关键词：无人机机器视觉检测跟踪
一、研究背景
无人机在很久前就在军用领域有了广泛的应用。自上个世纪初期，第一架无人机问世以来，其已在各种战场上发挥了巨大作用。因其有体积小，不受人的制约、运动灵活、能耗相对更低等优势，其可在危险地区执行包括情报搜集、航路侦查、安防巡检、目标监控等多种作战任务。且随着无人机成本逐渐降低、智能化程度逐渐提升，其在民用领域也得到了快速普及。诸如大疆创新、派诺特、AscTec、3DRobotics、极飞等无人机公司生产了多种型号的无人机，降低了无人机的使用门槛，对无人机的民用发展起了有力的推动。目前在航拍记录、侦查搜救等方面，无人机已成为较为有力可靠的任务执行者。例如，目前很多影视作品都选用无人机作为高空拍摄场景的载体；一些工作强度高、任务单一的空中巡检任务也可选用无人机作为任务载体。
然而，目前的无人机领域相关的诸多研究，多以无人机自身的设计为主，包括机体结构设计、无人机控制器设计等，基于复杂执行任务的研究仍十分有限，很多仍停留在试验阶段。且传统的无人机一般利用惯性元件、全球定位系统GPS进行自主导航和定位。但是，使用惯性元件导航一般具有累积误差，而惯导融合GPS导航常用于室外环境，对信号接收条件有着较高的要求，一定程度上限制了无人机的应用范围。而视觉检测与跟踪技术基于地面任务，为无人机提供自主导航信息，可解决突破很多棘手问题。
二、视觉检测跟踪方案
无人机检测与跟踪系统整体实现示意图如图2.1所示。无人机系统将由无人机与地面站两部分组成。其中，无人机端将搭载微控制器、相机、超声传感器及其他惯性传感器。微控制器控制摄像机实时采集图像，并进行在线实时处理，完成图像中的目标检测与跟踪，结合超声传感器反馈的数据，可获取地面目标相对无人机的实际位置信息。系统设计的控制器对这些位置偏差进行处理，计算出应传递给各电机的控制量，完成位置闭环控制，实现飞行器对于地面目标的跟踪。地面站端主要负责辅助监控功能，在功能的具体实现上，需构建嵌入式Linux开发环境，开发该环境下实现图像采集、图像处理等任务的应用程序，并于地面站端实现远程监控等任务。
图3.1无人机系统整体方案示意图
三、目标检测算法设计
目标检测技术是通过视觉对目标定位的基础。在本系统中，相机固连在无人机机体上，随无人机的运动而运动；目标小车的运动状态也无法确定，目标检测算法需完成运动背景下对目标位置的实时检测。本章将分别针对小车上的标志与小车自身特征的检测进行算法设计，并保证算法对于背景变化、目标的尺度及旋转变化有较好的适应性。
在目前的无人机系统的视觉定位中，无论是外部定位还是机载定位，基于标志的定位都是较常见的方式之一。因标志具有较为明显的特征，检测标志获得的位置数据往往更为准确和稳定，更适合作为位置反馈数据。基于人工标志检测的流程如图4.1所示。
图4.1基于人工标志的视觉检测算法流程
图像分割的目的是将标志与无关背景分离开，得到只有目标和少量噪声信息的二值图像，便于后续图像处理。图像分割的方式有多种，一般很难找到通用的图像分割方式，设计者须根据系统的需求进行合适的选择。目前的分割方式，有全局阈值法、局部阈值法、基于区域增长的图像分割、基于最大方差灰度门限的图像分割等。其中全局阈值法又分为基于灰度直方图的阈值分割、迭代阈值分割、最大类间方差阈值分割等。这些分割方式大多为针对于灰度图像的分割，其共同的特点是通过合理的方式寻找一个合适的阈值，将图像分为两部分。而这些方式则为直方图、迭代或方差计算等方式。对于颜色特征突出的目标，则应充分利用颜色特征信息，基于灰度图像的阈值分割不仅很难将不同颜色区分出来，也很难对潜在的大范围杂色噪声进行处理，故本文采用了基于颜色空间的图像分割。RGB模型是常用的颜色空间表示模型。RGB颜色空间给我们带来更为直观的感受。我们可通过期望分割的彩色点样本，得到一个彩色的平均估计，进一步对其进行计算和调整，便可更为快捷和可靠的获取分割的阈值。在RGB空间，所有的图像像素值由红、绿、蓝3个颜色分量组成。在24比特深度图像中，各分量图像深度都是8比特。因此，一幅图像各像素各通道的RGB值都是在0~255的范围内变化。对于一幅已采集完毕的固定图像来说，每通道只需要一组与色彩相近的RGB阈值即可，但对于实时采集的图像，外部环境随时可能发生变化，目标的色彩也会因时间和位置的不同产生一定的差异，以上方法即显示出了较差的适应性。为了解决这一问题，系统采用了增强型算法，加入各通道的差值作为阈值限制。参考文献：
[1]方挺.无人机协同编队飞行中的视觉感知关键技术研究[D].南京：南京航空航天大学博士学位论文，2008：1-2.
[2]倪国强，刘琼．多源图像配准技术分析与展望[J]．光电工程，2004，31(9)：
1-6
[3]章杰.基于ORB特征和粒子滤波的目标跟踪算法研究[D].2014:3-4