曹姝清，劉宗明，牟金震，張翰墨，張 宇

(1.上海航天控制技術研究所·上?！?01109;2.上海市空間智能控制技術重點實驗室·上海·201109)

0 引 言

考慮到空間環(huán)境中用于交會對接的大部分空間目標衛(wèi)星的基本構型大多數都存在矩形輪廓特征，因此可通過提取空間目標衛(wèi)星的輪廓直線特征，實現后續(xù)交會對接航天器逼近段姿態(tài)的估計。最普遍的圖像輪廓提取方法是灰度梯度法，通過對圖像按閾值進行二值化處理得到灰度圖像，然后進行灰度梯度解算，將提取出來的具有較大灰度梯度值的像素點作為邊緣點，最后依據相應的判斷準則對邊緣點進行篩選，繪制相應的輪廓曲線?；叶忍荻确ǖ幕A是空域微分算子，主要包括拉普拉斯算子、Canny算子和Sobel算子等。這類算子運算速度快，實現較為簡單，但對圖像灰度化處理時所設定的閾值十分敏感，同時圖像中存在的噪聲對檢測過程干擾較大，導致其魯棒性差。文獻 [1]提出了一種基于方向形態(tài)學的輪廓提取方法:在二值化邊緣圖像的基礎上，采用形態(tài)學方法進行目標輪廓的提取。該方法計算簡單，適于進行并行計算，對圖像邊緣提取效果依賴性高，存在容易陷入局部輪廓提取及易受噪聲干擾的問題。文獻 [2]對文獻 [1]進行了改進，通過結合形態(tài)學梯度邊緣檢測算子對圖像進行邊緣檢測，再利用具有方向信息的結構元素對圖像進行形態(tài)學處理以獲取物體的輪廓信息。該方法通過引入邊緣方向信息提高了跟蹤圖像主要邊緣信息的能力，魯棒性較好，對噪聲有很好的抑制作用，但是對結構元素的選取比較敏感。文獻 [3]的直線檢測方法綜合利用了梯度幅值和方向信息，但在幅值處理過程中仍存在閾值的選擇問題，在應用中受到一定的限制。文獻 [4]基于Hough變換的直線檢測算法簡單，具有良好的抗噪性，對于不完整邊緣具有魯棒性，以及對部分遮蓋區(qū)域具有不敏感的特性，但存在計算量大、存儲量大、檢測實時性差的缺點。由于目標輪廓等特征提取的精度直接決定了相對位姿估計的精度，為滿足空間交會對接任務的測量要求，需要對目標特征提取的精確性和檢測速度提出更高的要求?，F有技術中不考慮目標前后幀圖像變化關系、而直接采用基于全局圖像處理算法實現的目標特征提取技術，存在算法易受目標圖像較多邊緣的干擾導致的輪廓特征提取效果差、需要實時對當前幀全局圖像進行處理導致的處理速度慢，以及直接基于Hough變換實現的目標輪廓特征的提取精度差的問題。為此，本文對一種能有效克服這些缺點的空間目標快速輪廓特征提取與跟蹤技術進行了研究。

文中通過目標分割法從初始幀圖像中定位目標所在局部區(qū)域，作為目標連續(xù)跟蹤的初始值，結合幀間圖像變化信息，能夠快速實時地鎖定目標當前幀所在的局部區(qū)域。后續(xù)可直接基于目標局部區(qū)域輪廓四方向開小窗完成對目標邊緣特征的檢測細化處理，然后采用典型的Hough變換[5-6]實現目標直線特征的提取，并采用梯度最大法則實現兩兩求交獲取的輪廓特征的優(yōu)化。通過地面實驗模擬驗證了空間目標在近距離、在由遠及近相對距離連續(xù)動態(tài)變化過程中目標實時輪廓特征跟蹤算法的有效性，具有速度快、準確性強、穩(wěn)定性高等優(yōu)點。

1 初始幀目標分割

初始幀目標分割是從初始幀圖像中定位目標所在局部區(qū)域，將其作為目標連續(xù)跟蹤的初始值，結合幀間圖像變化信息，能夠快速實時地鎖定目標當前幀所在的局部區(qū)域。后續(xù)可直接基于目標局部區(qū)域完成對目標特征的檢測處理，無需遍歷整個圖像，能夠有效地提高輪廓特征檢測的速度[7]。

圖像分割算法的實現流程如下:

1)采用8鄰域自適應閾值分割法完成初始幀圖像的快速分割;

2)對分割圖像進行二值化處理獲得目標二值化圖像;

3)對二值化圖像依次進行形態(tài)學開和閉運算，消除小塊噪聲平滑目標邊緣及填充目標區(qū)域內細小空洞，確定初始幀目標所在局部區(qū)域。

初始幀圖像分割前后效果如圖1所示。

圖1 初始幀目標分割前后效果Fig.1 Pre-effect and post-effect charts of initial frame target object segmentation

2 初始幀目標邊緣檢測及細化

以初始幀目標分割圖為參考，擴充目標外輪廓一定矩形區(qū)域作為輪廓檢測的初始窗口，選取該初始窗口目標本體區(qū)域中的4個條帶狀局部小窗區(qū)域，完成初始幀目標邊緣的檢測及細化。通過開窗方式，初始幀目標邊緣檢測可大幅度縮小檢測區(qū)域，有效提高算法的實時性。邊緣細化處理能夠減少冗余的邊緣信息量，獲得較理想的單像素寬細化邊緣圖，提高后續(xù)特征提取的準確性。輪廓檢測的初始窗口如圖2所示。

2.1 Canny邊緣檢測

邊緣檢測是特征提取的前提，本文采用基于Canny算法的圖像邊緣檢測實現 (如圖3所示)。

圖2 輪廓檢測的初始窗口Fig.2 The initial window of the contour detection

圖3 Canny邊緣檢測流程圖Fig.3 Flow chart of the Canny edge detection

初始幀目標邊緣檢測圖如圖4所示。

圖4 初始幀目標邊緣檢測圖Fig.4 The initial frame target edge detection

2.2 邊緣細化

圖像邊緣細化就是在保持Canny檢測邊緣圖像原有信息的基礎上，采用查詢表方式進行邊緣細化，通過判斷該邊緣圖像中每一像素點是否應被剔除，以減少冗余的邊緣信息量，獲得較理想的單像素寬細化邊緣圖[8-9]。

給定一個邊緣點可對其進行編碼，見式 (1)

其中，n0～n7代表了當前邊緣點周圍8鄰域范圍內的像素點是否是邊緣點，如果是邊緣點則為1，如果不是則為0。圖像中像素點Pi的8鄰域范圍內像素的分布和編碼表如圖5所示。在對所有邊緣點編碼完畢后，通過查詢當前點在細化表deletemark[256]中的位置即可完成細化。其中查詢表為:

圖5 編碼表與8鄰域Fig.5 Encode table and eight neighborhood

邊緣細化前后效果如圖6所示。

圖6 邊緣細化前后效果圖Fig.6 Pre-effect and post-effect charts of edge thinning

3 輪廓特征提取與跟蹤

對初始幀目標邊緣檢測及細化后的局部圖像采用Hough變換完成初始幀局部目標區(qū)域圖像中輪廓直線的提取，分別選取目標輪廓四方向最優(yōu)的直線參數作為最終目標輪廓直線獲取的效果，并采用梯度最大法則實現兩兩求交獲取的輪廓特征的優(yōu)化提取。后續(xù)根據相鄰圖像前后幀動態(tài)變化的關聯性，通過局部處理實現剩余序列圖像輪廓部分區(qū)域特征的連續(xù)跟蹤。所需處理的目標區(qū)域大幅減小，干擾少，輪廓提取效果好，能夠有效提高目標輪廓特征提取的實時性和穩(wěn)定性。

3.1 直線提取

邊緣細化后的局部邊緣多且亂，存在較多噪聲干擾，不利于后續(xù)特征的提取及解算。本文先采用8鄰域深度優(yōu)先搜索遞歸調用法對邊緣細化后的局部圖像進行處理，消除噪聲及非閉合的數據，形成分段連續(xù)的邊界鏈碼，完成初始邊段的提取;然后對初始邊段進行邊界排序，剔除較短的邊段，并對篩選后的邊段依次進行角點及拐點檢測，完成邊界分割處理，獲得最終用于Hough變換的邊界[10]。

Hough變換的步驟如下:

1)設定Hough平面累加器(ρ，θ)，其中，(w、h為圖像寬度和高度);

2)對處理區(qū)域所有點進行Hough變換:依次將θ代入直線極坐標方程ρ=xcosθ+ysinθ中進行計算，每次計算得到的(ρ，θ)在累加器相應位置處單元計數+1;

3)Hough變換處理后，設定合適的閾值T，累加器中大于T的單元對應的(ρ，θ)作為檢測出的直線。經過大量的現場試驗，取閾值T和最大投票數Amax滿足T=0.5Amax的關系。

通過對Hough變換檢測出的直線進行分類合并擬合，根據擬合后的直線到所有相對應邊緣點的距離誤差最小為準則，剔除一些不合理的直線，獲取最終目標直線的提取。

3.2 輪廓特征提取及優(yōu)化

利用獲取的目標直線，對不同直線兩兩求交獲得四方向的輪廓頂點，分別任取不同方向的點順序連接成不同的四邊形，選取內角接近直角，且滿足梯度最大的四邊形作為四邊形輪廓粗提取的結果。

然后利用梯度最大化原則對目標粗提取輪廓進行優(yōu)化。輪廓優(yōu)化先生成一幅梯度強度圖像，然后以輪廓周圍的梯度平均值最大為目標修正輪廓線的初值，從而提高輪廓提取的精度。輪廓線尋優(yōu)示意圖及輪廓優(yōu)化提取前后效果圖如圖7和圖8所示，輪廓線尋優(yōu)具體步驟如下:

1)根據輪廓頂點初始坐標和梯度圖像，利用坐標輪換法逐點進行調整并更新輪廓頂點坐標，進行下一個輪廓頂點尋優(yōu)，迭代求解;

圖7 輪廓線尋優(yōu)示意圖Fig.7 The diagram of the contour line optimal

2)如圖7所示，以P1為例，首先沿直線P1P2方向，以一定步長得到若干離散點P'1，計算直線P'1P3的梯度平均值，找到梯度最大的位置P'1。然后沿直線P3P'1搜索離散點，找到與P2連線且具有最大平均梯度的點，記為新的輪廓頂點P1_New，再進行下一點尋優(yōu)。

圖8 輪廓優(yōu)化提取前后效果圖Fig.8 The effect chart of the contour feature optimal extraction

3.3 輪廓特征跟蹤

在目標逼近過程中，結合連續(xù)幀圖像間目標尺度動態(tài)變化的關聯性，根據初始幀提取目標輪廓特征的先驗信息，確定目標在第二幀圖像中的輪廓位置，并依次根據相鄰上一幀圖像的輪廓位置信息定位目標在當前幀所在區(qū)域，通過局部處理實現剩余序列圖像輪廓區(qū)域特征的連續(xù)跟蹤[11-12]。在目標逼近過程中，序列圖像輪廓區(qū)域連續(xù)跟蹤效果如圖9所示。輪廓特征跟蹤的具體實現過程如下:

圖9 目標逼近過程中序列圖像輪廓區(qū)域連續(xù)跟蹤效果圖Fig.9 Continuous tracking effect chart of the contour region of the sequence image during target approaching phase

1)根據所描述的初始幀目標輪廓直線的參數信息對應確定該4條直線在第二幀圖像中的全局坐標，分別擴大4條直線所在的目標區(qū)域的范圍，摳取第二幀圖像中目標大致局部區(qū)域的圖像;

2)對摳取的第二幀圖像的邊緣，檢測圖像(上下左右)四方向內外一定區(qū)域的邊緣，采用Hough變換，完成第二幀局部目標區(qū)域圖像中輪廓直線的提取，獲取目標輪廓直線的參數;

3)根據序列圖像前后幀之間的關聯性，依次根據上一幀圖像的直線參數擴充一定的區(qū)域，完成相鄰下一幀圖像中目標區(qū)域局部圖像的摳取，并利用Hough變換、通過局部處理實現剩余序列圖像輪廓直線特征的連續(xù)跟蹤。

4 結束語

本文提出了一種空間目標快速輪廓特征提取與跟蹤技術，是實現后續(xù)空間目標姿態(tài)估計的前提保證;并通過地面實驗模擬驗證了空間目標在近距離逼近過程中目標實時輪廓特征連續(xù)跟蹤的有效性。實驗結果表明，相對于傳統(tǒng)的序列圖像前后幀無關聯的全局輪廓跟蹤圖像處理算法，其能夠有效克服由目標圖像較多邊緣的干擾導致的輪廓提取效果差及處理速度慢的缺點。采用先全局處理初始幀圖像，后續(xù)對包含目標的場景局部圖像或圖像序列進行局部處理，實現其余序列圖像特征的連續(xù)檢測及提取的方法，具有實時性好的優(yōu)點;結合幀間圖像變化信息，利用前一幀圖像的輪廓信息搜索估計，確定目標在當前幀圖像中的位置的技術特征，具有魯棒性強的優(yōu)點;采用梯度最大法則實現兩兩求交獲取的輪廓特征的優(yōu)化，具有特征提取精度高的優(yōu)點，為后續(xù)空間在軌操控任務的順利實施提供了技術支持。