r>[0067] 与传统的无人机着陆过程相比，本发明具有如下优点：
[0068] 1、本方法采用了小巧轻便的相机作为传感器进行无人机着陆控制，减少了冗余的 传统传感器，降低了成本和体重。
[0069] 2、采用改进化U曲法对图像进行直线检测，尽量减少计算量，提高预处理实时性；
[0070] 3、结合对地平线进行光流法处理，增加了地平线检测的准确率，同时也很大程度 上提高了视觉导航的精度，更加有助于实现无人机的着陆控制；
[0071] 4、本发明主要考虑了该视觉着陆用于固定翼式无人机的情况，有别于旋翼式无人 机或者直升机运类可W垂直升降的飞行器，在着陆过程需要考虑高度、位置、姿态等信息， 通过信息才能更好的满足着陆过程的要求，使得控制更加便利。
【附图说明】
[0072] 图1为本发明的流程图；
[0073] 图2为导航坐标系示意图；
[0074] 图3为对地平线进行光流法后的效果示意图；
[0075] 图4为无人机着陆的五个过程的示意图；
[0076] 图5为实验中无人机模型图。
【具体实施方式】
[0077] 下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本 发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖 在本发明的保护范围中。
【具体实施方式】 [0078] 一:本实施方式提供了一种基于光流法和地平线检测的无人机着陆 方法，通过针对图像采用直线检测方法探测出地平线，并根据地平线求出无人机飞行姿态 中的滚转角和方位角；用光流法针对无人机飞行过程中拍摄的序列图像中的地平线计算出 无人机的位姿;采用扩展卡尔曼滤波方法减少方法中地平线的检测错误率，并由位姿即可 进行无人机着陆五个阶段状态间转换，配合地平线方法逐一完成无人机着陆的自主着陆过 程。
[0079] 如图1所示，共分为五个步骤，具体步骤如下：
[0080] 步骤一:对飞行过程中固定在无人机底部的相机拍摄出的视频进行图像预处理。
[0081] 1)对于拍摄的图像进行颜色转换，用灰度图像进行表示。将图像进行线性变换，转 换为在Y化Cb颜色空间，利用YCb化图像中的亮度分量作为处理图像时用到的灰度信息：
[0083] 2)对图像进行边缘检测。一般而言，地平线是会在图像出现梯度值较大的信息，所 W为了检测出地平线信息，本发明采用化nny算子进行边缘检测。
[0084] 步骤二:对每张图像进行直线检测，获取图像中的地平线信息。
[0085] 1)对图像进行直线检测，提取出直线信息。图像的直线检测采用化U曲方法进行。
[0086] 通常，直线可W用y = ax+b表示，但是考虑到如果斜率为垂直的时候，a为无限大， 无法进行机器计算，所W选用极坐标来表示直线就可W解决运个问题，即X COS0+Y sin0-p =0。经过运样的转换后，直线的信息由原来的a和b表示，转变为了 0和P。经过一个点(xo，yo) 的直线，通过极坐标表示是P = xocos0+yosin0，即为与0和P平面内的一条正弦抛物线，抛物 线上的每个点表示了不同的0和P下的过(xo，yo)直线。而任意一直线上的两点(xi，yi)和(X2， Y2)，通过极坐标表示得，P = Xicos目+yisin目和p = X2C〇s目+y2sin0，目和P相同，即为同一条直 线。所W不同点的共线问题就转换为了在e和P平面内多条抛物线的交点问题，只要找到交 点，那么对应的点在二维平面内就是共线的。
[0087] 2)选择共线的坐标点。建立二维累加数组A(P，0)来存储共线的交点，每当计算出 一对交点(P，e)，则A(P，0)加1。通过计算所得的A(P，0)最大值就是图像图像中国共线点最 多的直线。
[0088] 3)改进化Ugh算法。化Ugh方法在运用时需要遍历整幅图像，计算量庞大。为了计算 减少化U曲算法的计算量，近似认为短时间内图像的变换幅度不会很大，所W选择在处理图 像时W前一幅图像为基础，只在前一幅图像的检测出直线的区域附近进行化U曲算法，W此 来提高实时性。
[0089] 步骤通过地平线信息计算出当前无人机的飞行姿态:滚转角、方位角。
[0090] 1)利用图像中的地平线信息计算无人机的滚转角：
[0092] 其中，化和my为地平线在图像中的二维位置向量。
[0093] 2)利用图像中的地平线信息和滚转角计算无人机的方位角：
[00M]其中，U和V分别为图像像素坐标系X轴上和y轴上的距离，f为摄像机的焦距。
[0096] 步骤四：用光流法检测出无人机的姿态信息。根据无人机飞行过程的序列图像针 对地平线进行光流法(采用Lucas Kanade局部平滑法)计算，计算地平线上的点的矢量速 度，从而获取无人机的姿态。
[0097] 1)推导出光流法梯度公式。
[0101]另一方面，因为丈e:二私(yw - rW)- R;(丈W _叫，则可W推导出：
[0103]如果观察的点在地平线上，那么Z会非常大，那么上式的前部分可W近似忽略，即 上式可变为：
[0105] W上就是图像的基于梯度的光流法的基本方程。
[0106] 该着陆段对地平线的光流法效果示意图如图3所示。
[0107] 2)采用基于梯度的光流法对直线信息进行光流法计算出飞行器的速度。
[0108] 步骤五：结合运动模型对无人机姿态信息进行滤波。采用扩展卡尔曼滤波方法 化KF)对光流法和地平线检测的无人机姿态进行滤波，挑选出正确的地平线信息，有效区分 地平线和跑道，增加无人机姿态信息的精度。
[0109] 1)建立无人机模型。本发明采用一个简化的离散刚体转动模型，k+1时刻的状态可 W由k时刻离散表示，其中n是控制系统中的噪声，符合高斯白噪声分布％~N(0，Qk)，Qk为噪 声协方差。模型如下：
[0111] 其中，
[0112] 如/() = W、化)sm((4(A〇)Uin(巧A')) + 似,'(Ar)COS(辦/())Uin(6(/t')) + W- (Ar),
[0113] 命A;)=似'(Zr)COS(挪W-",.(/:)sin(抑幻）。
[0114] 式中，d)是飞行器的滚转角，0是方位角，《x、COy和是x、y、z轴方向的角速度，A t为相机采样时间间隔。
[0115] 2)将地平线检测方法和光流法得到的无人机姿态信息与模型相结合。在地平线上 选取i个光流点，那么观测器中将有2(i+l)个数据，即：
[0117] 3)用扩展卡尔曼滤波方法对无人机模型进行处理。根据扩展卡尔曼滤波的残差从 直线信息中找出地平线。从根据无人机的飞行姿态区别出直线信息中的跑道和地平线。
[0118] 定义在k时刻下的该模型的状态方程为<'，协方差矩阵为巧.，即：
[0121] 卡尔曼滤波分为运动预测、观察预测、数据判断和状态更新4个阶段：
[0122] 第一步:运动预测。
[0123] 已知k-1时刻后验状态向量和协方差，假设系统噪声化=0,运动模型预 巧化时刻先验状态向量和协方差P;;;,,;
[0124] x:；；,,=/(^,,，0)，：
[012引 KI、=巧…巧+ G化巧。
[01%] 其中：
是运动方程的化CObian矩阵。
[0127] 第二步:观测预测。
[01%]假设观测噪声化=0,根据观测方程预测观测值hk和观测残差Sk:
[0129] % =雌心,,0) = ?;,,
[0130] Sk =H 式:巧 JIl+ RkO
[0131] 其中，
-是观察方程的化CObian矩阵。
[0132] 第S步:数据判断。
[0133] 利用扩展卡尔曼滤波过程中的观测信息来判断是否存在地平线检测错误。即将预 测观测值hk和观测残差Sk给出的参数信息，记实际值为Zk,计算出残差Vk=zk-hk，定义：
[0134] 八=V; S八。
[0135] 通过判断丫 k的值即可知道是否为检测出地平线。判断的依据是靠 Mahalanobis距 离测试参数，当满足的条件是指 <為2M,;，则为置信度为0.95的事件。
[0136] 第四步:状态更新。
[0137] 根据所检测是地平线对数据进行更新，如果不是地平线则不更新，更新后验状态 ^4和协方差Ci;:
[0138] 片试 1，
[0139] <； =<；_, -K),
[0140] P;;=保-必曲)P心。
[0141] 粗略的，地平线的的光流场信息中的旋转和运动信息较少;而跑道边缘线的光流 场信息在飞行过程中存在大变动的旋转信息，运一点就可W用来区分跑道边缘和地平线。 细致而言则是采用统计方法，可W飞行过程中地平线数据的光流场速度变换更加相近，而 其他线条都存在不同方法的变换，相关性弱。
[0142] 步骤六:实现基于无人机自主着陆过程。
[0143] 无人机的着陆过程主要是参考于飞机的着陆标准，要求保证固定翼式无人机着陆 时滚转角、俯仰角近似为0，只有沿着跑道方向的速度，W此达到稳定水平着陆，并且整个过 程机头需要保持沿着跑道。而无人机的着陆过程主