基于无人机 RTK 和 yolov8 的目标定位算法

目录

背景

算法思路

代码实现

验证


背景

在城市交通巡检中如何进行车辆违停判断很重要,一个方法是通过精确坐标判断车辆中心是否位于违停框中,我们假设无人机坐标已知,并且无人机云台镜头垂直地面朝下,可根据图像分辨率、无人机参数、无人机坐标、识别目标位置等信息,解算出识别目标的具体坐标。

无人机采用大疆机场 2 自带的 Matrice3TD无人机,参数如下:

水平视场角:84 °

图像分辨率:800 X 600

无人机自带 RTK ,实时测定无人机当前坐标信息,包括经度纬度相对高度 以及航向角

算法思路

通过水平视场角和高度计算出影像实际长度,再由实际长度和影像分辨率计算单个栅格长度,再由yolo 目标识别矩形框计算中心栅格坐标,并计算与无人机地面投影点的栅格坐标差,从而计算实际矢量坐标差,再由航向角计算出目标中心最终坐标。

简要解算:

注意,本算法仅考虑无人机镜头垂直朝下的情况!!!

代码实现

参数定义:

python 复制代码
# 参数
Horizontal_view = 84  # 无人机水平视场角
Resolution_X = 800   # X 轴栅格数
Resolution_Y = 600   # Y 轴栅格数
R = 6371000  # 地球半径(米)

获取单个像素长度:

python 复制代码
def calculate_pixel_length(h):
    """
    计算像素长度
    :param h: 无人机相对高度(米)
    :return: 像素长度(米)
    """
    # 计算水平视场角的一半
    half_horizontal_view = Horizontal_view / 2.0

    # 图像长度
    l = 2.0 * h * math.tan(math.radians(half_horizontal_view))

    distance = l / Resolution_X
    return distance

可利用水平视场角、分辨率和高度 h计算

解算目标坐标:

python 复制代码
def calculate_target_coordinates(x1, y1, x2, y2, heading_angle, longitude, latitude, h):
    """
    计算目标坐标,仅考虑目标位于北半球、东半球
    :param x1: 目标左上角 X 轴像素位置
    :param y1: 目标左上角 Y 轴像素位置
    :param x2: 目标右下角 X 轴像素位置
    :param y2: 目标右下角 Y 轴像素位置
    :param heading_angle: 无人机航向角(度)
    :param longitude: 无人机经度(度)
    :param latitude: 无人机纬度(度)
    :param h: 无人机相对高度(米)
    :return: 目标坐标 (x, y)
    """
    pixel_length = calculate_pixel_length(h)
    # 目标中心点像素坐标
    target_x = (x1 + x2) / 2.0
    target_y = (y1 + y2) / 2.0

    # 无人机像素中心坐标
    drone_x = Resolution_X / 2.0
    drone_y = Resolution_Y / 2.0

    # 计算相对于中心点的像素位移,yolo 识别输出图像的坐标轴向下为 y 轴增加,需反转,不然后面坐标系无法转换
    raster_dx = target_x - drone_x
    raster_dy = drone_y - target_y

    # 实际距离
    vector_dx = raster_dx * pixel_length
    vector_dy = raster_dy * pixel_length

    # 图像坐标系转为地理坐标系,计算地理坐标系的分量,可理解为将图像坐标系逆时针旋转到与地理坐标系重合
    dx = vector_dx * math.cos(math.radians(heading_angle)) - vector_dy * math.sin(math.radians(heading_angle))
    dy = vector_dx * math.sin(math.radians(heading_angle)) + vector_dy * math.cos(math.radians(heading_angle))

    # 解算坐标,一纬度约为111km,一经度则还需乘cos(纬度)
    target_lon = longitude + (180 / math.pi) * (dx / (R * math.cos(latitude)))
    target_lat = latitude + (180 / math.pi) * (dy / R)

    # 返回目标坐标
    return target_lon, target_lat

计算出目标相对于中心点的位移后,需要将 y 轴反转,因为图像 y轴正方向是朝下的,与地理坐标系相反,然后再将图像坐标系作坐标系的旋转,旋转到地理坐标系上,从而能计算出目标点位移对于地理坐标系的分量,从而解算目标点坐标。

验证

python 复制代码
if __name__ == '__main__':
    x, y = calculate_target_coordinates(10, 20, 20, 30, 20, 115.89, 28.68, 5)

    print(f"Target Coordinates: Longitude={x}, Latitude={y}")

输出结果:

大家可以自行验证下,理论上是没有问题的。

至于调用,在 yolo 识别后,会输出 bbox 等参数,然后对每个帧循环目标再调用此算法即可。

感谢观看!!!

相关推荐
IT古董11 小时前
【第五章:计算机视觉-项目实战之目标检测实战】2.目标检测实战:中国交通标志检测-(4)YOLOv8训练与测试
yolo·目标检测·计算机视觉
berling0013 小时前
【论文阅读 | TGRS 2025 | DHANet:用于多模态无人机目标检测的双流分层交互网络】
论文阅读·目标检测·无人机
pop_opo_14 小时前
使用 Python + Pygame 键盘控制无人机(AirSim)
python·无人机·pygame
云卓SKYDROID21 小时前
无人机航电系统散热技术要点
人工智能·无人机·材质·高科技·云卓科技
小矮强21 小时前
飞马无人机正射/倾斜影像数据预处理
经验分享·笔记·无人机
云望无线图传模块21 小时前
云望无人机图传系统解析:开启高效航拍新时代
无人机·无人机模块·无人机图传·无人机图传系统
云望无线图传模块21 小时前
无人机图传模块——让飞行视界无界限
无人机·无人机模块·无人机图传·无人机图传系统
wan5555cn1 天前
无人机表演行业二手设备市场与性价比分析
笔记·深度学习·音视频·无人机
钱彬 (Qian Bin)1 天前
企业级实战:构建基于Qt、C++与YOLOv8的模块化工业视觉检测系统(基于QML)
c++·qt·yolo·qml·工业质检·qt 5.15.2
编程武士2 天前
从50ms到30ms:YOLOv10部署中图像预处理的性能优化实践
人工智能·python·yolo·性能优化