UUV接駁單目視覺導引燈陣定位方法

張 偉,李子軒,宮 鵬,趙漢卿,曾 寧

(哈爾濱工程大學 自動化學院,黑龍江 哈爾濱,150001)

0 引言

近年來,各國海軍致力于發展無人水下航行器(unmanned undersea vehicle,UUV)技術[1]。在UUV自動接駁技術中,遠距離跟蹤定位技術已經相對成熟,而在近距離接駁階段操作的準確性和穩定性是當前需要攻克的難題。在 UUV水下近距離接駁階段需要用到的檢測傳感器裝置主要有 3種:視覺檢測傳感器、聲學檢測傳感器和電磁檢測傳感器。Deltheil等[2]對上述3種方法進行了比較,并說明視覺檢測傳感器對外部環境有更強的抗干擾性和較高的定向精度。

基于視覺檢測傳感器的UUV自動接駁是一項復雜任務。目前,國內外學者提出了許多基于視覺傳感器的接駁方法,如:標記顏色檢測[3]、自相似地標[4]及 3D形狀識別[5]等。Hong等[3]的視覺接駁方案使用的是彩色光源陣列,由于水對光譜的吸收,使得在復雜水況中,彩色目標光源陣列被相機檢測到的概率很低。Negre等[4]提出對設計的自相似地標進行檢測,但從工程角度來說,放置這種視覺導引標志物是一項很復雜的任務。Wirtz等[5]提出的視覺接駁系統,需要足夠的外部光源照亮待檢測目標,由于水下環境中光的后向散射與非均勻光照,成功檢測目標具有很大難度。Maire等[6]提出的新型標記極點檢測算法,在室外泳池完成4 m距離內的基于視覺的接駁實驗,但是該方法只能在能見度高的水域進行,適用范圍較小,對環境要求較高。針對水下目標選擇問題,Ghosh等[7]驗證了導引燈陣作為被檢測目標,更加適合復雜的水下環境。鑒于此,文中提出一種基于視覺導引燈陣定位方法。并通過水池UUV接駁實驗驗證了其合理性和有效性。

1 視覺接駁裝置設計

1.1 叉柱式接駁裝置

UUV的叉柱式接駁裝置可以用來實現UUV的自主接駁,如圖1所示。

圖1 叉柱式接駁系統Fig.1 Ford-carrying-pole docking system

1.2 導引燈陣設計

導引燈陣的設計對單目視覺跟蹤系統有很大的影響。設計導引光源系統時,主要需要考慮到光源強度、光源間距、指向性定位要求和定位范圍等條件,設計如圖 2 所示的線性目標光源系統。

圖2 線性目標導引光源Fig.2 Linear target guided light source

采用 3個大小、種類和形狀都一致的光源,取中間的光源為參考光源,光源直線排列,相鄰光源間距 0.35 m。光源設備為美國CREE公司的XML-Q5系列光源,加裝防水罩后,線性排列在母船頂部的接駁裝置底部。

1.3 水池實驗介紹

實驗用于采集圖像序列的單目視覺跟蹤系統是由以下硬件組成:單目低照度黑白攝像機Tornado、DH-VT111圖像采集卡、24 V穩壓電源和Windows系統的圖像存儲設備如圖 3所示。其中,圖像采集卡是單目黑白攝像機和圖像存儲設備的橋梁,用來將攝像機采集到的圖像傳送到圖像存儲設備中,單目黑白攝像機靠24 V穩壓電源來供電。攝像機的安裝如圖4所示。

圖3 圖像存儲系統Fig.3 Image storage system

圖4 攝像機的安裝Fig.4 Installation of camera

線性目標光源陣列見圖 2,系統由 3個 XMLQ5系列光源經防水處理后組成,并被固定在一條直線上。線性目標光源陣列及手工添加的偽光源和尼龍繩共同構成光源系統如圖5所示;實驗環境是一個長10 m,寬5 m,深5 m的水池,如圖6所示。

2 目標導引燈陣定位方法

2.1 目標導引燈陣識別

2.1.1 方法介紹

圖5 手動添加的偽光源Fig.5 Pseudo light source added manually

圖6 5 m深水池Fig.6 Water pool of 5 meters in depth

在 UUV近距離接駁階段,基于單目系統的UUV視覺目標跟蹤由位于UUV腹部正中心的攝像機采取原始圖像。而原始圖像常常受到噪聲的影響,使目標跟蹤產生誤差。因此,需要對原始圖像進行預處理,并根據實際情況提取出其突出特征,以提高視覺目標跟蹤的穩定性和精度。最后,結合數學形態學對目標光源區域的輪廓進行修正。引入數學形態學處理目標光源可以有效去除造成誤差的小塊干擾區域,為目標光源特征值的提取提供條件[8]。

2.1.2 改進大津法

在水下接駁 UUV過程中,單目攝像機獲取的圖像中,線性目標光源區域就整幅圖像而言相對較小,考慮到目標光源區域與背景的對比度反差較大,采用閾值分割的方法將會很有效果。但是,在應用傳統的大津法[9]進行閾值分割時,由于水下光的散射,水下光源圖像附近部分背景區域容易被錯判為光源目標,而且常常伴隨著較大的干擾,極容易造成分割失敗。經過對水下線性目標光源直方圖分析,發現目標光源區域的灰度值在不同光照條件和成像距離下總是最大的,如果能選擇足夠精確的分割區間,再通過大津法就能得到合適的閾值。

基于此,提出對現有大津法的改進方法如下:

1)統計原始圖像I0灰度值,得到其灰度值直方圖;

2)求出灰度直方圖中的所有極大值點,記除最高亮度外,擁有最高灰度值T0的極大值點;

3)取圖像I0中大于灰度值T0的所有灰度值存入數組A;

4)用傳統大津法獲得數組 A中的最佳分割閾值T1,并對原圖I0進行閾值分割,即可獲取分割后的圖像。

2.1.3 改進大津法光源目標提取實驗

取單目攝像機采集到的單幅圖像(見圖 7),將其命名為I2,利用傳統大津法對I2進行處理(見圖8)。可知,在單幅圖像中目標光源所在區域灰度值較高且所占比例較小,用傳統大津法并不能有效地分離出目標光源區域的特征。

圖7 原始圖像Fig.7 Original image

圖8 傳統大津法處理后的圖像Fig.8 Image processed by traditional Otsu method

采用文中提到的改進后的大津法對單幅圖像I2進行處理,得到的效果圖見圖9,可見改進后的大津法可使線性目標光源所對應灰度值的像素個數在全幅圖像的比例得到提高,進而降低了對目標光源特征提取過程中存在的誤差,達到較好的閾值分割效果。

圖9 改進大津法處理后的圖像Fig.9 Image processed by improved Otsu method

2.2 目標導引燈陣跟蹤

2.2.1 方法介紹

在近距離視覺導引階段,常常需要 UUV克服水下各種干擾,實現對回收平臺的跟蹤。文中對目標導引燈陣的跟蹤主要是利用改進的核相關濾波(kernel correlation filters,KCF)算法[10],該算法是在 KCF跟蹤算法基礎上加入對目標尺度變化的跟蹤[11]。在 UUV水下接駁視覺導引燈陣的定位過程中,采用該改進算法常常會由于偽光源的出現而導致跟蹤失敗。因此文中利用二進制大對象(binary large objects,BLOB)分析描述特征結合改進多尺度KCF跟蹤算法。實驗中,文中所提出的改進方法能夠較好地跟蹤帶有偽光源的目標光源。

2.2.2 算法原理

1)加入尺度變化的KCF跟蹤方法

KCF算法的核心是通過對基礎樣本循環采樣,獲得樣本矩陣,通過離散傅里葉變化對角化,利用方向梯度直方圖(histogram of oriented gradient,HOG)多通道特征訓練樣本獲得的分類器做到快速檢測。加入尺度變化的KCF算法[11],通過選擇一系列的尺度因子,獲得尺度的金字塔,之后利用雙線性插值法獲取一個固定的尺寸,并依據KCF檢測,獲取響應最大的尺度,作為新目標的位置和目標框大小。

2)結合 BLOB特征分析的改進多尺度 KCF跟蹤方法

在 UUV水下回收階段視覺跟蹤過程中,往往由于水底的白色區域或者接駁站的反光,抑或水中的發光體、懸浮物反光等偽光源的出現導致跟蹤失敗,這是由于偽光源與真實導引燈陣光源有極大的相似性,而KCF具有跟蹤速度快、有一定的抗遮擋和一定的背景光變換適應能力,在水下目標跟蹤中具備良好的性能。基于此,文中利用BLOB特征對偽光源進行特征描述,結合帶尺度變化的KCF算法。通過分析真偽光源的特點可得出偽光源與真光源在緊度、不等軸度、圓度、粗糙度、距離標準差、實心度及凸度7個BLOB算子描述向量中的不同估計,由此可在 KCF中利用BLOB特征對偽光源進行特征描述,并加以分類。

2.2.3 目標導引燈陣跟蹤實驗

實驗使用的測試樣本是在實驗室中錄制的約300幀添加偽光源后的目標光源移位的圖像序列。實驗環境如下:Windows 10 64位操作系統、64位MATLAB 2018a、英特爾i7 4720HQ處理器及8 GB內存。錄制的圖像序列中每張圖像的分辨率為640×480。

為了單獨測試跟蹤算法的性能,通過手工標注第1幀圖像中的目標跟蹤區域,用如圖10矩形框住的區域,矩形中還有少量的背景區域作為樣本,可以提高分類器的抗干擾能力。對基準圖像(框中標注的圖像區域)進行循環移位可以構造大量的訓練分類器的樣本圖像。實驗跟蹤的過程中提取任意的3幀圖像,如圖11所示。

圖10 手動標注出的第一幀圖像Fig.10 The first frame image manually marked

圖11 加入偽光源后任意提取的3幀圖像Fig.11 Arbitrary three frame images extracted after adding pseudo light source

文中選擇較為主流的評價標準Benchmark[12]來評價KCF跟蹤方法對目標光源的跟蹤性能,其判別的過程主要利用2.1節提出的目標提取算法提取目標光源區域,之后,對提出的改進跟蹤方法進行實驗。對于KCF跟蹤方法,文中利用的是其中的精確度曲線指標。

結合上述3幀圖像及對圖片序列仿真的過程可以看出,在添加偽光源后,KCF跟蹤方法對線性目標光源區域跟蹤效果仍然表現良好,得到的基于Benchmark的精確度曲線[12]如圖12所示。

圖12 加入偽光源后基于Benchmark的精確度曲線Fig.12 Precision curve based on Benchmark after adding pseudo light source

結合該精確度曲線[12],由實驗計算出 KCF跟蹤方法跟蹤線性目標光源區域時的精確度為0.970,每秒傳輸幀數(frames per second,FPS)為48.67。在UUV跟蹤實驗中,精確度較高,在實時性上,視覺跟蹤的FPS為48.67,遠大于UUV控制系統的每秒2拍的采樣速度,符合實驗要求。

2.3 UUV四自由度視覺定位方法

按照規劃,在UUV視覺導引定位階段,UUV已經開始了近距離的視覺導引定位,此時,UUV在接駁站的上方,實驗條件下只需考慮橫向、縱向、垂向以及艏向4個自由度。橫傾角和縱傾角的變化不作考慮。水池實驗條件下,經傳感器測定縱傾角的最大值為 5°,橫傾角的最大值更小,對實驗的影響不大,因此只需研究四自由度定位方法。

當導引目標是線性目標光源陣列時,利用單目視覺技術可以在不同條件下對其進行位置測量。由于線性目標光源陣列各光源間的距離已知,相當于確定了其具體尺寸,利用單臺攝像機即可獲得它的三維坐標。根據攝像機獲取的單幅圖像,可以對目標光源陣列進行四自由度定位。定位過程中,參考光源和 2個普通光源都應該進入攝像機的拍攝范圍內。

在滿足包括參考光源在內至少有3個光源進入攝像機范圍內的條件下,設距離最遠的 2個光源分別為L1和Ln,則向量LnL1和艏向方向相同,可以通過兩光源與其在單幅圖像上對應的兩點所組成的向量LnL1和物理圖像坐標系X1的夾角來確定。將艏向角記為正方向為順時針。兩點的坐標分別記為（x1,y1）,則可以由式(1)來估計相對艏向角[13]

3 實驗結果與分析

為了衡量實驗的定位精度,使用技術較為成熟的超短基線(ultra short baseline,USBL)[14]定位系統測得的方位和距離值作對比,以人工標定的水平位置(UUV 船艏指向方向)和縱向位置(垂直于 UUV船艏指向方向)作為基準,分別以視覺測量數據和 USBL測量數據與基準的差值作為偏差。由于聲音在水池中的反射與疊加,在水池實驗中USBL常常會出現無示數或示數產生巨大跳變的情況,因此,實驗進行了多次測量,選取USBL數據和視覺數據同時有效的部分進行分析,數據分析如圖13所示。

圖13 視覺-超短基線定位偏差對比Fig.13 Comparison of positioning deviations between vision and ultra-short baseline(USBL)

根據實驗和數據分析可知:如圖13(a)和圖13(b)可知,視覺和 USBL的變化趨勢是相同的,將這2張中2組數據繪制出如圖13(c)的水平定位偏差圖,分析數據發現,視覺導引和 USBL結果存在偏差,近似為一個0.4 m的定值。經分析,導致偏差的原因與單目攝像機的機械安裝誤差有關,可通過加入一個常數項進行誤差補償,將誤差控制在 0.1 m以內。同時,實驗論證了該視覺導引燈陣定位方法在近距離定位時,獲取位置信息的質量相對于USBL具有更高的穩定性。

4 結束語

文中針對 UUV自動接駁中的視覺導引定位問題做出了研究,給出了一個簡易可行的導引機械結構方案,提出了有效、穩定的UUV視覺導引燈陣定位方法,并對于所提出的方法進行了水池接駁實驗驗證。文中方法雖然在普適性上不占優勢,但是針對水下導引燈陣的定位問題有著較高的實用性。

今后可對以下方面進行研究和改進。

1)選擇質量更好的導引燈陣。水下環境光源散射現象嚴重,若選取更好的燈陣方案,可以增加燈陣識別距離和提高識別效果。

2)進行多場景的實驗驗證。文中只進行了水池接駁實驗,然而,對UUV的自動接駁研究是為了日后運用到更加復雜的場景下,因此需要多場景下的實驗驗證。

3)對遮擋問題進行研究。考慮到 KCF算法本身有一定的抗遮擋能力,文中對于有遮擋條件下的導引燈陣跟蹤問題沒有做深入的探討。

但是對于 UUV自動接駁來說,導引燈陣被遮擋引起的接駁失敗也時常發生,因此,解決遮擋問題十分重要。