无人机自主着陆的视觉识别与定位算法设计及仿真研究

论文摘要

随着应用的需要和航空技术的发展,近年来在世界范围内掀起了对无人机的研究热潮。基于计算机视觉的无人机自主着陆近来得到大量的研究。本文研究了自主着陆的视觉识别与定位系统中的图像融合、跑道识别及参数获取,并对跑道识别与定位进行了三维仿真。首先,研究了视觉识别与定位系统中的图像融合技术。研究了基于互信息的图像配准算法:介绍了互信息配准的原理,阐述了三种较新的配准算法并进行了实验分析和比较;然后研究了基于小波变换的图像融合算法:介绍了小波变换图像融合的原理,阐述了三种小波变换的原理及其在图像融合中的应用,同样进行了实验分析和比较。其次,研究了基于支持向量机（SVM）的跑道识别。介绍了SVM在目标识别技术中的应用;阐述了SVM的原理;设计了跑道识别的步骤,并对实验结果进行了对比和分析。再次,研究了着陆过程中飞行参数获取的方法。进行图像处理以获取其跑道边缘线和地平线,最终得到飞行参数;进行了相应的仿真实验。最后,在VC++平台上利用OpenGL编程实现了无人机自主着陆的跑道识别与定位的三维仿真。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究的科学背景和前景展望
• 1.1.1 基于视觉的无人机自主着陆
• 1.1.2 图像融合技术
• 1.1.3 着陆中的视觉识别与定位系统
• 1.2 本文研究内容
• 第二章 视觉识别与定位系统中的图像融合
• 2.1 概述
• 2.1.1 常用的图像传感器及其性能
• 2.1.2 图像融合方法
• 2.2 基于互信息的图像配准
• 2.2.1 熵与互信息
• 2.2.2 互信息配准原理及流程
• 2.2.3 三种基于互信息的图像配准算法及改进
• 2.3 基于小波变换的图像融合
• 2.3.1 基于小波变换的图像融合过程
• 2.3.2 图像的小波变换及Mallat 算法
• 2.3.3 基于三种不同小波变换的图像融合算法
• 2.4 本章小结
• 第三章 基于支持向量机的跑道识别
• 3.1 支持向量机在目标识别中的应用
• 3.2 SVM 理论
• 3.2.1 最优超平面
• 3.2.2 支持向量机
• 3.2.3 核函数实例
• 3.3 基于支持向量机的跑道识别
• 3.3.1 跑道识别步骤
• 3.3.2 实验结果及分析
• 3.4 本章小结
• 第四章 着陆中的飞行参数获取
• 4.1 获取地平线及跑道边缘线
• 4.1.1 边缘检测和直线提取
• 4.1.2 获取地平线
• 4.1.3 获取跑道边缘线
• 4.2 最小二乘法获取地平线和跑道边缘线方程
• 4.3 获取飞行参数
• 4.3.1 坐标系设定
• 4.3.2 无人机姿态角的测定
• 4.3.3 无人机距离跑道距离的获取
• 4.4 实验结果及分析
• 4.5 本章小结
• 第五章 视觉识别与定位系统三维仿真设计与实现
• 5.1 无人机自主着陆的三维仿真及本章内容
• 5.2 OpenGL 的功能和特性
• 5.3 场景的建立
• 5.3.1 将飞机模型转化为OpenGL 程序
• 5.3.2 机场场景的建立
• 5.4 飞机运动的交互仿真
• 5.4.1 OpenGL 的双缓存技术
• 5.4.2 飞机运动的实现
• 5.4.3 设置摄像机模式
• 5.4.4 添加键盘响应函数
• 5.5 无人机自主着陆视觉识别与定位系统的设计与实现
• 5.5.1 图像的获取与实际场景图像的实现
• 5.5.2 图像处理与飞行参数的获取
• 5.6 本章小结
• 第六章 总结与展望
• 6.1 论文总结
• 6.2 研究展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表的论文
• 附录（部分程序清单）