1、“.....此外，由于不同对象之间界限例如草和沥青通常有个明显边界，无边缘区域应符合类似纹理区域即同个对象，例如草地。这个假设正在研究后制成些边缘梯度映射类似于图中所示那个。在图中峰对应于图像中边缘。该图显示了明确证据表明在这个图像自由障碍区域对应数量较少边缘区域。对不同图像后续观测结果来验证这个假设。此外，明确边界对应于边缘检测图像边缘可以被不同图像中区域之间观察到，还期望迫降问题被观察到。层实现了个线扩展算法，并紧跟在边缘检测。对于找到每个象素，该算法在定搜索半径像素检查周围像素。如果发现其他边缘像素，算法将这个半径范围为内设置所有像素。这于图所示。此步骤可确保合适边界被置于障碍物检测和潜在降落安全地带之间。该算法搜索半径大小个区域中像素被设置为安全值。这个过程重复进行在整个图像中。强度测量附加在图所示图层。我们测试引入了像素强度检查强度指标......”。

2、“.....它是通过实验观察到，图像中人造区域中往往在图像中显示出高强度值。这些对象包括屋顶，汽车和大棚任何具有很高反射率物体。天然表面，如草和树般是低强度。根据经验，我们发现，般人造物体在像素强度前。利用这方面知识，很简单假设，在此范围内平均亮度值拒绝区域也将放弃人造对象作为候选着陆区见第和图。实验和分析数据收集和实验装置我们使用了三个数据集在我们测试中。使用在表中所描述系统中获得每个数据集。下表列出了各个系统特定硬件组件。所有系统都乘坐塞斯纳越过农村和城市区域。表数据捕获系统硬件。此外，每个系统有自定义休克安装和定制电子设备用于触发相机在所需帧速率，同步到接收器信号。系统和上运行着为了同步和图像时间戳定制编写软件。每个系统提供同步图像与飞机状态数据姿态角，速度，加速度，位置，速度等。数据集三个数据集包含彩色图像超过万副图像在不同分辨率和帧速率这些实验中被使用。不是所有图像都在本文中进行处理，但对含有不同地形......”。

3、“.....第个数据集数据集被捕获在为像素分辨率。第二个数据集数据集获得在为像素分辨率。最后，第三个数据集数据集被捕获在，并且飞行时间分钟像素分辨率。图来自数据集样本图像。图片分别对应为数据集，和。所有图像有时间戳，并有相关相应飞机状态在他们被抓获时候。在图中，每个数据集样品都可以看出。最后，数据集和被用于算法开发，而数据集用于测试。下节介绍了在此数据集上评估和分析。分析我们测试算法从数据集采取八个子集。结果汇总列于表中。每个子集包含色图像在飞行不同阶段。总体而言，我们分析了帧获得两组结果，依赖于强度测量阶段是否被加入。在我们分析中，我们定义为误检率，和作为误检帧与百分比。换句话说，表示有多少位点不适合降落来自于总检测群体，是多少帧中每个子集包含检测。平均而言，我们实现了检出率即着陆点它飞机能力和在紧急情况下进行安全着陆能力。这两个功能被确定为无人机两个最重要技术门槛整合到美国国家飞机标准，......”。

4、“.....或者在有人驾驶飞机所占用空域，政策制定者意识到，个主要无人机事故可能对公众接受这项技术反响。同时国家最先进自动导航系统已用于存在无人机系统中，有在案例中飞机遇到紧急情况时缺乏自动化。迄今为止，最常用方法，以减轻无人机迫降严重程度是利用降落伞或翼伞延缓下降速度，同时仍然为飞机提供种程度可控性。虽然这个概念是有吸引力，因为它仍然使有限无人机可控，即使当发动机和控制界面都失败了，它很容易受到阵风等大气影响而可能最终撞击产生不利影响。我们方法是基于无人机系统仍具有定程度飞行控制，以使飞机能够操纵到所需着陆点为前提。本文提出了种多层次方法来用于视觉着陆检测图。我们引入从飞机收集真实视觉数据算法及其测试结果。我们报告使用人输入为基准来检测方法初步性能。本文致力于为了多级架构紧急强制着陆检测阶段。因此，从本文中获得贡献是在算法设计......”。

5、“.....使视觉和其他轻量级传感器有个非常有吸引力选择。视觉作为传感器不仅提供信息，为导航目提供丰富来源，但它也为监管机构批准提供最好机会。此外，计算机视觉成熟是可以在实际场景中使用阶段。本文结构如下。第二部分介绍了些在该领域相关工作。第介绍了最新分割方法简要概述，之后是分割和在每个处理层操作基本方法描述。第四节描述了数据收集和实验装置。第四节列出了在实验中使用数据。第四节呈现结果和分析数据。最后，第五部分介绍了些经验教训，并计划未来工作。背景在紧急着陆系统文献由于种原因是稀缺。最值得注意文献已有报道，和。迄今为止，文献已应用在相关应用中，例如基于视觉着陆。例如，等人著作和梅尔茨等人著作同时拥有成功降落探测直升机和使用视觉跟踪预定义标志性建筑。些文献有针对性使用估计图像控制着陆，特别是光流，但着陆点是任意选择......”。

6、“.....其中视觉算法目是使用纹理和对比描述符来找到合适着陆区。然而，这种方法是无法检测多个着陆点。最近，类似检测方法旨在帮助飞行员做出决策，这种建议已经被提出。然而，这种方法已经在这点上限定了适用性，因为它仅被使用来自谷歌合成影像进行了测试。基于视觉着陆点检测工作核心部分是种可靠分割方法。航空器强迫降落场景算法非常重要，它健壮性是针对天气条件，自主性，速度和自我校准。当研究图像分割方法文献中时，我们发现许多文献在这领域。然而，这些技术对像素强度和调整参数依赖性减弱了他们应用在我们背景下。为了克服这些局限性，我们提出了种新分割算法，不作出明确使用像素强度寻找质地均匀区域，而是我们使用边缘像素空间分布发现质地均匀清晰区域。因此，我们做法是能够在不同领域中是适用于来自那些符合城市风光降落飞机。检测方法在本节中，我们描述了般检测方法。我们方法解决了视觉检测三个主要问题，如将图像分割对于飞机降落在取决于机型足够大保留区并消除含有障碍......”。

7、“.....分割尽管在过去年来图像分割技术很全面以及众多贡献，我们不能断然声明，图像分割问题已经解决了，主要是因为是高度依赖环境无限制应用领域。在图像分割中广泛贡献中，如今三种方法似乎是使用最广泛，部分原因是由于其合理性能和公开可用性。基于图形区域合并，目是在分割图像中像素划分成多个区域或组件然后应用区域之间相对相异度度量，以确定哪些应合并。均值漂移检测，适合降落。用两个实例和，其算法实现了正确检测率。该方法也是是致在实现帧正确检测平均表现。通过引入强度度量，我们能够通过检测率和正确检测帧总数目提高算法性能。由强度测量得到改善可以在图第四和第五列可以观察到，其中算法成功地排除建筑屋顶作为可能着陆区。在处理时间方面，该算法能够实现在彩色图像上处理率与，奔腾酷睿和内存上运行，并使用标准计算机视觉库。虽然这样表现可能会实时看到，实现增加两倍性能将允许成功控制和指导无人机系统。表二数据集结果......”。

8、“.....目是伪进行无人机探测着陆区。通过像素强度或纹理分析代替下面分类经典方法，我们建议使用边缘像素空间分布算法为飞机着陆传达区域是足够大而且障碍清晰信息。两个原始算法，例如线膨胀和几何测试已被开发，即当施加到边缘图像时能够提取着陆点。虽然该算法不能区分纹理，如草地，沥青或水，它性能是由于特殊，因为目前标准是要明确在市区人造物体区域作为优先。然而，在空间中在将来添加进步处理层，能够将地形类型进行分类。分析了张图像子集来自包含分钟飞行图像数据集，证实了致性能超过了检出率，帧在有正确检测处理图像。这些结果是有希望，如果我们认为没有像素强度信息被用于层，和中去提取着陆地点。今后工作中涉及到算法优化来实现更高处理速度，以及为了使三维信息和地理信息系统数据输出相结合而正进行调查可能方案。分类阶段目前正在调查，以进步区分检测着陆点类别。致谢这项研究是根据澳大利亚研究理事会资助计划项目编号支持......”。

9、“.....中文字，单词，英文字符出处,,,用于现场检测无人机应急着陆方案采用基于几何图像分割多层次的方法新分割方法简要概述，之后是分割和在每个处理层操作基本方法描述。第四节描述了数据收集和实验装置。第四节列出了在实验中使用数据。第四节呈现结果和分析数据。最后，第五部分介绍了些经验教训，并计划未来工作。背景在紧急着陆系统文献由于种原因是稀缺。最值得注意文献已有报道，和。迄今为止，文献已应用在相关应用中，例如基于视觉着陆。例如，等人著作和梅尔茨等人著作同时拥有成功降落探测直升机和使用视觉跟踪预定义标志性建筑。些文献有针对性使用估计图像控制着陆，特别是光流，但着陆点是任意选择。图算法大纲呈现三个主要处理阶段本文最近提出方法在加西亚帕尔多等人著作中，其中视觉算法目是使用纹理和对比描述符来找到合适着陆区。然而，这种方法是无法检测多个着陆点。最近，类似检测方法旨在帮助飞行员做出决策，这种建议已经被提出。中文字，单词，英文字符出处,,......”。