面向ARV的視覺輔助水下對接方法研究

魏志祥，吳 超

(上海交通大學 船舶建筑與海洋工程學院，上海 200240)

在水下機器人研究領域，水下對接技術是一個研究熱點，具有重要的科學意義和實用價值。在水下機器人的開發應用中，遠距離的水下通信、長時間水下作業的能源供給及信息交換等問題是困擾水下機器人發展的幾個核心問題[1]。如果能有一個合理、有效的深水對接和釋放水下機器人的方法，將使潛水器的水下作業范圍、水下隱蔽性能得到大大提高，也可節省大量回收釋放時間。面向自治纜控水下機器人(ARV)，針對ARV完成水下作業后與中繼器一起回收的需求，利用ARV實現與中繼器的水下對接并通過鎧裝臍帶纜起升完成整體回收。在這個過程中，水下對接技術是一項關鍵技術。

自治纜控水下機器人是一種面向極端環境或特殊使命任務、集AUV和ROV技術特點于一體的多功能水下機器人。ARV自帶能源并通過光纖微纜實現與水面控制臺的實時通信和數據交互，其多操控模式靈活切換機制及人機共融的技術特點可以保障其在復雜海洋環境下實現高難度的使命任務[2]。當ARV在深海作業時，布放和回收需要花費很長時間，如果作業海域海況較差，回收過程還會增加一定風險。為了提高ARV的水下作業時間、工作效率和降低風險，研究有效的水下對接技術顯得尤為重要[3]。

國內外研究人員針對水下對接技術的研究中，在近距離引導方面一般采用視覺引導的方式。利用視覺技術輔助水下對接的方法主要分為兩類。一是在對接口周圍布置水下燈，利用視覺伺服算法對水下機器人進行定位[4-5]。該方法優點是作用距離較遠，但是由于光的散射作用，在圖像處理時對水下燈的光心估計存在較大誤差，因此布置水下燈引導定位的方式大多應用于對接精度較低的場景。另一種方法是在對接口附近布置特定圖形的識別面板，利用SLAM算法識別面板上的特征點從而對水下機器人進行位姿估計[6-7]。這種方法的優點是定位精度高，但是計算量較大，而且由于水下光照不足導致特征點誤匹配率較高。其他定位方法的研究中，Figueiredo等[8]以3個圓球為觀測目標，利用四元數解算相對位姿關系。Park和Kim[9]采用基于模型的位姿估計方法，并加入了kalman濾波器平滑估計值，實現了ROV 在水下對特定模型的高精度定位。在大多數水下對接的方法中都存在精度不足或者計算量大的缺點，并不能很好滿足計算資源有限的ARV水下高精度對接的技術特點。

針對ARV水下對接系統中高精度對接的需求，對近距離視覺引導水下對接技術展開研究。基于反射光散射較弱的特點，設計了在框體對接裝置的入口處布置反光帶的方案，以反光帶為目標設計了圖像處理和特征點提取的算法，建立單目視覺系統輔助對接，并針對水下對接的準確度和實時性的要求對算法進行優化，通過對反光帶頂點的識別定位對接裝置，同時解算出目標的空間坐標，從而快速獲得ARV相對于對接裝置的位置和姿態。最后通過與引導燈方案的對比試驗，驗證本文算法的有效性，為潛水器實現水下自主對接提供參考依據。

1 圖像處理

參考傳統水下對接方法中的引導燈方案，考慮到直接光源的散射以及易被周圍環境干擾的特點，采用反射光源引導ARV水下對接。利用反射光散射小，辨識度高的特性，設計了基于反光帶的視覺輔助水下對接系統，如圖1所示，適用于水面工作人員在視覺引導下完成高精度的水下對接任務，以及實時為操作者反饋數據。本系統在中繼器導向口框架上布置反光帶，為了視覺引導的方便，反光帶盡量使用規則的方形。導向口框架的頂點處安裝水下燈，用作反光帶的光源，并且不直射于導向口正對方向。ARV本體部分，首部端平面內布置攝像機，攝像機安裝位置為ARV首部端平面正中心，在正常對接時，攝像機與中繼器導向口中心連線需要同ARV航行方向平行，用以保證目標識別后解算出的攝像機位姿即為ARV本體位姿。

ARV水下對接采用視覺系統輔助對接，目標為中繼器對接口反光帶頂點，目的是精確、快速地捕捉目標，從而實時獲取目標在圖像坐標系的坐標，并解算出ARV相對于中繼器的位置和姿態。視覺輔助對接系統的第一步是對獲取的圖像進行特征提取。具體步驟如圖2所示。為驗證視覺算法的可行性，拍攝中繼器圖片進行處理，其中導向口正對攝像頭，如圖3所示。

圖2 圖像處理流程

圖3 中繼器圖像

1.1 顏色檢測

由于反光帶并不是直接光源，如果使用直接閾值處理二值化后的圖像效果甚微。因此采用顏色檢測的方式，突出反光帶特征。顏色檢測一般采取將RGB色彩空間轉換到HSV色彩空間的方式。在HSV顏色模型中，H代表色調，S代表飽和度，V代表亮度。轉換公式如式(1)所示。

(1)

利用HSV色彩空間的色調值、飽和度、亮度作為圖像分割閾值，并使用形態學操作對中繼器圖像進行處理，突出反光帶特征。效果圖如圖4所示。

1.2 邊緣提取

經過顏色檢測突出反光帶特征后，需要繪制出圖像的外形特征。采用canny算子[10]實現邊緣提取，便于后期的特征點提取。為消除冗余信息，首先使用高斯平滑濾波器卷積降噪，這里使用size=5的高斯內核，然后運用一對卷積陣列(分別作用于x和y方向)，計算梯度幅值和方向，如式(2)所示。利用非極大值抑制技術排除非邊緣像素， 僅保留一些細線條(候選邊緣)，然后通過設置兩個滯后閾值(高閾值和低閾值)獲取邊緣圖像，如圖5所示。

(2)

1.3 直線檢測

為了精確定位特征點坐標，采用檢測邊緣圖像中的直線特征的方式，輔助完成圖片特征點的快速提取。霍夫變換[11]是常用的提取直線特征的方法，采用累計概率霍夫變換[12]，目的在于更加快速地尋找直線特征，減少計算的時間成本。

在霍夫變換中，采用極坐標系表示直線，即用式(3)表示直線。對于點(x0,y0)，可以利用式(4)統一定義通過該點的一族直線。對(x0,y0)在極坐標對極徑極角平面繪出所有通過它的直線，將得到一條正弦曲線。對所有點進行上述操作，如果兩個不同的點經過上述操作后得到的曲線在平面θ-r相交，說明它們經過同一條直線。霍夫線變換要做的就是追蹤圖像中每個點對應曲線的交點，如果交于一點的曲線數量超過了閾值，就可以認為該點代表的參數對(θ0,r0)在原圖像中為一條直線。

(3)

r0=x0cosθ+y0sinθ

(4)

使用的累計概率霍夫變換，比標準霍夫變換更精確、更快速。首先隨機獲取邊緣圖像上的前景點，映射到極坐標系畫曲線；當極坐標系里面有交點達到最小投票數，將該點對應xy坐標系的直線L找出來；最后搜索邊緣圖像上前景點，在直線L上的點(且點與點之間距離小于設定閾值的)連成線段，然后這些點全部刪除，并且記錄該線段的參數(起始點和終止點)。效果圖如圖6所示。

2 視覺定位

基于水下對接的任務需求，ARV需要精準對接尺寸與其相當的對接口，因此設計的視覺輔助對接系統采用識別反光帶四個頂點的高精度定位方法。而圖片特征點的提取就成為事關對接成敗的關鍵。提取特征點之后，需要解算攝像機位姿，實現ARV定位，從而輔助完成ARV水下對接任務。

2.1 特征點提取

圖7 特征點提取流程圖

在上一步的圖像處理過程中，得到了圖片的邊緣圖像，如果直接采用角點檢測再篩選特征點的方式，計算量相對較大，不符合設計的視覺輔助系統實現快速定位的實時性要求。因此優化算法，利用霍夫變換獲取邊緣圖像的直線特征，再通過圖像的直線信息提取特征點，極大地減少了計算量，并提高了識別的準確性。具體流程如圖7所示。

經過霍夫線變換得到邊緣圖像的直線特征，并獲取了直線的起始點(x1,y1)和終止點(x2,y2)，直線的數學模型如式(5)所示，任意兩直線交點的表達式如式(6)所示，遍歷圖像中的所有直線，可求出所有直線兩兩之間的交點。

(5)

(6)

由于交點的坐標位置基本都在反光帶的范圍內，設計的提取反光帶頂點的思想是，隨機抽取任意四個交點的坐標位置，比較任意四點圍成的封閉圖形(可能是四邊形，也可能是三角形甚至是直線)的面積，圍成面積最大的四邊形的四個交點即為反光帶頂點。為了方便求解四點圍成的封閉圖形面積，需要建立統一的面積公式：

(7)

(8)

這種算法雖然可以確定反光帶頂點，但是遍歷了四次直線特征的交點，時間復雜度是O(n4)，浪費了大量時間資源，也不滿足實時性的要求，所以需要改進算法。

(9)

通過設計的算法快速精確地篩選關鍵信息，提取特征點，效果圖如圖8所示。圖中四個三角點為檢測出的反光帶頂點，小圓點為其余直線特征形成的交點。

圖8 效果圖

圖9 坐標系描述

2.2 位姿估計

提取特征點之后，需要解算攝像機位姿。也就是將特征點在像素坐標系中的坐標變換到世界坐標系的坐標。單目視覺位姿估計理論的基礎在于攝像機的針孔成像模型，如圖9所示，成像過程涉及到四個坐標系：世界坐標系、相機坐標系、圖像坐標系、像素坐標系[13]。

在本文的世界坐標系{T}中，原點建立在中繼器導向口反光帶四個頂點確定的平面上，考慮到中繼器導向口邊緣近似為矩形，所以將中繼器導向口中心點設置為{T}的原點。Zt軸垂直于反光帶平面向外，Xt軸指向中繼器右舷，Yt軸豎直向下。

相機坐標系{C}中，以相機的光心為坐標原點，X軸和Y軸分別平行于圖像坐標系的X軸和Y軸，相機的光軸為Z軸，用(Xc,Yc,Zc)表示其坐標值。

像素坐標系與圖像坐標系的轉換關系如式(10)所示，其中(u0,v0)是圖像坐標系原點在像素坐標系中的坐標，dx和dy分別是每個像素在圖像平面x和y方向上的物理尺寸。

(10)

圖像坐標系與相機坐標系的轉換關系如式(11)所示，其中f為焦距(像平面與相機坐標系原點的距離)。

(11)

相機坐標系與世界坐標系的轉換關系如式(12)所示，其中R為3×3正交旋轉矩陣，t為三維平移向量。

(12)

所以像素坐標系到世界坐標系的轉換關系如式(13)所示。

(13)

(14)

(15)

方程(15)中有9個未知數，每個特征點可以提供兩個獨立的方程，再結合r和r2正交的條件，所以至少需要4個特征點才能使用最優解法解得姿態矩陣[R,t]。

圖10 視覺輔助系統

轉換為PnP問題求解位姿后，建立視覺輔助系統，如圖10所示，圖中白色十字準心代表相機正中心，粗黑色十字準心代表中繼器入口正中心點在圖像中的位置，當兩個十字準心重合時，表示ARV本體正對于中繼器，即可以成功對接。ARV本體實時位姿根據PnP算法解算并將歐拉角信息顯示在實時圖像上。中繼器入口正中心點在圖像位置的求解過程下式所示，其中s為相機在Z軸的坐標值，M為相機內參，pi為識別的特征點在像素坐標系的坐標，Pi為特征點在世界坐標系的坐標，P′為中繼器入口中心點在世界坐標系的坐標。

3 試驗與分析

為了驗證本方法的有效性，以及與引導燈方案的精度相比較，在水下環境進行模型試驗。試驗平臺包括矩形板、4個白光LED水下燈、反光帶、計算機、CMOS攝像頭和標定板等。矩形板大小32 cm×22 cm，模擬中繼器對接口，正中心標記十字準心，便于后期分析試驗誤差。在矩形板四個角上布置LED燈進行引導燈方案試驗，在四周布置反光帶進行反光帶方案試驗。攝像機使用Logitech的C525，分辨率為720 p，最大幀數為30 FPS，配自動對焦鏡頭。圖像識別算法基于OpenCV3.4視覺庫，在Visual Studio 2015開發環境中設計。

試驗對比近距離下引導燈方案和反光帶方案的精度和耗時，結果如圖11所示。可以看出，引導燈在水中散射嚴重，而且容易在周圍形成反光區域，可能對前處理中的光源區域預測造成影響。相比之下，反光帶在水中的邊緣更為清晰，更容易提取所需特征。

圖11 近距離試驗對比

試驗結果分別計算兩種算法識別得到的中心與矩形板中心之間的誤差，分析兩種方案的準確率。調整攝像機與目標的相對位姿，分別通過兩種方案拍攝100幀畫面，并計算每一幀耗時，結果如表1所示。

表1 試驗結果對比

為了證明算法在不同作用距離下的有效性，模擬ARV本體與中繼器由遠及近的對接過程，調整相機與目標的相對距離，設計了不同距離下的兩種方案對比試驗，并均勻采樣，記錄下矩形板中心點的理論值和兩種方案的解算值，分析兩種方案的準確度和效率。圖12記錄了相機分別距離矩形板0.5 m，1 m，1.5 m，2 m，2.5 m時兩種方案的效果圖，可以看出距離越遠，引導燈的干擾信息越多。誤差估計和計算耗時的對比如圖13～14所示。

圖12 不同距離下試驗對比

圖13 誤差估計

圖14 效率對比

結果顯示，在水下環境下，反光帶方案明顯優于引導燈方案。在近距離的試驗中，設計的基于反射光源特征識別的方案，經過將算法優化至O(n)的時間復雜度后，不僅在位置估計上更為精確(其中縱向位移優化50%)，還在計算速度上有超過40%的提升。在由遠及近的試驗中，對兩種方案而言，攝像機與目標的距離越遠，位置估計誤差越大，計算耗時越長，但是在相同距離下，反光帶方案在準確率和計算效率上均優于引導燈方案。所以相比引導燈方案，反光帶方案更適合于ARV的水下對接。

4 結 語

為了滿足ARV系統高精度水下對接的需求，針對傳統視覺引導中水下燈散射較大導致精度誤差的問題，提出了一種基于單目視覺識別反射光源的方法。以反光帶圖像為目標，設計了圖像處理和特征點提取的算法。經過顏色檢測、邊緣提取、霍夫變換等預處理，通過分析圖像的幾何特征優化提取速度。再以反光帶特征點為基礎計算ARV本體位姿，利用位姿信息輔助水下對接。最后為了驗證本方法的有效性，在水下環境設計了與引導燈方案的對比試驗。試驗結果表明：

1) 隨著作用距離增大，反光帶方案和引導燈方案的準確率和計算效率均有所下降。

2) 在距離相同的條件下，基于反射光源識別的方法有效提升了位置估計的準確率。在計算速度上，本方法較引導燈方案也有顯著提升。

試驗結果證明，本方法可以精準、快速地提取水下對接的視覺引導信息，輔助水面工作人員實現ARV與中繼器對接，提升水下對接效率與成功率。在未來的研究中，將在水下試驗中運用該方法，為實現潛水器的水下自主對接提供參考依據。