基于机器视觉的无人机分布式控制方法

1.本发明涉及智能控制技术领域，具体涉及一种基于机器视觉的无人机分布式控制方法。


背景技术：

2.无人机具有独特的优越性和灵活性，担负各种应用场景例如战场、救援侦察和目标监视等任务；传统无人机编队控制方法中leader-follower法的思想来源于地面多移动机器人的协同控制，是当前应用比较成熟的一种方法，但是该方法同样也存在一些问题，例如在实际进行编队控制时，长机的确定往往是预先设定，但是根据预设设定的长机进行编队控制忽略了无人机在实际检测过程中所检测到的区域，从而无法确保预先固定的长机能够及时定位到待检测目标区域，并进行合理的编队控制，导致实际搜索过程中的实时性较差，效率较低。


技术实现要素：

3.为了解决固定长机搜索的效率低和实时性差的问题，本发明的目的在于提供一种基于机器视觉的无人机分布式控制方法，所采用的技术方案具体如下：本发明一个实施例提供了一种基于机器视觉的无人机分布式控制方法，该方法包括以下步骤：获取待搜索目标的目标图像以及每个无人机检测区域的实时图像；将目标图像在实时图像中滑动得到对应的子区域，基于每个所述子区域分别在目标图像和实时图像中的灰度信息获取所述子区域与目标图像的相似度；根据当前所述子区域与前一个所述子区域对应的相似度调整滑动步长，目标图像根据调整后的滑动步长在实时图像中滑动，以得到目标区域；选取实时图像中最大相似度的目标区域为优选子区域，获取所述优选子区域的中心点与所述优选子区域所属实时图像中每个边缘的欧式距离，基于所述欧式距离获取对应无人机的优选值，选取所述优选值最大的无人机为长机进行编队控制。
4.优选的，所述选取所述优选值最大的无人机为长机进行编队控制的步骤，包括：以所述长机的位置作为原点构建三维坐标系；基于所述三维坐标系获取除了所述长机之外每个无人机的位置坐标；基于预设的编队队形以及预设间隔对无人机的位置坐标进行控制调整。
5.优选的，所述选取所述优选值最大的无人机为长机进行编队控制的步骤之后，还包括：基于所述长机的位置获取辅助僚机，当所述长机出现故障时，获取每个辅助僚机的置信度，以所述置信度最大的辅助僚机作为新长机进行编队控制。
6.优选的，所述基于所述长机的位置获取辅助僚机的步骤，包括：将无人机群中除了所述长机之外的无人机记为僚机；基于每个所述僚机对应的优
选值进行聚类得到至少两个类别；获取僚机数量最多的类别为目标类别，在所述长机的位置的通信范围内并且属于所述目标类别的僚机为辅助僚机。
7.优选的，所述获取每个辅助僚机的置信度的步骤，包括：根据所述三维坐标系获取无人机群中所有无人机的三维坐标向量，根据每两个无人机之间的三维坐标向量得到对应的空间距离和角度特征值；每个辅助长机的置信度的计算方法为：其中，表示置信度；表示除了长机a和辅助僚机b之外的无人机数量；表示m个无人机中第个无人机与辅助僚机b之间的空间距离；表示m个无人机中第个无人机与长机a之间的空间距离；为自然常数；表示m个无人机中第个无人机与辅助僚机b之间的角度特征值；表示m个无人机中第个无人机与长机a之间的角度特征值。
8.优选的，所述基于每个所述子区域分别在目标图像和实时图像中的灰度信息获取所述子区域与目标图像的相似度的步骤，包括：对于所述子区域内任一像素点，获取以所述像素点为中心的预设范围内的邻域像素点，所述像素点在目标图像中对应位置存在相同预设范围内的邻域像素点，分别计算每个邻域像素点与所述像素点之间的灰度差值绝对值作为对应的灰度差异；根据所述灰度差异得到所述子区域与目标图像的相似度为：其中，表示相似度；表示目标图像e中像素点的灰度值；表示子区域r中像素点的灰度值；表示取最大值函数；表示目标图像e中像素点与第个邻域像素点之间的灰度差异；表示子区域r中像素点与第个邻域像素点之间的灰度差异；表示目标图像e中像素点的数量，与子区域r中像素点数量一致；表示自然常数。
9.优选的，所述根据当前所述子区域与前一个所述子区域对应的相似度调整滑动步长的步骤，包括：获取当前所述子区域与前一个所述子区域对应的相似度的差值作为相似度差异特征值；以所述相似度差异特征值的绝对值与预设的初始滑动步长的乘积作为变化量；若所述相似度差异特征值大于零，以初始滑动步长减去所述变化量并向上取整得到调整后的滑动步长；若所述相似度差异特征值小于零，以初始滑动步长加上所述变化量并向下取整得到调整后的滑动步长；若所述相似度差异特征值等于零，初始滑动步长不作调整。
10.优选的，所述目标区域的获取步骤，包括：将目标图像根据调整后的滑动步长在实时图像中滑动得到对应的子区域，获取每个子区域的相似度，所述相似度大于预设的相似度阈值的子区域为目标区域。
11.优选的，所述优选子区域的中心点的获取步骤，包括：获取所述优选子区域边缘的边缘像素点，计算所述优选子区域内每个像素点与所有边缘像素点之间的欧式距离之和，所述欧式距离之和最小时对应的像素点为中心点。
12.优选的，所述基于所述欧式距离获取对应无人机的优选值的步骤，包括：所述优选子区域的中心点与所述优选子区域所属实时图像中每个边缘的欧式距离包括：中心点到所述优选子区域所属实时图像的上边缘的欧式距离、中心点到所述优选子区域所属实时图像的下边缘的欧式距离、中心点到所述优选子区域所属实时图像的左边缘的欧式距离以及中心点到所述优选子区域所属实时图像的右边缘的欧式距离，分别记为第一距离、第二距离、第三距离以及第四距离；分别获取所述第一距离与所述第二距离的差值绝对值，以及所述第三距离与所述第四距离的差值绝对值，以所述第一距离与所述第二距离的差值绝对值，和所述第三距离与所述第四距离的差值绝对值的求和结果作为累加距离差值；以所述累加距离差值的负数作为指数构建指数函数，所述指数函数与所述优选子区域的相似度的乘积结果为对应无人机的所述优选值。
13.本发明具有如下有益效果：本发明实施例通过获取每个无人机检测区域的实时图像，计算实时图像中每个子区域与目标图像之间的相似度进行目标区域的获取，并且在目标区域的获取时，根据实时获取的每个子区域与目标图像之间的相似度进行滑动步长的实时调整，避免了固定的滑动步长对实时图像的分析效果不佳的问题，不仅提高了目标图像滑动获取子区域的效率，同时确保了滑动获取的子区域的信息的完整性；进一步的，在每个实时图像中的目标区域中获取优选子区域，通过优选子区域的中心点到所属实时图像的各边缘的欧式距离进行优选值的获取，以确定无人机群中的长机，通过灰度信息确定的优选子区域并结合优选子区域的中心点的位置进行优选值的获取，避免了单一指标考虑的不准确的问题，提高了无人机群中长机确定的准确性，利用准确可靠的长机进行无人机的编队控制更加及时、效率更高且控制效果更好。
附图说明
14.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
15.图1为本发明一个实施例所提供的一种基于机器视觉的无人机分布式控制方法流程图。
具体实施方式
16.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于机器视觉的无人机分布式控制方法，
其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
17.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
18.本技术适用于对无人机群的编队控制，通过获取无人机群中的最合适的长机，由长机对僚机进行编队控制，提升编队控制的效率。下面结合附图具体的说明本发明所提供的一种基于机器视觉的无人机分布式控制方法的具体方案。
19.请参阅图1，其示出了本发明一个实施例提供的一种基于机器视觉的无人机分布式控制方法流程图，该方法包括以下步骤：步骤s100，获取待搜索目标的目标图像以及每个无人机检测区域的实时图像。
20.由于无人机的灵活性以及独特性，越来越多的应用于搜救侦察以及目标监测等场景中，在多架无人机共同实施任务时，需要对无人机进行编队部署，本发明实施例中的无人机群先是由地面指挥中心控制进行搜索，在搜索过程中根据无人机搜索对应的实时情况确定无人机中的长机和僚机，然后根据长机对僚机进行实时控制。
21.在确定无人机中的长机时，首先根据无人机实时监测到的区域进行判定，将预先获取的待搜索目标的图像记为目标图像，无人机搜索的目标即为该待搜索目标；然后获取每个无人机检测区域的实时图像，实时图像是无人机在空中飞行时采集的地面图像，每个无人机在每个采样时刻都可对应一张实时图像，且实时图像的尺寸大于目标图像的尺寸，对同一个采样时刻下每个无人机采集得到的实时图像进行分析，根据实时采集的实时图像的特征确定无人机群中的长机。
22.由于采集得到的目标图像和实时图像均为rgb图像，为了减少后续的计算量，对目标图像和实时图像均进行灰度化处理，灰度化处理的方法为现有公知手段，实施者可自行选择不同的方法进行灰度化，本实施例中采用加权灰度化的方法，对目标图像和实时图像进行加权灰度化得到对应的灰度图像，后续在对目标图像以及实时图像进行分析计算时，均是基于目标图像和实时图像对应的灰度图像进行分析。
23.步骤s200，将目标图像在实时图像中滑动得到对应的子区域，基于每个子区域分别在目标图像和实时图像中的灰度信息获取子区域与目标图像的相似度。
24.采集到所有无人机在同一采样时刻下对应的实时图像之后，对每个无人机对应的实时图像进行分析，判断无人机拍摄的实时图像与目标图像之间的相似程度，以便于对长机的选取。
25.具体的，以无人机q为例，将该无人机q在当前采样时刻下采集到的实时图像记为实时图像w，目标图像记为e，为了便于分析实时图像w与目标图像e之间的相似程度，将目标图像e在实时图像w上滑动，设定初始滑动步长d=5，由于目标图像e的尺寸小于实时图像w，因此目标图像e在实时图像w上每次滑动均可得到一个子区域，该子区域的大小与目标图像e的大小相同，且子区域上每个像素点在目标图像e上均存在对应的像素点，为了便于后续的区别和分析，将目标图像e在实时图像w上每次滑动得到的对应的子区域记为r。
26.进一步的，以子区域r上任意一个像素点为例，为了对像素点的特征更加准确的对比分析，以像素点为中心获取预设范围的邻域像素点进行分析；对于子区域内任一像素
点，获取以像素点为中心的预设范围内的邻域像素点，像素点在目标图像中对应位置存在相同预设范围内的邻域像素点，分别计算每个邻域像素点与像素点之间的灰度差值绝对值作为对应的灰度差异。
27.本发明实施例中设定获取像素点为中心的3*3大小的邻域像素点，则在目标图像e中对应位置的像素点也存在3*3大小的邻域像素点，分别计算子区域中像素点q对应的每个邻域像素点与像素点之间的灰度差异以及目标图像e中像素点对应的每个邻域像素点与像素点之间的灰度差异，也即是每个邻域像素点与像素点之间的灰度差值绝对值，具体为：其中，表示第个邻域像素点与像素点之间的灰度差异；表示第个邻域像素点的灰度值；表示像素点的灰度值。
28.以像素点与其对应的邻域像素点之间的灰度差异作为像素点周围的特征信息，以此获取子区域r以及目标图像e之间的相似度，子区域r与目标图像e之间的相似度的计算为：其中，表示相似度；表示目标图像e中像素点的灰度值；表示子区域r中像素点的灰度值；表示取最大值函数；表示目标图像e中像素点与第个邻域像素点之间的灰度差异；表示子区域r中像素点与第个邻域像素点之间的灰度差异；表示目标图像e中像素点的数量，与子区域r中像素点数量一致；表示自然常数。
29.表示像素点在子区域r中的灰度值与目标图像e上的灰度值之间的差值绝对值，该差值绝对值越大，表明像素点在子区域r上和目标图像e上所表征的灰度信息差异越大；中以像素点在两张图像中的最大灰度值作为分母进行归一化，以使得像素点在两张图像中的灰度特征的差异处于0-1之间，便于后续的分析计算；因此可知的取值越大，的取值越大，则的取值越小，表明像素点所在子区域r与目标图像e之间的相似度越小；表示目标图像e中像素点与第个邻域像素点之间的灰度差异，与子区域r中像素点与第个邻域像素点之间的灰度差异的差值绝对值，的取值越大，说明像素点在目标图像e以及子区域r中与邻域像素点之间的灰度差异信息的差异越大，越大对应的相似程度越小，用于将与相似度的关系呈现负相关，且取值范围限定在0-1之间；的取值越大，相似度
越大；表示所有邻域像素点对应的的平均值，该取值越大，对应的相似度越大；以表示目标图像e和子区域r上像素点的相似程度，进一步对子区域r和目标图像e上所有像素点对应的相似程度进行求平均得到最终的相似度，相似度越大，表明子区域r和目标图像e上像素点之间的灰度信息越相似。
30.子区域r与目标图像e之间的相似度越大，说明该子区域r越可能为待检测目标的区域；通过目标图像e在实时图像w上不断的滑动得到不同的子区域，基于上述计算子区域r与目标图像e之间相似度相同的方法，获取实时图像w上每个子区域与目标图像e之间的相似度，相似度越大，越可能为待检测目标所在的区域。
31.步骤s300，根据当前子区域与前一个子区域对应的相似度调整滑动步长，目标图像根据调整后的滑动步长在实时图像中滑动，以得到目标区域。
32.由步骤s200可知，模板图像在实时图像上每次滑动都可得到一个子区域以及根据步骤s200的方法可得到每个子区域对应的相似度，而无人机在实际进行目标搜索时，最关键的是搜索效率以及搜索精度，因此为了提高无人机搜索过程中的搜索效率，对模板图像的滑动步长进行自适应的调节。
33.获取当前子区域与前一个子区域对应的相似度的差值作为相似度差异特征值；以相似度差异特征值的绝对值与预设的初始滑动步长的乘积作为变化量；若相似度差异特征值大于零，以初始滑动步长减去变化量并向上取整得到调整后的滑动步长；若相似度差异特征值小于零，以初始滑动步长加上变化量并向下取整得到调整后的滑动步长；若相似度差异特征值等于0，初始滑动步长不作调整。
34.具体的，假设子区域r为目标图像在实时图像上第一次滑动得到的子区域，将目标图像在实时图像上第二次滑动得到的子区域记为r1，第二次滑动得到的子区域r1为当前的子区域，且子区域r和子区域r1分别对应一个相似度，根据两次滑动得到的子区域的相似度进行滑动步长的调整，计算相似度差异特征值：其中，表示相似度差异特征值；表示子区域r1对应的相似度；表示子区域r对应的相似度。
35.以作为变化量，为调整前的滑动步长，也即是，表示相似度差异特征值,表示取绝对值；当相似度差异特征值f的取值大于零时，说明当前的滑动是逐渐接近目标区域的滑动，因此为了使得匹配的精度更高，将滑动步长进行适应性的减少，将滑动步长调整为：，其中，为调整前的滑动步长，也即是，为调整后的滑动步长，表示相似度差异特征值,表示取绝对值，表示对括号内的值进行向上取整计算。
36.当相似度差异特征值f的取值小于零时，说明当前的滑动是逐渐远离目标区域的，因此为了减少计算量，提高匹配效率，将滑动步长进行适应性的增加，将滑动步长调整为：，其中，为调整前的滑动步长，也即是，为调整后的滑动步长，表示相似度差异特征值,表示取绝对值，表示对括号内的值进行向下取整计算。
37.当相似度差异值f的取值为零时，滑动步长不变，由此通过自适应调整的滑动步长将模板图像在实时图像上滑动，得到不同的子区域，并且基于步骤s200中同样的方法获取每个子区域对应的相似度，相似度越大，表明该子区域越可能为待搜索目标所在的区域，设定相似度阈值用于区分实时图像中的干扰区域和目标区域，当调整滑动步长后得到的子区域对应的相似度大于该相似度阈值时，该子区域记为目标区域，当子区域对应的相似度不大于该相似度阈值时，对应的子区域为干扰区域。
38.作为优选，本发明实施例中设定相似度阈值为0.8，对不同采样时刻下无人机采集到的实时图像中各个子区域进行分析，得到其中的目标区域。
39.步骤s400，选取实时图像中最大相似度的目标区域为优选子区域，获取优选子区域的中心点与优选子区域所属实时图像中每个边缘的欧式距离，基于欧式距离获取对应无人机的优选值，选取优选值最大的无人机为长机进行编队控制。
40.基于步骤s300的方法，将每个采样时刻下无人机获取的实时图像进行分析，得到其中的目标区域，获取每张实时图像中与目标图像之间的最大相似度的目标区域，由于在无人机群开始搜索时每个采样时刻下的实时图像中可能不存在目标区域，因此仅对存在目标区域时每个采样时刻下无人机的实时图像进行后续分析；假设此时存在n个无人机，则同一个采样时刻下对应了n个实时图像，且每个实时图像中都会存在目标区域，则每个实时图像中会存在一个最大相似度的目标区域，将每个实时图像中最大相似度的目标区域记为优选子区域，获取每个实时图像中优选子区域的中心点，中心点与优选子区域中所有边缘像素点之间的欧式距离之和最小，边缘像素点以及欧式距离的获取均为现有公知技术，不再赘述；获取优选子区域的中心点在水平方向和竖直方向上到所属实时图像中各边缘的欧式距离，优选子区域的中心点与优选子区域所属实时图像中每个边缘的欧式距离包括：中心点到优选子区域所属实时图像的上边缘的欧式距离、中心点到优选子区域所属实时图像的下边缘的欧式距离、中心点到优选子区域所属实时图像的左边缘的欧式距离以及中心点到优选子区域所属实时图像的右边缘的欧式距离，分别记为第一距离、第二距离、第三距离以及第四距离；分别获取第一距离与第二距离的差值绝对值，以及第三距离与第四距离的差值绝对值，以第一距离与第二距离的差值绝对值，和第三距离与第四距离的差值绝对值的求和结果作为累加距离差值；以累加距离差值的负数作为幂指数构建指数函数，指数函数与优选子区域的相似度的乘积结果为对应无人机的优选值。
41.通过每个实时图像中的优选子区域获取每个无人机作为长机的优选值，优选值的计算为：其中，表示优选值；表示优选子区域对应的最大相似度；表示优选子区域的中心点到所属实时图像的上边缘的欧式距离，也即是第一距离；表示优选子区域的中心点到所属实时图像的下边缘的欧式距离，也即是第二距离；表示优选子区域的中心点到所属实时图像的左边缘的欧式距离，也即是第三距离；表示优选子区域的中心点到所属实时图像的右边缘的欧式距离，也即是第四距离；为自然常数；为绝对值计
算。
42.表示优选子区域的中心点到所属实时图像的上边缘的欧式距离与下边缘的欧式距离的差值绝对值，该差值绝对值越小，说明中心点在竖直方向上所处位置越接近于实时图像的中心；表示优选子区域的中心点到所属实时图像的左边缘的欧式距离与右边缘的欧式距离的差值绝对值，该差值绝对值越小，说明中心点在水平方向上所处位置越接近于实时图像的中心；因此的取值越大，表明累加距离差值的取值越小，则中心点越接近于所属实时图像的中心位置，对应无人机的检测追踪效果越好；而优选子区域与目标图像之间的相似度越大，也表明此时无人机的检测效果越好，因此优选值越大，对应无人机作为长机进行编队指挥的可能性越大，对应无人机作为长机的效果越好。
43.以此类推，根据每个实时图像中的优选子区域获取该实时图像对应的无人机的优选值，选取优选值最大时对应的无人机为长机进行编队指挥，其他无人机作为僚机，接收长机的控制。
44.进一步的，考虑到在传统的编队控制中，若长机在控制时出现故障，由于其跟随的僚机没有独立决策的能力，编队的鲁棒性差，则长机跟随的僚机也会全线瘫痪；并且在多层级编队时，较低层级的无人机会出现较大的位置偏差，即误差的传递迭代。因此本发明实施例对每个僚机进行分析，从所有的僚机中选取辅助僚机，在长机对除了辅助僚机之外的其他僚机进行控制时，使辅助僚机参与到位置决策中，进而在长机出现故障等状况时，可通过辅助僚机之间的重新选取得到新的长机。
45.由于在每个采样时刻下可能会得到不同的最大优选值对应的长机，若下一时刻优选值最大时对应的长机与当前采样时刻下确定的长机不一致，则判断优选值是否大于设定的更改阈值，若大于，则对长机进行实时更改；若不大于，则以当前时刻的长机继续进行编队控制，直至存在优选值大于设定的更改阈值或者长机出现故障时进行长机的更改；作为一个优选示例，本发明实施例中设定更改阈值为0.95。
46.具体的，假设无人机a为长机，无人机b和无人机u为辅助僚机，则其他的无人机为僚机，若本实施例中要求无人机编队为水平直线型编队，则在进行编队控制时，首先对辅助僚机进行信息传递并进行三维航道的控制；以长机a所在的位置为三维坐标轴的原点，从而获取辅助僚机b和辅助僚机u分别对应的初始坐标为和；若此时要求编队预设间隔为k，也即是相邻无人机之间的间隔为k，则向辅助僚机b传输信息控制，将辅助僚机的速度控制与长机a一致，且辅助僚机b的位置调整至或者；基于对辅助僚机b的控制相同的方法，对辅助僚机u传输信息控制，使得辅助僚机u的速度与长机a一致，且对辅助僚机u的位置进行调整，但辅助僚机u与辅助僚机b相对于长机a而言是对称分布，即如果辅助僚机b位置为，则辅助僚机u的位置为；以此类推，在对辅助僚机的位置编队控制完毕后，对其他僚机的位置进行坐标控制。
47.根据三维坐标系获取所有无人机的三维坐标向量，根据每两个无人机之间的三维坐标向量得到对应的空间距离和角度特征值；当长机a出现故障时，辅助僚机b和辅助僚机u
作为候选长机，计算辅助僚机b和辅助僚机u分别作为新长机的置信度，以辅助僚机b为例，当长机a出现故障时，辅助僚机b作为新长机的置信度的计算为：其中，表示置信度；表示除了长机a和辅助僚机b之外的无人机数量；表示m个无人机中第个无人机与辅助僚机之间的空间距离；表示m个无人机中第个无人机与长机a之间的空间距离；为自然常数；表示m个无人机中第个无人机与辅助僚机b之间的角度特征值；表示m个无人机中第个无人机与长机a之间的角度特征值。
48.空间距离的获取方法为公知手段，不作详细说明；角度特征值是基于长机a为原点的三维坐标轴进行获取：根据每个无人机的位置可得到对应的三维坐标向量，基于两个无人机对应的三维坐标向量得到对应的夹角，该夹角即为对应的角度特征值，三维向量之间夹角的计算公式为公知手段，不再赘述；表示第个无人机分别与辅助僚机b和长机a之间空间距离的差值绝对值，的取值越小，说明第个无人机到辅助僚机b和长机a之间的空间距离差异越小，则辅助僚机b作为新长机的可能性越大；同理，表示第个无人机分别与辅助僚机b和长机a之间角度特征值的差值绝对值，的取值越小，表明第个无人机与辅助僚机b和长机a之间的角度特征值越接近，则辅助僚机b为新长机的可能性越大；以自然常数e为底的负相关指数函数用于归一化，并确保空间距离的差值绝对值以及角度特征值的差值绝对值与置信度呈负相关关系，便于后续的分析计算；通过空间距离信息和角度特征值信息的平均得到辅助僚机b为新长机的置信度，结果更加可靠且具有说服力。
49.根据获取辅助僚机b作为新长机的置信度相同的方法，获取其他辅助僚机对应的置信度，在长机a出现故障时，以置信度最大的辅助僚机作为新长机，通过新长机对无人机群中的无人机进行编队控制。
50.其中，本实施例中对于辅助僚机的选取的方法为：对除了长机之外的所有无人机对应的优选值进行一维k-means均值聚类，聚类距离为无人机之间的优选值的差值绝对值；设定聚类类别k=2，则对所有的无人机聚类之后可得到两个类别，选取无人机数量最多的类别作为目标类别，在该目标类别中且处于长机的通讯范围内的无人机均为辅助僚机，通讯范围由无人机自身配置决定且为已知，由此可得到长机所对应的辅助僚机。
51.综上所述，本发明实施例通过获取待搜索目标的目标图像以及每个无人机检测区域的实时图像；将目标图像在实时图像中滑动得到对应的子区域，基于每个子区域分别在目标图像和实时图像中的灰度信息获取子区域与目标图像的相似度；根据当前子区域与前一个子区域对应的相似度调整滑动步长，目标图像根据调整后的滑动步长在实时图像中滑动，以得到目标区域；选取实时图像中最大相似度的目标区域为优选子区域，获取优选子区
域的中心点与优选子区域所属实时图像中每个边缘的欧式距离，基于欧式距离获取对应无人机的优选值，选取优选值最大的无人机为长机进行编队控制；提高了长机选取的可靠性，基于更加可靠准确的长机进行无人机群的编队控制，确保了控制的效果以及控制效率；此外，本实施例通过长机的位置构建三维坐标系，以便于长机在对无人机编队控制时对每个无人机的位置确定，并且通过长机的位置和每个无人机的优选值选取出辅助僚机，在长机出现故障时，通过对辅助僚机的置信度获取，能够及时准确的找出最合适的辅助僚机作为新长机进行编队控制，提高了整体控制的鲁棒性，避免由于无人机故障等特殊情况导致无人机群的控制瘫痪。
52.需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
53.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
54.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。