基于Kalman濾波的室內無人機實時定位算法研究

侯楊陽 華壯

摘? 要：文章針對小型無人機在室內這一類環境的識別與跟蹤進行了研究。利用標志小球作為機身特征點，可以實現無人機的快速捕捉和實時跟蹤;在此基礎上加入Kalman濾波運動估計，去除跟蹤過程中的噪聲干擾;最后計算出目標三維信息，并利用Windows內存映射技術將該數據傳輸給訪問進程，實現了室內小型無人機位置信息的實時捕捉和傳輸，為其自主飛行提供了可靠的數據依據。

關鍵詞：攝像機標定;目標識別與跟蹤;Kalman運動估計;內存映射

中圖分類號：V279;TN98? ? ? ?文獻標識碼：A 文章編號：2096-4706（2020）16-0013-04

Research on Real-time Positioning Algorithm of Indoor UAV Based on Kalman Filter

HOU Yangyang，HUA Zhuang

（School of Physics and Electronic Engineering，Jiangsu Second Normal University，Nanjing? 211200，China）

Abstract：Aiming at the indoor environment，the recognition and tracking of small drones are studied. Using the marker ball as the feature point of the fuselage，the UAV can be quickly captured and tracked in real time;on this basis，Kalman filter motion estimation is added to remove the noise interference in the tracking process;finally the three-dimensional information of the target is calculated and used the Windows memory mapping technology transmits the data to the access process，which realizes the real-time capture and transmission of the position information of the indoor small UAV，and provides a reliable data basis for its autonomous flight.

Keywords：camera calibration;target recognition and tracking;Kalman motion estimation;memory mapping

0? 引? 言

目前，無人機在戶外的應用范圍已經非常廣泛，而由于室內環境復雜、障礙物多等原因，無人機在室內的應用范圍則相對比較局限，但也已經有研究開始擴展其可用性。利用無人機對室內狀況的巡查和監督中，無人機的定位和跟蹤尤為重要。現有的無人機普遍采用的是慣性導航與GPS導航系統來確定自身的位置信息，這種方法不具備可視性。因此，本文基于實驗室對雙目視覺與目標識別方面的研究基礎，利用雙網絡攝像頭確認與跟蹤無人機的空間信息，使得無人機的姿態信息一目了然。本文的研究內容為室內無人機姿態控制研究領域的工作者提供了另外一種發展思路。

1? 目標識別

1.1? 攝像機標定

相機平行放置的立體視覺系統最簡單[1]，也是最常用的方式，使雙目成像模型得到簡化，獲取物體的三維數據變得更加容易，簡化后的理想雙目視覺成像系統原理如圖1所示。

在理想的平行成像系統中，空間一點A（XW，YW，ZW）在左右圖像中坐標分別為al（ul，vl）和ar（ur，vr），兩相同攝像機平行放置，焦距相等，均為f [2]。

根據該原理，本文搭建了平行的雙目視覺系統，其硬件主要包括兩個一體化高清網絡高速智能球形攝像機，兩根足夠長的網線，網絡服務器，一臺計算機和固定模擬云臺。硬件組成實物結構如圖2所示。

攝像機標定有多種方法可實現，其中，基于標定物方法有諸多優點：對攝像機模型沒有限制，適用于任意攝像機模型，有較高的標定精度，操作簡單易實現[3]。因此，本文選用該方法進行標定，獲取兩攝像機的參數矩陣。

在空間中選取樣本點，計算得出左右攝像機的M矩陣：

1.2? 運動目標的檢測識別與跟蹤

本文選用橘黃色乒乓球來作為機身反射物，將乒乓球固定在小型無人機機身上作為機身特征，如圖3所示。

本系統需要識別的運動實則為規則球狀目標的運動，可以有效利用該球的兩大特點：顏色和形狀特征。小球或者小型無人機所處的環境是未知的，可能復雜也可能簡單，因此根據目標本身所具有的特征，將其從周圍環境中檢測出來，是算法需實現的第一步。

具體操作步驟為：

（1）圖像的采集處理，在Visual Studio 2013上實現兩攝像機的同步顯示。

（2）圖像預處理，消除原始圖像噪聲[4]。

（3）R通道顏色分離，將圖像二值化，并進行形態學腐蝕濾波操作，消除毛刺，得到感興趣區域;

（4）查找輪廓，計算檢測到的所有輪廓的周長和面積，進行輪廓剔除處理，最終得到小球的在二維圖像中的圓形輪廓[1]。

（5）由數學知識可知，給定一個圓，半徑為R，可以求得該圓形的面積為S，輪廓周長為C，有：S=πR2，C= 2πR，設定面積-周長系數為k，那么該圓的面積和周長滿足以下關系：

k==1

也就是說，給定以閉環區域，求得它的面積和周長，就能夠計算該區域的面積-周長系數k，對k可以大致做這樣的劃分：

利用輪廓剔除系數，可以有效過濾掉非目標的連通區域，最終提取到目標小球的輪廓，獲取左右視圖目標中心點坐標。

2? 基于Kalman的目標運動估計

2.1? Kalman濾波原理

卡爾曼濾波器（Kalman Filtering，KF）是針對動態系統的狀態序列進行線性最小誤差估計的一種濾波算法，主要利用遞推原理來修正估計狀態，屬于常用的目標狀態估計算法濾波器[5]。

單純利用攝像機進行對目標的跟蹤，很容易受環境的干擾，因此為了更加精準地定位無人機目標運用卡爾曼濾波器，其可以根據上一幀小球的位置信息，結合當前幀的觀測結果，實時準確地預測和更新當前幀的運動情況。建立卡爾曼濾波器數學模型時，在很短的時間內小球的運動可以看成是線性直線運動[3]。

具體實現步驟如下：

（1）計算運動目標的特征信息。通過對小球進行預處理以及顏色輪廓特征檢測，得到左右攝像機小球質心的二維坐標。

（2）定義卡爾曼濾波器。

狀態向量：

X=[x? ?dx? ?y? ?dy]T

x、y分別是中心點在圖像坐標系中沿x、y方向的位移，dx、dy則分別是沿x、y方向的速度。

狀態轉移矩陣：

觀測值則為當前幀直接檢測到的小球的二維像素信息，橫縱坐標分別為x、y，則觀測矩陣：

將第一幀檢測出的特征信息作為初始值，對卡爾曼濾波器進行初始化，即對X0賦初值。

（3）用卡爾曼濾波器利用前一幀的信息和當前幀的觀測值對當前幀的目標區域進行預測和更新，并記錄更新后的當前幀的目標信息。

2.2? 實驗驗證與分析

2.2.1? 配置環境

（1）兩臺網絡化的球形攝像機作為圖像采集設備，圖像尺寸為1028×720，幀率為25幀/秒。

（2）使用一臺式電腦作為圖像處理計算機：CPU為Intel Core i5，主頻可達到3.20 GHz，內存為8 GB。

（3）電腦為32位Windows 7操作系統，以Visual Studio為開發環境，使用C++語言實現程序編寫。

2.2.2? 實驗驗證

加入Kalman濾波器后，左右視圖跟蹤軌跡如圖4所示，其中曲線表示目標的運動軌跡。

通過實驗數據采集，運動軌跡點的計算值和測量值之間的比較如表1所示。

實驗結果表明，該系統測量誤差在20 mm以內，較其他測量方法有較高的測量精度;系統處理時間控制在50 ms以內，即平均每秒處理20幀，滿足系統實時性的要求;加入Kalman濾波器后，去除了環境干擾造成的毛刺現象，運動軌跡較為平滑。

3? 基于內存映射的數據傳輸與共享

通過上述內容可以得到目標的實時位置信息，這些數據需要被實時快速地傳輸給無人機飛行控制系統，即圖像處理進程和飛行控制進程間需要數據的傳輸通道，使得無人機可以根據反饋信息及時調整自身位置情況[1]。針對這一需求，對同一PC中不同進程間的數據傳輸方法做了具體分析，最后采用了內存映射文件，利用該技術來實現不同進程間數據的實時傳輸與共享[6]。實驗表明，該方法在進程數據實時傳輸上取得了較為理想的效果，實驗結果如表2所示。

可以看到目標識別與跟蹤進程中得到的數據被實時地傳遞給另一訪問進程，實驗效果較為理想。同樣，在無人機的上位機飛行控制系統中也可以實現對該數據的實時訪問與讀取，這為整個無人機飛行控制系統實現自主飛行提供了可靠數據，打下了堅實的基礎。

4? 結? 論

針對室內環境區域，本文實現了基于Kalman濾波的無人機實時定位方法。首先，利用雙目視覺原理搭建了實驗系統平臺，并對兩攝像機進行了參數標定;利用機身輔助特征——黃色小球，實現對目標的準確識別;為了更好地追蹤目標，加入了Kalman濾波運動估計，利用遞推原理建立幀間關系，實現跟蹤的可靠性;最后將得到的目標三維數據通過內存映射的方法實時傳輸給訪問進程。整個方法有較強的實時性，且獲取的三維信息有較高的精度，具有一定的應用價值。

參考文獻：

[1] SHIN D，TJAHJADI T. Clique descriptor of affine invariant regions for robust wide baseline image matching [J]. Pattern Recognition，2010，43（10）：3261-3272.

[2] MARINAS J，SALGADO L，ARR?SPIDE J，et al. Traffic Sign Detection and Tracking Using Robust 3D Analysis [C]//Proceedings of the 2012 Third International Conference on Emerging Security Technologies. Washington：IEEE，2012：78-81.

[3] GUPTA S G，GHONGE M M，JAWANDHIYA P M. Review of Unmanned Aircraft System（UAS） [J]. International Journal of Advanced Research in Computer Engineering & Technology （IJARCET），2013，2（4）：1646-1658.

[4] 于清華，黃開宏，盧惠民，等.基于雙目視覺的足球機器人對三維空間目標的運動估計與攔截 [C]//西安：中國自動化學會控制理論專業委員會.第三十二屆中國控制會議論文集（D卷），2013：5943-5948.

[5] 趙廣輝，卓松，徐曉龍.基于卡爾曼濾波的多目標跟蹤方法 [J].計算機科學，2018，45（8）：253-257+276.

[6] RICHTER J，NASARRE C.Windows核心編程：第5版 [M].葛子昂，周靖，廖敏，譯.北京：清華大學出版社，2008.

作者簡介：侯楊陽（1989—），女，漢族，山東菏澤人，助理實驗員，碩士，研究方向：圖像處理算法分析與研究。