一种基于视觉定位降落末端的无人机降落方法

摘要

本发明公开了一种基于视觉定位降落末端的无人机降落方法，该方法中用到的无人机机场是由多个停机位Marker组成，无人机通过视觉模块获取视觉范围中的Marker并校验在视觉范围内的每个Marker的ID，从而估计自身位置精确着落。本发明提供的无人机机场可为多个不同的无人机提供降落服务，也可在车顶、阳台灯各类小型平台提供单机停靠平台，统一的框架可低成本地实现在整个无人机调度中全自主飞行降落，具有很好的推广前景。

主权项

一种基于视觉定位降落末端的无人机降落方法，其特征在于，包括以下步骤：步骤一，建立无人机机场步骤S10，设置停机位Marker，停机位Marker的设计规则是：停机位Marker均是由N*N个方格区域构成的正方形结构；在每一个停机位Marker中，最外圈的方格区域内至少2/3填充为黑色，其余的方格区域为黑色或白色；步骤S11，在停机位Marker内设置嵌套Marker，嵌套Marker与停机位Marker的设计规则相同，不同的是嵌套Marker的规格较Marker小，并且嵌套Marker有多种规格，分布在停机位Marker的内部；步骤S12，建立无人机机场，机场是由N*N个方格区域构成的正方形结构，机场的最外圈方格区域均为黑色，而其余区域均为白色；在机场的白色区域内有序或无序地分布有多个所述的停机位Marker，停机位Marker之间不重叠；步骤二，无人机的降落过程步骤S20，无人机接收到降落指令，降落指令包含所有无人机机场的GPS位置信息、每个无人机机场内停机位Marker的位置信息、无人机所需要降落的无人机机场ID、无人机所需要降落的停机位Marker的ID；步骤S21，利用无人机机场的GPS位置信息将无人机引导至机场上方，待无人机到达机场上方后，以固定的速率边下降边采集机场的图像，并对采集到的每一帧图像进行步骤S210至S213的处理：步骤S210，边缘检测和轮廓提取将采集的图像转化为灰度图，利用Canny算子得到二值化的边缘分布图，利用腐蚀、膨胀算法进行噪点滤除，然后提取图像的轮廓信息，轮廓信息包含机场内所有停机位Marker以及机场的轮廓；步骤S211，筛选无人机机场在轮廓信息中滤除以下两类轮廓：第一类：面积小于2/3无人机机场面积的轮廓；第二类：内部无子轮廓的轮廓；滤除以上两类轮廓后，选取外部为凸四边形的无人机机场作为候选机场；步骤S212，将候选机场映射到方形区域中，利用k‑means算法将候选机场的像素分为黑白两类，从而得到候选机场的二值化图像；利用二值化图像进行编码，得到一个N*N的二值矩阵，对于二值矩阵，首先判断二值矩阵的最外圈是否为全零，如果非全零则丢弃；然后将二值矩阵除了最外圈的二进制编码转换为无符号整型；步骤S213，根据每一个候选机场的无符号整型进行码值计算，得到每一个候选机场的ID，将候选机场的ID与无人机接收到的降落指令中需要降落的无人机机场ID进行匹配，选择ID匹配成功的候选机场作为待降落机场；步骤S22，待降落机场找到后，停止对无人机采集到的图像进行步骤S210至S213的处理，此时无人机飞行至待降落机场的上方；步骤S23，无人机到达待降落机场上方后，以固定的速率边下降边采集待降落机场的图像，并对采集到的每一帧图像进行以下处理：步骤S230，将采集的图像转化为灰度图，利用Canny算子得到二值化的边缘分布图，利用腐蚀、膨胀算法进行噪点滤除，然后提取图像的轮廓信息；步骤S231，筛选停机位Marker在轮廓信息中滤除以下两类轮廓：第一类：面积小于2/3停机位Marker的轮廓；第二类：内部无子轮廓的轮廓；滤除以上两类轮廓后，选取外部为凸四边形的停机位Marker作为候选停机位Marker；步骤S232，将候选停机位Marker映射到方形区域中，利用k‑means算法将候选停机位Marker的像素分为黑白两类，从而得到候选停机位Marker的二值化图像；利用二值化图像进行编码，得到一个N*N的二值矩阵，对于二值矩阵，首先判断二值矩阵的最外圈是否为全零，如果非全零则丢弃；然后将二值矩阵除了最外圈的二进制编码转换为无符号整型；步骤S233，根据每一个候选停机位Marker的无符号整型进行码值计算，得到每一个候选停机位Marker的ID，将候选停机位Marker的ID与无人机接收到的降落指令中需要降落的候选停机位Marker的ID进行匹配，选择ID匹配成功的候选停机位Marker为待降落停机位Marker；步骤S24，无人机根据待降落停机位Marker的位置信息飞行至待降落停机位Marker上方位置后进行降落。