[发明专利]一种旋翼无人机移动目标自主跟踪装置及其控制方法

说明书

本发明涉及旋翼无人机自主跟踪的技术领域，更具体地，涉及一种基于云台摄像头和机载传感器的旋翼无人机移动目标自主跟踪装置。一种旋翼无人机移动目标自主跟踪装置，包括飞行器和地面站，飞行器包括飞行器控制器，与飞行器控制器连接的飞行器螺旋桨电机、云台电机，所述的云台电机连接云台摄像头；飞行器和地面站之间设有无线图像传输模块和无线数据传输模块，飞行器与地面站通过无线图像传输模块和无线数据传输模块连接；以机载云台摄像头获得的图像作为系统的输入，在地面站通过Struck算法获得目标在图像中的坐标，采用匀加速运动（CA）模型对目标坐标进行建模，根据建模估计的目标坐标设计云台的控制量，以保证云台摄像头跟踪的实时性和平滑性。

技术领域

本发明涉及旋翼无人机自主跟踪的技术领域，更具体地，涉及一种基于云台摄像头和机载传感器的旋翼无人机移动目标自主跟踪装置。

背景技术

四旋翼飞行器由于其相对固定翼飞行器具有可垂直起落、低空悬停、机动转向快速的优点，被广泛应用在军事、农业、航空拍摄等领域。四旋翼飞行器如何对摄像头采集的目标进行有效的识别跟踪并实现跟随是飞行器研究领域中一个热点问题。对于机动目标的跟踪不同于对静止目标的跟踪，目标与飞行器的相对位置不仅会因飞行器的运动变化，目标自身的运动也会产生较大的相对距离变化。这不仅给图像目标的检测跟踪带来了很大的难度，对于具有较大惯性，无法快速变换方向的飞行器来说也是一个难题。

飞行器实现自主跟踪主要是通过设计目标检测算法、目标状态估计算法和飞行器控制算法，根据图像信息确定目标位置，从而调整云台角度和飞行器飞行方向及速度，从而使飞行器能够保持对移动目标的有效跟踪。

在目标检测算法中，基本都是只考虑摄像头固定的情况。普通跟踪常用的基于颜色直方图进行区域块匹配的方法和基于光流场对像素点运动进行检测的方法，它们对目标的跟踪都是基于环境变化比较微弱的假设下进行，实际跟踪时要求有比较固定的外部环境。但是，在飞行器跟踪问题中，外部环境时常会因为目标或者飞行器的运动而产生变化。基于机器学习的Tracking,learning and detection(TLD)算法使用过去的目标样本对当前图像进行区域匹配，寻找最相似的区域作为跟踪的目标。由于TLD算法是对过去的目标图片使用模板匹配算法进行全图搜索比对，计算量会随着运行时间而增长，不适合于飞行器自主跟踪这种对实时性要求很高的情况。

现有的目标状态估计算法以滤波技术为主，包括卡尔曼滤波器，扩展卡尔曼滤波器、无迹卡尔曼滤波器、粒子滤波器等。此外，有利用图像检测特征点，通过特征点之间的位置约束确定它们的运动速度从而估计摄像头和目标运动状态的方法；同时还有提出利用图像背景运动速度获得目标速度和飞行器速度的方法。

对于飞行器的控制，一般分为基于当前时刻目标位置的地面目标跟踪和基于有限步长预测状态的地面目标跟踪方法。基于当前时刻目标位置的地面目标跟踪方法是每次根据测量的当前目标位置给出飞行器的期望速度或者期望位置，而基于有限步长预测状态的地面目标跟踪方法则在估计位置的基础上利用观测信息和目标运动模型的模型预测得到预测值，以此减少跟踪滞后，提高飞行器自主跟踪的实时性。

在目前对飞行器跟踪问题的研究中，大部分都是针对单个子问题进行优化，而较少工作对整个跟踪系统进行考虑。飞行器跟随目标的准确性和快速性与图像上跟踪目标的稳定性是互相影响的，不仅要考虑飞行器运动给云台摄像头跟踪带来的影响，还要考虑图像跟踪算法的实时性和鲁棒性。另外，对飞行器的跟踪引导较少考虑飞行器自身的惯性约束，且计算量较大的航迹规划因为实时性要求难以直接运用，因此通常直接以目标位置的当前运动轨迹作为飞行器的参考轨迹，而没有根据目标的不同运动状况进行分类讨论，这会导致飞行器频繁跟随移动目标进行变换方向，从而使得飞行过程不连续，降低了飞行器自主跟随运动的机动性。

发明内容