● 摘要
着陆是无人机飞行过程中的重要阶段，尤其对于携带精密任务载荷的大型固定翼无人机来说，进近着陆导航系统的性能至关重要。为获得高精度的导航信息，将不同传感器的信息进行融合是当前普遍采用的方法。本论文中的机器视觉导引系统，就是利用INS/GPS/测控雷达/机器视觉信息完成无人机半自主着陆的组合导引方案中的组成部分。位于地面的机器视觉系统通过目标识别和持续跟踪，提供进近着陆过程中无人机的运动状态信息，供机载组合导航设备融合得到高精度导航信息用于完成无人机着陆。本论文中的机器视觉系统位于地面，从而不受机载设备运算和存储能力的限制，可以使用高性能的传感器和处理设备，实现复杂的机器视觉算法，获得高精度的测量结果。完成机器视觉辅助导引的无人机半自主着陆任务涉及六项关键技术，包括图像实时获取、目标快速识别、图像形心跟踪、导航信息解算、两轴平台控制和着陆阶段飞行控制。为构建地面机器视觉系统，本论文重点研究了前四项关键技术：(1)图像实时获取构建了实时图像采集系统，并以此为基础建立自动标定系统，完成摄像机内参数的自动标定，该系统与Matlab摄像机标定工具箱精度相当。(2)目标快速识别使用运动分析方法进行目标识别，为检测微小运动目标采用改进的图像差分方法——图像积累差分，并通过修正历史差分图像的权值改善目标识别效果。(3)图像形心跟踪基于目标分割方法完成图像形心跟踪，将形态学滤波与多分辨率处理方法结合去除图像中的干扰因素，从而能够准确分割图像中的目标区域。(4)导航信息解算采用最优估计理论解算导航信息，由于使用扩展Kalman滤波在无人机准备接地时仍能获得平滑的位置滤波轨迹和平台转角指令，因此将其作为导航信息的滤波方法。在基于反射内存网络构建的分布式仿真环境中，进行组合导引方案的联合仿真，不仅验证了机器视觉算法的精度与实时性满足着陆导引任务要求，也保证了机器视觉系统与组合导引方案中其它组成部分的兼容性。构建了机器视觉导引系统的硬件实验环境，利用目标识别与形心跟踪方法，完成了摄像机对运动光斑的自动跟踪。该实验环境不仅验证了机器视觉导引算法的实际性能，而且为将来的算法开发与测试提供了平台。