李万华
(重庆城市职业学院,重庆 402160)
无人机视觉识别技术是将无人机作为载体,结合机器视觉技术,利用无人机的飞行高度和视角,从客观的图像中提取所需信息,经过处理后,用于无人机自主智能控制的输入和无人机终端应用领域的拓展[1]。微动现象是存在于自然界的一种现象,主要描述目标或目标物体上的一部分除质心平动外产生的微幅度的运动,通过无人机视觉识别技术,得到地面微动特征,实现无人机目标识别的目的[2]。通过可靠性分析,为无人机地面微动特征视觉识别提供了实际应用的可行性,具有一定的现实意义[3]。
常规的可靠性分析方法在真实环境中由于无人机平台的抖动,导致航向重叠度较低,可靠性相对误差较高,无法为无人机地面微动特征视觉识提供可靠依据。因此,设计无人机地面微动特征视觉识别可靠性分析方法,解决上述中存在的问题。
无人机地面微动特征视觉识别过程中,主要根据地面识别目标位置实时调整无人机的姿态,利用微动特征在目标丢失情况下将目标重新找回,通过以上两点完成可靠性分析。
通过分析无人机视觉定位过程,确定可靠性影响因子。建立地面空间坐标系无人机机体坐标系机载相机坐标系为通过方向矩阵得到无人机机体与相机在地面空间坐标系中的准确位置[4]。假设坐标系中的单个不同方向的轴分别转动θ、λ、α角度,则三个不同方向的轴的基元旋转矩阵分别为:
确定坐标系中的基元旋转矩阵后,利用无人机视觉技术估计无人机位置,提供准确的位置信息,以便根据目标的运动特征做出姿态调整[5]。采用ORB特征视觉定位算法,在真实环境中进行特征提取测试,ORB特征提取结果如图1所示。
完成特征提取后,初始化图像场景地图,对于平面场景,通过计算相机投影的单应性矩阵得到初始化地图[6]。公式如下:
式中:
Uνε—相机单应性矩阵;
pν—无人机获得的当前帧图像;
pε—参考帧图像[7]。
针对一般场景,通过计算当前图像的基本矩阵得到初始化地图,计算公式为:
式中:
Iνε—基本矩阵。
完成初始化地图后,通过提取的ORB特征实现对地面目标的跟踪,通过对比连续帧之间的对应关系,获取无人机及相机的当前位置姿态信息,若出现跟踪目标丢失情况,将当前帧图像与图像数据库对比,在初始化地图上重新定位[8]。
在对无人机定位的同时,对场景加入深度信息,实现视觉定位信息与无人机机载在同样的时间对无人机高度信息的测量,形成测量数据序列(g1,g2),定义视觉定位尺度因子为ε[9]。得到:
图1 ORB特征提取结果
式中:
g1—视觉定位高度测量值;
g2—无人机机载声波高度测量值;
bi—声波测量高度信息;
σ1—视觉定位测量方差;
σ2—声波测量方差[10]。
通过上述分析过程,确定无人机视觉定位中影响可靠性的多种因素,将其转化为影响因子,用于后续可靠性计算,其中包括基元旋转矩阵、初始化地图参数及场景深度信息。在无人机地面微动特征视觉识别中,视觉定位完成后利用目标识别算法识别出地面目标,通过分析无人机目标识别算法,确定其对应的可靠性影响因子。
对地面目标微动特征识别,首先提取目标微动特征,分析微动特征提取能力。在无人机地面目标识别中,利用短时傅立叶变换方法完成微动特征提取[11]。通过对多分量振动信号进行仿真确定特征提取的可靠性。仿真条件为,当待识别的地面目标只存在一个振动中心,工作频率为10 GHz,散射点微动幅度为0.06 m,微动角速度为8 prad/s,初始振动相位为0;若地面微动目标有两个散射中心,则微动幅度分别为0.2 m和0.4 m,两者之间的振动初相相位差为p,微动角速度相同均为8 prad/s,两种仿真的回波采样频率均为1 kHz,累积采样时间为0.05 s。仿真结果如图2。
以提取的微动特征为样本,分析检测器的性能。利用检测器扫描无人机当前帧图像判断目标是否存在。使用集合分类器扫描无人机获得的当前帧图像,对图像对应像素灰度值进行大小比较,将比较结果组成一组二进制码作为后验概率表的索引,经过后验概率平均计算,若结果大于50 %,则说明该图像包含识别目标。
在集合分类器中存在多个基础分类器,每个分类器具有对应的后验概率分布,包含图像像素比较坐标的数目[12]。在初始化阶段,基础分类器的后验概率的初始值为0,在运行期间,集合分类器通过分类标注的样本完成后验概率的更新,更新完成后计算后验概率平均计算判断目标是否存在。
对于判断目标是否存在的重要因素就是后验概率平均计算,经过对后验概率初始阶段和更新后的测试,证明了检测器真实有效。通过检测器判断目标存在后,使用跟踪器在连续帧中预测目标的运动。
经过计算得到计算结果为0.03,趋近于0,说明跟踪轨迹正确有效。
综合上述分析内容可知,在无人机目标识别算法中影响可靠性的影响因子有微动特征完整度、后验概率分布指数、跟踪轨迹重合度。将以上三种影响因子与无人机视觉定位中的三个影响因子相结合,计算地面微动特征视觉识别能力评价指数,确定其可靠性。
图2 振动信号微动特征
通过计算尺度因子优化无人机位置信息,利用无人机视觉定位获取无人机位置信息。得到无人机及机载相机位置,结合初始化地图pν和场景深度信息计算无人机视觉定位可靠性指数,公式如下:
式中:
gi—场景深度信息,i=1,2,…,n,n为常数。
确定无人机视觉定位可靠性指数后,根据微动特征完整度、后验概率分布指数及跟踪轨迹重合度计算地面微动特征识别可靠性指数,公式如下:
式中:
φ1,φ2,φ3—与影响因子对应的权重;
f—地面微动特征完整度;
a—后验概率分布指数;
将获得的ξ1与ξ2相加,根据最终获得的值判断无人机地面微动特征视觉识别的可靠性指数,完成可靠性分析。正常情况下,ξ1与ξ2两者的和在(0,1)范围内,若结果无限趋近于1,说明其可靠性越强,反之,若结果趋近于0,则说明可靠性较差。
w—无人机跟踪目标轨迹重合度。
通过以上过程确定可靠性指数,以此为依据,判断无人机地面微动特征视觉识别的可靠性指数,至此,可靠性分析完成。
针对常规的可靠性分析方法中存在的问题,设计对比实验,使用相同的实验设备,设置5条不同参数的航线,计算无人机在航行过程中的航向重叠度和可靠性相对误差,根据结果进行对比分析。
受到实验环境的限制,实验使用的是中空无人机,该无人机相关性能参数如表1所示。
与之搭配使用的摄像机参数如表2所示。
以上设备的实物图如图3所示。
使用以上设备同时设置无人机飞行参数,验证无人机地面微动特征视觉识别的可靠性。
在无人机观测中选择5条航线飞行,设置不同的每条航线的飞行时间、航线长度和平均飞行速度,5条航线无人机设置的飞行参数如表3所示。
上述数据为5条航线设置的不同的飞行时间、飞行距离和飞行速度,在实际实验中存在一定的误差,通过计算,得出的标准差为0.035,正常标准为0.01,计算得到的标准差在标准范围内,对后续可靠性对比实验没有影响,可进行下一步操作。
表1 中空无人机性能参数
表2 摄像机参数
图3 无人机及机载相机实物图
表3 无人机飞行参数
表4 实验结果
使用上述准备的设备,并完成无人机参数设计,使用设计的可靠性分析方法分析无人机地面微动特征视觉识别,同时引用常规的无人机地面微动特征视觉识别可靠性分析方法,获得两组航向重叠度及可靠性分析相对误差。统计5条航线的实验结果,结果如表4。
观察表中结果,表4中对照组结果显示5条航线整体航向重叠度偏低,在20~30 %之间,其对应的可靠性相对误差在9.0~10.5之间,整体偏高;实验组结果中显示5条航线航向重叠度在80~95 %之间,其对应的可靠性相对误差在1.0~2.0之间,整体偏低。
在实际项目中,可靠性分析方法的相对误差标准范围为3.25以下。综合上述数据来看,常规的可靠性分析方法的相对误差远超于标准值,而设计的可靠性性分析方法测得的结果在标准范围内,说明设计的无人机地面微动特征视觉识别的可靠性分析优于常规的可靠性分析方法。
近年来,随着机载视觉平台的发展,为目标跟踪提供了更好的帮助,能够利用无人机视觉技术实现实时图像传输,保证对目标的主动跟踪。使用可靠性分析方法分析,为保证无人机地面微动特征视觉识别提供了一定的保障。针对常规的可靠性分析方法存在的弊端,重新设计可靠性分析方法,同时设计对比实验,通过实验证明了设计的可靠性分析方法有效的解决了常规方法中存在的问题,为进一步确定无人机视觉识别的可行性提供了一定帮助。