一种飞行器月表软着陆的实时动态选址方法

摘要

一种飞行器月表软着陆的实时动态选址方法，包括如下步骤：1)着陆场景选择；2)基于阴影和高亮的障碍物检测，对捕获到的图像进行处理，如果在捕获到的图像有障碍物，在障碍物的附近除了阴影之外会有高亮区域；3)基于阴影和高亮的障碍物检测的寻址；4)实时动态选址的实现。本发明提供一种对光照强度变化具有鲁棒性、准确率较高、实时性较高的飞行器月表软着陆的实时动态选址方法。

说明书

技术领域

本发明涉及安全区域识别选址着陆领域，尤其是一种应用在月表的实时动态选址方法。

背景技术

月球着陆技术的研究和开发从上个世纪五十年代开始一直是月球竞赛的热门话题，这一话题在1969年人类首次登上月球之后而告一段落。2004年，中国探月工程启动。由于月球表面的特殊的环境，地貌纹理不明显，光照强度的不断变化，导致传统的视觉算法已经无法适用于月表着陆的过程。

飞行器月表软着陆是指飞行器距离月表1-2km的时刻，飞行器根据摄像机捕获到的数据，可以利用视觉的方法，自动规避障碍物，实时的选择可降落区域。而且在飞行器下降的整个过程中，摄像机捕获到的数据会越来越清晰，所以又会出现新的一些体积略小的障碍物，因此下降过程需要根据实时获取的数据进行修正，从而达到高精度的要求。

登月对着陆的精度和安全性都有比较苛刻的要求，要求实现精确着陆，并规避陨石坑、斜坡、峡谷、岩石等不同障碍。选定安全着陆区域以后，制导控制系统提供推力、姿态命令来引导着陆器从当前位置平稳转移到达预定目标区域。在障碍规避阶段，探测器需要不断地获取着陆区的地形信息，从中识别地形障碍，为控制系统提供信息。

现有的识别方法存在的缺陷：对光照等外部因素变化较敏感，准确率以及实时性不高。

发明内容

为了克服已有飞行器月表软着陆的识别方法的对光照等外部因素变化较敏感，准确率以及实时性不高的不足，本发明提供一种对光照强度变化具有鲁棒性、准确率较高、实时性较高的飞行器月表软着陆的实时动态选址方法。

本发明解决其技术问题所采用的技术方案是：

一种飞行器月表软着陆的实时动态选址方法，包括如下步骤：

1)着陆场景选择

当飞行器距离月表1-2km的时候，开始分析和处理由飞行器捕获的图片，使用IDS宽视场相机和IDS窄视场相机作为捕获图像的工具，寻找可降落区域，并在此过程中实时修正结果；

2)基于阴影和高亮的障碍物检测

对捕获到的图像进行处理，如果在捕获到的图像有障碍物，在障碍物的附近除了阴影之外会有高亮区域，过程如下：

2.1)、状态初始化：进行状态初始化，设置太阳、飞行器和摄像头的角度参数；

2.2)、阴影和高亮区域的分割：使用最大熵阈值分割算法分割出阴影区域，此方法中通过直方图分析进行阴影区域的分割；然后设原始图像任意点的灰度值为p，将255-p作为此点处的新的灰度值，即通过反转图像灰度值的方法能够获得高亮区域；

2.3)、区域分析：使用椭圆检测算法检测上一部中的结果，得到阴影区域的信息，通过将高亮区域与阴影区域信息合并；

2.4)、岩石模型：使用近似多边形来表达轮廓信息，根据轮廓和太阳的角度alpha、拍摄角度beta，以及障碍物区域在光照方向长pl和宽pw，判断障碍物的高度h、宽度w和位置pos；高度的计算方法即：h＝pl/tan(alpha)；宽度的计算方法为：w＝pw；位置pos即为检测到的障碍物的坐标；

3)基于阴影和高亮的障碍物检测的寻址

选址过程如下：：

3.1)、网格化，得到图像I；

3.2)、距离变换：计算图像I的距离变换结果，得到距离变换矩阵M；

3.3)、求取最大值：计算矩阵M的最大值R，此值R即为可降落区域的最大半径，最大值所在图像中的位置，即为可降落区域的圆的圆心，其中圆表示为circle，圆心表示为circle.first。

进一步，所述选址方法还包括：4)实时动态选址的实现，步骤如下：

4.1)、预处理：初始阶段，对飞行器所捕获视频的第一帧做第3)步的处理，检测出可将落区域圆的圆心和半径，作为后续寻址的参考坐标；

4.2)、高分辨率图像裁剪：基于4.1)中的检测结果，在可降落区域处进行图片裁剪，其中裁剪区域为矩形，矩形中心为可降落区域圆圆心，裁剪图片的长和宽分别为w、h，并且w、h为可降落区域圆半径R的2-4倍；

4.3)、再寻址：在步骤4.2)裁剪的结果图片中使用步骤3)寻址，所得结果即为新的可降落区域圆的圆心和半径，并与前一次的可降落区域结果进行比较运算，计算位置偏移量。结合偏移量和新的可降落区域坐标控制飞行器向新的可降落区域方向移动，基于裁剪的小区域进行运算可以显著的提高运算速度；

4.4)、重复步骤4.2)、4.3)，对飞行器所捕获视频当前帧而言，结合前一帧的计算结果计算当前帧的可降落区域坐标信息，并将新的可降落区域信息持续的反馈给飞行器直到飞行器着陆。

本发明的有益效果主要表现在：对光照强度变化具有鲁棒性、准确率较高、实时性较高。

附图说明

图1是整个动态选址系统的框架流程图。

图2是基于阴影和高亮的检测结果，其中，(a)(b)表示所检测到的障碍物的结果，(a)中障碍物为白色，(b)中障碍物为黑色。

图3是是寻址过程的结果，其中，(a)表示根据上一步的检测结果做距离变换所得图像，(b)表示根据距离变换结果找出最大的可降落区域，图中右下角的圆圈代表可降落区域。

图4是动态寻址过程中使用我们提供的算法策咯与否的时间比较图。

图5是验证本算法具有对光照的不敏感性的结果图，其中，(a)、(b)、(c)、(d)的光照强度是依次递减的，但最终结果表明本算法具有对光照不敏感的性能。

图6是使用本方法实验的结果图，其中，(a)、(b)、(c)表示所做的三次实验，a(1)、b(1)、c(1)代表使用本算法在下降过程中的寻址结果，a(2)、b(2)、c(2)代表每次寻址时寻找到的可降落区域的半径。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图6，一种飞行器月表软着陆的实时动态选址方法，包括如下步骤：

1)着陆场景和传感器的选择

当飞行器距离月表1-2km的时候，开始分析和处理由飞行器捕获的图片，寻找可降落区域，并在此过程中实时修正结果。为了达到精度要求，我们使用IDS宽视场相机和IDS窄视场相机作为捕获图像的工具。但是由于条件的限制，我们只能在已有的数据集的基础上做仿真实验，以检测算法的可行性。

2)基于阴影和高亮的障碍物检测算法

对捕获到的图像行处理，如果在捕获到的图像有障碍物如石头等，在障碍物的附近除了阴影之外，肯定会有高亮区域。具体算法如下步步骤：

2.1)、状态初始化：进行状态初始化，设置太阳、飞行器和摄像头的角度等参数。

2.2)、阴影和高亮区域的分割：使用最大熵阈值分割算法分割出阴影区域，此方法中通过直方图分析进行阴影区域的分割。然后设原始图像任意点的灰度值为p，将255-p作为此点处的新的灰度值，即通过反转图像灰度值的方法能够获得高亮区域。阴影区域一般与障碍物相连，但高亮区域一般属于障碍物的一部分。

2.3)、区域分析：使用椭圆检测算法检测上一部中的结果，可以得到阴影区域的信息，通过将高亮区域与阴影区域信息合并，能够显著减少漏检区域。

2.4)、岩石模型：使用近似多边形来表达轮廓信息，根据轮廓和太阳的角度alpha、拍摄角度beta，以及障碍物区域在光照方向长pl和宽pw，可以很容易的判断障碍物的高度h、宽度w和位置pos。高度的计算方法即：h＝pl/tan(alpha)；宽度的计算方法为：w＝pw；位置pos即为检测到的障碍物的坐标。

3)基于阴影和高亮的障碍物检测的寻址算法

根据上节的结果，我们可以得到障碍物的区域。在介绍寻址算法之前。必须介绍距离变换算法，图像的距离变换通常可用于获取特征检测器所检测到的位置。将距离变换算法应用到了计算可降落的安全区域的坐标点。具体算法包括：

3.1)、网格化，得到图像I；

3.2)、距离变换：计算图像I的距离变换结果，得到距离变换矩阵M；

3.3)、求取最大值：计算矩阵M的最大值R，此值R即为可降落区域的最大半径，最大值所在图像中的位置，即为可降落区域的圆的圆心，其中圆表示为circle，圆心表示为circle.first；

4)实时动态选址的实现

如果对飞行器捕获的视频中的每一帧直接使用以上步骤，完全可以在飞行的过程中寻找到可降落区域，并且经过测试满足实时性要求。但这样丢失了前后帧之间的联系，并且由于所捕获视频的分辨率相对较高，因此会增加飞行器运算板的负担，因此在1)、2)、3)步骤的基础上，提出一个简单的实时动态选址策略，此策略能够有效提高运算速度和精确度，结合了前后帧之间的联系能够在一定程度上去除误检测，具体步骤如下：

4.1)、预处理：初始阶段，对飞行器所捕获视频的第一帧做第3)步的处理，检测出可将落区域圆的圆心和半径，作为后续寻址的参考坐标；

4.2)、高分辨率图像裁剪：基于4.1)中的检测结果，在可降落区域处进行图片裁剪，其中裁剪区域为矩形，矩形中心为可降落区域圆圆心，裁剪图片的长和宽分别为w、h，并且w、h一般为可降落区域圆半径R的2-4倍。

4.3)、再寻址：在步骤4.2)裁剪的结果图片中使用步骤3)寻址，所得结果即为新的可降落区域圆的圆心和半径，并与前一次的可降落区域结果进行比较运算，计算位置偏移量。结合偏移量和新的可降落区域坐标控制飞行器向新的可降落区域方向移动，基于裁剪的小区域进行运算可以显著的提高运算速度；

4.4)、重复步骤4.2)、4.3)，对飞行器所捕获视频当前帧而言，结合前一帧的计算结果计算当前帧的可降落区域坐标信息，并将新的可降落区域信息持续的反馈给飞行器直到飞行器着陆。

图1是整个动态选址系统的框架流程图，首先读入一张图片，使用基于阴影和高亮的障碍物检测算法进行检测，检测出障碍物的边界位置。将结果作为下一步的输入，执行选址算法，寻找到可降落区域。结合上一次循环的可降落区域的结果，寻找出最适合降落区域，此过程是整个动态选址的精髓之所在。

图2是基于阴影和高亮的检测结果，在(a)图中，黑色区域代表安全的可降落区域，白色代表所检测到的障碍物。在(b)图中，将左中的结果具体化，黑色区域代表检测到的具体的障碍物，白色区域是可降落区域。其中障碍物包括山体、岩石等以及一些位置的物体。

图3是是寻址过程的结果，(a)图是距离变换的结果，白色区域是距离变换的最大值处，即为可降落区域的结果区域。(b)图是左图取反的网格化结果，右图右下方的白色圆圈代表可降落的安全区域。

图4是动态寻址过程中使用我们提供的算法策咯与否的时间比较，strategy是使用本文提供算法策咯结果，能明显看出运算时间至少减少10倍。

图5是为了检测本文提供算法对光照强度变化具有鲁棒性，从左到右，从上到下，图片的光照强度慢慢增强，但检测的结果基本不变，很好的说明了本算法对光照强度的变化具有很好的鲁棒性。

图6是使用本算法实验的结果，本实验共做三组，左半部分是动态选址的坐标变换，右半部份是可降落区域的半径。由于飞行器不断下降，所以能检测到的障碍物更加的清晰，所以半径会变进一步变小。