無人機飛行途中視覺導(dǎo)航關(guān)鍵技術(shù)研究.pdf

1、視覺導(dǎo)航是一種重要的自主導(dǎo)航方式。在GPS失效情況下，視覺導(dǎo)航作為有效的輔助導(dǎo)航方式，對無人機慣性導(dǎo)航系統(tǒng)實現(xiàn)長航時高精度導(dǎo)航起著重要的作用。由于視覺成像受復(fù)雜自然環(huán)境及飛行狀態(tài)的影響，視覺導(dǎo)航面臨魯棒性差的問題。本文對復(fù)雜環(huán)境下視覺導(dǎo)航中景象匹配導(dǎo)航和基于序列圖像的運動估計中的關(guān)鍵技術(shù)展開較為系統(tǒng)深入的研究。主要貢獻如下：
　　1.針對景象匹配中人工選取航路點費時、費力、受主觀因素影響，很難滿足實際應(yīng)用的問題，提出了基于顯著性分

2、析的航路點自動選取算法。該方法首先將稀疏低秩分解和稀疏編碼相結(jié)合，實現(xiàn)航拍圖像的顯著結(jié)構(gòu)區(qū)域的檢測；然后，基于顯著性分析結(jié)果實現(xiàn)了航路點正負訓(xùn)練樣本的自動獲取，并提取訓(xùn)練樣本的邊緣和互相關(guān)面的4個特征訓(xùn)練 SVM分類器參數(shù)；最后，利用SVM分類器對樣本圖像進行航路點與非航路點的分類。用Google Earth軟件獲取實驗樣本作為航拍圖像，進行SVM分類器的設(shè)計與測試，測試結(jié)果表明平均分類精度為93.33％。利用谷歌下載器獲取包含預(yù)定航跡

3、的大基準(zhǔn)圖，進行航路點的選取，結(jié)果表明，該方法能夠有效地從基準(zhǔn)圖中提取出航路點。
　　2.針對具有較大旋轉(zhuǎn)和尺度畸變的航拍圖像匹配，Hausdorff匹配算法存在魯棒性差的問題，提出了基于形狀上下文的加權(quán) Hausdorff景象匹配算法。該方法首先構(gòu)建基于邊緣連續(xù)性檢測的結(jié)構(gòu)關(guān)鍵點提取方法，減小瑣碎邊緣點對目標(biāo)結(jié)構(gòu)描述的影響；然后，利用形狀上下文對目標(biāo)邊緣結(jié)構(gòu)信息進行有效描述，以形狀上下文匹配代價作為加權(quán)系數(shù)，并結(jié)合距離函數(shù)約束，

4、構(gòu)造了新的加權(quán) Hausdorff距離作為相似性度量用于景象匹配。以Google Earth圖像作為航拍圖像，在同時存在旋轉(zhuǎn)、尺度及時空差異下進行匹配實驗，結(jié)果表明，本文算法在角度變化 o o1~8和尺度變化0.9~1.2的范圍內(nèi)具有較好的魯棒性。
　　3.針對序列圖像的幀間運動變化較大下出現(xiàn)特征點跟蹤誤差大的問題，提出了基于多重約束的KLT特征點跟蹤方法。該方法首先在KLT跟蹤算法的框架下，利用光流梯度矩陣的特征值大小判斷特征點

5、；然后基于時間可逆性約束，利用后向跟蹤求解后向偏移量，并與前向偏移量相結(jié)合，構(gòu)造一種新的偏移量—雙向加權(quán)偏移量；利用雙向偏移量的閾值約束和多分辨率約束，在幀間運動變化較大的情況下對特征點位置進行分層最優(yōu)估計。用Google Earth圖像構(gòu)建序列圖像，并進行特征點跟蹤實驗，結(jié)果表明本文算法在較大的平移和旋轉(zhuǎn)運動下，跟蹤精度優(yōu)于P-KLT和TRC-KLT算法。
　　4.針對上述基于多重約束KLT特征點跟蹤方法的幀間特征點匹配后驗問題

6、，提出一種基于拓撲結(jié)構(gòu)一致性約束的序列圖像特征點匹配后驗分析方法。該方法首先以圖間所有可能的匹配點對作為分配圖的頂點，以圖像點集內(nèi)和點集間的加權(quán)形狀上下文統(tǒng)計特征構(gòu)造新的度量函數(shù)并作為圖的邊權(quán)值，構(gòu)造新的分配圖；然后，利用迭代求解方法實現(xiàn)拓撲結(jié)構(gòu)一致性約束下幀間特征點匹配，并獲取邊權(quán)值系數(shù)和的最大值；最后，通過與第4章跟蹤結(jié)果在上述圖模型下邊權(quán)值系數(shù)和的對比，判斷跟蹤結(jié)果的正確性。將該方法用于第4章特征點跟蹤所得到匹配點對的后驗分析。結(jié)

7、果表明，該方法能夠?qū)Φ?章跟蹤結(jié)果的正確性進行準(zhǔn)確判斷。
　　5.針對序列圖像運動估計在實際工程應(yīng)用中，由于飛行環(huán)境及飛行狀態(tài)的影響導(dǎo)致導(dǎo)航參數(shù)估計出現(xiàn)較大誤差的情況，運用基于單應(yīng)性矩陣分解的運動估計方法，通過仿真實驗分析了圖像特征點檢測精度、圖像分辨率、特征點的個數(shù)及分布等因素對運動參數(shù)估計的影響。將第4章提出的序列圖像特征點跟蹤算法、第5章提出的序列圖像特征點匹配后驗方法、基于單應(yīng)性矩陣分解的運動參數(shù)估計方法結(jié)合，構(gòu)造基于序列

8、圖像運動估計的導(dǎo)航方法，并在Vega Prime/MFC視景仿真環(huán)境下，進行不同分辨率下的精度分析。實驗結(jié)果可為序列圖像運動狀態(tài)估計的工程應(yīng)用提供實驗依據(jù)和指導(dǎo)。
　　6.從視覺輔助導(dǎo)航的需求出發(fā)，構(gòu)建一個綜合導(dǎo)航演示驗證系統(tǒng)。該系統(tǒng)的設(shè)計過程中，綜合運用了本文提出的航路點自動選取、航路點景象匹配、KLT特征點跟蹤、特征點匹配后驗分析等關(guān)鍵技術(shù)。重點解決的關(guān)鍵問題包括：（1）不同時段的大視場圖像獲取及地理信息的標(biāo)注；（2）基于慣導(dǎo)