1.一种基于主动视觉的无人机位姿自适应估计方法，其特征在于，至少包括：

主动视觉检测，通过无人机机载视觉系统对降落合作目标进行连续观测，并对所有检测到的降落合作目标进行筛选，保留当前视野范围内检测精度较高的降落合作目标信息；

所述降落合作目标包含多组不同尺度的合作特征，每组合作特征包含不同的特定几何图形，每组合作特征适用于无人机视觉在不同相对距离范围内观测；

无人机位姿计算，以视觉2D特征、惯性测量信息为输入，实时计算当前无人机相对合作目标的位姿；

自适应位姿融合，根据相应的协方差信息对所有计算的无人机相对降落合作目标的位姿解进行基于联邦滤波的自适应融合，得到最优化的无人机位姿。

2.根据权利要求1所述的无人机位姿自适应估计方法，其特征在于，所述主动视觉检测至少包括图像目标提取和特征自主选择两步骤，无人机机载视觉系统对降落合作目标进行连续观测，采用图像目标提取方法实现所有降落合作目标检测和特征提取，进而利用特征自主选择方法对所有检测到的目标进行筛选，保留当前视野范围内检测精度较高的目标信息。

3.根据权利要求1所述的无人机位姿自适应估计方法，其特征在于，无人机位姿计算方法包括基于视觉与惯性的位姿测量和基于无迹卡尔曼滤波的位姿计算；基于视觉与惯性的位姿测量主要利用惯性或视觉检测信息对无人机相对位姿进行计算；基于无迹卡尔曼滤波的位姿计算负责计算同时具有惯性和视觉检测信息情况下的位姿。

4.根据权利要求1所述的无人机位姿自适应估计方法，其特征在于，当仅有惯性测量信息输入时，利用其角速度和加速度信息的时间积分，确定无人机相对上一时刻的位姿变化；

当获取到视觉2D特征时，无人机根据视觉特征的单应性变换，计算得到无人机相对降落合作目标的位姿。

5.根据权利要求1所述的无人机位姿自适应估计方法，其特征在于，还包括步骤：

异常监测，对优化后的位姿解进行持续检测和识别，消除异常值。

6.根据权利要求2所述的无人机位姿自适应估计方法，其特征在于，图像目标提取的方法包括线段特征检测、角点特征检测和几何模式匹配三个步骤，机载视觉系统利用这些步骤对实时获取得图像进行处理，并根据点、线之间的几何约束关系完成模式匹配，同时实现降落合作目标检测与特征提取。

7.根据权利要求2所述的无人机位姿自适应估计方法，其特征在于，特征自主选择的方法模仿人类视觉从周围场景中挑选定位参照物的生物机理，根据视觉中目标成像比例与相对距离之间的3D‑2D投影关系，从不同大小尺度的降落合作目标的组合中选择视景最佳目标用于视觉定位的输入信息。

8.根据权利要求3所述的无人机位姿自适应估计方法，其特征在于，基于无迹卡尔曼滤波的位姿计算方法以惯性和视觉检测信息为输入，惯性传感器以100或200Hz刷新率的角速度和加速度对无人机位姿进行累积计算，而视觉检测信息通过视觉单应性的转换计算无人机位姿；获得的两种位姿解在贝叶斯框架下相互修正的同时，得到修正值对应的协方差信息；无人机随时间变化的非线性状态转移通过无迹变换实现。

9.根据权利要求3所述的无人机位姿自适应估计方法，其特征在于，自适应位姿融合方法将视觉位姿计算作模块化处理，利用各模块输出的位姿解和相应协方差进行联邦融合，并对各模块输出的异常状态进行监测，为无人机在自主降落阶段提供连续、平稳的位姿估计。

10.一种计算机存储介质，其特征在于，其内存储有可被处理器执行的计算机程序，该计算机程序执行如权利要求1‑9中任一项所述的无人机位姿自适应估计方法。