馮消冰， 鄭軍

(清華大學 機械工程系， 北京 100084)

無人機不需要載人操作，只需要相關人員利用遙控器對其進行控制，這一定程度上限制了無人機在各行業(yè)中的發(fā)展。無人機導航主要指通過搭建相機傳感器，利用相機獲得視覺信息并據(jù)此調整無人機姿態(tài)與坐標。為提高無人機運行穩(wěn)定性，必須對其進行定位，以此實現(xiàn)信號穩(wěn)定跟蹤。

有學者利用增強現(xiàn)實技術的姿態(tài)標記與顏色空間域標記算法和機載光電測量實現(xiàn)無人機跟蹤，在跟蹤過程中結合目標點、像點與相機光心3點的集合關系構建無人機定位數(shù)學模型，對比2種方法位姿估計與跟蹤效果，并在不同跟蹤距離下對無人機檢出率進行對比[1-2]。還有部分學者使用強化學習算法和自適應容錯控制算法實現(xiàn)無人機定位[3-4]。

上述研究豐富了無人機自主定位跟蹤理論，但是當被跟蹤個體處于復雜背景下時，難以對其信號進行穩(wěn)定跟蹤。為此本文通過圖像傳感器、CCD攝像機等設備將模擬信號轉換為數(shù)字信號，處理為更適合人眼觀察的圖像，并利用改進圖像特征塊匹配法計算模塊間相似度，在復雜環(huán)境下實時對目標進行檢測與識別，獲取目標運動軌跡、方向等信息，以此實現(xiàn)無人機導航信號穩(wěn)定跟蹤，有助于控制飛行穩(wěn)定性。

1 無人機導航信號識別

無人機導航信號穩(wěn)定跟蹤的前提是需要對其進行識別，本文無人機導航信號識別過程中，主要通過圖像采集裝置完成序列圖像采集，考慮到無人機在運動過程中背景會發(fā)生變化，特征點匹配方式實現(xiàn)全局補償，在此基礎上完成信號識別。

1.1 序列圖像采集

序列圖像表示在持續(xù)時間上對單幀圖像進行等間隔采集，能夠描述幀和幀之間的信息相關性，是目標跟蹤等任務主要處理目標。一般情況下，考慮人眼連續(xù)運動特性，將圖像采集速度設置為25幀/s，以此滿足實時性要求。

在圖像采集裝置中，電荷耦合組件(charge coupled device，CCD)屬于一種由多個電容構成的集成電路，可將圖像光學信號轉變?yōu)橛嬎銠C可以識別的數(shù)字信號。CCD攝像機是根據(jù)感光原理制作的光電轉換設備，是一種將三維坐標映射到二維世界的工具。與紅外成像相比，其分辨率更高，對于目標識別、跟蹤精度更具優(yōu)勢。此外，CCD攝像機必須利用圖像采集卡等中介裝置，將模擬信號變換為數(shù)字信號，以此實現(xiàn)序列圖像采集。

1.2 背景全局運動補償

無人機在運動過程中，圖像傳感器也隨之運動，采集的圖像中不只存在目標的運動，背景也會產生相對運動。此種條件下，無人機導航信號的檢測精度有所降低，為改善此類現(xiàn)象必須對運動中的背景進行補償，確保其處于靜止狀態(tài)[5]。本文利用特征點匹配方式實現(xiàn)全局補償。

1.2.1 特征點匹配

1)特征點提取。

識別目標從三維空間轉換至二維圖像的過程中包括信息量豐富的輪廓、紋理、點特征等視覺特征。與其他特征相比，點特征較為簡單且數(shù)量較大，具有較強的抗噪性能。因此本文通過對點特征的提取與處理，實現(xiàn)全局運動參數(shù)估計。

角點是圖像關鍵的局部特性，也是較為典型的特征點，對于角點目前沒有具體定義，可將其理解為圖像中某方面屬性特征比較突出的點。利用角點特征估計運動參數(shù)，在保證圖像質量的基礎上，減少數(shù)據(jù)處理量，提高運算速度。本文利用Harris算法進行角點提取。具體步驟如下：

①分別獲取圖像像素點在x′與y′方向上的梯度值，建立梯度矩陣M：

(1)

②通過Gauss平滑窗口對圖像進行去噪處理[6]，獲取新的梯度矩陣M′，則均值為0的窗口函數(shù)表達式為：

(2)

式中σ表示不為零的平滑窗口常數(shù)系數(shù)。

③獲取圖像中全部像素點的響應函數(shù)值R′：

(3)

式中k表示權重系數(shù)。

④確定局部極值點，獲得圖像角點[7]。

2)特征點匹配。

為獲取特征點運動向量，必須從采集到的2幀圖像內挑選出相互匹配的特征點對。為滿足匹配精度要求，本文對匹配準則與策略進行分析。

分別將t與t-1時間點圖像內角點作為候選匹配點和目標匹配點。在匹配過程中，由于單個角點信息量較少，影響匹配效果，因此選取匹配點的某個小鄰域信息替換匹配點信息，匹配準則與策略分別如下。

匹配準則：特征點匹配的關鍵在于對比候選匹配點和目標匹配點之間的相似性程度，因此要完成特征點匹配必須建立相似度度量匹配準則。本文將最小絕對誤差作為其匹配準則，定義式表示為：

[I(x′+u,y′+v,t+1)]T

(4)

(5)

在確立匹配準則后，利用自適應十字搜索算法獲得估計量的最優(yōu)值。十字模式的形狀是對稱的，在4個方向上均存在搜索點，如圖1所示。

圖1 自適應十字搜索算法Fig.1 Adaptive cross search algorithm

圖1所示的自適應十字搜索算法主要分析鄰近特征塊運動向量的關聯(lián)程度，經過對運動向量估計確定搜索區(qū)間。假設將當前特征塊相關程度較大的上、左上、右上以及左上4個特征塊作為參考相鄰塊，在初級搜索中確定對稱的十字模型，在此模型中除4個頂點外，添加預測運動向量。當這些向量在處于垂直或水平方向時，預測向量會與十字模型中4個運動向量重疊。因此令十字模型與預測運動向量長度相同，則長度計算公式為：

(6)

d=max[|VP(x′),VP(y)|]

(7)

利用式(7)即可實現(xiàn)特征點匹配，且可以減少中心搜索程序，提高匹配效率。

1.2.2 背景補償

經過上述處理后，獲得一系列匹配成功的特征點，利用這些特征點實現(xiàn)當前幀背景運動的全局補償。

如果Tt-1與Tt時間點圖像中某特征點坐標分別表示為(X,Y)與(X′,Y′)。特征點運動通過旋轉與平移進行表示，則2個特征點的變換關系表示為：

(8)

利用迭代加權最小二乘估計回歸系數(shù)，確定各點權重大小，則參數(shù)a的估計式為：

(9)

式中：ρ(θ)(θ-ri,a/σ)屬于單調非減函數(shù)；ri,a表示樣本預測誤差；σi表示ri,a的標準方差。對式(9)進行求導得到：

(10)

式中：ψ(ri,a/σi)表示ρ(ri,a/σi)的導數(shù)，假設ω(ri,a/σi)=ψ(ri,a/σi)，則ω(ri,a/σi)表示權重函數(shù)，因此有：

(11)

利用獲得的特征點權重ω計算出新的估計值a，經過多次迭代后獲得最后的運動參數(shù)估計值。

(12)

式中：X0表示x+u的整數(shù)部分；μX表示X+u的小數(shù)部分。

本文選取向后映射方式實現(xiàn)全局補償，表達式為：

I(X,Y,t+1)=I(X0,Y0,t)+[I(X0+1,Y0,t)-
I(X0,Y0,t)]X+[I(X0,Y0+1,t)-
I(X0,Y0,t)]Y+[I(X0+1,Y0+1,t)-
I(X0,Y0,t)-I(X0+1,y0,t)-
I(X0,Y0+1,t)]

(13)

1.3 信號識別

在實現(xiàn)運動背景補償后，利用三幀法對無人機導航信號進行識別[8]。具體步驟如下：

1)獲取前5幀圖像光流累計值，以此儲存背景光流信息。假設A5表示累計矩陣，和視頻圖像序列大小相同，且設定原始值為0，則計算公式為：

k=1,2,3,4,5

(14)

2)獲取后3幀圖像光流累計值，以此識別無人機導航信號，假設A3為累計矩陣，公式為：

k=8,9,10

(15)

3)對比步驟1獲取的前5幀圖像和后3圖像的光流重合部分，則其他部分即為無人機真實運動部分，以此判斷出像素B(i,j)是否為無人機導航信號：

(16)

此算法中沒有參與運算的兩幀圖像的作用是隔離背景與運動目標。根據(jù)上述方法有效區(qū)分背景與目標，即可實現(xiàn)無人機導航信號識別，為后續(xù)穩(wěn)定跟蹤無人機導航信號奠定基礎。

2 基于模塊匹配的無人機導航信號穩(wěn)定跟蹤

無人機導航信號經過圖像處理、特征提取等過程實現(xiàn)自動識別，完成對其跟蹤的準備工作。本文利用改進的圖像模塊匹配方法實現(xiàn)無人機導航信號跟蹤。模塊跟蹤屬于跟蹤尺寸變化的方式，此方法目的是結合當前幀儲存某幅圖像的模塊確定運動軌跡。若參數(shù)可以在尺度上自由縮放，跟蹤模塊即可實時跟蹤目標。該算法主要分為模塊匹配與模塊更新2個部分。

2.1 模塊匹配

假定目標模塊圖像表示為T(x)，在圖像I(x)背景中運動，與模塊相同尺寸的I(x)內子圖像為R(x)。如果由T(x)轉換為R(x)的幾何變換函數(shù)為W(x;p)，變量x=(x,y)代表圖像信號中不同像素坐標，p(p1,p2,…,pn)為變換值，則：

(17)

綜上所述，圖像匹配問題能夠表示為計算一組例如位移、旋轉等的幾何變量，使目標模塊和子圖像相似度最大化：

(18)

式中：D表示圖像相似度量，該值越大，代表子圖像與目標模塊越相似。對式(18)中的變量p進行泰勒展開，消除高階項[9]，得：

(19)

加入梯度算子Δp，并將式(19)變換為：

(20)

式中H表示n×n的Hessian矩陣：

(21)

復雜的幾何變換中引入冗余自由度，導致匹配精度降低，為此本文只分析水平與垂直方向的位移變化，因此有：

W(x;p)=W(x+p;Δp)

(22)

則模塊儲存方法的步驟表示為：

1)構建主子集X?R；

2)獲取殘差T(x)T-R(W(x;p)T)T；

4)獲取Δp，并得出p←p+Δp；

5)如果p收斂則結束，反之回到步驟2重新開始。

2.2 模塊更新

(23)

(24)

在模塊更新過程中，能夠得到無人機導航信號變化軌跡，但是模塊尺寸大小不發(fā)生改變。因此，當尺度不變時能夠穩(wěn)定跟蹤到無人機的導航信號。如果目標變小，則主要模塊中包括整個目標，如果目標變大，主要模塊會較好地儲存細節(jié)特征，有效克服尺度變化帶來的影響。

3 仿真實驗數(shù)據(jù)分析與研究

驗證基于改進圖像特征塊匹配的無人機導航信號穩(wěn)定跟蹤方法的有效性。從以下2個方面進行實驗準備：

1)無人機在空中飛行時，保持飛機從西向東飛行，并在飛機上安裝了數(shù)碼相機。航線65%重疊，最大偏角不超過8%，航線彎曲度不超過5%。飛行過程中需要保證所有的航線都沒有陰影和空洞。搜索目標與相鄰點之間的最大誤差小于0.2 mm。搜索目標排列為4個基線，MAPGIS導航系統(tǒng)連接搜索目標平面進行圖像采集。對實驗設備及運行參數(shù)進行規(guī)范，具體如表1所示。

表1 實驗參數(shù)設置Table 1 Experimental parameter setting

2)仿真實驗利用華碩N46VZ攝像頭對無人機導航信號進行標定與識別跟蹤。軟件環(huán)境是C++與Open CV。硬件運行環(huán)境是Pentium2.8GHz CPU，4 G內存的計算機。感光面積設置為4.5 mm×3.2 mm，像素為820×650。

根據(jù)上述實驗準備，模擬無人機飛行環(huán)境如圖2所示。

圖2 仿真飛行環(huán)境Fig.2 Simulation of flight environment

在上述實驗條件下，利用本文方法、文獻[1]、文獻[2]方法對無人機信號進行檢測，對比不同方法檢出率；同時對無人機導航信號跟蹤，分別比較3種方法跟蹤的距離誤差(如圖3、4所示)。

圖3 不同方法無人機導航信號檢出率對比Fig.3 Comparison of detection rate of UAV navigation signal with different methods

圖4 跟蹤距離誤差測試結果Fig.4 Tracking distance error test results

由圖3可知，當圖像幀數(shù)為5時，3種方法檢出率均在85%以上，但是隨著圖像幀數(shù)的增加，文獻[1]與文獻[2]2種方法的檢出率下降較為明顯，而所提方法檢出率下降趨勢緩慢。這是因為該方法對背景全局運動進行補償，確保背景靜態(tài)化，從而提高無人機導航信號識別率。

為進一步驗證本文方法的無人機導航信號跟蹤性能，將無人機信號的跟蹤距離誤差作為實驗指標，對比3種方法的跟蹤性能，具體的實驗結果如圖4所示。分析圖4可知，利用計算機視覺對無人機導航信號進行跟蹤的距離誤差最小。這是因為所提方法通過計算機視覺實現(xiàn)無人機導航信號精準識別，為穩(wěn)定跟蹤奠定基礎，減少跟蹤距離誤差，同時改進的模塊匹配跟蹤方法可以減少外形突變導致的跟蹤誤差，進一步提高跟蹤精度。

4 結論

1)仿真實驗表明，該方法可以有效檢測出目標信號，同時減少跟蹤距離誤差，獲得準確的目標位置信息。

2)結合現(xiàn)階段研究成果來看，此次提出的無人機導航信號跟蹤方法可以符合目標跟蹤等方面要求。

但是在投入到實際應用前，仍有一些工作要進一步展開，如考慮天氣因素對無人機目標跟蹤精度的影響，相信在研究者不懈努力下，目標跟蹤技術將不斷發(fā)展。