基于无人机遥感影像的复杂环境航迹规划方法

技术领域

本发明涉及航迹规划技术领域，具体涉及基于无人机遥感影像的复杂环境航迹规划方法。

背景技术

随着科技的发展，无人机在各个领域的应用越来越广泛。特别是在地理信息系统、环境监测、灾害评估等领域，无人机的使用大大提高了工作效率和准确性。然而，对于复杂环境的航迹规划，现有的技术还存在着一些问题。

首先，复杂环境的地理信息获取困难。传统的地理信息获取方式主要依赖于地面测量或者卫星遥感，这两种方式都有其局限性。地面测量工作量大，效率低，而且在某些恶劣环境下无法进行；卫星遥感虽然可以覆盖大面积，但是其分辨率受到限制，无法获取详细的地理信息。其次，复杂环境的航迹规划需要考虑多种因素，如地形、建筑物、植被等。这些因素都会对无人机的飞行产生影响，需要在航迹规划中予以考虑。然而，现有的航迹规划方法往往只考虑了部分因素，无法全面反映复杂环境的实际情况。再次，复杂环境的航迹规划需要考虑到无人机的安全性。在复杂环境中，可能存在各种障碍物，如高楼、树木、电线等。无人机在飞行过程中需要避开这些障碍物，否则可能会发生碰撞。然而，现有的航迹规划方法往往没有考虑到这一点。

为了解决上述问题，本发明提出了基于无人机遥感影像的复杂环境航迹规划方法，该方法能够全面反映复杂环境的实际情况，提高航迹规划的准确性和安全性。

发明内容

本发明的目的在于提供基于无人机遥感影像的复杂环境航迹规划方法，解决了背景技术中所提出的技术问题。

本发明的目的可以通过以下技术方案实现：

基于无人机遥感影像的复杂环境航迹规划方法，包括以下步骤：

步骤一、数据获取

获取目标区域的遥感影像数据，遥感影像数据包含遥感影像、遥感影像内影像帧对应的位置坐标；

步骤二、数据预处理

去除遥感影像数据中的噪声、平滑图像以及增强遥感影像数据的图像对比度：

步骤三、特征提取

从遥感影像中提取特征信息，特征信息包含地形高程、个体轮廓，其中，个体轮廓包括地形轮廓、建筑物轮廓、植被轮廓；

步骤四、规划模型建立

依据遥感影像内影像帧对应的位置坐标，建立三维空间坐标系，并依据各个遥感影像内影像帧对应的位置坐标结合特征信息生成三维坐标节点，随后依据三维空间坐标系中的各个三维坐标节点，绘制生成航迹规划模型；

步骤五、模型规划分析

通过获取巡检无人机数量，在航迹规划模型中划分等量等距的巡检路线，随后设定基准巡检高度，并依据基准巡检高度和地形高程计算出避障高度，接着依据预先获取巡检无人机的横向飞行速度及其纵向飞行速度以及获取该巡检路线的距离和巡检路线上所有障碍物路线的距离及其对应的避障高度，计算出各个对应各个巡检路线的总飞时间及其总飞时间的均值，随后依据各个巡检路线的总飞时间及其总飞时间的均值在各个巡检路线上规划出航迹路线，其中，基准巡检高度表示为巡检无人机在巡检时无障碍物的正常飞行高度；

步骤六、路线规划执行

从航迹路线一、航迹路线二、……中获取对应的起飞点，然后将巡检无人机调至对应航迹路线的起飞点处，随后将巡检无人机同时按照其对应的航迹路线进行巡检执行。

作为本发明进一步的方案：步骤二中的处理方式如下：

StepA1、采用中值滤波和/或小波变换去噪技术去除遥感影像数据中的噪声；

StepA2、采用卷积平滑算法来平滑图像；

StepA3、采用直方图均衡化和/或自适应增强技术来增强遥感影像数据的图像对比度。

作为本发明进一步的方案：在步骤三中，地形高程通过无人机搭载雷达或光学传感器来获取，个体轮廓通过图像分割和边缘检测算法来提取。

作为本发明进一步的方案：步骤四中的具体方式如下：

StepB1、以搭载遥感设备的无人机对应起飞点的位置坐标为原点，建立三维空间坐标系；

StepB2、依据遥感影像内影像帧对应的位置坐标与无人机对应起飞点的位置坐标计算出对应的坐标差，其中，坐标差表示为遥感影像内影像帧对应的X轴坐标、Y轴坐标、Z轴坐标分别与无人机对应起飞点的X轴坐标、Y轴坐标、Z轴坐标之间的坐标差值；

StepB3、依据对应的坐标差在三维空间坐标系对应坐标位置建立坐标子节点，其中，坐标子节点表示为三维空间坐标系中X轴和Y轴的坐标值；

StepB4、将提取的特征信息，在对应的坐标子节点上添加Z轴坐标值，并生成三维坐标节点；

StepB5、通过连接三维空间坐标系中的各个三维坐标节点，生成航迹规划模型。

作为本发明进一步的方案：步骤五中的具体方式如下：

StepC1、获取目标区域的巡检无人机数量，其中，各个巡检无人机的规格型号一致；

StepC2、依据对应数量的巡检无人机以及三维空间坐标系中X轴和Y轴形成的平面坐标系，预编排各个巡检无人机的巡检路线；

StepC3、设定基准巡检高度；

StepC4、获取各个巡检路线上各个三维坐标节点对应的Z轴坐标值；

同时将各个Z轴坐标值与基准巡检高度比较：

当Z轴坐标值大于基准巡检高度，则表示该三维坐标节点存在障碍物，反之，则表示该三维坐标节点不存在对应的障碍物；

StepC5、在巡检路线上，获取连续相邻且大于基准巡检高度的Z轴坐标值，并将各个连续相邻三维坐标节点标记为对应障碍物路线；

同时，依据Z轴坐标值和基准巡检高度，计算出对应障碍物路线的避障高度；

StepC6、获取巡检无人机的横向飞行速度及其纵向飞行速度，以及获取该巡检路线的距离和巡检路线上所有障碍物路线的距离及其对应的避障高度，随后对各个巡检路线进行计算处理，并得到总飞时间；

StepC7、通过所有巡检路线对应总飞时间之和与所有巡检路线的平均值，得出所有总飞时间的均值；

StepC8、将所有巡检路线按照首尾衔接顺序进行排序，同时将排列在第一位巡检路线的总飞时间与总飞时间的均值进行比较：

若总飞时间的均值小于等于排在第一位的巡检路线的总飞时间，则获取排在该巡检路线对应的实时飞行时间，随后按照总飞时间的均值获取对应相等的实时飞行时间，之后依据获取到的实时飞行距离获取对应的实时飞行距离，并将该巡检路线上的起飞点至获取到的实时飞行距离对应的节点处标记为航迹路线一；

随后将航迹路线一结束节点作为预划分航迹路线二的起飞点，并依据总飞时间的均值依次在按照首尾衔接顺序进行排序的所有巡检路线上获取对应的实时飞行时间以及其对应的实时飞行距离，接着将相应起飞点至相应实时飞行距离对应的节点处依次标记为航迹路线二、航迹路线三、……，直至所有巡检路线全部重新划分完为止。

作为本发明进一步的方案：在StepC2中，等量等距的巡检路线通过巡检管理员自定义设置划分。

作为本发明进一步的方案：在StepC5中，避障高度的计算公式为：避障高度=Z轴坐标值-基准巡检高度+补偿参数，其中，补偿参数为预设值。

作为本发明进一步的方案：StepC6中的具体方式如下：

计算处理方式如下：

选取一个巡检路线，首先获取巡检无人机的横向飞行速度及其纵向飞行速度，并将其分别标记为HS和ZS；

同时获取该巡检路线的距离和巡检路线上所有障碍物路线的距离及其对应的避障高度，并将该巡检路线的距离标记为XL，同时各个障碍物路线的距离及其对应的避障高度分别标记为BLi和BGi，i=1、2、……m，m表示障碍物路线的数量，其中，障碍物路线的距离依据其对应连续相邻三维坐标节点中首尾两个三维坐标节点确定，即通过首尾两个三维坐标节点在巡检路线上所截选的距离；

随后通过公式：

，得到无人机在该巡检路线上的总飞时间T，其中，β1和β2为预设的补偿比例因子，在该实施例中，β1=1.02135和β2=1.12214；

以此类推，得到各个巡检路线的总飞时间；

作为本发明进一步的方案：在StepC8中：

若总飞时间的均值大于排在第一位的巡检路线的总飞时间，则表示无法在该巡检路线上按照总飞时间的均值获取对应的实时飞行时间，然后计算出总飞时间的均值与该巡检路线对应总飞时间的差值绝对值，同时获取排在第二位的巡检路线对应的实时飞行时间，并依据对应的差值绝对值获取对应相等的实时飞行时间，之后依据获取到的实时飞行距离获取对应的实时飞行距离，并将排在第一位的巡检路线上的起飞点至在第二位的巡检路线上获取到的实时飞行距离对应的节点处标记为航迹路线一。

作为本发明进一步的方案：其中，巡检无人机还用于在其对应的巡检路线上记录实时飞行距离及其对应的实时飞行时间，实时飞行距离表示为巡检无人机在巡检路线上，从对应起飞点至途径点的距离，实时飞行时间为巡检无人机在巡检路线上从对应起飞点至途径点的时间。

本发明的有益效果：

本发明通过获取复杂环境的遥感影像数据，提取特征信息，建立三维空间坐标系，生成航迹规划模型，可以更准确地规划出无人机的飞行路线，避免了因环境复杂导致的飞行风险，有效提高了航迹规划的效率和准确性；

本发明通过实时记录无人机的飞行距离和飞行时间，根据总飞时间的均值进行航迹路线的动态调整，提高了巡检的灵活性和适应性；

本发明通过预编排各个巡检无人机的巡检路线，设定基准巡检高度，计算各个巡检路线的总飞时间，可以实现多无人机的协同巡检，提高了巡检效率；

本发明通过对巡检路线上的障碍物进行识别和避障高度的计算，可以实现无人机的自动避障，提高了飞行的安全性，具有良好的避障能力；

本发明通过中值滤波和小波变换去噪技术、卷积平滑算法、直方图均衡化和自适应增强技术等方法，对遥感影像数据进行了有效的预处理，提高了图像的质量和后续处理的准确性。

附图说明

下面结合附图对本发明作进一步的说明。

图1是本发明基于无人机遥感影像的复杂环境航迹规划方法的流程示意图。

图2是本发明基于无人机遥感影像的复杂环境航迹规划方法中数据预处理的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例一

请参阅图1所示，本发明为基于无人机遥感影像的复杂环境航迹规划方法，包括以下步骤：

第一步、数据获取

获取复杂环境的遥感影像数据；

其方式为通过无人机搭载的遥感设备，获取目标区域的遥感影像数据，遥感影像数据包含遥感影像、遥感影像内影像帧对应的位置坐标；

第二步、特征提取

从预处理后的遥感影像中提取特征信息，特征信息包含地形高程、个体轮廓，在该实施例中，个体轮廓包括但不限于地形轮廓、建筑物轮廓、植被轮廓；

地形高程通过无人机搭载雷达或光学传感器来获取；

个体轮廓通过图像分割和边缘检测算法来提取，该技术为现有技术，故此不做赘述；

第三步、规划模型建立

依据遥感影像内影像帧对应的位置坐标，建立三维空间坐标系，并依据各个遥感影像内影像帧对应的位置坐标分别与无人机对应起飞点的位置坐标建立相应的坐标子节点，接着将坐标子节点结合特征信息生成三维坐标节点，随后依据三维空间坐标系中的各个三维坐标节点，绘制生成航迹规划模型；

具体为：

StepB1、以搭载遥感设备的无人机对应起飞点的位置坐标为原点，建立三维空间坐标系；

StepB2、依据遥感影像内影像帧对应的位置坐标与无人机对应起飞点的位置坐标计算出对应的坐标差，其中，坐标差表示为遥感影像内影像帧对应的X轴坐标、Y轴坐标、Z轴坐标分别与无人机对应起飞点的X轴坐标、Y轴坐标、Z轴坐标之间的坐标差值；

StepB3、依据对应的坐标差在三维空间坐标系对应坐标位置建立坐标子节点，坐标子节点表示为三维空间坐标系中X轴和Y轴的坐标值；

StepB4、将提取的特征信息，在对应的坐标子节点上添加Z轴坐标值，并生成三维坐标节点；

StepB5、通过连接三维空间坐标系中的各个三维坐标节点，生成航迹规划模型；

第四步、模型规划分析

StepC1、获取目标区域的巡检无人机数量；在该实施例中，各个巡检无人机的规格型号一致；

StepC2、依据对应数量的巡检无人机以及三维空间坐标系中X轴和Y轴形成的平面坐标系，预编排各个巡检无人机的巡检路线；

其中，预编排的巡检路线的数量与无人机数量一致，且预编排的巡检路线的路线距离一致；

在该实施例中，预编排的巡检路线通过巡检管理员自定义设置；

StepC3、设定基准巡检高度，其中，基准巡检高度表示为巡检无人机在巡检时无障碍物的正常飞行高度；

StepC4、获取各个巡检路线上各个三维坐标节点对应的Z轴坐标值；

同时将各个Z轴坐标值与基准巡检高度比较：

当Z轴坐标值大于基准巡检高度，则表示该三维坐标节点存在障碍物，反之，则表示该三维坐标节点不存在对应的障碍物；

StepC5、在巡检路线上，获取连续相邻且大于基准巡检高度的Z轴坐标值，并将各个连续相邻三维坐标节点标记为对应障碍物路线；

同时，通过避障高度=Z轴坐标值-基准巡检高度+补偿参数，得到对应障碍物路线的避障高度，且补偿参数为预设值，通过设置补偿参数，可避免巡检无人机与障碍物的接触；

StepC6、对各个巡检路线的总飞时间进行计算处理，处理方式如下：

以一个巡检路线为例，

首先获取巡检无人机的横向飞行速度及其纵向飞行速度，并将其分别标记为HS和ZS；

同时获取该巡检路线的距离和巡检路线上所有障碍物路线的距离及其对应的避障高度，并将该巡检路线的距离标记为XL，同时各个障碍物路线的距离及其对应的避障高度分别标记为BLi和BGi，i=1、2、……m，m表示障碍物路线的数量，其中，障碍物路线的距离依据其对应连续相邻三维坐标节点中首尾两个三维坐标节点确定，即通过首尾两个三维坐标节点在巡检路线上所截选的距离；

随后通过公式：

，得到无人机在该巡检路线上的总飞时间T，其中，β1和β2为预设的补偿比例因子，在该实施例中，β1=1.02135和β2=1.12214；

以此类推，得到各个巡检路线的总飞时间；

其中，巡检无人机还用于在其对应的巡检路线上记录实时飞行距离及其对应的实时飞行时间，实时飞行距离表示为巡检无人机在巡检路线上，从对应起飞点至途径点的距离，实时飞行时间为巡检无人机在巡检路线上从对应起飞点至途径点的时间；

StepC7、通过所有巡检路线对应总飞时间之和与所有巡检路线的平均值，得出所有总飞时间的均值；

StepC8、将所有巡检路线按照首尾衔接顺序进行排序，同时将排列在第一位巡检路线的总飞时间与总飞时间的均值进行比较：

若总飞时间的均值小于等于排在第一位的巡检路线的总飞时间，则获取排在该巡检路线对应的实时飞行时间，随后按照总飞时间的均值获取对应相等的实时飞行时间，之后依据获取到的实时飞行距离获取对应的实时飞行距离，并将该巡检路线上的起飞点至获取到的实时飞行距离对应的节点处标记为航迹路线一；

若总飞时间的均值大于排在第一位的巡检路线的总飞时间，则表示无法在该巡检路线上按照总飞时间的均值获取对应的实时飞行时间，然后计算出总飞时间的均值与该巡检路线对应总飞时间的差值绝对值，同时获取排在第二位的巡检路线对应的实时飞行时间，并依据对应的差值绝对值获取对应相等的实时飞行时间，之后依据获取到的实时飞行距离获取对应的实时飞行距离，并将排在第一位的巡检路线上的起飞点至在第二位的巡检路线上获取到的实时飞行距离对应的节点处标记为航迹路线一；

随后将航迹路线一结束节点作为预划分航迹路线二的起飞点，并依据总飞时间的均值依次在按照首尾衔接顺序进行排序的所有巡检路线上获取对应的实时飞行时间以及其对应的实时飞行距离，接着将相应起飞点至相应实时飞行距离对应的节点处依次标记为航迹路线二、航迹路线三、……，直至所有巡检路线全部重新划分完为止；

第五步、路线规划执行

从第四步得到的航迹路线一、航迹路线二、……中获取对应的起飞点，然后将巡检无人机调至对应航迹路线的起飞点处，随后将巡检无人机同时按照其对应的航迹路线进行巡检执行。

本实施例有效提高了航迹规划的效率和准确性。通过获取复杂环境的遥感影像数据，提取特征信息，建立三维空间坐标系，生成航迹规划模型，可以更准确地规划出无人机的飞行路线，避免了因环境复杂导致的飞行风险，实现了航迹路线的动态调整，通过实时记录无人机的飞行距离和飞行时间，根据总飞时间的均值进行航迹路线的动态调整，提高了巡检的灵活性和适应性；

同时实现了多无人机的协同巡检。通过预编排各个巡检无人机的巡检路线，设定基准巡检高度，计算各个巡检路线的总飞时间，可以实现多无人机的协同巡检，提高了巡检效率；

而且具有良好的避障能力。通过对巡检路线上的障碍物进行识别和避障高度的计算，可以实现无人机的自动避障，提高了飞行的安全性。

实施例二

请参阅图2所示，作为本发明的实施例二，本申请在具体实施时，相较于实施例一，本实施例的技术方案与实施例一的区别仅在于，本实施例中还用于在实施例一的第一步之后对遥感影像数据进行预处理：

预处理方式如下：

StepA1、采用中值滤波和/或小波变换去噪技术去除遥感影像数据中的噪声；

其中，中值滤波是一种非线性滤波技术，它通过将像素值替换为其邻域内像素值的中值来去除噪声；

小波变换去噪是通过将图像分解为不同频率的小波系数，然后对这些系数进行阈值处理，最后重构图像来实现去噪的方法；该方法可以有效地去除噪声，同时保留图像的细节信息

StepA2、采用卷积平滑算法来平滑图像；

其中，卷积平滑算法是通过将图像与一个预定义的卷积核进行卷积操作，以达到平滑图像的目的，在该实施例中，卷积核包括均值核、高斯核；

StepA3、采用直方图均衡化和/或自适应增强技术来增强遥感影像数据的图像对比度；

其中，直方图均衡化是一种通过调整图像的直方图分布来增强图像对比度的方法，自适应增强是一种根据图像局部特性来调整对比度的方法；

在该实施例中，中值滤波和小波变换去噪技术、卷积平滑算法、直方图均衡化和自适应增强技术为现有技术，故此不做赘述；

本实施例对遥感影像数据进行了有效的预处理，通过中值滤波和小波变换去噪技术、卷积平滑算法、直方图均衡化和自适应增强技术等方法，对遥感影像数据进行了有效的预处理，提高了图像的质量和后续处理的准确性。

实施例三

作为本发明的实施例三，本申请在具体实施时，相较于实施例一和实施例二，本实施例的技术方案是在于将上述实施例一和实施例二的方案进行组合实施。

上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数以及阈值选取由本领域的技术人员根据实际情况进行设置。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。