![](https://csdnimg.cn/release/download_crawler_static/6383543/bg1.jpg)
1
基于航空影像的无人机导航技术
—— 读书报告
1 无人机概述
无人机(Unmanned Aerial Vehicle, UAV),是指通过无线电遥控装置或自驾自控装置
操控的,执行飞行及其它任务的非载人飞行器,主要包括固定翼无人机、无人驾驶直升机和
无人驾驶飞艇等。
无人机应用广泛,如空中侦察与监视、资源勘探、地形测绘、灾情监测等。相比传统的
有人驾驶飞机,无人机有很多十分明显的优势,如高灵活性、高效率、低成本等。因此,无
人机一直以来都是国内外研究的热点。目前,国内无人机的研究在主要集中在系统总体设计、
飞行导航控制、传感器技术、影像处理与应用、生产制造等方面,也取得了一些的成绩。
本文主要讨论如何利用已有的航空影像来实现无人机的自主定位与导航。
2 无人机导航概况
无人机要实现其使命,首要任务是实现对自身位置的确定和对飞行航线的跟踪。
传统的无人机定位策略是,在高度依赖 GPS 跟踪信号的同时,辅以惯性导航仪等设备,
通过连续的数据跟踪链来确定无人机在飞行过程中的位置和姿态。这种策略的不足是显然的,
在地形复杂的山区,或在战时应急情况下,GPS 数据的质量得不到保证,甚至根本不能使用。
而现今,许多已知地区(注意这个前提)的航空影像数据库已经建立,如何充分利用这
些影像来实现无人机的自主导航是一个值得探索的课题。
3 基于航空影像的无人机导航原理
3.1 特征匹配的一般原理
本文讨论的基于航空影像的无人机定位策略是建立在影像匹配基础之上的,故先对影像
特征匹配进行简单的介绍。
特征匹配的过程一般可分为以下三步:
a. 特征点提取
b. 计算特征描述符(又称特征向量)
c. 特征匹配
sift 算法和 surf 算法都是被广泛应用的特征匹配算法,前者的特点是稳健、适应性好,
后者与前者相比效率更高。SURF 算子虽然与 SIFT 算子相比在效率上有了一定的提高,但是
提取出来的特征点仍然太多,两组数量庞大的特征点集进行多维向量的匹配会占用很多时间。
为了提高运算速度,我们需要减少部分甚至大部分 SURF 特征点,并且需要剔除其中的误匹
配。
1)减小特征点集
要减少提取到的特征点,传统的方法是将一幅影像划分为等大的若干(下文中是分为 4
个子块)子区域,在每一子区域中选出符合某种约束条件的点,该方法适用于特征点分布均
匀的情况。其实,还可以根据距离进行筛选。具体地说,当提取的特征点多于阈值 q 时,就