基于BRISK检测器最大值响应的无人机自主着陆目标检测方法

摘要

本发明公开了一种基于BRISK检测器最大值响应的无人机自主着陆目标检测方法，其步骤为：(1)输入：无人机飞行序列图I；(2)生成BRISK尺度空间；根据无人机飞行序列图I中的图像，生成尺度空间图；(3)图像特征点检测；通过对BRISK尺度空间的每一层进行FAST角点检测，确定视觉图像中的特征点；(4)目标稳定特征点提取；在图像特征点中提取目标的稳定特征点，即，对于所有特征点，筛选出响应值最大的特征点，该响应值最大的特征点的图像坐标为无人机目标图像检测位置。本发明具有稳定性好，准确性高、实时性强、适用性好等优点。

说明书

技术领域

本发明主要涉及到无人机的控制领域，特指一种基于BRISK(BRISK：Binary Robust  Invariant Scalable Keypoints，尺度不变性二进制描述关键点检测算法)检测器最大值响应的无 人机自主着陆目标检测方法。

背景技术

无人机在降落过程中存在平台运动、晃动、场地狭小、气象条件复杂多变等问题，无人 机末端引导控制失误将可能造成人员伤亡或设备损毁等安全事故。因此，如何实现自动、安 全、快速地定位和引导是决定无人机使用成本、频率和效能的关键问题。基于光学的导引技 术主要研究如何实现无人机在进入回收区后进行跟踪和定位，及引导其按照设定航线平稳降 落的问题。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种稳定 性好，准确性高、实时性强、适用性好的基于BRISK检测器最大值响应的无人机自主着陆目 标检测方法。

为解决上述技术问题，本发明采用以下技术方案：

一种基于BRISK检测器最大值响应的无人机自主着陆目标检测方法，其步骤为：

(1)输入：无人机飞行序列图I；

(2)生成BRISK尺度空间；根据无人机飞行序列图I中的图像，生成尺度空间图；

(3)图像特征点检测；通过对BRISK尺度空间的每一层进行FAST角点检测，确定视 觉图像中的特征点；

(4)目标稳定特征点提取；在图像特征点中提取目标的稳定特征点，即，对于所有特征 点，筛选出响应值最大的特征点，该响应值最大的特征点的图像坐标为无人机目标图像检测 位置。

作为本发明的进一步改进：所述步骤(2)为读入第num张无人机飞行采集图像I_num，将 其转化为灰度图像I_{num_gray}；生成n层尺度图像c_i，图像c_i由c_i-1半采样得到；生成n-1层中间 层图像d_i，d₀由原始图像c₀进行1.5倍降采样，d_i由d_i-1进行半采样得到。

作为本发明的进一步改进：所述步骤(3)的流程为：

(3.1)对BRISK尺度空间的每一层进行FAST角点检测；即，根据下式对层c_i与d_i中的 每一个像素点P，以P点为中心，3为半径的16个圆形邻域像素点作FAST角点检测，并统 计圆周上状态全部为d或全部为b的最长圆弧的像素个数S，记满足S≥N条件的点为p，其 图像坐标为(x,y)，并记录其FAST积分值s(x,y)：

$S_{\mathrm{pi}}=\left(\begin{array}{c}d,I_{\mathrm{pi}}\le I_p-\delta \\ s,I_p-\delta <I_{\mathrm{pi}}<I_p+\delta \\ b,I_p+\delta \le I_{\mathrm{pi}}\end{array}\right)$

其中，δ为FAST角点检测阈值。当满足条件S≥N时，中心点P为FAST角点，S为圆 周上状态全部为d或全部为b的最长圆弧的像素点个数，N为FAST算子参数；

(3.2)根据下式对待测点p进行同层内非极大值抑制，如果不是极大值，则去除该角点；

s(x,y)>s(x±1,y±1)

其中，s(x,y)表示以(x,y)为坐标的待检测角点的FAST积分值；

(3.3)根据下式对c_i层内待测点p进行相邻层间非极大值抑制，如果不是极大值，则去 除该角点p；

$s_{c_i}(x,y)>\max \left(s_{d_{i-1}}\right)$且$s_{c_i}(x,y)>\max \left(s_{d_i}\right)$

根据下式对d_i层内待测点p进行相邻层间非极大值抑制，如果不是极大值，则去除该角 点p；最终，经过非极大值抑制后得到特征点p′；

$s_{d_i}(x,y)>\max \left(s_{c_i}\right)$且$s_{c_i}(x,y)>\max \left(s_{c_{i+1}}\right)$

其中,表示d_i层中以(x,y)为坐标的待检测角点的FAST积分值，表示c_i层中以(x,y)为坐标的待检测角点的FAST积分值，表示d_i层中最大的FAST积分值， 表示c_i层中最大的FAST积分值。

作为本发明的进一步改进：所述步骤(4)为：在上述步骤(3)得到的m个图像特征点 中筛选目标稳定特征点K的图像坐标(x_out,y_out)，使得特征点K的FAST积分值满足：

s(K)＝max(s(j)),j＝1,2…m

其中，$s\left(j\right)\in \{s_{c_i}(x,y),s_{d_i}(x,y)\},i=\mathrm{0,1},...,n-1,$表示所有的特征点的积分值集合。

与现有技术相比，本发明的优点在于：

1、本发明的基于检测器最大值响应的无人机自主着陆检测定位方法，针对无人机飞行过 程中的几何畸变、光照变化等变换以及复杂背景条件下呈现的视觉图像，采用一种稳定性好， 准确性高、实时性强的局部特征来描述无人机特性。

2、本发明的基于检测器最大值响应的无人机自主着陆检测定位方法，针对无人机视觉图 像特征点检测采用BRISK方法，具有灰度变化不变性、旋转不变性、尺度不变性、仿射不变 性、特征提取算法鲁棒性好和计算速度快的优点。

附图说明

图1是BRISK尺度空间的示意图。

图2是FAST角点检测算子的示意图。

图3是本发明在具体应用实例中无人机在空中的目标检测结果示意图；其中，(a)为初始 视觉图像；(b)为BRISK特征点检测结果，圆心处为特征点位置，半径表示该特征点尺度；(c) 为最大响应值算法的无人机目标稳定特征点定位结果。

图4是本发明在具体应用实例中无人机处于复杂背景情况下的目标检测结果示意图；其 中，(a)为初始视觉图像；(b)为BRISK特征点检测结果，圆心处为特征点位置，半径表示该 特征点尺度；(c)为最大响应值算法的无人机目标稳定特征点定位结果。

图5是本发明在具体应用实例中无人机着陆后的目标检测结果示意图；其中，(a)为初始 视觉图像；(b)为BRISK特征点检测结果，圆心处为特征点位置，半径表示该特征点尺度；(c) 为最大响应值算法的无人机目标稳定特征点定位结果。

图6是本发明方法的流程示意图。

具体实施方式

以下将结合说明书附图和具体实施例对本发明做进一步详细说明。

如图6所示，本发明的基于BRISK检测器最大值响应的无人机自主着陆目标检测方法， 其步骤为：

(1)输入：无人机飞行序列图I、FAST算子参数N、FAST角点检测阈值δ、尺度空 间层数n；

(2)生成BRISK尺度空间；

读入第num张无人机飞行采集图像I_num，将其转化为灰度图像I_{num_gray}；生成n层尺度图 像c_i，图像c_i由c_i-1半采样得到；生成n-1层中间层图像d_i，d₀由原始图像c₀进行1.5倍降采 样，d_i由d_i-1进行半采样得到；

在具体应用时，如图1所示，BRISK尺度空间由n层c_i以及n个中间层d_i(i＝0,1,...,n-1) 构成，根据实际需要可以选择n＝4。c_i层由c_i-1层半采样得到，其中c₀层为初始视觉图像； 位于层c_i和层c_i+1之间的中间层d_i由d_i-1层半采样得到，其中d₀层由c₀层1.5倍降采样得到。c_i层及d_i层的尺度表示为t(c_i)＝2ⁱ，t(d_i)＝2ⁱ·1.5。

(3)图像特征点检测；通过对BRISK尺度空间的每一层进行FAST角点检测，确定视 觉图像中的特征点。流程为：

(3.1)对BRISK尺度空间的每一层(c_i,d_i,i＝0,1…n-1)进行FAST角点检测；即，根 据下式(1)对层c_i与d_i中的每一个像素点P，以P点为中心，3为半径的16个圆形邻域像素 点作FAST角点检测，并统计圆周上状态全部为d或全部为b的最长圆弧的像素个数S，记满 足S≥N条件的点为p，其图像坐标为(x,y)，并记录其FAST积分值s(x,y)。

具体方法如下：

如图2所示，在离散化的二维图像中，以P为圆心，3为半径的圆形邻域上16个像素点 的像素值依次记为I_pi(i＝1,2…，16)，中心点P像素值记为I_p。圆上的每一个点相对于中心点 有3种状态：darker(d)，similar(s)，brighter(b)，其定义为：

$S_{\mathrm{pi}}=\left(\begin{array}{c}d,I_{\mathrm{pi}}\le I_p-\delta \\ s,I_p-\delta <I_{\mathrm{pi}}<I_p+\delta \\ b,I_p+\delta \le I_{\mathrm{pi}}\end{array}\right)---\left(1\right)$

其中，δ为FAST角点检测阈值。当满足条件S≥N时，中心点P为FAST角点，其中， S为圆周上状态全部为d或全部为b的最长圆弧的像素点个数，N为FAST算子参数，根据实 际需要可以N＝9。

对于一个FAST角点，其阈值δ不是唯一固定的，但存在最大值，定义该最大值为该角 点的FAST积分值s。图像特征点是在所有的BRISK尺度空间层中进行FAST角点非极大值 抑制的结果，即满足下列两个条件的FAST角点才能被确定为视觉图像中的特征点。

A.在BRISK尺度空间同一层待检测角点中，该角点FAST积分值s必须大于与之相邻 的其他八个点，即：

s(x,y)>s(x±1,y±1)   (2)

其中，s(x,y)表示以(x,y)为坐标的待检测角点的FAST积分值。

B.在BRISK尺度空间上一层和下一层中的其他所有角点的FAST积分值都必须低于该 角点的积分值，即：

$s_{c_i}(x,y)>\max \left(s_{d_{i-1}}\right)$且$s_{c_i}(x,y)>\max \left(s_{d_i}\right)---\left(3\right)$

$s_{d_i}(x,y)>\max \left(s_{c_i}\right)$且$s_{c_i}(x,y)>\max \left(s_{c_{i+1}}\right)---\left(4\right)$

其中,表示d_i层中以(x,y)为坐标的待检测角点的FAST积分值，表示c_i层中以(x,y)为坐标的待检测角点的FAST积分值，表示d_i层中最大的FAST积分值， 表示c_i层中最大的FAST积分值。

(3.2)根据式(2)对待测点p进行同层内非极大值抑制，如果不是极大值，则去除该角 点；

(3.3)根据式(3)对c_i层内待测点p进行相邻层间非极大值抑制，如果不是极大值，则 去除该角点p；根据式(4)对d_i层内待测点p进行相邻层间非极大值抑制，如果不是极大值， 则去除该角点p；最终，经过非极大值抑制后得到特征点p′。

(4)目标稳定特征点提取；即，在图像特征点中提取目标的稳定特征点。对于所有特征 点p′，根据式(5)筛选出响应值最大的特征点K，其图像坐标(x_out,y_out)，即无人机目标图像检 测位置。

FAST积分值是FAST角点检测的最大阈值，是衡量局部特征点对于检测器响应敏感性的 重要指标，也是稳定特征点最重要的表现。

在上述步骤(3)得到的m个图像特征点中筛选目标稳定特征点K的图像坐标(x_out,y_out)， 使得特征点K的FAST积分值满足：

s(K)＝max(s(j)),j＝1,2…m  (5)

其中，$s\left(j\right)\in \{s_{c_i}(x,y),s_{d_i}(x,y)\},i=\mathrm{0,1},...,n-1,$表示所有的特征点的积分值集合。

由上可知，本发明是在BRISK特征点检测算法的基础上，利用FAST积分值(FAST角 点检测的最大阈值)作为稳定特征点的衡量指标，对无人机视觉图像检测出的特征点进行背 景滤除，得到目标的稳定特征点(定义为目标上相对固定的位置，如无人机头部或起落架)， 从而实现无人机目标的准确定位。

在一个具体应用实例中，选取无人机近着陆时的彩色视觉图像，分辨率为480*640。处 理结果如图3、图4、图5所示，图中背景中点状标记处为基于BRISK检测器最大值响应得 到的目标定位，其中，(a)为初始视觉图像；(b)为BRISK特征点检测结果，圆心处为特征点 位置，半径表示该特征点尺度；(c)为最大响应值算法的无人机目标稳定特征点定位结果。结 果表明，该方法能够实现近着陆目标的准确定位。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于 本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术 人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。