摘要：对无人机电力巡检中的特征检测、提取与匹配方法进行分析,并引入双目视觉定位系统,提高位姿计算的精准度。在相对运动定理的引导下,提升无人机的定位精度。
关键词：双目视觉定位;?无人机;?电力巡检;
多旋翼无人机技术日益成熟,在电力巡检中得到广泛应用,成为电网企业的主要巡检手段。但是,由于内部 GPS 与电磁针等设备容易受高压线路影响,使交变电磁场发生改变,影响近距离作业的精准度,对此可引入双目视觉导航,在相对运动定理的指导下,精准计算传感器位置与姿态信息。
1 特征检测、提取与匹配
1.1 Harris角点检测法
该算法利用图像局部自相关函数性质,运用微分运算检测角点,使窗口在图像中的任意方向移动。与平坦区域相比,角点区域移动时像素间灰度值出现明显变化。在检测算子时,在图像中任取一个像素点 (u,v),在坐标平移量 x 与 y 均明确的基础上,定义能量函数可表示为式(1)。
式中,w(u,v) 代表的是矩形函数。当 x 与 y 数值较小时,可将上述公式进行展开,得出近似表达式。从直观层面来看,角点属于横纵两个方向上变化明显的点;边缘是指在水平或垂直方向变化较大的量;在平坦区域,横纵变化则相对较小。假设在矩阵 M 中选择 R1 与 R2 两个特征值,当二者较大时,自相关函数均为尖锐的峰顶形状,角点为了躲避对自相关矩阵 M 值的分解而简化计算,提高速度,利用 R 值替代,求取最终结果。
1.2 SIFT 检测法
由于尺度空间中视觉具有不变性,该方式可将源图像与可变因子中的二维高斯函数卷积,使信号能够遍布整个尺度空间,由多种分辨率不同的图像组成尺度空间。
该检测方法的应用步骤为空间极值检测、特征点定位、方向确定与特征描述等等,SIFT 算子在空间中进行检测,对特征点定位后,以关键点周围梯度方向确定特征方向,确保特征点在尺度、方向等方面无关联。在图像尺度空间中完成极值点检测,当不同尺度中观察图像时,获取的信息也有所区别,当尺度较大使,可得到图像主轮廓,而尺度较小则只能获取一些细节信息。
1.3 灰度图像匹配法
在利用该匹配法时,首先对比特征点的相邻窗口,选出相关系数最大的两个点,将其作为匹配点。假设 P1 为左侧图像中的特征点,则左侧邻窗 P1 便为邻域窗,右侧邻窗也是同样的道理。在为右侧图像寻找匹配点时,应将点 P1 左侧临窗与右侧邻窗的相似度进行对比。假设特征点(x,y) 对应的邻窗相似度为 s(x,y),源图像的灰度值为 E(x,y),目标图像是灰度值为 I(x,y),则二者的灰度均值分别为 E1(x,y) 和 I1(x,y)。在为左侧图像的某点寻找右侧匹配点时,以左侧为源图像,以右侧为目标图像,反之也是一样。无论何种形式均可对相似度进行计算如式(2)。
(2)
在得出相似度后,假设给定点与目标图像中的某点相似度系数符合阈值标准,且与目标图像中其他相似特征点比较更加优质,则两个点可匹配;如若相似度系数不符合阈值的要求,可认为未找到匹配点。
2 基于双目视觉的姿态计算
2.1 构建坐标系
在电力巡检工作中,为了符合无人机导航需求,可构建摄像机坐标系,坐标原点为摄像机的光心 Oc。其中 OCZC 轴与摄像机光轴一致,OCXC 轴与摄像机光轴处于垂直状态,沿着摄影方向,OCYC 轴与摄像机光轴互相垂直,坐标系与右手规则相符。将场景点 Q 经过 Oc 点投影到像点 Qc 中,成像模型为小孔成像。以 Oc 为摄像机光心,XC 轴平行于坐标系 x 轴,YC 平行于 y 轴,ZC 平行于光轴,以摄影方向为正向,投影原理。
2.2 位置与姿态估计
(1)单应性矩阵。
在任意时间利用摄像机对任意平面所成图像间的关系称为单应性,两成像平面的存在几何关系。在地面上取一点 Q,在 t 时刻摄像机坐标系 C1?的特征点为 q1,在 t+1 时刻坐标系 C2?的特征点为 q2,则 q1?与 q2?之间具有对应关系,可表示为式(3)。
(3)
式中,二者为正交变换,如若 C1?代表参考坐标系,则 C2?代表 C1?的运动,由旋转矩阵和平移矩阵进行描述。通过对图像中各个特征点进行匹配,可获得与之相应的特征点对,由此可得出单应性矩阵,在矩阵分解理论的指导下,对表征机体运动参数进行计算。
(2)单应性矩阵求解。假设单应性矩阵 H 为 3×3 的矩阵,如式(4)。
(4)
向量 q12?与 q?11?之间相差系数为λ,也就是二者的范数值不同,但方向相同。根据向量差与零相乘为零的特点,构建变量 hij?方程,将低 i 个特征点在图像 11 中的成像位置记为 (x11,j11),在图像 12 中的成像位置记为 (x12,j12),第三行为第一与第二行的线性组合,可见该式中只具有两个独立方程。在相同尺度中,假设 h33?的数值为 1,则共计包含 8 个未知数,能够构建 8 个方程并求解。通常情况下,特征点对的数量超过 4 个,建立方程后求解。
(3)获取导航参数。
根据 H 的定义式可知,摄像机相对位姿参数为 C1?与 C2?之和的函数,可通过分解 H 的方式获取相对姿态的变化参数。在对 H 进行分解后,相对位姿的变化参数为 C1、C2?与 Tc1、Tc2,将 SVD 分解后可对公式进行转化,列出 S 特征值矩阵,假设 n 的数值为 [n1,n2,n3],e 的数值为 [1,0,0],e1?的数值为 [1,0,0]T,则等价方程可表示为式(5)。
S1e1=Ce1+n1/d1?(5)
利用消元法,将d1?消除后,可获得导航参数。在双目视觉定位系统应用中。根据摄像机采集的环境图像信息,得出无人机运动时位姿与速度的变化情况。通过相邻帧图像定位法,运用相邻图像中相同特征点在多个时刻记录三维信息变化。在相对运动定理指导下,获取摄像机运动信息。并利用内部 matlab 进行仿真实验,得出最终的实验结果。
2.3 实验结果
为了对实验结果进行评价,在本次实验中对无人机飞行航迹进行跟踪检测,在具备机载计算机的无人机平台中开展实验。
本次实验中运用多旋翼无人机,根据事先规划的路线行驶一段路程后,可由 GPS 对无人机路径进行精准测量。但是,GPS 不参与到导航运算之中,只负责轨迹跟踪,在各个采样点提取双目视觉系统的姿态值。根据跟踪结果与误差分析可知,与以往 GPS/INS 组合导航相比,双目视觉系统的定位更加精准可靠。但在长时间跟踪中,受积分飘移影响增加,仍然会产生一定的误差,为了有效控制误差产生,可通过引入导航的方式提高精准度。
3 结语
本文对多旋翼无人机系统的关键技术与作用进行分析,提出双目视觉运动估计法。并通过开展实验的方式进行验证分析,可使无人机在复杂环境下科学可靠的完成电力巡检工作,更加准确的获取位姿信息,在环境适应度与精度方面得到进一步完善,在更多领域得到应用和发展。
参考文献
[1]王亮.微小型无人机雾天障碍物辨识研究[D].云南:昆明理工大学,2018.
[2]徐焕太.基于双目视觉的多旋翼无人机自主降落定位方法研究[D].江苏:南京南开大学,2019.
[3]吴洪昊.基于电力巡检的无人机导航系统[D].天津:天津大学,2018.