目前用于全球定位的导航系统主要基于卫星，其精度取决于用于计算和定位的卫星数量。例如，卫星信号可能会因高层结构而减弱或受阻，从而导致导航系统的精度降低。这对无人机的使用造成了限制。为了提高定位精度和减少定位误差，全球定位系统（GPS）通常与惯性导航系统（INS）集成。然而，对人为干扰的敏感性和对卫星技术的依赖导致GPS/INS组合系统的定位精度不足。

解决这个问题的根本办法是建立一个自主导航系统。现有的视觉模式识别方法基于逐步获取研究地形数据的过程，该过程定义了系统分析方法，原理如图1所示。

图1 图像识别和图像分类在无人机导航系统中的应用示意图

●首先，将二维点云投影到物体（道路、建筑物或其他物体）的图像上，自动创建地形的数字模型，并将物体的假设创建为地面上的不连续。这是使用图像处理工具、线性代数和数学形态学完成的。

● 之后，道路、建筑物和其他对象的图像会自动分割，去除小而孤立的区域。结果是一个带有标记的图像，该标记包含每个分割对象的唯一标识符。然后计算每个对象的几何特征和上下文特征，并进行分类。

● 然后，将创建一个类图像，其中包含每个分割对象的类别。如果相关对象属于同一类，则在两个不同的图像中使用标签和类非常有用。

●最后，将标签和类别图像重新投影到二维点云中，以获得最终结果。

利用摄影中的轮廓分析算法可以识别图像。轮廓分析是描述、存储、识别、比较和搜索图形图像/对象的重要且非常有用的方法之一。有一种内置的视觉算法，可以使用可靠的全局-局部对象模型对二维和三维对象进行长期任意跟踪，如图2所示。

图2 城市（A）和开放（B）区域等高线视觉方法的示意图

在这里，黄色箭头强调可以被识别为具有几何形状特征的物体：清晰的轮廓、直线的扭结角度和已知的直线比例。无人机导航系统中考虑的方法包括三个模块：1.全局匹配和局部跟踪（GMLT）；2.局部几何滤波器（LGF）；3.局部异常因子（LOF）。算法原理如图3所示：

图3 算法的原理图

大量无人机飞行实验表明，该视觉跟踪器在图像分辨率为640×512的i7处理器上实现了每秒35帧以上的实时帧速率，性能优于最流行的最先进跟踪器。当前最好的边界检测方法是Canny边缘检测器，包括以下步骤：第一步：搜索渐变；第二步：非最大抑制；第三步：双阈值滤波；第四步：通过滞后进行边缘跟踪，如图4所示：

 图4 通过边界检测评估边缘检测框架的说明

这种方法很容易实现，但它的显著缺点是对地形的最小变化很敏感，这可能会导致轮廓的强烈变化。这个问题可以通过使用图像的点特征来描述对象的方法来解决。例如，用于预测观察场景深度图的卷积神经网络模型展示了对包含多个对象的未观察复杂场景进行分割并估计这些场景深度图的能力（图5）。

图5使用神经网络构建不同位置的彩色图像、深度图和预测语义体素模型

我们使用一种通用的神经网络结构进行目标检测，该结构具有强大的深度学习图像分类模型，将检测到的图像分为无人机图像和鸟类图像两类。在转换器之前使用额外的模块可以改善输入信号，例如一个U-net架构，它被放置在检测器前面，以计算连续帧的移动，如图6所示。

图6 基于检测和分类步骤的一般步骤

无人机视觉导航需要识别图像中的目标，并使用深度学习方法对图像进行分割和深度图估计，从而估计到可能的障碍物的距离。基于机器视觉技术的图像预处理过程是图像识别算法中一个必不可少的初始点。用于目标检测的深度学习算法具有很高的数据调整灵敏度，是目标检测和分类中最常用的方法。