基于ARM的空中摄像四旋翼无人机

基于ARM西北民族大学电气工程学院  • 146 •

    李金鹏丁玉琳李蔚敏

的空中摄像四旋翼无人机四旋翼无人机由机架、电机及驱动模块、飞行控制处理器、姿态传感器模块、无线通信模块、遥控器模块和电源模块等组成，飞行器通过改变两对相互交叉对称的旋翼的转向和转速，实现各种飞行姿态的控制，可以实现飞行器的一键起飞、一键降落，空中平稳定点悬停等飞行任务，使用FPV图传设备将摄像头拍到的图像传输回手机，完成四旋翼空中摄像的任务要求。

引言：四旋翼无人机体积小，质量轻，携带方便，通过改变四个电机的转速即可实现四旋翼的姿态控制，在小区域范围内实现起飞，盘旋，飞行，着陆等动作（姜成平，一种四旋翼无人机控制系统的设计与实现研究，哈尔滨工业大学，2014年），且飞行机动能力更加灵活，对侦察拍照，航空测绘具有强劲优势，有很好的发展前景。1 总体方案设计1.1 系统硬件组成

四旋翼飞行器是由4个控制转速的直流无刷电机驱动的螺旋桨提供全部动力的飞行装置，呈对称的十字结构，相邻的螺旋桨旋转方向相反（李尧，四旋翼飞行器控制系统设计，大连理工大学，2013年）。飞行器底部安装有摄像头，摄像头安装在数字舵机上，可实现180度转向，系统结构如图1所示。

1.2 系统工作原理

四旋翼飞行器系统共有4个输入，在空间却有6个自由度的输出（于卫卫，三自由度四旋翼盘旋系统控制问题研究，沈阳:东北大学，2007年）。建立三轴坐标系，进行系统的运动分析，使用加速度传感器测量由物体重力加速度引起的加速度量，通过重力分量进行三个坐标轴的量化，使用三角函数arccos函数计算出三个坐标轴的倾角也叫欧拉角θ、φ、Ψ，飞行器与y轴之间的夹角θ，主要通过左右螺旋桨产生升力差进行控

制，其关系为ΣM=L(F4-F3)=Iyθ；飞行器与x轴之间的夹角φ，主要通过前后螺旋桨产生升力差进行控制，其控制关系为ΣM=L(F1-F2)=Ixφ；飞行器绕z轴旋转Ψ角度，螺旋桨产生的扭矩及升力与Ψ角之间的关系为ΣM=M4+M3-M2-M1 =IzΨ后；角速度传感器测量一段时间内的角度变化率，对两次测量时间差值进行积分得到角度增值量（宋英麟，鲜斌，茹滨超，曹美会，无人机微型姿态航向系统数据处理，中南大学学报，2013年），可得到飞行器当前的角度：

对加速度计和陀螺仪两个输入量用互补滤波思想分别进行姿态角解算，修正陀螺仪积分的漂移误差（向少林，基于互补滤波算法的四轴飞行控制系统设计，机电工程，2016年）；采用角速度反馈闭环控制系统的稳定性，不断使飞行姿态逼近遥控器输入的期望姿态。系统受力如图2所示。

图2 四旋翼飞行器受力结构图

图3 四旋翼飞行器系统框图

2 硬件的设计与实现2.1 硬件电路设计

本次设计的四旋翼的飞行控制器，是以STM32为主控芯片，具有多输入多输出，响应快可以实时控制等优点，使用9轴传感器MPU-9250实时检测飞机运行姿态，通过总线协议与STM32进行通信，使用无线通信模块需要将遥控器的信号发送到四旋翼上。硬件的总设计框图3如图所示。2.2 主控芯片及姿态模块

STM32单片机新增了FPU单元和DSP指令集，主频达到168MHz，可以实现数据的高速运算，具有高性能、低功耗等优点，MPU-9250作为飞行器的姿态传感器（万文典，高精度磁力计的数据采集模块

图1 四旋翼飞行器系统结构图

ELECTRONICS WORLD・技术交流设计，集成电路应用，2012年），将陀螺仪、加速度计、磁力计集成在一个模块上，消除了多传感器之间轴间差问题，减少了传感器的体积，降低了系统功耗。3 软件设计与实现

STM32单片机使用的软件版本为MDK5.16a，采用滤波算法解算出飞行器姿态角，通过对滤波器预测数据动态加权修正外界杂波。使用串联PID调节（陈自力，无人机-嵌入式控制，北京：国防工业出版社，2015年），将其中一级PID的输出作为另一级PID的输入，在结构上形成两个闭环，一个闭环为内回路，负责粗调，另一个为外回路，负责细调，第一个PID的期望量为期望达到的角度，第二个PID的期望量为此时该轴的角速度，角度环为外环，角速度环为内环。由遥控器定期向飞行器传输控制指令，摇杆电位器为两个滑动变阻器构成的可进行两自由度移动的模块，有单片机的AD引脚采集电压值判断摇杆位置，再将其数值通过无线模块发送到飞行器

上，作为串联PID的目标量实现姿态控制。4 结论与展望

①本文对四旋翼无人机的组成和工作原理进行了简单的一个介绍，并对四旋翼无人机提出了总体设计方案。

②对四旋翼无人机进行了软硬件的设计，对各传感器的数据采集和分析，采用PID控制算法对无人机进行姿态控制。

③飞行器设计完成后，进行了飞行试验，试验还存在许多不足之处，只完成了自稳平衡功能。

基金项目：西北民族大学本科生科研创新项目资助（项目编号：Y18197）。

作者简介：李金鹏（1996—），男，甘肃人，2016级电气工程及其自动化。

DOI:10.19353/j.cnki.dzsj.2019.04.087

通过对进入车库的驾驶人员的人像采集与上传，进而进行车位规划，并实现在车辆出库时对同一车辆的驾驶人员的人像匹配；在此基础上，基于局部特征分析的人脸识别算法不能很好地适应不同场景的人脸识别，将局部特征分析的算法加以改进，可以提高对车库门禁系统的智能控制；这是本文对智能车库门禁系统在人脸识别技术上的改进提出的设想。

引言：随着世界人口城市化和我国城镇建设步伐的加快，城市人口和社区住宅不断增加，城镇建设逐渐现代化、科技化、智能化，车库的安全性也是尤为重要。传统的车库门禁系统采用停车取卡、识别车牌号等方式进出，但这样的方式存在一定的弊端，如若卡遗失后，出现被他人代用或无法取车等隐患，又如若车辆被盗取被他人开走车辆，无法做出相应的措施，给人们带来极大不便；

人脸识别技术的发展越来越迅速，其具有辨识度高、识别速度快、稳定好等方面的特点，本文就针对目前车库系统管理所存在的不足，将人脸识别技术与智能门禁系统相结合，并对相应的人脸识别技术提出了建设性的设想。1.传统的人脸识别弊端分析

已存在的人脸识别技术主要包含人脸检测、人脸特征提取与计算、人脸比对3个步骤。在智能车库应用中，具体从收录通过检测车内的人脸图像，提取人脸特征，人脸特征点的定位并对人脸特征进行建模与分析，通过人脸对比进行库内检索并进行身份确认。尚存在完整的人脸识别流程，究其不足之处加以改进，得到简略的流程图如图1所示。

1）图像预处理：传统的人脸识别算法对摄像头采集到的人脸图像进行合适比例的像素缩放，并进行光照度校正。2）人脸五官比例点识别：传统的局域特征提取采用对特征点进行定位，进行人脸五官比例的定位，利用五官的结构光，放入神经网络中反复学习。 使用BP神经网络对鼻尖、瞳孔、眉心、眼角、嘴角进行特征点定位，采集部分样本送入定位神经网络进行分类训练，后进行定位，测算五个特征点之间的比例，形成相应人像模型图。如果定位

错误则多次送入神经网络进行反复学习和训练直至其具备定位能力。3）局部多尺度特征提取与匹配：在每个特征点对应的线性子空间中求得最优特征向量的投影值最大。4）人脸匹配识别：在系统中根据重要程度给每个特征点设置不同的阈值与权值，这种阈值要求每个特征点的相似度都要超过它。同时设置整体阈值，它要求对各特征点的阈值加权计算要超过它。

大学    彭钰琳张宝正

图1

基于以上的人脸识别算法总结得出：这样的反复学习带来了大量参数，参数过多导致训练过慢，准确率不稳定等问题，所以在人脸识别算法中引入了深度神经网络。能以较少的参数重构人脸的特征，并利用自身生成的参数初始化深度神经网络隐含层的参数，并能达到高模型精度。2.深度神经网络

2.1 关于SAE与卷积神经网络

基于人脸识别技术的智能车库门禁系统的研究

• 147 •