一种微小型无人机全捷联下视相机的目标定位方法

摘要

本发明公开了一种微小型无人机全捷联下视相机的目标定位方法，由相机视场角和相机方形像素阵列的宽度计算相机焦距，再由相机焦距和目标在像素阵列上的位置得到像素位置到坐标原点的距离长度，由像素位置到坐标原点的距离长度和目标在像素阵列的上的位置得到目标在相机坐标系中的单位坐标向量，并结合和卡尔曼滤波算法估算目标到飞行器的相对距离，通过坐标转换得到目标的地理位置信息与目标到飞行器的相对距离之间的关系，并由目标到飞行器之间的距离、卫星导航系统测量得到的飞行器位置信息量以及目标在相机坐标系中的单位坐标向量，计算目标的地理位置信息。本发明提供的目标定位方法，可以获得较高的定位精度，消除部分测量误差。

说明书

技术领域

本发明属于飞行器导航、制导和控制技术领域，更具体地，涉及一种微小型无人机全捷联下视相机的目标定位方法。

背景技术

微小型无人机作为信息化特征显著的新型作战装备，已经成为局部战争和军事行动不可或缺的重要作战力量，在执行火力打击、侦察监视、干扰欺骗、战场评估等作战任务中均得到了成功应用，为低空或近距离侦察与监视提供了良好的平台，具有广阔的军用和民用前景。

侦察监视、攻击干扰等是军用微小型无人机的主要功能，这些都离不开无人机对地面目标的定位。目前无人机定位导航主要使用以下三种定位技术：1.惯性导航系统(INS)，通过加速计来确定无人机的加速度，通过陀螺仪来确定角速度；2.全球卫星定位导航系统(GPS)，系统由近地轨道的卫星组成，定位的精度由三角测量的几何关系确定；3.图像辅助定位导航系统，这类系统需要实现在无人机的系统内存中存储地形资料图，通过无人机实时拍摄的三维地形图与存储的地形资料图做相关操作，从而实现无人机的定位。

视觉导航定位技术在此基础上发展而来，视觉导航定位借助光学传感器能够探测周围环境，通过机载光学成像传感器采集周围的图像，将摄像信息传递给飞行器进行信息分析处理，根据目标图像的特征，得到每个特征点在图像中的对应点，经过数字图像处理后得到无人机自身相对目标信息。视觉导航定位技术可以使无人机具有目标相对定位和自主导航能力。但是，传统的机载平台式随动摄像相机视觉导航定位方式中，相机的体积和质量较大，成本较高；并且平台式随动相机无法满足弹射、炮射或高空抛撒等方式发射时发射过载的要求；同时，GPS和机载惯性导航装置测量存在噪声，导致定位存在误差。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供一种微小型无人机全捷联下视相机的目标定位方法，利用导航系统测量无人机自身的飞行姿态、相对地面的高度、速度和地理三维地标，在根据全捷联下视相机获取目标的特征信息，通过数据坐标变换等处理技术确定目标在惯性坐标系中的位置。

为了实现上述目的，本发明提供一种微小型无人机全捷联下视相机的目标定位方法，包括如下步骤：

S1根据相机视场角和相机方形像素阵列的宽度计算相机焦距；

S2根据相机焦距和目标在像素阵列上的位置获取相机坐标系中像素位置到坐标原点的距离长度；

S3由像素位置到坐标原点的距离长度和目标在像素阵列的上的位置得到目标在相机坐标系中的单位坐标向量；

S4根据目标在相机坐标系中的单位坐标向量，并结合和卡尔曼滤波算法估算目标到飞行器的相对距离；

S5通过坐标转换得到目标的地理位置信息与目标到飞行器的相对距离之间的关系，并由目标到飞行器之间的距离、卫星导航系统测量得到的飞行器位置信息量以及目标在相机坐标系中的单位坐标向量，计算目标的地理位置信息。

进一步地，相机的焦距P_f根据得出，像素阵列的宽度为M和相机的视场角为η。

进一步地，取像素位置到坐标原点的距离长度P_L根据得出，目标在像素阵列上的位置为(P_x,P_y)通过测量得到。

进一步地，目标在相机坐标系中的单位坐标向量根据得出

进一步地，目标在惯性坐标系中的位置为小型飞行器的位置为目标到飞行器的距离目标位置导数和相对距离的导数有如下式：

进一步地，小型飞行器相对地面的速度在地面惯性坐标系中的投影为v_g，航线角χ为地速向量与正北方向的夹角，小型飞行器的位置的导数其中，v_g和χ通过卫星导航装置测量得到。

进一步地，目标地理位置扩展卡尔曼滤波器(EKF)算法的状态量为

状态预估方程如下：

测量状态方程如下

状态预估方程的雅克比矩阵A_τ如下：

测量方程的雅克比矩阵H_τ如下：

进一步地，将所述和四个方程带入到扩展卡尔曼滤波算法流程中计算可得出飞行器到目标相对距离L。

进一步地，所述扩展卡尔曼滤波算法流程为

状态预测值x_τ/τ-1：

x_τ/τ-1＝A_τx_τ-1

协方差预测值P_τ/τ-1：

计算卡尔曼滤波增益K_τ：

更新协方差值P_τ：

P_τ＝(I-K_τH_τ)P_τ/τ-1

更新状态估计值x_τ：

x_τ＝x_τ/τ-1+K_τ(y_τ-H_τx_τ/τ-1)。

进一步地，相机坐标系到机体坐标系的转移矩阵为根据相机相对飞行器机体的安装角位置确定，机体坐标系到惯性坐标系的转移矩阵为所述目标在惯性坐标系中的位置

进一步地，所述根据相机相对飞行器机体的安装角位置确定，所述由机载惯性导航装置测量机体相对惯性坐标系的姿态信息确定，所述姿态信息包括俯仰角θ，偏航角ψ和滚转角φ。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)本发明微小型无人机全捷联下视相机的目标定位方法，利用导航系统测量无人机自身的飞行姿态、相对地面的高度、速度和地理三维地标，在根据全捷联下视相机获取目标的特征信息，通过数据坐标变换等处理技术确定目标在惯性坐标系中的位置。

(2)本发明微小型无人机全捷联下视相机的目标定位方法，采用机载全捷联下视相机，避免了传统平台式相机的万向支架和伺服系统的机械运动，提高了机体的抗过载冲击能力，增加系统可靠性。

(3)本发明微小型无人机全捷联下视相机的目标定位方法，利用扩展卡尔曼滤波器算法的原理，将非线性的针对地面目标定位转化成线形问题，再经过卡尔曼滤波器的处理，降低机载传感器测量的噪声，提高系统的抗干扰能力。

(4)本发明微小型无人机全捷联下视相机的目标定位方法，降低噪声的算法过程中获得了微小无人机和目标的相对距离及相对距离变化的估计值，为无人机针对目标攻击干扰提供了必要的制导数据信息，提高了系统的扩展性。

附图说明

图1为本发明机体坐标系、相机坐标系及目标关系的系统框图；

图2为本发明相机坐标系及目标坐标系在图像平面位置的示意图；

图3为本发明机体坐标系及导航惯性坐标系的俯视关系示意图；

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明提供一种微小型无人机全捷联下视相机的目标定位方法，结合附图1、2和3，具体步骤如下：

S1获取相机焦距，设相机的视场角为设相机的视场角为η，相机的方形像素阵列的宽度M已知，则可以计算相机的焦距P_f如下式：

S2获取像素位置到相机坐标原点的距离长度。相机坐标系O^c(oi^cj^ck^c)的几何图如图2所示，相机坐标系中的拍摄目标向量由表示，拍摄目标在像素阵列的投影位置在相机坐标系中表示为(P_x,P_y,P_f)，其中(P_x,P_y)是目标在像素阵列上的位置，P_x为目标在像素阵列投影沿x轴的位置，P_y为目标在像素阵列投影沿y轴的位置，相机坐标原点到像素位置(P_x,P_y)的距离长度P_L表示如下式：

S3获取目标对象在相机坐标系中的单位坐标向量。设像素点(P_x,P_y)到拍摄目标的距离长度为L，可得到如下三角相似关系式：

可知目标对象在相机坐标系中的坐标向量表示如下：

综合可知目标对象在相机坐标系中的单位坐标向量表示如下：

S4获取目标到记载相机的距离。由于GPS和机载惯性导航装置测量存在噪声，为了有效减小测量误差对目标位置估计的影响，提出一种基于扩展卡尔曼滤波器算法(EKF)估计相对距离L的方法。

令在惯性坐标系中目标位置矢量为小型飞行器的位置矢量为当将飞行器作为一个质点考虑时，飞行器到目标的距离就是机载相机到目标的距离L表示如下：

其中表示目标位置与飞行器位置向量差的转置。

相机坐标系到机体坐标系的转移矩阵为根据相机相对飞行器机体的安装角位置确定；机体坐标系到惯性坐标系的转移矩阵为由机载惯性导航装置测量机体相对惯性坐标系的姿态信息(俯仰角θ，偏航角ψ，滚转角φ)确定，由图1的几何关系知

只要知道相对距离L的值就可以测量出目标的地理位置向量

飞行器自身的位置信息向量可以由卫星GPS导航系统测量，由于GPS和机载惯性导航装置测量存在噪声，为了有效减小测量误差对目标位置估计的影响，提出一种基于扩展卡尔曼滤波器算法(EKF)估计相对距离L的方法。

针对地面固定目标位置导数和相对距离的导数有如下式：

当飞行器在恒定高度巡航飞行时，飞行器的位置导数有如下式:

其中如图3所示，地速v_g为飞行器相对地面的速度在地面惯性坐标系中的投影，航线角χ为地速向量与正北方向的夹角，地速v_g和航线角χ都可以通过机载导航装置测量计算。

扩展卡尔曼滤波器(EKF)算法的原理是将非线性问题进行线性化处理，然后进行卡尔曼滤波处理

对于如下非线性系统：

状态方程：

测量方程：

y＝h(x)+V(12)

其中W是以Q为协方差的高斯白噪声，V是以R为协方差的高斯白噪声。将系统方程进行泰勒展开线性化：

其中A_τ为状态预估方程的雅克比矩阵，H_τ为测量方程的雅克比矩阵，τ为离散迭代次数。

将进行线性化处理后的系统方程带入到标准卡尔曼滤波的流程中，本发明优选以下标准卡尔曼滤波算法方程：

状态预测值x_τ/τ-1：

x_τ/τ-1＝A_τx_τ-1(15)

协方差预测值P_τ/τ-1：

计算卡尔曼滤波增益K_τ：

更新协方差值P_τ：

P_τ＝(I-K_τH_τ)P_τ/τ-1(18)

更新状态估计值x_τ：

x_τ＝x_τ/τ-1+K_τ(y_τ-H_τx_τ/τ-1)(19)

目标对象地理定位扩展卡尔曼滤波器(EKF)算法的状态量为

状态预估方程如下：

测量状态方程如下

状态预估方程的雅克比矩阵A_τ如下：

测量方程的雅克比矩阵H_τ如下：

将上述公式(20)、(21)、(22)和(23)带入卡尔曼滤波算法流程中，可以估计出飞行器到目标相对距离L。通过将上述公式(20)、(21)、(22)和(23)带入到卡尔曼滤波算法流程中计算得出L的方式是业内所熟知的技术，不是本发明的重点。

S5获取目标的地理位置信息。根据公式计算得到目标的地理位置信息。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。