无人机的定位功能是无人机自主导航的前提。机载传感器提供的信息具有不确定性，在GNSS信号消失的情况下难以实现准确定位。因此，国内外许多研究人员提出了多种辅助定位方法。本文基于视觉航拍技术，首先对航拍图像进行预处理，提取图像特征信息，然后采用粒子滤波技术提高定位精度。

近年来，无人机视觉定位技术在理论研究方面取得了长足的进步，部分成果已进入市场阶段，在特殊环境下表现出良好的实用性。与室内无人机或移动机器人相比，无人机在室外环境中的视觉定位存在诸多局限。要实现安全可靠的视觉导航定位任务，仍面临诸多挑战。关键问题如下：

有限空载问题

为了保持飞行，无人机必须产生足够的垂直升力，因此它的负载是有限的。目前，无人机可以装载的仪器包括相机、IMU和测距仪。为了完成无人机的自主定位任务，需要机载控制器，这也增加了负载的重量。如何减轻无人机负载的重量，实现更准确的自主定位，成为视觉导航的关键问题。

 机载控制器的计算能力有限

无人机视觉定位算法需要对视觉传感器捕获的图像序列进行处理，图像计算量非常大。即使是具有高计算性能的台式电脑也需要大量的计算时间。目前，机载设备的处理性能与台式电脑相差甚远。常见的解决方案是将地面站与无人机协调，通过地面站计算机运行视觉定位算法，然后通过通信设备将数据传输给无人机。室外环境复杂，在需要传输大量数据时，通信设备的性能将直接影响无人机定位的实时性。

航拍图像质量的可靠性

室外飞行区环境变化较大，无人机航拍图像容易出现变形、扭曲、倾斜、变焦等现象，室外光线变化造成的图像差异也很明显，直接影响图像质量。低质量的图像不利于视觉定位的准确性。在图像匹配阶段，通过特征点描述符对两幅图像进行匹配可能会产生错误的匹配点，从而影响视觉数据的可靠性和准确性。因此，图像匹配筛选算法需要一种方法来判断匹配的好坏，更好地消除不匹配的点和噪声。

定位精度和实时性

四旋翼无人机的最快飞行速度可以达到每秒8米。如果视觉定位算法不能实现实时定位，无人机可以获得延迟的位置信息，那么视觉定位的功能就没有多大用处了。定位延迟和定位误差不仅不能实现无人机的自主定位功能，还会大大降低无人机的安全性。定位精度也是无人机自主定位算法的关键问题。目前无人机的视觉图像处理是基于像素的，图像质量的好坏将直接影响图像特征点的代表性和准确性。图像处理和计算也是算法中最耗时的部分。

视觉导航技术是指利用计算机视觉技术对无人机航拍图像进行处理和分析，根据视觉定位算法可以估计无人机的当前位置。目前，无人机的视觉导航算法主要分为以下几类：基于图像序列或自然景观的匹配定位或跟踪、IMU惯性导航与卡尔曼滤波器的集成、视觉测量（V0）方法和视觉SLAM算法构建环境图。

基于特征点的定位可以有效地表达图像信息。特征点通常具有一些数学特征。特征，例如局部最大或最小灰度，以及一些梯度特征，在图像中也有特定的坐标。角可以简单地认为是两条边的交点。更严格的定义是在主方向附近有两个特征点，即灰度在两个不同方向发生剧烈变化。如图1所示，如果一个小窗口在各个方向上移动，窗口内的灰度值发生变化，则认为它是一个角，如图1(c)所示；如果任何方向都没有变化，则为均匀区域，如图1（a）所示; 如果灰度只在一个方向变化，则可能是图像的边缘，如图1（b）所示。

图1 图像的三个数字特征（a）均匀区域（b）图像边缘（c）图像角

近年来，视觉SLAM算法发展迅速。SLAM的研究起源于1986年召开的ieee-icpa会议。M. Monte Carlo et al. 提出了一种快速SLAM方法，该方法分为特征标记的定位和位置估计两个过程。特征标记的观测信息相互独立，只与机器人当前的位姿有关。西班牙萨拉戈萨大学的Mur ARTA提出了一种orb-SLAM方法。orb-SLAM方法的核心是在整个视觉导航中使用orb特征作为全局特征，包括视觉里程计、跟踪和环路检测三个部分。它配备了单目、双目和RGB相机接口。由于缺乏全球定位，SLAM技术受到越来越多的定位误差影响。单目SLAM算法在机器人高速运动时会出现尺度不确定的问题。很快，闭环误差将变得太大而无法解决。

为了解决这个问题，人们还提出加摄像头生成双目SLAM，或者加IMU生成耦合视觉惯性导航定位系统。初始粒子的位置可以通过视觉测量算法测量的运动变化来跟踪，而不是在没有测量的情况下随机移动它们。使用视觉测量算法可以减少粒子集生成过程的搜索空间。图2显示了从图像序列计算的变换。

图2 视觉测量算法粒子跟踪示意图

基于粒子滤波的定位方法可以达到更好的定位精度。定位算法采用迭代过程不断更新粒子，在长时间飞行过程中可能导致位精度不稳定。为了进一步提高定位鲁棒性，可以尝试结合机载传感器设备定位系统和视觉算法的优势。