一种基于光流的导航方法与流程

本发明涉及导航领域，尤其涉及一种基于光流的导航方法。

背景技术：

通常多旋翼无人机采用GPS/MEMS惯性组合导航系统来提供飞行器的导航信息。但是GPS从本质上属于无线电导航，在丛林、峡谷及室内等特殊环境会因信号丢失而出现失锁情况。由于MEMS惯性器件的精度较低，误差随时间发散较快，因此无法单独提供有效的导航信息。所以需要引入一种新的导航方式来抑制惯性器件的误差发散。

科学研究表明，自然界中的蜜蜂通过使用其特殊的眼睛感知外界光线的变化来进行导航和避障，进而启发了人们使用光流法来进行导航。随着计算机视觉的发展，光流导航因其具有成本低、体积小、重量轻等优点被应用于微小型无人机导航领域。

由于经典的光流算法是建立在三个假设之上的，因此多旋翼飞行器实际飞行环境中可能出现的光照强度变化、图像遮挡及大尺度运动等因素都会对光流导航信息的可靠性造成影响。

采用光流/惯性组合导航系统，可以利用光流导航算法的速度信息来抑制惯导信息的发散，同时也可以利用惯导输出的信息来提升光流信息求解的精度，从而提升导航系统的可靠性，增强多旋翼无人机在无GPS环境下的生存能力。

技术实现要素：

鉴于上述问题，本发明提供一种基于光流的导航方法。

一种基于光流的导航方法，其中，包括：

建立飞行器的前右下坐标系，前向指向飞行器的机头，光流传感器采集若干图像，并检测出每张所述图像中特征点的坐标集，挑选任两张所述图像的特征点进行对比，筛选出相同特征点在不同图像上的坐标集，计算相同特征点在不同图像上坐标点之间的几何距离，以此计算出特征点在图像上的飞行速度；

定义所述飞行器的导航系坐标，并记录所述飞行器的水平飞行速度；

将特征点在图像上的飞行速度和所述水平飞行速度进行融合处理，以得到所述飞行器的导航信息。

上述的方法，其中，所述方法还包括：

以惯性导航信息求解所述特征点位移作为光流的理想值，结合所述特征点求解的光流值计算每个特征点光流的角误差，从而筛选出角误差小的特征点。

上述的方法，其中，所述方法还包括：

选取若干误差状态量，建立状态方程，以特征点在像素坐标系下的速度误差为量测量，建立量测方程，利用卡尔曼滤波递推方程估计所述飞行器的飞行速度。

上述的方法，其中，采用LK金字塔光流算法计算出特征点在图像上的飞行速度。

上述的方法，其中，所述方法还包括：

利用惯性导航系统推出的特征点速度来修正LK金字塔光流算法计算出特征点在图像上的飞行速度。

上述的方法，其中，所述导航信息包括所述飞行器的方向角，陀螺误差和位置坐标。

上述的方法，其中，选取的误差状态量包括捷联惯性导航系统的数学平台误差角、所述飞行器的速度误差、所述飞行的位置误差、陀螺误差和加速度计的误差。

上述的方法，其中，采用LK金字塔光流算法估算出一张图像中特征点在另一张图像中的坐标集。

综上所述，本发明设计的一种基于光流的导航方法，通过将惯导的速度信息转换到图像坐标系下，采用图像特征点的像素速度作为量测量对光流和惯性的信息进行深度融合，从而利用光流的信息对惯导的误差进行修正，通过计算特征点光流的角误差，利用惯导的信息提升光流的可靠性，最终组合导航系统输出更为可靠的导航信息供多旋翼无人机使用。

附图说明

参考所附附图，以更加充分的描述本发明的实施例。然而，所附附图仅用于说明和阐述，并不构成对本发明范围的限制。

图1为本发明的多旋翼飞行器运动场与机载相机测量的光流场之间关系的示意图；

图2为本发明所采用的光流算法结构示意图；

图3是基于特征点像素速度组合的光流/惯性组合导航算法结构示意图。

具体实施方式

下面结合附图和具体的实施例对本发明作进一步的说明，但是不作为本发明的限定。

实施例

根据图1所示，设定多旋翼无人机机体系为“前右下”坐标系(即机头的方向)，将相机与机体固连作为一个刚体。相机坐标系的x，y，z分别与机体系的三个方向相重合。p为t时刻世界坐标系下特征点P在图像中的坐标，p′为t+k时刻特征点P在图像中的坐标。由此，可以推导出图像特征点的光流为

其中[u v]^T为T时刻到T+k时刻特征点P在图像坐标系下两个方向的光流，对其求导可以得到特征点在两个方向的像素速度：

在得到像素速度之后结合相机的成像模型，即可推出图像光流场与载体运动场之间的关系：

式中f为相机的焦距，Z为载体的飞行高度，ω_x,ω_y为载体在x，y两个方向的角速度，[T_x T_y]^T载体在水平方向上的速度；

依据图2为ORB特征点光流算法的流程图，其主要的步骤为：

1、相机在t时刻图像I_t，并将其进行灰度变换得到灰度图G_t；

2、利用ORB特征点检测算法，获取G_t的局部特征点坐标p_t；

3、采集t+k时刻图像I_t+k，进行灰度转换后得到灰度图G_t+k；

4、将G_t，G_t+k，p_t作为输入，采用金字塔LK光流算法估算G_t+k图像上特征点坐标p_t+k；

5、将G_t+k,G_t,p_t+k作为输入，利用4中步骤，计算出G_t图像特征点坐标

6、计算与p_t之间的距离d并对其求均值，将大于均值的点认为是跟踪误差较大的点，进行剔除；

7、利用p_t+k与p_t求解准确光流；

图3为基于特征点像素速度的光流/惯性组合导航算法结构示意图，其主要的步骤为：

1、将导航系定义为北东地坐标系，k时刻之间机载惯性导航系统测量得到的载体水平方向的速度为[v′_bx,v′_by]^T：

2、计算由惯性导航系统推导出的图像坐标系下的特征点速度为：

其中，f为相机的焦距，Z为相机离地面的高度，即载体的飞行高度,[ω′_x,ω′_y]^T为x，y两个方向陀螺仪的测量值。因此，由惯性导航系统推导出来的图像坐标系下的特征点位移为：

3、计算各个特征点光流的角误差

其中的表示第i个特征点光流的理想值，表示第i个特征点使用LK金字塔光流算法所估计的光流值，k为两幅图像之间相隔的帧数。由于相机两帧之间的间隔时间较短，惯导信息的误差较小，以惯导信息求解的特征点位移作为光流的理想值，将角误差较大的点剔除，可以有效的降低图像出现局部干扰造成的光流估算误差。

4、选取捷联惯性导航系统的数学平台误差角三个方向速度误差[δV_n,δV_e,δV_d]^T，经纬高三个方向的位置误差[δL,δλ,δH]^T及陀螺和加速度计的误差构成15维状量：

系统的噪声矩阵W设置为：

其中，为陀螺仪的测量的白噪声，为加速度测量的白噪声；

5、以特征点在像素坐标系下的速度误差为量测量

由式(2)知，由惯导信息计算出的图像特征点速度信息中包含了机体系下的速度误差，由于状态量中所含的速度误差为导航系下误差，二者之间的转换关系可近似为：

6、联合(9)，(10)两式,可构建量测方程如下：

其中[n_x,n_y]^T为量测噪声，量测矩阵的设置如下：

通过上述的计算得出无人飞行器的组合导航系统输出位置和速度，以此达到控制无人飞行器的飞行状态的效果。

综上所述，本申请设计的基于光流的导航方法，采用计算特征点作为与p_I之间距离d的方式来剔除光流算法跟踪出错的点，可以有效的提升光流算法的准确性；利用惯性导航系统推出的特征点像素速度来修正光流速度信息，可以有效的增强光流算法抵抗图像局部干扰的能力；采用基于特征点像素速度的光流/惯性组合导航算法相比于单纯依靠惯性导航的方案准确性与可靠性均有提升，可作为多旋翼无人机在无GPS环境自主导航的备选方案。

通过说明和附图，给出了具体实施方式的特定结构的典型实施例，基于本发明精神，还可作其他的转换。尽管上述发明提出了现有的较佳实施例，然而，这些内容并不作为局限。

对于本领域的技术人员而言，阅读上述说明后，各种变化和修正无疑将显而易见。因此，所附的权利要求书应看作是涵盖本发明的真实意图和范围的全部变化和修正。在权利要求书范围内任何和所有等价的范围与内容，都应认为仍属本发明的意图和范围内。