基于5G技术的无人机拍摄速率自动校准方法

陈洪亮，纪姗姗，李志雷，孙同展，沈宏亮

（1.国网河北省电力有限公司 雄安新区供电公司，保定071800；2.天津市普迅电力信息技术有限公司，天津300000；3.国网河北省电力有限公司，石家庄050000）

受到气流扰动和目标自身运动因素的影响，无人机拍摄的模糊度较大，需要结合目标参数识别和图像寻优控制的方法进行无人机拍摄速率自动校准控制，实现无人机拍摄速率自动校准识别，提高航拍的精度，因此，无人机拍摄速率自动校准技术受到人们的极大关注。传统方法中，文献[1]对无人机飞行轨迹跟踪控制，对无人机的定常运动进行运动平衡分解，对无人机飞行轨迹的多传感器阵列姿态参量全部量化信息进行自适应参量估计，实现无人机飞行轨迹跟踪控制，提高了飞行稳定性和抗扰动性；文献[2]基于一致性理论，对多无人机编队控制技术进行了研究，进行协同编队飞行控制技术研究；文献[3]采用相干分布源采集飞行姿态数据，提出基于波束空间二维谱峰搜索的无人机飞行鲁棒性控制算法，进行无人机飞行控制，较好地处理无人机不确定动态运动系统的控制问题。

但传统方法进行无人机拍摄速率校准的环境适应度水平不高，校准能力不强。针对上述问题，本文提出基于5G技术的无人机拍摄速率自动校准方法。以无人机拍摄图像的帧跟踪识别模型为依据，在5G 通信背景下实现对无人机拍摄的图像信息传输控制，采用最大似然估计和无人机航拍运动视频跟踪补偿控制的方法，实现无人机拍摄速率自动校准，展示了本文方法在提高无人机拍摄能力方面的优越性能。

1 无人机拍摄的轨迹跟踪和图像采样识别

1.1 地形网格轨迹分布式重构

为了实现基于5G技术的无人机拍摄速率自动校准，进行无人机拍摄的视觉信息跟踪识别。

首先，采用视频帧差补偿控制方法进行无人机拍摄的图像像素特征分集和误差补偿设计[4-6]，无人机拍摄的轨迹跟踪示意图如图1所示。

图1 无人机拍摄轨迹跟踪示意图Fig.1 Sketch map of a track taken by UAV

无人机拍摄的轨迹跟踪形式，采用模板更新规则，结合帧补偿控制技术，设无人机拍摄的轨迹映射为g（b），分析无人机拍摄的速率跟踪控制的误差补偿函数[7]，通过样本空间重构，在图像中将目标对象分类和定位，得到无人机拍摄的层次分割值为

式中：mt为无人机跟踪轨迹参数；ε 为无人机拍摄速率控制参数。采用深层的特征信息分析方法，分析无人机航拍的图像区域分块匹配值[8]，得到无人机航拍的图像分布特征量表示为

层次化分割和网格模板匹配，此时的无人机航拍的图像像素点的N 个子块邻域为p，融合纹理结构，分析无人机航拍的图像分布区域融合值，进行模糊度匹配，得到无人机航拍的轨迹分布式融合参数为G（x，y，t），根据背景中对无人机航拍的图像的干扰分布，在不考虑外界因素干扰的情况下，进行无人机航拍的图像识别，得到无人机航拍的轨迹分布为f（gi），结合特征尺度分解的方法，得到无人机航拍的图像尺度分割值为

采用边界层细化分割方法，得到无人机拍摄的视觉划分值，通过4×4 的像素块分割，得到无人机拍摄的轨迹跟踪网格区域I 划分为（W/2）×（H/2）个子块，此时的无人机拍摄的图谱参数融合结果为

式中：r（e）为无人机拍摄像素特征参数。以此实现无人机拍摄的轨迹跟踪和图像检测，通过地形网格的细节分布，在2×2 个像素点中实现对无人机航拍的地形网格轨迹分布式重构。

1.2 无人机航拍的图像帧跟踪识别模型

提取无人机拍摄图像的灰度像素特征分量，进行关联规则特征参数融合，分析无人机拍摄图像的帧跟踪识别模型。

首先，结合5G 通信技术，设无人机拍摄图像的信息增强控制值为正，得到多分辨率地形渲染控制技术，得到尺度特征量为

式中：Gij（x，y）为无人机拍摄图像的尺度信息融合结果参数；（xij，yij）为无人机航拍的图像区域模板匹配值。根据地形值几何精度测量，进行航拍速率的自适应控制[9]，采用无人机拍摄像素特征参数，进行特征分解，得到无人机航拍的图像区域分布灰度特征量为

引入无人机航拍的轨迹分布值，设Δi 为数据覆盖的地理范围分布；vr为无人机航拍的图像分布区域检测融合参数，新增数据覆盖范围，结合视觉跟踪识别特征检测，得到无人机航拍的图像像素点检测值为q（y），以检测值为图像识别的最终参数，可知无人机拍摄速率自动校准的像素跟踪识别关系如图2所示。

图2 无人机拍摄速率自动校准的像素跟踪识别关系Fig.2 Relationship of pixel tracking recognition for automatic calibration of UAV shooting rate

在图2所示的无人机拍摄速率自动校准关系中，通过引入不同的尺度因子[10]，得到核函数描述为

式中：λ1，λ2是无人机拍摄速率自动校准参数，在3×3 网格模型中进行无人机拍摄速率自动校准的参数融合；Kσ为无人机拍摄速率参数尺度偏移σ 系数。通过选择σ 的初始值，结合Harris 角点检测实现对无人机拍摄速率参数检测，实现无人机航拍的图像识别。

2 无人机拍摄速率校准优化

2.1 基于5G 的无人机拍摄的图像信息输出

分析无人机拍摄图像的帧跟踪识别模型，在5G通信背景下对无人机拍摄的图像信息传输控制[11]。

设参数解析控制下无人机拍摄的图像信息传输的模糊度函数为

式中：ec为无人机航拍的图像识别度参数；a 为无人机拍摄速率参数校准的高斯核的标准差。结合无人机拍摄速率信息解析控制结果为

式中：i 为无人机拍摄速率配准的边缘像素值g（i）处的采样信息；Ω 为无人机拍摄速率自动校准的5G传输信道参数。获取数据的实际覆盖范围，得到速率参数数据分布的点矩阵为

根据新增数据覆盖范围渲染结果，结合空间欠采样技术，得到无人机拍摄速率自动校准的测量结果为A（e），τ 为目标参数，结合相邻特征比对，得到无人机拍摄速率自动校准的对比信息为d（r）。对提取的弱光照图像视觉传达信息实现模糊度融合和辨识处理，动态加载地形数据，得到无人机拍摄速率与地形分布的相关关系为

式中：Zj为动态加载地形数据参数；A 表示无人机拍摄速率分布特征量，它为N 阶方阵，即A=｛ai，j，0＜i，j＜N｝，通过相邻帧补偿，得到无人机拍摄速率参数估计的均值为

式中：xT是无人机拍摄速率分布的候选目标像素；ϑ为分数阶细分的时间间隔。

2.2 无人机拍摄速率校准输出

根据5G 通信的信道差异性特征量进行负载均衡调度，进行无人机拍摄的速率参数估计，通过无人机拍摄的图像的边缘灰度信息解析控制结果，获得无人机拍摄速率解融合分布结果为

式中：cm为无人机拍摄速率校准的适应度函数，采用RGB 特征分解的方法，得到无人机拍摄速率校准的自适应统计特征分量为；在细分的最小执行单元中[12]，得到无人机拍摄速率参数估计的最小二乘估计特征量为（Im，无人机拍摄速率参数估计的适应度参数表示为

式中：βi表示无人机拍摄速率参数估计的离散度；t（f）是无人机拍摄速率校准的自适应阈值分割系数[13-15]；wi是无人机拍摄速率校准的特征尺度；P（x，y）iv和P（x，y）if分别是无人机拍摄速率校准的检测统计特征量。以该统计特征量为校正的最优值，实现对无人机拍摄速率自动匹配校准，实现的仿真结果如图3所示。

图3 无人机拍摄速率自动匹配校准的仿真结构图Fig.3 Simulation structure diagram of automatic matching and calibration of UAV shooting rate

3 仿真测试与结果分析

为了测试本文方法在实现无人机拍摄速率自动匹配校准中的应用性能，采用Matlab 进行仿真测试。

以大疆御2 无人机为实验机器，在DJI GO4 APP 中设置好各项视频参数，采集实验数据，此时，对无人机拍摄速率参数采集的样本数为3600，地形网格分布为120×120，无人机拍摄的高程数据采样精度为5 m，将上述参数设定输入到仿真平台中，显示出无人机分布的仿真示意图如图4所示。

图4 无人机分布的仿真示意图Fig.4 Simulation sketch of UAV distribution

无人机拍摄点为6 个，其拍摄速率不同，因此运动轨迹不同，所以，为了确定变量和定量，在本次仿真中，以图4 的单帧单次运动轨迹为标准，在相同的拍摄速率下，进行无人机拍摄速率自动匹配校准，得到校准结果如图5 示。

分析图5 得知，由于本文方法采用视频帧差补偿控制方法进行无人机拍摄的图像像素特征分集和误差补偿设计，其跟踪效果明显高于其他两种方法，为有效实现无人机拍摄速率自动匹配校准提供基础。

图5 无人机拍摄点跟踪效果对比Fig.5 Comparison of the tracking effect of UAV shooting point

以初始视频参数为对照，以仿真结果为依据，测试不同方法进行无人机拍摄速率校准的性能，得到测试结果如图6所示。

图6 校准性能对比测试Fig.6 Calibration performance comparison test

分析图6 得知，本文方法进行无人机拍摄速率校准时，与其它方法相比，其进行了无人机拍摄图像的信息增强控制，其初始校准点和最终校准点的拟合程度较高，以此提高了准确率和数据召回率，降低了输出均方根误差，其校准性能得到保证。

4 结语

本文提出基于5G技术的无人机拍摄速率自动校准方法，通过关联规则特征参数融合的方法，构建无人机拍摄图像的帧跟踪识别模型，结合5G 通信技术，实现对无人机拍摄速率自动校准且无人机拍摄速率自动校准的输出性能较好，无人机拍摄点的跟踪和图像检测准确性较高。