[发明专利]基于仿仓鸮眼视觉注意的无人机自主编队精准测量方法

摘要

本发明提出了一种基于仿仓鸮眼视觉注意的无人机自主编队精准测量方法，其实施步骤为：步骤一：二维统计直方图的建立；步骤二：仿仓鸮眼显著性提取；步骤三：红色区域分割；步骤四：感兴趣区域提取；步骤五：标识圆片分割；步骤六：多无人机标识重合区域分割；步骤七：圆拟合与参考点获得；步骤八：无人机编队相对位姿测量；本发明提出的基于仿仓鸮眼视觉注意的无人机自主编队精准测量方法能够准确提取无人机球形标识，准确确定无人机位置，具有较高的准确性、自主性和鲁棒性。

主权项

1.一种基于仿仓鸮眼视觉注意的无人机自主编队精准测量方法，其特征在于：模拟仓鸮视觉通路对边缘及对比度信息的处理机制建立了基于二维直方图的仿仓鸮眼视觉注意方法，利用仿仓鸮眼视觉注意机制能够快速预定位目标，为后续处理提供指导，以提高目标的感知概率，同时减少后续计算时间；然后，对合作标识进行进一步的识别，进而使用位姿估计算法计算无人机之间的相对位置及距离，为无人机编队提供相对导航信息；该方法的具体步骤如下：/n步骤一：仿仓鸮眼显著性提取/n模拟仓鸮视觉系统中外纹体和副视系统对亮度、方向、边缘信息处理及模式识别多种视觉信息的加工过程；利用图像的二维灰度直方图和二维梯度方向直方图相结合计算图像的显著图；/n对于一幅图像而言，假设其中所有可能出现的图像灰度值为IK＝{1,2,...,k}，对于8位整型灰度图而言，其可能出现的灰度值有256个，即k＝256；此时的二维统计直方图中的元素定义如下：/nH＝[h(m,n)],m,n∈IK (1)/n其中，H是一个k×k的对称方阵，每个元素h(m,n)表示在整幅图像中灰度值m与n同时出现在一个大小为z的局部窗口中的次数；对于所有灰度值为m的像素点，检测其附近大小为z的局部窗口中各个像素的灰度值，如果其中某一个像素的灰度值为n，则二维统计直方图中的元素h(m,n)增加1；对图像中所有的像素点进行该操作之后建立整个图像的二维灰度直方图；/n根据二维统计直方图求得任意两个灰度级同时在一个局部窗口中出现的概率，即：/n /n其中P中的各个元素p(m,n)表示(m,n)在同一个局部区域中出现的概率；在背景区域当m和n越接近时h(m,n)越大，对应p(m,n)也越大，而目标区域与背景区域有较大不同的情况下，m和n相差较大，此时的h(m,n)较小，对应p(m,n)也较小；由此得出图像中某个点的显著度与该点对应的灰度值与其周围灰度值同时出现的概率成反比；为计算显著度需要计算一个与p(m,n)变化趋势相反的概率，采用如下所述方法进行计算：/n /n当图中没有在一个局部窗口中同时出现的一对灰度值时其对应的中的元素置为0；阈值U的计算方法如下式所示：/n /n式中∑INZ(P)表示的是矩阵P中所有非零元素的个数，即当p(m,n)＞0时INZ(P)＝1，当p(m,n)＝0时INZ(P)＝0；最终按照下式计算得到显著图：/n /n式中S(i,j)表示(i,j)处的显著值，x(i,j)为点(i,j)处的灰度值，x(i',j')为(i,j)邻域窗口中的像素点；/n为了充分考虑图像的边缘信息，模拟仓鸮核团对边缘信息的处理机制，使用图像的梯度方向二维统计直方图作为另外一个通道计算图像的显著度；图像中点(i,j)处的梯度方向的计算公式如下：/n /n其中，G_x(i,j)和G_y(i,j)分别表示点(i,j)处在x方向和y方向的梯度，计算公式如下：/n /n在计算每个像素的梯度方向之后得到整幅图像的梯度方向，然后建立图像梯度方向的二维统计直方图；按照计算公式(2)～(7)计算基于二维统计直方图的图像显著度；最终将两种方法得到的显著度按照相同的权重进行合并得到最终的仿仓鸮眼显著图；/n步骤二：红色区域分割/n视觉传感器获取到包含无人机目标的图像之后，首先对图像进行红-绿-蓝RGB颜色空间，色相-饱和度-亮度HSV颜色空间变换，利用色相、饱和度两个通道进行阈值分割之后，即得到包含无人机红色标识球和复杂背景中的红色物体的所有区域；将分割之后的图像二值化，得到分割二值图；由于分割得到的二值图存在噪声，影响到后期的视觉处理，使用形态学的腐蚀膨胀算子对二值图进行滤波处理，从而得到所有的红色区域；/n步骤三：感兴趣区域提取/n为了得到原图的感兴趣区域，需要对步骤二第一次红色标识球HSV阈值分割得到的二值图进行形态学操作；首先，提取每个红色区域的外部轮廓，设第i个区域的轮廓点集为其中第i个区域的第m个轮廓点的图像坐标为然后，对每个区域轮廓点的图像坐标的两个维度进行排序计算，得到每个区域轮廓点坐标的最大值和最小值；最终，获得每个区域的外接矩形，作为ROI(Region of Interest)区域，表示为ROIⁱ＝(uⁱ,vⁱ,wⁱ,hⁱ)，uⁱ和vⁱ分别表示ROI矩形区域左上角顶点的图像坐标，wⁱ和hⁱ分别表示该矩形区域的宽度和高度，从而唯一确定了每个区域的外接矩形；/n步骤四：标识圆片分割/n在获取到的原图中所有红色区域的外接矩形做ROI区域之后，再对每个ROI区域内进行n-1次HSV颜色空间分割，其中n为无人机编队数量；对每种标识圆片的颜色进行分割区分，从而剔除出非目标的红色干扰物体，同时还能根据每个区域内的标识圆片，确定标识物所属无人机的编号；/n步骤五：多无人机标识重合区域分割/n根据相机的针孔成像模型，相同大小的物体的成像面积与距离平方成反比；用于区分无人机编号的标识圆片颜色不同，但大小相同，因此根据不同颜色的标识圆片面积比来估计两个标识球相对视觉传感器的距离比；根据两类标识圆片中心点的坐标加权求和，估计分割线经过的关键点，其中加权权值的大小由两个球状标识物距离视觉传感器的距离估计值确定；/n为求得分割线的方程，根据一个直线经过的已知点，还需知道该直线的斜率，设分割线与两类标识圆片中心的连线相互垂直，则得到分割线方程；在得到相互遮挡区域的分割线之后，还需要对分割线两侧的区域进行标注，即确定分割线两侧的区域分别归属的无人机编号；由于在视觉位置测量阶段，用每个区域的轮廓点来描述该区域的特征点，则问题转换成了对分割线两侧区域的轮廓点进行标注；/n设一条直线l上不重合的两点为P₁和P₂，P₃为直线外一点，判断P₁P₂P₃为顺时针方向还是逆时针方向；由三角形面积公式，三角形的面积S的符号由外积的方向确定，当S为正，方向为垂直纸面向外，则P₁P₂P₃为逆时针方向，当S为负，方向为垂直纸面向里，则P₁P₂P₃为顺时针方向；/n利用上述方法依次判别区域重合区域的所有轮廓点在分割线的哪一侧，从而给每个轮廓点标注所属无人机的编号信息；考虑到分割线的近似性，为了保证标注结果尽可能正确，只选取离分割线一定距离以外的轮廓点用作后面的相对位置测量；/n步骤六：圆拟合与参考点获得/n通过基于颜色特征提取到的无人机球形标识物的轮廓，当标识物之间相互遮挡时，只能得到部分未遮挡的轮廓点，使用最小二乘法对标注好的轮廓点进行拟合，恢复图像中各标识球的圆形轮廓；建立圆形轮廓的外接矩形，并以圆心为原点建立坐标系将外接矩形四个角的坐标作为参考点用于后续的位姿测量中；/n步骤七：无人机编队相对位姿测量/n将摄像机安装在无人机的顶部，并对其进行精确标定；为获得两个无人机之间的相对位置，需要利用参考点的位置信息及相机成像模型进行位姿解算；其中四个参考点的相对世界坐标根据球形标志的半径获得，参考点的图像坐标由上一步得到；然后，使用位姿测量算法进行相对位姿测量。/n