崔海華 徐振龍 楊亞鵬 孟亞云 王寶俊
1.南京航空航天大學(xué)機(jī)電學(xué)院,南京,2111062.中航西安飛機(jī)工業(yè)集團(tuán)股份有限公司制造工程部,西安,710089
靶標(biāo)檢測(cè)是目標(biāo)跟蹤、大視場(chǎng)測(cè)量等領(lǐng)域的基礎(chǔ)任務(wù),靶標(biāo)檢測(cè)的好壞直接影響目標(biāo)跟蹤精度與測(cè)量精度。隨著我國航空航天行業(yè)的飛速發(fā)展,人們對(duì)大尺度部件的跟蹤與測(cè)量提出了更高的要求。JIANG等[1]研制了具有編碼特征的小型柔性靶標(biāo),提出了基于共柱面特征約束的柔性靶標(biāo)標(biāo)定方法,并基于大視場(chǎng)視覺測(cè)量原理實(shí)現(xiàn)了航天器艙段坐標(biāo)系的構(gòu)建。溫卓漫等[2]針對(duì)航天空間站機(jī)械臂輔助對(duì)接和目標(biāo)抓捕過程中的位姿識(shí)別問題,提出了一種基于合作靶標(biāo)快速識(shí)別的檢測(cè)算法,能在1.5 m的距離內(nèi)準(zhǔn)確識(shí)別靶標(biāo)并完成位姿的檢測(cè)。由此可知,靶標(biāo)的準(zhǔn)確識(shí)別與定位是目標(biāo)跟蹤與大視場(chǎng)測(cè)量等技術(shù)中的關(guān)鍵一環(huán)。張小迪等[3]從靶標(biāo)設(shè)計(jì)的角度出發(fā),提高了靶標(biāo)的識(shí)別率與定位精度。OLSON[4]、GARRIDO等[5]設(shè)計(jì)了一種方形編碼標(biāo)志,在位姿估計(jì)、增強(qiáng)現(xiàn)實(shí)等領(lǐng)域中具有較高的應(yīng)用價(jià)值,但是方形標(biāo)志角點(diǎn)的提取精度會(huì)隨著測(cè)量距離的增大而降低。王穎等[6]設(shè)計(jì)了圓環(huán)形平面標(biāo)定靶標(biāo)并基于該靶標(biāo)對(duì)工業(yè)管道內(nèi)表面進(jìn)行了三維測(cè)量,測(cè)量精度為0.081 mm。為提高特征點(diǎn)物體的匹配精度,周申江等[7]在近景攝影測(cè)量過程中提出了一種環(huán)形編碼標(biāo)志自動(dòng)識(shí)別算法,該算法抵抗噪聲能力強(qiáng),圓形標(biāo)志點(diǎn)圓心求解可達(dá)亞像素精度。上述方法均在不同程度上提高了靶標(biāo)的檢測(cè)能力,但目前靶標(biāo)的識(shí)別依然面臨著多個(gè)方面的挑戰(zhàn):當(dāng)靶標(biāo)與相機(jī)之間的距離逐漸增大時(shí),其定位精度將下降;當(dāng)靶標(biāo)與相機(jī)之間的夾角過大時(shí),會(huì)因靶標(biāo)圖像變形較大而出現(xiàn)識(shí)別困難;具有更高分辨率的相機(jī)可以帶來更高的定位精度,但同時(shí)也增加了硬件成本,尤其是多目視覺系統(tǒng)中數(shù)據(jù)的傳輸帶寬限制了相機(jī)可用的最高分辨率。
近年來,基于深度學(xué)習(xí)的圖像超分辨率技術(shù)迅猛發(fā)展,該技術(shù)可以從一幅低分辨率圖像中提取出抽象特征,然后通過上采樣操作重建出一幅高分辨率圖像,主要特點(diǎn)是可以較好地恢復(fù)一幅圖像的邊緣、紋理等高頻信息[8]。ZHANG等[9]在檢測(cè)微小人體圖像任務(wù)中使用超分辨率技術(shù)來提高檢測(cè)準(zhǔn)確性。楊夏寧等[10]在高空航拍圖像三維重建任務(wù)中采用超分辨率技術(shù)解決了地面目標(biāo)特征粗糙導(dǎo)致重建精度較低的問題。
鑒于環(huán)形靶標(biāo)識(shí)別的痛點(diǎn),結(jié)合基于深度學(xué)習(xí)的圖像超分技術(shù),本文提出了一種面向環(huán)形靶標(biāo)識(shí)別的圖像超分方法,針對(duì)靶標(biāo)特點(diǎn)設(shè)計(jì)損失函數(shù),訓(xùn)練了一種基于深度學(xué)習(xí)的圖像超分模型,將包含多種噪聲的低分辨率的環(huán)形靶標(biāo)圖像重建為高分辨率的圖像,從提升圖像質(zhì)量的角度解決了極端條件下的靶標(biāo)識(shí)別與定位難題。所提方法即插即用,可以嵌入到傳統(tǒng)環(huán)形靶標(biāo)檢測(cè)算法之中。
在環(huán)形靶標(biāo)檢測(cè)之前,將原始圖像輸入到超分模型中,模型對(duì)圖像進(jìn)行抽象特征提取,然后對(duì)提取到的特征進(jìn)行上采樣操作,最后將上采樣結(jié)果重建為高分辨圖像,高分辨率圖像的長(zhǎng)、寬分別為原始圖像長(zhǎng)、寬的2倍。將經(jīng)過模型處理后的高分辨率圖像輸入到現(xiàn)有環(huán)形靶標(biāo)檢測(cè)算法中,最終得到環(huán)形靶標(biāo)的編碼信息與位置信息。
研究發(fā)現(xiàn),應(yīng)用上述超分模型時(shí),無需修改現(xiàn)有環(huán)形靶標(biāo)檢測(cè)算法便可直接使用。在工程應(yīng)用中,超分模型被封裝為一個(gè)獨(dú)立模塊,僅需通過接口便可調(diào)用。這使得該超分模型具有即插即用的特點(diǎn),可便于該技術(shù)的傳播與應(yīng)用。
圖像的超分辨率技術(shù)是指通過某種算法實(shí)現(xiàn)低分辨率圖像到高分辨率圖像的轉(zhuǎn)換,傳統(tǒng)超分辨率技術(shù)的基本思想是基于信號(hào)處理方法,從圖像的空域或頻域等多個(gè)角度提取特征[8,11],計(jì)算新位置的像素值,重建更加真實(shí)的高分辨率圖像。隨著深度學(xué)習(xí)技術(shù)的發(fā)展,近年來出現(xiàn)了較多的基于深度學(xué)習(xí)的圖像超分方法,并形成了一套較為完整的評(píng)價(jià)體系。其中增強(qiáng)超分深度網(wǎng)絡(luò)(enhanced deep networks for super-resolution,EDSR)[12]、高效亞像素卷積神經(jīng)網(wǎng)絡(luò)(efficient sub-pixel convolutional neural network,ESPCN)[13]、更快的超分卷積神經(jīng)網(wǎng)絡(luò)(faster super-resolution convolutional neural network,F(xiàn)SRCNN)[14]、拉普拉斯超分網(wǎng)絡(luò)(Laplacian super-resolution network,LapSRN)[15]等模型已集成到圖像處理庫OpenCV的dnn superres模塊中,無需額外安裝深度學(xué)習(xí)框架便可直接嵌入到現(xiàn)有靶標(biāo)識(shí)別程序中,有利于技術(shù)的共享與傳播。表1比較了上述四種模型的性能,針對(duì)靶標(biāo)定位需求,并達(dá)到更高的跟蹤精度,本文選取性能較好的EDSR模型作為研究對(duì)象,改進(jìn)其損失函數(shù),使得該模型可以在包含較明顯的黑白邊界特征的環(huán)形靶標(biāo)圖像中具有更好的超分效果。
表1 不同超分模型的性能比較
本文使用的超分模型是一種對(duì)單幅圖像進(jìn)行超分操作的模型,超分模型利用保存在模型參數(shù)中的先驗(yàn)知識(shí)與低分辨圖像的信息,重建出一幅對(duì)應(yīng)的高分辨率圖像。通??梢詫⒁唤M對(duì)應(yīng)的低分辨率圖像(以下簡(jiǎn)稱“低分圖像”)與高分辨率圖像(以下簡(jiǎn)稱“高分圖像”)之間的關(guān)系用下式表述:
Ix=D(Iy;δ)
(1)
其中,D(·)表示一個(gè)退化函數(shù),高分圖像Iy在退化函數(shù)與影響退化函數(shù)的參數(shù)集合δ的共同作用下形成了低分圖像Ix。對(duì)圖像的超分操作可表述為圖像退化過程的逆過程,其表達(dá)式為
(2)
其中,F(xiàn)(·)表示超分模型,低分圖像Ix經(jīng)過超分模型與超分模型參數(shù)集合θ的作用下形成了高
當(dāng)使用相機(jī)拍攝一張數(shù)字圖像時(shí),可以認(rèn)為是一個(gè)通過降采樣手段獲得離散化數(shù)據(jù)的過程,則退化函數(shù)可表示為
D(Iy;δ)=(Iy)↓s{s}?δ
(3)
其中,↓s表示比例因子為s時(shí)的降采樣操作。
為實(shí)現(xiàn)超分過程,使用圖1所示的網(wǎng)絡(luò)結(jié)構(gòu)??紤]到網(wǎng)絡(luò)層數(shù)越深則特征提取效果越好,以及殘差結(jié)構(gòu)在梯度傳播中的優(yōu)良表現(xiàn),超分網(wǎng)絡(luò)主體使用具有殘差結(jié)構(gòu)的深度網(wǎng)絡(luò),并使用基于殘差結(jié)構(gòu)的卷積層組合來提取低分圖像的特征。傳統(tǒng)卷積操作難以增大特征圖的長(zhǎng)、寬,如圖2所示,將四個(gè)通道的特征圖重新排列則可實(shí)現(xiàn)特征圖的上采樣操作,通過多次實(shí)驗(yàn)確定了當(dāng)上采樣倍率為2時(shí)可以兼顧超分效果與耗時(shí)等要求。
圖1 放大倍率為2的超分模型的網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Network structure of super-resolution model with magnification as 2
圖2 上采樣操作中每4個(gè)特征層中的元素按順序排列到新特征圖中Fig.2 Elements in every four feature layers in unsampling operation are reshaped in the new feature graph
為了評(píng)價(jià)預(yù)測(cè)高分圖像的準(zhǔn)確性,通常使用絕對(duì)像素差值評(píng)價(jià)預(yù)測(cè)高分圖像與真實(shí)高分圖像間的差距,這種評(píng)價(jià)方法又被稱為L(zhǎng)1損失。該種損失的計(jì)算方便,但僅從像素級(jí)角度比較了預(yù)測(cè)值與真實(shí)值,沒有考慮到環(huán)形靶標(biāo)的特征。本文額外使用感知損失Lp來提高超分模型對(duì)靶標(biāo)輪廓的超分重建能力。損失函數(shù)L1、Lp的計(jì)算表達(dá)式分別如下:
(4)
(5)
分別將預(yù)測(cè)高分圖像與真實(shí)高分圖像輸入預(yù)訓(xùn)練的VGG19網(wǎng)絡(luò)中,并記錄每層卷積后的特征圖。將特征圖之間的差異作為超分模型的損失,以使超分模型所輸出的預(yù)測(cè)高分圖像的細(xì)節(jié)紋理更加接近真實(shí)高分圖像的細(xì)節(jié)紋理,由此提高超分模型對(duì)特征的提取能力與對(duì)圖像的重建能力??倱p失函數(shù)L定義為L(zhǎng)1與Lp的加權(quán)和,即
L=αL1+βLp
(6)
在實(shí)驗(yàn)中保持其他條件不變,令α在范圍[0,1]內(nèi)每隔0.1取值,令β=1-α,然后訓(xùn)練模型并測(cè)試,發(fā)現(xiàn)當(dāng)α、β分別為0.8和0.2時(shí)靶標(biāo)識(shí)別率最高,當(dāng)β值超過0.6時(shí),模型的圖像超分效果急劇下降。
為了得到環(huán)形靶標(biāo)的高分圖像,使用500萬像素的工業(yè)相機(jī)在距離靶標(biāo)1 m、2 m、3 m、4 m等不同距離上分別拍攝,獲得靶標(biāo)圖像共計(jì)8632張。每次拍攝前移動(dòng)或旋轉(zhuǎn)靶標(biāo),使其在圖像中的位置與形態(tài)不盡相同,以模擬實(shí)際使用時(shí)靶標(biāo)的拍攝狀態(tài)。為了更好地評(píng)判靶標(biāo)超分后的定位精度,在不同距離拍攝前,需要對(duì)相機(jī)進(jìn)行標(biāo)定。為了擴(kuò)展靶標(biāo)的識(shí)別范圍,在保持相機(jī)位姿不變的情況下微小調(diào)整鏡頭光圈與對(duì)焦環(huán),使得模型具備對(duì)過亮、過暗、虛焦靶標(biāo)圖像的優(yōu)良重建能力。調(diào)整對(duì)焦環(huán)時(shí),需要先拍攝準(zhǔn)確對(duì)焦的靶標(biāo)圖像,然后再拍攝虛焦后的圖像,對(duì)焦環(huán)的旋轉(zhuǎn)角度不宜調(diào)整過多,避免相機(jī)內(nèi)參發(fā)生劇烈變化,從而影響定位精度的評(píng)價(jià)。
獲得靶標(biāo)高分圖像后,需要再獲取每張高分圖像對(duì)應(yīng)的低分圖像,而這在實(shí)際過程中較難實(shí)現(xiàn)。本文使用一種較為便捷可行的降采樣方法,在高分圖像中加入較小的高斯噪聲并做模糊處理,然后對(duì)圖像進(jìn)行雙三次插值的降采樣處理。上述操作可作如下描述:
D(Iy;δ)=((Iy+nζ)?κ)↓s{ζ,κ,s}?δ
(7)
其中,nζ表示標(biāo)準(zhǔn)差為ζ的高斯噪聲,?表示卷積操作,κ表示模糊核。這樣的操作可以較好地模擬出分辨率較低的相機(jī)所拍攝到的圖像,最終得到高分與低分的圖像對(duì),部分靶標(biāo)圖像如圖3所示。其中圖3a為原始圖像,圖3b為環(huán)形靶標(biāo)局部圖像,作為訓(xùn)練集的高分辨率數(shù)據(jù)集;圖3c為將圖3b中環(huán)形靶標(biāo)局部圖像的長(zhǎng)、寬分別縮放0.5倍后得到的圖像,作為低分辨率數(shù)據(jù)集。真實(shí)圖像數(shù)據(jù)集中不同距離d下的靶標(biāo)高分圖像與對(duì)應(yīng)的低分圖像如圖4所示。
(a) 原始圖像 (c) 局部低分圖像圖3 真實(shí)圖像數(shù)據(jù)集中高分圖像與低分圖像對(duì)比Fig.3 Comparison of HR and LR circular targets in real image data set
(a) d=1 m (b) d=2 m(c) d=3 m(d) d=4 m圖4 真實(shí)圖像數(shù)據(jù)集中不同距離下高低分圖像對(duì)比Fig.4 Comparison of HR and LR circular targets in real image data set under different distances
獲取環(huán)形靶標(biāo)所需的真實(shí)圖像時(shí)間較長(zhǎng)、人力成本較高,并且圖像數(shù)據(jù)集具有靶標(biāo)狀態(tài)不夠豐富的缺點(diǎn),為此使用圖形學(xué)技術(shù)生成靶標(biāo)圖像。在空間原點(diǎn)放置平面對(duì)象,然后將隨機(jī)生成的環(huán)形靶標(biāo)圖像貼圖在平面對(duì)象上,并使靶標(biāo)圓心位于原點(diǎn)。在一定范圍內(nèi),隨機(jī)設(shè)置虛擬相機(jī)的光心位置與朝向從而確定虛擬相機(jī)外參,使平面對(duì)象在虛擬相機(jī)的拍攝范圍內(nèi),并設(shè)置虛擬相機(jī)視角、畫面偏移度、分辨率等參數(shù)從而確定虛擬相機(jī)內(nèi)參。令虛擬相機(jī)生成高分圖像與低分圖像,然后對(duì)低分圖像添加較小的高斯噪聲或高斯核較小的高斯模糊,由此可得到高分與低分的合成圖像對(duì),部分合成圖像如圖5所示。
圖5 環(huán)形靶標(biāo)部分合成圖像Fig.5 Partial synthetic images of circular targets
為加快模型訓(xùn)練速度并提高訓(xùn)練效果,在數(shù)據(jù)預(yù)處理階段進(jìn)行隨機(jī)裁剪、翻轉(zhuǎn)、調(diào)整亮度對(duì)比度等操作。以一定步長(zhǎng)將所有原始圖像隨機(jī)裁剪為具有相同長(zhǎng)寬的小圖像,在加載數(shù)據(jù)階段累疊小圖像,方便并行訓(xùn)練。增廣數(shù)據(jù)時(shí)隨機(jī)翻轉(zhuǎn)上述小圖像并調(diào)整亮度和對(duì)比度,但不進(jìn)行隨機(jī)旋轉(zhuǎn)操作,避免引入重采樣過程中的噪聲。訓(xùn)練所需的超參數(shù)如表2所示。隨機(jī)初始化模型參數(shù),多次訓(xùn)練,得到10個(gè)超分模型。本文研究發(fā)現(xiàn),上述增廣操作可將靶標(biāo)定位精度提高1.3%,使用包含真實(shí)圖像與合成圖像的混合數(shù)據(jù)集后可使靶標(biāo)定位精度再提高2.7%,并將靶標(biāo)識(shí)別準(zhǔn)確率提高11.9%。
表2 超參數(shù)配置
超分模型的效果通常使用結(jié)構(gòu)相似度(structural similarity,SSIM)和峰值信噪比(peak signal to noise ratio,PSNR)兩個(gè)指標(biāo)進(jìn)行評(píng)價(jià)[16],針對(duì)環(huán)形靶標(biāo)的特點(diǎn),本文使用靶標(biāo)識(shí)別率與靶標(biāo)定位精度作為評(píng)價(jià)指標(biāo)。識(shí)別率定義為一幅圖像中靶標(biāo)識(shí)別到的數(shù)量除以該幅圖像中的靶標(biāo)總數(shù),實(shí)驗(yàn)中發(fā)現(xiàn)已識(shí)別到靶標(biāo)的編號(hào)均解碼正確,故識(shí)別率的定義中不考慮解碼錯(cuò)誤的情況??紤]到靶標(biāo)的真實(shí)圓心位置難以獲得,所以將定位精度定義為靶標(biāo)圓心間距的測(cè)量值除以真值,靶標(biāo)間距測(cè)量值由雙目視覺系統(tǒng)得到,真值由圓心間距標(biāo)定而得。為了獲得較為準(zhǔn)確的靶標(biāo)間距真值,在已印刷有環(huán)形靶標(biāo)的白板前0.5 m處架設(shè)雙目視覺系統(tǒng),調(diào)整靶標(biāo)與視覺系統(tǒng)間的夾角,并將相機(jī)分辨率調(diào)整至最高,標(biāo)定視覺系統(tǒng)后識(shí)別靶標(biāo)編號(hào)并重建圓心空間位置,按照編號(hào)順序計(jì)算兩兩靶標(biāo)圓心間的空間距離,多次重復(fù)上述過程,根據(jù)3σ原則剔除離群值,并將靶標(biāo)間距均值作為后續(xù)測(cè)量靶標(biāo)間距的真值。上述兩個(gè)評(píng)價(jià)指標(biāo)的表達(dá)式分別為
(8)
(9)
式中,fr為識(shí)別率;n為已識(shí)別到的靶標(biāo)數(shù)量;m為圖像中的靶標(biāo)總數(shù);fl為定位精度;lm為測(cè)量值;lt為真值。
在不同距離下使用超分模型對(duì)相機(jī)拍攝的靶標(biāo)圖像進(jìn)行超分處理,超分效果如圖6所示,可以發(fā)現(xiàn),經(jīng)過超分處理后靶標(biāo)邊緣更加清晰。圖6中,由上到下的4組圖分別由環(huán)形靶標(biāo)距離相機(jī)1 m、2 m、3 m、4 m時(shí)拍攝而得,每組圖中從左到右分別為原始圖像、環(huán)形靶標(biāo)的局部圖像、多種超分圖像,其中超分圖像是由對(duì)應(yīng)的超分模型對(duì)環(huán)形靶標(biāo)局部圖像的長(zhǎng)、寬分別縮放2倍后得到的圖像。圖中PSNR與SSIM兩個(gè)評(píng)價(jià)指標(biāo)值由超分后的圖像與局部圖像計(jì)算而得。從圖6中可以發(fā)現(xiàn),評(píng)價(jià)本文超分模型效果的PSNR與SSIM兩個(gè)評(píng)價(jià)指標(biāo)值較高,表明超分圖像與原始靶標(biāo)圖像具有較高的相似性。與兩種評(píng)價(jià)指標(biāo)值最高的ESPCN模型效果相比,本文超分模型的靶標(biāo)輪廓沒有出現(xiàn)鋸齒狀失真現(xiàn)象。
圖6 不同距離下環(huán)形靶標(biāo)圖像的多種超分效果對(duì)比Fig.6 Comparison of the effects of circular targets by multiple super-resolution operations under different distances
不考慮環(huán)形靶標(biāo)與相機(jī)間的傾角,統(tǒng)計(jì)各組別的靶標(biāo)識(shí)別率,結(jié)果如圖7所示。計(jì)算各組別的靶標(biāo)定位精度,結(jié)果如圖8所示,其中未畫出環(huán)形靶標(biāo)與相機(jī)間的距離d=4 m時(shí)的靶標(biāo)定位誤差,系因d=4 m時(shí)原始靶標(biāo)識(shí)別率為零,無法討論定位精度,同時(shí)d=4 m時(shí)超分靶標(biāo)定位誤差達(dá)到了1.08 mm,對(duì)靶標(biāo)定位已無意義。若所有圖像按照距離、靶標(biāo)傾角等因素進(jìn)行劃分,則識(shí)別率的統(tǒng)計(jì)結(jié)果如表3所示,表中將不同傾角的靶標(biāo)按每30°劃分為三個(gè)左閉右開的區(qū)間。
圖7 不同距離下原始靶標(biāo)與超分靶標(biāo)的識(shí)別率對(duì)比Fig.7 Comparison of the recognition rate between original targets and super-resolution targets in different distances
從實(shí)驗(yàn)結(jié)果中可以發(fā)現(xiàn),在雙目視覺系統(tǒng)與靶標(biāo)識(shí)別算法不變的情況下,僅將原始圖像做超分操作,當(dāng)靶標(biāo)距離相機(jī)1 m、2 m、3 m時(shí)靶標(biāo)定位精度分別提高1.13%、4.56%、8.47%(圖8)。尤為顯著的是,超分處理后靶標(biāo)識(shí)別率大幅提高,當(dāng)靶標(biāo)距離相機(jī)2 m、3 m、4 m時(shí)靶標(biāo)識(shí)別率分別提高4.76%、40%、30%(圖7)。超分操作后的圖像可有效改善因傾角較大、距離較遠(yuǎn)等導(dǎo)致靶標(biāo)識(shí)別困難的不利情況,當(dāng)靶標(biāo)距離較遠(yuǎn)時(shí),超分操作后的靶標(biāo)識(shí)別率顯著高于原始靶標(biāo)識(shí)別率。當(dāng)靶標(biāo)距離相機(jī)較遠(yuǎn)時(shí),靶標(biāo)輪廓失真明顯,且隨傾角的增大鋸齒狀效應(yīng)會(huì)更加顯著,導(dǎo)致輪廓提取、圓度計(jì)算、長(zhǎng)短軸之比計(jì)算等檢測(cè)環(huán)節(jié)中可能將正確的靶標(biāo)輪廓過濾掉了。超分操作可有效提高靶標(biāo)輪廓提取的準(zhǔn)確性,減少噪聲、失真等對(duì)靶標(biāo)檢測(cè)的干擾,從而提高檢測(cè)效果。
表3 不同靶標(biāo)傾角下原始靶標(biāo)與超分靶標(biāo)的識(shí)別率對(duì)比
本文所述超分操作在不同尺寸的圖像上耗時(shí)不同,采用Intel i9-9900X的CPU與RTX 2080 Ti的GPU時(shí),當(dāng)輸入圖像尺寸為1024 pixel×1080 pixel時(shí)耗時(shí)約為500 ms,當(dāng)輸入圖像尺寸為120 pixel×120 pixel時(shí)耗時(shí)約為100 ms。實(shí)驗(yàn)所用靶標(biāo)距離相機(jī)1 m時(shí),靶標(biāo)的感興趣區(qū)域約為120 pixel×120 pixel。
上采樣倍率對(duì)靶標(biāo)檢測(cè)的影響如表4所示,不同上采樣倍率與耗時(shí)的關(guān)系如表5所示。在對(duì)檢測(cè)時(shí)間要求不高的場(chǎng)景下(靜態(tài)測(cè)量,如空間定位任務(wù)),當(dāng)靶標(biāo)距離相機(jī)為1~2 m的較近距離時(shí),上采樣倍率為2即可得到較好的檢測(cè)效果;當(dāng)靶標(biāo)距離相機(jī)約為4 m的較遠(yuǎn)距離時(shí),上采樣倍率可適當(dāng)調(diào)整為3或4以提高檢測(cè)效果,但與近距離靶標(biāo)檢測(cè)相比,此時(shí)定位精度較差。在對(duì)檢測(cè)時(shí)間要求較高的場(chǎng)景下(動(dòng)態(tài)測(cè)量,如跟蹤任務(wù)),選取上采樣倍率為2可以保證較好檢測(cè)效果與較短耗時(shí)。
表4 不同距離下上采樣倍率對(duì)識(shí)別率與定位誤差的影響對(duì)比
表5 不同上采樣倍率下超分過程的耗時(shí)對(duì)比
由上述分析可見,本文提出的面向環(huán)形靶標(biāo)識(shí)別的圖像超分方法對(duì)靶標(biāo)的識(shí)別與定位有較好的提升效果,具有積極意義。
應(yīng)用本文提出的圖像超分方法可有效提高環(huán)形靶標(biāo)的識(shí)別率與定位精度。實(shí)驗(yàn)結(jié)果表明:靶標(biāo)識(shí)別率最多可提高40%,靶標(biāo)定位精度最多可提高8.47%,尤其在靶標(biāo)距離相機(jī)較遠(yuǎn)、傾角較大等極端條件下,對(duì)圖像進(jìn)行超分操作可較好地提高靶標(biāo)檢測(cè)效果,但當(dāng)距離過遠(yuǎn)時(shí)定位精度將下降。所提方法在靜態(tài)測(cè)量中有較好應(yīng)用前景,但在靶標(biāo)動(dòng)態(tài)測(cè)量中因耗時(shí)較長(zhǎng)而影響應(yīng)用。
與現(xiàn)有工作相比,將本文提出的方法應(yīng)用在圖像輸入階段,可以方便地嵌入到已有環(huán)形靶標(biāo)的檢測(cè)技術(shù)之前,為推廣與普及該方法創(chuàng)造了良好條件。本文提出的方法目前存在一些局限性,對(duì)圖像進(jìn)行超分操作較為耗時(shí),不利于動(dòng)態(tài)跟蹤場(chǎng)景下的應(yīng)用,雖然可以先提取靶標(biāo)感興趣區(qū)域再超分,以減小計(jì)算量、縮減時(shí)間,但這樣無法對(duì)不清晰的靶標(biāo)做有效檢測(cè),所以應(yīng)當(dāng)從減小模型規(guī)模、縮短計(jì)算時(shí)間的角度對(duì)本文方法做進(jìn)一步改進(jìn)??梢栽儇S富超分模型使用的數(shù)據(jù)集,在后續(xù)工作中采集更多靶標(biāo)圖像,擴(kuò)展超分模型適用范圍,提高魯棒性。