基于序列图像的固定翼无人机着陆跑道识别技术与跟踪算法验证

张卫星

（苏州工业职业技术学院，江苏 苏州 215104）

由于无人机在着陆时移动速度快，加上地面干扰因素多，使得无人机很难在既定跑道上平稳着陆，容易发生安全事故。现阶段关于无人机自主着陆的技术研究，主要还是利用导引定位（如GPS 导航、INS 导航等）辅助无人机不断调整飞行角度、对准跑道，然后改变下滑角进场。但是这种导引定位方法无法识别跑道内部与周边的障碍，可能会在着陆时发生事故。基于视觉信息系统的无人机导引飞行技术，可以准确识别跑道内部与周边信息，为无人机着陆提供更加丰富的参考依据，对无人机的自主、稳定着陆有积极帮助。

1 基于序列图像的固定翼无人机着陆跑道识别技术

1.1 图像预处理

固定翼无人机的视觉信息系统主要完成两项任务，即识别跑道与动态跟踪。其中，着陆跑道识别是通过采集、分析图像数据实现的。由于跑道识别与跟踪中无人机始终处于动态飞行状态，为了更加方便、准确地获取跑道目标的特征，必须对获取的着陆图像进行预处理[1]。常用的图像预处理方式有多分辨率处理、灰度化处理、边缘检测等。考虑着陆跑道与两侧环境（如绿地）有明显界限，因此研究选择边缘检测法，以便于无人机在不同着陆阶段都能快速、精确地提取跑道目标的区域特征、边缘直线特征，从而使无人机可以成功着陆。

1.2 图像边缘检测

本研究使用LSD 算法进行边缘检测，其处理流程为：利用外接矩形进行逼近，寻找到包含了所有亮度变化明显像素点的最小外接矩形，此时矩形的长度和宽度均为最小值。然后求出外接矩形的长宽比，并根据这一数字确定特征直线。如果长宽比超过某个阈值，则将该外接矩形的轴长作为特征直线。外接矩形及其区域参数见图1。

图1 矩形区域参数示意图

图1 中，矩形区域的重心为O，其坐标为（Cx,Cy），L和W 分别为外接矩形的长和宽，θ 为倾角。假设该外接矩形中存在n 个像素点，则这些像素点的坐标集合P 可表示为

则重心O 的两个坐标分别表示为

矩形长（KL）与宽（KW）的斜率计算公式为

求出该矩形的长（L）和宽（W）分别为

确定了L 和W 的值后，即可确定外接矩形的面积。同时，进一步判定长宽比和阈值（λ）的关系，如果存在L/M＞λ，则确定该外接矩形的中心轴为特征线；如果L/M≤λ，则认为该外接矩形的中心轴不是要求的特征线。

1.3 提取跑道特征直线

提取跑道特征直线是固定翼无人机视觉信息着陆中的重要环节，也是保证相对位置精确、进而实现安全着陆的关键。经过上文的图像预处理以及边缘直线检测等操作后，可以在无人机高清摄像头拍摄所得图像中标记出清晰的特征直线。在实际中，跑道两侧边缘线均分布在特定的范围内，其中左侧边缘线的分布角度集中在[0°,90°]之间，而右侧边缘线的分布角度集中在[90°，180°]之间[2]。另外，如果同一副图像中经过预处理与检测，出现了2 条或多条直线，则仅取长度最长的2 条。

1.4 跑道识别

将无人机高清摄像头拍摄到的图像作预处理后，综合考虑跑道目标与背景亮度，或者是跑道周边其他特征目标的位置，可以确定该图像中跑道的所在位置。然后基于不变矩方法进行跑道目标提取。将提取到的数据，与系统模板库中的预设模板进行配对，如果匹配度在99%以上，则说明该区域即为跑道目标，至此完成跑道识别；如果匹配度达不到这一要求，说明识别到的跑道目标与实际跑道还有一定差异，需要继续搜索、修整，直到识别跑道为止[3]。在此基础上，利用跑道识别算法处理，可以求得跑道目标坐标和无人机相对于跑道的航向角。

2 基于序列图像的固定翼无人机着陆跑道跟踪算法验证

2.1 实验方案设计

本次实验所用无人机为SZD-45 型滑翔机，基本参数见表1。

表1 滑翔机基本参数

该无人机搭载的高清摄像机，内置LED 照明与补光灯，有180°广角仿人眼镜头和600 万高清CMOS图像感应器，支持3 种高清拍摄模式，分别为1080P 30FPS、720P 30/60FPS 和WVGA 30/60FPS。提 供HDMI 高清视频和CVBS 普通视频2 种输出模式[4]。选择一处长度为200 m 的平整道路作为无人机着陆跑道，该道路背景、灰度值均匀，边缘直线清晰可见，为着陆跑道识别提供了一定的便利。

2.2 飞行实验

2.2.1 确定图像分辨率

实验中分别设置了3 种不同的图像分辨率，即P级、P-1 级、P-2 级。其中，P 级图像代表无人机高清摄像头拍摄所得原图，其分辨率为1 920×1 080；P-1级图像的分辨率为480×270；P-2 级图像的分辨率为120×67。对拍摄所得图像做边缘直线提取处理，其结果见图2。

图2 抽图像边缘直线提取处理

结合图2 可知，P-2 级图像与P 级（原图）相比，直线特征的清晰度较差；P-1 级图像与P 级图像在指向特征清晰度上没有明显差异，但是由于分辨率较小，图像中包含的像素点数量较少，计算量较小[5]。因此，本次实验中选择P-1 级图像分辨率为480×270 的图像作为输入数据。

2.2.2 识别与跟踪结果

本次实验中采用实施压缩跟踪方法获取图像中特征点的坐标信息，然后再通过不变矩方法求得无人机的相对航向角（即特征点主轴与图像坐标系y 轴的夹角），记录不同帧数下相对位置数据在x 坐标、y 坐标以及相对航向角上的误差，结果见表2。

表2 相对位置数据分析

结合表2 的数据可知，本次实验采用压缩跟踪算法，可以在目标与背景颜色差异较小的动态图像中，做到较为准确的实时跟踪，同时保证了所得目标坐标信息与相对航向角的测量结果较为准确。

2.2.3 跑道边缘直线提取结果

在无人机高清摄像头拍摄图像的基础上，分别对其做直线检测处理、直线提取处理，然后观察实验效果，见图3。

图3 飞行跑道边缘直线提取效果

结合图3 可知，经过跑道边缘直线的提取处理后，图像中2 条相交直线（左、右边缘线）的角平分线，即为该跑道的中线。在根据角平分线与原图像在坐标系中的相对位置，计算出相对航向角。随机抽选4 副图像，并分别提取直线现象与相对航向角数据，统计结果见表3。

结合表3 的数据可知，在无人机着陆跑道边缘没有明显阴影，或者其他干扰物数量较少、体积较小的情况下，在本次实验中可以较为准确地识别跑道边缘，并提取出清晰的边缘直线，在此基础上准确估算无人机与跑道中线的相对位置，为无人机在跑道上安全着陆提供了帮助。

表3 飞行实验直线参数及相对航向角

3 结论

无人机执行飞行任务包括起飞、飞行和着陆三个阶段，其中无人机自主和稳定着陆是现阶段无人机自主控制技术中的研究热点。本研究提出的基于序列图像的无人机着陆跑道识别技术与跟踪算法，在飞行实验中可以准确识别和提取跑道边缘直线，并基于跟踪算法实时调整无人机与跑道的相对位置，保证了无人机在跑道上精准、安全着陆，实际应用效果良好。