针对传统导航方式精度低、误差大等问题, 结合视觉导航设计了一种基于ArUco码的着陆标识。对机载相机采集的实时影像进行图像处理, 利用世界坐标系与像素坐标系的映射关系建立无人机位姿估计模型, 以特征点坐标解算得到当前无人机与着陆标识物之间的相对姿态估计值, 设计并融合误差模型进一步提高定位精确性。通过无人机室外实际应用实验证明, 设计的降落标志及新型识别算法大大提高了无人机自主降落的精准性, 能更好地满足在**无人机等高精度降落要求场合的应用。

视觉导航领域已有的影像特征点匹配算法主要基于描述子的相似性度量，由于需要大量特征点且缺少对影像整体特征的考虑，影像匹配的实时性和可靠性受到影响。为此，提出一种基于聚类分析的影像特征点整体匹配算法。该算法对特征点集进行基于距离的聚类分析筛选出具有代表性且重复率较高的特征点，参考特征点分布情况将目标影像和待匹配影像剖分为4个区域，从每个区域随机选取两个特征点计算基本矩阵，基于核线约束和位置约束进行特征点的整体匹配并依据特征点间的几何相似性对匹配结果进行检核。选取慕尼黑工业大学彩色-深度数据集、无人机、移动机器人拍摄的影像进行影像匹配试验，结果表明，提出算法匹配正确率高达到97.1%，平均匹配时间小于25 ms，可以满足实时匹配的要求。

研究了基于二维(QR)码识别的P4P算法,提出利用QR码中存储的四个共面顶点的坐标和QR码图像中的像素坐标进行定位。通过相机标定和图像校正得到校正的QR码四个共面顶点的像素坐标,通过译码程序解析得到四个共面顶点的实际位置坐标,将P4P算法解算输出的旋转矩阵和平移向量作为下一步算法的迭代初始值。在透视N点投影算法中,借助李群和李代数之间的局部同构关系,将流形上的寻优转化为切空间中的寻优,利用线性空间中的最优化手段对目标值进行优化。在切空间的任何梯度方向,参数值都在该空间内,即所求矩阵都在流形上。实验结果表明,在导航运动过程中,相机坐标位置误差小于±2 mm,旋转角度误差小于±0.5°,算法具有较高的定位精度及稳定性。

通过分析杆塔镂空的结构特征,提出了一种基于杆塔梯度方向直方图(HOG)的由远及近杆塔部件检测方法。使用不同方位下杆塔HOG特征训练多层感知机(MLP),得到训练后的分类模型,将航拍图像输入到分类模型中识别杆塔的方位,最终实现了局部目标的检测。相比于深度学习神经网络,该方法的分类特征更加明确,更具有代表性。实验结果表明,所提方法的检测准确率比Faster RCNN(Regions with Convolutional Neural Networks)方法高27.9%,运算时间比Faster RCNN减少70.6%。所提方法适用于在开阔环境下利用无人机对杆塔方位及其局部部件的精确检测。

提出了一种基于加速稳健特征(SURF)算法的精确定位的方法,通过识别地面铺设的二维(QR)码完成了定位预判与姿态矫正。对获取的QR图像进行预处理,并采用SURF算法提取图像中的特征点信息,匹配实时图像与目标图像的特征点,并利用最小二乘拟合获取图像间的转换矩阵,将转换矩阵与自动导引车(AGV)的视觉导引模型结合以实现AGV的精确定位。实验结果表明,在结构尺寸较大的重载AGV中,所提算法的定位稳健性较好,精度达到±1 mm。

基于透视模型原理,提出了固定翼无人机视觉着降引导的合作信标设计方法。通过信标成像对引导精度的敏感性进行分析,得到了信标特征点间最小距离的设计方法。在无人机由远及近接近信标的过程中,进行视场边界的迭代计算,给出了特征点布置范围的设计方法。搭建了OpenGL视景仿真系统,在国际民航组织规定的二级引导精度及多种无人机飞行位姿条件下,进行了图像敏感性及信标捕获情况分析。测量结果表明,所提方法可保证合作信标设计满足图像敏感性要求,且该信标始终可以被完整捕获。

针对在无人机视觉导航过程中光流信息易受前景运动物体与噪声影响造成测速精度下降的问题, 基于Mean-Shift算法提出了一种光流测速优化方法。该方法使用Lucas-Kanade光流算法计算出稀疏光流后, 采用改进的Mean-Shift算法对光流数据进行聚类处理, 根据速度的一致性剔除光流数据中的干扰项。实验结果表明, 该优化方法可以有效地减少前景运动物体和噪声对无人机光流测速的影响, 提高无人机测速的精度。

提出了一种基于模糊粗糙集的非结构化路径识别与机器人引导方法。通过自适应面阵列电荷耦合传感器的图像清晰度控制方法,获取了最佳信息量图像。构建了模糊粗糙集的非结构化路径识别模型,借助粗糙集理论预定义图像目标、背景和不确定区域,融合相对模糊连接度竞争机制对不确定区域的像素进行了模糊重分类,精确描绘了机器人的导航路径。该模型可实现未知非结构化路径区域的自动识别,亦可引入灰度先验特征识别指定路径区域。结果表明,该方法对提高机器人在非结构化环境中的自主探索能力具有实际意义。

提出一种用于固定翼无人机自主着陆导航的分层机场检测方法,以提高机场检测的速度。采取一种由粗到细的分层搜索结构,逐层缩小搜索面积以快速提取机场的候选区域。首先进行伪地平线检测将机场搜索区域限制为地面区域,然后根据机场区域包含大量垂直线的事实确定机场近似区域候选区以进一步缩小机场搜索区域,最后利用Edge Boxes得到高定位精度的机场候选区域。利用局部约束线性编码(LLC)特征学习法以尺度不变特征变换(SIFT)为基础特征提取机场候选区域特征并使用线性支持向量机(SVM)分类器完成机场检测。实验中在不同天气、不同背景条件下对所提机场检测方法进行了综合测试,并与其他方法进行比较,实验结果表明本文机场检测方法能有效提高机场检测速度,且准确率高。

视觉里程计技术是一种仅利用场景图像信息完成运动参数解算的导航方式，在智能车辆自主定位定向方面具有良好的发展前景。总结了车载视觉里程计系统的主要优势和技术特点，介绍了其一般架构和应用系统；分析了视觉里程计系统的相机标定、特征提取匹配和运动参数估计等关键技术的发展现状;总结了高精度视觉里程计系统和高速视觉里程计系统的实现方案;详细描述了其中涉及的主要算法，为视觉里程计研究提供了参考。