无人机自主飞行精确定位导航在环境安全中的应用

来源:用户上传      作者:

　　摘  要： 针对环境安全监测与检测中的不足，提出一种利用无人机自主飞行精确定位导航的方法实现对环境的监测与检测。利用无人机携带便携式检测装备对目标区域进行环境监测与检测，关键在于无人机的自主飞行以及精确定位导航。在无人机自主飞行阶段，利用图像特征以及地理坐标特征实现无人机的自主飞行;在图像匹配阶段，利用特征地标的新方法来进行图像匹配。实验结果表明，该方法具有一定的稳定性和鲁棒性，能夠有效地应用于环境安全的监测与检测中。
　　关键词： 环境安全; 无人机; 自主飞行; 精确定位导航; 地标特征匹配; 图像匹配
　　中图分类号： TN965?34                            文献标识码： A                       文章编号： 1004?373X（2020）02?0097?04
　　Application of UAV autonomous flight precise positioning navigation
　　in environmental safety
　　CHEN Nan， SONG Zhili
　　Abstract： In allusion to the deficiencies in environmental safety monitoring and detection， a method that application of UAV autonomous flight precise positioning navigation is proposed to realize the environmental monitoring and detection. The key to environmental monitoring and detection of target area with UAV portable detection equipment lies in the autonomous flight and precise positioning navigation of UAV. In the UAV autonomous flight phase， the UAV autonomous flight is realized with the image features and geographic coordinates features. In the image matching phase， a new method of feature landmarks is used for the image matching. The experimental results show that this method has certain stability and robustness， and can be effectively applied to the monitoring and detection of the environmental safety.
　　Keywords： environmental safety; UAV; autonomous flight; precise positioning and navigation; landmarks feature matching; image matching
　　0  引  言
　　目前，环境安全越来越重要，关注的人也越来越多，例如污水排放、森林火灾、化工污染等环境安全问题对大众居民的生活生产都会产生很大的困扰。为了防治与防止环境问题的恶劣，有必要对其易发生安全隐患的地方进行监测与检测。
　　在对这些恶劣环境进行监测与检测时，为了减少对人员的伤害，通常会利用无人机携带便携式装备对其进行监测与检测。对这些污染源进行监测与检测时，必须要保证采集的数据是正确无误且是相对应的。例如，采集化工厂废气数据时，然而却采集了污水厂废气数据，这样同样会造成错误分析，从而导致做无用功。为了得到正确的数据源，在使用无人机的情况下，必须保证无人机能够实现精确定位导航，才能够保证数据的正确性。
　　针对以上问题，本文提出一种基于地标特征的方法实现无人机的自主精确定位导航。无人机自主飞行通过规定好的航线，自主进行姿态矫正、航线巡航，无需过多人工参与。在精确定位的过程中，利用特征地标方法实现精确定位。综合利用图像中点的特征以及边界轮廓曲线的特征，结合一种新的特征地标的匹配方法实现无人机定位的精确匹配。实验结果表明，该方法能够实现无人机的精确定位导航且具有较高的稳定性以及鲁棒性。
　　1  基本原理
　　整个数据采集系统即是无人机网络系统，通过无人机的精确定位导航，再利用便携式数据采集装备进行数据采集，然后传输至数据管理中心，通过整个网络系统，完成数据采集、传输以及数据分析[1?3]。数据系统网络图如图1所示。
　　1.1  飞行原理
　　无人机自主飞行利用自带摄像机与存储在数据库中的地图系统，确定飞行方向，利用所获取的图像与原始图像所形成的夹角关系确定当前的飞行偏向角，再利用目标站点与初始位置所形成的夹角得到飞行偏向角;调控好飞行速度以及飞行高度，并且将规划好的路线存储在数据库中，使无人机按照规划好的路线循环飞行[4?5]。
　　1.2  特征地标匹配法 　　特征地标，简言之就是利用标志性的地标特征，利用一个或者多个图像特征进行图像匹配。
　　特征地标利用图像轮廓特征或者是组合轮廓特征来匹配，利用轮廓中特征点所组成的三角形，计算其三角形面积。计算出获取的当前的图像三角形面积以及存储在数据库中相对应的三角形面积，然后再计算出两者的面积比;而后再计算出同曲线的多组面积比。对比多组面积比，在一定误差范围内，只要面积比相同或者相近，即可判断出精确位置，得到精確定位信息。
　　其中对于一个顶点分别为 [pb（xb，yb）]， [pm（xm，ym）]， [pe（xe，ye）]的三角形，它的广义面积（Triangle Area，TAR）定义为：
　　[TAR（pb，pm，pe）=12xbyb1xmym1xeye1]    （1）
　　它是仿射变换的一个相对不变量[6?9]。
　　2  方法步骤分析
　　通过以上基本原理的描述可以知道，为了实现无人机自主飞行以及精确定位导航，主要分为两个过程，分别是无人机的自主飞行以及利用特征地标精确定位导航。
　　2.1  无人机自主飞行
　　无人机的自主飞行大致可以分为四个阶段，分别为初始阶段、飞行阶段、达到目标站点以及继续飞行阶段，通过这四个阶段，实现无人机按照规定航线的自主飞行。
　　2.1.1  初始阶段
　　在初始地点释放无人机，利用相机获取当前图像数据，获取当前数据图像主要是为了确定在释放无人机之后当前的飞行的方向，而后确立下一站点飞行方向，并改善自身飞行方向角往下一个站点飞行;同时，在当前初始位置测算出当前位置到下一目标站点间的距离。
　　首先利用无人机所携带相机获取区域图像，然后与数据库中的图像进行匹配，通过几何变换，使得两幅图像重合，即可得到当前无人机的飞行偏向角，如图2所示。
　　当N与N′完全重合时，其间形成的夹角便是方向角[α]，得到方向角之后可以得知飞行方向为北偏东[α]，也即当前飞行方向为北偏东[α]（假设实验环境为相对理想环境，不考虑阻碍）。
　　确定当前飞行方向之后，在当前区域内检测完数据之后需要飞行到下一站点，如图3所示。
　　1） 首先测算出两点连线与地图坐标轴之间的夹角[β]，可以得到无人机接下来飞行的偏向角。
　　2） 选取原始数据库图像中已经标记好的站点，测算出两点的欧氏距离[l]，然后根据地图比例可以得到两者间的实际距离[l]，也即无人机达到下一站点的实际飞行距离[l]。欧氏距离公式如下：
　　[l=（x1-x2）2+（y1-y2）2]    （2）
　　式中：[（x1，y1）]表示第一个点坐标;[（x2，y2）]表示第二个点坐标。
　　2.1.2  飞行阶段
　　在飞行过程中，因为假设为理想环境状态，那么在缺少阻力的情况下，基本实现平稳飞行，在实际环境中会有误差的存在。
　　2.1.3  到达目标站点
　　到达目标站点，首先进行位置匹配;然后采集环境数据;接着计算飞行下一站点的飞行方向以及飞行距离，在计算出飞行方向以及距离之后，调整自身角度，飞往下一站点。
　　2.1.4  继续飞行阶段
　　当到达一个站点后，需要前往下一目标站点飞行时，则需要再次按照上述的过程执行。
　　通过上述过程的执行，实现无人机按照规定路线巡航的目标。在环境安全检测的应用中实现了环境数据的循环获取，有利于数据分析。
　　2.2  精确定位导航
　　精确定位匹配阶段可分为两个部分，第一部分是粗略匹配以及第二部分是精确定位匹配。
　　通过第一部分的粗略匹配，为第二部分的精确匹配做准备，如果在第一部分就不存在匹配关系，则可以直接跳过该目标站点的检测并报告出此站点为错误匹配站点，如果在粗略匹配存在匹配关系，则进行精确定位匹配，也即精确定位出当前位置。
　　2.2.1  粗匹配
　　粗匹配主要是进行无人机的初步定位，经过这一步可以判断出是否有必要进行精确定位，若在粗匹配的过程中就发现当前站点位置不是目标站点，就可以忽略精确定位，再次寻找目标站点并进行匹配;如果是目标站点位置区域，则进一步进行精确定位匹配。
　　在粗匹配的过程中主要是利用了SIFT算法进行匹配计算，SIFT算法能够找到更多的特征点，可以更大限度地减少遗漏和缺失，能够保证信息的完整。
　　SIFT算法主要步骤为：
　　1） 提取特征向量;
　　2） 特征向量匹配[10]。
　　其中尺度空间构造公式为：
　　[L（x，y，σ）=G（x，y，σ）*I（x，y）]     （3）
　　式中：[L（x，y，σ）]表示尺度空间;[G（x，y，σ）]表示一个变化尺度的高斯函数;“*”表示卷积;[（x，y）]表示图像的像素位置;[σ]表示尺度因子。
　　2.2.2  精确定位匹配
　　在粗匹配结果正确的情况下，即可进行精确定位，利用特征地标方法实现精确定位匹配。精确定位匹配是为了能够确定当前具体位置，得到当前的具体位置才能更好地进行环境的监测与检测。特征地标精确匹配的方法如下：
　　1） 提取图像边界，并利用SIFT算法提取图像边界附近特征点集，并进行匹配;
　　2） 计算每个特征点最近的边界，并计算特征点最近边界的切交点集Pi，Pj;
　　3） 设定一组定比分点[λ*={λ1，λ1，…，λk}];
　　4） 在Pi中任取两点p1，p2，根据λ*得到pλ，再根据TAR描述，选定特征点pr，pt，计算得到三角形面积TAR（p1，p2，[pr1]）以及TAR（p1，p2，[pr1]），并计算出三角形面积比，记为[Sprp1p2]，同理计算[Sptp1p2]： 　　[Sprp1p2=TAR（pr1，p1，p2）TAR（pr，p1，p2）]    （4）
　　[Sptp1p2=TAR（pt1，p1，p2）TAR（pt，p1，p2）]   （5）
　　式中，点pλ是定比为λi的定比分点。
　　面积计算示意图如图4a）、图4b）所示。
　　在计算出上述面积比之后，设定一个确定的值δ，且利用已经得到的面积比以及计算其满足条件：
　　[ζ=Sprp1p2Sptp1p2≤δ]     （6）
　　在计算所取的特征点后，得到的计算值均满足式（6）条件，则可以判断出图像的精确匹配结果，并输出结果。
　　3  实验分析
　　实验主要是三个部分实验：第一部分是无人机自主飞行导航;第二部分是图像的初步匹配;第三部分是图像的精确匹配。
　　3.1  无人机自主飞行导航
　　第一部分：无人机模拟飞行实验路线图采用校区内区域进行实验、数据采集以及数据分析。模拟飞行路线图如图5所示。
　　图5中的红色点作为无人机检测点，白色线条作为预先设定的无人机飞行路线，利用无人机模拟循环飞行并采集飞行数据以及图像数据。
　　模拟飞行实验路线选取的是校区内区域，其中路线图选择的是1∶30（单位：m）比例放缩的地图。如图5所示，假设从最左站点开始，分别记号为1～7号站点，开始实验初试出发点为1号站点，初始方向为正北方向。其中模拟飞行时，无人机会将偏向角以及飞行距离数据传输给计算机（测算距离与实际飞行距离存在误差），实验分析数据表如表1所示，其中欧氏距离由式（2）计算得出。
　　3.2  图像初步匹配
　　利用SIFT算法提取特征后优化，并进行匹配，如图6所示。由匹配结果可以看出，可以通过SIFT算法再由RANSAC算法优化后，可以得到良好的匹配效果。
　　3.3  精确定位匹配
　　选取如图7所示三角形区域，计算其面积比并计算出[ζ]的值，其中预先设定阈值δ为0.3。图7a）为放大时所选取的边界图像，其中三角形为特征三角形;图7b）为原始图像中选取的边界图像，其三角形为特征三角形（两者曲线均经过一定的拟合）。得到三角形后利用式（6）计算出条件面积比，其计算结果如图8所示，来判断出两者是否匹配。
　　实验过程中，总共选取5个特征点进行验证，一开始的阈值δ=0.3，其实验结果如图8所示，与实际选取以及拟合过程中存在一定的误差。
　　4  结  论
　　针对无人机的精确定位导航，本文提出了使用特征地标的匹配方法。首先，实现了无人机的自动飞行控制，在不利用GPS导航定位的情况下实现自动飞行控制，一定程度上降低了成本;然后，利用特征地标图像匹配方法实现无人机的精确定位导航。从可行性方面来看，使用无人机采集数据可行有效;从实验结果看，在一定误差范围内，通过特征地标匹配方法可以实现无人机的精准定位导航，在一定程度上，提高了无人机定位导航的准确率和效率;从应用方面来看，可应用于环境安全的监测与检测中，实现无需过多人工参与的有效的数据采集。
　　参考文献
　　[1] DANIEL K， ROHDE S， GODDEMEIER N， et al. Cognitive agent mobility for aerial sensor networks [J]. IEEE sensors journal， 2011， 11（11）： 2671?2682.
　　[2] BRUST M R， STRIMBU B M. A networked swarm model for UAV deployment in the assessment of forest environments [C]// 2015 IEEE Tenth International Conference on Intelligent Sensors， Sensor Networks and Information Processing. Singapore： IEEE， 2015： 1?6.
　　[3] RANGAN S， RAPPAPORT T S， ERKIP E. Millimeter?wave cellular wireless networks： potentials and challenges [J]. Proceedings of the IEEE， 2014， 102（3）： 366?385.
　　[4] 侯永锋，陆连山，高尚德，等.基于PD算法的四旋翼飞行器控制系统研究[J].机械科学与技术，2012（3）：359?362.
　　[5] 姜成平.一种四旋翼无人机控制系统的设计与实现研究[D].哈尔滨：哈尔滨工业大学，2014.
　　[6] ALAJLAN N， RUBE I E， KAMEL M S， et al. Shape retrieval using triangle?area representation and dynamic space warping [J]. Pattern recognition， 2007， 40（7）： 1911?1920.
　　[7] 年华，孙立于，艳波.Harris?Laplace结合SURF的遥感图像匹配拼接方法[J].遥感技术与应用，2016，37（6）：95?101.
　　[8] 吴东东，周东翔，关涛，等.一种基于轮廓多边形逼近的可见光与红外图像配准方法[J].计算机应用与软件，2012，29（10）：28?30.
　　[9] 李超，于飞，康晓军.一种模板匹配的快速实现方法[J].航天返回与遥感，2016，37（1）：63?70.
　　[10] 宋佳乾，汪西原.基于改进 SIFT 特征点匹配的图像拼接算法[J].计算机测量与控制，2015，23（2）：512?515.
　　作者简介：陈  楠（1994—），江苏扬州人，在读硕士，研究方向为图像处理、计算机视觉、无人机飞行控制。
　　宋智礼（1974—），山东人，博士，硕士生导师，讲师，研究方向为图像配准、遥感图像处理、形状分析、计算机视觉、人工智能、神经计算。
转载注明来源:https://www.xzbu.com/8/view-15122189.htm