目前用于全球定位的導航系統主要基于衛星，其精度取決于用于計算和定位的衛星數量。例如，衛星信號可能會因高層結構而減弱或受阻，從而導致導航系統的精度降低。這對無人機的使用造成了限制。為了提高定位精度和減少定位誤差，全球定位系統（GPS）通常與慣性導航系統（INS）集成。然而，對人為干擾的敏感性和對衛星技術的依賴導致GPS/INS組合系統的定位精度不足。

解決這個問題的根本辦法是建立一個自主導航系統?，F有的視覺模式識別方法基于逐步獲取研究地形數據的過程，該過程定義了系統分析方法，原理如圖1所示。

圖1 圖像識別和圖像分類在無人機導航系統中的應用示意圖

●首先，將二維點云投影到物體（道路、建筑物或其他物體）的圖像上，自動創建地形的數字模型，并將物體的假設創建為地面上的不連續。這是使用圖像處理工具、線性代數和數學形態學完成的。

● 之后，道路、建筑物和其他對象的圖像會自動分割，去除小而孤立的區域。結果是一個帶有標記的圖像，該標記包含每個分割對象的唯一標識符。然后計算每個對象的幾何特征和上下文特征，并進行分類。

● 然后，將創建一個類圖像，其中包含每個分割對象的類別。如果相關對象屬于同一類，則在兩個不同的圖像中使用標簽和類非常有用。

●最后，將標簽和類別圖像重新投影到二維點云中，以獲得最終結果。

利用攝影中的輪廓分析算法可以識別圖像。輪廓分析是描述、存儲、識別、比較和搜索圖形圖像/對象的重要且非常有用的方法之一。有一種內置的視覺算法，可以使用可靠的全局-局部對象模型對二維和三維對象進行長期任意跟蹤，如圖2所示。

圖2 城市（A）和開放（B）區域等高線視覺方法的示意圖

在這里，黃色箭頭強調可以被識別為具有幾何形狀特征的物體：清晰的輪廓、直線的扭結角度和已知的直線比例。無人機導航系統中考慮的方法包括三個模塊：1.全局匹配和局部跟蹤（GMLT）；2.局部幾何濾波器（LGF）；3.局部異常因子（LOF）。算法原理如圖3所示：

圖3 算法的原理圖

大量無人機飛行實驗表明，該視覺跟蹤器在圖像分辨率為640×512的i7處理器上實現了每秒35幀以上的實時幀速率，性能優于最流行的最先進跟蹤器。當前最好的邊界檢測方法是Canny邊緣檢測器，包括以下步驟：第一步：搜索漸變；第二步：非最大抑制；第三步：雙閾值濾波；第四步：通過滯后進行邊緣跟蹤，如圖4所示：

 圖4 通過邊界檢測評估邊緣檢測框架的說明

這種方法很容易實現，但它的顯著缺點是對地形的最小變化很敏感，這可能會導致輪廓的強烈變化。這個問題可以通過使用圖像的點特征來描述對象的方法來解決。例如，用于預測觀察場景深度圖的卷積神經網絡模型展示了對包含多個對象的未觀察復雜場景進行分割并估計這些場景深度圖的能力（圖5）。

圖5使用神經網絡構建不同位置的彩色圖像、深度圖和預測語義體素模型

我們使用一種通用的神經網絡結構進行目標檢測，該結構具有強大的深度學習圖像分類模型，將檢測到的圖像分為無人機圖像和鳥類圖像兩類。在轉換器之前使用額外的模塊可以改善輸入信號，例如一個U-net架構，它被放置在檢測器前面，以計算連續幀的移動，如圖6所示。

圖6 基于檢測和分類步驟的一般步驟

無人機視覺導航需要識別圖像中的目標，并使用深度學習方法對圖像進行分割和深度圖估計，從而估計到可能的障礙物的距離?；跈C器視覺技術的圖像預處理過程是圖像識別算法中一個必不可少的初始點。用于目標檢測的深度學習算法具有很高的數據調整靈敏度，是目標檢測和分類中最常用的方法。