基于标志物颜色及轮廓检测的无人机自动寻的着陆方法
【技术领域】
[0001] 本发明涉及一种基于标志物颜色及轮廓检测的无人机自动寻的着陆方法，属于数 字图像处理和无人机技术交叉的领域。
【背景技术】
[0002] 近年来，小型无人机和微型无人机的发展驱动了一些领域新的研究，例如电子、机 械、航空、自动控制等。在搜索、营救、国土安全、实时森林防火、敏感地区的监控等方面，无 人机具有巨大的潜力。
[0003] 国内外无人机制造商生产的无人机在载荷、适用范围、任务执行能力以及命令、控 制和数据获取能力都千差万别，商用和民用仍然处于初期阶段。
[0004] 无人机执行任务的过程中，着陆阶段是最容易出故障的阶段，实现无人机自动着 降是提高无人机自主控制能力的重要环节。传统无人机由操作员通过无人机的机载摄像头 由下行链路传回的视频图像控制，操纵无人机从一个坐标飞行到另一个坐标，这要求操作 员熟悉无人机的飞行特性，以及当前位置和目标位置等详细信息。传统无人机在操作时所 能依靠的自动系统非常有限，大部分工作还需要人工完成。因此，无人机自动导航和着陆方 面是迫切需要提升的短板。
[0005] 随着光学摄像技术、图像处理技术的发展，机器视觉导航技术已经成为无人机自 主导航技术的重点。基于视觉的导航着陆系统只需要一个摄像头和一个机载图像处理单 元，利用摄像头传回的实时视频图像来计算目标位置，辅助机载的导航控制系统控制无人 机完成自主着陆。基于图像特征匹配实现目标的检测和跟随主要利用的图像特征有：
[0006] 1)角点特征。2012年刘洪琼等在《计算机技术与自动化》发表论文"的角点跟踪算 法"对视频稳定系统的角点跟踪算法的分析，针对图像旋转与局部物体运动情况，采取圆投 影向量相关系数法对基于角点跟踪的运动估计算法进行改进，结合局部运动邻域相关算法 剔除运动物体，并采用菱形快速搜索算法提高角点配准速度。
[0007] 2)尺度不变特征（sift)。2015年Wensley，J.H.在Proceedings of the IEEE发表 论文"An Efficient SIFT-Based Mode-Seeking Algorithm for Sub-Pixel Registration of Remotely Sensed Images"对尺度不变换特征转换特征匹配在遥感图像 的多模匹配中遇到的问题提出了解决方案。指出在模式识别中每一个sift特征都和一个尺 度、方向和位置相关，以此来排除无关的匹配点提高匹配的准确度。
[0008] 3)加速鲁棒特性（surf) jOOeHerbert Bay于2006年在ECCV大会上第一次在提出 了这一旋转和尺度不变检测方法和描述子方法，surf使用海森矩阵的行列式值作特征点侦 测并用积分图加速运算，检测速度比Sift提高了数倍。
[0009] 4)图像的颜色特征。图像的颜色特征描述的是图像的全局特征，其对图像的局部 大小、方向、形状等变化不敏感，不能很好地得到图像的局部特征。
[0010] 角点特征检测速度快，但受到图像噪声、光照等的影响，它的健壮性不是很好。 Sift和Surf计算复杂，难以达到实时的要求，并且当视频中不存在目标图像时也能检测到 特征点。
【发明内容】
[0011] 本发明所要解决的技术问题是提供一种基于标志物颜色及轮廓检测的无人机自 动寻的着陆方法，能够利用机载摄像头的实时视频图像准确检测到无人机和降落标志物的 相对位置，且在低像素、不同天气条件下均有较高的适用性。本发明用模板匹配标志物图形 的形状以及颜色的重要参数作为判断依据，实时计算计算标志物坐标，检测结果准确率高， 对无人机自主寻的着降具有重要的实用价值。本发明旨在给出一种快速、准确、部署简单的 无人机自动寻的着陆方法，利用廉价的可见光传感器实时获取场景图像，并通过着陆区域 标志物(也即图像检测的目标）的颜色特征以及其形状轮廓约束来对无人机着陆区域进行 实时的准确检测，进而实现无人机在指定区域自动降落。
[0012] 本发明为解决上述技术问题采用以下技术方案：
[0013] 本发明提供一种基于标志物颜色及轮廓检测的无人机自动寻的着陆方法，所述标 志物仅包括红绿蓝中的任意两种颜色，包括以下具体步骤：
[0014] 步骤1，无 人机机载摄像头拍摄的视频信号通过图传设备实时传输至图像处理系 统；
[0015] 步骤2,图像处理系统对接收到的视频图像进行逐帧预处理，具体为：
[0016] 201，将当前帧图像进行缩放，以满足实际需求;并对缩放后的图像进行通道分离， 得到各通道的二值化图像；
[0017] 202,对步骤201所得的具有标志物边界信息的二值化图像进行腐蚀膨胀处理，并 获取其连通域；
[0018] 203，对步骤202中获取的连通域进行去噪处理，具体为：
[0019] a，若获取的连通域数目大于第一阈值，按照边界长度对连通域进行排序，滤除边 界长度不在有效边界长度范围内的连通域，若剩余连通域数目大于第二阈值，则进入步骤 b，否则进入步骤5;
[0020] b，获取剩余连通域的外接矩形的长宽比，滤除外接矩形长宽比不在有效比值范围 内的连通域，进入步骤204;
[0021] 204,将剩余连通域映射到对应标志物所含两种颜色的通道的二值化图像上，所得 到的区域作为兴趣区；对兴趣区内求像素和，获取每个连通域对应的一对兴趣区的像素和 的比值，若该比值小于第三阈值，则删除对应的连通域，否则进入步骤6;
[0022] 205，若步骤204中剩余连通域的数目等于1，则进入步骤3;若剩余连通域数目大于 1，且当前帧之前的各帧视频图像经过步骤201至204处理后的连通域剩余数目均大于1，则 舍弃当前帧图像，返回步骤201;若剩余连通域数目大于1，且当前帧之前的各帧视频图像经 过步骤201至204处理后的连通域剩余数目出现过等于1的情况，则进入步骤4;
[0023] 步骤3，计算该连通域的中心坐标，该中心坐标即为目标标志物的坐标；
[0024] 步骤4，计算各剩余连通域的中心坐标，并计算各个中心坐标与前一帧视频图像得 到的目标标志物坐标之间的相对距离，相对距离最短的中心坐标即为目标标志物的坐标。
[0025] 作为本发明的进一步优化方案，步骤2中各通道的二值化图像为：
[0027] 式中，1 = 0，1，2、」=0，1，2、1<: = 0，1，2，;[关」关1<:，当1=0，」=1，1<: = 2时01。，011，012 分别对应B，G，R通道;I i为二值化图像。
[0028] 作为本发明的进一步优化方案，步骤a中第二阈值小于第一阈值。
[0029]作为本发明的进一步优化方案，步骤204中第三阈值为0.15。
[0030]作为本发明的进一步优化方案，步骤a中第一阈值为3。
[0031] 本发明采用以上技术方案与现有技术相比，具有以下技术效果:本发明能够利用 机载摄像头的实时视频图像准确检测到无人机和降落标志物的相对位置，且在低像素、不 同天气条件下均有较高的适用性;用模板匹配标志物图形的形状以及颜色的重要参数作为 判断依据，实时计算计算标志物坐标，检测结果准确率高，对无人机自主寻的着降具有重要 的实用价值;利用廉价的可见光传感器实时获取场景图像，并通过着陆区域标志物(也即图 像检测的目标）的颜色特征以及其形状轮廓约束来对无人机着陆区域进行实时的准确检 测，进而实现无人机在指定区域自动降落。
【附图说明】
[0032] 图1是对接收到的视频图像进行预处理的流程图。
[0033]图2是计算连通域以及对连通域进行初步去噪处理的流程图。
[0034] 图3是对连通域取外接矩形并且利用外接矩形长宽比去噪的流程图。
[0035] 图4是利用连通域内B通道和R通道像素值的比值去噪的流程图。
[0036]图5是标志物图像。
[0037]图6是本实例中处理的帧。
[0038]图7是预处理后的B通道的二值图像。
[0039]图8是预处理后的R通道的二值图像。
[0040]图9是对B通道二值图像腐蚀膨胀的结果。
[0041 ]图10是对B通道取连通域的结果。
[0042] 图11是初步去噪后的结果。
[0043] 图12是利用外接矩形长宽比去噪后的结果。
[0044] 图13是连通域内B通道和R通道像素的比值去噪后的结果。
[0045] 图14是最终在本帧中找到的标志物坐标。
[0046] 图15是本发明方法流程图。
【具体实施方式】
[0047] 下面结合附图以及实施例对本发明的技术方案做进一步的详细说明：
[0048] 本发明一种基于标志物颜色及轮廓检测的无人机自动寻的着陆方法，如图1、2、3、 4和15所示，具体内容这里不再赘述。
[0049] 本实例中，视频采集于离目标1-4米的相机，拍摄角度相机镜头和目标法线最大偏 角60度，帧大小1920*1080，帧速率29f/s。标志物图像如图5所示，图片大小1000*1000像素， 中间红色部分大小520*520,红色区域面积和蓝色区域面积的比值约为Ο . 37。检测目标区 域，通过对着陆标志物(标志物为两个嵌套在一起的矩形，内部矩形为红色，外部矩形为蓝 色）的颜色和形状进行限制来检测出标志物在图像中的区域，具体步骤如下：
[0050] 1.读入一帧图像存入img_scene，设置缩放比例为0.4，对img_scene图像进行缩放 处理，如图6所示(本实施例中采用视频为算法检测效果测试用视频，本发明中给出的图6中 所示帧图像为检测过程中有代表性的一帧）。接下来将分别获取场景图中的蓝色和红色区 域，以便后续操作中对标志物位置进行确定。
[0051]为了减小光线和摄像机角度的条件的影响，按公式（1)对缩放后的图像进行通道 分离，得到各通道的二值化图像