基于神经网络的无人机定位关键问题研究

孟文晔+王景璐

【摘要】当进行海面目标侦测、地面目标精准打击、重大自然灾害救援、农林牧业作业等活动时，判断无人机自身位置的精确信息对上下文感知应用至关重要。本文提出一种结合图像处理与神经网络设计的无人机遥控定位算法。首先预处理无人机遥感视觉数据样本，从中提取色彩与建筑物边界作为特征：其次，经过语义分析组建特征空间：然后输入BP神经网络进行机器学习训练、识别，基于神经网络算法分析实现路径标记与转换，最终完成位置识别：自动发出指令实现对无人机的定位控制。实验结果表明本算法能获得良好的定位效果。

1绪论

无人机无需搭载驾驶员，通过无线链路传递指令控制飞行或预编制程序自主控制飞行，具有机身小巧、起降便捷、耗能少等优点，在军事与民用领域得到广泛应用。自动控制，先进传感技术以及计算机科学等诸多领域的高新技术被融合到无人机应用中，目前的无人机搭载多样遥感设备，可获取信息应用于军事与民用领域。例如地面面目标侦测、地面目标精准打击、重大自然灾害灾情采集、灾害救援、农田信息监测、植物保护及货物递送等应用中，另外目前已有机构将无人机利用到给战场、灾区和难以到达的地区提供临时的网络覆盖服务中，而无人机自身的精确位置信息是决定以上活动成败的关键环节。

研究人员国内外科研人员已经探索与研制出各种技术来实现对无人机定位的控制，关于无人机的定位研究结合导航与飞控两大核心技术，位于目前科技研究的前端，具有重要意义。一般来说，这些技术可以分为两类。一种是基于全球定位系统的绝对定位，另一种是基于传感器获取被定位目标信息的相对定位，以及融合这两种方式的数据后进行定位。前一种方法基于天体或大地坐标获取无人机在大地坐标系中的绝对位置，由于在飞行过程中GPS并不是一直能够获取，会导致其精度不能满足无人机导航的需要，另外，所需设备造价高昂，使得相关应用的广泛度受限。

第二种方法通过导航设备分析传感器获取的信息来判断无人机与目标间的相对位置关系，主要有基于计算无人机与目标间的距离的，如利用声纳传感器与激光测距仪发射信号并计算信号返回的时间间隔来感知距离信息：和利用视觉系统分析定位的，如采用图像传感器获取周围环境信息。

由于机器视觉技术不断提高，嵌入式硬件的进步，加之图像传感器造价低廉应用广泛，图像信息获取具有自主性、全天候、全天时等显著优点，是民用无人机赖以获取信息的最重要来源，所以本文建立基于神经网络的无人机定位系统，采取搭载在无人机上单目摄像头获取地面图像，进而采用机器学习的方法分析处理图像实现无人机定位。

2.基于神经网络的定位算法设计

本论文提出将无人机航拍时得到的图像利用神经网络进行有监督识别处理，实现对地面建筑物的定位。图像识别可以将图像中中与特征无关的不相同的物理内容去除掉，再根据特征的共性进行分类。本文主要对图像模式识别理论和数字图像处理技术进行了研究，有些问题能很好地适应区分不同的建筑的照片。

无人机定位的过程涉及图像的采集、图像预处理、建筑物图像的特征提取、建筑物外观图像的识别等基本过程。其中，图像的采集是通过摄像机直接获取的，图像的预处理主要包括图像的大小、灰度变换等，图像的特征提取和识别的方法相对复杂，且特征提取和识别方法是影响识别速度和准确度的关键。

本文的定位识别系统对无人机采集到的图像采取以下方法进行识别，由于无人机拍摄图像角度大，所以需要区分的建筑物较多，为了提高识别的速度，本方法利用SVD提取的建筑物外观特征，并将选择后的特征传输入神经网络进行训练，后续用来识别。因此本实验主要采用BP神经网络模型，算法步骤如图1所示。图像定位识别是一个有监督学习过程，首先利用训练集构造一个建筑物地标模型，然后将测试集与训练集进行匹配，找到与之对应的训练集图像，即可获得无人机所在的位置信息。本方法是一种识别速度快且识别率高的建筑物定位识别方法，

2.2方法：数据获取和处理

图像预处理过程为，首先，用移动为0.3s的窗口筛去相近的时间内摄取的图像以减小图像处理工作量：其次，简化筛选出的新编图片，例如做缩放处理然后滤波以提高识别速度：

2.3神经网络分类器设计

BP算法是利用输出层的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差。如此下去，就获得了所有其他各层的误差估计。这样就形成了将输出端表现出的误差沿着与输入信号传送相反的方向逐级向网络的输入端传递的过程。因此，人们就又将此算法称为向后传播算法，简称BP算法。使用BP算法进行学习的多级非循环网络称为BP网络。

使用BP网路作为模式分类器时，输入层节点数取决于数據源的维数，即特征空间的维数。因此为了避免采集的信息太多，样本维数太大，导致收敛时间和训练时间太长影响识别速度，在将特征输入网络进行训练之前必须对收集到的特征进行筛选，通过多次实验去除对刻画事物的本质贡献非常微小的特征，也就是需要做特征提取工作。

3仿真实验

本论文通过将无人机航拍时得到的图像利用神经网络进行有监督识别处理，实现对地面建筑物的定位。由于Matlab具有强大的图像处理功能与机器学习工具箱，因此仿真实验将在matlab软件平台上进行。

3.1数据采集

本实验是在本校采集的无人机摄像图像库上进行的。本校建筑物共有10座，如，图书馆、运动场、教学楼群、AB实训楼、钟楼广场等地标性建筑物。仿真实验随机选出每个建筑物的100幅不同角度不同高度拍摄的图像作为训练图像，构成一个1000幅图像的训练集，剩下的300幅图像构成测试集。

3.2测试结果

正确识别的测试集数目为：196

正确识别的训练集数目为：874

测试集识别率为6.533333e-01

训练集识别率为8.740000e-01

总识别率为8.2307600e-01

本章首先对图像进行预处理，增强图像质量，然后采取提取图像中的物体边缘与表面色彩作为高级特征，与特征一起训练Bp神经网络，对目标进行分类识别，获得相关目标的位置信息，并通过仿真给出了识别结果。

4结论

不论是无人机救援、侦测还是多机协这些应用都需要建立在精准的无人机定位技术上，因此研究基于神经网络的无人机定位技术是对先进计算机图像处理与机器学习技术的综合实践，具有极高的学术研究价值与社会生产实践价值。本文通过对图像模式识别理论和数字图像处理技术的利用，有很好地区分了不同的建筑的照片，从而对无人机定位系统进行了实现，最优测试集识别率为82.33%。endprint