基于神經網絡的無人機定位關鍵問題研究

孟文曄+王景璐

【摘要】當進行海面目標偵測、地面目標精準打擊、重大自然災害救援、農林牧業作業等活動時，判斷無人機自身位置的精確信息對上下文感知應用至關重要。本文提出一種結合圖像處理與神經網絡設計的無人機遙控定位算法。首先預處理無人機遙感視覺數據樣本，從中提取色彩與建筑物邊界作為特征：其次，經過語義分析組建特征空間：然后輸入BP神經網絡進行機器學習訓練、識別，基于神經網絡算法分析實現路徑標記與轉換，最終完成位置識別：自動發出指令實現對無人機的定位控制。實驗結果表明本算法能獲得良好的定位效果。

1緒論

無人機無需搭載駕駛員，通過無線鏈路傳遞指令控制飛行或預編制程序自主控制飛行，具有機身小巧、起降便捷、耗能少等優點，在軍事與民用領域得到廣泛應用。自動控制，先進傳感技術以及計算機科學等諸多領域的高新技術被融合到無人機應用中，目前的無人機搭載多樣遙感設備，可獲取信息應用于軍事與民用領域。例如地面面目標偵測、地面目標精準打擊、重大自然災害災情采集、災害救援、農田信息監測、植物保護及貨物遞送等應用中，另外目前已有機構將無人機利用到給戰場、災區和難以到達的地區提供臨時的網絡覆蓋服務中，而無人機自身的精確位置信息是決定以上活動成敗的關鍵環節。

研究人員國內外科研人員已經探索與研制出各種技術來實現對無人機定位的控制，關于無人機的定位研究結合導航與飛控兩大核心技術，位于目前科技研究的前端，具有重要意義。一般來說，這些技術可以分為兩類。一種是基于全球定位系統的絕對定位，另一種是基于傳感器獲取被定位目標信息的相對定位，以及融合這兩種方式的數據后進行定位。前一種方法基于天體或大地坐標獲取無人機在大地坐標系中的絕對位置，由于在飛行過程中GPS并不是一直能夠獲取，會導致其精度不能滿足無人機導航的需要，另外，所需設備造價高昂，使得相關應用的廣泛度受限。

第二種方法通過導航設備分析傳感器獲取的信息來判斷無人機與目標間的相對位置關系，主要有基于計算無人機與目標間的距離的，如利用聲納傳感器與激光測距儀發射信號并計算信號返回的時間間隔來感知距離信息：和利用視覺系統分析定位的，如采用圖像傳感器獲取周圍環境信息。

由于機器視覺技術不斷提高，嵌入式硬件的進步，加之圖像傳感器造價低廉應用廣泛，圖像信息獲取具有自主性、全天候、全天時等顯著優點，是民用無人機賴以獲取信息的最重要來源，所以本文建立基于神經網絡的無人機定位系統，采取搭載在無人機上單目攝像頭獲取地面圖像，進而采用機器學習的方法分析處理圖像實現無人機定位。

2.基于神經網絡的定位算法設計

本論文提出將無人機航拍時得到的圖像利用神經網絡進行有監督識別處理，實現對地面建筑物的定位。圖像識別可以將圖像中中與特征無關的不相同的物理內容去除掉，再根據特征的共性進行分類。本文主要對圖像模式識別理論和數字圖像處理技術進行了研究，有些問題能很好地適應區分不同的建筑的照片。

無人機定位的過程涉及圖像的采集、圖像預處理、建筑物圖像的特征提取、建筑物外觀圖像的識別等基本過程。其中，圖像的采集是通過攝像機直接獲取的，圖像的預處理主要包括圖像的大小、灰度變換等，圖像的特征提取和識別的方法相對復雜，且特征提取和識別方法是影響識別速度和準確度的關鍵。

本文的定位識別系統對無人機采集到的圖像采取以下方法進行識別，由于無人機拍攝圖像角度大，所以需要區分的建筑物較多，為了提高識別的速度，本方法利用SVD提取的建筑物外觀特征，并將選擇后的特征傳輸入神經網絡進行訓練，后續用來識別。因此本實驗主要采用BP神經網絡模型，算法步驟如圖1所示。圖像定位識別是一個有監督學習過程，首先利用訓練集構造一個建筑物地標模型，然后將測試集與訓練集進行匹配，找到與之對應的訓練集圖像，即可獲得無人機所在的位置信息。本方法是一種識別速度快且識別率高的建筑物定位識別方法，

2.2方法：數據獲取和處理

圖像預處理過程為，首先，用移動為0.3s的窗口篩去相近的時間內攝取的圖像以減小圖像處理工作量：其次，簡化篩選出的新編圖片，例如做縮放處理然后濾波以提高識別速度：

2.3神經網絡分類器設計

BP算法是利用輸出層的誤差來估計輸出層的直接前導層的誤差，再用這個誤差估計更前一層的誤差。如此下去，就獲得了所有其他各層的誤差估計。這樣就形成了將輸出端表現出的誤差沿著與輸入信號傳送相反的方向逐級向網絡的輸入端傳遞的過程。因此，人們就又將此算法稱為向后傳播算法，簡稱BP算法。使用BP算法進行學習的多級非循環網絡稱為BP網絡。

使用BP網路作為模式分類器時，輸入層節點數取決于數據源的維數，即特征空間的維數。因此為了避免采集的信息太多，樣本維數太大，導致收斂時間和訓練時間太長影響識別速度，在將特征輸入網絡進行訓練之前必須對收集到的特征進行篩選，通過多次實驗去除對刻畫事物的本質貢獻非常微小的特征，也就是需要做特征提取工作。

3仿真實驗

本論文通過將無人機航拍時得到的圖像利用神經網絡進行有監督識別處理，實現對地面建筑物的定位。由于Matlab具有強大的圖像處理功能與機器學習工具箱，因此仿真實驗將在matlab軟件平臺上進行。

3.1數據采集

本實驗是在本校采集的無人機攝像圖像庫上進行的。本校建筑物共有10座，如，圖書館、運動場、教學樓群、AB實訓樓、鐘樓廣場等地標性建筑物。仿真實驗隨機選出每個建筑物的100幅不同角度不同高度拍攝的圖像作為訓練圖像，構成一個1000幅圖像的訓練集，剩下的300幅圖像構成測試集。

3.2測試結果

正確識別的測試集數目為：196

正確識別的訓練集數目為：874

測試集識別率為6.533333e-01

訓練集識別率為8.740000e-01

總識別率為8.2307600e-01

本章首先對圖像進行預處理，增強圖像質量，然后采取提取圖像中的物體邊緣與表面色彩作為高級特征，與特征一起訓練Bp神經網絡，對目標進行分類識別，獲得相關目標的位置信息，并通過仿真給出了識別結果。

4結論

不論是無人機救援、偵測還是多機協這些應用都需要建立在精準的無人機定位技術上，因此研究基于神經網絡的無人機定位技術是對先進計算機圖像處理與機器學習技術的綜合實踐，具有極高的學術研究價值與社會生產實踐價值。本文通過對圖像模式識別理論和數字圖像處理技術的利用，有很好地區分了不同的建筑的照片，從而對無人機定位系統進行了實現，最優測試集識別率為82.33%。endprint