鄒 雄, 肖長詩,b, 文元橋,b, 周春輝,b, 詹文強(qiáng)

(武漢理工大學(xué) a.航運(yùn)學(xué)院； b.內(nèi)河航運(yùn)技術(shù)湖北省重點(diǎn)實(shí)驗(yàn)室， 武漢 430063)

目前，隨著無人航行器和自動(dòng)駕駛越來越受到關(guān)注，無人艇(Unmanned Surface Vehicle，USV)作為航行器的一個(gè)分支，應(yīng)用也日趨廣泛，不僅應(yīng)用在軍事行動(dòng)上，還應(yīng)用在民用領(lǐng)域中。USV非常適合執(zhí)行危險(xiǎn)和耗時(shí)的任務(wù)，例如海上勘測(cè)、危險(xiǎn)水域的搜索和救援、海岸線巡邏和水質(zhì)檢測(cè)等。[1]為使用USV執(zhí)行這些任務(wù)，精確導(dǎo)航是至關(guān)重要的能力。車載導(dǎo)航廣泛使用的工具之一是組合慣性導(dǎo)航系統(tǒng)(Inertial Navigation System，INS)和全球定位系統(tǒng)(Global Positioning System，GPS)的組合導(dǎo)航系統(tǒng)。INS通常以高頻率運(yùn)行，但不可避免地具有漂移誤差，而GPS可提供絕對(duì)位置，其集成為海洋導(dǎo)航應(yīng)用提供理想的互補(bǔ)組合。然而，在大型建筑物附近，如橋梁、建筑物周圍以及內(nèi)河水域，GPS的使用常常受到限制。[2]

針對(duì)這些局限，激光里程計(jì)和視覺里程計(jì)(Visual Odometry，VO)迅速發(fā)展，與輪式里程計(jì)一樣，傳感器數(shù)據(jù)已被用來計(jì)算其相對(duì)運(yùn)動(dòng)軌跡。激光雷達(dá)方法的缺點(diǎn)是所使用的傳感器非常昂貴。此外，其測(cè)量范圍一般較小，不適合檢測(cè)遠(yuǎn)距離海洋標(biāo)志物。[3]BANDYOPHADYAY等[4]提出由于水面波動(dòng)的影響，激光傳感器在大于20 m的范圍內(nèi)相對(duì)無效。VO被定義為通過觀察其環(huán)境的圖像序列來估計(jì)相機(jī)的相對(duì)運(yùn)動(dòng)的過程，如果將單個(gè)或多個(gè)攝像機(jī)固定到載體上(車輛、人和機(jī)器人)，估計(jì)的位姿則為載體的相對(duì)運(yùn)動(dòng)。[5]而且，VO視覺方向性強(qiáng)，在視距好的情況下具有覆蓋距離很遠(yuǎn)等諸多優(yōu)勢(shì)，所以VO在水上環(huán)境尤其是在近岸水域具有很好的發(fā)展?jié)摿Α?/p>

1 相關(guān)工作

MORAVEC提出利用視覺來估計(jì)無人車(Unmanned Ground Vehicle，UGV)的運(yùn)動(dòng)。MAIMONE等[6]提出視覺里程計(jì)的概念，并在美國國家航空航天局(National Aeronautics and Space Administration,NASA)開發(fā)的火星探測(cè)器上使用，其裝備兩個(gè)向下的相機(jī)組成雙目視覺，通過提取興趣點(diǎn)并采用跟蹤的方式完成相鄰幀的特征匹配，最后采用最大似然估計(jì)算法得到運(yùn)動(dòng)估計(jì)，并在30 m的軌道上能獲得2%的精度。NISTéR等[7]也對(duì)VO進(jìn)行研究，首先檢測(cè)Harris角點(diǎn)，提取專用描述符，然后在一定的搜索區(qū)域內(nèi)完成特征匹配，在運(yùn)動(dòng)估計(jì)時(shí)提出單目和立體視覺兩種方案，而且在無人車上實(shí)施并驗(yàn)證可行。隨后，KONOLIGE等[8]針對(duì)大尺度崎嶇不平的野外場(chǎng)景，提出雙目實(shí)時(shí)VO，融合慣性測(cè)量單元(Inertial Measurement Unit，IMU)來減少角度偏差的增長，最低誤差能達(dá)到0.36%。GEIGER等[9]提出雙目視覺里程計(jì)算法并將其開源，其采用自定義的檢測(cè)子和描述子并用專用指令集進(jìn)行優(yōu)化，在前后幀的匹配上采用運(yùn)動(dòng)模型引導(dǎo)搜索，在“外點(diǎn)”去除上采用“環(huán)形”匹配予以驗(yàn)證，最后通過特征點(diǎn)在左右圖像的重投影誤差和的最小化得到相機(jī)的運(yùn)動(dòng)估計(jì)。

針對(duì)單目的尺度不確定性問題，SCARAMUZZA等[10]在假設(shè)地面平坦的基礎(chǔ)上，將全景相機(jī)放在車輛頂部并結(jié)合車輛的運(yùn)動(dòng)學(xué)模型，提出一種基于隨機(jī)抽樣一致(Random Sample Consensus, RANSAC)的單點(diǎn)算法，能夠最大程度地降低迭代次數(shù)和運(yùn)行時(shí)間。KITT等[11]利用相機(jī)高度和車輛附近地面的平面假設(shè)得到尺度信息并恢復(fù)運(yùn)動(dòng)估計(jì)。相機(jī)由于具有體積、重量、成本等諸多優(yōu)點(diǎn)，其是無人機(jī)(Unmanned Aerial Vehicle，UAV)中最具競爭力的傳感設(shè)備。BROCKERS等[12]修改第一個(gè)多線程實(shí)時(shí)的同步定位與建圖系統(tǒng)(Parallel Tracking and Mapping，PTAM)用于無人機(jī)的自主導(dǎo)航，得以在機(jī)載嵌入式計(jì)算機(jī)上以30幀/s的速度估計(jì)無人機(jī)的6D姿態(tài)。FORSTER等[13]提出一種半直接視覺里程計(jì)算法(Semi-Direct Monocular Visual Odometry，SVO)，在一臺(tái)嵌入式計(jì)算機(jī)上以55幀/s的速度運(yùn)行，并輸出稀疏的3D環(huán)境地圖。FU等[14]采用嵌入式系統(tǒng)實(shí)現(xiàn)無人機(jī)的立體視覺預(yù)處理系統(tǒng)，其中雙目視覺里程計(jì)由一個(gè)基線為12 cm的單獨(dú)模塊實(shí)現(xiàn)，該系統(tǒng)可實(shí)時(shí)估計(jì)六自由度無人機(jī)姿態(tài)以及重構(gòu)無人機(jī)的周圍環(huán)境，在室內(nèi)0.8 m/s的速度下，估計(jì)精度小于3 cm。 HUANG等[15]將深度相機(jī)用于四旋翼無人機(jī)的自主飛行，采用FAST特征提取和9×9大小的像素塊作為描述符通過絕對(duì)誤差和算法找到匹配特征點(diǎn)，實(shí)現(xiàn)基于深度相機(jī)的VO，能夠在靜態(tài)室內(nèi)環(huán)境中估計(jì)自身位姿并生成豐富的環(huán)境地圖。STEINBRüCKER等[16]針對(duì)深度相機(jī)提出能量最小化方法得到圖像間相機(jī)的相對(duì)運(yùn)動(dòng)，該方法在較小的相機(jī)位移和靜態(tài)環(huán)境下的性能良好。KERL等[17]在此基礎(chǔ)上提出一種更高精度和更廣用途的擴(kuò)展版本(Depth Visual Odometry，DVO)，通過最小化光度誤差得到兩個(gè)圖像間的相機(jī)運(yùn)動(dòng)關(guān)系。然而與視覺導(dǎo)航在UGV和UAV的應(yīng)用如此廣泛有所不同，關(guān)于VO與USV結(jié)合的研究，尤其是在海事環(huán)境中，面向USV的視覺導(dǎo)航的實(shí)現(xiàn)還有很多未知領(lǐng)域，而且針對(duì)UGV和UAV開發(fā)的視覺里程計(jì)算法均不能高效地適合USV的水域環(huán)境。VO算法需要檢測(cè)每幀圖像中的特征點(diǎn)，但是這不適合于特征很少的開放海洋環(huán)境。[18]在水域環(huán)境中VO的性能受到快速變化的水面、反射等情況的嚴(yán)重限制。[19]面對(duì)這些困難，相關(guān)學(xué)者研究船舶的視覺導(dǎo)航和水域環(huán)境的重建。HUNTSBERGER等[20]針對(duì)海洋環(huán)境設(shè)計(jì)一種具有4個(gè)攝像機(jī)的立體視覺系統(tǒng)，以增加視覺范圍，實(shí)現(xiàn)對(duì)水中目標(biāo)和障礙物的檢測(cè)。LEEDEKERKEN等[21]提出既能在水面又能在水下場(chǎng)景都能建圖和導(dǎo)航的方法，該方法利用開放水域中的GPS數(shù)據(jù)和GPS受限區(qū)域的其他傳感器數(shù)據(jù)。

本文主要研究利用視覺傳感器在無需外部位置信息的情況下,在水域環(huán)境中生成USV的軌跡和三維稀疏點(diǎn)云。特別地，在VO算法中引入水岸線檢測(cè)算法，以提高軌跡精度。本文的創(chuàng)新之處在于不像傳統(tǒng)的VO需要在所有圖像幀中完成特征檢測(cè)，本算法只需在關(guān)鍵幀中檢測(cè)特征，幀間通過特征點(diǎn)的跟蹤匹配進(jìn)行關(guān)聯(lián)，不僅可提高精度，還可加快初始化速度。

2 算法設(shè)計(jì)

本文的目的是面對(duì)靠近岸邊的水域環(huán)境，利用船載視覺傳感器獲取圖像，提取和跟蹤圖像中比較穩(wěn)定的特征點(diǎn)，從而估計(jì)出船舶的航跡。提出的算法框架見圖1，其算法框架分為兩部分：一部分為水岸線檢測(cè)；另一部分為航跡估計(jì)也叫運(yùn)動(dòng)估計(jì)。其中水岸線檢測(cè)的目的是將快速變化的水面給予去除，運(yùn)動(dòng)估計(jì)通過VO的方式實(shí)現(xiàn)。

圖1 算法框架

2.1 水岸線檢測(cè)

面對(duì)近岸水域，獲取的水岸線圖像分為3部分見圖2:圖像上方是天空背景，往往最亮(白天)，其灰度變化平緩；圖像下方是水面背景，其灰度明顯小于天空背景，而且水面區(qū)域往往有岸邊景物的倒影和受風(fēng)浪流影響的波紋；圖像中間是岸邊區(qū)域，主要是草地、樹木和建筑，其灰度值最低。岸上區(qū)域和水面區(qū)域的交界線稱為水岸線，其是梯度較大值的連線。由于艇載視覺的高度加上水面的水平特性，所以通常水岸線在圖像中為直線，但由于無人艇航行和艇載視覺的朝向，水岸線有一定的傾角。

a) 長江水域

b) 東湖水域

本文借用文獻(xiàn)[22]的思想，提出的水岸線檢測(cè)算法分為3步如圖1所示。

2.1.1邊緣檢測(cè)

邊緣是圖像中周圍像素灰度值顯著變化的像素點(diǎn)的集合，邊緣檢測(cè)就是提取這些顯著變化的點(diǎn)，常用的邊緣檢測(cè)方法有一階微分算子Roberts、Sobel和二階微分算子Laplacian、Marr等。這些方法的優(yōu)點(diǎn)是原理簡單，速度快，但是對(duì)噪聲敏感。諸多的邊緣檢測(cè)算子中，Canny算子是最佳邊緣檢測(cè)算子，具有非常好的檢測(cè)效果，其具體步驟為

(1) 采用高斯濾波器對(duì)圖像進(jìn)行平滑;

(2) 通過鄰域范圍的有限差分，計(jì)算梯度幅值和方向;

(3) 對(duì)梯度幅值圖像進(jìn)行非極大值抑制，只保留局部梯度幅值最大的點(diǎn);

(4) 采用雙閾值法不斷地收集邊緣直到將圖像邊緣閉合。

2.1.2線段提取

通過采集和分析水岸線圖像，其有如下特點(diǎn)：

(1) 水岸線往往貫穿整個(gè)圖像，即使有時(shí)被遮擋，但其長度、連續(xù)性還是好于水面波紋。

(2) 岸邊建筑物在圖像中呈直線狀，且與水岸線垂直。

(3) 統(tǒng)計(jì)來說，水面波紋呈現(xiàn)的直線段長度大概率小于5個(gè)像素(圖像為640×480)。

(4) 統(tǒng)計(jì)來說，水岸線往往與圖像水平夾角在45°之內(nèi)。也就是說：通過角度和線段長度的判斷可把絕大多數(shù)的岸上建筑物和水面波紋的干擾消除。所以本方法采用霍夫變換提取線段，其中只考慮長度為5像素以上并且直線斜率在[-1，1]之間的線段。

2.1.3直線擬合

采用RANSAC算法進(jìn)行直線擬合，其迭代次數(shù)為

(1)

式(1)中：p為正確概率；w為每次從數(shù)據(jù)集中選取一個(gè)局內(nèi)點(diǎn)的概率。

為保證工程應(yīng)用的實(shí)時(shí)性和可靠性，該方法針對(duì)RANSAC算法做了細(xì)節(jié)上的修改：受CHUM等[23]的啟發(fā)，從最可信的匹配中挑選樣本，在樣本的選擇上采取如下規(guī)則：

(1) 第一個(gè)點(diǎn)的選取，越靠近圖像中心水平線選擇優(yōu)先級(jí)越高;

(2) 第二個(gè)點(diǎn)的選取，以第一個(gè)點(diǎn)為原點(diǎn)，水平移動(dòng)一定距離(100像素)得到中心點(diǎn)，越靠近該中心點(diǎn)優(yōu)先級(jí)越高；抽樣次數(shù)，不需要遍歷所有可能情況，保證至少有一個(gè)優(yōu)樣本(樣本數(shù)據(jù)都是“內(nèi)點(diǎn)”的樣本)即可。據(jù)統(tǒng)計(jì)計(jì)算量可降低60%。

2.2 運(yùn)動(dòng)估計(jì)

利用去除水面區(qū)域后的圖像來估計(jì)船舶航跡，分為3個(gè)部分：首先對(duì)圖像特征檢測(cè)并跟蹤，得到兩個(gè)關(guān)鍵幀的特征對(duì)應(yīng)關(guān)系;然后估計(jì)兩相機(jī)的相對(duì)運(yùn)動(dòng);最后采用滑動(dòng)窗口局部優(yōu)化。

2.2.1特征匹配

到目前為止，研究者陸續(xù)提出許多局部特征方法，如Harris、FAST、SURF、SIFT、ORB等，其中前兩種是角點(diǎn)，后幾種特征包含關(guān)鍵點(diǎn)和描述符。通常有匹配特征點(diǎn)的描述子和跟蹤兩種方式得到圖像間的特征點(diǎn)對(duì)應(yīng)關(guān)系。本文采取多尺度FAST特征加上Lucas光流(Kanade-Lucas-Tomasi,KLT)跟蹤的方式實(shí)現(xiàn)圖像間的特征匹配。其中尺度因子取1.2，當(dāng)檢測(cè)到的特征數(shù)量太少時(shí)，將閾值(默認(rèn)值20)減半，以確保檢測(cè)到足夠多的特征點(diǎn)數(shù)量。KLT屬于一種光流法，假設(shè)：相鄰幀之間的亮度恒定；相鄰幀之間的運(yùn)動(dòng)微?。幌噜忺c(diǎn)有相似運(yùn)動(dòng)。

針對(duì)研究的水域環(huán)境，與UGV和UAV相比，船舶的運(yùn)動(dòng)較慢，而且水域環(huán)境中的運(yùn)動(dòng)物體較少，所以這種匹配方式較為適合，而且最為關(guān)鍵的是不需要每一幀圖像都進(jìn)行水岸線檢測(cè)，這對(duì)算法的運(yùn)行效率相對(duì)較高。

2.2.2位姿估計(jì)

在初始化完成之后，已經(jīng)具備全局坐標(biāo)系和初始化的場(chǎng)景結(jié)構(gòu)，每當(dāng)提取一個(gè)關(guān)鍵幀，通過特征跟蹤，得到特征點(diǎn)的匹配關(guān)系，以及在當(dāng)前圖像中是可見的初始場(chǎng)景點(diǎn)，這構(gòu)成2D-3D的對(duì)應(yīng)，可通過n點(diǎn)透視問題(Perspective-n-Point, PnP)求解。換句話說，已經(jīng)知道的場(chǎng)景點(diǎn)(X1,X2,…,Xj,…,Xn)和其在圖像中的特征位置以及在目前的圖像幀的對(duì)應(yīng)位置，能夠估計(jì)當(dāng)前的相機(jī)在全局坐標(biāo)系中的位姿。

由于在位姿估計(jì)中通常會(huì)有少量的“外點(diǎn)”干擾，采用RANSAC方案得到最大的一致集以及位姿估計(jì)的初值。隨后通過場(chǎng)景點(diǎn)在圖像中的重投影誤差構(gòu)建最小二乘優(yōu)化問題，通過光速法平差(Bundle Adjustment, BA)對(duì)估計(jì)值進(jìn)行調(diào)整。

2.2.3局部優(yōu)化

每當(dāng)提取一個(gè)關(guān)鍵幀，一方面為得到更加精細(xì)的位姿估計(jì)，需要對(duì)前面的相機(jī)位姿和場(chǎng)景點(diǎn)進(jìn)行優(yōu)化，另一方面為控制一定的計(jì)算量，所以設(shè)定只在一定的滑動(dòng)窗口內(nèi)執(zhí)行優(yōu)化操作[24]，具體如下：取窗口大小M和最新關(guān)鍵幀Nk，其他的相機(jī)位姿保持固定不變，使用LOURAKIS等[25]提出的稀疏束調(diào)整進(jìn)行實(shí)現(xiàn)。在局部優(yōu)化完成后，通過當(dāng)前關(guān)鍵幀與前后的兩個(gè)關(guān)鍵幀，采用三視角的三角化方案[26]得到場(chǎng)景3D點(diǎn)。

3 稀疏集中調(diào)整

3.1 關(guān)鍵幀的選擇

隨著程序的運(yùn)行，因?yàn)橛行﹫?chǎng)景移出視線，所以能夠跟蹤成功的特征點(diǎn)的數(shù)量越來越少。當(dāng)該數(shù)量下降到一定閾值時(shí)，選擇一個(gè)新的關(guān)鍵幀。但是，如果關(guān)鍵幀過于密集，不僅會(huì)影響程序的運(yùn)行速度，還會(huì)增加空間點(diǎn)三角測(cè)量的不確定性。[27]所以選擇關(guān)鍵幀，既希望他們之間有盡可能多的相機(jī)運(yùn)動(dòng)，又需要有足夠的匹配。[11]

3.1.1初始關(guān)鍵幀的選擇

除去場(chǎng)景模糊等之外的情況，通常取第一幀為關(guān)鍵幀K1，進(jìn)行水岸線檢測(cè)，去除水面區(qū)域，然后提取L0個(gè)特征點(diǎn)，采取持續(xù)跟蹤的方式選擇第二關(guān)鍵幀K2，使得在K1和K2之間至少存在L1個(gè)匹配點(diǎn)，然后選擇第三個(gè)關(guān)鍵幀K3，使得在K1和K3之間至少有L2個(gè)匹配點(diǎn)。

3.1.2關(guān)鍵幀的選擇

在初始化完成之后，對(duì)最近的關(guān)鍵幀圖像提取L0個(gè)特征點(diǎn)，之后每獲取一幀圖像，都采用KLT跟蹤并統(tǒng)計(jì)特征點(diǎn)數(shù)量，當(dāng)特征點(diǎn)數(shù)量降為L2個(gè)，設(shè)置當(dāng)前幀為關(guān)鍵幀，并進(jìn)行去除水面操作，然后提取L0個(gè)特征，依次往復(fù)。

3.2 初始化過程

初始化過程在初始關(guān)鍵幀中實(shí)現(xiàn)，其步驟如下：

1) 得到3個(gè)初始關(guān)鍵幀K1、K2、K3，在去除水面之后，K1與K2、K1與K3之間各有L1和L2個(gè)對(duì)應(yīng)特征點(diǎn)。

2) 設(shè)定K1為全局坐標(biāo)系，在K1與K2和K1與K3之間通過對(duì)極幾何在RANSAC框架下分別計(jì)算相對(duì)位姿。

3) 基于本質(zhì)矩陣E(K1與K3)，得到K3與全局坐標(biāo)的相對(duì)位姿(R，t)，其中R為相機(jī)的旋轉(zhuǎn)，t為相機(jī)的位移。

4) 使用K3的相機(jī)位姿和對(duì)應(yīng)的特征點(diǎn)，先三角化得到三維點(diǎn)，再利用其與K2中的對(duì)應(yīng)特征采用PnP算法得到K2幀的相機(jī)位姿。

5) 在這3個(gè)關(guān)鍵幀中，通過場(chǎng)景點(diǎn)在圖像中的投影位置構(gòu)建重投影誤差為

(2)

至此，初始化完成后，位姿估計(jì)算法的過程為

(1) 對(duì)于每一幀，判斷是否為關(guān)鍵幀，如果不是，重復(fù)(1);

(2) 采用PnP算法估計(jì)相機(jī)位姿的初值，三角化得到場(chǎng)景點(diǎn)，將該幀加入窗口;

(3) 在窗口中構(gòu)建重投影誤差，采用(2)中的初值進(jìn)行優(yōu)化，并返回(1)。

4 試 驗(yàn)

試驗(yàn)分為水岸線檢測(cè)試驗(yàn)和船舶運(yùn)動(dòng)估計(jì)試驗(yàn)兩部分。試驗(yàn)設(shè)備有：iNav-II型USV和相關(guān)設(shè)備，視覺系統(tǒng)由工業(yè)相機(jī)(200 W pixel，3.2 μm像素尺寸)和工業(yè)透鏡(2.8～12.0 mm，1.0∶1.4)組成，捕獲的圖像以30幀/s分辨率記錄，分辨率為1 280×720像素。PC機(jī)具有雙核英特爾I5處理器和4 GB存儲(chǔ)器，Win 7系統(tǒng)，Visual C++編輯器等。

iNav-I型USV是我們自主設(shè)計(jì)的4.15 m長和1.6 m寬的無人艇見圖3。該USV采用單吊艙推進(jìn)器，偏轉(zhuǎn)角限制在-25°～25°。整個(gè)船舶動(dòng)力和設(shè)備動(dòng)力由兩組48伏鋰電池提供。USV系統(tǒng)由兩部分組成：USV子系統(tǒng)和岸基支撐系統(tǒng)。USV子系統(tǒng)主要包括差分GPS移動(dòng)臺(tái)、慣性導(dǎo)航、電子羅盤、船載無線電、風(fēng)速風(fēng)向儀、應(yīng)急操縱裝置和控制計(jì)算機(jī)。該子系統(tǒng)使用差分GPS移動(dòng)臺(tái)的每秒脈沖(Pulse Per Second,PPS)來實(shí)現(xiàn)精確定時(shí)。船載系統(tǒng)中各傳感器和設(shè)備的數(shù)據(jù)通過MavLink協(xié)議進(jìn)行封裝，然后通過交換機(jī)和無線電臺(tái)進(jìn)行傳輸和通信。岸基支持系統(tǒng)主要包括岸基無線電臺(tái)、岸基差分基站和岸基地面站等3個(gè)部分，前兩個(gè)對(duì)應(yīng)于USV子系統(tǒng)，岸基地面站負(fù)責(zé)船舶運(yùn)行狀態(tài)數(shù)據(jù)的顯示和存儲(chǔ)以及控制命令的發(fā)布。

圖3 iNaV-I型USV

選擇3個(gè)位點(diǎn)作為試驗(yàn)場(chǎng)所。地點(diǎn)1是中國第二大城市湖泊武漢東湖水域，場(chǎng)地水域?qū)掗煏惩o阻。地點(diǎn)2和地點(diǎn)3分別在武漢長江大橋附近和二橋附近。由于長江的嚴(yán)格管理，USV被禁止，因此，視頻是在渡船上使用視覺系統(tǒng)采集的，差分全球定位系統(tǒng)(Differential Global Position System,DGPS)信息通過基準(zhǔn)站R6和移動(dòng)站R93T組合得到，可達(dá)到厘米級(jí)精度。

4.1 水岸線檢測(cè)試驗(yàn)

為驗(yàn)證本文水岸線檢測(cè)算法的有效性和實(shí)用性，采取實(shí)船驗(yàn)證的方式：第一列為利用iNav-I型USV在東湖獲取的水岸線圖像，試驗(yàn)中將攝像機(jī)傳感器放置在無人艇上，其方向和無人艇的船頭方向保持一致；第二列和第三列分別是通過視覺傳感器在輪渡上采集的，地點(diǎn)分別為武漢長江大橋附近和二橋附近。水岸線檢測(cè)結(jié)果見圖4。

圖4中:圖4a、圖4b和圖4c為采集的原始圖像;圖4d、圖4e和圖4f為邊緣檢測(cè)后的圖像;圖4g、圖4h和圖4i為提取線段后的圖像放在原圖中的效果;圖4j、圖4k和圖4l為更加清晰顯示的二值圖像;圖4m、圖4n和圖4o為直線擬合后的結(jié)果。由圖4可知：本文的水岸線檢測(cè)算法基本可滿足要求，也為后續(xù)位姿估計(jì)提供較好的條件。

a) 東湖原始圖像

b) 一橋原始圖像

c) 二橋原始圖像

圖4 水岸線檢測(cè)結(jié)果

4.2 運(yùn)動(dòng)估計(jì)試驗(yàn)

本文研究的最終目的是針對(duì)內(nèi)河領(lǐng)域，估計(jì)船舶在靠泊過程中的運(yùn)動(dòng)軌跡。所提出的VO系統(tǒng)利用OpenCV SDK3等庫在Visual C++2015中實(shí)現(xiàn)。試驗(yàn)是在中華路碼頭到武漢港碼頭的渡船上，將視覺傳感器放置渡船側(cè)面，采集岸邊視頻數(shù)據(jù)。輪渡的航行軌跡和采集的圖像見圖5，水面上的路徑是渡船的軌跡，黑白圖像是對(duì)應(yīng)點(diǎn)捕獲的圖像。

圖5 輪渡的航行軌跡和采集的圖像

系統(tǒng)運(yùn)行圖見圖6，右上角為實(shí)時(shí)的船舶運(yùn)動(dòng)估計(jì)和三維場(chǎng)景點(diǎn)，右下角為船舶軌跡。針對(duì)本實(shí)驗(yàn)，特征點(diǎn)個(gè)數(shù)和L0、L1、L3分別取200、180、160。滑動(dòng)窗口中的窗口大小M和最新關(guān)鍵幀N分別取7和3。

圖6 系統(tǒng)運(yùn)行圖

估計(jì)軌跡和實(shí)際軌跡的對(duì)比見圖7。圖7中顯示的是估計(jì)的船舶航跡節(jié)點(diǎn)(小方框)和真實(shí)數(shù)據(jù)(Real Time Kinematic,RTK)值(實(shí)線)的對(duì)比。由圖7可知:在近80 m范圍之內(nèi)精度很高，本文算法可正常運(yùn)行，目測(cè)精度良好，在超過該距離(圖7中的小叉點(diǎn))后，船舶已經(jīng)轉(zhuǎn)向，相機(jī)對(duì)著開闊水域，算法無法獲得精確估計(jì)，誤差已逐漸變大。這也是后續(xù)需要研究的方面。本試驗(yàn)初始化耗時(shí)3 s，而ORB-SLAM無法完成初始化。其中，本文算法沒有尺度信息，80 m是通過RTK與算法估計(jì)軌跡對(duì)比得到的，在這段期間，相機(jī)采集1 418幀，有26個(gè)關(guān)鍵幀，特征點(diǎn)平均生存6.5個(gè)關(guān)鍵幀，這也從另一方面說明滑動(dòng)窗口取7比較適合。

圖7 估計(jì)軌跡和實(shí)際軌跡的對(duì)比

5 結(jié)束語

本文針對(duì)船舶在靠泊過程中自身軌跡估計(jì)和周圍環(huán)境重建的需求，提出一種基于水面區(qū)域去除的船舶航跡估計(jì)方法。通過現(xiàn)場(chǎng)試驗(yàn)以及與RTK數(shù)據(jù)的對(duì)比結(jié)果表明，該方法切實(shí)可行，但是針對(duì)船舶具體靠泊會(huì)涉及轉(zhuǎn)向，而單目普通相機(jī)無論是視野還是尺度都無法滿足這種需求，這也是下一步研究的方向。