图4.5 标出目标颜色效果图 20

图4.6 最小值平滑对比图 20

图4.7 区域扩展过程 22

图4.8 检测结果示例 23

图4.9 目标检测结果示例 24

图4.10 仿真与真实效果对比图 25

图4.11 仿真与真实效果偏差示例 25

表2.1 DSP相关参数 6

表3.1 SVM分类器相关参数 12

表3.2 数据集信息统计表 13

表3.3 SVM检测结果 14

表3.4 改进后的检测结果 15

表3.5 算法运算时间统计表 16

表4.1 数据集1仿真结果 23

表4.2 算法时间对比表 24

1 绪论

1.1课题背景及研究意义

当前，无人机因其图像采集分辨率高、廉价、方便灵活等特点[1]在实践中应用很广。为降低使用无人机的成本，其应具有良好的安全性与可回收性。而研究显示，在回收或降落过程中产生的事故，占无人机飞行事故的80%以上[26]。同时，在无人机的着陆方式中，自主着陆，由于自动化程度高且无需额外设备，是未来无人机系统发展的必然方向。为实现无人机自主降落，无人机本身必须能识别降落点位置。基于无人机平台的目标检测对无人机的目标侦察、自主降落以及姿态估计等有重要作用，是无人机相关研究的热点。

使用视觉来引导无人机自主降落，常用方法是在地面设置特定目标[22]~[25],通过提取特定目标特征，检测目标位置来引导无人机自主降落。因此，基于无人机平台的特定目标检测，对无人机的自主降落很有意义。

相比于无人机技术，计算机视觉中的目标检测已有更久的研究。当前，目标检测的应用范围十分广泛，包括监控系统、智能交通、军事制导、医学判断和人机交互等部分。通过视觉来检测目标，所能探测的范围虽然不及如雷达这样的方式大，但当目标处于视觉范围内时，其检测精准度远高于其他方式。因此，使用视觉，让无人机自主获取降落点位置，对无人机的自主降落有重要意义。

当前的研究中，使用视觉的基于无人机的目标检测有两种形式：一是把无人机作为视频搜集的工具，获取区域的图像信息，通过无线传输设备，把采集到的视频信息发送到计算机上，在计算机上实时处理，并将处理的结果会返回给无人机；另一种是在无人机采集视频的同时，在线实时处理视频。无人机上的处理器也有多种选择，如ARM，DSP，通用计算机的CPU等，

为最大程度提高无人机的自主性，减少其他设备的使用，本课题采用上述的第二种方式进行无人机的特定目标检测。此外，在线处理无需图像和处理结果的无线传输，对提高系统的实时性也很有帮助。同时，考虑到系统的造价、续航能力等问题，本课题选用低功耗、廉价的TMS32DM6437型DSP作为处理器，即在DSP上实现特定目标检测算法。然而该型号DSP运算能力不及通用的计算机CPU，所用特定目标检测算法的复杂度受到限制。

如前文所述，为标记降落点，研究者通常自行设计有着丰富的、能有效区别于环境背景的特定目标。本课题也针对特定目标进行检测，与其他研究者[22]~[25]不同的是，本课题并不需要借助特定目标的角点、圆特征或是不变矩特征，因此在特定目标的设计上节约了很多工作。本课题选用的目标来源于“中航工业杯”国际无人飞行器创新大奖赛，如图1.1所示。

图1.1 特定目标示例

1.2 国内外研究现状

1.2.1 目标检测的研究现状

1.2.2 基于无人机平台的目标检测的相关研究