基于视觉的位移检测稳定无人机控制在云服务器上

文摘

如今,图像处理解决方案是用于许多领域,如交通信息系统和非法入侵检测系统。现在,协助控制摄像头的设备,需要适当的图像处理技术而不是固定的观察者移动。为实现这一目标,一个算法应快速、准确地获得所需的结果;因此,本文认为两个特点:功能性能(可靠性)和时间性能(效率)。可靠性意味着可以实现预期的结果如何,和效率意味着速度可以计算的结果。提出一个优化的实时图像算法基于光学的集成流和日后健壮的特性(冲浪)算法。该算法确定相机的水平或垂直运动,然后提取其位移。该算法可用于稳定的无人机(UAV)的情况下它是漂移由于惯性和外部力量,像风,并行。该算法是有效的实现漂移运动稳定的检测;但是,它不适合在小型无人机图像处理。 To solve this problem, this study proposes an image processing method that uses a high-performance computer.

1。介绍

从相机拍摄的图像有很多信息。这些图像可能随后处理技术,成功地使用在各种应用程序中,如入侵检测系统、交通事故检测、车牌识别。这些系统在许多不同的方式让我们的生活方便;然而,这些应用程序并不是解决在这个研究,因为这些系统使用实时拍摄的图像在一个固定的位置,比如一个闭路电视摄像头。

最近,已经被越来越多的趋势,使用图像处理技术与图像摄像机安装在无人机等设备,机器人,和汽车(1]。它有同样的效果,看看周围的设备,有能力。特别是,有时候很难获取信息从无人机的惯性或红外传感器或移动机器人。在这些情况下,实时图像处理可以是一个非常强大的解决方案。

然而,图像处理技术应该谨慎使用固定相机的情况下,因为他们造成了意外事件的风险。此外,不正确的图像处理可能会导致严重的危险情况。为了消除这些风险,确保其可靠性,应该设计一个算法来处理大量的风险情况下,为防止错误使用复杂的方法;然而,这些措施导致了增加一个算法的操作时间。图像处理算法需要两个因素之间的适当平衡,计算时间被认为是实时图像处理的一个非常重要的因素。

本文提出了一种图像处理算法来检测摄像头的设备和估计的运动位移;它提出了一种优化方法有效地实现这一目标,分析算法的有效性和可靠性。

本文提出一种方法控制无人机,以便它可以在非常稳定的悬停飞行模式使用安装摄像头的视觉信息记录。有几个图像处理技术用于实现这些目标,但本文提出的方法适用于云计算为了这项技术应用于小型无人机。这个控制的概念叫做“云机器人”,是一个有效的和可靠的系统(2]。

2。相关工作

有许多著名的研究旨在实现稳定漂移。为了解决稳定问题,(3)提出了一个系统使用一个惯性传感器检测位移。该控制系统在Matlab仿真软件显示非常好的业绩;然而,基于集成传感器数据处理系统不工作在现实世界中实现仿真。事实上,它是非常困难的使用惯性传感器测量运动信息如果无人机移动速度常数。可以设计一个控制系统(4),可以使用GPS稳定漂移,但这种控制系统是无用的,如果GPS传感器无法接收信号(室内、地下隧道,等等)。

也有许多最近的研究项目在计算机视觉和图像处理无人机控制。我们在本文的工作密切相关的工作2,5)和那些无人机跟踪系统的控制方法,但这些算法在无人机上的计算机工作。他们不是高效的微型无人机因其质量和能量消耗。此外,车载计算机系统表现不佳与普通电脑相比,这使得它很难建立一个智能控制系统。(6,7]提出一种控制无人机使用云computing-based愿景,但论文不描述实际的控制方法。

研究[8)提出了一个控制系统稳定监视和命令使用视觉信息从一个相机,是安装在平台。这意味着控制系统只能在虚拟机器人实验平台(V-REP)。最近论文摘要消除弱点,实现漂移稳定使用无人机的实时图像处理和计算位移与云计算。

h .视频编码技术在本文中用于实时视频传输(9]。一个相关的论文(10]提出了一种算法,跟踪其边缘的位移通过提取显著特征并使用提取的位移或旋转图像运动。另一个相关的论文(11)描述了一种算法,计算quadrotor运动来推断一个边缘的变化。尽管主题非常相似,本文算法在文献[11在检测运动和执行不佳不是优化。相关文献[12)类似于研究论文(11]。

另一个相关的文件系统13]决定运动的当前状态基于过去的特点与优势的采用的方法。(14)提出了一个概念使用MPEG视频跟踪摄影机运动。该算法在14类似于我们的但不提取位移信息实时,不适合使用。一些论文提出算法检测运动对象并确定位移使用相机的图像处理。

之前的研究显示性能优良;然而,这些系统需要改进,因为他们没有适当的算法快速计算漂移信息控制无人机。出于这个原因,本文算法将对无人机漂移的稳定是一个重要的贡献。

3所示。总体架构

本文将描述一种自上而下的方法;第一部分介绍了所需的高层提出的系统架构图。

3.1。高层体系结构的系统

山是不受欢迎的高性能计算机能够进行小型无人机图像处理几个重要原因。第一,物理空间是不够的。第二,一个小型无人机不能解除电脑;车辆的总重量明显增加和减少无刷直流电机的效率(15]。这将导致电机运行的额外的转矩,可一个障碍在控制无人机的态度(16]。第三,电力无人机的效率将严重下降。因为无人机上的所有设备消耗电力来自同一个电池,计算机执行许多操作和低效汽车造成体重增加可以加快电池消耗。由于这些原因,我们认为是不可能对一个小型无人机执行图像处理。然而,一个聪明的无人机控制系统应该使用大量的视觉信息。本文提出一个执行实时图像处理系统在云系统和控制无人机根据这些结果。提出系统的顶层架构图所示1。嵌入式系统在小型无人机在右边的图中描述。它只包含最低基本控制功能,如接收传感器数据,计算值,通过PID控制和控制电机(17]。无人机摄像头模块,获得图像和执行最小压缩传输。无人机可以发送或接收数据包控制分组和状态。相机模块与嵌入式系统通过高性能计算机USART和股票信息通过无线网络。高性能计算机是安装在地面上。高性能计算机接收到稳定的电力供应,必要时可以自由扩展。相机模块可以可靠地传输和接收数据有限距离内(18]。视觉信息传输和数据包传输和接收问题不考虑,也没有一个小型无人机机载控制系统被认为是在这篇文章中,我们使用一个验证无人机平台,苍蝇稳定和设计立即响应来自用户的命令。有必要设计一个方法,配合与云电脑,因为它的效率是增加(19)开发的算法(如h)和通信技术。本文的核心思想是计算机控制系统的设计,运行在地上。其设计在下一节中描述。

3.2。地面控制中心

本文旨在控制无人机使用云服务器上的实时图像处理的结果。地面控制中心是必不可少的软件,运行在云服务器为了实现漂移稳定在一个很小的无人机。地面控制中心提出如图2。每一块表示在接下来的具体描述:(1)举输入。这是一个Windows举库接收操纵杆的信号。(2)套接字。是TCP / ip通信的接收从无人机实时视频和传感器数据和发送控制包。(3)图像缓冲区。地面控制中心将每个图像帧存储在缓冲区就进入插座。(4)传感器数据缓冲区。地面控制中心所有传感器信息存储在缓冲区。(5)图像处理器和位移器。这个过程是一个回调函数调用是否完成一帧转移。使用Lucas-Kanade的位移计算光流和日后健壮的特性(冲浪)算法。(6)航班状态监控。这从无人机监视传感器数据传输,如态度信息(音高、辊和偏航),电池电压、气压、GPS和红外线。(7)自动驾驶仪控制器。控制器执行漂移稳定使用位移传感器数据。这个过程由PID控制器产生控制信号。(8)控制器信号输入。输入回忆飞行所需的输出信号的操纵杆,如轴信息(音高,辊、偏航和节气门)和操纵杆按钮按下的信息。(9)自动开/关。自动开/关选择器决定是否将操纵杆信号发送到飞行控制器直接或把操纵杆信号与自动驾驶仪控制混合信号。(10)飞行控制器。控制器产生每秒20控制数据包。每个控件包包含基本飞行控制信息,如音高,滚,偏航,节流阀,辅助控制信息用于特殊目的。地面控制中心的目的是执行一个复杂和精细的操作,所以程序的可靠性是非常重要的。如果有收到操纵杆的微小错误信号,一个命令数据包的传输,图像处理的准确性或自动飞行控制,会发生危险的情况。由于这个原因,所有程序模块都应该精心设计的忠实履行自己的角色。然而,它是不可能只增加系统的可靠性盲目,因为图像处理(步骤图像处理器和位移器)需要大量的计算。系统的目的是通过优化平衡的可靠性和效率。

4所示。系统设计

4.1。集成的必要性:冲浪和光学流

传感器数据集成是有用,因为可以利用优势相结合的系统集成,如统一的高精度轨迹信息的GPS和惯性导航系统(INS)的短期稳定性(20.]。GPS接收器是一个低频率响应导航传感器能够提供瞬时位置精度在1赫兹。INS提供连续的位置、速度和方向的估计,在短期内是准确的,但由于传感器漂移漂移。每一块位移计算的信息浏览和光学流算法与GPS和INS信息共享属性。冲浪提供了统一的高精度位移信息和光学流可以提供短期位移稳定。然而,位移信息计算冲浪是嘈杂和光学流不能计算绝对轴,因为在任何给定的时间只有一个独立的测量可以从每个图像序列。冲浪和光学的集成流可以限制个体系统的缺点,即噪声的典型冲浪和长期漂移测量光学流的特征。集成还可以利用两个系统的优点,如统一从冲浪和短期稳定高精度位移信息光学流。使用光学流如下计算速度。

4.2。使用光学流计算速度

所有生物可以识别他们的运动通过观察周围不断的对象或风景。采用这个概念在我们的系统来计算位移的小型无人机。光流可以确定每个图像的特征向量流实时帧。

4.2.1。准备Integral-Based位移提取

取代向量可以通过使用光流21]。这意味着向量代表相机运动。文献[21建议以下方程:

方程(1)意味着求和的光流矢量设在和设在。这种技术可以获得位移。然而,它限制了检测精确的位移。这个问题将在下一章中提到。

4.2.2。光流的操作

基于光学位移检测系统的操作流呈现在图3。图3(一个)显示了零矢量在停止状态,只有特征点。图3 (b)表明和组件的向量代表运动。正如前面解释的,光流可以提供短期位移稳定。这意味着系统可以探测到停止状态,一个移动的状态,和运动方向,如图3 (c)。然而,最后一个值不收敛于零,虽然相机回到原来的位置。也就是说,该算法不能计算的距离绝对参考位置,因为它是专门为提取两幅图像之间的信息流动。

4.3。绝对距离:冲浪

确定位移的另一种方法是识别特定的运动对象。因为这个识别是基于特定的对象,观察者能够评估他或她的绝对位置如果对象没有突然移动。这种识别方法是模仿计算机程序能识别运动。海浪的方法应用于该系统;不仅是冲浪检测器和描述符快,但前者也可重复的,后者是独特的。非常适合冲浪对象检测、物体识别、图像检索任务(22]。有必要修改冲浪算法为了使用它来计算位移。算法分析从两个不同的图像帧,然后提取特征点之间的向量从每个帧图像最相似的两个特点。它可以从一个特定的计算位移位置如果一个图像帧定义了这个位置。

4.3.1。体系结构位移的冲浪

冲浪算法被广泛用于对象跟踪通过分析两幅图像之间的相似的功能。然而,如果系统生成参考图像在一个特定的位置,它可以获得流之间的位移图像(当前位置)和参考图像(图6)。计算位移的位移可以被认为是相机。出于这个原因,系统接收到参考图像的位置应该举行,如图4。自参考图像生成一次在所需的位置,可以计算相机移动时的位移。其优势光学流能力确定并返回到初始位置。即解决方案可以在绝对坐标系中定义摄像机运动。

4.3.2。提出了冲浪算法的优化

提出系统优化冲浪计算位移的相机。最初的冲浪算法需要太多时间为目的的这个系统,因为它提取特征点超过所需的位移计算。换句话说,优化过程的核心是提取相应的特征点,这可以通过调整输入图像的大小。最初的冲浪算法的时间复杂度,计算时间可以减少到四分之一的这一半的图像大小(像素的数量减少到1/4)。然而,减少或限制输入大小执拗地会导致可靠性问题当系统接收到一个图像,很难从中提取特征点;如果从参考图像位移增加,数量的特性,可以用于位移计算明显减少了。出于这个原因,系统应该旨在找到适当数量的特性。图像的比例因子是由提取的数量特征,如图8。这种规模的减少当提取特征的数量大于参考特征的数量。同样,增加规模如果提取特征的数量小于参考特征的数量。这个概念被表示为一个时间序列23]: 图像分辨率是由调整高度和宽度的比例: 以下规模调整的新值,取决于数量的特性: 规模最大和最小值。根据(2)- (4),确定规模灵活根据引用的数量特征。所需的性能和可靠性计算位移会增加通过设置一个灵活的特征提取算法。

4.3.3。提出了冲浪算法的操作

基于位移的冲浪算法提取的操作系统可以在图中找到5。首先,系统生成一个参考图像在一个特定的位置,如图5(一个)。位移计算摄像机移动到左边,如图5 (b),计算位移图所示5 (f)。相机向右移动时,矢量显示如图5 (c)和位移值在图所示5 (f)。系统的一个好处是可以提取位移尽管障碍挡住了摄像头。虽然位移有点不稳定,这是计算很好,如图5 (d)。最后,计算位移收敛于零当相机回到起始位置。该系统可以准确地计算出位移系统的从一个特定的位置,与光流相比,不能计算准确的位移,如图5 (e)。然而,冲浪算法比吵着光流算法。出于这个原因,我们将这两种类型的数据,冲浪和光学流,为了使系统更可靠。

4.4。集成

提出冲浪/光学流集成图如图10。块的功能如下。流的形象:一个图像实时收到相机。帧率是30 FPS。然而,基于WiFi接收的帧速率可以降低。一旦收到一个图像完成,以下程序执行。冲浪和光学流:每个独立执行图像处理算法使用相同的流的形象。分配的算法计算的结果和状态变量。数据过滤:这个过程是由系统图像处理完成时执行。在这一步中,集成发生; the filter calculates the reliable data from the two complementary data sources.

4.1.1。设计滤波算法

在本文中,摄像机运动是有限的设在(辊旋转)。这种限制已经设置,因为本文的目的是确定该系统的有效性。添加一个设在计算需要的复杂算法,如深度照相机,可以迷惑系统验证过程。该系统将扩展时保证系统的可靠性和性能: MoV(方程(5)意味着时刻的速度。速度可以取代向量计算光流算法: 滑动平均(MA)是一个计算分析数据点通过创建一系列的平均值不同子集的完整的数据集。子集的范围定义的窗口大小,可以改变。方程(6)计算平均的最新值MoV数据点:

大窗口大小提高数据的可靠性;然而,它会导致系统反应缓慢,遵循源数据集。这意味着,一个固定的窗口大小可以计算位移的一个障碍。出于这个原因,需要适当调整窗口大小: 窗口大小有一个边界,加强过滤数据的可靠性: 是冲浪的马窗口大小计算数据,可以获得(8)。即最终的位移是马的价值位移得到海浪算法,具有灵活的窗口大小根据马的速度位移的价值。

总结提出了方程(5)(9):系统增加窗口大小提高反应速度大时,它减少了窗口的大小以改进数据稳定速度时小。

5。实现和实验

提出系统是使用MFC实现语言,Visual Studio 2008 Windows 8系统上。系统采用开放简历2.3图像处理。

无人机使用stm32-M3主处理器和3 d打印的帧。无人机推力生成使用4刷马达及其控制的态度有一个加速度传感器,gyrosensor和磁传感器。它旨在控制音高,滚,偏航,通过分析指令数据包通过无线传播。

实验是在实验室(图7)。的实验室是在室内,没有GPS接收,所以系统漂移测量位移的稳定设在。实验室是一个室内空间与白墙和一些家具,这意味着结果特性所使用的光流和冲浪不是有效的专门为这个空间。

实验环境中进行表所示1。该系统是为PC的平均表现。

6。结果

6.1。结果优化光学流和冲浪

有实验结果的性能和可靠性分析的优化算法。表2显示的精度和计算时间优化的光流算法。提出系统显示34次改善性能实现算法。

此外,该系统显示了运动方向相同的结果提取算法。虽然它不低通滤波器,两个系统显示100%的运动方向检测。

图9数据显示了海浪的图形绘制算法优化计算位移测量。图9(一个)随着时间的推移显示位移。首先,无人驾驶飞机向左移动,拥有它的位置,然后再右移。观察到,它回到了原点。图9 (c)表明,调整规模适当保持150特征点。

表3展示了海浪的质量和可靠性算法优化位移提取。在前三个实验中,天平是固定的,分别为0.67和0.5,。在另外两个试验中,目标特性是固定在150年和250年。

首先,随着图像的规模变得更小,操作时间也会降低。然而,提取有效特征的平均数量也减少比例。减少数量的特性造成可靠性降低。

的数量特征的变化需要密切观察。大的变化意味着有很大的偏差在每一帧中提取特征。换句话说,而无人机被放置在标准位置,更多的功能比一般提取,但当位移较大,提取的功能比一般人更少。

在此系统中,当规模是1,操作时间和增加更多的功能比需要提取,造成系统资源的浪费。规模为0.5时,减少操作时间和功能,但是功能的偏差太大,位移的测量规模减少。

然而,该算法,通过充分控制规模每一刻,大约能够保持客观特性所需的数量。这显示减少偏差,可以稳定地提取特征的总范围的位移。两个属性都绘制在图10;图表显示了提取位移时,无人机移动左右并返回。它显示了冲浪的特点,这是嘈杂的,光流,不收敛于原点。

6.2。集成的结果

这两种不同属性的数据绘制在图10。这意味着提取位移,当无人机左右移动和回报。结果表明,冲浪的特点,有很大的噪音,和光学流,原来不是,聚合点。

平滑图像通常显示通过使用马,但结果大延迟从真实数据的使用。然而,先进的冲浪算法的位移计算化合物的品质数据的两个来源。一样稳定的正常平均滤波器,提取值立即跟随真实数据的趋势。具体地说,在390年框架、快速发生位移,和先进的冲浪很适应条件。

6.3。漂移稳定的无人机

真正的quadrotor控制进行了综合位移。位移的提取设在和漂移稳定。

位移测量从标准角度,无人机必须持有,并通过图像处理计算。测量位移输入的误差值PID控制器(24),并与PID值、地面控制中心控制数据包传输quadrotor的位置。如图10当位移引起的流,quadrotor返回到原始点。

7所示。结论和未来的工作

提出了一种运动检测算法和基于实时位移测量算法相结合的图像处理冲浪和光学流。两个图像处理方法优化了位移检测。该系统设计是基于反馈控制维护优化系统性能和可靠性。它是一种强大的方法来实现这一研究的目的。因此,我们的实验表明优秀的功能和时序图像处理性能。

提出了光流方向和速度提取算法具有原始系统的准确性,但其操作时间减少到原来的四分之一。先进的4倍的速度比原来的冲浪冲浪算法提取位移时,同时保持足够的可靠性。综合位移提取算法的目的是最大化冲浪和光学流的优点,这是补充的数据源。它是一个伟大的贡献,因为它是一个高可靠、低成本的系统。

减少处理时间的实时图像处理允许它运行在一个低档次的电脑和提供的能力集中在添加安全模块或额外的任务来提高性能。最后,我们创建了地面控制中心,一个云服务器上执行基于云概念的机器人;其性能和可靠性非常高,因为它由无人机稳定的优化算法,如提出的图像处理算法。

这个系统将在未来被修改。我们正在另一个地面控制中心,可以运行在智能设备,2 GHz CPU和大于2 Gb RAM。我们预计,这将大大减少空间的限制,因为智能设备可以移动到任何地方。该系统还需要改进,以便它可以计算位移和控制无人机在另一个轴。这些改进将实现我们的下一个研究项目。另一个未来的研究是使用硬件运动识别基于这个结果。

相互竞争的利益

作者宣称没有利益冲突。

确认

这项工作得到了ICT研发项目MSIP / IITP (r - 20150224 - 000386,软件技术的发展一代的详细地图逐步更新和驾驶情况意识基于云计算)。本文写作为建国大学的研究支持计划的一部分教师在2013年公休假。

引用

1. S.-J。汉和j . Choi”车辆实时精密定位使用数字地图,”电子杂志,36卷,不。6,968 - 978年,2014页。视图:出版商的网站|谷歌学术搜索
2. g . Hu w·p·泰,y,“云机器人:架构、挑战和应用程序”,IEEE网络,26卷,不。3,第21至28,2012页。视图:出版商的网站|谷歌学术搜索
3. 周宏儒。宋,m .黄h·荣格,Y.-G。哈,“数学建模的多层Micro-UAVs使用惯性导航单元传感器漂移稳定方法,”应用数学学报ID 747134条,卷。2014年,11页,2014年。视图:出版商的网站|谷歌学术搜索
4. 美国兰格:Sunderhauf, p . Protzel“基于愿景的机载着陆方法和位置控制一个自治的multirotor无人机在gps定位的环境中,”先进机器人技术国际会议(ICAR ' 09)2009年6月,页1 - 6,IEEE,。视图:谷歌学术搜索
5. t .弗拉基米尔D.-H。金,Y.-G。哈,和d .全“快速多行检测和跟踪的CUDA的无人机自动驾驶仪,建立”学报》第八届国际会议上创新的移动和互联网服务无处不在的计算(imi 14)IEEE,页96 - 101年,伯明翰,英国,2014年7月。视图:出版商的网站|谷歌学术搜索
6. j . Chudoba m . Saska、t·巴卡和l . Preucil”定位和稳定的微型飞行器基于视觉特征的跟踪、”美国无人驾驶飞机系统国际会议(ICUAS 14)2014年5月,页611 - 616。视图:出版商的网站|谷歌学术搜索
7. h . Guanglin g . Rujun, y .史”的应用FPGA在小型无人机自动驾驶仪基于嵌入式LINUX系统,”学报》第33届IEEE会议电子工业协会(IECON ' 07),页731 - 734,台北,台湾,2007年11月。视图:出版商的网站|谷歌学术搜索
8. m·a·Olivares-Mendez Kannan s, h . Voos”建立一个实验基于无人机视觉控制使用V-REP & ROS:一个案例研究在空中目视检查,”美国无人驾驶飞机系统国际会议(ICUAS 14)IEEE,页447 - 458年,奥兰多,佛罗里达州,美国,2014年5月。视图:出版商的网站|谷歌学术搜索
9. h·施瓦兹、d . Marpe和t . Wiegand”概述的可伸缩视频编码扩展h / AVC标准,“IEEE电路和系统视频技术,17卷,不。9日,第1120 - 1103页,2007年。视图:出版商的网站|谷歌学术搜索
10. j·k·帕伊克、y . c .公园和d . w .金”的自适应运动决策系统数字图像稳定器边缘模式匹配的基础上,“IEEE消费类电子产品,38卷,不。3、607 - 616年,1992页。视图:出版商的网站|谷歌学术搜索
11. s . g .楼阁D.-J。李,b . j .蒂k·d·漫画,每期a·w·丹尼斯,j·k·阿奇博尔德,“视觉辅助稳定和quad-rotor微型无人机的发展,”诉讼的IEEE机器人与自动化国际研讨会上计算智能(CIRA ' 07)佛罗里达州杰克逊维尔市,页143 - 148,美国2007年6月。视图:出版商的网站|谷歌学术搜索
12. m . Agrawal和k . Konolige“实时定位在室外环境中使用立体视觉和廉价的GPS,”18学报》国际会议模式识别(ICPR 06年),3卷,第1068 - 1063页,IEEE,香港,2006年8月。视图:出版商的网站|谷歌学术搜索
13. a·j·戴维森”,实时同步定位和映射只有一个相机,”学报》第九届IEEE计算机视觉国际会议(ICCV ' 03)IEEE,页1403 - 1410年,2003年。视图:谷歌学术搜索
14. 王r和t .黄”,快速相机运动分析MPEG域”《图像处理国际会议(99年ICIP”),3卷,第694 - 691页,神户,日本,1999年10月。视图:出版商的网站|谷歌学术搜索
15. h·w·s·j .公园公园,m·h·李和f . Harashima”新方法minimum-torque-ripple最大效率控制无刷直流电机,”IEEE工业电子产品卷,47号1,第114 - 109页,2000。视图:出版商的网站|谷歌学术搜索
16. 即高桥和t .野口勇”,一个新的快速反应和高效感应电动机的控制策略,”IEEE行业应用,22卷,不。5,820 - 827年,1986页。视图:出版商的网站|谷歌学术搜索
17. b . r . Trilaksono r . Triadhitama w . Adiprawita a . Wibowo和a . Sreenatha“半实物仿真的视觉目标跟踪octorotor无人机,“飞机工程和航空航天技术,卷83,不。6,407 - 419年,2011页。视图:出版商的网站|谷歌学术搜索
18. VARRAM,无线摄像头智能设备数据表VARRAM系统公司,2014年,http://www.varram.com/。
19. g . Ermacora生田斗真,s . Rosa et al .,“基于云服务的管理和规划自主无人机任务在智能城市场景中,”自治系统的建模和仿真:第一次国际研讨会,平顶山2014年,罗马,意大利,可能5 - 6,2014年修订后选定的论文卷,8906在计算机科学的课堂讲稿页,20-26施普林格,2014年。视图:出版商的网站|谷歌学术搜索
20. h . Qi和j·b·摩尔“直接卡尔曼滤波方法对GPS / INS集成,”IEEE航空航天和电子系统,38卷,不。2、687 - 693年,2002页。视图:出版商的网站|谷歌学术搜索
21. 周宏儒。宋和Y.-G。哈,基于实时视觉相机移动和位移检测算法、计算机科学及其应用,施普林格,柏林,德国,2015年。
22. 美国贝克和马修斯,“Lucas-Kanade 20年:一个统一的框架中,“国际计算机视觉杂志》上卷,56号3、221 - 255年,2004页。视图:出版商的网站|谷歌学术搜索
23. t·h·湾Tuytelaars, l . Van干傻事,“冲浪:加快健壮的特性,”电脑Vision-ECCV 2006女孩,a . leonardi h ., a . Pinz Eds。卷,3951在计算机科学的课堂讲稿施普林格,页404 - 417年,柏林,德国,2006年。视图:出版商的网站|谷歌学术搜索
24. k . h和g Chong, y,“PID控制系统分析、设计和技术,”IEEE控制系统技术,13卷,不。4、559 - 576年,2005页。视图:出版商的网站|谷歌学术搜索

版权

版权©2016 Hyeok-June宋等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。