微飞行器视觉下自主着陆跑道识别技术研究毕业论文(编辑修改稿)

微飞行器视觉下自主着陆跑道识别技术研究毕业论文(编辑修改稿)内容摘要：

1x y x x y y x y x y z x z y x y y z y zx y x yy x y x y x x y z x y y z x z x y x x zx y x yz z y x x y x y x yzI M I M I I I I I I I II I II M I M I I I I I I I II I IM I I II                                  （ ） 作用在直升机质心处的合力 /合力矩表达式为： , , , , , , , , , , , , ,x M x T x F x H x Vxy y M y T y F y H y Vz z M z T z F z H z VF F F F FFF F F F F FF F F F F F                                                    （ ） , , , , , , , , , , , , ,x M x T x F x H x Vxy y M y T y F y H y Vz z M z T z F z H z VM M M M MMM M M M M MM M M M M M                                                    （ ） 式中，下标分别表示旋翼 (M )、尾桨 (T )、机身 (F )、垂尾 (V )和水平安定面 (H )。 姿态角与机体角速度之间的运动学关系为：   t a n c os si nc os si n / c osc os si nx y zyzzy                    （ ） 式中， m 是全机质量， xI ， yI ， zI 是机体三个轴方向的惯量矩， xzI 是惯量积，g 是重力加速度，并假设它们都为常数。 xV ， yV ， zV 是质心速度在坐标轴上的速度分量， x ， y ， z 是机体的角速度在坐标轴上的分量，分别为滚转哈尔滨工程大学本科生毕业论文 11 角速度、俯仰角速度、和偏航角速度。  ，  ，  分别是机体坐标系相对地面坐标系的滚转角、俯仰角和偏航角。 直升机的非线性数学模型为  ,x f t x u ，式中 x 表示直升机动力学方程的全部状态量， u 表示直升机的操纵量。 直升机的数学模型有助于 了解直升机的飞行运动，对降落过程中的飞行姿态有更加深入的了解， 对本文的方案设计有很大的指导意义。 本文的设计方案 节中已经确定了微飞行器的类型和起落跑道的设计，微飞行器选择为无人直升机模型，跑道场景设计为 H形着陆平台。 无人直升机在降落过程中一般为垂直起降，不像固定翼飞机那样滑翔降落， 因此机载摄像设备不能像固定翼飞 那样采用前置摄像头。 无人直升机在垂直 降落的过程 中，为了方便图像采集，本课题设计 将机载摄像设备安装在无人直升机的正下方，摄像头向下拍摄图片，这样可以更好地识别跑道。 由于摄像机安装在飞行器的下方，向下拍摄图片，所以利用地平线检测法检测姿态角并不太适合。 而且上述方案 一 中基于模式识别中分类概念的地平线检测法和方案 四 中的地平线拟合算法计算量都比较大，计算时间较长。 方案 一 中 的地平线检测法 ，需要对图像中每一条直线，判断它所区分的两个类别特征值的差异，找出差异最大的那条直线，需要判断的直线条数很多，而且所处理的图像是彩色图像，数据处理量大。 方案四用禁忌搜索 算法搜寻最优解时，搜索域内适配值函数值的变化有较强的方向性，令其从一个初始可行解出发，选择一系列的特定搜索方向作为试探，选择使适配值函数值增大最多的移动，从而在保证搜索质量的同时较大幅度地减少搜索空间。 这样做虽然提高了算法的实时性，但是选择一系列的特征搜索方向作为试探时，仍有 很大的计算量。 方案二和方案四基于地平线的检测算法虽然不适用于本文 的研究，但是其根据地平线在图像中的位置变化来解算飞行器姿态角的原哈尔滨工程大学本科生毕业论文 12 理有很大的参考价值，本文 可以根据着陆平台上的 H在图像中的位置变化来分析飞行器的姿态角。 方案二提出了较为新颖 的飞行参 数 的算法，但不适合于无人直升机的垂直起降。 方案三中 P4P 的方法比较适用于本设计中的跑道识别，可以选取 H形着落平台的四个顶点作为需要的点，但实际操作中 ，从图像上识别出四个顶点有一定的困难，而且需要求解非线性方程组，计算量较大，精度不够高，可能最终会造成很大的误差。 根据上述的分析可以得知，无人直升机的机载摄像头安装在机身的正下方时，对于跑道的识别和姿态 角的解算可以借鉴地平线检测算法。 地平线检测算法中，由地平线在图像 中的斜率和位置可以解算出飞行器的滚转角和俯仰角， 而在本文 的研究中，机载摄像头在飞行器的下 方，可以根据着陆场景中 H的 横向中心线 在图像中的斜率和位置解算飞行器的偏航角和俯仰角。 下列图片就显示出了飞行器不同姿态角时拍摄到的图片。 图 无人直升机在某一位置拍摄的基准着陆图像 哈尔滨工程大学本科生毕业论文 13 (a) (b) 图 无人直升机有偏航角时拍摄到的着陆图像 (a) (b) 图 无人直升机有俯仰角时拍摄到的着陆图像 由上述的三组图像可以看出，无人直升机在不同的姿态位置时，拍摄到的图片中着陆平台上的 H在图像中的位置不同。 图 是飞行器有偏航角时拍摄到的图像， H 的横向中心线在图片中的斜率和飞行器的偏航角有密切的联系，可根据 H的横向中心线的斜率来解算偏航角。 图 是飞行器有俯仰角时拍摄到的着陆场景，不同俯仰角时，着陆场景中的 H在图像坐标系中纵轴的位置不同，有俯仰角时 H在纵轴上位置与没有俯仰角时 H在图像中的基准位置进行对比，可以解算出飞行器的俯仰角。 微型无人直升机 因为体积小，在飞行过程中如果遇到较大风速的干扰，易发生侧翻，滚转角不宜设置过大，哈尔滨工程大学本科生毕业论文 14 相对于俯仰角和偏航角，它是一个小的角度量，在降落过程中对着陆的稳定性影响较小，作为一个小角度量处理，在本文的方案设计中，不研究着陆姿态中滚转角。 微飞行器的飞行高度，采用激光测距仪进行测量，在本文的研究设计中，将其作为已知量考虑，本设计主要研究跑道的识别和姿态角的解算。 本章小结 在本章中主要介绍了已有的 视觉导航技术，并结合已有的研究确定出本文的设计方案。 首先，由本课题 的实验条件和对数据处理时间的要求，确定了微型飞行器的机 型和着陆场景的设计；然后，对已有的视觉导航技术进行对比研究，了解不同视觉导航的原理，其中基于地平线的检测算法对本文的研究有很大的借鉴作用；最后，结合本课题 的实验环境，研究出了适合无人直升机着陆过程中的视觉导航算法，选用着陆平台上的 H在图像中的位置来解算降落过程中的姿态角。 本章只是对降落过程中的姿态解算作了理论上的分析，具体的跑道识别和飞行参数的获取将在后面的章节中具体分析。 哈尔滨工程大学本科生毕业论文 15 第 3章 数字 图像预处理 由机载摄像设备拍摄到的图像一般都存在或大或小的噪声，对于本文中的 跑 道检测和边缘提取有很大的干扰 作用，因此，对数字图像进行预处理显得非常 重要。 进行图像预处理可以减少图像中无用的信息，增强本课题研究中 需要的信息并抑制噪声 ，有助于后续的研究。 下面 几节内容 将 着重介绍 介绍本 文图像预处理 算法中用到的几种方法，包括图像灰度化、阈值分割 二值化、边缘检测等。 图像的灰度化处理 本课题研究中 用机载摄像头拍摄到的都是 RGB彩色图像，处理彩色图像时，要分别对 RGB三种分量进行处理，实际上 RGB并不能反映图像的形态特征，只是从光学的原理上进行颜色搭配。 在 实际 处理图像时，只是需要 用到 图像的形态特征，而且图像灰度化 处理后 可以减小图像的存储量，减小数据处理量 和处理时间。 在 RGB模型中，如果 R=G=B 时，彩色则表示一种灰度颜色，其中 R=G=B的值叫灰度值，因此，灰度图像中每个像素只需要一个字符存放灰度值，灰度范围为 0255。 一般有四种方法对彩色图像进行灰度化，分别为：分量法、最大值法、平均值法、加权平均法。 由于人眼对绿色的敏感较高，对蓝色的敏感较低，因此对 RGB 三个分量进行加权平均可以 得到较为合理的灰度图像。 加权平均法的 算法为：        , 0 . 3 0 , 0 . 5 9 , 0 . 1 1 ,f i j R i j G i j B i j   （ ） 在本文的灰度 化 处理算法中， 采用加权平均法对 拍摄到的着陆场景 图像进行灰度化处理， 灰度化处理后的 效果图如下 所示 ： 哈尔滨工程大学本科生毕业论文 16 图 灰度处理前的图片 图 灰度化处理后的图片 图像分割 本文研究中 ， 需要识别 的是着陆区域上 H 形的着陆平台，因此需要将 H从图像背景中分离出来，在图像分割的过程中，图像 中的 噪声会给图像分割带来一定的干扰，因此 需要先对图像进行滤波处理，减小图像中的噪声 ，以便进行图像分割。 下面 的研究内容将 对此进行详 细的分析。 哈尔滨工程大学本科生毕业论文 17 图像去噪处理 由上述灰度化处理的图像可以看出，图像 的背景色上有很多白色的斑点，这些白色的点都是图像中的噪声，给本文中 的图像处理工作带来了很大的干扰。 为了改善视觉效果或者便于人和机器对图像的理 解和分析， 需要根据图像的特点或者存在的问题采取简单的方法减小 图像中的噪声。 对于拍摄到的跑道区域， 需要提取的是跑道区域中的 H 形着陆平台 ，它在图像中显示为白色，而图像的背景色为灰色，为将白色的 H形 区域凸显出来，需要对图像进行增强，即增加图像的对比度。 在图像增强中，本文 使用imadjust函数直接进行 灰度调整。 imadjust函数可用于简单的图像增强处理，增强对比度实际上是增强原图 像中 各部分的反差。 下列图片显示出了不同对比度范围 时 灰度调整的效果。 图 默认对比度灰度调整后的图像 哈尔滨工程大学本科生毕业论文 18 图 对比度范围为 [ ]处理后的图像 图 对比度范围为 [ ]处理后的图像 由上述三张图片的对比效果，可以看出 对比度范围为 [ ]时，图像增强的效果较好，特征区域可以很好地从背景中区分出来。 图像增强处理后，需要采用滤波 的方式减小图像中的噪声，滤波的方式主要有平滑滤波、中值滤波、锐化滤波。 平滑滤波对像素及其领域进行了平均化，使图像看起来显得比较平滑 ，用于模糊处理和减小噪声；中值滤波是把数字图像或数字序列中某一点的值设置为该点的一个领域中所有像素点灰哈尔滨工程大学本科生毕业论文 19 度值的中值；而图像锐化是补偿图像的轮廓，增强图像的边缘及灰度跳变的部分，使图像变得清晰。 在以上的三种滤波方式中，中值滤波对消除椒盐噪声非常有效，常用来保护边缘信息，是经典的平滑噪声方法。 本文 所处理的图像中的噪声大多是离散的白色斑点，可以看作 是 椒盐噪声中的 盐噪声 ，因此，选 用中值 滤波的方法对图像进行消噪处理比较好。 中值滤波处理后的图 像如图 所示 ： 图 中值滤波处理后的图像 上图显示，中值滤波已经有效地减小了图像中的噪声，为了将着陆区域中的 H 从背景中分离出来， 还需要对图像进行分割 处理。 图像分割 的具体实施 机载摄像设备拍摄到的无人直升机实际着陆场景的图像中，着陆平台区域的识别 对飞行器的着陆有着重要的作用，它关系到无人直升机能不能降落在跑道 区域内，因此为使无人直升机能在跑道 合理的区域 内 着陆，视觉导航系统需要将跑道从整个场景中 分割出来，分析跑道的位置、区域大小等内容，确定无人直升机的航向信息和位置信 息，然后送入控制系统以使无人直升机安全着陆。 要实现上述目。