安徽師范大學(xué)皖江學(xué)院 李 穎 晏志維 蔡曉宇

1.引言

由于多徑式微的影響、其他無線設(shè)備的干擾以及建筑物的阻擋，GPS在室內(nèi)的信號覆蓋度差，可靠性低，定位效果并不理想。為解決室內(nèi)無法使用的GPS衛(wèi)星信號定位這一問題，研究出了許多新技術(shù)，之前的算法復(fù)雜，需要重新部署專用的參考節(jié)點(diǎn)，需要精確的時間同步或精確的測量時間差。該裝置室內(nèi)定位時存在角點(diǎn)檢測、光源干擾和圖像傾斜問題，文章列舉了解決方案。

2.理論分析

通過脈沖寬度調(diào)制的方法控制白光LED的發(fā)光強(qiáng)度，改變3個LED的發(fā)光強(qiáng)度對應(yīng)編碼數(shù)字信號從而發(fā)送信息，通過圖像傳感器分析每個LED的灰度信息從而解調(diào)并處理信息，使用OpenCV進(jìn)行圖像識別處理。下面是對問題解決的具體實(shí)施。

2.1 強(qiáng)干擾光

考慮一個空間內(nèi)有3個LED照明布局的情況，合理的特征點(diǎn)檢測是關(guān)鍵。

在現(xiàn)實(shí)世界中，強(qiáng)干擾有對角點(diǎn)檢測時遇到的問題和光源干擾問題。

從圖像分析的角度來定義角點(diǎn)可以有以下兩種：可以是兩個邊緣的角點(diǎn)；是鄰域內(nèi)具有兩個主方向的特征點(diǎn)。前者往往需要對圖像邊緣進(jìn)行編碼，需要在很大程度上依賴于圖像的分割與邊緣提取，具有相當(dāng)大的難度和計算量，且一旦待檢測目標(biāo)局部發(fā)生變化，很可能導(dǎo)致操作的失敗?；趫D像灰度的方法通過計算點(diǎn)的曲率及梯度來檢測角點(diǎn)，避免了第一類方法存在的缺陷。

2.1.1 抗干擾方案選擇

本設(shè)計方案的實(shí)現(xiàn)采用了Harris算法放棄了FAST算法，而改進(jìn)了精度和失誤率。

傳統(tǒng)算法是通過圓中心點(diǎn)像素與模板圓內(nèi)其他像素值的比較，統(tǒng)計出與圓中心像素近似的像元數(shù)量，當(dāng)這樣的像元數(shù)量小于某一個閾值時，就被認(rèn)為是要檢測的角點(diǎn)，該點(diǎn)即為特征點(diǎn)。

針對于上面的定義，我們可以用快速的方法來完成檢測，而不用把圓周上的所有點(diǎn)都比較一遍。首先比較上下左右四個點(diǎn)的像素值關(guān)系，至少要有3個點(diǎn)的像素灰度值大于I(p)+t或小于 I(p)-t，則 p為候選點(diǎn)，然后再進(jìn)一步進(jìn)行完整的判斷。為了加快算法的檢測速度，可以使用機(jī)器學(xué)習(xí)貪心算法來構(gòu)建決策樹。在考慮程序運(yùn)行速度時，可以采納。

改進(jìn)算法后使用Harris角點(diǎn)檢測，它是一種基于圖像灰度的一階導(dǎo)數(shù)矩陣檢測方法。在像素點(diǎn)的鄰域內(nèi)，導(dǎo)數(shù)矩陣描述了數(shù)據(jù)信號的變化情況。假設(shè)在像素點(diǎn)鄰域內(nèi)任意方向上移動塊區(qū)域，若強(qiáng)度發(fā)生了劇烈變化，則變化處的像素點(diǎn)為角點(diǎn)。

可以將Harris圖像角點(diǎn)檢測算法分為幾個步驟：

(1)計算圖像I(x，y)在X和Y兩個方向的梯度Ix、Iy。

(2)計算圖像兩個方向梯度的乘積。

(3)使用高斯函數(shù)對兩個方向梯度的乘積進(jìn)行高斯加權(quán)，生成矩陣M的元素。

(4)計算每個像素的Harris響應(yīng)值R，并對小于某一閾值t的R置為零。

(5)在設(shè)定的鄰域內(nèi)進(jìn)行非最大值抑制，局部最大值即為角點(diǎn)。

原方案可以快速的檢測特征點(diǎn)，在需要考慮運(yùn)行速度時可以選用，如在高平率的視頻序列中進(jìn)行視覺跟蹤。改進(jìn)算法后檢測到的角點(diǎn)可能存在分布不均勻的現(xiàn)象，在紋理豐富的部分會集中大量角點(diǎn)，該方案會增減檢測的復(fù)雜度，具體的選擇應(yīng)該取決于實(shí)際應(yīng)用中對速度和質(zhì)量的要求。而此設(shè)計是運(yùn)用在室內(nèi)環(huán)境下，不需要對速度有過高要求，使用改進(jìn)后的方案即可。

2.1.2 抗干擾光算法實(shí)現(xiàn)

以下為使用改進(jìn)方案情況下3*3窗口角點(diǎn)檢測的數(shù)學(xué)表示：

I(x.y)表示點(diǎn)(x，y)的強(qiáng)度值。對于偏移向量(u，v)，偏移向量可以看成某個方向。它的平均強(qiáng)度變化為：

該式用泰勒級數(shù)展開，用矩陣形式表示：

中間是一個協(xié)方差矩陣，表示所有方向上強(qiáng)度的變化率。這個矩陣的兩個特征值給出了最大平均強(qiáng)度變化和垂直方向上的平均強(qiáng)度變化。如果，兩個特征值都較高，高于給定的閾值，此點(diǎn)即為角點(diǎn)。

為了避免計算特征值過程復(fù)雜耗時，使用以下式子代替：

Det矩陣的行列式，Trace矩陣的跡。經(jīng)證明，兩個特征值都較高時，該式子的值較高。參數(shù)k一般設(shè)置為0.05～0.5。 Harris角點(diǎn)檢測，可以通過極大值抑制改進(jìn)，即保證角點(diǎn)的強(qiáng)度是局部極大值，移除非局部極大值的角點(diǎn)。本設(shè)計使用LED發(fā)光只需要判斷點(diǎn)光源檢測即可。

函數(shù)檢測部分：

Mat image = imread(“../a.png”);

Mat gray;

cvtColor(image，gray，CV_BGR2GRAY);

Mat cornerStrength;

cornerHarris(gray，cornerStrength，3，3，0.01);

threshold(cornerStrength，cornerStrength，0.001，255，THRESH_BINARY);

從上面檢測結(jié)果我們可以看到，有很多角點(diǎn)模糊粘連在一起的，我們下面在函數(shù)中通過加入非極大值抑制來進(jìn)一步去除一些粘在一起的角點(diǎn)。

函數(shù)檢測修改后部分：

Mat image = imread(“a.png”);

Mat gray;

cvtColor(image，gray，CV_BGR2GRAY);

Mat cornerStrength;

cornerHarris(gray，cornerStrength，3，3，0.01);

double maxStrength;

double minStrength;

// 找到圖像中的最大、最小值

minMaxLoc(cornerStrength，&minStrength，&maxStrength);

Mat dilated;

Mat locaMax;

dilate(cornerStrength，dilated，Mat());

compare(cornerStrength，dilated，locaMax，CMP_EQ);

Mat cornerMap;

double qualityLevel = 0.01;

double th = qualityLevel*maxStrength；// 閾值計算

threshold(cornerStrength，cornerMap，th，255，THRESH_BINARY);

cornerMap.convertTo(cornerMap，CV_8U);

// 逐點(diǎn)的位運(yùn)算

bitwise_and(cornerMap，locaMax，cornerMap);

drawCornerOnImage(image，cornerMap);

namedWindow(“result”);

imshow(“result”，image);

waitKey();

本裝置使用白光LED，拍攝圖片時會發(fā)現(xiàn)光發(fā)散并不是均勻的，有強(qiáng)烈干擾光，如圖1所示，為了把問題的研究簡單化，將其理想化為質(zhì)點(diǎn)點(diǎn)光源，點(diǎn)光源特征為中心明度偏大，而后以發(fā)光點(diǎn)為圓心逐漸擴(kuò)散，其明度是逐級遞減的，此時由上述特征，可以區(qū)分非點(diǎn)光源(干擾光)與點(diǎn)光源，使用點(diǎn)光源判斷：先進(jìn)行RGB到HSV的色域轉(zhuǎn)換。

在這里為了進(jìn)一步濾除強(qiáng)烈的自然光干擾，得出圖2所示結(jié)果，我們采用點(diǎn)光源判斷算法。在HSV色域中，V指的是明度，也就是顏色明亮的程度。在實(shí)際測試中發(fā)現(xiàn)該套算法具有良好的適應(yīng)能力，在有外界環(huán)境光干擾嚴(yán)重，環(huán)境復(fù)雜的場景下，該算法依舊能夠精準(zhǔn)判定三個白光LED的位置，同時能夠有效區(qū)分有用及無用信息，對于分析傳感器位置及提高定位精度起到了一定的作用。

圖1 干擾光強(qiáng)烈示意圖

圖2 處理結(jié)果后示意圖

2.2 傾斜圖像修正

使用攝像頭獲取三個白光LED圖像時，三角形位置可能會傾斜，如圖3，需要進(jìn)行圖像處理，修正三角形位置。

在轉(zhuǎn)換成灰度圖像后，使用霍夫變換得到三條直線信息，但是三角形的頂點(diǎn)檢測不一，也就是說三個邊長并沒有完全檢測出來，有漏檢測的問題。這個實(shí)際上是調(diào)參數(shù)很難彌補(bǔ)的問題，三條邊長檢測總會存在誤差。后來我們發(fā)現(xiàn)，雖然頂點(diǎn)沒有檢測得很好，但是直線方向檢測的非常準(zhǔn)確，如果我們能作出這三條直線，求出三條直線的交點(diǎn)，我們就可以完美地得到三角形的頂點(diǎn)，由于檢測的這個三角形是等腰三角形，又三點(diǎn)距離，很容易判斷出來，哪個是三角形的腰，哪個是三角形的底邊，由三角形的底邊和成像照片的底邊所形成的角度，可得出圖像需要校正的角度。在這里使用透視變換去處理。通用的變換公式為：

u，v是原始圖片左邊，對應(yīng)得到變換后的圖片坐標(biāo)x，y，其中：

重寫之前的變換公式可以得到：

所以，已知變換對應(yīng)的幾個點(diǎn)就可以求取變換公式。反之，特定的變換公式也能新的變換后的圖片。簡單的看一個正方形到四邊形的變換：

變換的4組對應(yīng)點(diǎn)可以表示成：

根據(jù)變換公式得到：

定義幾個輔助變量：

求解出的變換矩陣就可以將一個正方形變換到四邊形。反之，四邊形變換到正方形也是一樣的。于是，我們通過兩次變換：四邊形變換到正方形+正方形變換到四邊形就可以將任意一個四邊形變換到另一個四邊形，使得傾斜的圖像可以修正，如圖4所示。

圖3 三角形傾斜示意圖

圖4 傾斜修復(fù)后示意圖

2.3 測試結(jié)果

測試數(shù)據(jù)顯示比照測試如表1所示：

表1 測試數(shù)據(jù)顯示比照測試

測試數(shù)據(jù)顯示比照測試如表2所示：

表2 測試數(shù)據(jù)顯示比照測試

3.結(jié)語

現(xiàn)今室內(nèi)定位技術(shù)被人們所需求：在消費(fèi)時商店希望顧客進(jìn)店消費(fèi)時可以主動發(fā)送一些促銷折扣，用戶會希望能夠直接獲取所需要知道的位置，需要導(dǎo)航定位。本次設(shè)計在成本上降低了很多，也免去了復(fù)雜電路布線的麻煩。目前項(xiàng)目依然存在缺點(diǎn)，在某些情況下，識別點(diǎn)位置精度不高，后續(xù)會繼續(xù)努力，提高精度。

[1]丘維聲.線性代數(shù)[M].高等教育出版社,2006.

[2]鄔弘毅,黃建國.高等數(shù)學(xué)(工科類)[M].合肥工業(yè)大學(xué)出版社,2006.

[3]布萊德斯基(Bradski.G.),克勒(Kaehler.A.).學(xué)習(xí)OpenCV(第1版)[M].清華大學(xué)出版社,2009.

[4]塞利斯基(Richard Szeliski).計算機(jī)視覺算法與應(yīng)用[M].清華大學(xué)出版社,2012.

[5]Robert Laganiere.OpenCV2計算機(jī)視覺編程手冊[M].科學(xué)出版社,2013.