李克玲

(長春大學(xué) 計(jì)算機(jī)科學(xué)技術(shù)學(xué)院，吉林 長春 130022)

0 引 言

通過圖像數(shù)據(jù)分析和計(jì)算機(jī)視覺處理技術(shù)進(jìn)行無人艇航行軌跡虛擬重構(gòu)處理，提高對無人艇航行軌跡模擬和控制能力，在對無人艇航行軌跡虛擬重構(gòu)中，采用數(shù)據(jù)特征與 RGB 圖像分析方法[1]，結(jié)合虛擬現(xiàn)實(shí)的視景仿真技術(shù)進(jìn)行圖像信息增強(qiáng)處理，構(gòu)建復(fù)雜場景下的無人艇航行線路和軌跡跟蹤模型，通過高層特征的融合方法，結(jié)合圖像視覺增強(qiáng)技術(shù)，提高對無人艇航行軌跡虛擬重構(gòu)和跟蹤識別能力，研究無人艇航行軌跡虛擬重構(gòu)方法，在實(shí)現(xiàn)對無人艇的全局信息增強(qiáng)和目標(biāo)跟蹤方面具有重要意義[2]。在對無人艇航行軌跡虛擬重構(gòu)設(shè)計(jì)中，采用影像端元的譜特征分析和影像空間采樣技術(shù)，實(shí)現(xiàn)對無人艇航行軌跡圖像檢測，結(jié)合端元光譜的空間變異方法，通過點(diǎn)云數(shù)據(jù)在特征空間分布特性，進(jìn)行無人艇航行軌跡的虛擬重建。本文提出基于多準(zhǔn)則粒子濾波的無人艇航行軌跡虛擬重構(gòu)方法。首先進(jìn)行無人艇航行軌跡圖像采集，然后采用融合雙模態(tài)特征檢測方法實(shí)現(xiàn)對無人艇航行軌跡的圖像檢測，結(jié)合多準(zhǔn)則粒子濾波分析方法，實(shí)現(xiàn)對無人艇的航行軌跡重構(gòu)，并通過Matlab進(jìn)行圖像仿真。

1 無人艇航行軌跡的圖像檢測和預(yù)處理

1.1 無人艇航行軌跡圖像檢測

為了實(shí)現(xiàn)對多準(zhǔn)則粒子濾波下的無人艇航行軌跡虛擬重構(gòu)，采用幾何單形體體積法構(gòu)建圖像采集模型，根據(jù)對無人艇的航行方向規(guī)劃設(shè)計(jì)[3]，進(jìn)行航跡分布的三維坐標(biāo)設(shè)計(jì)，如圖1所示。

圖1 無人艇的航行方向規(guī)劃坐標(biāo)系Fig.1 Navigation direction planning coordinate system of unmanned craft

根據(jù)圖1所示的無人艇的航行方向規(guī)劃坐標(biāo)分布，以像素點(diǎn)θe,ρe為2個(gè)端元間的光譜特征點(diǎn)，采用單形體的頂點(diǎn)與端元分析方法[4]，得到觀測向量集合的灰度像素集：

式中：V為影像的紋理特征，(xi?1,yi+1)為端元提取參數(shù)，I(xi+1,yi?1)為端元光譜信息散度，通過橢圓的參數(shù)代替輪廓進(jìn)行相應(yīng)位置的端元匹配。

結(jié)合對無人艇航行軌跡圖像的邊緣特征分析，得到無人艇航行軌跡圖像邊界特征分布表達(dá)為：

式中：Gray表示無人艇航行軌跡控制點(diǎn)的灰值，Edge為邊界檢測函數(shù)。

由此建立無人艇航行軌跡圖像檢測模型，通過邊分區(qū)邊界的像素融合實(shí)現(xiàn)軌跡虛擬重構(gòu)[5]。

1.2 無人艇航行軌跡圖像濾波處理

采用雙階段 RGB-D 顯著性檢測方法進(jìn)行無人艇航行軌跡圖像的融合和增強(qiáng)處理，將無人艇航行軌跡圖像進(jìn)行動態(tài)分割，構(gòu)建圖像梯度檢測模型，結(jié)合單峰特征的提取方法[6]，得到無人艇航行軌跡的跟蹤的權(quán)重分布函數(shù)為：

式中：t為無人艇航行軌跡檢測目標(biāo)的置信損失分配時(shí)間點(diǎn)，f(k,N)為無人艇航行軌跡跟蹤模擬的干擾因子，avg為像素級強(qiáng)度分布均值。

對 RGB 特征和增強(qiáng)后的深度特征進(jìn)行分段融合，進(jìn)一步獲取交融模塊分布函數(shù)，得到各層深度圖的糊度分布集：

式中：τ0為高層融合跨模態(tài)門限因子，ωd為推導(dǎo)出門限因子，u(t?τ0)表示航跡檢測的尺度因子。

從低層次的2種模態(tài)特征進(jìn)行特征匹配，得到圖像質(zhì)量分布模型參數(shù)，根據(jù)本層RGB特征和增強(qiáng)后的深度特征融合結(jié)果，得到濾波輸出：

式中：avgdl表示目標(biāo)模板和搜索區(qū)域的目標(biāo)特征匹配值，fsearch表示多層特征融合預(yù)測模型參數(shù)，n為前置門限，d為第i個(gè)濾波器窗口的加權(quán)融合分類信息，l為分層聯(lián)合雙邊濾波參數(shù)。

根據(jù)圖像濾波結(jié)果，采用融合雙模態(tài)特征檢測方法實(shí)現(xiàn)對無人艇航行軌跡的圖像檢測，結(jié)合視覺分割技術(shù)進(jìn)行圖像濾波處理。

2 無人艇航行軌跡虛擬重構(gòu)優(yōu)化

2.1 無人艇航行軌跡多準(zhǔn)則粒子濾波

把注意力機(jī)制融入到航跡跟蹤模型中，得到無人艇航行軌跡多準(zhǔn)則粒子濾波配集為B0，在位置信息注意力模塊中，得到全局空間信息分布的平均值表示為：

式中：Rm(r,i)為qj處出現(xiàn)背景信息干擾的深度值，i下標(biāo)為邊緣模糊和紋理特征點(diǎn)。N為輸入特征圖沿水平方向的像素點(diǎn)數(shù)，m為全局空間信息維度，τ為采樣時(shí)間延遲。

獲取2個(gè)方向上的通道參數(shù)，得到粒子濾波集群參數(shù)為：

利用線性加權(quán)得出整體的響應(yīng)特征值，得到多準(zhǔn)則濾波輸出矩陣為：

式中：a表示隨機(jī)選取數(shù)據(jù)集中一個(gè)視頻參數(shù)分布維度。

根據(jù)復(fù)點(diǎn)聚類，表示為：

綜上，在同質(zhì)區(qū)域進(jìn)行端元提取，結(jié)合多準(zhǔn)則粒子濾波，實(shí)現(xiàn)航跡重構(gòu)，實(shí)現(xiàn)流程如圖2所示。

圖2 無人艇航行軌跡多準(zhǔn)則粒子濾波流程Fig.2 Multicriteria particle filter process for unmanned boat navigation trajectory

2.2 無人艇航行軌跡的三維虛擬重構(gòu)實(shí)現(xiàn)

采用三維數(shù)據(jù)場可視化分析的方法，基于計(jì)算、裁剪、紋理映射方法，得到模糊集函數(shù)為：

式中：r為三維數(shù)據(jù)場可視化分布的平均值，A為體數(shù)據(jù)中提取的聚合參數(shù)，Rin為三維數(shù)據(jù)場的部分屬性特征分布集，e?ikr為體繪制指數(shù)增益。

基于三維數(shù)據(jù)場可視化的數(shù)據(jù)獲取和跟蹤識別的方法，得到邊界模糊集分配函數(shù)為：

式中：ain為 三維數(shù)據(jù)場可視化的數(shù)據(jù)動態(tài)分布集，ejψin為結(jié)構(gòu)化類型的數(shù)據(jù)集，A為三維空間數(shù)據(jù)場外部輪廓，r為相同屬性值的數(shù)據(jù)點(diǎn)集合。以相同屬性值的數(shù)據(jù)點(diǎn)的集合為軌跡分布集，得到邊緣分布像素分布函數(shù)為：

式中：αi和α?i表示斷層序列圖像上的外部動態(tài)分布特征，k(xi,xj)表示相同屬性值的數(shù)據(jù)點(diǎn)分布核函數(shù)，b表示拓?fù)浣Y(jié)構(gòu)重建的幾何參數(shù)，通過各層圖像輪廓線之間相互動態(tài)分量，得到重建的軌跡線表示為P={1,···,P}。

通過圖像增強(qiáng)、去噪處理，得到自適應(yīng)權(quán)重值分布矩陣為：

式中：t為圖像中的輪廓線分布時(shí)延參數(shù)，BER為上下2層輪廓線上對應(yīng)節(jié)點(diǎn)的誤差率，xk表示三維重建模型質(zhì)量分布參數(shù)，yk為2層輪廓線節(jié)點(diǎn)的模糊隸屬度。

以體素作為最小處理單元，得到qj處像素的深度值為：

式中：Eint(vi)表示體素來模擬無人艇航行軌跡的等值面計(jì)參數(shù)值，Eext(vi)表示某一屬性的動態(tài)軌跡分布參數(shù)，N表示相同屬性值的等值面體素。

綜上，實(shí)現(xiàn)對無人艇航行軌跡的虛擬重構(gòu)，重構(gòu)實(shí)現(xiàn)結(jié)構(gòu)圖如圖3所示。

圖3 無人艇航行軌跡的虛擬重構(gòu)實(shí)現(xiàn)結(jié)構(gòu)圖Fig.3 Virtual reconstruction implementation structure of unmanned craft navigation trajectory

3 仿真測試

為了驗(yàn)證本文方法在實(shí)現(xiàn)無人艇航行軌跡虛擬重構(gòu)的性能，采用Matlab進(jìn)行實(shí)驗(yàn)測試，透明度的范圍為0~1，航行軌跡采樣點(diǎn)所在體素的 8 個(gè)頂點(diǎn)，無人艇與拖曳體之間距離為339.479 m，信噪比為?4.507 19 dB，各個(gè)航跡采樣點(diǎn)的圖像像素點(diǎn)分布如表1所示。

表1 航跡采樣點(diǎn)的圖像像素點(diǎn)分布Tab.1 Pixel distribution of the image at the track sampling points

根據(jù)表1參數(shù)設(shè)定，進(jìn)行航跡虛擬重構(gòu)。采用本文方法可以進(jìn)行無人艇航行軌跡的重構(gòu)虛擬重構(gòu)，測試軌跡跟蹤的性能，得到重構(gòu)性能測試如圖4所示。分析可知，本文方法進(jìn)行無人艇航行軌跡虛擬重構(gòu)的視覺增強(qiáng)能力較好，期望值和實(shí)際值擬合性能較好。

圖4 無人艇航行軌跡重構(gòu)Fig.4 Reconstruction of unmanned boat navigation trajectory

4 結(jié) 語

構(gòu)建復(fù)雜場景下的無人艇航行線路和軌跡跟蹤模型，通過高層特征的融合方法，結(jié)合圖像視覺增強(qiáng)技術(shù)，提高對無人艇航行軌跡虛擬重構(gòu)和跟蹤識別能力本文提出基于多準(zhǔn)則粒子濾波的無人艇航行軌跡虛擬重構(gòu)方法。通過無人艇航行軌跡多準(zhǔn)則粒子濾波和圖像處理，實(shí)現(xiàn)無人艇航行軌跡虛擬重構(gòu)，分析可知，本文方法進(jìn)行軌跡重構(gòu)視覺效果較好，響應(yīng)性能較強(qiáng)。