無人機地面微動特征視覺識別的可靠性分析

李萬華

（重慶城市職業學院，重慶 402160）

引言

無人機視覺識別技術是將無人機作為載體，結合機器視覺技術，利用無人機的飛行高度和視角，從客觀的圖像中提取所需信息，經過處理后，用于無人機自主智能控制的輸入和無人機終端應用領域的拓展[1]。微動現象是存在于自然界的一種現象，主要描述目標或目標物體上的一部分除質心平動外產生的微幅度的運動，通過無人機視覺識別技術，得到地面微動特征，實現無人機目標識別的目的[2]。通過可靠性分析，為無人機地面微動特征視覺識別提供了實際應用的可行性，具有一定的現實意義[3]。

常規的可靠性分析方法在真實環境中由于無人機平臺的抖動，導致航向重疊度較低，可靠性相對誤差較高，無法為無人機地面微動特征視覺識提供可靠依據。因此，設計無人機地面微動特征視覺識別可靠性分析方法，解決上述中存在的問題。

1 無人機地面微動特征視覺識別的可靠性分析方法

無人機地面微動特征視覺識別過程中，主要根據地面識別目標位置實時調整無人機的姿態，利用微動特征在目標丟失情況下將目標重新找回，通過以上兩點完成可靠性分析。

1.1 確定無人機視覺定位中影響因子

通過分析無人機視覺定位過程，確定可靠性影響因子。建立地面空間坐標系無人機機體坐標系機載相機坐標系為通過方向矩陣得到無人機機體與相機在地面空間坐標系中的準確位置[4]。假設坐標系中的單個不同方向的軸分別轉動θ、λ、α角度，則三個不同方向的軸的基元旋轉矩陣分別為：

確定坐標系中的基元旋轉矩陣后，利用無人機視覺技術估計無人機位置，提供準確的位置信息，以便根據目標的運動特征做出姿態調整[5]。采用ORB特征視覺定位算法，在真實環境中進行特征提取測試，ORB特征提取結果如圖1所示。

完成特征提取后，初始化圖像場景地圖，對于平面場景，通過計算相機投影的單應性矩陣得到初始化地圖[6]。公式如下：

式中：

Uνε—相機單應性矩陣；

pν—無人機獲得的當前幀圖像；

pε—參考幀圖像[7]。

針對一般場景，通過計算當前圖像的基本矩陣得到初始化地圖，計算公式為：

式中：

Iνε—基本矩陣。

完成初始化地圖后，通過提取的ORB特征實現對地面目標的跟蹤，通過對比連續幀之間的對應關系，獲取無人機及相機的當前位置姿態信息，若出現跟蹤目標丟失情況，將當前幀圖像與圖像數據庫對比，在初始化地圖上重新定位[8]。

在對無人機定位的同時，對場景加入深度信息，實現視覺定位信息與無人機機載在同樣的時間對無人機高度信息的測量，形成測量數據序列(g1,g2)，定義視覺定位尺度因子為ε[9]。得到：

圖1 ORB特征提取結果

式中：

g1—視覺定位高度測量值；

g2—無人機機載聲波高度測量值；

bi—聲波測量高度信息；

σ1—視覺定位測量方差；

σ2—聲波測量方差[10]。

通過上述分析過程，確定無人機視覺定位中影響可靠性的多種因素，將其轉化為影響因子，用于后續可靠性計算，其中包括基元旋轉矩陣、初始化地圖參數及場景深度信息。在無人機地面微動特征視覺識別中，視覺定位完成后利用目標識別算法識別出地面目標，通過分析無人機目標識別算法，確定其對應的可靠性影響因子。

1.2 確定無人機目標識別算法影響因子

對地面目標微動特征識別，首先提取目標微動特征，分析微動特征提取能力。在無人機地面目標識別中，利用短時傅立葉變換方法完成微動特征提取[11]。通過對多分量振動信號進行仿真確定特征提取的可靠性。仿真條件為，當待識別的地面目標只存在一個振動中心，工作頻率為10 GHz，散射點微動幅度為0.06 m，微動角速度為8 prad/s，初始振動相位為0；若地面微動目標有兩個散射中心，則微動幅度分別為0.2 m和0.4 m，兩者之間的振動初相相位差為p，微動角速度相同均為8 prad/s，兩種仿真的回波采樣頻率均為1 kHz，累積采樣時間為0.05 s。仿真結果如圖2。

以提取的微動特征為樣本，分析檢測器的性能。利用檢測器掃描無人機當前幀圖像判斷目標是否存在。使用集合分類器掃描無人機獲得的當前幀圖像，對圖像對應像素灰度值進行大小比較，將比較結果組成一組二進制碼作為后驗概率表的索引，經過后驗概率平均計算，若結果大于50 %，則說明該圖像包含識別目標。

在集合分類器中存在多個基礎分類器，每個分類器具有對應的后驗概率分布，包含圖像像素比較坐標的數目[12]。在初始化階段，基礎分類器的后驗概率的初始值為0，在運行期間，集合分類器通過分類標注的樣本完成后驗概率的更新，更新完成后計算后驗概率平均計算判斷目標是否存在。

對于判斷目標是否存在的重要因素就是后驗概率平均計算，經過對后驗概率初始階段和更新后的測試，證明了檢測器真實有效。通過檢測器判斷目標存在后，使用跟蹤器在連續幀中預測目標的運動。

經過計算得到計算結果為0.03，趨近于0，說明跟蹤軌跡正確有效。

綜合上述分析內容可知，在無人機目標識別算法中影響可靠性的影響因子有微動特征完整度、后驗概率分布指數、跟蹤軌跡重合度。將以上三種影響因子與無人機視覺定位中的三個影響因子相結合，計算地面微動特征視覺識別能力評價指數，確定其可靠性。

圖2 振動信號微動特征

1.3 計算可靠性指數

通過計算尺度因子優化無人機位置信息，利用無人機視覺定位獲取無人機位置信息。得到無人機及機載相機位置，結合初始化地圖pν和場景深度信息計算無人機視覺定位可靠性指數，公式如下：

式中：

gi—場景深度信息，i=1,2,…,n，n為常數。

確定無人機視覺定位可靠性指數后，根據微動特征完整度、后驗概率分布指數及跟蹤軌跡重合度計算地面微動特征識別可靠性指數，公式如下：

式中：

φ1，φ2，φ3—與影響因子對應的權重；

f—地面微動特征完整度；

a—后驗概率分布指數；

將獲得的ξ1與ξ2相加，根據最終獲得的值判斷無人機地面微動特征視覺識別的可靠性指數，完成可靠性分析。正常情況下，ξ1與ξ2兩者的和在（0，1）范圍內，若結果無限趨近于1，說明其可靠性越強，反之，若結果趨近于0，則說明可靠性較差。

w—無人機跟蹤目標軌跡重合度。

通過以上過程確定可靠性指數，以此為依據，判斷無人機地面微動特征視覺識別的可靠性指數，至此，可靠性分析完成。

2 實驗設計與分析

針對常規的可靠性分析方法中存在的問題，設計對比實驗，使用相同的實驗設備，設置5條不同參數的航線，計算無人機在航行過程中的航向重疊度和可靠性相對誤差，根據結果進行對比分析。

2.1 實驗設備準備

受到實驗環境的限制，實驗使用的是中空無人機，該無人機相關性能參數如表1所示。

與之搭配使用的攝像機參數如表2所示。

以上設備的實物圖如圖3所示。

使用以上設備同時設置無人機飛行參數，驗證無人機地面微動特征視覺識別的可靠性。

2.2 無人機飛行參數設計

在無人機觀測中選擇5條航線飛行，設置不同的每條航線的飛行時間、航線長度和平均飛行速度，5條航線無人機設置的飛行參數如表3所示。

上述數據為5條航線設置的不同的飛行時間、飛行距離和飛行速度，在實際實驗中存在一定的誤差，通過計算，得出的標準差為0.035，正常標準為0.01，計算得到的標準差在標準范圍內，對后續可靠性對比實驗沒有影響，可進行下一步操作。

表1 中空無人機性能參數

表2 攝像機參數

圖3 無人機及機載相機實物圖

表3 無人機飛行參數

表4 實驗結果

2.3 可靠性對比實驗及分析

使用上述準備的設備，并完成無人機參數設計，使用設計的可靠性分析方法分析無人機地面微動特征視覺識別，同時引用常規的無人機地面微動特征視覺識別可靠性分析方法，獲得兩組航向重疊度及可靠性分析相對誤差。統計5條航線的實驗結果，結果如表4。

觀察表中結果，表4中對照組結果顯示5條航線整體航向重疊度偏低，在20～30 %之間，其對應的可靠性相對誤差在9.0～10.5之間，整體偏高；實驗組結果中顯示5條航線航向重疊度在80～95 %之間，其對應的可靠性相對誤差在1.0～2.0之間，整體偏低。

在實際項目中，可靠性分析方法的相對誤差標準范圍為3.25以下。綜合上述數據來看，常規的可靠性分析方法的相對誤差遠超于標準值，而設計的可靠性性分析方法測得的結果在標準范圍內，說明設計的無人機地面微動特征視覺識別的可靠性分析優于常規的可靠性分析方法。

3 結束語

近年來，隨著機載視覺平臺的發展，為目標跟蹤提供了更好的幫助，能夠利用無人機視覺技術實現實時圖像傳輸，保證對目標的主動跟蹤。使用可靠性分析方法分析，為保證無人機地面微動特征視覺識別提供了一定的保障。針對常規的可靠性分析方法存在的弊端，重新設計可靠性分析方法，同時設計對比實驗，通過實驗證明了設計的可靠性分析方法有效的解決了常規方法中存在的問題，為進一步確定無人機視覺識別的可行性提供了一定幫助。