摘要：现代航空航天技术不断发展的背景下，固定翼飞行器的着陆安全性备受关注。基于视觉的跑道识别方法在着陆阶段具有重要意义。传统的着陆辅助手段存在一定不足，视觉识别则提供了一种新的思路。通过视觉传感器获取跑道图像信息，进而识别跑道，能够提高着陆的准确性和可靠性，尤其在应对复杂气象条件或特殊机场环境时，这种方法有着巨大的研究价值。基于此，本篇文章对视觉的固定翼飞行器着陆阶段跑道识别方法进行研究，以供参考。

关键词：视觉的固定翼飞行器；着陆阶段；跑道识别方法

引言

航空航天领域，固定翼飞行器的安全着陆至关重要。视觉技术的发展为其着陆阶段的跑道识别提供了新的途径。传统的着陆辅助手段存在一定局限性，而基于视觉的跑道识别具有诸多优势。它能够利用摄像头获取跑道的图像信息，通过图像处理算法准确识别跑道的位置、姿态等关键信息。这不仅可以提高着陆的精度，还能增强在复杂环境下的适应性，例如低能见度或陌生机场等情况，为固定翼飞行器的安全着陆提供更可靠的保障。

1视觉的固定翼飞行器着陆阶段跑道识别方法研究意义

视觉的固定翼飞行器着陆阶段跑道识别方法研究具有多方面的重要意义。从飞行安全的角度来看，准确的跑道识别是固定翼飞行器安全着陆的关键要素。在着陆过程中，飞行器需要精确对准跑道，视觉识别方法能够提供跑道的位置、方向和形状等关键信息，减少因人为判断失误或传统导航设备误差导致的着陆风险。在航空技术发展方面，这一研究有助于推动飞行器自主着陆技术的进步。随着航空业朝着自动化、智能化方向发展，基于视觉的跑道识别是实现飞行器自主降落的重要环节。它可以与其他导航和控制系统相结合，提高整个着陆系统的可靠性和精准性。从适应复杂环境的需求出发，视觉识别方法能够在不同的气象条件、不同类型的机场跑道布局下发挥作用。无论是在低云、低能见度天气，还是在地形复杂、跑道标识不清晰的机场，通过视觉识别跑道的方法可以增强飞行器的环境适应能力，确保在各种情况下都能顺利完成着陆任务，这对拓展航空运输的范围和灵活性有着积极意义。

2视觉的固定翼飞行器着陆阶段跑道识别方法

2.1图像预处理

在基于视觉的固定翼飞行器着陆阶段跑道识别中，图像预处理是重要环节。获取跑道图像后，需进行灰度化操作，彩色图像信息冗余，灰度图像能满足跑道识别需求且可降低计算量，如采用加权平均法将RGB图像转换为灰度图像。图像采集易受噪声干扰，包括传感器噪声和大气干扰等，这就需要进行降噪处理。高斯滤波是常用的降噪方法，它通过对图像中每个像素点及其邻域进行加权平均来平滑图像，其计算过程涉及对图像中每个像素点的邻域像素按照特定权重进行求和，从而有效去除噪声，为后续跑道识别奠定良好的图像基础。

2.2特征提取

在基于视觉的固定翼飞行器着陆阶段跑道识别中，特征提取是关键步骤。跑道图像经预处理后，需提取其特征以实现准确识别。跑道在图像里通常有明显的边缘特征，Canny边缘检测算法可用于此，它先对图像进行高斯滤波降噪，再计算梯度幅值和方向，接着进行非极大值抑制，最后经双阈值检测和连接边缘来确定边缘。计算梯度幅值时，依据像素点在不同方向的偏导数来确定。跑道形状近似两条平行直线，在提取边缘特征后，霍夫变换可用于检测直线，它把图像空间的直线转换到参数空间检测，通过统计参数空间峰值确定直线参数，这些特征的提取为跑道的准确识别和定位提供了重要依据。

2.3跑道识别与定位

基于视觉的固定翼飞行器着陆阶段跑道识别方法里，跑道识别与定位是重要的部分。可预先构建跑道模板图像，在经过特征提取后的图像中，运用滑动窗口方式进行模板与图像的匹配操作。归一化互相关（NCC）方法可用于计算模板与图像子区域的相似度，其计算基于模板图像和待匹配图像子区域的像素值关系。在识别出跑道之后，依据跑道的直线特征以及预先知晓的跑道几何尺寸，能够确定飞行器相对于跑道的位置和姿态。若跑道宽度为已知量，借助检测到的跑道两条边缘直线间的距离以及图像中的比例关系，便能够计算出飞行器的横向偏移量等关键的位置信息。

3基于视觉的固定翼飞行器着陆阶段跑道识别方法优化提升策略

3.1多传感器融合

在基于视觉的固定翼飞行器着陆阶段跑道识别中，多传感器融合是提升跑道识别准确性与可靠性的有效策略。视觉传感器虽能捕捉跑道外观特征，像纹理和颜色对比度等，但易受天气、光照条件制约。雷达传感器可在恶劣天气下精确探测跑道位置与距离，将二者融合能增强跑道识别效果。例如雾天视觉传感器难以获取清晰跑道图像时，雷达可提供跑道方位与距离信息，借助卡尔曼滤波等融合算法，把雷达距离信息与视觉的跑道边缘特征信息整合，更精准定位跑道。视觉传感器受飞行器姿态变化影响，惯性测量单元（IMU）能提供姿态信息，视觉与IMU融合，依据IMU姿态信息校正跑道图像，可提高跑道识别的准确性。

3.2深度学习算法改进

在基于视觉的固定翼飞行器着陆阶段跑道识别中，深度学习算法改进意义重大。现有的卷积神经网络（CNN）结构在跑道识别方面存在一定局限，可通过优化其结构提升跑道特征提取能力。如采用Res Net等深度残差网络结构，其残差连接能解决深层网络训练中的梯度消失问题，从而更好地学习跑道在不同光照等条件下的复杂特征，像边缘和纹理特征。训练数据的数量和多样性对跑道识别效果影响显著，生成对抗网络（GAN）可用于数据增强。GAN中的生成器能依据真实跑道图像的分布特征生成新的跑道图像，这些图像涵盖不同光照、天气和跑道表面状况，判别器区分真实与生成图像，经对抗训练，生成的虚拟图像扩充训练集，增强模型对多种情况的适应能力。

3.3实时性优化

在基于视觉的固定翼飞行器着陆阶段跑道识别中，实时性优化是保障飞行器安全着陆的关键因素。从硬件层面来看，利用特定的硬件设备实现加速对于提高实时性效果显著。图形处理单元（GPU）和现场可编程门阵列（FPGA）是常用的硬件加速手段。跑道识别算法涉及到诸多复杂计算，像卷积神经网络（CNN）中的卷积运算等，计算量庞大。GPU凭借其强大的并行计算能力，能够同时处理多个计算任务。例如在CNN算法中，GPU可以并行处理多个卷积核的计算，这使得原本在CPU上需要耗费大量时间的计算过程能够在短时间内完成，从而确保跑道识别能够满足飞行器着陆时对实时性的严格要求。在算法方面，优化计算过程同样不可或缺。以特征提取为例，在跑道识别时需要计算边缘特征和直线特征，传统算法可能存在计算效率低下的问题。对于Canny边缘检测算法，其阈值计算的优化可以基于跑道图像的统计特征自适应地进行。

结束语

基于视觉的固定翼飞行器着陆阶段跑道识别方法具有巨大的潜力和研究价值。虽然目前已经取得了不少成果，但仍面临着一些挑战，如复杂光照条件下的图像准确性、算法的实时性优化等。未来的研究需要不断改进算法，提高视觉系统的鲁棒性。随着技术的不断发展，相信基于视觉的跑道识别方法将在固定翼飞行器着陆过程中发挥更为关键的作用，极大地提升飞行安全性并推动航空领域的进一步发展。

参考文献

[1]辛颖，姜斌，冒泽慧，等.基于终端滑模的F-16固定翼飞行器有限时间编队控制[J].控制工程，2024，31（06）：973-980.

[2]李静，欧阳涵，袁胜智，等.固定翼飞行器扩展PID型SO（3）姿态控制器设计[J].海军工程大学学报，2024，36（03）：33-37.

[3]赵飞宇.异构模态空间中固定翼飞行器目标信息捕获与运动轨迹跟踪算法研究[D].湖北师范大学，2024.

[4]许玉龙，鄂斌，王小刚，等.一种高超声速飞行器固定时间滑模控制方法[J].宇航学报，2024，45（04）：560-570.

[5]胡宇周.基于视觉的固定翼飞行器着陆阶段跑道识别方法研究[D].中国民用航空飞行学院，2024.