转自：https://patents.google.com/patent/CN106155082A/zh
一种基于光流的无人机仿生智能避障方法
技术领域
[0001] 本发明涉及一种单目视觉的基于光流的无人机智能仿生避障方法，特别是属于人 工智能以及计算机视觉领域。
背景技术
[0002] 无人机是一种由动力驱动、可以按照预定义轨迹自主控制飞行或者通过远程遥控 实时操控的飞行器。在军事和城市应用中越来越广泛，但在实际应用中大都依赖专业操作 人员实时遥控，使用成本居高不下，反应速度慢，并且受制于通信信道的传输质量。因此亟 需无人机具有自主避障的能力来识别并规避障碍物，使无人机能及时准确地到达目标位 置，完成预定的功能。避障技术的效率和精度直接决定了自动化设备的运行效率。相对于超 声波、激光雷达，视觉避障技术更适用于无人机，因为视觉传感器不需要发射装置，接收装 置也很简单，可以较好的满足无人机对体积、重量和能耗的要求;并且视觉避障需要发射信 号，因此不存在辐射和信号干扰，不会受到地理条件和姿态的限制。
[0003] 无人机负载能力有限，决定了其只能携带轻量级的传感设备和嵌入式计算系统， 因此计算能力有限;无人机在三维空间运动且速度很快，任何延时都可能被放大导致错误， 因此对实时性要求很高，目前的计算机视觉算法用于实现自主避障有很大的难度。昆虫体 形小、重量轻(大脑重量不及十分一毫克且神经元比人类大脑少四个数量级）、神经系统简 单，却拥有精确避障的能力。无人机在大小、质量、计算能力、飞行环境等方面与昆虫相似， 因此，昆虫视觉导航和避障方法成为国内外的研究重点。
[0004] 国外对昆虫视觉导航及避障机理已做了大量的生物实验，并进行深入研究总结， 形成了大量可借鉴的研究成果。澳大利亚昆士兰大学的Srinivasan对蜜蜂飞行进行了多年 的研究，得出蜜蜂根据飞行过程中感受到的视觉变化(光流），即视网膜上产生的图像变化 来执行速度测定、着陆、避障等各种飞行任务。Nicolas Franceschini等研究人员花了数年 时间研究苍蝇视觉系统和苍蝇是如何检测并利用光流的，然后在实验的基础上研制出来能 够避开障碍物且不断接近目标的轮式机器人"robot mouche" Jrinivasan所在研究小组发 现蜜蜂是通过平衡两侧眼睛中光流来调节飞行方向的，因此他们在轮式机器人"Corridorfollowing robot" 上安装 了一个摄像头和两面镜子来验证光流平衡机制。 John Stowers 等 人设计了一种基于光流的生物启发式无人机避障算法，并实际试飞测试验证了该算法可用 于控制无人机避免走廊中迎面而来的障碍物。Fabien Expert和Franck Ruffier研发了一 款基于光流的蜜蜂空中机器人BeeRobor，重80克、长47厘米且利用24个光电二极管模拟个 昆虫复眼，在未知环境无加速度计的情况下，仅仅通过视觉输入即光流来判断自身所处位 置，从而控制其沿着高低不平的隧道避障移动。
[0005] 无人机与飞行昆虫面临相似的约束，比如最小限度的能量消耗、超轻的重量、实时 快速的控制等。尽管飞行昆虫具有多种传感装备，但它们的行为主要还是受视觉控制，根据 视觉反馈来稳定飞行、控制飞行速度、感知深度信息、跟踪目标、着陆、检测自运动和估测距 离。目前，对飞行昆虫的行为模式和神经结构已经有了较为清晰的认识，并且在模拟平台以 及地面移动机器人上已经有了一些尝试，但是由于无人机的各种资源限制及实验的困难， 在无人机上的应用还处于起步阶段，亟需进行深入研究，仍存在着很大的挑战和研究前景， 具有很大的科学意义。
发明内容
[0006] 本发明的目的在于:克服现有技术的不足，提供了一种基于光流的无人机智能仿 生避障方法，针对无人机对重量、实时性等要求，从而实现无人机在未知杂乱环境中实时避 障飞行。
[0007] 为了实现上述目的，本发明所采用的技术是一种基于光流的无人机避障方法，如 图1所示，该方法是按照以下步骤实现的：
[0008] 步骤1:无人机进行初始化后，控制无人机按照一定高度D、速度V飞行；
[0009] 步骤2:无人机按照控制指令飞行，利用单目摄像头捕获图像帧，根据前后两帧图 像Ii、12，利用LK(Lucas_Kanade)方法计算得到光流，过滤噪声光流；
[0010]步骤3:将图像I2分为边缘、左中、右中三部分，得到图像左中部分Dleft、图像右中部 分Dright和图像边缘Dedge，因为处于图像边缘的物体对于无人机避障飞行基本没有影响，所 以此处只考虑图像中间部分出现的障碍物；
[0011 ] 步骤4:计算Dieft、Dright两侧光流水平标量之和，记为LS、RS，LS为Di eft区间光流水 平标量之和，RS为Dright区间光流水平标量之和；
[0012]
[0013] 其中，I Vl_x I为第i个像素点光流水平标量；i表示图像中第i个像素，X表示光流水 平标量方向；
[0014] 步骤5:通过SVM对训练集中的图像特征进行训练，得到大型障碍物分类器检测前 方是否为大型障碍物，即SVM大型障碍物分类器;提取图像光流特征，带入SVM分类器，根据 分类结果分别判定D lrft、Dright是否为大型障碍物;大型障碍物是指无人机搭载的摄像头捕 获的图像帧中，障碍物所占图像面积比较大，如果无人机距离障碍物很近时，障碍物基本占 了整个图像帧，这时无人机需要旋转角度避开障碍物，此时的障碍物则为大型障碍物；
