本发明涉及无人机控制，更具体地说，本发明涉及基于视觉识别的无人机降落控制方法及系统。
背景技术：
1、随着现代无人机技术的迅速发展，无人机的应用领域已经扩展到包括城市管理、灾害救援、农业监测和工业巡检等各个行业；然而，无论在何种应用场景下，无人机的安全稳定降落始终是一个至关重要的技术挑战；特别是在复杂环境中，如山林、城市密集区域、室内环境等，如何保证无人机能够准确、安全地降落，成为亟待解决的问题；
2、目前，缺乏针对复杂场景进行无人机降落控制方案，虽存在一些相关的技术文献，例如授权公告号为cn105353765b的中国专利公开了一种控制无人机降落的方法及装置，此类方法采用对焦方式下影像清晰度的判断测量距离着陆平面的距离，根据距离着陆平面的高度决定调整速度，进而实现了无人机的降落，但对上述方法以及现有技术进行研究和实际应用发现，上述方法以及现有技术至少存在以下部分缺陷：
3、（1）对环境和设备的影响缺乏足够的抗干扰能力，当无人机受到环境因素（如光线变化、天气状况）或设备故障（如摄像头模糊、传感器失灵）影响时，图像可能变得不清晰，这将直接影响降落的效果和速度，进而增加了降落失败的风险；
4、（2）控制过程较为繁杂，若在复杂场景中（如山区、森林等），无人机需要紧急迫降（如电量不足），这种多次调整可能导致无人机消耗不必要的电量，从而进一步增加坠机的风险；此外，频繁的速度调整也使得降落过程更加复杂，难以在短时间内完成安全降落；
5、（3）无法准确确定无人机与障碍物之间的最近距离，也无法根据这一距离并在保证飞行稳定性的前提下，获取无人机的初始下降速度；进而难以提高在复杂场景下的降落速度；此外，无法针对无人机进行方位调整，这使得无人机在降落过程中无法实时避开障碍物，增加了碰撞的风险。
技术实现思路
1、为了克服现有技术的上述缺陷，本发明的实施例提供基于视觉识别的无人机降落控制方法及系统。
2、为实现上述目的，本发明提供如下技术方案：
3、一种基于视觉识别的无人机降落控制方法，所述方法包括：
4、s110：获取第一地面图像集，根据第一地面图像集筛选出目标迫降地面区域，并控制无人机行驶至目标迫降地面区域上空悬停，并在悬停时采集无人机的悬停位置和第一俯视图像；所述第一地面图像集中包括k幅第一地面图像，k为大于零的整数；
5、s120：获取无人机在目标迫降地面区域上空的悬停高度，以及获取无人机离目标迫降地面区域周围的所有障碍物的垂直距离，并根据垂直距离和悬停高度获取高度数据，所述高度数据包括目标迫降高度、第一高度差和第二高度差；
6、s130：获取预设的第二安全迫降速度，将高度数据和第二安全迫降速度输入预构建的速度预测模型中，以获取无人机的第一安全迫降速度，并以第一安全迫降速度控制无人机抵达目标迫降高度；并在抵达目标迫降高度时采集无人机的更新位置和第二俯视图像；
7、s140：根据第一俯视图像和第二俯视图像判断无人机是否脱离目标迫降地面区域，若未脱离，则跳转至步骤s150；若脱离，则基于悬停位置对更新位置进行调整，得到调整位置；
8、s150：根据第二安全迫降速度控制无人机从更新位置平稳降落至地面；或控制无人机从调整位置平稳降落至地面。
9、进一步地，在根据第一地面图像集筛选出目标迫降地面区域之前，包括：
10、s111：提取第一地面图像集中的第i幅第一地面图像，i为大于零的整数；
11、s112：计算第i幅第一地面图像的图像质量系数，并将图像质量系数与预设图像质量系数阈值进行比较，若图像质量系数大于等于预设图像质量系数阈值，则将第i幅第一地面图像作为目标第一地面图像；若图像质量系数小于预设图像质量系数阈值，则令i=i+1，并返回步骤a1；
12、其中，所述图像质量系数的计算逻辑如下：
13、获取第i幅第一地面图像的灰度值和图像尺寸；
14、将灰度值和图像尺寸输入预构建用于计算质量系数的数学计算模型中，以获取第i幅第一地面图像的质量系数；
15、其中，所述数学计算模型的表达式如下：
16、；
17、式中：为质量系数；和为图像尺寸；为每个像素点（x,y）的边缘强度；v为图像的整体方差；log为对数函数；
18、s113：重复上述s111～s112，直至i=k时，结束循环，得到目标第一地面图像。
19、进一步地，所述根据第一地面图像集筛选出目标迫降地面区域，包括：
20、利用k-means聚类算法对目标第一地面图像进行像素点区分，将像素点聚类成形的区域作为聚类区域；
21、提取每个聚类区域的像素面积，将像素面积大于等于预设像素面积阈值的对应聚类区域作为候选区域，得到r个候选区域，r为大于零的整数；
22、将候选区域输入预训练的深度估计模型中，以获取深度图，其中，深度图中的每个像素的值表示相对于相机的深度；
23、选择一个像素点p，以及相邻像素点p和p；
24、计算像素点p与相邻像素点p和p，在水平方向和垂直方向的深度差，其计算公式如下：
25、；
26、式中：为一个像素点p的深度，为一个相邻像素点p的深度，为一个相邻像素点p的深度，为水平方向深度差，为垂直方向的深度差；
27、获取像素点p与相邻像素点p和p之间的实际距离，将实际距离、水平方向的深度差和垂直方向的深度差，代入预设坡度计算模型中，以获取像素点p的坡度；
28、其中，所述预设坡度计算模型的表达式如下：
29、；
30、式中：为坡度，和为相邻像素间的实际距离，为反正切函数；
31、对于深度图中的每个像素，重复上述坡度计算过程，得到深度图中每个像素的坡度；
32、对所有像素的坡度进行均值计算，以获取平均坡度值，并统计每个深度图对应候选区域的平均坡度值；
33、将所有平均坡度值，按数值从大到小进行排序，将排序第一对应的平均坡度值标记为目标迫降地面区域。
34、进一步地，所述第一高度差为目标迫降高度与悬停高度之间的高度距离，所述第二高度差为目标迫降高度与地面之间的高度距离；
35、所述根据垂直距离和悬停高度获取高度数据，包括：
36、提取无人机离目标迫降地面区域周围的所有障碍物的垂直距离，得到u个垂直距离，u为大于零的整数；
37、按数值从小到大，对u个垂直距离进行排序，将排序第一对应的垂直距离最近垂直距离；
38、将最近垂直距离和悬停高度代入预设的高度数据计算模型中，以获取目标迫降高度；其具体计算公式如下：；式中：为悬停高度，为最近垂直距离，为目标迫降高度，为大于零的安全因子。
39、进一步地，所述预构建的速度预测模型的训练逻辑如下：
40、获取历史无人机速度预测训练数据，将历史无人机速度预测训练数据划分为速度预测训练集和速度预测测试集，所述历史无人机速度预测训练数据包括速度预测特征及其对应的第一安全迫降速度；
41、其中，所述速度预测特征包括高度数据和第二安全迫降速度；
42、其中，所述第二安全迫降速度基于预配置的遗传优化算法寻优得到，所述遗传优化算法的寻优逻辑如下：
43、s311：初始化种群：随机产生原始种群，所述原始种群种中包含y个染色体，每个染色体代表一个无人机的初始迫降速度，y为大于零的整数；
44、s312：适应度评估：在每一染色体下，获取无人机的降落时长以及振动频率，将降落时长以及振动频率输入预构建的适应度函数中，计算得到每个染色体的适应度；
45、s313：选择：采用轮盘赌法选择原始种群中两个适应度高的染色体作为父本和母本；
46、s314：交叉：对父本和母本进行交叉操作，以产生新的染色体；
47、s315：变异：对新的染色体进行变异操作，得到y个新的染色体，将y个新的染色体组合为新种群，并将新种群替换掉原始种群，并返回步骤s312；
48、s316：重复上述步骤s312～s315，直至原始种群或新种群中染色体的适应度大于等于预设的适应度阈值，或迭代次数大于等于预设最大迭代次数阈值时，输出对应染色体代表的初始迫降速度作为第一安全迫降速度。
49、进一步地，所述振动频率的获取逻辑如下：
50、获取无人机随机生的初始迫降速度，以及获取无人机所处环境的风力值；
51、将风力值和初始迫降速度输入到预构建的振动频率预测模型中，以获得振动频率。
52、进一步地，所述预构建的振动频率预测模型的训练逻辑如下：
53、获取历史无人机振动频率训练数据，将历史无人机振动频率训练数据划分为振动频率训练集和振动频率测试集；所述振动频率训练包括振动频率预测特征及其对应的振动频率；
54、其中，所述振动频率预测特征包括风力值和初始迫降速度；
55、构建第一回归网络，将振动频率训练集中的振动频率预测特征作为第一回归网络的输入；以及将振动频率作为第一回归网络的输出；对第一回归网络进行训练，得到初始振动频率预测网络；
56、利用振动频率测试集对初始振动频率预测网络进行模型验证，输出小于等于第一测试误差阈值的初始振动频率预测网络作为预构建的振动频率预测模型。
57、进一步地，所述预构建的适应度函数的计算公式为：；式中：为适应度，为降落时长量，以及振动频率。
58、一种基于视觉识别的无人机降落控制系统，包括：
59、数据收集模块，用于获取第一地面图像集，根据第一地面图像集筛选出目标迫降地面区域，并控制无人机行驶至目标迫降地面区域上空悬停，并在悬停时采集无人机的悬停位置和第一俯视图像；所述第一地面图像集中包括k幅第一地面图像，k为大于零的整数；
60、高度检测模块，用于获取无人机在目标迫降地面区域上空的悬停高度，以及获取无人机离目标迫降地面区域周围的所有障碍物的垂直距离，并根据垂直距离和悬停高度获取高度数据，所述高度数据包括目标迫降高度、第一高度差和第二高度差；
61、速度分析模块，用于获取预设的第二安全迫降速度，将高度数据和第二安全迫降速度输入预构建的速度预测模型中，以获取无人机的第一安全迫降速度，并以第一安全迫降速度控制无人机抵达目标迫降高度；并在抵达目标迫降高度时采集无人机的更新位置和第二俯视图像；
62、方位判断模块，用于根据第一俯视图像和第二俯视图像判断无人机是否脱离目标迫降地面区域，若未脱离，则触发降落控制模块；若脱离，则基于悬停位置对更新位置进行调整，得到调整位置；
63、降落控制模块，用于根据第二安全迫降速度控制无人机从更新位置平稳降落至地面；或控制无人机从调整位置平稳降落至地面。
64、相比于现有技术，本发明的有益效果在于：
65、本技术公开了基于视觉识别的无人机降落控制方法及系统，包括：筛选出目标迫降地面区域，并控制无人机行驶至目标迫降地面区域上空悬停，并采集无人机的悬停位置和第一俯视图像；获取悬停高度，以及获取所有障碍物的垂直距离，并根据垂直距离和悬停高度获取高度数据；获取预设的第二安全迫降速度，将高度数据和第二安全迫降速度输入预构建的速度预测模型中，以获取无人机的第一安全迫降速度；根据第一俯视图像和第二俯视图像判断无人机是否脱离目标迫降地面区域；根据第二安全迫降速度控制无人机从更新位置平稳降落至地面；或控制无人机从调整位置平稳降落至地面；将上述技术与现有技术特征比较后发现，本发明通过目标迫降高度，并以此作为无人机二次控制的转折条件，不仅能够降低无人机消耗不必要的电量，还能使其适用于复杂场景中，抗干扰能力强，有利于提高无人机的降落效率和缩短无人机的降落；此外，通过确定无人机与障碍物之间的最近距离，并在保证飞行稳定性的前提下，获取无人机的初始下降速度；进而有利于提高无人机在复杂场景下的降落速度；此外，通过针对无人机进行动态方位调整，这使得无人机在降落过程中能一直处于目标迫降地面区域，并避开了障碍物，降低了无人机发生碰撞的风险，大大提高了无人机在复杂环境下的降落安全性。
1.一种基于视觉识别的无人机降落控制方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于视觉识别的无人机降落控制方法，其特征在于，在根据第一地面图像集筛选出目标迫降地面区域之前，包括：
3.根据权利要求2所述的基于视觉识别的无人机降落控制方法，其特征在于，所述根据第一地面图像集筛选出目标迫降地面区域，包括：
4.根据权利要求3所述的基于视觉识别的无人机降落控制方法，其特征在于，所述第一高度差为目标迫降高度与悬停高度之间的高度距离，所述第二高度差为目标迫降高度与地面之间的高度距离；
5.根据权利要求4所述的基于视觉识别的无人机降落控制方法，其特征在于，所述预构建的速度预测模型的训练逻辑如下：
6.根据权利要求5所述的基于视觉识别的无人机降落控制方法，其特征在于，所述振动频率的获取逻辑如下：
7.根据权利要求6所述的基于视觉识别的无人机降落控制方法，其特征在于，所述预构建的振动频率预测模型的训练逻辑如下：
8.根据权利要求7所述的基于视觉识别的无人机降落控制方法，其特征在于，所述预构建的适应度函数的计算公式为：；式中：为适应度，为降落时长量，以及振动频率。
9.一种基于视觉识别的无人机降落控制系统，其特征在于，包括：
