本發(fā)明涉及無人飛行器技術領域，特別是涉及一種負載攝像裝置的飛行器云臺穩(wěn)定性測試設備及方法。

背景技術：

近年來，無人機的概念在大眾中傳播越來越廣泛，其相關技術的發(fā)展也相當快速。無人機是一種有動力、可控制、能攜帶多種任務設備、執(zhí)行多種任務并能重復使用的飛行器。能夠利用無線遙控設備和自身的控制裝置進行控制的不載人飛行器，例如無人直升機、無人固定翼機、無人傘翼機等等。該無人機可以用于掛載拍攝裝置，用于航拍、測繪、偵查等等，具有安全、快捷、方便等特點。

目前的技術中，常常是使用云臺掛載相機(攝像頭)，云臺的穩(wěn)定性直接關系到拍攝圖像的質量。為了拍攝出高質量的圖片，增穩(wěn)云臺的使用是必不可少的。這就需要對增穩(wěn)云臺的穩(wěn)定性進行測試和評價。但是，在無人機或云臺的生產測試過程中，目前鮮有用于測試云臺穩(wěn)定性的系統(tǒng)裝置。通常，云臺穩(wěn)定性的測試，就是直接將云臺及相機掛載安裝在無人機上，然后進行圖像拍攝，再通過肉眼查看拍攝的圖像質量，根據圖像的抖動程度判斷云臺的穩(wěn)定性。這種判斷方法完全依靠肉眼的判斷，且受人主觀意識的影響很大，不僅效率低、費時費力、使用不便，而且容易出錯。

最近出現了飛行器云臺穩(wěn)定性測試設備，對云臺穩(wěn)定性進行測試，然而其測試與評價過于簡單和不準確。例如對比文件CN105784346A公開一種基于數碼相機的飛行器云臺穩(wěn)定性測試設備，包括飛行器(4)、飛行器(4)機載的鋰電池(7)和云臺(5)以及安裝在云臺(5)上的數碼相機(1)。固定支架布置在飛行器外周圍，飛行器頂部通過萬向節(jié)固定在支撐桿下端并位于固定支架的中心，油布水平布置于固定支架框架的底面，油布上布設有標志圖像，數碼相機與飛行器機身剛性連接，飛行器和數碼相機均經圖片數據傳輸系統(tǒng)與地面的PC上位機相連接；先對數碼相機進行標定，建立數碼相機圖像的像素位置與油布上的標志點位置之間的關系，飛行保持固定支架和油布水平平行于地面，實時采集圖片數據處理得到外方位參數，方差求解后獲得飛行器云臺的穩(wěn)定性結果。

然而上述云臺穩(wěn)定性測試設備并不能真實模擬無人機在環(huán)境中出現橫滾運動或俯仰運動時，云臺的穩(wěn)定性情況，其僅用于靜態(tài)測試云臺穩(wěn)定性，無法模擬無人機在真實環(huán)境下的情況，因而獲得的飛行器云臺穩(wěn)定性結果并不準確。

技術實現要素：

本發(fā)明正是基于以上一個或多個問題，提供一種負載攝像裝置的飛行器云臺穩(wěn)定性測試設備及方法，用以解決現有技術中存在的飛行器云臺穩(wěn)定性測試設備不能模擬真實飛行環(huán)境，以致穩(wěn)定性測試結果不夠準確的問題。

本發(fā)明提供一種負載攝像裝置的飛行器云臺穩(wěn)定性測試設備，用于測試搭載有攝像裝置的云臺的穩(wěn)定性。所述飛行器云臺穩(wěn)定性測試設備包括：第一支撐部件，設于所述第一支撐部件上的橫滾驅動部件、位于所述第一支撐部件頂部的第二支撐部件，設于所述第二支撐部件一端的俯仰驅動部件和夾持所述云臺的云臺夾持部，所述俯仰驅動部件與所述云臺夾持部通過轉軸連接，所述橫滾驅動部件可驅動所述第二支撐部件發(fā)生橫滾運動。

優(yōu)選地，所述飛行器云臺穩(wěn)定性測試設備還包括：底座，所述底座與所述第一支撐部件的底部連接，用于承載所述第一支撐部件。

優(yōu)選地，所述第一支撐件設有凹槽，所述凹槽自所述第一支撐件的底部延伸到所述支撐件的頂部，所述橫滾驅動部件安裝于所述第一支撐件的靠近頂部的凹槽處。

優(yōu)選地，所述第二支撐部件包括：金屬支撐架，所述金屬支撐架包括：第一支撐單元、第二支撐單元和第三支撐單元以及第四支撐單元，所述第一支撐單元與所述云臺夾持部相對設置，所述第二支撐單元與所述第三支撐單元位于所述第一支撐單元兩側，且相對平行設置，所述第四支撐單元與所述第一支撐單元平行且夾設于所述第二支撐單元與所述第三支撐單元之間。

優(yōu)選地，所述第二支撐部件還包括：第一轉動軸承和第二轉動軸承以及連接所述第一轉動軸承與所述第二轉動軸承的轉動軸，所述轉動軸一端與所述第一支撐單元連接，另一端與所述第四支撐單元連接。

優(yōu)選地，所述橫滾轉動部件的轉軸通過兩平行設置的連接件連接至所述第四支撐單元。

本發(fā)明還提供一種負載攝像裝置的飛行器云臺穩(wěn)定性測試方法。所述云臺穩(wěn)定性測試方法包括以下步驟：

S1提供一負載攝像裝置的飛行器云臺穩(wěn)定性測試設備，所述負載攝像裝置的飛行器云臺穩(wěn)定性測試設備為權利要求1至6任一項所述的負載攝像裝置的飛行器云臺穩(wěn)定性測試設備；

S2攝像裝置標定步驟：標定設于所述飛行器云臺的攝像裝置的參數；

S3分別獲取所述攝像裝置在橫滾向偏轉狀態(tài)和俯仰向偏轉狀態(tài)下拍攝的至少兩幅圖像；

S4圖像預處理步驟：消除所述圖像中的高斯噪聲；

S5檢測與匹配步驟：檢測圖像特征點，進行所述圖像特征點匹配；

S6穩(wěn)定性量化評價步驟：依據匹配后的所述圖像特征點，計算出所述攝像裝置在橫滾向偏轉狀態(tài)和俯仰向偏轉狀態(tài)下的姿態(tài)角變化值，評價所述飛行器云臺的穩(wěn)定性。

優(yōu)選地，所述步驟S5進一步包括以下步驟：

S51檢測并提取圖像特征點；

S52采用Brute-Force匹配算法進行所述圖像特征點的匹配；

S53消除錯誤匹配的圖像特征點。

優(yōu)選地，所述步驟S6進一步包括：

S61依據匹配后的所述圖像特征點，獲取符合預設條件的旋轉矩陣；

S62將所述旋轉矩陣進行歐拉角轉換獲得所述攝像裝置在橫滾向偏轉狀態(tài)和俯仰向偏轉狀態(tài)下的姿態(tài)角變化值；

S63評價所述飛行器云臺的穩(wěn)定性。

優(yōu)選地，所述步驟S61進一步包括：

S611根據圖像匹配特征點對集合來求解基礎矩陣F；

S612根據基礎矩陣F和所述攝像裝置的參數求解本征矩陣E；

S613對所述本征矩陣E進行SVD分解得到旋轉矩陣R；

S614篩選出符合預設條件的旋轉矩陣R。

本發(fā)明的負載攝像裝置的飛行器云臺穩(wěn)定性測試設備及方法，可以模擬無人飛行器在真實飛行環(huán)境下進行拍攝的情形，并能準確評價飛行器云臺的穩(wěn)定性。

附圖說明

圖1是本發(fā)明實施方式一的負載攝像裝置的飛行器云臺穩(wěn)定性測試設備在一視角下的結構示意圖；

圖2是本發(fā)明實施方式一的負載攝像裝置的飛行器云臺穩(wěn)定性測試設備在另一視角下的結構示意圖；

圖3是本發(fā)明實施方式二的負載攝像裝置的飛行器云臺穩(wěn)定性測試方法的流程示意圖；

圖4是圖3中步驟S5的具體流程示意圖；

圖5是圖3中步驟S6的具體流程示意圖；

圖6是采用兩幅圖像建立基礎矩陣的幾何模型圖。

具體實施方式

下面結合附圖和實施例對本發(fā)明進行詳細說明。需要說明的是，如果不沖突，本發(fā)明實施例以及實施例中的各個特征可以相互結合，均在本發(fā)明的保護范圍之內。

實施方式一

請參見圖1和圖2，圖1是本發(fā)明實施方式一的負載攝像裝置的飛行器云臺穩(wěn)定性測試設備在一視角下的結構示意圖；圖2是本發(fā)明實施方式一的負載攝像裝置的飛行器云臺穩(wěn)定性測試設備在另一視角下的結構示意圖。如圖1和2所示，本發(fā)明提供一種負載攝像裝置的飛行器云臺穩(wěn)定性測試設備，用于測試搭載有攝像裝置的云臺的穩(wěn)定性。所述飛行器云臺穩(wěn)定性測試設備包括：

第一支撐部件3，設于所述第一支撐部件3上的橫滾驅動部件；

位于所述第一支撐部件3頂部的第二支撐部件；

設于所述第二支撐部件一端的俯仰驅動部件13和夾持所述云臺的云臺夾持部1，所述俯仰驅動部件與所述云臺夾持部通過轉軸連接，所述橫滾驅動部件4可驅動所述第二支撐部件發(fā)生橫滾運動。

本發(fā)明為了克服以上所述現有無人機云臺穩(wěn)定性測試技術的缺陷，更為有效地進行云臺穩(wěn)定性測試，提供一種可定量評價負載攝像裝置的飛行器云臺穩(wěn)定性測試設備及方法，可以模擬無人飛行器在真實飛行環(huán)境下進行拍攝的情形，并能準確評價飛行器云臺的穩(wěn)定性，準確度和靈敏度高、使用方便快捷，有利于節(jié)省生產時間成本和售后返修成本，有利于提高產品質量和提升客戶滿意度。

所述飛行器云臺穩(wěn)定性測試設備還包括：底座2，所述底座2與所述第一支撐部件3的底部連接，用于承載所述第一支撐部件。

所述第一支撐件設有凹槽，所述凹槽自所述第一支撐件的底部延伸到所述支撐件的頂部，所述橫滾驅動部件4安裝于所述第一支撐件的靠近頂部的凹槽處。

所述第二支撐部件包括：金屬支撐架，所述金屬支撐架包括：第一支撐單元11、第二支撐單元6和第三支撐單元7以及第四支撐單元12，所述第一支撐單元與所述云臺夾持部相對設置，所述第二支撐單元6與所述第三支撐單元7位于所述第一支撐單元11兩側，且相對平行設置，所述第四支撐單元12與所述第一支撐單元11平行且夾設于所述第二支撐單元6與所述第三支撐單元7之間。

所述第二支撐部件還包括：第一轉動軸承8和第二轉動軸承10以及連接所述第一轉動軸承8與所述第二轉動軸承10的轉動軸9，所述轉動軸9一端與所述第一支撐單元11連接，另一端與所述第四支撐單元12連接。

所述橫滾轉動部件的轉軸通過兩平行設置的連接件5連接至所述第四支撐單元。

第一支撐部件3豎直固定在底座的一邊邊沿。一個橫滾舵機通過凹槽安裝固定在立體支架上，舵機轉軸部分位于凹槽開口的一側，非轉軸部分位于凹槽內部。金屬支撐架的構造為兩根側桿平行放置，靠近凹槽型立體支架的一端用螺絲以一定間隔固定兩根橫桿。兩根橫桿位于在凹槽型立體支架兩邊。在金屬支撐架另一端，俯仰舵機通過其中一根側桿上設計的孔槽安裝固定在該側桿上，俯仰舵機的轉軸部分在該側桿內側，非轉軸部分在該側桿外側。在金屬支撐架的兩根橫桿之間，間隔放置兩個轉動軸承，兩個軸承均固定在立體支架的頂端。一根金屬軸桿穿過軸承和橫桿上的圓形孔槽，并用螺絲固定。橫滾舵機的轉軸部分通過平行連桿與一根橫桿連接，該橫桿上設計有安裝連桿的螺絲孔。金屬轉動板為“C”型，其一端與俯仰舵機的轉動軸連接，另一端與金屬支撐架上未固定俯仰舵機的側桿連接。“C”型金屬板的凹形內側中間位置安裝有一個云臺固定架，該云臺固定架外殼上有用于掛載云臺的卡扣，內部中空安裝有控制電路板。

底座2和第一支撐部件3均為電木材料，環(huán)保且易于加工和螺絲鎖孔。

橫滾舵機轉動時，會帶動橫桿一起運動，進而使得金屬支撐架在橫滾方向也產生一定角度的運動。

俯仰舵機的轉動會帶動“C”型金屬板一起轉動，進而帶動無人機底座和安裝在底座上的云臺產生俯仰運動。

具體來說，第一支撐部件3豎直固定在底座2的一邊邊沿。一個橫滾舵機4通過第一支撐部件3的凹槽安裝固定在第一支撐部件3上，橫滾舵機4的轉軸部分位于凹槽外側，非轉軸部分位于凹槽內部。金屬支撐架的構造為所述第二支撐單元6與所述第三支撐單元7平行放置，靠近第一支撐部件3的一端用螺絲以一定間隔固定所述第四支撐單元12與所述第一支撐單元11。所述第四支撐單元12與所述第一支撐單元11位于在第一支撐部件3兩側。在金屬支撐架另一端，俯仰舵機13通過第二支撐單元6上設計的孔槽安裝固定在第二支撐單元6上，俯仰舵機13的轉軸部分在第二支撐單元6內側，非轉軸部分在第二支撐單元6的外側。在金屬支撐架的所述第四支撐單元12與所述第一支撐單元11之間，間隔放置第一轉動軸承8與所述第二轉動軸承10，第一轉動軸承8與所述第二轉動軸承10均固定在第一支撐部件3的頂端。轉動軸9穿過第一轉動軸承8與所述第二轉動軸承10和所述第四支撐單元12及所述第一支撐單元11上的圓形孔槽，并用螺絲固定。橫滾舵機4的轉軸部分通過平行連接件5與第四支撐單元12連接，第四支撐單元12上設計有安裝連桿的螺絲孔。金屬轉動板1為“C”型，其一端與俯仰舵機13的轉動軸連接，另一端與金屬支撐架上未固定俯仰舵機的第三支撐單元7連接。金屬轉動板1的凹形內側中間位置安裝有一個云臺固定架(圖中未顯示)，該云臺固定架外殼上有用于掛載云臺的卡扣，內部中空安裝有控制電路板。

在使用本發(fā)明所提出的系統(tǒng)裝置測試云臺穩(wěn)定性時，通過單片機輸出一定的PWM信號分別控制橫滾驅動部件(橫滾舵機)4和俯仰驅動部件(俯仰舵機)13的轉動，從而帶動金屬支撐架和金屬轉動板1分別進行橫滾運動和俯仰運動，進而模擬出飛行器在飛行過程中出現的橫滾向偏轉和俯仰向偏轉，更接近真實環(huán)境。

實施方式二

如圖3所示，本發(fā)明在上述負載攝像裝置的飛行器云臺穩(wěn)定性測試設備的基礎上，還提供一種負載攝像裝置的飛行器云臺穩(wěn)定性測試方法，包括以下步驟：

S1提供一負載攝像裝置的飛行器云臺穩(wěn)定性測試設備，所述負載攝像裝置的飛行器云臺穩(wěn)定性測試設備實施方式一所述的負載攝像裝置的飛行器云臺穩(wěn)定性測試設備；

S2攝像裝置標定步驟，標定攝像裝置的參數；攝像裝置的標定有很多種方法，最常見的是采用張氏棋盤標定法分別對攝像裝置(這里優(yōu)選為雙目攝像機，也可是單目或者多目攝像機)的每一攝像頭標定以獲取兩個攝像頭的內參矩陣。本發(fā)明采用張氏棋盤標定法的基本操作步驟為：

S21打印一張棋盤格，將棋盤格貼在一個平面上，作為標定物；

S22通過調整標定物或攝像機的方向，為標定物拍攝一些不同方向的圖片；

S23從圖片中提取特征點；這里的特征點可以是角點，即圖像中的一個特殊像素點，角點可以通過以下幾種方式選出：

1.一階導數(即圖像灰度的梯度)的局部最大所對應的像素點；

2.兩邊緣之間或多個邊緣之間的交點；

3.圖像中梯度值和梯度方向的變化速率都很高的點；

4.角點處的一階導數最大，二階導數為零，指示物體邊緣變化不連續(xù)的方向。

S24估算理想無畸變的情況下攝像機的內參矩陣；

S25應用最小二乘法估算實際存在徑向畸變下的畸變系數；

S26使用最大似然法進行優(yōu)化估計，提升估計精度。最大似然法(MaximumLikelihood，ML)也稱為最大概似估計，也叫極大似然估計，是一種具有理論性的點估計法，此方法的基本思想是：當從模型總體隨機抽取n組樣本觀測值后，最合理的參數估計量應該使得從模型中抽取該n組樣本觀測值的概率最大，而不是像最小二乘估計法旨在得到使得模型能最好地擬合樣本數據的參數估計量。

S3分別獲取所述攝像裝置在橫滾向偏轉狀態(tài)和俯仰向偏轉狀態(tài)下拍攝的至少兩幅圖像；具體來說，通過單片機輸出一定的PWM波分別控制橫滾舵機4和俯仰舵機13的轉動，從而帶動金屬支撐架和金屬轉動板分別進行橫滾運動和俯仰運動，進而模擬出飛行器在飛行過程中出現的橫滾向偏轉和俯仰向偏轉。然后在橫滾向偏轉狀態(tài)下和俯仰向偏轉狀態(tài)下，攝像裝置進行拍攝圖像。至一個實施例中，攝像裝置包括兩個攝像機，分別安裝在云臺的不同位置，一個攝像機是用于拍攝飛行器前方的圖像，也即拍攝用戶需要的圖像；一個攝像機用于拍攝飛行器下方的圖像，用于飛行器定位。

S4圖像預處理步驟：消除所述圖像中的高斯噪聲；這里主要采用高斯濾波算法，用于消除圖像中的高斯噪聲，本發(fā)明在進行高斯濾波時使用5×5矩陣模版(也可以是7×7矩陣模版)掃描圖像中的每個像素，用該模版確定的區(qū)域內各像素的加權平均灰度值作為模版中心像素點的像素值。采用上述矩陣模板可以獲得較為準確的模版中心像素點的像素值。

S5檢測與匹配步驟：檢測圖像特征點，進行所述圖像特征點匹配；

請參見圖4，在一個具體實施例中，所述步驟S5進一步包括以下步驟：

S51檢測并提取圖像特征點；

S52采用Brute-Force匹配算法進行所述圖像特征點的匹配；具體來說，圖像特征點檢測提取與匹配采用以下方式實現：ORB(Oriented Brief)特征提取或FAST(features from accelerated segment test)角點檢測或BREIF(Binary Robust Independent Elementary Features)特征描述。這里優(yōu)選使用ORB特征提取。

ORB特征提取是對FAST特征點檢測與BREIF特征描述子的一種結合與改進，可以有效的克服圖像中出現的光照、旋轉、尺度等變化，而且計算量很小，可以滿足實時性。首先，采用分塊降采樣處理方法獲取均勻分布的ORB特征，從而獲得更為穩(wěn)定的相機姿態(tài)。

然后采用采用Brute-Force匹配算法進行圖像特征點匹配。

具體來說，Brute-Force匹配算法(稱為簡單匹配算法，又稱為BF匹配算法)，Brute-Force匹配算法的基本思想為：對第一圖像中每一個特征點Pi，與第二圖像中所有的特征點Pj，測量描述子距離，描述子距離表示兩個特征點之間的相似程度。然后排序，取相似程度最近的一個作為匹配點。在實際應用中，通常這種描述子距離可以用不同的距離范數進行度量，本發(fā)明中采用漢明距離(Hamming distance)進行度量。漢明距離度量方式是將一個字符串變換成另外一個字符串所需要替換的字符個數，比如2143896與2233796之間的漢明距離是3。

在一個具體實施例中，ORB特征提取是對FAST特征點檢測與BREIF特征描述子的一種結合與改進，可以有效的克服圖像中出現的光照、旋轉、尺度等變化，而且計算量很小，可以滿足實時性。首先，采用分塊降采樣處理方法獲取均勻分布的ORB特征，從而獲得更為穩(wěn)定的攝像機姿態(tài)。其中包括兩個步驟：

1.采用FAST算法來檢測特征點。這個定義基于特征點周圍的圖像灰度值，檢測候選特征點周圍一圈的像素值，如果候選點周圍領域內有足夠多的像素點與該候選點的灰度值差別夠大，則認為該候選點為一個特征點。

2.得到特征點后我們需要以某種方式描述這些特征點的屬性。這些屬性的輸出我們稱之為該特征點的描述子(Feature Descritors)。采用BRIEF算法來計算一個特征點的描述子，該算法的核心思想是在關鍵點P的周圍以一定模式選取N個點對，把這N個點對的比較結果組合起來作為描述子。其基本步驟為步驟：

a.以特征點P為圓心，以d為半徑做圓O。

b.在圓O內某一模式選取N個點對，如N＝4。假設當前選取的4個點對分別標記為：P1(A，B)，P2(A，B)，P3(A，B)，P4(A，B)。

c.設定規(guī)則，當點A的灰度值大于點B的灰度值時，定義點對P(A，B)的描述值T[P(A，B)]為1，否則為0。

d.分別對已選取的點對進行求取描述值，將得到的結果進行組合得到描述子。

例如：T[P1(A，B)]＝1；

T[P2(A，B)]＝0；

T[P3(A，B)]＝0；

T[P4(A，B)]＝1；

則特征點P的描述子為1001。

S53消除錯誤匹配的圖像特征點。具體來說，采用以下方式消除錯誤匹配的圖像特征點：

S531采用向量場一致性算法(Vector Field Consensus，簡稱VFC算法)第一次消除錯誤匹配的圖像特征點。VFC實際上就是一種魯棒向量插值算法，利用向量場的光滑先驗，從具有離群值的樣本中尋找向量場的魯棒估計，并且用于圖像的特征匹配。

在貝葉斯框架下，將插值問題形式化為一個最大后驗估計問題，對每一個向量場樣本關聯(lián)一個隱變量用以指示該樣本為內點還是離群點，并采用一個先驗模型來約束向量場的平滑性。然后，查找離群值，具體來說就是從圖像特征點數據中找出與其他數值相比差異較大的數據作為離群值；之后進行魯棒估計，即對估計方法容忍離群值數據的能力的估計；

S532采用隨機抽樣一致性(RANSAC，RANdom SAmple Consensus)算法第二次消除錯誤匹配的圖像特征點。

具體來說，本發(fā)明采用RANSAC算法有以下步驟：

(1)隨機從數據集中隨機抽出4個樣本數據(此4個樣本之間不能共線)，計算出變換矩陣H，記為模型M；

(2)計算數據集中所有數據與模型M的投影誤差，若誤差小于閾值，加入內點集I；

(3)如果當前內點集I元素個數大于最優(yōu)內點集I_best，則更新I_best＝I，同時更新迭代次數k；

(4)如果迭代次數大于k，則退出；否則迭代次數加1，并重復上述步驟；其中，一般迭代次數k在不大于最大迭代次數的情況下，是在不斷更新而不是固定的；

K＝Log(1-p)/Log(1-wm)

其中，p為置信度，一般取0.995；w為″內點″的比例；m為計算模型所需要的最少樣本數＝4。

本發(fā)明利用VFC算法先消除大部分的誤匹配，再通過RANSAC算法進一步消除誤匹配，從而可以精確地消除圖像特征點的誤匹配，提升了云臺穩(wěn)定性測試結果準確性。

S6穩(wěn)定性量化評價步驟：依據匹配后的所述圖像特征點，計算出所述攝像裝置在橫滾向偏轉狀態(tài)和俯仰向偏轉狀態(tài)下的姿態(tài)角變化值，評價所述飛行器云臺的穩(wěn)定性。

請參見圖5，在一個具體實施例中，所述步驟S6進一步包括：

S61依據匹配后的所述圖像特征點，獲取符合預設條件的旋轉矩陣；

S62將所述旋轉矩陣進行歐拉角轉換獲得所述攝像裝置在橫滾向偏轉狀態(tài)和俯仰向偏轉狀態(tài)下的姿態(tài)角變化值；

S63評價所述飛行器云臺的穩(wěn)定性。

在一個具體實施例中，所述步驟S61進一步包括：

S611根據圖像匹配特征點對集合來求解基礎矩陣F；

S612根據基礎矩陣F和所述攝像裝置的參數求解本征矩陣E；

S613對所述本征矩陣E進行SVD分解得到旋轉矩陣R；

S614篩選出符合預設條件的旋轉矩陣R。

具體來說，基礎矩陣、本征矩陣的獲得方式如下：

1.基礎矩陣F：將一幅圖像中的點P和另外一幅圖像中的匹配點Q結合起來，并且滿足QTFP＝0，當有很多正確的匹配點對(P，Q)時，上述方程即為一個超定方程組，采用最小二乘即可求解出基礎矩陣F；

2.而基礎矩陣F和本征矩陣滿足如下關系式：F＝KTEK，K為標定出的攝像機的參數(這里是內參矩陣)，則可以由攝像機的內參矩陣K和基礎矩陣F求解出攝像機的本征矩陣E；

在對極幾何中，通常根據兩組二維圖像特征點對攝像機的運動情況進行估計，如圖6所示，兩個攝像機的中心分別為O1、O2，P1，P2分別為三維空間內的點P在兩個像平面的像點，e1，e2分別為O1，O2在兩個像平面的像點；P1e1與P2e2分別表示極線，即極平面(O1PO2)與兩個像平面的交線。假設第一圖像I1中有一個特征點p1，它在第二圖像I2中對應的特征點為p2，p1和p2對應的三維空間坐標P為：

P＝[X，Y，Z]^T

根據針孔攝像機模型，可以知道兩個像素點p1和p2對應的像素坐標滿足：

s₁p₁＝KP，s₂p₂＝K(RP+t)

其中，K為攝像機的內參矩陣，R、t分別為第二圖像相對于第一圖像的旋轉矩陣和平移向量；s1與s2為尺度因子，只是為了方便運算，對于齊次坐標，尺度因子不會改變坐標值的。因為標定物是平面，所以我們可以把世界坐標系構造在Z＝0的平面上，然后進行單應性計算，采用齊次坐標形式，上式可以寫成：

p₁＝KP，p₂＝K(RP+t)

消去點P則得到對極約束方程：

對極約束方程的幾何含義為攝像機中心O1，三維物點P，攝像機中心O2共面。對極約束方程中包含了旋轉部分和平移部分，故而可以通過點匹配求解攝像機運動的姿態(tài)變化。其中，

E＝t^R

稱為本征矩陣，而基礎矩陣F為：

F＝K^-Tt^RK^-1

由上述表達式可以認為基礎矩陣與像素坐標之間存在關系。

3.攝像機的本征矩陣E包含了攝像機之間的平移關系T和旋轉關系R，將E進行奇異值(Singular Value Decomposition，SVD)分解可得到旋轉矩陣R和平移向量T。具體來說，設E＝UDVT＝RS，其中U和V是正交矩陣，D為奇異值矩陣，且D＝diag(σ，σ，0)，而R為旋轉矩陣，S為由平移向量構成的反對稱矩陣，設T＝(Tx，Ty，Tz)，則

對E進行SVD分解可得到R和T。

傳統(tǒng)的篩選旋轉矩陣R的方法是根據三角化匹配點，通過統(tǒng)計處于圖像正前方的點數來做判斷，但是此處選擇旋轉矩陣R，完全可以利用旋轉矩陣R的特性來判斷：這里旋轉矩陣的行列式為1，并且主對角線上的三個元素接近1，利用這兩個特征即可以有效選取旋轉矩陣R。

上述步驟S62進一步包括：

設本征矩陣分解得到的旋轉矩陣為：

那么可求得各旋轉軸角度為：

yaw＝atan2(r21，r11)

roll＝atan2(r₃₂，r₃₃)

其中，atan為反正切函數，atan2是指當x的絕對值比y的絕對值大時使用atan(y/x)，反之使用atan(x/y)，從而保證了數值的穩(wěn)定性，利用這些數值來評價云臺的穩(wěn)定性。

綜上所述，本發(fā)明使用ORB特征的視覺里程計的算法計算攝像機姿態(tài)角的變化，其基本思路為：先對攝像機進行標定，求出攝像機內參矩陣K；然后，讀取攝像機拍攝的多張圖片，并對圖片進行預處理；提取多張圖片中的特征點，并對特征點進行匹配處理以及無匹配消除；接著計算出相應的基礎矩陣、本征矩陣以及旋轉矩陣；最后根據旋轉矩陣得到攝像機運動姿態(tài)角。穩(wěn)定性測試流程：使用本發(fā)明所提出的穩(wěn)定性測試設備，將安裝攝像機后的云臺固定在云臺固定架上，通過控制兩個電機轉動分別模擬飛行器不同的橫滾向偏轉狀態(tài)和俯仰向偏轉狀態(tài)。設置攝像機以一定的時間間隔對特定目標(標志物)拍攝圖像，再對拍攝的圖像進行比對分析，從而得到飛行器在不同的橫滾向或俯仰向偏轉過程中，云臺橫滾軸與俯仰軸的具體偏轉角度，進而判斷云臺的穩(wěn)定性能。

本發(fā)明的負載攝像裝置的飛行器云臺穩(wěn)定性測試方法，可以模擬無人飛行器在真實飛行環(huán)境下進行拍攝的情形，并能準確評價飛行器云臺的穩(wěn)定性。

以上對本發(fā)明所提供的一種負載攝像裝置的飛行器云臺穩(wěn)定性測試設備及方法，進行了詳細介紹，本文中應用了具體個例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時，對于本領域的一般技術人員，依據本發(fā)明的思想，在具體實施方式及應用范圍上均會有改變之處，綜上所述，本說明書內容僅為本發(fā)明的實施方式，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書及附圖內容所作的等效結構或等效流程變換，或直接或間接運用在其他相關的技術領域，均同理包括在本發(fā)明的專利保護范圍內。不應理解為對本發(fā)明的限制。