陳洪亮，紀(jì)姍姍，李志雷，孫同展，沈宏亮

（1.國網(wǎng)河北省電力有限公司 雄安新區(qū)供電公司，保定071800；2.天津市普迅電力信息技術(shù)有限公司，天津300000；3.國網(wǎng)河北省電力有限公司，石家莊050000）

受到氣流擾動(dòng)和目標(biāo)自身運(yùn)動(dòng)因素的影響，無人機(jī)拍攝的模糊度較大，需要結(jié)合目標(biāo)參數(shù)識(shí)別和圖像尋優(yōu)控制的方法進(jìn)行無人機(jī)拍攝速率自動(dòng)校準(zhǔn)控制，實(shí)現(xiàn)無人機(jī)拍攝速率自動(dòng)校準(zhǔn)識(shí)別，提高航拍的精度，因此，無人機(jī)拍攝速率自動(dòng)校準(zhǔn)技術(shù)受到人們的極大關(guān)注。傳統(tǒng)方法中，文獻(xiàn)[1]對無人機(jī)飛行軌跡跟蹤控制，對無人機(jī)的定常運(yùn)動(dòng)進(jìn)行運(yùn)動(dòng)平衡分解，對無人機(jī)飛行軌跡的多傳感器陣列姿態(tài)參量全部量化信息進(jìn)行自適應(yīng)參量估計(jì)，實(shí)現(xiàn)無人機(jī)飛行軌跡跟蹤控制，提高了飛行穩(wěn)定性和抗擾動(dòng)性；文獻(xiàn)[2]基于一致性理論，對多無人機(jī)編隊(duì)控制技術(shù)進(jìn)行了研究，進(jìn)行協(xié)同編隊(duì)飛行控制技術(shù)研究；文獻(xiàn)[3]采用相干分布源采集飛行姿態(tài)數(shù)據(jù)，提出基于波束空間二維譜峰搜索的無人機(jī)飛行魯棒性控制算法，進(jìn)行無人機(jī)飛行控制，較好地處理無人機(jī)不確定動(dòng)態(tài)運(yùn)動(dòng)系統(tǒng)的控制問題。

但傳統(tǒng)方法進(jìn)行無人機(jī)拍攝速率校準(zhǔn)的環(huán)境適應(yīng)度水平不高，校準(zhǔn)能力不強(qiáng)。針對上述問題，本文提出基于5G技術(shù)的無人機(jī)拍攝速率自動(dòng)校準(zhǔn)方法。以無人機(jī)拍攝圖像的幀跟蹤識(shí)別模型為依據(jù)，在5G 通信背景下實(shí)現(xiàn)對無人機(jī)拍攝的圖像信息傳輸控制，采用最大似然估計(jì)和無人機(jī)航拍運(yùn)動(dòng)視頻跟蹤補(bǔ)償控制的方法，實(shí)現(xiàn)無人機(jī)拍攝速率自動(dòng)校準(zhǔn)，展示了本文方法在提高無人機(jī)拍攝能力方面的優(yōu)越性能。

1 無人機(jī)拍攝的軌跡跟蹤和圖像采樣識(shí)別

1.1 地形網(wǎng)格軌跡分布式重構(gòu)

為了實(shí)現(xiàn)基于5G技術(shù)的無人機(jī)拍攝速率自動(dòng)校準(zhǔn)，進(jìn)行無人機(jī)拍攝的視覺信息跟蹤識(shí)別。

首先，采用視頻幀差補(bǔ)償控制方法進(jìn)行無人機(jī)拍攝的圖像像素特征分集和誤差補(bǔ)償設(shè)計(jì)[4-6]，無人機(jī)拍攝的軌跡跟蹤示意圖如圖1所示。

圖1 無人機(jī)拍攝軌跡跟蹤示意圖Fig.1 Sketch map of a track taken by UAV

無人機(jī)拍攝的軌跡跟蹤形式，采用模板更新規(guī)則，結(jié)合幀補(bǔ)償控制技術(shù)，設(shè)無人機(jī)拍攝的軌跡映射為g（b），分析無人機(jī)拍攝的速率跟蹤控制的誤差補(bǔ)償函數(shù)[7]，通過樣本空間重構(gòu)，在圖像中將目標(biāo)對象分類和定位，得到無人機(jī)拍攝的層次分割值為

式中：mt為無人機(jī)跟蹤軌跡參數(shù)；ε 為無人機(jī)拍攝速率控制參數(shù)。采用深層的特征信息分析方法，分析無人機(jī)航拍的圖像區(qū)域分塊匹配值[8]，得到無人機(jī)航拍的圖像分布特征量表示為

層次化分割和網(wǎng)格模板匹配，此時(shí)的無人機(jī)航拍的圖像像素點(diǎn)的N 個(gè)子塊鄰域?yàn)閜，融合紋理結(jié)構(gòu)，分析無人機(jī)航拍的圖像分布區(qū)域融合值，進(jìn)行模糊度匹配，得到無人機(jī)航拍的軌跡分布式融合參數(shù)為G（x，y，t），根據(jù)背景中對無人機(jī)航拍的圖像的干擾分布，在不考慮外界因素干擾的情況下，進(jìn)行無人機(jī)航拍的圖像識(shí)別，得到無人機(jī)航拍的軌跡分布為f（gi），結(jié)合特征尺度分解的方法，得到無人機(jī)航拍的圖像尺度分割值為

采用邊界層細(xì)化分割方法，得到無人機(jī)拍攝的視覺劃分值，通過4×4 的像素塊分割，得到無人機(jī)拍攝的軌跡跟蹤網(wǎng)格區(qū)域I 劃分為（W/2）×（H/2）個(gè)子塊，此時(shí)的無人機(jī)拍攝的圖譜參數(shù)融合結(jié)果為

式中：r（e）為無人機(jī)拍攝像素特征參數(shù)。以此實(shí)現(xiàn)無人機(jī)拍攝的軌跡跟蹤和圖像檢測，通過地形網(wǎng)格的細(xì)節(jié)分布，在2×2 個(gè)像素點(diǎn)中實(shí)現(xiàn)對無人機(jī)航拍的地形網(wǎng)格軌跡分布式重構(gòu)。

1.2 無人機(jī)航拍的圖像幀跟蹤識(shí)別模型

提取無人機(jī)拍攝圖像的灰度像素特征分量，進(jìn)行關(guān)聯(lián)規(guī)則特征參數(shù)融合，分析無人機(jī)拍攝圖像的幀跟蹤識(shí)別模型。

首先，結(jié)合5G 通信技術(shù)，設(shè)無人機(jī)拍攝圖像的信息增強(qiáng)控制值為正，得到多分辨率地形渲染控制技術(shù)，得到尺度特征量為

式中：Gij（x，y）為無人機(jī)拍攝圖像的尺度信息融合結(jié)果參數(shù)；（xij，yij）為無人機(jī)航拍的圖像區(qū)域模板匹配值。根據(jù)地形值幾何精度測量，進(jìn)行航拍速率的自適應(yīng)控制[9]，采用無人機(jī)拍攝像素特征參數(shù)，進(jìn)行特征分解，得到無人機(jī)航拍的圖像區(qū)域分布灰度特征量為

引入無人機(jī)航拍的軌跡分布值，設(shè)Δi 為數(shù)據(jù)覆蓋的地理范圍分布；vr為無人機(jī)航拍的圖像分布區(qū)域檢測融合參數(shù)，新增數(shù)據(jù)覆蓋范圍，結(jié)合視覺跟蹤識(shí)別特征檢測，得到無人機(jī)航拍的圖像像素點(diǎn)檢測值為q（y），以檢測值為圖像識(shí)別的最終參數(shù)，可知無人機(jī)拍攝速率自動(dòng)校準(zhǔn)的像素跟蹤識(shí)別關(guān)系如圖2所示。

圖2 無人機(jī)拍攝速率自動(dòng)校準(zhǔn)的像素跟蹤識(shí)別關(guān)系Fig.2 Relationship of pixel tracking recognition for automatic calibration of UAV shooting rate

在圖2所示的無人機(jī)拍攝速率自動(dòng)校準(zhǔn)關(guān)系中，通過引入不同的尺度因子[10]，得到核函數(shù)描述為

式中：λ1，λ2是無人機(jī)拍攝速率自動(dòng)校準(zhǔn)參數(shù)，在3×3 網(wǎng)格模型中進(jìn)行無人機(jī)拍攝速率自動(dòng)校準(zhǔn)的參數(shù)融合；Kσ為無人機(jī)拍攝速率參數(shù)尺度偏移σ 系數(shù)。通過選擇σ 的初始值，結(jié)合Harris 角點(diǎn)檢測實(shí)現(xiàn)對無人機(jī)拍攝速率參數(shù)檢測，實(shí)現(xiàn)無人機(jī)航拍的圖像識(shí)別。

2 無人機(jī)拍攝速率校準(zhǔn)優(yōu)化

2.1 基于5G 的無人機(jī)拍攝的圖像信息輸出

分析無人機(jī)拍攝圖像的幀跟蹤識(shí)別模型，在5G通信背景下對無人機(jī)拍攝的圖像信息傳輸控制[11]。

設(shè)參數(shù)解析控制下無人機(jī)拍攝的圖像信息傳輸?shù)哪：群瘮?shù)為

式中：ec為無人機(jī)航拍的圖像識(shí)別度參數(shù)；a 為無人機(jī)拍攝速率參數(shù)校準(zhǔn)的高斯核的標(biāo)準(zhǔn)差。結(jié)合無人機(jī)拍攝速率信息解析控制結(jié)果為

式中：i 為無人機(jī)拍攝速率配準(zhǔn)的邊緣像素值g（i）處的采樣信息；Ω 為無人機(jī)拍攝速率自動(dòng)校準(zhǔn)的5G傳輸信道參數(shù)。獲取數(shù)據(jù)的實(shí)際覆蓋范圍，得到速率參數(shù)數(shù)據(jù)分布的點(diǎn)矩陣為

根據(jù)新增數(shù)據(jù)覆蓋范圍渲染結(jié)果，結(jié)合空間欠采樣技術(shù)，得到無人機(jī)拍攝速率自動(dòng)校準(zhǔn)的測量結(jié)果為A（e），τ 為目標(biāo)參數(shù)，結(jié)合相鄰特征比對，得到無人機(jī)拍攝速率自動(dòng)校準(zhǔn)的對比信息為d（r）。對提取的弱光照圖像視覺傳達(dá)信息實(shí)現(xiàn)模糊度融合和辨識(shí)處理，動(dòng)態(tài)加載地形數(shù)據(jù)，得到無人機(jī)拍攝速率與地形分布的相關(guān)關(guān)系為

式中：Zj為動(dòng)態(tài)加載地形數(shù)據(jù)參數(shù)；A 表示無人機(jī)拍攝速率分布特征量，它為N 階方陣，即A=｛ai，j，0＜i，j＜N｝，通過相鄰幀補(bǔ)償，得到無人機(jī)拍攝速率參數(shù)估計(jì)的均值為

式中：xT是無人機(jī)拍攝速率分布的候選目標(biāo)像素；?為分?jǐn)?shù)階細(xì)分的時(shí)間間隔。

2.2 無人機(jī)拍攝速率校準(zhǔn)輸出

根據(jù)5G 通信的信道差異性特征量進(jìn)行負(fù)載均衡調(diào)度，進(jìn)行無人機(jī)拍攝的速率參數(shù)估計(jì)，通過無人機(jī)拍攝的圖像的邊緣灰度信息解析控制結(jié)果，獲得無人機(jī)拍攝速率解融合分布結(jié)果為

式中：cm為無人機(jī)拍攝速率校準(zhǔn)的適應(yīng)度函數(shù)，采用RGB 特征分解的方法，得到無人機(jī)拍攝速率校準(zhǔn)的自適應(yīng)統(tǒng)計(jì)特征分量為；在細(xì)分的最小執(zhí)行單元中[12]，得到無人機(jī)拍攝速率參數(shù)估計(jì)的最小二乘估計(jì)特征量為（Im，無人機(jī)拍攝速率參數(shù)估計(jì)的適應(yīng)度參數(shù)表示為

式中：βi表示無人機(jī)拍攝速率參數(shù)估計(jì)的離散度；t（f）是無人機(jī)拍攝速率校準(zhǔn)的自適應(yīng)閾值分割系數(shù)[13-15]；wi是無人機(jī)拍攝速率校準(zhǔn)的特征尺度；P（x，y）iv和P（x，y）if分別是無人機(jī)拍攝速率校準(zhǔn)的檢測統(tǒng)計(jì)特征量。以該統(tǒng)計(jì)特征量為校正的最優(yōu)值，實(shí)現(xiàn)對無人機(jī)拍攝速率自動(dòng)匹配校準(zhǔn)，實(shí)現(xiàn)的仿真結(jié)果如圖3所示。

圖3 無人機(jī)拍攝速率自動(dòng)匹配校準(zhǔn)的仿真結(jié)構(gòu)圖Fig.3 Simulation structure diagram of automatic matching and calibration of UAV shooting rate

3 仿真測試與結(jié)果分析

為了測試本文方法在實(shí)現(xiàn)無人機(jī)拍攝速率自動(dòng)匹配校準(zhǔn)中的應(yīng)用性能，采用Matlab 進(jìn)行仿真測試。

以大疆御2 無人機(jī)為實(shí)驗(yàn)機(jī)器，在DJI GO4 APP 中設(shè)置好各項(xiàng)視頻參數(shù)，采集實(shí)驗(yàn)數(shù)據(jù)，此時(shí)，對無人機(jī)拍攝速率參數(shù)采集的樣本數(shù)為3600，地形網(wǎng)格分布為120×120，無人機(jī)拍攝的高程數(shù)據(jù)采樣精度為5 m，將上述參數(shù)設(shè)定輸入到仿真平臺(tái)中，顯示出無人機(jī)分布的仿真示意圖如圖4所示。

圖4 無人機(jī)分布的仿真示意圖Fig.4 Simulation sketch of UAV distribution

無人機(jī)拍攝點(diǎn)為6 個(gè)，其拍攝速率不同，因此運(yùn)動(dòng)軌跡不同，所以，為了確定變量和定量，在本次仿真中，以圖4 的單幀單次運(yùn)動(dòng)軌跡為標(biāo)準(zhǔn)，在相同的拍攝速率下，進(jìn)行無人機(jī)拍攝速率自動(dòng)匹配校準(zhǔn)，得到校準(zhǔn)結(jié)果如圖5 示。

分析圖5 得知，由于本文方法采用視頻幀差補(bǔ)償控制方法進(jìn)行無人機(jī)拍攝的圖像像素特征分集和誤差補(bǔ)償設(shè)計(jì)，其跟蹤效果明顯高于其他兩種方法，為有效實(shí)現(xiàn)無人機(jī)拍攝速率自動(dòng)匹配校準(zhǔn)提供基礎(chǔ)。

圖5 無人機(jī)拍攝點(diǎn)跟蹤效果對比Fig.5 Comparison of the tracking effect of UAV shooting point

以初始視頻參數(shù)為對照，以仿真結(jié)果為依據(jù)，測試不同方法進(jìn)行無人機(jī)拍攝速率校準(zhǔn)的性能，得到測試結(jié)果如圖6所示。

圖6 校準(zhǔn)性能對比測試Fig.6 Calibration performance comparison test

分析圖6 得知，本文方法進(jìn)行無人機(jī)拍攝速率校準(zhǔn)時(shí)，與其它方法相比，其進(jìn)行了無人機(jī)拍攝圖像的信息增強(qiáng)控制，其初始校準(zhǔn)點(diǎn)和最終校準(zhǔn)點(diǎn)的擬合程度較高，以此提高了準(zhǔn)確率和數(shù)據(jù)召回率，降低了輸出均方根誤差，其校準(zhǔn)性能得到保證。

4 結(jié)語

本文提出基于5G技術(shù)的無人機(jī)拍攝速率自動(dòng)校準(zhǔn)方法，通過關(guān)聯(lián)規(guī)則特征參數(shù)融合的方法，構(gòu)建無人機(jī)拍攝圖像的幀跟蹤識(shí)別模型，結(jié)合5G 通信技術(shù)，實(shí)現(xiàn)對無人機(jī)拍攝速率自動(dòng)校準(zhǔn)且無人機(jī)拍攝速率自動(dòng)校準(zhǔn)的輸出性能較好，無人機(jī)拍攝點(diǎn)的跟蹤和圖像檢測準(zhǔn)確性較高。