無(wú)人機(jī)飛行途中視覺(jué)導(dǎo)航關(guān)鍵技術(shù)研究.pdf

1、視覺(jué)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(jué)導(dǎo)航作為有效的輔助導(dǎo)航方式，對(duì)無(wú)人機(jī)慣性導(dǎo)航系統(tǒng)實(shí)現(xiàn)長(zhǎng)航時(shí)高精度導(dǎo)航起著重要的作用。由于視覺(jué)成像受復(fù)雜自然環(huán)境及飛行狀態(tài)的影響，視覺(jué)導(dǎo)航面臨魯棒性差的問(wèn)題。本文對(duì)復(fù)雜環(huán)境下視覺(jué)導(dǎo)航中景象匹配導(dǎo)航和基于序列圖像的運(yùn)動(dòng)估計(jì)中的關(guān)鍵技術(shù)展開(kāi)較為系統(tǒng)深入的研究。主要貢獻(xiàn)如下：
　　1.針對(duì)景象匹配中人工選取航路點(diǎn)費(fèi)時(shí)、費(fèi)力、受主觀因素影響，很難滿足實(shí)際應(yīng)用的問(wèn)題，提出了基于顯著性分

2、析的航路點(diǎn)自動(dòng)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(shí)現(xiàn)航拍圖像的顯著結(jié)構(gòu)區(qū)域的檢測(cè)；然后，基于顯著性分析結(jié)果實(shí)現(xiàn)了航路點(diǎn)正負(fù)訓(xùn)練樣本的自動(dòng)獲取，并提取訓(xùn)練樣本的邊緣和互相關(guān)面的4個(gè)特征訓(xùn)練 SVM分類器參數(shù)；最后，利用SVM分類器對(duì)樣本圖像進(jìn)行航路點(diǎn)與非航路點(diǎn)的分類。用Google Earth軟件獲取實(shí)驗(yàn)樣本作為航拍圖像，進(jìn)行SVM分類器的設(shè)計(jì)與測(cè)試，測(cè)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(jìn)行航路點(diǎn)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(diǎn)。
　　2.針對(duì)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(wèn)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(cè)的結(jié)構(gòu)關(guān)鍵點(diǎn)提取方法，減小瑣碎邊緣點(diǎn)對(duì)目標(biāo)結(jié)構(gòu)描述的影響；然后，利用形狀上下文對(duì)目標(biāo)邊緣結(jié)構(gòu)信息進(jìn)行有效描述，以形狀上下文匹配代價(jià)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(shí)存在旋轉(zhuǎn)、尺度及時(shí)空差異下進(jìn)行匹配實(shí)驗(yàn)，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(duì)序列圖像的幀間運(yùn)動(dòng)變化較大下出現(xiàn)特征點(diǎn)跟蹤誤差大的問(wèn)題，提出了基于多重約束的KLT特征點(diǎn)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(diǎn)

5、；然后基于時(shí)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(yùn)動(dòng)變化較大的情況下對(duì)特征點(diǎn)位置進(jìn)行分層最優(yōu)估計(jì)。用Google Earth圖像構(gòu)建序列圖像，并進(jìn)行特征點(diǎn)跟蹤實(shí)驗(yàn)，結(jié)果表明本文算法在較大的平移和旋轉(zhuǎn)運(yùn)動(dòng)下，跟蹤精度優(yōu)于P-KLT和TRC-KLT算法。
　　4.針對(duì)上述基于多重約束KLT特征點(diǎn)跟蹤方法的幀間特征點(diǎn)匹配后驗(yàn)問(wèn)題

6、，提出一種基于拓?fù)浣Y(jié)構(gòu)一致性約束的序列圖像特征點(diǎn)匹配后驗(yàn)分析方法。該方法首先以圖間所有可能的匹配點(diǎn)對(duì)作為分配圖的頂點(diǎn)，以圖像點(diǎn)集內(nèi)和點(diǎn)集間的加權(quán)形狀上下文統(tǒng)計(jì)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(shí)現(xiàn)拓?fù)浣Y(jié)構(gòu)一致性約束下幀間特征點(diǎn)匹配，并獲取邊權(quán)值系數(shù)和的最大值；最后，通過(guò)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(duì)比，判斷跟蹤結(jié)果的正確性。將該方法用于第4章特征點(diǎn)跟蹤所得到匹配點(diǎn)對(duì)的后驗(yàn)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(jìn)行準(zhǔn)確判斷。
　　5.針對(duì)序列圖像運(yùn)動(dòng)估計(jì)在實(shí)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(jì)出現(xiàn)較大誤差的情況，運(yùn)用基于單應(yīng)性矩陣分解的運(yùn)動(dòng)估計(jì)方法，通過(guò)仿真實(shí)驗(yàn)分析了圖像特征點(diǎn)檢測(cè)精度、圖像分辨率、特征點(diǎn)的個(gè)數(shù)及分布等因素對(duì)運(yùn)動(dòng)參數(shù)估計(jì)的影響。將第4章提出的序列圖像特征點(diǎn)跟蹤算法、第5章提出的序列圖像特征點(diǎn)匹配后驗(yàn)方法、基于單應(yīng)性矩陣分解的運(yùn)動(dòng)參數(shù)估計(jì)方法結(jié)合，構(gòu)造基于序列

8、圖像運(yùn)動(dòng)估計(jì)的導(dǎo)航方法，并在Vega Prime/MFC視景仿真環(huán)境下，進(jìn)行不同分辨率下的精度分析。實(shí)驗(yàn)結(jié)果可為序列圖像運(yùn)動(dòng)狀態(tài)估計(jì)的工程應(yīng)用提供實(shí)驗(yàn)依據(jù)和指導(dǎo)。
　　6.從視覺(jué)輔助導(dǎo)航的需求出發(fā)，構(gòu)建一個(gè)綜合導(dǎo)航演示驗(yàn)證系統(tǒng)。該系統(tǒng)的設(shè)計(jì)過(guò)程中，綜合運(yùn)用了本文提出的航路點(diǎn)自動(dòng)選取、航路點(diǎn)景象匹配、KLT特征點(diǎn)跟蹤、特征點(diǎn)匹配后驗(yàn)分析等關(guān)鍵技術(shù)。重點(diǎn)解決的關(guān)鍵問(wèn)題包括：（1）不同時(shí)段的大視場(chǎng)圖像獲取及地理信息的標(biāo)注；（2）基于慣導(dǎo)