文 |古轩说史

编辑 | 古轩说史

无人机基于视觉的自主导航是一个复杂的过程，需要短的计算时间和精确的测量，以便为设备提供合适且安全的控制命令， 显然无人机导航需要实时测量，以便在指定时间（至少100毫秒）内产生响应，否则可能会影响设备，包括故障在内的严重后果。

01

使用 CBS 进行电力线检测

在 CBS 的线检测方法中，研究人员在该工作中将该方法扩展到电力线定向和无人机导航领域，该方法采用了离散圆算法，用于生成用于线搜索的位置。

在这个过程中，CBS 方法的核心在于算法的实施，其中，ValidPoint 方法被用来在可能的线方向范围 [0, 2π] 内搜索 Dx 和 Dy 的值，以找出具有较多属于同一条线的点，这一步骤通过画圆算法来实现，通过对称生成点的位置。

接下来的步骤是 NextCircle 方法，它在与 Dx 和 Dy 值检测到的相同方向上寻找下一个有效点，从而将搜索移动到线的末端，该方法还会增加实际半径 r 以重复搜索，以便在不同的半径下进行检测。

需要注意的是，已被确定为属于检测到的线的点会被从搜索中删除，该算法的输出是一个段的列表，其中每个线段都包括一个起始点 (xi, yi) 和一个终点 (xf, yf)。

研究人员在比较不同线检测方法时，使用了包含14幅图像的数据集，这些图像展示了三根电力线 ，通过对每个检测到的线段进行计数，研究人员得出了误报（FP）、真报（TP）、假报（FP）和漏报（FN）的数量。

结果表明，在这个数据集中，LSD 方法的误报数量相对较多，因为它会检测到许多小片段，而与其他方法相比，CBS 方法在短时间内取得了较好的平衡，FP 数量较少。

02

定向分段的直方图

在使用垂直向下的摄像机进行电力线检测时，研究人员采用了一系列特征来改善检测效果，这些特征包括线段的长度、具有较多长线的方向以及线段的结构，例如电源线在自上而下的视角中呈现的平行线模式。

基于上述特征，该研究提出了一种基于图像线性内容的度量方法，这种度量方法在居屋中获得，具有三个主要目的： 首先，它用于确定无人机导航中电力线的方向角；其次，它用于选择场景中的电源线路；最后，它用于区分具有电线和没有电线的场景。

在使用该方法之前，需要确保图像是从自上而下的视角拍摄的，并且必要时校正径向畸变 ，研究假设场景中的主要线性组件是电源线，为了衡量线段的角度，该方法引入了一个直方图，其定义在 0° 到 180° 的区间内，这里的主要思想是通过考虑每条线段的长度来构建线段角度的直方图。

具体而言令 (xi, yi) 表示第 k 段的起始点坐标，而 (xf, yf) 则表示第 k 段的终点坐标，在此基础上，研究人员根据线段的起始点和终点坐标计算出线段的长度和角度，然后将这些信息用于构建直方图，这个直方图的目的是捕捉电力线在不同方向上的分布情况，从而为线检测提供更多的信息。

通过这种基于图像线性内容的度量方法，研究人员能够更准确地确定电力线的方向角、选择合适的电源线路，并有效区分出有电线和无电线的场景，这种方法的核心是通过线段的长度和角度信息来构建直方图，从而更好地描述电力线的特征。

在该研究中，由于霍夫正弦变换（HOS）能够涵盖场景中最具代表性的角度，因此它能够获得最大的数值，这些数值代表了线的方向估计，一旦获得了直方图，就可以从中提取出主要角度 θ_main，即对应于直方图最大值的索引，随后，将角度范围转换为 [-90°, 90°]，以便将其用作视觉导航系统中的控制变量。

一旦主角度 θ 获得，就可以利用这个角度来选择图像中具有相似角度的线条，并将图像分割为仅包含与主角度接近的线， 这种方法使得只有与主角度接近的线段被保留下来。

为了验证这些算法的性能，研究人员在不同的农村场景中进行了测试，这些场景包含了各种人造结构，当电源线与一组栅栏相交时，电源线的角度能够被正确地检测出来，所开发的方法能够有效地从自上而下的视角检测电力线，这在不同的农村场景中得到了验证。

03

自主导航系统

在此研究中，使用了适用于便携设备的低成本六轴飞行器平台，以实现包括视觉处理和位置控制在内的导航任务， 采用了搭载式计算机作为辅助支持设备，该计算机基于 ARM 处理器，采用了 ODROID U3 计算机，并由搭载的 32 位 Pixhawk 飞行控制器进行控制。

整个系统在 Linux Ubuntu 14.04 操作系统下运行，计算机视觉算法采用 OpenCV 实现，而机器人操作系统 ROS Indigo 则用于将各个组件集成在机器人平台上。

视觉系统方面，研究人员测试了两个 USB 摄像头，分别是运动相机 Mobius（带有广角镜头）和 ELP 工业相机，尽管获取运动相机的标定参数是可行的。

减少径向畸变仍然是个挑战，这可能导致检测到的直线物体在图像中呈现曲线状态，特别是在图像的边缘部分，然而通过我们提出的线检测方法，能够获得主要角度，从而估计线的方向。

为了获得更好的图像校正结果，研究人员采用了 ELP 相机，这款相机提供了适合线检测的图像，并支持闭环控制的帧速率。

整个无人机系统由一系列相互关联的组件构成 ，其中核心部分包括 无人机飞行平台、飞行控制器、各种传感器（如 GPS、IMU 包括三轴磁力计、陀螺仪、加速度计和指南针）、摄像头，以及运行在机载计算机上开发的软件。

在该系统中，飞行控制器从机载计算机接收设定值并传送传感器信息，视觉传感器（摄像头）将捕获的图像帧发送到机载计算机，完成了传感、控制和视觉处理之间的协同工作。

04

实验与结果

为了验证所提出的电力线跟踪方法，研究团队进行了一系列实验，其中包括对 CBS 线路检测方法、HOS 算法以及无人机自主系统的评估。

实验设计涵盖了三种不同类型的测试，首先，使用来自实际电力线巡检任务的图像进行离线测试，其次，采用运动相机拍摄视频来模拟实际场景，第三，通过嵌入式实时系统，验证了基于视觉的自主电力线跟踪导航策略的可行性。

实验使用了三个不同的电力线数据集，这些数据集均从飞行器获取 ，首先，从直升机拍摄的实际检查任务中提取了包含800张图像的子集，用于计算 HOS 算法的主角度，其次，使用无人机在巡线过程中采集了一组包含1097个视频序列图像的数据集。

通过电力线巡检获得的一系列帧，研究团队计算出主角度，在图表中，横轴表示不同帧的序列，纵轴表示检测到的角度（以度为单位）， 值得注意的是，所提出的方法显示出对电力线方向的良好估计能力，尽管这些图像来自不同的视角和背景，检测到的角度在连续帧之间变化在约5°左右的范围内。

另一方面，在包含电源线的透视视图序列中进行角度检测，每个帧都呈现了场景中对象的不同视角，由于相机的运动引起的姿态变化会改变场景中的线性特征，这导致在不同帧之间一些边缘变得更加显著，进而在检测到的线中产生一些变化，检测到的方向角在连续帧之间产生了一定的振荡。

为了对上述行为进行优化和评估，研究团队采用了移动平均滤波器来减少控制信号的变化，在图表中，横轴表示帧的编号，纵轴显示控制信号的变化，还展示了与近似角度方向相关的四个图像，以便更好地理解变化趋势。

实验包括手动飞行的无人机，装载了朝下的运动相机，在一段持续2分钟的视频序列中，研究团队验证了CBS线路检测算法的效果。

相机校准工具箱被用于校正图像帧，以消除径向畸变 ，HOS方法被应用于运动相机视频的一些帧上，通过图像中心的蓝线来表示主角度，而其他角度则用不同的颜色标识，尽管校正后的图像可能存在一些曲率失真，但该算法仍能够检测到场景中的电源线，并排除其他线的干扰。

通过观察视频，可以明显看出所提出的方法能够检测出电力线的主方向，通过使用累加器，该方法提供了有关具有相同方向的主要线段的重要信息，尽管图像中包含多种不同的物体，如部分水道、电线杆和树木，但该系统能够准确地检测出电力线的主角度。

随后的测试集中于完全自主的电力线跟踪任务，该任务包括起飞、上升、移动、对准、跟随、旋转、跟随、旋转、前进、下降和着陆等阶段。

数使用数据记录器记录每次飞行的位置和图像等信息，经过实施四次不同的飞行任务，评估了系统的性能和稳定性。

在自主导航任务中，使用了机载计算机来执行CBS算法和HOS进程，无人机通过视觉系统进行导航， 必须保持水平飞行以检测电力线。

从640x480像素的相机画面中获取图像数据，根据表1中的数据，CBS算法的计算时间约为20毫秒，而HOS进程获取主角度的时间不到5毫秒。

实验展示了不同自主导航任务的结果，通过数据记录器记录并显示了一些图像的蓝线表示检测到的方向，其中的数据记录器记录了飞行信息。

结果显示了电力线跟随的四个不同轨迹，其中蓝色轨迹与红色电力线相对应，在多个任务中，无人机能够满意地执行整个导航过程，而不需要人为干预，这归功于所提出的线检测和主角度估计方法的应用。

使用基于视觉的控制方法，利用奇异值分解的线性回归计算了电力线跟踪自主轨迹的3D位置，为该研究提供了一个有力的结论。