随着计算机视觉技术的迅速发展与硬件计算能力的不断提升,视觉导航已成为无人机领域的研究热点。视觉定向与视觉定位作为视觉导航中的重要任务,通过无人机搭载的视觉传感器获取环境信息并进行智能分析,进而辅助无人机的自主导航。在上述背景下,本文主要针对无人机视觉定位定向中的关键技术进行研究。首先,探讨了本文研究的理论基础。分析了相机标定技术,包括相机标定原理、标定工具以及标定结果;梳理了论文所依托的图像处理基础,包括颜色空间、灰度化以及均衡化;阐述了卷积神经网络相关知识,包括卷积、池化原理以及常用激活函数的分析。其次,研究了图像特征匹配算法及其在无人机视觉定位定向中的应用。通过对特征检测算法以及无人机应用场景的分析,构造AKAZE-FREAK特征检测算子,使用暴力匹配算法进行特征匹配,在此基础上引入GMS算法对误匹配进行剔除。通过特征匹配的结果,计算基础矩阵和本质矩阵,得到无人机的旋转矩阵,解算出无人机的姿态变化;计算单应性矩阵,实现无人机的视觉定位。接着,设计了基于深度学习的无人机降落标识的检测算法。在Tiny-YOLO网络基础上融入Dense Feature Block结构,并进行了一系列改进,得到Dense-P-YOLO网络。在此基础上优化了无人机降落标识检测算法:针对降落标识的遮挡问题,引入卷积LSTM模块;针对无人机硬件平台计算能力的不足,对网络模型进行稀疏训练以及裁剪,减少网络模型的参数量,在不损失模型精度的前提下提高算法的实时性。最后,进行了无人机降落标识图像分割算法研究与验证。对目标检测算法提取到的无人机降落标识进行阈值分割、边缘提取以及直线和圆的检测等多步处理,获取降落标识的轮廓信息,作为无人机定点降落中导航和位姿解算的参考数据。