任麗莉，康 冰，于 海，楊惠策，于 彤

(1.長春師范大學高性能計算中心，吉林 長春 130032；2.吉林大學通信工程學院，吉林 長春 130022)

在現(xiàn)代的科技、軍事與生活中，海陸空的交互頻繁，無人機憑借其能夠靈活處理復雜工作情況的特性，已經(jīng)成為航空學術研究中新的前沿和熱點。例如，無人機在目標搜尋、高空拍攝、軌跡追蹤等任務方面發(fā)揮著重要作用。但是由于數(shù)據(jù)傳輸、能源儲備等因素的限制，無人機需要實時與地面進行交互并能夠在特定裝置上進行數(shù)據(jù)傳送和能量補給。因此，為了更好地發(fā)揮無人機靈便精巧的特性，讓無人機在執(zhí)行工作任務時，能夠跟蹤識別特定標志或物體，并實現(xiàn)穩(wěn)定降落顯得尤為重要。高翔[1]設計了一套基于機載嵌入式平臺的無人機視覺輔助自主降落方案，該方案能夠?qū)崿F(xiàn)無人機自主跟蹤、降落在移動平臺上的功能，但由于降落時攝像頭對圖像處理過程復雜，遠近變焦處理困難，使得降落穩(wěn)定性較差，存在一定誤差，可能會出現(xiàn)脫離平臺的現(xiàn)象。為了彌補旋翼飛行器降落圖像處理方面的問題，本文闡述了磁吸式飛行器自主降落的方法。

1 顏色識別算法

本文采用如圖1的整體流程框架來完成目標檢測與跟蹤。大體上的目標檢測與跟蹤分為視頻流的單幀化、圖像的預處理、圖像的目標檢測、圖像的目標跟蹤。

1.1 圖像預處理

1.1.1 圖像的等比例尺寸變換

旋翼的目標跟蹤的實質(zhì)是圖像識別以及無人機的反饋控制，為了控制的實時性，需要對圖像進行有效的預處理，使圖像能夠被較為準確的識別和處理。進行圖像放縮的主流方法是圖像金字塔方法，它是圖像多尺度分析的有效方法。

常見的兩種圖像金字塔處理方法中，用于圖像重建的圖像金字塔方法稱為拉普拉斯圖像金字塔[2]。而用于等比例縮小的方法稱為高斯金字塔方法。針對于本文情況，選擇高斯圖像金字塔[3]，從而方便圖形處理器的處理。高斯金字塔算法流程圖如圖2所示，本文直接引用OpenCV的C++庫函數(shù)pyrDown(src,dst,Size(src.cols/2,src.rows/2))，其中src是要處理的原圖像，dst是要處理的目標圖像，而第三個參數(shù)的作用是將圖像的行數(shù)和列數(shù)縮小為原來的一半。在機載圖像處理器中，圖像尺寸的縮小變換也進一步驗證了金字塔圖像尺寸等比例變換的有效性。

圖1 目標跟蹤整體步驟

圖2 高斯金字塔算法流程圖

圖3 RGB空間圖像轉(zhuǎn)HSV空間圖像實例

1.1.2 圖像顏色空間轉(zhuǎn)換

由于圖像跟蹤中，目標所處環(huán)境的光線明暗以及所使用的特征識別的標志物本身顏色深淺都會對識別效果產(chǎn)生影響，因此，我們選擇將圖像空間進行轉(zhuǎn)換。對于顏色空間的轉(zhuǎn)換，OpenCV提供了一個成熟的函數(shù)cvtColor(img，imgHSV，COLOR_BGR2HSV)[4]，其中img表示原RGB空間圖像，而imgHSV是轉(zhuǎn)化后的HSV空間圖像，第三個參數(shù)是一個OpenCV常數(shù)。圖3是本文對一張圖片處理時，其RGB空間的圖像和HSV空間的圖像對比。

1.1.3 圖像二值化處理

圖像二值化處理[5]，每一行每一列的像素點是1×3矩陣，會拖慢處理速度。因此需要將圖像的數(shù)據(jù)量進行縮減。在像素級別的圖像數(shù)據(jù)量縮減上，能夠采取的主要方法是降低通道數(shù)量，本文采用了二值化的方法進行數(shù)據(jù)量縮減處理。

將RGB圖像二值化的方法是將每一個像素點中的3個子序列合并成為1個子序列，并且，在這個子序列中原本具備彩色效果的圖像將只有黑白兩種效果，該子列的取值為0～255，用來表示圖像二值化之后的灰度值。圖像二值化公式為：

(1)

其中，bl為最小灰度值，bu為最大灰度值。

在本文中，對HSV圖像進行二值化，這樣有利于將具有某種特質(zhì)特征的目標使用二值化的方法提取出來。圖4顯示了OpenCV框架下的二值化實例，該實例顯示的是將背景中的黑色中心位置突出顯示，顯示為二值化之后的白色。

圖4 圖像二值化之后突出顯示原圖像黑色中心點區(qū)域

1.2 基于顏色特征的運動目標檢測

本文選用了目標特征檢測方法實現(xiàn)目標跟蹤。由于顏色特征較為直接，所以采用基于顏色特征的識別方式，即從每幀圖像當中識別出預先設定的顏色。在OpenCV框架下，識別顏色特征的基本思路如圖5所示，基于此進行了圖像顏色特征的檢測與識別[6]。由于二值化之后，圖像基本不包含亮度和飽和度信息，只包含顏色信息，因此，對每一幀圖像進行遍歷。首先從每一行開始，從這一行的第一列開始，遍歷直至最后一列，從而判斷該列元素是否為二值化之后的白色部分。之所以可以通過判斷白色突出區(qū)域來判斷是否已經(jīng)尋找到目標,是因為本文的圖像二值化不是對RGB圖像進行二值化，而是對HSV空間圖像進行二值化，這樣可以將所有色相閾值在檢測范圍內(nèi)的元素全部二值化為白色區(qū)域，而沒有在此閾值范圍內(nèi)的全部二值化為黑色區(qū)域。遍歷完當前行之后，標記起始行數(shù)的位置以及起始列數(shù)的位置，然后進行下一輪遍歷。在下一輪遍歷之后，倘若發(fā)現(xiàn)目標像素的列數(shù)比已知列數(shù)小，則對剛才記錄的列數(shù)進行更新，循環(huán)直至尋找到最后幾行，記錄最后的目標所在行數(shù)和列數(shù)。進行這些遍歷之后，實質(zhì)上，已經(jīng)找到了目標的最小矩形邊界，以及這個邊界的長和寬。計算出這個矩形中心，即為目標中心。最后，為了顯而易見，使用OpenCV自帶的畫邊框函數(shù)，畫一個以目標中心為中心，并且包含所有目標區(qū)域的其他顏色的矩形框，該矩形框?qū)嶋H上表示的是我們所要檢測的運動目標的像素點所在區(qū)域。這就相當于可以通過計算矩形的中心得到物體的質(zhì)心，從而確定了物體在相機視野中的最大輪廓。再結(jié)合HSV的閾值，即可對運動目標器進行檢測，圖像中的顏色檢測與識別就完成了。

1.3 基于顏色特征的MeanShift目標跟蹤算法

視頻流在每一個幀所在的周期內(nèi)，就是一張待處理的圖片。所不同的是，除了要將思路轉(zhuǎn)化為針對每一幀的處理之外，還需要使用更加有效的算法進行目標跟蹤，并防止目標丟失，同時還要在每一幀圖像中提取目標的相對位置信息，并將此作為四旋翼飛行控制的輸入信息。

1.3.1 視頻流中目標跟蹤的總體流程

(1)讀取視頻流文件，獲取有效圖像信息。在視頻實時處理的過程中，為了避免造成視頻幀的遺漏，必須要首先確保視頻流文件的打開是否正確，即是否有視頻幀可以進行有效處理。(2)圖像視頻幀預處理。為了保證視頻流跟蹤的準確性，必須要通過顏色空間轉(zhuǎn)換，將原來比較復雜的RGB顏色空間中的圖像轉(zhuǎn)換為HSV空間中的圖像進行處理。(3)去除圖像噪聲。采用膨脹和腐蝕操作來填充物體內(nèi)的細微空缺像素并平滑處理圖像的邊界，從而為目標跟蹤創(chuàng)造良好的條件，避免圖像跟蹤中的算法誤判。(4)圖像輪廓檢測與選取，由于圖像輪廓的檢測具有較快的算法運行速度，因此可以檢測全部輪廓，在排除外界干擾的情況下，圖像的最內(nèi)側(cè)輪廓即為目標物體的輪廓。(5)根據(jù)顏色特征選取需要研究和處理的圖像的部分區(qū)域，根據(jù)(4)中的分析可知，為了減少輪廓檢測的誤判，需要確定目標物體是否具有特定的輪廓和顏色特征。(6)使用目標跟蹤算法進行目標跟蹤，為了保證處理的實時性，本文選用MeanShift算法進行目標跟蹤。

圖5 基于顏色特征的目標檢測程序流程圖

1.3.2 MeanShift跟蹤算法設計

MeanShift算法[7]即為均值飄移算法，其本身的運行依靠對偏移值的迭代進行，也就是首先計算當前位置區(qū)域的平均偏移值，然后將當前點作為新的起點，迭加移動相應偏移值直至移動到目標位置。

MeanShift算法的數(shù)學定義源于MeanShift向量。MeanShift向量的基本定義形式為：

(2)

對于給定的多維空間的n個樣本點xi,x=1,2,…,n，當發(fā)生偏移時，將會有k個樣本歸為球Sh所在的區(qū)域，球Sh定義了一個高維區(qū)域，該高維區(qū)域的表達式為：

(3)

在上述的推導過程中，僅僅是在宏觀的概率分析中做的推導，這就忽視了樣本點之間距離的影響，因此，引入核函數(shù)進行進一步的推理。常見的核函數(shù)包括單調(diào)核函數(shù)：

(4)

和高斯核函數(shù)：

(5)

引入核函數(shù)之后MeanShift算法表達形式為：

(6)

其中，w(xi)是采樣點的權重系數(shù)。

以上是對MeanShift算法中相關向量進行的數(shù)學推導，但是，當MeanShift算法應用到跟蹤領域時，需要建立一個跟蹤模型來對整體目標跟蹤過程進行描述。

首先，在起始幀，通過上述基于顏色特征的目標檢測方法，得到了需要處理的感興趣區(qū)域，將此區(qū)域進行幾何量化，轉(zhuǎn)化為一個長方形區(qū)域。假設該區(qū)域的中心為x0，對于整體圖像的n個像素點中的m個特征點的特征密度估計為：

(7)

運動目標在第二幀及之后每幀中出現(xiàn)的區(qū)域中心假設為y0，則此時包含特征點區(qū)域的特征密度估計為：

(8)

對于兩次的候選區(qū)域，以第一幀中所得到的相似率為基準，使用巴氏距離系數(shù)作為近似函數(shù)，計算第二幀及以后幀的相似性：

(9)

f(y)的值是一個概率分布值，值越大，表明前后兩幀圖像的相似性越接近，兩個先后模型的相似程度越高。接下來需要對目標的位置進行確認，這時計算MeanShift向量的變化值，不斷迭代，直至變化值小于規(guī)定閾值，則變化值最小的位置即為目標的位置。式(10)反映了這種迭代計算的過程。

(10)

本文所設計的基于顏色特征的目標跟蹤算法的程序流程如圖6所示。

2 磁吸式捕獲旋翼飛行器實驗裝置

2.1 捕獲裝置結(jié)構介紹

在跟蹤結(jié)束后，旋翼飛行器進行降落，為了彌補降落時出現(xiàn)的圖像處理困難等問題，設計了一個旋翼捕獲裝置，該裝置下部為一個矩形的硬質(zhì)絕緣板，板的中間放置超聲波模塊，四個角裝有四個升降平臺，該升降平臺通過步進電機控制進行升起降落。四個升降平臺支撐上部的一個矩形硬質(zhì)板并與硬質(zhì)板固定連接，上部的硬質(zhì)板中心處挖空，正對下方板上放置的超聲波模塊。上板根據(jù)所要捕獲旋翼機臂的個數(shù)，挖出相應數(shù)量的圓孔，用于放置電磁鐵，并將旋翼所能夠識別的標志粘貼在上方板上。

2.2 磁吸式自主升降捕獲裝置工作流程

放置在降落平臺上中間的一個超聲波測距模塊實時監(jiān)測上方旋翼相對平臺的距離，當監(jiān)測到旋翼距平臺距離為20～25 cm時，向最小控制系統(tǒng)STM32單片機的管腳發(fā)送低電平信號。

圖6 基于顏色特征的目標跟蹤算法程序流程圖

圖7 磁吸式自主升降捕獲裝置工作流程圖

單片機實時監(jiān)測管腳電平的變化情況，當接收到由超聲波模塊發(fā)送的低電平信號時，STM32單片機對電機驅(qū)動發(fā)送上升指令，使平臺上升。同時，與繼電器相連接的單片機管腳會由開始的下拉狀態(tài)變?yōu)樯侠瓲顟B(tài)，繼電器觸點閉合，進而電源會給電磁鐵陣列供電，使電磁鐵帶有磁性。

隨著降落平臺高度的增加，當降落平臺與旋翼機臂下磁性圓盤的距離足夠小時，平臺會瞬間對旋翼進行吸引，使其降落并固定到平臺上，完成對旋翼飛行器的捕獲。

捕獲完成穩(wěn)定后，單片機發(fā)送下降命令給電機驅(qū)動，使電機緩慢豎直下降，當降落到初始的最低高度后，與繼電器相連的單片機管腳再次下拉，使觸點斷開，平臺消除磁性，此時，可以從平臺上取回旋翼，捕獲過程結(jié)束。全過程流程如圖7所示。

3 測試與分析

為了驗證本文所述算法以及旋翼捕獲平臺的可靠性和穩(wěn)定性，在室外的無人廣場區(qū)進行試驗工作，場地大小為40 m×20 m。將升降平臺裝在小推車上，移動平臺上貼有供旋翼識別的顏色標志，讓旋翼在不同高度、不同速度條件下測試降落平臺的捕獲精度和捕獲時間。將升降平臺上板中間設為參考點，測量旋翼中心偏離上板中心的距離作為偏離距離，當旋翼距離平臺20 cm時開始計時。

表1 不同條件的測試結(jié)果

4 結(jié)論

本文利用視頻圖像處理以及Meanshift算法進行目標跟蹤，讓旋翼飛行器對目標進行識別，降落時，用磁吸式平臺對旋翼進行捕獲，使旋翼能夠吸附在平臺上，達到穩(wěn)定降落的目的。實驗結(jié)果表明，該降落裝置能夠使旋翼穩(wěn)定地停在平臺上，實現(xiàn)穩(wěn)定安全降落。