趙恩銘，姚志強，楊 松，劉光宇，楊燕婷，王 辰，邢傳璽

（1.大理大學(xué)工程學(xué)院，云南大理 671003；2.云南民族大學(xué)電氣信息工程學(xué)院，昆明 650500）

科技的飛速發(fā)展使得人工智能技術(shù)在多個領(lǐng)域得到廣泛應(yīng)用，基于機器視覺的目標(biāo)追蹤技術(shù)近年來一直是軍事、工業(yè)等領(lǐng)域的研究重點，基于視覺檢測目標(biāo)的關(guān)鍵在于區(qū)分目標(biāo)與環(huán)境，在實時追蹤目標(biāo)時由于目標(biāo)形態(tài)和周圍環(huán)境始終在變化，難以精確區(qū)分，因此一直是追蹤領(lǐng)域的難點，同時隨著目標(biāo)追蹤技術(shù)的應(yīng)用場景不斷增加，單一的算法很難覆蓋所有應(yīng)用場景，因此研究人員針對不同的應(yīng)用場景開發(fā)出了多種算法，如背景差分法〔1〕、幀間差分法〔2〕、特征點檢測算法〔3〕、連續(xù)自適應(yīng)均值漂移（Cam Shift）算法〔4〕、April Tag 算法〔5〕和光流法〔6〕等，它們的優(yōu)缺點見表1。

表1 目標(biāo)識別與跟蹤算法的優(yōu)缺點

上述算法均存在某些方面不適合用于移動目標(biāo)跟隨，無法滿足任務(wù)需求，因此本文針對目標(biāo)跟隨的任務(wù)需求對April Tag 算法進行改進，實驗結(jié)果證明，改進后的April Tag 算法進一步提升了算法的準(zhǔn)確性和檢測效率，能夠滿足目標(biāo)跟隨的任務(wù)需求。

1 April Tag 算法原理

1.1 April Tag 視覺標(biāo)簽的結(jié)構(gòu)為保證標(biāo)記識別的準(zhǔn)確性與可靠性，April Tag 算法的標(biāo)簽采用二進制編碼的方式。April Tag 視覺標(biāo)簽由黑色邊框和編碼區(qū)兩部分組成，黑色邊框用于定位，便于算法在進行四邊檢測時發(fā)現(xiàn)標(biāo)簽的位置，編碼區(qū)為一個6×6 的矩陣，其中不同的編碼矩陣代表不同的標(biāo)簽ID〔7〕，為避免不同ID 的標(biāo)簽在旋轉(zhuǎn)和遮擋時相互混淆，所有的標(biāo)簽之間要有足夠的漢明距離〔8〕，任意兩個標(biāo)簽之間至少要有11 位的信息編碼差，漢明距離越大，代表標(biāo)簽之間的差別越大。見圖1。

圖1 視覺標(biāo)簽ID1 與ID2 的編碼矩陣

1.2 改進的April Tag 檢測算法April Tag 算法檢測分為標(biāo)記檢測和ID 識別兩部分。標(biāo)記檢測首先根據(jù)梯度變化進行邊緣提取，獲取標(biāo)簽的輪廓，然后對權(quán)值相似的像素進行聚類，再擬合畫面中的四邊形，從而得到畫面中標(biāo)簽的位置。ID 識別通過分析四邊形內(nèi)的黑白色塊組成編碼矩陣，將編碼矩陣與內(nèi)部數(shù)據(jù)比較，從而判斷標(biāo)簽的ID。

如表2〔9〕所示，April Tag 視覺標(biāo)簽通過添加冗余的方式獲得一定的容錯性，當(dāng)標(biāo)簽被部分遮擋時依然能夠被識別。

表2 不同種類的April Tag 視覺標(biāo)簽容錯性

April Tag 算法檢測流程見圖2，攝像頭采集到圖像后，將圖像二值化，根據(jù)灰度變化檢測畫面中存在的邊緣，對邊界權(quán)值相似的像素進行聚類，最后進行四邊檢測，確定April Tag 的ID 和位置并舍棄無法識別的標(biāo)簽。檢測過程示意見圖3〔10〕。

圖2 April Tag 算法檢測流程圖

圖3 檢測過程示意圖

在邊緣提取時使用Canny 算法〔11〕對畫面進行輪廓檢測。首先將彩色圖像加權(quán)轉(zhuǎn)化為灰度圖，轉(zhuǎn)化公式為：

將灰度圖與高斯函數(shù)做卷積以提高算法的抗噪能力，當(dāng)搜索到該圖像的邊緣時，對各像素點及其附近的像素點灰度值進行梯度強度和方向的計算，隨后沿梯度方向進行非極大值抑制，若計算得到的像素梯度值是沿著梯度方向的最大值時，說明該像素點是邊緣像素點，通過多個邊緣像素點提取具有邊界性質(zhì)的區(qū)域，如圖3（b）所示。

在提取到圖像邊緣后，使用聚類算法〔12〕將圖像的邊緣聚集為多個簇，設(shè)數(shù)據(jù)集含有n 個數(shù)據(jù)對象，首先從這n 個數(shù)據(jù)對象中隨機選取k 個對象作為初始聚類中心，對于剩余的對象根據(jù)與聚類中心的相似程度將其分配到最相似的類中，然后對于每一個類，將類中的所有對象的平均值作為新的聚類中心，進行下次迭代。不斷重復(fù)該過程，當(dāng)類中心不再發(fā)生變化，準(zhǔn)則函數(shù)收斂時，聚類完成，準(zhǔn)則函數(shù)如下所示：

其中：E 是數(shù)據(jù)集中所有對象與它所在的聚類中心的平方誤差的總和，E 的大小反映了聚類結(jié)果的好壞；xi是聚類Ci的聚類中心，k 是聚類個數(shù)，Ci是第i個聚類，聚類完成后的效果如圖3（c）所示。

使用四邊檢測算法〔13〕檢測圖像中的凸多邊形圖案，利用圖像中的邊緣線條來解析圖中的四邊形結(jié)構(gòu)，達到分析圖像中各邊界關(guān)系的目的。任意選取邊緣線條上的一點作為起始點，檢測和起始點屬于同一類的邊緣點，不斷循環(huán)以上步驟，當(dāng)再次檢測到起始點時，說明檢測路線形成閉環(huán)，即識別到一個多邊形。本次選取結(jié)束后，系統(tǒng)隨機選擇另一個點作為起始點并重復(fù)以上環(huán)節(jié)，最后保留其中的四邊形，被保留的四邊形即為候選視覺標(biāo)簽，如圖3（d）所示。

對候選視覺標(biāo)簽進行判斷，提取候選標(biāo)簽中的黑白色塊形成編碼矩陣，并與內(nèi)置編碼庫進行匹配，若匹配成功，則判定圖像含有April Tag 視覺標(biāo)簽，并輸出該標(biāo)記ID 編號；若匹配失敗，則認(rèn)為該部分不含視覺標(biāo)簽。

當(dāng)畫面中標(biāo)簽足夠大，并能夠準(zhǔn)確識別時，為提升算法識別的實時性，在不影響識別準(zhǔn)確率的前提下，應(yīng)用動態(tài)降采樣算法〔14〕，提高算法實時性。見圖4。該算法會通過減少檢測像素數(shù)的方式提高算法的識別速度，降采樣效果如圖4（b）所示，與左側(cè)原圖相比，由于圖像像素減少，降采樣后的線條邊緣明顯模糊，但不會影響標(biāo)簽生成的編碼矩陣。

圖4 降采樣效果圖

當(dāng)畫面中標(biāo)簽過小，無法準(zhǔn)確識別時，采用升采樣〔15〕技術(shù)提高圖像質(zhì)量，同時為保證識別速度，將畫面全局搜索標(biāo)簽改變?yōu)榫植克阉鳂?biāo)簽，通過縮小檢測范圍的方式減少識別的像素數(shù)，提高識別速度。見圖5。

圖5 升采樣局部搜索示意圖

2 系統(tǒng)總體設(shè)計

2.1 整體結(jié)構(gòu)設(shè)計本設(shè)計主要分為機器視覺與外設(shè)控制兩部分，機器視覺部分用于追蹤輸入圖像中標(biāo)簽的位置，輸入圖像后機器視覺模塊使用April Tag 算法識別畫面中標(biāo)簽的位置，通過計算得到標(biāo)簽的偏移角度后通過USART 串口將該角度信息發(fā)送到STM32 中，為控制電機轉(zhuǎn)向提供數(shù)據(jù)〔16〕。外設(shè)與控制部分在接收到機器視覺模塊輸出的偏移角度后，改變兩側(cè)直流電機的占空比，同時電機會將轉(zhuǎn)速信息返回到STM32 中，超聲波模塊的作用是檢測前方有無障礙物，避免碰撞，液晶顯示部分用于顯示目標(biāo)的偏移角度、電機的占空比與轉(zhuǎn)速等運行參數(shù)，便于觀察系統(tǒng)的運行狀態(tài)。見圖6。

圖6 系統(tǒng)總體設(shè)計圖

2.2 系統(tǒng)結(jié)構(gòu)設(shè)計本文采用的機器視覺模塊為OpenMV，該模塊通過自帶的攝像頭采集圖像，采集到圖像后通過April Tag 算法鎖定標(biāo)簽的位置，并根據(jù)識別目標(biāo)在畫面中的位置確定偏移角度，將畫面中心點設(shè)為零點，當(dāng)目標(biāo)出現(xiàn)在畫面左側(cè)時水平偏移角度為負(fù)，目標(biāo)在右側(cè)時水平偏移角度為正，偏移角度檢測公式為：

其中tag_x 表示標(biāo)簽中心的水平像素坐標(biāo)、wide 表示水平像素個數(shù)、HFOV 表示鏡頭的水平視角，偏移角度檢測結(jié)果見圖7。

圖7 偏移角度檢測圖

OpenMV 將偏移角度通過串口輸出到STM32后，STM32 通過改變兩側(cè)電機轉(zhuǎn)速實現(xiàn)差速轉(zhuǎn)向。若算法實時性過低，會降低偏移角度的發(fā)送頻率，導(dǎo)致轉(zhuǎn)向不及時，無法準(zhǔn)確跟隨目標(biāo)。

3 實驗結(jié)果與分析

實驗相關(guān)器件參數(shù)見表3。

表3 實驗器件參數(shù)

為保證實驗的準(zhǔn)確性，使用tag36h11_1 在不同距離張貼無視角變換和不同視角變換的圖像，重復(fù)50 次測試本系統(tǒng)的性能，實驗過程如下所示：

如圖8 所示，分別將標(biāo)簽放置在0.50、0.75、1.00、1.25、1.50、1.75、2.00、2.25、2.50、3.00 m 的 位置，與Tag 視角相差0°、15°、30°、45°、60°的情況下測試本系統(tǒng)的識別準(zhǔn)確率。

圖8 實驗場景圖

圖9 為傳統(tǒng)算法與本文算法在不同視角、不同距離的準(zhǔn)確率對比實驗結(jié)果，通過不同視角、不同距離下準(zhǔn)確率的變化分析算法的性能，實驗結(jié)果如下所示。

圖9 準(zhǔn)確率對比

實驗結(jié)果表明，標(biāo)簽在距離1.5 m 以內(nèi)，視角偏差為0°、15°時，由于視角變換產(chǎn)生的透視干擾較小，兩種算法的識別準(zhǔn)確率較高；當(dāng)偏移上升到30°、45°時，兩種算法的識別準(zhǔn)確率皆略有下降；當(dāng)視角偏移為60°時，由于偏移角度過大，使視覺標(biāo)簽在畫面中變形嚴(yán)重，導(dǎo)致兩種算法識別準(zhǔn)確率都發(fā)生較大的下降。

標(biāo)簽在2.0 m 以外時，由于標(biāo)簽極小，傳統(tǒng)April Tag 算法中的標(biāo)簽圖片模糊，無法準(zhǔn)確識別，識別準(zhǔn)確率隨距離的提升下降嚴(yán)重，而改進后的April Tag 算法通過提升圖像質(zhì)量的方法，提高了標(biāo)簽圖片的清晰度，使得識別準(zhǔn)確率與傳統(tǒng)算法相比有顯著提升。

不同改進算法的識別速度以及追蹤效果如表4所示，當(dāng)標(biāo)簽較大時，該算法可自動進行降采樣，提升圖像檢測的實時性，當(dāng)標(biāo)簽較小時，該算法可自動進行升采樣，同時縮小識別范圍，保證圖像檢測的實時性。

表4 算法識別速度與追蹤效果

以上結(jié)果表明，本文改進的視覺標(biāo)簽識別算法能夠顯著提升標(biāo)簽圖像較小時的識別準(zhǔn)確率，能夠完成實時跟隨目標(biāo)移動的任務(wù)，算法的處理速度快，識別準(zhǔn)確率高，跟隨效果好。

4 結(jié)束語

本文為提高自動跟隨系統(tǒng)的實時性與準(zhǔn)確性，對April Tag 算法進行了改進，當(dāng)與目標(biāo)距離較近，能夠準(zhǔn)確識別目標(biāo)時，采用降采樣算法提升識別的實時性，當(dāng)視覺標(biāo)簽過小導(dǎo)致識別準(zhǔn)確性差時，采用升采樣算法結(jié)合局部搜索策略，提升圖像質(zhì)量并縮小檢測范圍，達到了保證實時性的同時提高遠(yuǎn)距離下的識別準(zhǔn)確率。實驗結(jié)果表示，該運動目標(biāo)跟隨系統(tǒng)準(zhǔn)確率高、實時性強，能夠滿足自動跟隨系統(tǒng)的要求。