【无人机避障系统中光流定点悬停分析模型建立分析案例3300字】

无人机避障系统中光流定点悬停分析模型建立分析案例目录TOC\o"1-3"\h\u7324无人机避障系统中光流定点悬停分析模型建立分析案例 1316541.1光流算法解析 1327571.2Lucas-Kanade的光流算法分析 260641.3基于图像金字塔的LK光流算法改进 419781.4基于ORB特征点光流算法研究 6251831.4.1图像特征点检测算法分析 684031.4.2ORB特征点检测算法研究 7200271.5MATLAB仿真分析 8204581.6小结 101.1光流算法解析简单地说，光流信号等同于图像中像素的灰度值信息，光流算法所研究的是两幅图像中具有相似灰度值信息的像素点之间的关系。只要找到两图像相对像素点之间的关系，找到其中一定的规律，就能研究出整个光流场的趋势。比如说当我们要求解一个空间中有运动的物体在一个成像平面上的瞬时加速度，对比相邻两帧图像的差异，就能找到相应物体的运动规律。图3-1（a）（b）从图（a）中可以看出，摄像头在向右运动从图（b）中可以看出，像素点（x,y）在I中的移动到了（x+u,y+v,）而时间间隔为1在目标检测中应用光流算法的原理：图像中的每个像素都得到一个加速度矢量来创建加速度场。在某些特殊时期，图像中的像素点和实物上的点之间的对应关系可以通过投影来计算。当一张图像中没有任何运动着的目标,光流向量在这张图像内的变化都是连续的。当一张图像中包含了一个运动着的物体,这就反映出目标与背景之间存在相对的运动。创建移动物体必需的速度向量必须与背景向量不同，后者可以用来计算移动物体的特定方向和位置。1.2Lucas-Kanade的光流算法分析因为光流算法关注的是连续图像中灰度值相似的两点，所以Lucas-Kanade的光流算法有三个前提：1.周围环境的亮度恒定，保证了图像中所有点的灰度值有较大的变化范围。2.物体运动的时间连续或者物体运动的位移小，即选取的相邻的两帧图像。若选取的图像时间间隔过大，会导致无法识别的问题。1.空间一致性，即相邻点有相似运动，而不是离散型。需保证整体的运动是朝向一个方向的而不是朝向不同的方向。下面对图像中的光流值进行求解。1、设时刻的图像为，在时刻拍摄到的图像为当图像中像素点的灰度值为，在图像中中存在灰度值为的一点与之对应。当时间间隔，两者之间的关系可视为：（1.1）2、用泰勒公式将其展开（1.2）3、当两帧间隔时间时，可以得出：（1.3）令分别代表灰度值在x轴，y轴，z轴上随时间的变化量；分别表示两个方向灰度值的变化率即光流。可将（1.3）式改写为：（1.4）4、计算光流值（1.5）其中表示图形的梯度信息，表示当前像素点的光流。如图3-2所示，由（1.5）式所计算的像素点光流都分布在一条与相垂直的直线上。图3-2单像素约束线但是，如果仅是使用光流方程来计算光流，容易导致“孔径问题”。如图3-3所示，从小口径里只能判断物体运动方向是向右，然而物体的实际运动方向是向右下方向运动，以此判断物体的运动趋势会产生较大误差。图3-3(a)小孔观测（b）实际运动1.3基于图像金字塔的LK光流算法改进lucas-kanade的光流算法在设计上有个很大的缺陷,它的制约条件主要是小速度,亮度恒定以及分辨率和区域的一致性等,在实际情况中并不容易完全满足。特别要注意研究的背景就是在无人机上,无人机飞行速度比较快的情况下,假设便可能不完全成立,容易造成光流数值具有较大的误差。如果考虑到图像中物体的移动和运行速度很高时,光流算法可能会使其产生较大的误差,解决这种情况的办法是通过减小光流算法在图像中对物体移动的速度,最直观地解决办法是通过缩小光流算法在图像中的尺寸。假设在每次图像被切割成400×400时,物体的加速度被切割成[1616],那么在每次图像被切割成200×200时,加速度被改变为[88].所以原有的图像进行缩放后,原算法重新适用。缩放图像的方法可以形象地将其表示成为一个金字塔型,逐层求解。假设图像的宽、高尺寸每次缩放为原来尺寸的一半，一共缩放L层，设第0层为原图像。设已知原图像的速度向量为d，则每一层的速度为基于金字塔分层的LK光流算法的可大致性地总结如下：首先在最深层中的Lm中对其进行反馈求解光电电流,计算其输出的光流结果后由该层反馈转换回到上一层再以Lm-1作为反馈更改层初始层此时光电电流的实际估计值系数g。如此一层一层重复地不断向上向下进行图像反馈,直至图像达到最低的一层,即原来的底层图像。对于每一层,上面的方程式都可以通过改变方程为:（1.10）每一层的计算结果通过如下方程反馈给上一层作为初始的光流估计值（1.11）由于金字塔的缩放大大减小了光流的平均值,最底层的光流估算数值也可设置为0,即（1.12）图像的图像金字塔图像的图像金字塔图3-3光流金字塔示意图在验证此算法时，可以在MATLAB中对原图像用impyramid函数进行抽样，生成图像金字塔，从而得到一系列尺寸缩小的图像（图3-4）图3-4图像金字塔1.4基于ORB特征点光流算法研究虽然基于金字塔分层的LK光流算法很好地解决了在大尺度运动状态下光流算法准确性不足的问题，但是现在存在的问题是：光流算法只有在地面纹路清晰的情况下才能达到高精确度，当地面纹路不清晰或是特征点不明显时，光流算法无法准确地检测出无人机的运动状态。因此，在这里提出一种基于ORB特征点的改进型Lucas-Kanade光流跟踪算法，并通过MATLAB进行仿真验证。在图像处理领域，获取精确的光流值的本质是要获取两帧图像中对应特征点的关系。因此，为了获取精确的光流值通常需要两个步骤：检测图像中的特征点。求解特征点的对应关系。1.4.1图像特征点检测算法分析对图像传感器来说，任何图像，其本质都是一个数据矩阵，需要对这些数据进行处理，才能转化为有效的信息。在光流算法领域不需要处理图像的全部信息，而是关心图像中的局部特征，光流算法中检测的特征点就是图像中的局部特征点，也是图像中最突出的点，如：图像经灰度处理后，灰度值与周围其他点不一样的点。比较常用的检测方法有：尺度不变特征提取算法、加速鲁棒特征算法、Harris算法、ORB算法。其中，用于提取角点特征的算法有：Harris算法和FAST特征点算法。Harris角点检测是一种基于图像灰度的一阶导数矩阵检测方法。检测器的主要思想是局部自相似性/自相关性，即在某个局部窗口内图像块与在各个方向微小移动后的窗口内图像块的相似性。FAST特征点算法与其相似，由于其没有复杂的卷积运算，检测过程飞快，适用于无人机等高速运动的场景。不同的特征点检测算法各有其优点和缺点，经过综合比较分析，选取FAST特征点算法作为本文的改进算法。1.4.2ORB特征点检测算法研究FAST特征点检测算法首先把灰度图像中大部分像素的灰度值大于或小于给定的灰度值的区域找出，将满足这个条件的点设定为特征点。与其他经典算法相比，FAST特征点检测算法舍弃了卷积运算这个过程，检测的速度加快。其基本思路可概括为：如图3-5所示，p为目标像素点，以该点为中心的3个像素为半径画一个圆，计算出圆上所有像素点的灰度值，并分别与p点的灰度值做差。把所有差值的绝对值相加：（1.13）若连续N0个点的灰度值与目标点的灰度值的差值的绝对值大于设定的阈值，则可以把该目标点认作为特征点。并且该算法会首先处理位于P点上、下、左、右四个方向上的像素点，若满足三组以上的比较结果大于设定值这个条件，才会接着检测其他的像素点，如果不满足此条件则直接剔除这个像素点。图3-5FAST特征点检测但FAST算法缺少了方向性，这就使得其缺点是丢失了旋转不变性。针对这一点,ORB中的特征点灰度检测模型算法在基于现有FAST模型算法的基础前提下本身进行了重大改善,采用了多点灰度质心法,给基于FAST算法特征点灰度检测模型算法本身添加了一定的灰度方向性。方法如下所示：在一个小的图像块中定义图像块的矩（1.14）通过矩可以找到图像块的质心（1.15）连接图像块的几何中心O与质心C，得到一个方向向量，这个就是特征点方向（1.16）1.5MATLAB仿真分析根据ORB特征点检测算法原理以及L-K光流算法原理，在matlab上写出与之相对应的程序代码，并且在结合具体图像进行仿真验证。具体操作如下：选取临近的两帧图像（a）前一帧图像（b）后一帧图像图3-6相邻两帧图像（a）（b）根据ORB特征点检测算法提取特征点图3-7提取图像中的特征点通过比较，绘制出光流图