一种具备置信度估计的无人机姿态检测方法及系统技术方案

本发明专利技术提供一种具备置信度估计的无人机姿态检测方法及系统，包括：步骤A：通过全卷积神经网络对输入图像进行像素级别的天空区域与非天空区域的分割，从天空区域的图像提取出天际线坐标，根据天际线坐标拟合最优直线方程，得到天际线拟合直线；步骤B：通过训练好的高斯判别分析模型估计出天际线拟合直线的置信度，若天际线拟合直线的置信度高于预设的最佳分类阈值，则进行步骤C；步骤C：基于天际线拟合直线实时估计出无人机姿态角信息。本发明专利技术基于高斯判别分析的置信度估计算法在检测结果出现较大或严重误差时，有效滤去错误结果，帮助无人机规避风险。助无人机规避风险。

【技术实现步骤摘要】
一种具备置信度估计的无人机姿态检测方法及系统


[0001]本专利技术属于图像信息处理领域，具体涉及一种具备置信度估计的无人机姿态检测方法及系统。

技术介绍

[0002]导航是无人机自主飞行的重要研究领域，其中，姿态角是自主飞行所需的必备导航信息。出于重量,体积和功耗等诸多因素的限制,以相机为主要传感器的计算机视觉技术成为主要的发展趋势。本专利技术将通过检测天际线的位置实现对无人机姿态角的实时估计。
[0003]近年来，国内外广大研究人员在天际线检测及应用研究领域取得了一定成果。可将已有的天际线检测算法分为四类：1)基于线性边界的模型方法。该方法旨在基于天际线为一条直线的假设上，对图像信息进行高斯分布建模或者霍夫变换。然而，直线地平线的假设仅仅在特定场景下才是有效的，当高度过低时，障碍和山丘会产生一个不是直线的地平线。因此，由于该假设的局限性，导致该模型方法无法满足更多的实际场景需求。2)基于边缘检测的方法。该方法通过识别天与地的分界线的边缘信息，实现天际线的轮廓提取。然而，边缘检测严重依赖参数的设置，算法泛化能力较差。其次，云、山体的轮廓也会对天际线边缘检测造成干扰，降低检测的精确度。3)基于分类器的方法通过机器学习的方法。该方法使用图像的颜色和纹理特征，如平均强度、熵、平滑、均匀性等来训练一个分类器，然后将该分类器应用到天空与非天空区域进行天际线的提取。常用的分类器有：SVM、J48和朴素贝叶斯分类器。然而，该方法对于天际线区域颜色区分度不明显的天际线检测效果不够理想。4)基于深度学习的方法。该方法是将卷积神经网络应用到天际线检测中，是一种更快速、鲁棒性更强的天际线检测方法。现有方法主要是使用CNN对天空与非天空区域以及飞行视频中的天际线进行训练，然后使用大型数据集对提出的方法进行了验证，检测精度优于SVM和随机森林。但是，目前该领域的研究尚未完全成熟，应用的卷积神经网络框架都较为简单，有后续提升的发展空间。
[0004]更重要的是，当存在云、雨、雾、山等复杂背景导致天际线检测结果出现较大误差时，估计出的无人机姿态角信息无法使用。因此针对该情况，需要针对检测结果进行置信度估计，作为对应的可靠度参考值，由此规避因错误结果导致的风险。然而，目前国内外对无人机姿态角检测结果的置信度估计却鲜有研究。

技术实现思路

[0005]本专利技术所要解决的技术问题是克服现有无人机姿态角估计技术的缺陷，提供一种具备置信度估计的无人机姿态检测方法及系统，基于全卷积神经网络的天际线检测方法，解决了原有方法使用场景单一、抗干扰能力差、泛化能力低等问题，基于高斯判别分析的置信度估计算法在检测结果出现较大或严重误差时，有效滤去错误结果，帮助无人机规避风险。
[0006]本专利技术是通过以下技术方案来实现：
[0007]一种具备置信度估计的无人机姿态检测方法，包括以下步骤：
[0008]步骤A：读取当前帧的输入图像，通过全卷积神经网络对输入图像进行像素级别的天空区域与非天空区域的分割，从天空区域的图像提取出天际线坐标，根据天际线坐标拟合最优直线方程，得到天际线拟合直线；
[0009]步骤B：通过训练好的高斯判别分析模型估计出天际线拟合直线的置信度，若天际线拟合直线的置信度高于预设的最佳分类阈值，则进行步骤C，否则，返回步骤A读取下一帧的输入图像；
[0010]步骤C：基于天际线拟合直线实时估计出无人机姿态角信息。
[0011]优选的，步骤A中，所述的全卷积神经网络包括编码网络、解码网络、类别标定模块和最优直线提取模块；
[0012]步骤A具体是：采用编码网络提取图像特征并编码成对应的热图；解码网络采用上采样方式将热图放大至输入图像大小，并解码为各像素的分类概率，输出概率图；类别标定模块对概率图逐像素进行类别标定，生成分割二值图，得到天空区域的图像；最优直线提取模块从天空区域的图像提取得到天际线坐标，并根据天际线坐标拟合最优直线方程，得到天际线拟合直线。
[0013]进一步的，解码网络采用上采样方式将热图放大至输入图像大小，并解码为各像素的分类概率，输出概率图，表达为：
[0014]M＝F
de
(H)
[0015]M
ij0
＝P(p
ij
＝sky)
[0016]M
ij1
＝P(p
ij
＝nonsky)
[0017]其中，F
de
代表解码网络，代表上采样；H代表热图，作为解码网络的输入；M代表概率图，解码网络的输出；M
ijk
表示概率图M在通道k中坐标为(i,j)的值，k取值0或1；p
ij
表示输入图像I中坐标为(i,j)的像素。
[0018]进一步的，步骤B具体包括如下步骤：
[0019]1)根据全卷积神经网络输出的概率图和分割二值图，量化得到分割质量Q和天际线的弯曲度T；
[0020]2)运用训练好的高斯判别分析模型对分割质量Q和弯曲度T进行多元高斯建模；根据已经习得的样本分布情况，高斯判别分析模型求取天际线拟合直线的置信度P。
[0021]进一步的，步骤B中，步骤2)所述训练好的高斯判别分析模型通过如下训练方法得到：
[0022]运用m个训练样本(x
(1)
,y
(1)
),(x
(2)
,y
(2)
),(x
(3)
,y
(3)
),
…
,(x
(m)
,y
(m)
)对高斯判别分析模型进行离线训练,其中，y
(i)
∈0,1；x代表多元样本数据，为分割质量Q和弯曲度T的量化值；y代表样本数据的类别，y
(i)
＝1代表天际线拟合直线可靠；y
(i)
＝0代表天际线拟合直线不可靠；
[0023]假设样本数据的类别y在给定的情况下服从伯努利分布，不同类别y中的样本数据x分别服从多元高斯分布：
[0024]y～Bernoulli(φ)
[0025]x|y＝0～N(μ0,Σ)
[0026]x|y＝1～N(μ1,Σ)
[0027]其中，Bernoulli(φ)表示的是伯努利分布，μ和Σ分别代表多元高斯分布的期望和协方差，那么有：
[0028][0029][0030]通过极大似然估计函数得到μ0、μ1和Σ三个参数的值：
[0031][0032][0033][0034]根据贝叶斯公式求得已知样本数据x的情况下，样本数据的类别y为正负样本的概率值：
[0035][0036][0037]其中，p(y＝0|x)被认为是天际线拟合直线的置信度，取值区间为[0,1]，
[0038]优选的，步骤A中，从天空区域的图像提取出天际线坐标，根据天际线坐标拟合最优直线方程，得到天际线拟合直线，具体为：提取天空区域最大轮廓的下方边界坐标作为天际线坐标，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种具备置信度估计的无人机姿态检测方法，其特征在于，包括以下步骤：步骤A：读取当前帧的输入图像，通过全卷积神经网络对输入图像进行像素级别的天空区域与非天空区域的分割，从天空区域的图像提取出天际线坐标，根据天际线坐标拟合最优直线方程，得到天际线拟合直线；步骤B：通过训练好的高斯判别分析模型估计出天际线拟合直线的置信度，若天际线拟合直线的置信度高于预设的最佳分类阈值，则进行步骤C，否则，返回步骤A读取下一帧的输入图像；步骤C：基于天际线拟合直线实时估计出无人机姿态角信息。2.根据权利要求1所述的具备置信度估计的无人机姿态检测方法，其特征在于，步骤A中，所述的全卷积神经网络包括编码网络、解码网络、类别标定模块和最优直线提取模块；步骤A具体是：采用编码网络提取图像特征并编码成对应的热图；解码网络采用上采样方式将热图放大至输入图像大小，并解码为各像素的分类概率，输出概率图；类别标定模块对概率图逐像素进行类别标定，生成分割二值图，得到天空区域的图像；最优直线提取模块从天空区域的图像提取得到天际线坐标，并根据天际线坐标拟合最优直线方程，得到天际线拟合直线。3.根据权利要求2所述的具备置信度估计的无人机姿态检测方法，其特征在于，解码网络采用上采样方式将热图放大至输入图像大小，并解码为各像素的分类概率，输出概率图，表达为：M＝F
de
(H)M
ij0
＝P(p
ij
＝sky)M
ij1
＝P(p
ij
＝nonsky)其中，F
de
代表解码网络，代表上采样；H代表热图，作为解码网络的输入；M代表概率图，解码网络的输出；M
ijk
表示概率图M在通道k中坐标为(i,j)的值，k取值0或1；p
ij
表示输入图像I中坐标为(i,j)的像素。4.根据权利要求2所述的具备置信度估计的无人机姿态检测方法，其特征在于，步骤B具体包括如下步骤：1)根据全卷积神经网络输出的概率图和分割二值图，量化得到分割质量Q和天际线的弯曲度T；2)运用训练好的高斯判别分析模型对分割质量Q和弯曲度T进行多元高斯建模；根据已经习得的样本分布情况，高斯判别分析模型求取天际线拟合直线的置信度P。5.根据权利要求4所述的具备置信度估计的无人机姿态检测方法，其特征在于，步骤B中，步骤2)所述训练好的高斯判别分析模型通过如下训练方法得到：运用m个训练样本(x
(1)
,y
(1)
),(x
(2)
,y
(2)
),(x
(3)
,y
(3)
),
…
,(x
(m)
,y
(m)
)对高斯判别分析模型进行离线训练,其中，y
(i)
∈0,1；x代表多元样本数据，为分割质量...

【专利技术属性】
技术研发人员：王钟犀，马钟，王莉，张栩培，毕瑞星，
申请(专利权)人：西安微电子技术研究所，
类型：发明
国别省市：