張佰順,張 娜,馬曉靜
(1.海軍潛艇學院,山東 青島 266199;2.山東大學,山東 青島 266237)
無人機具有生存能力強、機動性能好、飛行環(huán)境要求低等優(yōu)點,廣泛應用于空中偵察、戰(zhàn)場監(jiān)視、遠程打擊等場合,在現(xiàn)代海軍裝備中,艦載無人機能夠有效避免不必要的人員傷亡[1]。無論民用領域還是軍工領域應用均具有廣闊前景,隨之出現(xiàn)自動起落以及自動執(zhí)行任務無人機,為了配合無人機自動起落,需要系統(tǒng)配備可供無人機起落的地面站,無人機識別定位技術成了無人機自動精準降落技術的重點所在[2-3]。
本文基于圖像處理方法,采用“地對空”的方式捕捉無人機位置,并對無人機進行引導,實現(xiàn)無人機識別定位。其工作流程大致為:地面站攝像頭首先采集地面站處背景圖片,并對該圖片進行相應的處理,待后續(xù)提取無人機使用;待無人機進入視野,受到引導請求之后,拍攝無人機圖片并進行相應處理,與之前背景差圖片作差以提取無人機;將背景差圖像應用最大類間方差法進行二值化處理;對該二值化圖像進行霍夫變換,將符合條件的點通過霍夫直線變換變換到霍夫空間,對霍夫空間的點進行統(tǒng)計,得到圖像空間直線的極坐標表示;對符合條件的極坐標點按正交關系進行分類,剔除無用的點,并進行坐標反變換將極坐標變換成圖像空間的直線,通過計算2 條直線相交點來確定無人機在圖像中的坐標。該方法將攝像頭置于地面站中心,拍攝無人機照片,并識別無人機在圖像中的位置,進一步計算無人機相對于地面站的方位與距離,從而達到無人機精準降落的目的。
本文首先介紹背景差原理,并應用此原理將無人機與背景圖像分離,然后介紹最大類間方差法及其原理,從原理入手將背景差圖像處理成可用于霍夫變換二值化圖像。從二值化圖像出發(fā),對霍夫直線變換進行詳細分析,并將其應用到上述二值化圖像,得到檢測出無人機中心位置的算法,為無人機的精準降落提供技術基礎。
從圖像識別入手,將攝像頭放置在艦船甲板地面站,通過拍攝無人機方式定位,并以無線通訊方式發(fā)送其位置到無人機,作為無人機調節(jié)位置的反饋,以達到無人機精準降落目標。背景差法是目前針對運動物體檢測的常用方法之一,將2 幅圖片抽象為像素矩陣,矩陣元素相減,得到2 個矩陣差分矩陣,即是2 幅圖片進入背景圖中物體圖片。當被檢測目標進入背景時,采集到的圖像與背景之間便在物體周圍產(chǎn)生差值,通過兩者作差即可提取出該物體,實現(xiàn)物體與背景分離的目的[4]。
背景差法是對像素作差,要求像素點表征該像素顏色深度信息。由于拍攝到的圖片為RGB 三通道BMP 格式圖像,因此對圖片進行背景作差之前需要將其轉化為單通道灰度圖[5]。
對于RGB 空間數(shù)據(jù),可以通過相應公式將其歸一化到灰度空間,常用的灰度值計算公式有:
其中:R為紅色數(shù)據(jù),G為綠色數(shù)據(jù),B為藍色數(shù)據(jù)。式(1)為簡化的sRGB IEC61966-2.1 [γ =2.20]公式,式(2)為Adobe RGB (1998) [γ=2.20]公式。對于本文系統(tǒng),由于計算速度的需要,可以將式(2)簡化為簡單的乘法運算:
進一步,可以將式(3)簡化為移位運算:
式中:R為紅色數(shù)據(jù);G為綠色數(shù)據(jù);B代表藍色數(shù)據(jù)。由式(4)將RGB 彩色圖像處理成灰度圖,如圖1所示,轉化而來的灰度圖像會保留原圖像色度信息,無人機與背景差異明顯,為無人機與背景的分離打下良好基礎。
圖1 彩色RGB 圖像轉化為灰度圖Fig.1 Convert color RGB image to grayscale
圖像閾值自動選取選擇使用最大類間方差法。能夠很好地保留圖像的邊緣信息,避免過度分割,分割效果理想。地面站在收到無人機返航請求時會先拍攝一張背景圖片。當無人機降落時,地面站會在收到引導請求后拍攝一張無人機在當前視野中的圖片,通過對當前圖片與背景圖片的差分,實現(xiàn)無人機與背景的分離[6]。
1.2.1 最大類間方差法算法原理
對于被檢測目標圖像I(x,y)前景和背景分割閾值記為T,屬于前景像素點數(shù)占整幅圖像比例記為 ω0,其平均灰度 μ0; 背景像素點數(shù)占整幅圖像比例為 ω1,其平均灰度為 μ1。 圖像的總平均灰度記為μ,類間方差記為g。
假設圖像背景較暗,并且圖像大小為M×N,圖像中像素的灰度值小于閾值T的像素個數(shù)記作N0,像素灰度大于閾值T的像素個數(shù)記作N1,則有:
由此,即可得到計算一幅圖像二值化閾值的算法實現(xiàn)。應用該算法處理得到的圖片如圖2 所示。白色為無人機,黑色為背景。可見,應用OTSU 算法可以正確地實現(xiàn)無人機與背景的分割。
圖2 OTSU 算法處理圖像Fig.2 OTSU algorithm to process images
霍夫變換(Hough transform)在圖像處理中進行特征提取,將圖像空間點變換為霍夫空間,并對霍夫空間中點進行累加,累計結果局部最大值將得到一個符合特定形狀的集合,霍夫變換目前可用于任意形狀物體的識別[7]。
一條直線在笛卡爾坐標系中可由參數(shù)斜率和截距(m,b) 表示,在極坐標系下由參數(shù)極徑和極角 (r,θ) 表示。已知直線在笛卡爾坐標系中的表達式為:
變換到其極坐標系表示:
化簡可以得到:r=xcosθ+ysinθ。
對于直角坐標系中的點 (x0,y0) ,可以將通過這個點的一族直線統(tǒng)一定為:
在極坐標系下,每一對 (rθ,θ) 值代表直角坐標系下一條通過點 (x0,y0)的直線。
霍夫變換將圖像空間中符合條件的點變換到極坐標系,將極坐標系離散化,通過追蹤圖像空間每個點對應曲線的交點,交點曲線數(shù)目超過閾值,代表參數(shù)對 (rθ,θ) 在圖像空間中是一條直線。將極坐標 (rθ,θ)代入即可得出原圖像中直線,進而將其繪制在原圖像中。根據(jù)算法原理進行檢測圖像中直線,霍夫直線檢測具體的實現(xiàn)流程如圖3 所示。
圖3 霍夫直線變換算法實現(xiàn)流程Fig.3 Hough line transform algorithm implementation process
應用霍夫直線變換檢測到的直線如圖4 所示。
圖4 霍夫轉換檢測到的直線Fig.4 Line detected by Hough transform
圖4 為圖中最長30 條直線所在位置,全部位于無人機旋翼臂附近,發(fā)散情況因旋翼大小及搖擺方向而有所差異,均在可接受范圍內。
根據(jù)極坐標確定無人機位置,設定一個閾值,若落在該閾值里面的一族直線 θ 值與另一族直線 θ 值相差1/2 個霍夫空間寬度,則可認為這2 族直線正交。舍去閾值之外的 (r,θ)參數(shù)對,對閾值之內的2 族參數(shù)對(r,θ) 分 別 取 平 均,得 到2 對 參 數(shù) (r1,θ1) 和 (r2,θ2),分別對應圖像空間中一條直線。將該參數(shù)對代入便可以得到2 條直線的解析表達式,2 條直線的交點(x0,y0)即無人機中點坐標位置。應用該方法可有效檢測無人機坐標,誤差范圍小,檢測精確,可排除噪點干擾[7]。其效果如圖5 所示,檢測計算中心點與無人機實際中心點基本重合。
圖5 霍夫變換得到的無人機中心點Fig.5 The center point of the drone obtained by the Hough transform
本實驗采用大疆M100 開發(fā)者套件作為目標無人機進行實驗測試,其搭載的可擴展飛行平臺,可實現(xiàn)外部設備接入,開發(fā)方便,穩(wěn)定性高,為測試提供了穩(wěn)定的檢測目標。攝像頭采用羅技C270 攝像頭,羅技Fluid Crystal 技術算法可以自動調節(jié)幀率、顏色和清晰度等,從而使得拍攝的畫面更加清晰。此外,Right-Light 技術可以自動適應光線,使其可以適應戶外多變的天氣條件,為圖像可靠采集提供便利。
本文針對該方法做了不同情況下的實驗,測試了其在不同干擾下識別無人機的可靠性。經(jīng)實驗,本文方法可行有效,識別無人機準確可靠,可有效排除雜物干擾,且對天氣有一定的適應性。
由圖6 可知,圖像中云的分布不均勻,且有大塊灰色區(qū)域,然而背景差方法依然能夠準確地提取無人機,且能準確識別。說明該方法對天氣情況有一定的適應性,可以保證復雜天氣情況下任務的順利執(zhí)行。
圖6 多云干擾情況下識別無人機Fig.6 Identifying UAVs in cloudy interference
由圖7 可知,存在雜物、噪點干擾情況下,圖像中存在若干大小不一的噪點以及與無人機大小相似的雜物,雖然背景差無法去除該噪點和雜物,但是霍夫直線變換依然不受其影響,有效、準確地識別出了無人機中心位置。說明該方法對噪點及雜物干擾有較強的適應性,可有效排除噪點干擾,可在大風、臟亂的地方執(zhí)行無人機降落任務,且準確識別無人機。
圖7 噪點干擾情況下識別無人機Fig.7 Identifying drones in the presence of noise interference
由圖8 可知,在無人機殘缺情況下,該方法依然可以準確識別無人機中心點方位。說明該方法可以在無人機剛進入視野中時便可以鎖定無人機,并對無人機進行實時鎖定,保證無人機降落準確。
圖8 識別殘缺無人機Fig.8 Identifying Mutilated Drones
針對艦載無人機精準降落技術—無人機識別定位問題進行研究,提出基于圖像處理的地面站攝像頭定位法,采用攝像頭拍攝無人機并識別的方法定位無人機,然后通過無人機相對于圖像中點的方法進行位置調節(jié),達到無人機精準降落的目的。在設計和工作中仍有諸多不足和待研究、改進之處,由于使用了靜態(tài)背景圖像,在極端惡劣天氣下可能因為天氣變化太大、烏云運動等因素妨礙無人機與背景的分離,導致不能有效識別無人機,從而無法對無人機進行有效引導。需要在后續(xù)工作中引入動態(tài)背景算法,以提高該方法的適應性,提高無人機精準降落的可靠性。