[发明专利]一种针对大型固定翼无人机自主着陆的跑道识别分割方法

说明书

本发明公开了一种针对大型固定翼无人机自主着陆的跑道识别分割方法，该方法包括：将第一待分割图像输入深度学习网络中，得到一张与该第一待分割图像尺寸相同的单通道图像，基于预设阈值，从该单通道图像中提取面积最大的区域作为跑道在图像中的大致轮廓，继而得到第二待分割图像；基于大致轮廓的质心和半径，并结合SVM的边界阈值确定更贴合真实跑道的像素轮廓。本发明在无人机距离跑道较远、有雾干扰的情况下，仍能快速且准确地识别出跑道并分割出跑道轮廓。

技术领域

本发明涉及图像分割技术领域，特别是一种针对大型固定翼无人机自主着陆的跑道识别分割方法。

背景技术

大型固定翼无人机的起飞和着陆可以自主完成，但通常依赖GNSS和地面差分站提供的精确定位信息。在没有地面差分站或GNSS拒止环境下，无人机可以通过前视机载相机的观测数据，识别分割跑道，并根据跑道分割结果估计飞机与跑道的相对位置，进而完成自主降落。跑道识别任务存在识别目标距离远、环境干扰大等问题，如浓雾、昼夜变化等。跑道识别分割的精度对无人机的安全着陆至关重要。有的跑道识别方法基于霍夫变换检测跑道边线，可以比较准确的分割出跑道，但对图像质量要求较高，只能用于距离机场跑道较近的地方。还有的方法基于深度学习网络，经过充分训练的网络可以在较远出识别出跑道，但识别分割出的跑道轮廓很不精确。

发明内容

鉴于此，本发明提供一种针对大型固定翼无人机自主着陆的跑道识别分割方法，以解决上述技术问题。

本发明公开了一种针对大型固定翼无人机自主着陆的跑道识别分割方法，其包括：

将第一待分割图像输入深度学习网络中，得到一张与该第一待分割图像尺寸相同的单通道图像，基于预设阈值，从该单通道图像中提取面积最大的区域作为跑道在图像中的大致轮廓，继而得到第二待分割图像；

基于大致轮廓的质心和半径，并结合SVM的边界阈值确定更贴合真实跑道的像素轮廓。

进一步地，在所述单通道图像中，每个像素值在0到1之间，像素值表示对应像素是跑道的概率。

进一步地，所述基于预设阈值，从该单通道图像中提取面积最大的区域作为跑道在图像中的大致轮廓，包括：

将所述单通道图像中所有概率高于预设阈值的像素赋值255，其余像素赋值0，即得到一张二值图，像素值为255，表示该像素在跑道上，像素值为0，表示该像素不在跑道上；

从像素值为255的像素组成的多个连通区域中选择面积最大的连通区域，作为跑道在图像中的大致轮廓；将其他的连通区域的像素均赋值为0，即得到第二待分割图像。

进一步地，所述基于大致轮廓的质心和半径，并结合SVM的边界阈值确定更贴合真实跑道的像素轮廓，包括：

计算大致轮廓的质心和半径；其中，半径记为；

在第二待分割图像上，基于大致轮廓的质心和半径，获取正样本和负样本；

分别得到正负样本后，用SVM算法对正负样本进行分类，得到正负样本分界点的像素值，为像素三通道阈值，利用得到的像素三通道阈值，对跑道轮廓附近区域的图像进行高通或低通滤波，得到更贴合真实跑道的像素轮廓。

进一步地，所述在第二待分割图像上，基于大致轮廓的质心和半径，获取正样本和负样本，包括：

在第二待分割图像上，找出以质心为圆心，为半径的圆形上的像素，而与这些像素位置相对应的所述第一待分割图像上的RGB像素值就是正样本，函数为向上取整函数；

在第二待分割图像上，提取以质心为圆心，以为半径的圆形经过的多个像素位置，与多个像素位置对应的所述第一待分割图像的RGB像素值为负样本，floor()为向下取整函数。