晏暉 胡丙華

摘要：針對試飛光電測試中目標運動軌跡姿態(tài)自動化測量的問題，提出一種基于空間拓撲關系的目標自動識別跟蹤與位姿參數(shù)同步測量技術。首先通過對被測目標表面的圓形標志點密集布設、目標運動過程的圖像高速采集、圓形標志點不同視角下的自動精確提取，實現(xiàn)目標的自動檢測;之后基于多點空間拓撲關系進行同名像對的匹配，并結(jié)合雙攝像機的標定參數(shù)進行前方交會測量，實現(xiàn)目標表面標志點的三維重建;再采用基于多點空間拓撲約束、點距判定以及坐標旋轉(zhuǎn)平移變換算法的點云塊配準方法，實現(xiàn)目標自動跟蹤與運動過程的軌跡姿態(tài)參數(shù)測量。試驗證明：該方法切實可行，可獲得亞毫米級的定位精度和優(yōu)于0.11°的定姿精度，且能夠全自動處理，從而大大提升試飛測試中影像測量的數(shù)據(jù)處理效率，同時可為飛行影像數(shù)據(jù)自動化、實時化處理提供一種有效技術手段。

關鍵詞：空間拓撲關系;目標識別跟蹤;位姿測量;影像測量;點云塊配準;點距判定

中圖分類號：v217文獻標志碼：A 文章編號：1674-5124（2019）04-0009-07

0引言

影像測量技術由于直觀性好、精度高等優(yōu)點，在試飛測試領域發(fā)揮著重要作用，主要用于機載武器系統(tǒng)發(fā)射、空中加油、機翼變形、飛機起降性能、空投空降等科目中，將運動過程記錄在二維影像上，為課題與試飛監(jiān)控指揮人員提供直觀的影像信息，同時通過圖像處理、特征識別、攝影測量計算，獲取運動目標的位置、姿態(tài)與速度等測量信息。但受目標識別技術的限制，該技術還未真正實現(xiàn)目標的實時自動化測量，大部分處在事后數(shù)據(jù)處理階段，且需要較多的人工干預，不能滿足試飛任務密集、強度大等新形勢下測試科目對測量數(shù)據(jù)的實時或準實時性需求。因此，研究適合航空飛行測試影像的自動化處理技術對提升影像測量自動化程度、處理效率，進而實現(xiàn)實時目標視頻圖像測量具有重要意義。

基于影像的目標位姿測量自動化處理的關鍵是目標自動識別跟蹤，其基礎是對目標進行表面處理以提高自動識別能力，常用手段是粘貼或噴涂人工標志。圓形標志點由于其在攝影變換下保持橢圓形狀不變的特性，在攝影測量，尤其是高精度攝影測量應用中的作用是舉足輕重的，圓形標志點的識別和點中心計算是整個攝影測量的第1步，識別準確性和定位精度直接影響整個系統(tǒng)的性能。針對圓形標志點定位的研究有很多，國內(nèi)成熟的技術主要有基于高斯分布擬合的標志點中心提取，利用Canny和其他圖像判據(jù)提取標志點，橢圓擬合、灰度重心、灰度矩等方法，定位精度可以達到亞像素級。空間拓撲關系目前多用于GIS，是GIS空間關系理論的重要基礎，目前在點云配準、影像跟蹤方面也開展了一定的研究，但可查閱的用于實際工程測量的相關研究資料很少。結(jié)合飛行試驗中視頻成像條件、標志點成像質(zhì)量及目標位姿測量原理，本文提出了基于空間拓撲關系的目標位姿自動測量技術，利用Canny算法和Zemike矩相結(jié)合的類橢圓亞像素邊緣定位，結(jié)合最小二乘橢圓擬合法實現(xiàn)多個橢圓的自動提取定位;經(jīng)影像匹配后進行前方交會測量;對不同位置得到的點云塊依據(jù)其空間拓撲關系進行配準，獲得目標軌跡姿態(tài)變化，即在目標自動識別跟蹤的同時實現(xiàn)目標軌跡姿態(tài)的自動測量。利用特征標志點集的三維幾何拓撲關系，空間距離關系，通過尋優(yōu)可有效解決在點云配準時特征標志點群之間的搜索與匹配識別問題，提高匹配速度和精度。

1測量方案

1.1總體技術流程設計

以雙站交會測量方式實現(xiàn)目標的位姿測量，其技術實現(xiàn)流程如圖1所示，主要包括攝像機精確標定、密集圓形標志點的提取、影像匹配與三維測量、三維點云配準與軌跡姿態(tài)解算4部分內(nèi)容。

1.2基于編碼控制點的攝像機精確標定

攝像機標定的目的是獲得攝像機的內(nèi)外方位元素和光學畸變參數(shù)，為基于影像分析的目標運動參數(shù)測量提供基準。標定計算的核心是共線條件方程：

考慮標定效率、測量精度需求、編碼點唯一性特點，以及實際試驗條件，此處以編碼點為控制點，采用基于光束法平差和空間后方交會原理實現(xiàn)攝像機內(nèi)外參分步標定。

1.2.1基于光束法平差的攝像機內(nèi)參與畸變系數(shù)

標定

以布設有多個編碼點（坐標已知）的物體或墻面為標定控制場，進行多角度拍攝，獲取編碼點的序列影像，以編碼點的像點坐標與物方坐標為已知條件，根據(jù)共線條件方程式（1）獲得解算內(nèi)外方位

根據(jù)式（2）對每張影像中提取的編碼點列相應的誤差方程進行整體平差，可獲得精確的攝像機內(nèi)參與畸變系數(shù)。

1.2.2基于后方交會的攝像機外參標定

在攝像機內(nèi)參與畸變參數(shù)已知的基礎上，根據(jù)共線條件方程，可得標定計算誤差方程式為：

在攝像機視場內(nèi)均勻布設4個以上編碼點作為標定控制點，同上布設4個左右檢查點，用于標定精度的實測評估。利用全站儀構建物方坐標系，并獲得控制點和檢查點在物方坐標系下的坐標;根據(jù)控制點的像方坐標和物方坐標，建立如式（3）的誤差方程，再進行最小二乘平差獲得攝像機外方位元素。

1.3密集圓形標志點的提取

1.3.1基于灰度直方圖的自適應圖像二值化處理

首先對圖像進行灰度化處理，對原始直方圖進行兩次均值濾波，得到平滑的直方圖，按下式規(guī)則找出峰值集合：

其中，h（l）為直方圖原始值，L為灰度級數(shù)，θ為比例系數(shù)，可憑經(jīng)驗設置，即如果此灰度是波峰且原直方圖中的值占有一定比例時，峰值被保留下來。

根據(jù)設定的閾值去除距離相近的峰值與波谷不明顯的峰值以進行峰值篩選;當留下來的峰值數(shù)小于等于設置值時，以其對直方圖進行區(qū)間劃分。之后根據(jù)劃分好的區(qū)間，利用OTSU算法求取最佳局部閾值，以此對圖像進行二值化處理。在二值化基礎上實現(xiàn)團塊檢測，并根據(jù)面積和周長進行非圓形標志點的篩除。

1.3.2基于Canny算法與Zemike矩相結(jié)合的類

橢圓亞像素邊緣定位

對圖像進行Canny邊緣提取，然后采用Snake方法對邊緣進行優(yōu)化，濾除邊緣毛刺，其通過內(nèi)外力的共同作用將輪廓點收縮到圖像的特征點，再以

采用最小二乘非線性優(yōu)化算法對式（5）目標函數(shù)進行非線性遞歸搜索，即可求出橢圓中心（y0，x0），從而可以實現(xiàn)類橢圓中心的亞像素定位。

1.4基于多點空間拓撲關系的影像匹配

1.4.1基于視覺感受域的影像特征描述子構建

在構建區(qū)域圖像描述子時，對于其中的任意一點pi可以得到一個具有同心環(huán)形結(jié)構的特征RFPi，其反映了感受域的基本模式。

對于較大的圖像區(qū)域，圖像內(nèi)容的結(jié)構復雜性與語義多樣性將隨著其空間尺度的增加而增加。因此，為了對這種視覺感受域的特性進行表征，將感受域模式RFP在尺度空間上進行進一步的擴展。其基本思想是，基于每一個像素點，將采樣獲得多個尺度的感受域模式，使其具有遞增的大小。如圖2所示，位于像素pi上的多尺度感受域模式RFP可以通過以下方式獲?。?/p>

依此構建的圖像描述子能夠?qū)Σ煌叨扰c復雜性的圖像結(jié)構進行更加綜合地表征，從而得到具有更好描述能力與魯棒性的圖像描述算法。

1.4.2基于多點空間拓撲關系的點集形狀提取

根據(jù)感知qj的結(jié)構四鄰域中是否存在其他鄰域點來對qj的結(jié)構類型進行編碼，如圖3所示。

此編碼方式可以對點集中某點的鄰域底層結(jié)構進行抽象，從而得到一些具有代表性的基礎形狀。

對于點pi周圍局部區(qū)域的所有點qj都可以獲得相應的鄰域形狀編碼。根據(jù)構建形狀直方圖的思想，如果直接基于此結(jié)果對所有qj進行形狀直方圖累積，將會損失大量空間結(jié)構信息，因此需要進一步基于形狀向量集合進行具有魯棒性的空間池化操作，從而得到更加綜合的點集局部結(jié)構形狀表征?？臻g池化操作如圖4所示。

基于局部結(jié)構的點集形狀提取算法在基本形狀編碼與池化時利用了相對坐標系，能夠更好地應對點集旋轉(zhuǎn)的情況，對于點集內(nèi)部的拓撲關系進行了綜合表征，有利于后續(xù)影像準確匹配。

1.4.3K近鄰匹配與比率測試相結(jié)合的影像匹配

描述符匹配的結(jié)果是得到兩個描述符集合之間對應關系的列表。為提高匹配速度，可以在調(diào)用匹配函數(shù)之前，訓練一個匹配器，建立描述符索引樹，然后找到每個描述符的K近鄰匹配，從而實現(xiàn)與查詢描述符的匹配。

為了盡量減少錯誤的對應關系，采用離群值刪除技術中比率測試與K近鄰匹配相結(jié)合。在進行K近鄰（KNN）匹配，根據(jù)設定的K值，對每個匹配返回K個最近鄰描述符。若K=2，表示僅當?shù)谝粋€匹配與第二個匹配之間的距離比率足夠大時（比率的閾值通常為2左右），才認為是一個正確匹配。比率測試可刪除幾乎所有的異常值。

1.4.4前方交會測量獲得點云塊解算出每塊點云的R和T后，利用R和T對值的點則位于節(jié)點的右子樹。以此類推，各個維循環(huán)往復。直到一個節(jié)點中的點數(shù)少于給定的最大點數(shù)，劃分結(jié)束。以此建立散亂點云的空間拓撲關系。每個數(shù)據(jù)點的K鄰近就可以由其所在的樹節(jié)點中進行查找，從而建立每個測量點的K鄰近關系。試驗中需根據(jù)處理數(shù)據(jù)的特點與測試效果進行K值的預設。

1.5.2點云配準與目標軌跡姿態(tài)解算

為減少兩個特征點集中非同名點對點云配準計算效率和可靠性的影響，可在配準計算前進行兩點云塊中標志點的匹配，以獲得標志點一一對應關系。根據(jù)標志點的空間特征不變性，若（pi，qj）為標志點對，必滿足如下兩個判據(jù)。

判據(jù)1：pi到標志點集s中每個點的距離依次與匹配點qj到標志點集T中所有點的距離相比較，滿足下式的總個數(shù)最多。

2試驗驗證與分析

根據(jù)前述方法需求與算法原理，利用Vc++平臺實現(xiàn)攝像機標定計算、密集圓形標志點提取、影像匹配與三維坐標測量、三維點云配準與軌跡姿態(tài)測量、數(shù)據(jù)優(yōu)化與曲線顯示等功能，并在實驗室進行了準確性與可靠性驗證。通過在實驗室架設2臺高速攝像機構成測量系統(tǒng)平臺，以布設有較密集圓形標志點的箱子作為被測目標，試驗進行了2臺攝像機的精確標定，目標運動過程的視頻采集，目標上圓形標志點的自動識別跟蹤與軌跡姿態(tài)參數(shù)解算等工作，驗證了方法的有效可靠性。

2.1攝像機標定

以實驗室墻面上布設的坐標已知的編碼點作為控制點進行攝像機的標定。首先連續(xù)變動兩高速攝像機的位置與角度，獲得控制點的序列影像，進行光束法平差的攝像機內(nèi)參與成像畸變系數(shù)標定;然后固定兩高速攝像機，獲得控制點的成像，進行基于后方交會的外參標定。兩臺攝像機標定影像見圖5。

以其中較大的編碼點作為此次試驗標定計算的編碼控制點，經(jīng)檢核計算，兩攝像機交會測量的標定精度如表l所示（以其中能精確識別計算的11個編碼標志點進行誤差統(tǒng)計分析）。

以編碼點為控制點進行攝像機標定，有助于程序自動實現(xiàn)編碼點提取及其與物方控制點數(shù)據(jù)的一一配對關系;由表1可以看出，試驗采用攝像機標定方法取得了優(yōu)于0.2mm的實際檢核精度，可滿足后續(xù)的目標軌跡姿態(tài)測量的精度需求。

2.2影像圓形標志點提取與匹配

在一個箱體上粘貼多個圓形小標志點，推動箱體使其做平移和翻轉(zhuǎn)下落的運動，攝像機同步采集箱體運動視頻影像，圓形標志點在攝像機視場中成像的個數(shù)隨著運動由少變多再到變少，該方法有效擴大了測量范圍，也造成了影像處理的復雜度;利用文中所述方法進行圓形標志點的提取與同名影像對的標志點匹配，其效果如圖6所示。

由圖可知，目標上密集圓形標志點實現(xiàn)了自動提取與準確匹配，說明該方法選擇圓形標志作為特征點，利用成熟的canny算子粗定位和zemike亞像素級定位相結(jié)合的特征點跟蹤方法可實現(xiàn)圓形標志點的完全自動提取;利用多點空間拓撲關系、K近鄰匹配及比例測試相結(jié)合的特征匹配策略，確保影像匹配的魯棒性與可靠性。

2.3目標軌跡與姿態(tài)測量

經(jīng)同名影像對匹配后，依據(jù)前方交會原理實現(xiàn)某一時刻箱體上密集圓形標志點的三維坐標測量;然后根據(jù)不同時刻的圓形標志點構成的點云塊進行配準計算，獲得箱體整個運動過程的軌跡與姿態(tài)變化，其數(shù)據(jù)曲線如下圖7和圖8所示。

從圖中可以看出，目標在運動過程中有平移、翻轉(zhuǎn)、下落動作;圖8顯示了目標以第一幀影像狀態(tài)為基準的姿態(tài)變化情況，滾轉(zhuǎn)角變化很大，與視頻拍攝的實際情況一致，同時，從實際測角中誤差變化曲線看出，測姿誤差優(yōu)于0.11°，說明了該測量方法的準確性和可靠性。

3結(jié)束語

通過上述試驗證明，本文提出的基于空間拓撲關系的目標軌跡姿態(tài)自動測量方法準確可靠。該方法采用圓形標志點作為跟蹤對象，保證了標志點跟蹤定位精度;采用密集圓形標志點布設模式避免了試飛影像測量中以往跟蹤單一點會隨著目標運動出現(xiàn)丟失的情況，保證了目標整個運動過程的穩(wěn)定跟蹤與測量;可實現(xiàn)單站或多站測量數(shù)據(jù)的全自動化處理，適用于多種型號的類似剛性結(jié)構目標的軌跡姿態(tài)測量。將相關算法進一步優(yōu)化，并提高設備處理性能，可實現(xiàn)目標的實時跟蹤測量，為試飛影像數(shù)據(jù)自動化、實時化處理提供一種有效技術手段。