周文雅，李 哲，許 勇，楊 峰，賈 濤

(1.大連理工大學(xué)航空航天學(xué)院，大連 116024；2.中國空氣動力研發(fā)中心空天技術(shù)研究所，綿陽 621000)

0 引 言

無人機(jī)具有操作靈活、生產(chǎn)成本低和無人員傷亡等優(yōu)點(diǎn)，廣泛應(yīng)用于軍事和民用等領(lǐng)域。由于單個(gè)無人機(jī)能完成的任務(wù)量有限，往往需要多個(gè)無人機(jī)組成編隊(duì)，協(xié)同完成偵查、作戰(zhàn)及目標(biāo)跟蹤等任務(wù)。為實(shí)現(xiàn)無人機(jī)編隊(duì)飛行，必須首先解決編隊(duì)無人機(jī)間相對定位問題。

傳統(tǒng)的目標(biāo)定位技術(shù)主要利用雷達(dá)、激光等傳感器，這些傳感器容易受到無人機(jī)上其它傳感器的干擾，導(dǎo)致定位不準(zhǔn)確，此外，這些傳感器也無法識別具體的目標(biāo)物體。近年來，隨著計(jì)算機(jī)視覺技術(shù)的發(fā)展，利用視覺進(jìn)行目標(biāo)定位的方法成為目前新興的一種定位方法。視覺傳感器所需的實(shí)驗(yàn)環(huán)境和硬件條件更加寬松,生產(chǎn)成本低，具有信息量大、檢測范圍大等特點(diǎn)。因此研究基于視覺的目標(biāo)定位技術(shù)具有重要意義。

視覺定位的前提是檢測目標(biāo)在視覺圖像中的位置，目前常用的目標(biāo)檢測方法有特征點(diǎn)法和機(jī)器學(xué)習(xí)。特征點(diǎn)法與機(jī)器學(xué)習(xí)相比，具有優(yōu)勢：1)檢測通用性，機(jī)器學(xué)習(xí)事先需采集大量目標(biāo)圖片作為訓(xùn)練樣本，特征點(diǎn)法則不限制目標(biāo)的具體類型;2)檢測精確性，機(jī)器學(xué)習(xí)識別目標(biāo)的大致區(qū)域，特征點(diǎn)法能夠在像素級別上檢測目標(biāo)，進(jìn)而也能提高目標(biāo)定位的精確性。對于特征點(diǎn)算法，文獻(xiàn)[10]提出了一種尺度不變特征變換(Scale-invariant feature transform，SIFT)算法，其檢測的特征點(diǎn)對圖像的尺度和旋轉(zhuǎn)能夠保持不變，即尺度不變性和旋轉(zhuǎn)不變性，對噪聲及視角變化具有較好的魯棒性，但該算法采用圖像金字塔，使得圖像尺度較多，且特征點(diǎn)描述向量的維數(shù)較高，導(dǎo)致算法計(jì)算量較大，實(shí)時(shí)性不高；文獻(xiàn)[11]提出了一種加速魯棒性特征(Speeded up robust features，SURF)算法，SURF算法是SIFT算法的改進(jìn)版本，保持了尺度不變性和旋轉(zhuǎn)不變性的同時(shí)，增強(qiáng)了算法的魯棒性，且計(jì)算速度提升了至少三倍，但計(jì)算量仍然較大；文獻(xiàn)[12]提出了ORB算法，ORB算法的運(yùn)行速度相比于SURF算法和SIFT算法要快很多，只具有旋轉(zhuǎn)不變性，沒有尺度不變性。但對于雙目視覺，雙目圖像間沒有尺度變化，所以O(shè)RB算法仍能很好地應(yīng)用于雙目視覺的特征點(diǎn)匹配，并保證匹配精度。

視覺定位依據(jù)視覺傳感器的數(shù)量可分為單目視覺定位和雙目視覺定位。單目視覺無法直接獲得視場的深度信息。雙目視覺能夠利用雙目間的旋轉(zhuǎn)和平移參數(shù)，解算深度信息，進(jìn)而獲得目標(biāo)的三維位置。文獻(xiàn)[16-17]通過機(jī)器學(xué)習(xí)的方式識別圖像中的人類、工件目標(biāo)，再通過雙目視覺定位目標(biāo)位置，由于人類、工件目標(biāo)較小且形狀規(guī)則，容易確定目標(biāo)中心，使定位誤差較小，但對于形狀不規(guī)則的較大無人機(jī)目標(biāo)，通過雙目識別方式確定的目標(biāo)幾何中心實(shí)際未必是精確對應(yīng)的，進(jìn)而導(dǎo)致定位的無人機(jī)位置有較大誤差。文獻(xiàn)[18]提出了一種基于改進(jìn)SIFT算法的雙目定位算法，通過減少SIFT算法中尺度空間的數(shù)量，降低了特征點(diǎn)描述向量的維數(shù)，進(jìn)而降低了SIFT算法的復(fù)雜度，在提高計(jì)算效率的同時(shí)也造成了精確度的損失。文獻(xiàn)[19]使用背景差分技術(shù)確定目標(biāo)在圖像中的感興趣區(qū)域，在該區(qū)域內(nèi)使用SURF算法進(jìn)行特征點(diǎn)提取與匹配，再利用雙目視差對特征點(diǎn)進(jìn)行定位。由于只在感興趣區(qū)域內(nèi)進(jìn)行特征點(diǎn)提取與匹配，提高了SURF算法的計(jì)算效率，進(jìn)而提高了雙目定位效率。文獻(xiàn)[20]利用Zynq SoC高速處理器對SURF算法進(jìn)行硬件加速，以實(shí)現(xiàn)雙目圖像的特征快速匹配，從而達(dá)到實(shí)時(shí)定位效果，但增加了無人機(jī)的生產(chǎn)成本。文獻(xiàn)[21]基于ORB算法對雙目圖像進(jìn)行特征點(diǎn)匹配，并利用雙目實(shí)現(xiàn)了特征點(diǎn)的深度估計(jì)，但ORB算法容易受到背景環(huán)境干擾，提取的特征點(diǎn)不是全部集中在目標(biāo)物體上。文獻(xiàn)[22-23]通過計(jì)算特征點(diǎn)的視差實(shí)現(xiàn)特征點(diǎn)定位，但基于視差原理的定位算法要求雙目圖像是平行且行對準(zhǔn)的，這就要求雙目視覺設(shè)備具有較高的制作工藝。文獻(xiàn)[24]使用Bouguet的校準(zhǔn)算法實(shí)現(xiàn)了左右雙目圖像共面且行對準(zhǔn)，并基于視差原理計(jì)算得到目標(biāo)的三維位置信息。文獻(xiàn)[26]利用特征點(diǎn)的對極約束條件提高了特征點(diǎn)的匹配精度和定位精度。

針對無人機(jī)編隊(duì)飛行時(shí)雙目視覺定位的精確性和實(shí)時(shí)性要求，本文對ORB算法進(jìn)行了改進(jìn)，提高了算法的計(jì)算效率，也提高了特征點(diǎn)匹配的精確度；雙目視覺定位模型更符合實(shí)際情況，避免了要求雙目平行且行對準(zhǔn)的嚴(yán)格限制條件；將改進(jìn)ORB算法提取的無人機(jī)特征點(diǎn)代入到雙目視覺定位模型中，實(shí)現(xiàn)了無人機(jī)的三維定位；進(jìn)一步利用卡爾曼濾波算法對無人機(jī)的三維定位信息進(jìn)行估計(jì)，提高了定位精度。實(shí)驗(yàn)表明，基于特征點(diǎn)的無人機(jī)視覺定位算法滿足無人機(jī)定位的精確性和實(shí)時(shí)性要求，具有工程應(yīng)用價(jià)值。

1 ORB算法及改進(jìn)

1.1 傳統(tǒng)ORB算法

ORB算法包括三部分內(nèi)容：特征點(diǎn)提取、特征點(diǎn)描述和特征點(diǎn)匹配。ORB算法由加速段測試特征(Features from accelerated segment test，F(xiàn)AST)提取算法和二進(jìn)制魯棒獨(dú)立基本特征(Binary robust independent elementary features，BRIEF)描述算法組合并改進(jìn)而成，這兩者具有很快的運(yùn)算效率，但都不具備旋轉(zhuǎn)不變性和尺度不變性。ORB算法在這二者的基礎(chǔ)上，通過定義特征點(diǎn)的方向角度，實(shí)現(xiàn)了旋轉(zhuǎn)不變性。

ORB算法對特征點(diǎn)進(jìn)行提取與描述后，用描述向量的距離表示兩個(gè)特征點(diǎn)之間的相似程度。測量左目圖像中的特征點(diǎn)與右目圖像中所有特征點(diǎn)的距離，并取距離最近的一對特征點(diǎn)作為匹配點(diǎn)。由于BRIEF特征點(diǎn)描述算法采用二進(jìn)制字符串的描述形式，所以使用漢明距離作為兩個(gè)特征點(diǎn)相似程度的度量。

1.2 ORB算法改進(jìn)

利用雙目視覺確定無人機(jī)編隊(duì)中無人機(jī)間的相對位置時(shí)，發(fā)現(xiàn)以下問題：一是受雙目圖像中無人機(jī)的背景環(huán)境的干擾，使用傳統(tǒng)的ORB算法進(jìn)行雙目圖像間的特征點(diǎn)匹配時(shí)，存在許多錯誤匹配的特征點(diǎn)對，影響了特征點(diǎn)匹配的精確性；二是雙目圖像中存在非目標(biāo)區(qū)域，而ORB算法中關(guān)于特征點(diǎn)的操作是基于整幅圖像的，致使算法中存在對非目標(biāo)區(qū)域的無意義計(jì)算，影響了算法的計(jì)算量和實(shí)時(shí)性。針對以上問題，本文對ORB算法做出了如下改進(jìn)：

1)目標(biāo)區(qū)域提取

通過目標(biāo)區(qū)域提取，確定了無人機(jī)在圖像中的位置區(qū)域，可以減少不相關(guān)區(qū)域的特征點(diǎn)檢測與匹配，同時(shí)避免目標(biāo)背景對特征點(diǎn)提取與匹配的干擾。本文確定無人機(jī)目標(biāo)區(qū)域的方法是利用邊緣檢測技術(shù)描繪圖像中無人機(jī)的邊緣曲線，以邊緣曲線包含的區(qū)域代表無人機(jī)的位置區(qū)域，處理流程如圖1所示。對應(yīng)的具體處理步驟如下：

(1)對雙目圖像進(jìn)行灰度化處理，以增強(qiáng)圖像各點(diǎn)鄰域強(qiáng)度的變化值，也能減少邊緣檢測時(shí)的計(jì)算量；

(2)對灰度圖像進(jìn)行高斯濾波處理，防止將圖像中的噪聲識別為邊緣；

(3)對濾波后的圖像進(jìn)行邊緣檢測；

(4)對邊緣檢測圖像進(jìn)行膨脹處理，以突出目標(biāo)的邊緣曲線；

(5)對膨脹后的圖像進(jìn)行閉運(yùn)算操作，消除邊緣曲線鄰域內(nèi)的小型斑塊；

(6)識別圖1(d)中白色區(qū)域的最外邊界輪廓，并返回能包圍輪廓的最小矩形位置信息，即矩形的四個(gè)角點(diǎn)的像素坐標(biāo)信息；

(7)以計(jì)算的矩形位置區(qū)域作為目標(biāo)無人機(jī)的區(qū)域，將矩形顯示在原始圖像上，如圖1(e)所示。

圖1 目標(biāo)提取流程

2)最近鄰約束

采用快速近似最近鄰搜索包(Fast library for approximate nearest neighbors，F(xiàn)LANN)對特征點(diǎn)進(jìn)行匹配，F(xiàn)LANN適用于特征點(diǎn)數(shù)量較多和特征描述向量維度較高的情況。對于左目中的一個(gè)特征點(diǎn)，F(xiàn)LANN從右目中找到漢明距離最近的前兩個(gè)關(guān)鍵點(diǎn)，如果最近的距離除以次近距離的比值少于某個(gè)閾值，則可確定左目特征點(diǎn)與右目中距離最近的特征點(diǎn)是一對匹配良好的特征點(diǎn)。對于閾值參數(shù)的選擇，本文設(shè)置為0.5。若設(shè)置閾值過小，則雙目匹配的特征點(diǎn)過少；若設(shè)置閾值過大，則存在大量錯誤匹配點(diǎn)。

3)RANSAC方法剔除誤匹配點(diǎn)

對于通過最近鄰約束篩選的特征點(diǎn)匹配集合，還可能存在特征點(diǎn)交叉錯誤匹配的現(xiàn)象。RANSAC方法通過對樣本進(jìn)行隨機(jī)抽樣，以估計(jì)模型參數(shù)，進(jìn)而識別樣本中的外點(diǎn)，最后以迭代方式估計(jì)模型的最優(yōu)參數(shù)。具體步驟為：

(1)在通過最近鄰約束篩選的特征點(diǎn)匹配集合中，隨機(jī)選取八個(gè)特征點(diǎn)對，計(jì)算雙目圖像間的基礎(chǔ)矩陣；

(2)依據(jù)對極約束條件和求得的基礎(chǔ)矩陣，計(jì)算特征點(diǎn)匹配集合中其它特征點(diǎn)對的對極約束誤差，若誤差在允許范圍內(nèi)，則認(rèn)為該特征點(diǎn)對為內(nèi)點(diǎn)，并統(tǒng)計(jì)內(nèi)點(diǎn)的數(shù)量；

(3)判斷內(nèi)點(diǎn)數(shù)量是否超過設(shè)定閾值，若超過設(shè)定閾值，則認(rèn)為當(dāng)前求得的基礎(chǔ)矩陣為最優(yōu)基礎(chǔ)矩陣，否則再從特征點(diǎn)匹配集合中隨機(jī)抽取八個(gè)特征點(diǎn)對，進(jìn)行新一輪的迭代計(jì)算；

(4)若迭代次數(shù)達(dá)到設(shè)定的最大允許迭代次數(shù)，則將求得內(nèi)點(diǎn)數(shù)量最多時(shí)對應(yīng)的基礎(chǔ)矩陣作為最優(yōu)基礎(chǔ)矩陣；

(5)最優(yōu)基礎(chǔ)矩陣對應(yīng)的內(nèi)點(diǎn)即為經(jīng)過RANSAC剔除誤匹配點(diǎn)后剩下的最優(yōu)匹配點(diǎn)。

2 雙目視覺定位

利用改進(jìn)ORB算法提取圖像中無人機(jī)的特征點(diǎn)后，需要計(jì)算特征點(diǎn)的三維坐標(biāo)，進(jìn)而確定無人機(jī)的三維位置。雙目視覺可以直接計(jì)算特征點(diǎn)的深度信息，這是因?yàn)樵谔卣鼽c(diǎn)的三維位置解算模型中，雙目視覺能夠提供具有實(shí)際物理意義的旋轉(zhuǎn)和平移參數(shù)。

2.1 雙目視覺三維定位流程

利用雙目視覺進(jìn)行編隊(duì)無人機(jī)三維定位的流程如圖2所示。首先利用雙目采集無人機(jī)的圖像；接著利用改進(jìn)ORB算法提取雙目中無人機(jī)的特征點(diǎn)，對特征點(diǎn)進(jìn)行配對并讀取匹配特征點(diǎn)的像素坐標(biāo)；再將特征點(diǎn)的像素坐標(biāo)代入到雙目視覺三維定位模型中，從而得到特征點(diǎn)的三維坐標(biāo)；最后按上述方法對所有的特征點(diǎn)的三維坐標(biāo)加和平均處理后，作為無人機(jī)的三維坐標(biāo)位置。

圖2 雙目視覺三維定位流程

Fig.2 Process of binocular vision 3D positioning

2

2

單目視覺投影模型是雙目視覺定位中最基本的測量單元。對于單目視覺，空間場景中的特征點(diǎn)投影到像素平面的模型如圖3所示。

圖3 單目視覺投影模型

圖3所示的視覺投影模型包括4個(gè)坐標(biāo)系：世界坐標(biāo)系-、相機(jī)坐標(biāo)系-、圖像坐標(biāo)系-和像素坐標(biāo)系-。首先將特征點(diǎn)在世界坐標(biāo)系中的位置(,,)投影到相機(jī)坐標(biāo)系中，再投影到圖像坐標(biāo)系中，最后投影到像素坐標(biāo)系，得到像素坐標(biāo)(,)。整個(gè)過程的投影公式為

(1)

式中：為特征點(diǎn)的深度信息；,,,為相機(jī)矩陣參數(shù)，可通過相機(jī)標(biāo)定得到；和為世界坐標(biāo)系與相機(jī)坐標(biāo)系間的旋轉(zhuǎn)和平移；為相機(jī)內(nèi)部參數(shù)矩陣；為相機(jī)外部參數(shù)矩陣；為投影矩陣。

2.3 雙目視覺三維定位模型

傳統(tǒng)的雙目視覺模型利用視差原理進(jìn)行特征點(diǎn)的定位，這就要求雙目圖像是共面且行對準(zhǔn)的，而受設(shè)備制作工藝、測量誤差等因素的制約，實(shí)際拍攝的雙目圖像很難做到共面且行對準(zhǔn)。本文提出的雙目視覺模型不要求雙目圖像是嚴(yán)格共面和行對準(zhǔn)的，利用三角測量的方式實(shí)現(xiàn)特征點(diǎn)的三維定位，符合實(shí)際情況的需求。

雙目視覺三維定位模型由兩個(gè)單目視覺投影模型構(gòu)成，如圖4所示。對于空間場景中的特征點(diǎn)，其在左右雙目圖像中匹配的像素點(diǎn)分別為和，則射線和的交點(diǎn)即為特征點(diǎn)的空間位置。

圖4 雙目視覺三維定位模型

設(shè)和對應(yīng)的像素坐標(biāo)分別為(,)和(,)，對應(yīng)的深度信息分別為和,和分別為左右相機(jī)的投影矩陣，則特征點(diǎn)與該點(diǎn)在左右圖像上像素坐標(biāo)的對應(yīng)關(guān)系分別為

(2)

(3)

設(shè)左右相機(jī)的投影矩陣,的具體形式分別為

(4)

(5)

將式(4)和式(5)分別代入到式(2)和式(3)中，得

(6)

(7)

聯(lián)立式(6)和式(7)，消除和，得

(8)

令

則式(8)的表達(dá)形式為

(9)

由于矩陣是4×3維的，則式(9)是關(guān)于變量,,的超定方程。理論上式(9)中某兩個(gè)方程是線性相關(guān)的，但受到特征點(diǎn)匹配誤差、圖像噪聲等的影響，這種線性相關(guān)性實(shí)際上不存在。線性相關(guān)性不存在的幾何意義就是射線和不相交而成為異面直線。所以這里求式(9)在最小二乘意義下的解，即

(10)

最小二乘意義下的解就是兩條異面直線間的最短距離所在線段的中點(diǎn)，如圖5所示。

圖5 最小二乘解

3 基于卡爾曼濾波的定位估計(jì)

受實(shí)驗(yàn)環(huán)境、實(shí)驗(yàn)設(shè)備調(diào)試參數(shù)、實(shí)驗(yàn)設(shè)備精度等因素的影響，實(shí)際的無人機(jī)三維位置與算法計(jì)算的無人機(jī)三維位置不可避免地存在一定偏差。因此，本文采用卡爾曼濾波算法對計(jì)算的無人機(jī)位置進(jìn)行估計(jì)，以進(jìn)一步提高無人機(jī)的定位精度。

卡爾曼濾波通過遞歸更新方法，對當(dāng)前狀態(tài)進(jìn)行估計(jì)，并使?fàn)顟B(tài)的真實(shí)值和濾波器的估計(jì)值均方誤差最小?？紤]如下系統(tǒng)模型：

(11)

式中:為時(shí)刻的系統(tǒng)狀態(tài);,-1為系統(tǒng)狀態(tài)轉(zhuǎn)移矩陣;-1為噪聲驅(qū)動矩陣;為狀態(tài)觀測量;為觀測矩陣。令過程噪聲-1的方差為;觀測噪聲的方差為。則對應(yīng)式(11)所示系統(tǒng)模型的卡爾曼濾波步驟為：

1)狀態(tài)預(yù)測：根據(jù)-1時(shí)刻狀態(tài)估計(jì)值-1|-1，計(jì)算時(shí)刻狀態(tài)預(yù)測值|-1，即

|-1=,-1-1|-1

(12)

2)協(xié)方差預(yù)測：根據(jù)-1時(shí)刻系統(tǒng)協(xié)方差-1|-1，預(yù)測時(shí)刻系統(tǒng)協(xié)方差|-1，即

(13)

3)卡爾曼增益更新：使用|-1計(jì)算卡爾曼增益，即

(14)

4)狀態(tài)更新：根據(jù)狀態(tài)的預(yù)測值和觀測值，計(jì)算時(shí)刻狀態(tài)估計(jì)值|，即

|=|-1+(-|-1)

(15)

5)協(xié)方差更新：求時(shí)刻狀態(tài)估計(jì)值對應(yīng)的協(xié)方差|，即

|=(-)|-1

(16)

當(dāng)執(zhí)行步驟5)后，即完成一次迭代計(jì)算，再從步驟1)重新迭代，以計(jì)算下一時(shí)刻的狀態(tài)估計(jì)值。

4 實(shí)驗(yàn)結(jié)果與分析

本文使用的算法運(yùn)行平臺為華碩FX63VM筆記本電腦(Intel i5-7300HQ，2.5GHZ CPU，8GB RAM)，實(shí)驗(yàn)平臺搭載Ubuntu16.04系統(tǒng)。使用MYNTEYE雙目相機(jī)采集雙目圖像，雙目圖像的分辨率均為752×480，利用雙目圖像進(jìn)行下面的實(shí)驗(yàn)。

4.1 改進(jìn)ORB算法與傳統(tǒng)ORB算法對比

為了驗(yàn)證改進(jìn)ORB算法的精確性和實(shí)時(shí)性，這里對傳統(tǒng)ORB算法與改進(jìn)ORB算法的性能進(jìn)行對比。利用傳統(tǒng)ORB算法對雙目圖像進(jìn)行特征點(diǎn)匹配，實(shí)驗(yàn)結(jié)果如圖6所示?？梢钥闯?，傳統(tǒng)ORB算法會出現(xiàn)特征點(diǎn)的錯誤匹配現(xiàn)象，而且匹配的特征點(diǎn)數(shù)量過多，也增加了后續(xù)在無人機(jī)目標(biāo)定位時(shí)的計(jì)算量。

圖6 傳統(tǒng)ORB算法特征點(diǎn)匹配

改進(jìn)ORB算法的特征點(diǎn)匹配結(jié)果如圖7所示。對于采集的原始雙目圖像，首先提取雙目圖像中的無人機(jī)目標(biāo)區(qū)域，如圖7(a)所示；接著在無人機(jī)目標(biāo)區(qū)域內(nèi)進(jìn)行特征點(diǎn)提取與匹配，并且通過最近鄰約束和RANSAC方法篩選出匹配質(zhì)量高的特征點(diǎn)對，如圖7(b)所示。

圖7 改進(jìn)ORB算法

傳統(tǒng)ORB算法與改進(jìn)ORB算法的具體性能指標(biāo)的對比情況，見表1。

表1 兩種算法的性能對比

由表1可知，相比于傳統(tǒng)ORB算法，改進(jìn)ORB算法的精確性和實(shí)時(shí)性均明顯提高。由于只在目標(biāo)區(qū)域內(nèi)進(jìn)行特征點(diǎn)提取與匹配，改進(jìn)ORB算法避免了在非目標(biāo)區(qū)域上選擇無效特征點(diǎn)而浪費(fèi)計(jì)算資源，使得運(yùn)行時(shí)間僅為原來的1/3左右，運(yùn)行時(shí)間只需7 ms，滿足算法實(shí)時(shí)性的要求；通過最近鄰約束和RANSAC方法，改進(jìn)ORB算法篩除了大部分匹配質(zhì)量低的和全部的交叉錯誤匹配特征點(diǎn)對，只保留少數(shù)匹配質(zhì)量高的特征點(diǎn)對，使得特征點(diǎn)對的匹配正確率達(dá)到100%，滿足算法精確性的要求。

4.2 目標(biāo)定位

為了驗(yàn)證基于改進(jìn)ORB算法的雙目視覺定位算法的可行性，本文進(jìn)行了基于雙目視覺的目標(biāo)定位實(shí)驗(yàn)。

以左目相機(jī)坐標(biāo)系作為世界坐標(biāo)系，即雙目視覺定位系統(tǒng)的參考坐標(biāo)系。標(biāo)定目標(biāo)定位實(shí)驗(yàn)所需的雙目相機(jī)參數(shù)，包括世界坐標(biāo)系與相機(jī)坐標(biāo)系間的旋轉(zhuǎn)和平移和、雙目相機(jī)內(nèi)部參數(shù)矩陣1和1。本文利用Kalibr軟件標(biāo)定雙目相機(jī)的相關(guān)參數(shù)，見表2。

表2 雙目相機(jī)參數(shù)

將目標(biāo)放置在距離雙目相機(jī)450 mm處，利用雙目相機(jī)采集圖像；然后利用改進(jìn)ORB算法對雙目圖像中的目標(biāo)無人機(jī)進(jìn)行特征點(diǎn)提取與匹配；再將特征點(diǎn)的像素坐標(biāo)代入到雙目視覺三維定位模型中，得到特征點(diǎn)在世界坐標(biāo)系中的三維坐標(biāo)；最后求取所有特征點(diǎn)的三維坐標(biāo)的平均值作為目標(biāo)無人機(jī)的三維坐標(biāo)。實(shí)驗(yàn)結(jié)果見表3。

表3 三維定位結(jié)果

由表3可知，雙目視覺定位系統(tǒng)的軸定位誤差小于3%。由于特征點(diǎn)在世界坐標(biāo)系軸和軸上的實(shí)際坐標(biāo)位置難以測量，本文通過比較兩個(gè)特征點(diǎn)間的實(shí)際距離與解算距離的差值來評判軸和軸的定位誤差。最左邊與最右邊的特征點(diǎn)的實(shí)際距離為7.09 cm，解算距離為6.96 cm，可得軸定位誤差為1.819%；最上邊與最下邊的特征點(diǎn)的實(shí)際距離為6.16 cm，解算距離為6.30 cm，可得軸定位誤差為2.273%。經(jīng)分析，產(chǎn)生誤差的原因包括：1)通過標(biāo)定得到的雙目相機(jī)參數(shù)有一定偏差，導(dǎo)致結(jié)果不精確；2)雙目相機(jī)設(shè)備精度低，圖像分辨率不高，導(dǎo)致獲取的特征點(diǎn)信息不精確。

4.3 基于卡爾曼濾波的定位估計(jì)

由4.2小節(jié)的實(shí)驗(yàn)可以看出，雙目視覺定位系統(tǒng)仍存在一定的定位誤差，采用卡爾曼濾波算法對計(jì)算的無人機(jī)位置進(jìn)行估計(jì)，以進(jìn)一步提高無人機(jī)的定位精度。設(shè)兩架無人機(jī)在空中相對飛行，用從機(jī)的雙目視覺定位系統(tǒng)計(jì)算的主機(jī)三維位置作為觀測量，觀測周期為0.1，并設(shè)雙目視覺定位系統(tǒng)中各軸的觀測噪聲標(biāo)準(zhǔn)差為3%。仿真結(jié)果如圖8所示。

圖8 卡爾曼濾波定位估計(jì)

圖8給出了雙目視覺定位系統(tǒng)原始觀測的定位誤差和經(jīng)過濾波處理后的定位誤差。從圖中可以看出，經(jīng)過卡爾曼濾波估計(jì)后的定位誤差大幅度減小。對圖中的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，濾波前各軸的最大定位誤差為6.926%、8.885%、9.100%，濾波后各軸的最大定位誤差為3.143%、2.823%、2.578%；濾波前各軸的平均定位誤差為2.219%、2.433%、2.473%，濾波后各軸的平均定位誤差為0.979%、0.836%、0.827%。分析數(shù)據(jù)可知，使用卡爾曼濾波算法對無人機(jī)的定位信息進(jìn)行估計(jì)，能夠進(jìn)一步提高無人機(jī)的定位精度。

5 結(jié) 論

針對雙目視覺定位時(shí)精確性低、實(shí)時(shí)性差、計(jì)算量大的問題，本文提出了一種基于特征點(diǎn)的無人機(jī)雙目視覺定位算法。在圖像特征匹配方面，對ORB算法進(jìn)行了改進(jìn)，通過只對目標(biāo)區(qū)域進(jìn)行特征點(diǎn)識別，使得ORB算法的計(jì)算量大幅下降，實(shí)時(shí)性顯著提高；并通過最近鄰約束和RANSAC方法篩選出少量高匹配質(zhì)量的特征點(diǎn)對，提高了特征點(diǎn)的匹配精度，也減少了后來雙目視覺定位時(shí)的計(jì)算量。在雙目視覺定位方面，本文提出了更符合實(shí)際情況的雙目視覺定位模型，不要求雙目相機(jī)是嚴(yán)格的共面且行對準(zhǔn)，同時(shí)也能保證定位的精確性，使得雙目視覺定位系統(tǒng)中各軸的定位誤差均小于3%；最后通過卡爾曼濾波算法對無人機(jī)的定位信息進(jìn)行估計(jì)，進(jìn)一步減小了無人機(jī)的定位誤差。實(shí)驗(yàn)結(jié)果表明，基于特征點(diǎn)的無人機(jī)雙目視覺定位算法具有較高的精確性和實(shí)時(shí)性，滿足無人機(jī)間的相對定位要求。本論文的研究方法同樣適用于視場中有多個(gè)無人機(jī)的情況，但如果存在編隊(duì)中多架無人機(jī)在圖像中投影重疊的現(xiàn)象，本文所提改進(jìn)ORB算法無法有效完成不同無人機(jī)間的圖像分割，進(jìn)而影響無人機(jī)的定位結(jié)果。因此，在下一步工作中將研究通過人工智能手段對重疊目標(biāo)進(jìn)行分割的方法。