閆奕名 張曄 高鳳嬌

(哈爾濱工業(yè)大學圖像與信息技術研究所，黑龍江哈爾濱150001)

隨著遙感信息獲取技術的發(fā)展，對地觀測精細程度要求也不斷提高，獲取的信息主要面向城市規(guī)劃、三維可視化電子地圖制作和軍事偵察等方面［1-3］．傳統(tǒng)的衛(wèi)星遙感或航空遙感單次拍攝獲取的地物信息已經遠不能滿足應用要求，因為遮擋問題及投影變化會造成較大的信息損失，單一觀測點獲取的信息量是很有限的，三維目標的各個側面信息不可能完全被獲得，而這往往又是人們更想得到的信息．例如，在遙感正投影圖中，三維結構和屋頂信息相同但側面紋理信息不同的兩個建筑物是很難區(qū)分開的．為實現地物三維空間描述及高真實感可視化，進行多時相多角度觀測是十分必要的．然而遙感多時相觀測成本相對較高，尤其是無人機(UAV)遙感觀測之前，觀測方案的規(guī)劃是必備的環(huán)節(jié)．傳統(tǒng)的無人機規(guī)劃技術主要局限于動態(tài)飛行器的航跡規(guī)劃［4-6］，主要面向地面動目標的搜索跟蹤［7-8］等應用，少數針對觀測角度的規(guī)劃技術主要是以地物目標的三維信息計算為拍攝角度的約束條件［9］．為了進一步獲取目標更全面的側面紋理信息，需要對不同拍攝角度下的信息獲取量進行深入的分析和有效的規(guī)劃，然而遙感較為復雜的觀測條件和不同的應用背景約束，使得針對觀測角度與信息獲取量關系的分析模型，在當前遙感領域是十分匱乏的．因而文中面向目標全方位信息獲取優(yōu)化技術，提出了一種基于多面化分解的目標信息獲取量分析模型，根據不同的遙感觀測條件，分析不同觀測角度下的目標信息獲取情況，為觀測角度優(yōu)化規(guī)劃提供評估標準;進而通過優(yōu)化算法對該模型進行優(yōu)化，以實現獲取最大化信息量的觀測角度規(guī)劃．

1 無人機遙感信息獲取系統(tǒng)中的約束關系分析

文中采用的無人機遙感多時相觀測角度規(guī)劃系統(tǒng)流程圖如圖1所示，首先為仿真無人機遙感圖像獲取情況，分析遙感觀測時的約束關系并作為信息獲取模型構建的依據;進而采用文中提出的多面化分解模型，針對不同觀測角度下所獲取的目標信息量進行分析;最后以最大化信息獲取量或最小化信息損失為評價準則，利用蜂群算法搜索模型最優(yōu)解，獲取最佳規(guī)劃方案．提高遙感觀測效率，實現以最少的觀測數獲取目標最大化的信息，為目標真實感三維可視化及精確識別提供可靠保證．

圖1 無人機遙感多時相觀測角度規(guī)劃系統(tǒng)Fig．1 Observing-angle planning system for multi-temporal UAV remote sensing

不同于衛(wèi)星遙感的正視圖像，無人機遙感可充分獲取目標的側面紋理信息，這些信息是對目標進行真實感三維可視化描述的關鍵．在一些城市規(guī)劃軟件中，可利用地面近距離拍攝目標側面，然而在軍事偵察領域，則只能通過無人偵察機來實現盡可能近的距離拍攝．而且考慮到無人機的飛行高度的限制及領空權限等因素［7］，拍攝俯仰角φ、方位角θ的約束必然存在，而傳感器的俯仰角和方位角則直接決定了其觀測方向，二者是決定遙感觀測時信息獲取量的關鍵因素．

(1)遮擋 目標自身遮擋是造成特定角度觀測時信息損失的主要因素．為獲取目標的側面紋理信息，分析不同觀測角度與相應的遮擋情況是必要的．如圖2所示，建筑a左側面朝向矢量為n，當傳感器S以觀測方向Va去觀測時，兩矢量必須滿足:

該側面紋理信息才可能被觀測到，否則會被遮擋．

圖2 傾斜觀測示意圖Fig．2 Schematic diagram of oblique observation

(2)傳感器的俯仰角約束 傳感器的觀測俯仰角取值是決定獲取目標側面信息量的一個關鍵參數，而一般情況下，由于遙感載荷自身飛行能力的約束，俯仰角的范圍是有限的，因而設定俯仰角φ的最大取值為 φmax，有

(3)傳感器方位角約束 傳感器觀測方位角的約束通常是由飛行路線限制引起的，在以目標為中心的360°全方位內，可能存在一個或多個禁入方位角區(qū)域Γlimit，方位角θ的約束為

(4)傳感器觀測角的靈敏度 傳感器的俯仰角和方位角的可調精度是有限的，在實際飛行中，往往會因風速影響而難以達到很高的精度，即

由于文中研究針對的是理想觀測角度的規(guī)劃，因而經規(guī)劃后在進行實際觀測時，觀測角度應盡可能根據規(guī)劃方案實施，于是設置較高的觀測角度可調精度為Δθ=Δφ=1°．

2 基于多面化分解模型的目標信息獲取量分析

目標的三維結構和各個側面紋理圖像信息構成了其三維可視化所需的全部信息，對于一般目標來說，三維結構是能夠通過兩幅或多幅圖像重構出來的，或者可以通過激光測距雷達捕獲．因而評定觀測角度優(yōu)劣是以獲取目標側面紋理信息為重點．為此，文中提出基于多面化分解的目標信息獲取量描述模型，以各側面紋理信息獲取量組合向量的形式來描述目標的完整信息，以保證目標各個側面的紋理信息獲?。?/p>

2．1 基于圖像熵比率的目標單側面信息獲取量評估

從不同觀測角度下目標單個側面的信息獲取量出發(fā)，考慮到遙感圖像拍攝時的多種復雜限制因素以及熵對于信息量的描述能力，文中提出基于一種圖像熵比率(IER)的統(tǒng)計模型來評估某一觀測角下獲取單側面的信息量．定義某一個側面的IER值R(α，β)為式中，h為灰度階次，Eort為被觀測面正視圖的熵，E(α，β)為在觀測方向與被觀測面水平和垂直夾角分別為 α、β 時獲取的圖像的熵，Pαβ－i、Port－i分別為兩幅圖像中各個灰度級的分布概率．在計算圖像熵時，將圖像背景統(tǒng)一設置成255灰度，以保證熵主要隨目標側面部分的變化而變化．根據約束關系，如果不滿足式(1)，則 R(α，β)=0．而對于單個側面來說，正視圖信息往往最大，即一般情況下R(α，β)≤1．

當觀測點以(θ，φ)去觀測目標時，根據被觀測面的朝向，容易將(θ，φ)轉化為(α，β)，并計算出相應的R(θ，φ)來實現當前側面的信息獲取量的評估．R(θ，φ)具有一定的一般性，因而不會隨著被觀測目標的變化而大幅變化．

R(θ，φ)的顯示表達式是難以推導的，實驗中先通過圖像獲取仿真系統(tǒng)獲取一定數量的實測訓練數據，然后采用一種基于BP神經網絡的擬合技術來獲得 R(θ，φ)的近似值．

2．2 基于多面化分解的觀測角度與目標信息獲取總量的關系模型

確定單側面與拍攝角度的關系R(θ，φ)后，可進一步統(tǒng)計當以角度(θ，φ)觀測目標時獲得的總信息量．文中采用基于面拆分的目標信息獲取量分析技術，將一個具有n個側面的目標的信息獲取總量，以其所有側面的IER向量組合的形式來表示，即

式中:RSi(θ，φ)為第 i個側面 Si的 R(θ，φ)．

對于一種采用k個觀測點的多時相觀測方案Θ，其各個觀測點獲取信息可表示為

一方面，旅游危機事件網絡輿情系統(tǒng)結構以客觀存在的行為主體、行為客體、行為結果、行為途徑和行為環(huán)境為基礎。旅游危機事件的客觀存在是產生網絡輿情的基本前提，事件當事人或利益攸關方、新聞媒體、官方代表及其他網民等輿情主體、傳播媒介及外圍因素等是實現旅游危機事件網絡輿情傳播的現實條件。旅游危機事件的線下進展是決定線上網絡輿情傳播走向的根本依據；輿情主體、傳播媒介和外圍因素是旅游危機事件網絡輿情傳播不可或缺的作用要素。

其中可能存在某一個側面被多個觀測點同時觀測到的情況，而各個觀測點對于該側面的IER值不盡相同，于是選擇其中最大的IER來描述當前側面被獲取的信息量，則該觀測方案所能夠獲取的目標總信息量的描述矢量Δ為

3 基于蜂群算法的最佳觀測方案規(guī)劃

在多面化分解模型的基礎上，目標信息獲取優(yōu)化問題轉化為對多變量模型求解最值或在一定約束條件下的極值問題．文中采用擅長多變量優(yōu)化的蜂群算法來實現最優(yōu)解的搜索．蜂群算法由Karaboga等［10］提出，其改進算法［11-12］是一種模擬野生蜜蜂采蜜行為的算法，將采蜜蜂群分成E蜂、O蜂、S蜂．E蜂主要負責全局范圍內的優(yōu)化，O蜂主要負責針對E蜂找到的各個解的進一步局部鄰域精細搜索，S蜂則是為避免算法陷入局部最優(yōu)而生成新解．假設蜂群種群數為NP，蜂群采蜜追求最多的花蜜獲取量．基本蜂群算法參考的蜂群采蜜流程可描述如下:首先由NP/2個E蜂找到NP/2個蜜源，并且將各個蜜源的信息返回給蜂巢，然后NP/2個O蜂衡量所有蜜源的花蜜量，以更大概率去采集花蜜量多的蜜源，以較小概率去采集花蜜量較少的蜜源．當某一蜜源接近枯竭時，相應的E蜂轉職成S蜂，隨機搜索新的蜜源．

文中將k個觀測點的觀測角組合向量D(D=(θ1，φ1，θ2，φ2，…，θk，φk))作為待優(yōu)化量，對應于蜜蜂搜索到的某一蜜源的位置;將獲取的信息總量Q或信息缺失量E作為評價函數，對應于當前蜜源的花蜜量情況．

在確定觀測點數k后，D的長度則為2k．可根據客觀拍攝的各種限定條件，調整設置輸入角度的取值范圍，使得D中各元素根據約束條件(2)、(3)來進行取值．

蜂群算法中E蜂和O蜂對D中各個元素的優(yōu)化公式為

式中，t為迭代次數，i為當前蜜蜂序號，m為其它任意一個蜜蜂序號．根據式(9)可以看出，算法利用當前解與其它蜜蜂對應的解乘以一個［0，1］區(qū)間內的隨機數來實現當前解的優(yōu)化．而S蜂則是在D中各元素的取值范圍內，隨機生成一個新的D向量．根據約束條件(4)，需對式(9)結果進行取整，以保證每次優(yōu)化后D中元素精度為1°．

4 實驗仿真

為驗證文中方法的有效性，搭建了無人機遙感觀測目標仿真系統(tǒng)，以獲得用于擬合R(θ，φ)的測試數據．目標仿真系統(tǒng)可以實現如圖3(a)所示各類目標的仿真．文中對多種目標進行了驗證，主要以如圖3(b)所示建筑物為例展示實驗流程．首先獲取不同角度下的目標圖像，計算在觀測角(θ，φ)下目標不同朝向的各個側面的IER值．仿真圖像分辨率為0．5m/像素，考慮到成像幾何失真是有利于三維信息繁衍的信息，而規(guī)劃任務是面向理想的最大化信息獲取量，因而在無特殊應用約束前提下，不需要將幾何失真作為一項評價指標．

圖3 仿真無人機獲取的圖像Fig．3 Simulated images collected by UAV

接著根據式(6)－(8)計算每種規(guī)劃方案的信息獲取描述向量Δ，再根據式(9)計算每種規(guī)劃方案的Q值或E值，從而獲得反映當前方案所能獲取的總信息量情況．結合不同的觀測約束條件，規(guī)劃實驗針對兩種情況進行．

首先只考慮無人機的飛行能力限制和觀測俯仰角限制，設置俯仰角最大值φmax=70°．為了找到較為合理的觀測點數，對不同觀測點數的規(guī)劃方案優(yōu)化前后所獲得的Q值進行比較，結果如圖4所示．從圖4可知，隨著觀測點數的增加，Q值會逐漸增大，而利用文中方法優(yōu)化后的規(guī)劃方案較均勻方位規(guī)劃方案可獲得大幅度的Q值增長，8種觀測點數下利用文中方法優(yōu)化后的規(guī)劃方案較均勻方位規(guī)劃方案的最大Q值平均提高了58．5%;同時，當觀測點數超過5時，文中方法所得Q值增加幅度不大，說明對于形如圖3所示的長方體目標，利用5或6個觀測點是較為合理和高效的，超過6個觀測點是比較浪費的規(guī)劃方式．

圖4 不同規(guī)劃方案獲取的信息量比較Fig．4 Comparison of information collected with different number of observing points

不同觀測點數下文中規(guī)劃方案的優(yōu)化結果如表1所示．

表1 不同觀測點數下文中規(guī)劃方案的優(yōu)化結果Table 1 Optimization results obtained by the proposed method with different number of observing points

進而分析觀測點數k=5時不同蜂群種群數對實驗結果的影響．蜂群算法參數如下:種群NP=4，6，8，10，S 蜂觸發(fā)變量為100，最大迭代數為1000．實驗結果如圖5所示，可見種群數越大時，算法收斂速度越快，但最終得到的最小信息缺失量差異不大，對于文中實驗，NP=6時的優(yōu)化結果相對比較理想．5個觀測點下獲取的圖像如圖6所示，該目標的各側面紋理信息都被充分獲取了．

圖5 k=5時不同種群數下的優(yōu)化結果Fig．5 Optimization results with different population when k=5

圖6 5個觀測點獲取的圖像Fig．6 Images collected at five optimized observing points

最后加入方位角限制進行優(yōu)化實驗．如圖7所示，一定范圍的方位角是禁止觀測的．設定俯仰角最大值 φmax=70°，方位角限制范圍 Γlimit?［0°，180°］，實驗分析當 Γlimit從18°增加到162°時，規(guī)劃方案優(yōu)化前后不同規(guī)劃方案最小信息缺失量的變化情況．

圖7 受限制方位角示意圖Fig．7 Schematic diagram of limited azimuth angles

如圖8所示，隨著Γlimit的增大，如果不采用優(yōu)化的規(guī)劃方案，只是采用一種隨機的均勻分布策略去觀測，即使利用5個觀測點，所獲取的信息量不及利用3個觀測點的優(yōu)化方案的觀測結果;經過優(yōu)化后，在Γlimit較小時，利用5個觀測點可獲得更理想的信息獲取量，而在Γlimit較大時，增加觀測點并不能大幅提高信息獲取量．

圖8 不同受限制方位角范圍的優(yōu)化結果Fig．8 Optimization results with different limited ranges of azimuth angle

5 結語

針對目標信息獲取優(yōu)化技術，面向無人機多時相遙感觀測展開實驗．通過對無人機遙感獲取可見光圖像的諸多約束條件分析，設置仿真環(huán)境，獲取仿真圖像，利用一種基于圖像熵比率的信息獲取量度量函數，并采用基于BP神經網絡的方式對該函數進行隱式表達式擬合．進而提出一種基于多面化分解的目標信息獲取量分析模型，并利用蜂群算法進行最佳規(guī)劃方案的搜索，主要根據不同限制條件進行了兩部分實驗，結果表明，文中提出的目標信息獲取優(yōu)化技術是十分有效的．文中提出的多面化分析模型對于典型遙感觀測目標是可靠的，然而當觀測較為復雜的目標時，需要引入較多的分解面，數據處理量和處理時間會比較大，今后將針對復雜結構目標展開研究．

［1］ Dasgupta Prithviraj．A multiagent swarming system for distributed automatic target recognition using unmanned aerial vehicles［J］．IEEE Transactions on Systems，Man，and Cybernetics-Part A:Systems and Humans，2008，38(3):549-563．

［2］ Karantzalos Konstantinos，Paragios Nikos．Recognition-driven two-dimensional competing priors toward automatic and accurate building detection［J］．IEEE Transactions on Geo-science and Remote Sensing，2009，47(1):133-144．

［3］ Laliberte Andrea S，Rango Albert．Texture and scale in object-based analysisofsubdecimeterresolution unmanned aerial vehicle(UAV)imagery ［J］．IEEE Transactions on Geoscience and Remote Sensing，2009，47(3):761-770．

［4］ Kim Jongrae，Crassidis John L．UAV path planning for maximum visibility of ground targets in an urban area［C］∥Proceedings of the 13th Conference on Information Fusion．Edinburgh:IEEE，2010:1-7．

［5］ Gans N R，Shen J，Curtis J W．Selection of a UAV orbit to keep multiple targets in the camera field of view［C］∥Proceedings of IEEE International Symposium on Intelligent Control．Yokohama:IEEE，2010:807-812．

［6］ Li Wei，Zhang Wei．Path planning of UAVs swarm using ant colony system［C］∥Proceedings of the Fifth International Conference on Natural Computation．Tianjin:IEEE，2009:288-292．

［7］ Chen Huiying，Li Youfu．Dynamic view planning by effective particles for three-dimensional tracking［J］．IEEE Transactions on Systems，Man，and Cybernetics-Part B:Cybernetics，2009，39(1):242-253．

［8］ Ding Xu Chu，Rahmani Amir R，Egerstedt Magnus．Multi-UAV convoy protection:an optimal approach to path planning and coordination ［J］．IEEE Transactions on Robitics，2010，26(2):256-268．

［9］ Vasquez-Gomez Juan Irving，Lopez-Damian Efrain，Sucar Luis Enrique．View planning for 3D object reconstruction［C］∥Proceedings of IEEE/RSJ International Conference on Intelligent Robots and Systems．St．Louis:IEEE，2009:4015-4020．

［10］ Karaboga D，Basturk B．On the performance of artificial bee colony(ABC)algorithm ［J］．Applied Soft Computing，2008，8(1):687-697．

［11］ Karaboga Dervis，Akay Bahriye．A comparative study of artificial bee colony algorithm ［J］．Applied Mathematics and Computation，2009，214(1):108-132．

［12］ Akbari Reza，Mohammadi Alireza，Ziarati Koorush．A novel bee swarm optimization algorithm for numerical function optimization ［J］．Communicationsin Nonlinear Science Numerical Simulation，2010，15(10):3142-3155．