[发明专利]一种基于注意力机制的无人机自主着陆视觉引导方法

说明书

本发明公开一种基于注意力机制的无人机自主着陆视觉引导方法，包括基于侧向卷积的注意力机制，能够充分融合图像通道和空间特征信息，且不增加额外参数与计算量，有效提升户外复杂环境下跑道检测准确性；赋权IOU损失函数，通过对小目标赋予更高的损失函数权重，实现远距条件下跑道的准确检测；基于检测出跑道信息，根据透视投影模型计算出偏航角，实现无人机自主着陆中的视觉引导；基于侧向卷积的注意力机制与赋权IOU损失函数嵌入到常规检测网络中，具有通用性，有效提升户外复杂环境中小目标检测精度，并适用于机载嵌入式环境；提高户外复杂光线环境下机场远/中距离跑道的定位能力，增强无人机远距离视觉导航的可靠性和稳定性。

技术领域

本发明涉及无人机视觉导航的技术领域，具体涉及一种基于注意力机制的无人机自主着陆视觉导航方法。

背景技术

无人机由远距离飞行到着陆区的整个过程中，当无人机在当前视图中检测到目标跑道时，可根据跑道在图像中的位置调整飞行方向，确保着陆前保持正确飞行方向。因此，跑道的实时定位和航向估计是实现无人机视觉导航的前提。基于传统特征的跑道检测已经不能满足各种复杂场景的应用需求。基于深层特征的目标检测算法已经被广泛应用于工业缺陷检测等领域。然而基于深度学习的跑道检测仍然具有挑战性。由于外界环境干扰和光线变化，跑道颜色保真度和对比度会丧失，因此跑道特征会变得模糊不清。同时各种图像尺寸和成像角度会改变跑道原有特征信息，从而导致探测器漏检或误检跑道。在远距离下的跑道具有小目标特征，许多详细特征丢失，只能提供有限的特征。这些因素阻碍了可靠实用的无人机视觉导航系统的实现。

无人机远程视觉导航分为三个部分，图像采集、跑道检测和偏航角计算，主要目的是在复杂环境下准确高效地检测出跑道，并计算无人机偏航角用于无人机自主着陆视觉引导。其中跑道目标检测由两部分构成，分别为侧向注意力机制和和赋权IoU损失函数组成，偏航角计算基于检测得到跑到目标在图像中位置信息计算得出目前无人机相对跑道坐标系下偏航角，最后无人机利用该偏航角来调整自身姿态参数。现有注意力机制使检测器聚焦于目标的本质特征，以有效提高模型的抗干扰能力，它们有助于增强相关特征的表述能力，即关注基本特征，同时抑制不必要的特征。然而现有注意力机制仍然有缺点：第一，大多数现有通道注意力模块都经过全局池化，如“Squeeze-and-excitation networks”和“Sa-net:Shuffle attention for deep convolutional neural networks”，然后使用各种策略进行特征转换或加强，但它们不可避免地会导致大量特征的丢失；第二，大多数现有空间注意力模块，如“CBAM:Convolutional block attention module”和“SA-Net:Shuffleattention for deep convolutional neural networks”，是通过压缩通道信息或使用空间统计来构建的。它们是使用单一维度构建的，没有结合来自其他维度的相邻信息；第三，现有注意力机制不能同时将参数和计算量保持在较低的水平，从而限制了在资源有限的嵌入式平台中的应用。

综上，采用现有注意力机制的无人机自主着陆视觉引导方法在现场复杂光线环境的情况下尤其跑道在远距离即跑道目标占图像比例较小时的检测精度较低。

发明内容

本发明解决的技术问题包括，提供一种基于侧向注意力机制的无人机自主着陆视觉引导方法，充分融合图像通道和空间特征信息，且不增加额外参数与计算量，能够在现场复杂光线环境的情况下尤其跑道实现远/中距离条件下的高精度检测，进而完成无人机自主着陆中远/中距离下的视觉导航，有效提升户外复杂环境下跑道检测准确性。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于注意力机制的无人机自主着陆视觉引导方法，该方法包括：