基于序列圖像的固定翼無人機著陸跑道識別技術與跟蹤算法驗證

張衛星

（蘇州工業職業技術學院，江蘇 蘇州 215104）

由于無人機在著陸時移動速度快，加上地面干擾因素多，使得無人機很難在既定跑道上平穩著陸，容易發生安全事故?，F階段關于無人機自主著陸的技術研究，主要還是利用導引定位（如GPS 導航、INS 導航等）輔助無人機不斷調整飛行角度、對準跑道，然后改變下滑角進場。但是這種導引定位方法無法識別跑道內部與周邊的障礙，可能會在著陸時發生事故?；谝曈X信息系統的無人機導引飛行技術，可以準確識別跑道內部與周邊信息，為無人機著陸提供更加豐富的參考依據，對無人機的自主、穩定著陸有積極幫助。

1 基于序列圖像的固定翼無人機著陸跑道識別技術

1.1 圖像預處理

固定翼無人機的視覺信息系統主要完成兩項任務，即識別跑道與動態跟蹤。其中，著陸跑道識別是通過采集、分析圖像數據實現的。由于跑道識別與跟蹤中無人機始終處于動態飛行狀態，為了更加方便、準確地獲取跑道目標的特征，必須對獲取的著陸圖像進行預處理[1]。常用的圖像預處理方式有多分辨率處理、灰度化處理、邊緣檢測等?？紤]著陸跑道與兩側環境（如綠地）有明顯界限，因此研究選擇邊緣檢測法，以便于無人機在不同著陸階段都能快速、精確地提取跑道目標的區域特征、邊緣直線特征，從而使無人機可以成功著陸。

1.2 圖像邊緣檢測

本研究使用LSD 算法進行邊緣檢測，其處理流程為：利用外接矩形進行逼近，尋找到包含了所有亮度變化明顯像素點的最小外接矩形，此時矩形的長度和寬度均為最小值。然后求出外接矩形的長寬比，并根據這一數字確定特征直線。如果長寬比超過某個閾值，則將該外接矩形的軸長作為特征直線。外接矩形及其區域參數見圖1。

圖1 矩形區域參數示意圖

圖1 中，矩形區域的重心為O，其坐標為（Cx,Cy），L和W 分別為外接矩形的長和寬，θ 為傾角。假設該外接矩形中存在n 個像素點，則這些像素點的坐標集合P 可表示為

則重心O 的兩個坐標分別表示為

矩形長（KL）與寬（KW）的斜率計算公式為

求出該矩形的長（L）和寬（W）分別為

確定了L 和W 的值后，即可確定外接矩形的面積。同時，進一步判定長寬比和閾值（λ）的關系，如果存在L/M＞λ，則確定該外接矩形的中心軸為特征線；如果L/M≤λ，則認為該外接矩形的中心軸不是要求的特征線。

1.3 提取跑道特征直線

提取跑道特征直線是固定翼無人機視覺信息著陸中的重要環節，也是保證相對位置精確、進而實現安全著陸的關鍵。經過上文的圖像預處理以及邊緣直線檢測等操作后，可以在無人機高清攝像頭拍攝所得圖像中標記出清晰的特征直線。在實際中，跑道兩側邊緣線均分布在特定的范圍內，其中左側邊緣線的分布角度集中在[0°,90°]之間，而右側邊緣線的分布角度集中在[90°，180°]之間[2]。另外，如果同一副圖像中經過預處理與檢測，出現了2 條或多條直線，則僅取長度最長的2 條。

1.4 跑道識別

將無人機高清攝像頭拍攝到的圖像作預處理后，綜合考慮跑道目標與背景亮度，或者是跑道周邊其他特征目標的位置，可以確定該圖像中跑道的所在位置。然后基于不變矩方法進行跑道目標提取。將提取到的數據，與系統模板庫中的預設模板進行配對，如果匹配度在99%以上，則說明該區域即為跑道目標，至此完成跑道識別；如果匹配度達不到這一要求，說明識別到的跑道目標與實際跑道還有一定差異，需要繼續搜索、修整，直到識別跑道為止[3]。在此基礎上，利用跑道識別算法處理，可以求得跑道目標坐標和無人機相對于跑道的航向角。

2 基于序列圖像的固定翼無人機著陸跑道跟蹤算法驗證

2.1 實驗方案設計

本次實驗所用無人機為SZD-45 型滑翔機，基本參數見表1。

表1 滑翔機基本參數

該無人機搭載的高清攝像機，內置LED 照明與補光燈，有180°廣角仿人眼鏡頭和600 萬高清CMOS圖像感應器，支持3 種高清拍攝模式，分別為1080P 30FPS、720P 30/60FPS 和WVGA 30/60FPS。提 供HDMI 高清視頻和CVBS 普通視頻2 種輸出模式[4]。選擇一處長度為200 m 的平整道路作為無人機著陸跑道，該道路背景、灰度值均勻，邊緣直線清晰可見，為著陸跑道識別提供了一定的便利。

2.2 飛行實驗

2.2.1 確定圖像分辨率

實驗中分別設置了3 種不同的圖像分辨率，即P級、P-1 級、P-2 級。其中，P 級圖像代表無人機高清攝像頭拍攝所得原圖，其分辨率為1 920×1 080；P-1級圖像的分辨率為480×270；P-2 級圖像的分辨率為120×67。對拍攝所得圖像做邊緣直線提取處理，其結果見圖2。

圖2 抽圖像邊緣直線提取處理

結合圖2 可知，P-2 級圖像與P 級（原圖）相比，直線特征的清晰度較差；P-1 級圖像與P 級圖像在指向特征清晰度上沒有明顯差異，但是由于分辨率較小，圖像中包含的像素點數量較少，計算量較小[5]。因此，本次實驗中選擇P-1 級圖像分辨率為480×270 的圖像作為輸入數據。

2.2.2 識別與跟蹤結果

本次實驗中采用實施壓縮跟蹤方法獲取圖像中特征點的坐標信息，然后再通過不變矩方法求得無人機的相對航向角（即特征點主軸與圖像坐標系y 軸的夾角），記錄不同幀數下相對位置數據在x 坐標、y 坐標以及相對航向角上的誤差，結果見表2。

表2 相對位置數據分析

結合表2 的數據可知，本次實驗采用壓縮跟蹤算法，可以在目標與背景顏色差異較小的動態圖像中，做到較為準確的實時跟蹤，同時保證了所得目標坐標信息與相對航向角的測量結果較為準確。

2.2.3 跑道邊緣直線提取結果

在無人機高清攝像頭拍攝圖像的基礎上，分別對其做直線檢測處理、直線提取處理，然后觀察實驗效果，見圖3。

圖3 飛行跑道邊緣直線提取效果

結合圖3 可知，經過跑道邊緣直線的提取處理后，圖像中2 條相交直線（左、右邊緣線）的角平分線，即為該跑道的中線。在根據角平分線與原圖像在坐標系中的相對位置，計算出相對航向角。隨機抽選4 副圖像，并分別提取直線現象與相對航向角數據，統計結果見表3。

結合表3 的數據可知，在無人機著陸跑道邊緣沒有明顯陰影，或者其他干擾物數量較少、體積較小的情況下，在本次實驗中可以較為準確地識別跑道邊緣，并提取出清晰的邊緣直線，在此基礎上準確估算無人機與跑道中線的相對位置，為無人機在跑道上安全著陸提供了幫助。

表3 飛行實驗直線參數及相對航向角

3 結論

無人機執行飛行任務包括起飛、飛行和著陸三個階段，其中無人機自主和穩定著陸是現階段無人機自主控制技術中的研究熱點。本研究提出的基于序列圖像的無人機著陸跑道識別技術與跟蹤算法，在飛行實驗中可以準確識別和提取跑道邊緣直線，并基于跟蹤算法實時調整無人機與跑道的相對位置，保證了無人機在跑道上精準、安全著陸，實際應用效果良好。