向距离差值和纵向距离差值。

S207：若所距离差信息大于预设第二阈值，则基于距离差信息对无人机进行位置调整，并更新当前位置信息。

具体的，预设第二阈值包括横向距离阈值和纵向距离阈值，其中，横向距离阈值和纵向距离阈值通过分析历史经验数据获得，当横向距离差值大于横向距离阈值时，无人机沿横向距离的方向移动与横向距离差值相等的距离，进行位置调整，获取并更新当前位置信息。

S208：返回计算所述当前位置与所述待检测对象中心点的距离差信息的步骤继续执行，直至所述距离差信息小于或等于所述预设第二阈值为止，将更新后的当前位置信息对应的位置作为降落位置。

具体的，当横向距离差值小于或等于横向距离阈值时，无人机刚好降落在预设的停机场地位置上，优选的，当横向距离阈值为0的时候，无人机处于待检测中心点的正上方，提高降落位置的定位精准度，

在本实施例中，提供的无人机降落的定位方法，通过获取无人机预设的停机场地位置，作为初始位置信息，并获取当前时刻的无人机位置信息，作为当前位置信息，获取当前时刻无人机拍照的地面图像，作为当前图像，根据初始位置信息和当前位置信息，得到位置差值信息，若位置差值小于或等于预设第一阈值，确定当前图像为待检测图像，判断待检测图像是否存在待检测对象，若存在，则获取当前位置信息对应的位置，作为当前位置，计算当前位置与待检测对象中心点的距离差信息，若距离差信息大于预设第二阈值，则基于距离差信息对无人机进行位置调整，并更新当前位置信息，返回计算当前位置与待检测对象中心点的距离差信息的步骤继续执行，直至距离差信息小于或等于预设第二阈值为止，将更新后的当前位置信息对应的位置作为降落位置，提高了无人机降落位置的定位精准度。

在本实施例的一些可选的实现方式中，步骤S202中，初始位置信息包括初始纬度、初始经度和初始海拔，当前位置信息包括当前纬度、当前经度和当前海拔，根据初始位置信息和当前位置信息，得到位置差值信息的步骤包括：

计算初始纬度与当前纬度的差值，得到纬度差值。

计算初始经度与当前经度的差值，得到经度差值。

计算初始海拔与当前海拔的差值，得到高度差值。

将纬度差值、经度差值和高度差值作为位置差值信息。

在本实施例的一些可选的实现方式中，步骤S204中，判断待检测图像是否存在待检测对象的步骤包括：

基于预训练的卷积神经网络，提取待检测图像的图像特征，并生成目标候选框。

具体的，卷积神经网络是一种带有卷积结构的深度神经网络，由多个卷积层构成，每个卷积层包含多个卷积核，用这些卷积核从左向右、从上往下依次扫描整个图像，得到称为特征图的输出数据，在本申请中，卷积神经网络用于提取提取待检测图像的图像特征，并生成目标候选框，预训练的卷积神经网络根据样本图像训练集和已知样本图像分类标签训练得到。

基于区域候选网络和目标候选框，提取目标预测框。

具体的，将目标候选框输入到区域候选网络中，区域候选网络通过滑动窗口的方式实现目标预测框的提取。

基于预训练的分类器，对目标预测框进行分类，确定目标预测框的类别。

具体的，目标预测框为确定边界图形和/或中心图形的边框，预训练的分类器可以是逻辑回归分类器、SVM分类器和softmax分类器，将目标预测框输入到预训练的分类器中进行分类，得到目标预测框的类别，类别可以采用数字进行表示，其中，预训练的分类器根据样本图像训练集和已知样本图像分类标签训练得到。

根据类别、待检测图像面积和预设面积阈值，判断待检测图像是否存在待检测对象。

具体的，预设面积阈值根据分析历史经验数据获得，在本申请中，类别包括多种图形的类别，图形包括但不限于圆形、H形、X形，计算分类得到的类别对应的图形的面积占待检测图像面积的比例，得到面积比值，若面积比值大于预设面积阈值，则确定待检测图像中存在待检测对象，否则不存在。

此处，需要特别说明的是，待检测图像面积可通过像素坐标数据获得其长和宽，并根据长和宽计算得到，分类得到的类别对应的图形的面积根据图形实际形状进行求解，例如，若检测出的图形是圆形，则可采用边缘检测算法等检测出圆形的直径，按照圆形面积公式计算圆形的面积，若检测出的霍夫空间形状是H形，则以H形为基础，构建长方形(连接H形的4个顶点构成长方形)，采用边缘检测算法等检测出长方形的长和宽，按照长方形面积公式计算H形的面积，此处需要说明的是，长方形的长和宽可以相等。

在本实施例中，通过卷积神经网络、区域候选网络和分类器，确定目标预选框的类别，计算分类得到的类别对应的图形的面积占待检测图像面积的比例，得到面积比值，通过面积比值和预设面积阈值，精准地判断待检测图像中是否存在待检测对象，提高了无人机降落时的定位精准度。

在本实施例的一些可选的实现方式中，步骤S204中，判断待检测图像是否存在待检测对象的步骤包括：

获取待检测图像的像素坐标数据。

具体的，像素坐标数据是以图像坐标系为基础坐标系，得到的待检测图像的像素在图像中的位置坐标数据，其中，图像坐标系是以图像左上角、左下角、右上角或者右下角为原点建立以像素为单位的直接坐标系x-y。像素的横坐标x与纵坐标y分别是在其图像数组中所在的列数与行数，在本申请中，为方便对待检测图像进行计算，优选的，以图像左上角为原点建立以像素为单位的直接坐标系x-y。

基于霍夫变换算法，对像素坐标数据进行坐标转换，得到霍夫空间形状。

具体的，霍夫变换算法包括但不限于霍夫直线检测算法和霍夫圆形检测算法，霍夫变换算法是一种特征检测(feature extraction)算法，主要通过在霍夫参数空间(parameter space)中执行投票来识别直线和图形，图形包括但不限于圆形和椭圆形，在本申请中，优选的，采用霍夫变换算法来检测待检测图像中的图形，并计算图形的面积占待检测图形面积的比例，通过霍夫变换算法的投票表决机制，有利于检测待检测图形中的图形和图形参数，便于计算图形的面积。

通过霍夫空间形状、待检测图像面积和预设面积阈值，判断待检测图像是否存在待检测对象。

具体的，在本申请中，霍夫空间形状包括但不限于圆形、H形、X形或其结合，计算霍夫空间形状面积占待检测图像面积的比例，得到面积比值，若面积比值大于预设面积阈值，则确定待检测图像中存在待检测对象，否则不存在。

此处，需要特别说明的是，待检测图像面积可通过像素坐标数据获得其长和宽，并根据长和宽计算得到，霍夫空间形状的面积根据实际形状进行求解，例如，若检测出的霍夫空间形状是圆形，则按照圆形面积公式计算圆形的面积，若检测出的霍夫空间形状是H形，则以H形为基础(连接H形的4个顶点构成长方形)，构建长方形，按照长方形面积公式计算H形的面积。

进一步的，在确定待检测图像中存在待检测对象的同时，生成待检测对象的预测目标框。

在本实施例中，通过霍夫变换算法，对待检测图像中进行图形检测，得到霍夫空间形状，并计算霍夫空间形状的面积占待检测图像面积的比例，得到面积比值，通过面积比值和预设面积阈值，精准地判断待检测图像中是否存在待检测对象，提高了无人机降落时的定位精准度。

在本实施例的一些可选的实现方式中，步骤S206中，计算当前位置与待检测对象中心点的距离差信息的步骤包括：

获取预测目标框的坐标数据、待检测对象的属性信息、待检测图像的属性信息、视场角和当前实际高度值。

具体的，视场角为无人机相机的基础参数之一，对于相机，由于其感光面是矩形的，因此视场角根据停机场地的成像物对角线计算得到，预测目标框为待检测对象对应的边框，待检测图像的属性信息包括待检测图像的长和宽，待检测对象的属性信息包括待检测对象的长和宽，预测目标框的中心点坐标信息、待检测对象的属性信息、待检测图像的属性信息通过以待检测图像左上角、图像左下角、图像右上角或图像右下角为原点建立以像素为单位的直接坐标系x-y。像素的横坐标x与纵坐标y分别是在其图像数组中所在的列数与所在行数，由此来获取预测目标框的坐标数据，在本申请中，预测目标框的坐标数据优选为左上顶点的横坐标和纵坐标，待检测对象的长和宽以及待检测图像的长和宽，当前实际高度值为当前位置信息中的海拔高度和初始位置信息中的海拔高度的差值。

根据预测目标框的坐标数据、待检测对象的属性信息、待检测图像的属性信息、视场角和当前实际高度值，计算并获取当前位置与待检测对象中心点的距离差信息。

具体的，距离差信息包括横向距离差值和纵向距离差值，根据如下公式(1)计算横向距离差值和纵向距离差值：

其中，如图5所示，V_X为横向距离差值，V_y为纵向距离差值，X_L为预测目标框左上顶点的横坐标，Y_L为预测目标框左上顶点的纵坐标，M₂为预测目标框的长，N₂为预测目标框的宽，M₁为待检测图像的长，N₁为待检测图像的宽，h为当前实际高度值，此处，需要特别说明的是，tan42°为无人机的视场角，视场角可根据无人机实际使用的相机进行调整，

和

可向上取整，横向距离差值和纵向距离差值带正负数学符号。

在本实施例中，通过预测目标框的坐标数据、待检测对象的属性信息、待检测图像的属性信息计算得到待检测图像中心与待检测对象中心的横坐标差值、纵坐标差值和待检测图像的对角线长度，根据视场角和当前实际高度值计算得到停机场地的成像物对角线，通过待检测图像中心与待检测对象中心的横坐标差值或待检测图像中心与待检测对象中心的横坐标差值与当前位置与待检测对象中心点的距离差信息比值等于待检测图像的对角线长度与成像五对角线的比值，计算得到当前位置与待检测对象中心点的距离差信息，提高了无人机降落时的定位精准度。

在本实施例的一些可选的实现方式中，步骤S206中，计算当前位置与待检测对象中心点的距离差信息的步骤包括：

获取预测目标框的坐标数据、待检测对象的属性信息、待检测图像的属性信息和待检测对象的实际高度值。

具体的，预测目标框为待检测对象对应的边框，待检测图像的属性信息包括待检测图像的长和宽，当待检测对象为圆形时，待检测对象的实际高度值为圆形的直径，当待检测对象为H形时，待检测对象的实际高度值为H形的高度，预测目标框的中心点坐标信息、待检测对象的属性信息、待检测图像的属性信息通过以待检测图像左上角为原点建立以像素为单位的直接坐标系x-y。像素的横坐标x与纵坐标y分别是在其图像数组中所在的列数与所在行数，由此来获取预测目标框的坐标数据，此处，预测目标框的坐标数据优选为左上顶点的横坐标和纵坐标，待检测对象的实际高度值根据在无人机使用前，通过人工测量并进行预存。

根据预测目标框的坐标数据、待检测对象的属性信息、待检测图像的属性信息和待检测对象的实际高度值，计算并获取当前位置与待检测对象中心点的距离差信息。

具体的，距离差信息包括横向距离差值和纵向距离差值。

情况一：若待检测对象为圆形，根据如下公式(2)计算横向距离差值和纵向距离差值：

式中，R为待检测对象的实际高度值，此处，实际高度值为实际圆形物的直径。

情况二：若待检测对象为H形，根据如下公式(3)计算横向距离差值和纵向距离差值：

式中，L为待检测对象的实际高度值，此处，实际高度值为实际H形的高度。

此处需要特别说明的是，实际H形的长度和宽度可以相等。

在本实施例中，通过预测目标框的坐标数据、待检测对象的属性信息、待检测图像的属性信息计算得到待检测图像中心与待检测对象中心的横坐标差值和纵坐标差值，根据待检测对象的实际高度值与当前位置与待检测对象中心点的距离差信息的比值等于待检测图像中心与待检测对象中心的横坐标差值或纵坐标差值与预测目标框的宽的比值，计算得到当前位置与待检测对象中心点的距离差信息，提高了无人机降落时的定位精准度。

在本实施例的一些可选的实现方式中，步骤S204中，获取当前位置与待检测对象中心点的距离差信息的步骤之后包括：

若待检测图像不存在待检测对象，则以当前位置为中心，在预设范围内获取新的待检测图像，直至新的待检测图像存在待检测对象为止。

具体的，预设范围根据对历史经验数据分析获得，例如，预设范围可以设置成以当前位置为中心的20m*20m范围内。

在本实施例中，通过以当前位置为中心，在预设范围内获取新的待检测图像，有利于更快的找到待检测对象，提高降落时精确定位的效率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

图3示出与上述实施例无人机降落的定位方法一一对应的无人机降落的定位装置的原理框图。如图3所示，该无人机降落的定位装置包括第一信息获取模块30、第二信息获取模块31、第三信息获取模块32、第一判断模块33、第二判断模块34、信息计算模块35、第三判断模块36和位置确定模块37。各功能模块详细说明如下：

第一信息获取模块30，用于获取无人机预设的停机场地位置，作为初始位置信息，并获取当前时刻的无人机位置信息，作为当前位置信息，获取当前时刻无人机拍照的地面图像，作为当前图像；

第二信息获取模块31，用于根据初始位置信息和当前位置信息，得到位置差值信息；

第三信息获取模块32，用于若位置差值信息小于或等于预设第一阈值，确定当前图像为待检测图像；

第一判断模块33，用于判断待检测图像是否存在待检测对象；

第二判断模块34，用于若存在，则将当前位置信息对应的位置，作为当前位置；

信息计算模块35，用于计算当前位置与待检测对象中心点的距离差信息；

第三判断模块36，用于若距离差信息大于预设第二阈值，则基于距离差信息对无人机进行位置调整，并更新当前位置信息；

位置确定模块37，用于返回计算当前位置与待检测对象中心点的距离差信息的步骤继续执行，直至距离差信息小于或等于预设第二阈值为止，将更新后的当前位置信息对应的位置作为降落位置。

可选的，第二信息获取模块31包括第一计算模块、第二计算模块、第三计算模块和差值信息确定模块，各个功能模块详细说明具体如下：

第一计算模块，用于计算初始纬度与当前纬度的差值，得到纬度差值。

第二计算模块，用于计算初始经度与当前经度的差值，得到经度差值。

第三计算模块，用于计算初始海拔与当前海拔的差值，得到高度差值。

差值信息确定模块，用于将纬度差值、经度差值和高度差值作为位置差值信息。

可选的，第一判断模块33包括特征提取模块、预测框提取模块、分类模块和第二判断模块，各个功能模块详细说明具体如下：

特征提取模块，用于基于预训练的卷积神经网络，提取待检测图像的图像特征，并生成目标候选框；

预测框提取模块，用于基于区域候选网络和目标候选框，提取目标预测框；

分类模块，用于基于预训练的分类器，对目标预测框进行分类，确定目标预测框的类别；

第二判断模块，用于根据类别、待检测图像面积和预设面积阈值，判断待检测图像是否存在待检测对象。

可选的，第一判断模块33包括坐标数据获取模块、坐标转换模块和第三判断模块，各个功能模块详细说明具体如下：

坐标数据获取模块，用于获取待检测图像的像素坐标数据；

坐标转换模块，用于基于霍夫变换算法，对像素坐标数据进行坐标转换，得到霍夫空间形状；

第三判断模块，用于通过霍夫空间形状、待检测图像面积和预设面积阈值，判断待检测图像是否存在待检测对象。

可选的，信息计算模块35包括第一获取模块和第二获取模块，各个功能模块详细说明具体如下：

第一获取模块，用于获取预测目标框的坐标数据、待检测对象的属性信息、待检测图像的属性信息、视场角和当前实际高度值；

第二获取模块，用于根据预测目标框的坐标数据、待检测对象的属性信息、待检测图像的属性信息、视场角和当前实际高度值，计算并获取当前位置与待检测对象中心点的距离差信息。

可选的，信息计算模块35包括第三获取模块和第四获取模块，各个功能模块详细说明具体如下：

第三获取模块，用于获取预测目标框的坐标数据、待检测对象的属性信息、待检测图像的属性信息和待检测对象的实际高度值。

第四获取模块，用于根据预测目标框的坐标数据、待检测对象的属性信息、待检测图像的属性信息和待检测对象的实际高度值，计算并获取当前位置与待检测对象中心点的距离差信息。

可选的，无人机降落的定位装置还包括第五获取模块，该功能模块详细说明具体如下：

第五获取模块，用于若待检测图像不存在待检测对象，则以当前位置为中心，在预设范围内获取新的待检测图像，直至新的待检测图像存在待检测对象为止。

关于无人机降落的定位装置的具体限定可以参见上文中对于无人机降落的定位方法的限定，在此不再赘述。上述无人机降落的定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。

所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件连接存储器41、处理器42、网络接口43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或D界面显示存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如电子文件的控制的程序代码等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的程序代码或者处理数据，例如运行电子文件的控制的程序代码。

所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。

本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有界面显示程序，所述界面显示程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的无人机降落的定位方法的步骤。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.无人机降落的定位方法，其特征在于，所述方法包括：

获取无人机预设的停机场地位置，作为初始位置信息，并获取当前时刻的无人机位置信息，作为当前位置信息，获取当前时刻无人机拍照的地面图像，作为当前图像；

根据所述初始位置信息和所述当前位置信息，得到位置差值信息；

若所述位置差值信息小于或等于预设第一阈值，确定所述当前图像为待检测图像；

判断所述待检测图像是否存在待检测对象；

若存在，则将所述当前位置信息对应的位置，作为当前位置；

计算所述当前位置与所述待检测对象中心点的距离差信息；

若所述距离差信息大于预设第二阈值，则基于所述距离差信息对无人机进行位置调整，并更新所述当前位置信息；

返回计算所述当前位置与所述待检测对象中心点的距离差信息的步骤继续执行，直至所述距离差信息小于或等于所述预设第二阈值为止，将更新后的当前位置信息对应的位置作为降落位置。

2.如权利要求1所述的无人机降落的定位方法，其特征在于，所述初始位置信息包括初始纬度、初始经度和初始海拔，所述当前位置信息包括当前纬度、当前经度和当前海拔，所述根据所述初始位置信息和所述当前位置信息，得到位置差值信息的步骤包括：

计算所述初始纬度与所述当前纬度的差值，得到纬度差值；

计算所述初始经度与所述当前经度的差值，得到经度差值；

计算所述初始海拔与所述当前海拔的差值，得到高度差值；

将所述纬度差值、所述经度差值和所述高度差值作为所述位置差值信息。

3.如权利要求1所述的无人机降落的定位方法，其特征在于，所述判断所述待检测图像是否存在待检测对象的步骤包括：

基于预训练的卷积神经网络，提取所述待检测图像的图像特征，并生成目标候选框；

基于区域候选网络和所述目标候选框，提取目标预测框；

基于预训练的分类器，对所述目标预测框进行分类，确定所述目标预测框的类别；

根据所述类别、待检测图像面积和预设面积阈值，判断所述待检测图像是否存在待检测对象。

4.如权利要求1所述的无人机降落的定位方法，其特征在于，所述判断所述待检测图像是否存在待检测对象的步骤包括：

获取所述待检测图像的像素坐标数据；

基于霍夫变换算法，对所述像素坐标数据进行坐标转换，得到霍夫空间形状；

通过所述霍夫空间形状、待检测图像面积和所述预设面积阈值，判断所述待检测图像是否存在待检测对象。

5.如权利要求1所述的无人机降落的定位方法，其特征在于，所述计算所述当前位置与所述待检测对象中心点的距离差信息的步骤包括：

获取预测目标框的坐标数据、待检测对象的属性信息、待检测图像的属性信息、视场角和当前实际高度值；

根据所述预测目标框的坐标数据、所述待检测对象的属性信息、所述待检测图像的属性信息、所述视场角和所述当前实际高度值，计算并获取所述当前位置与所述待检测对象中心点的距离差信息。

6.如权利要求1所述的无人机降落的定位方法，其特征在于，所述计算所述当前位置与所述待检测对象中心点的距离差信息的步骤包括：

获取预测目标框的坐标数据、待检测对象的属性信息、待检测图像的属性信息和待检测对象的实际高度值；

根据所述预测目标框的坐标数据、所述待检测对象的属性信息、所述待检测图像的属性信息和所述待检测对象的实际高度值，计算并获取所述当前位置与所述待检测对象中心点的距离差信息。

7.如权利要求1所述的无人机降落的定位方法，其特征在于，所述判断所述待检测图像是否存在待检测对象的步骤之后包括：

若所述待检测图像不存在所述待检测对象，则以所述当前位置为中心，在预设范围内获取新的待检测图像，直至所述新的待检测图像存在所述待检测对象为止。

8.无人机降落的定位装置，其特征在于，所述装置包括：

第一信息获取模块，用于获取无人机预设的停机场地位置，作为初始位置信息，并获取当前时刻的无人机位置信息，作为当前位置信息，获取当前时刻无人机拍照的地面图像，作为当前图像；

第二信息获取模块，用于根据所述初始位置信息和所述当前位置信息，得到位置差值信息；

第三信息获取模块，用于若所述位置差值信息小于或等于预设第一阈值，确定所述当前图像为待检测图像；

第一判断模块，用于判断所述待检测图像是否存在待检测对象；

第二判断模块，用于若存在，则将所述当前位置信息对应的位置，作为当前位置；

信息计算模块，用于计算所述当前位置与所述待检测对象中心点的距离差信息；

第三判断模块，用于若所述距离差信息大于预设第二阈值，则基于所述距离差信息对无人机进行位置调整，并更新所述当前位置信息；

位置确定模块，用于返回计算所述当前位置与所述待检测对象中心点的距离差信息的步骤继续执行，直至所述距离差信息小于或等于所述预设第二阈值为止，将更新后的当前位置信息对应的位置作为降落位置。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的无人机降落的定位方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的无人机降落的定位方法。

Images