一種基于圖像處理的艦載無人機識別定位方法設計

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)

0 引 言

無人機具有生存能力強、機動性能好、飛行環境要求低等優點，廣泛應用于空中偵察、戰場監視、遠程打擊等場合，在現代海軍裝備中，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，隨之出現自動起落以及自動執行任務無人機，為了配合無人機自動起落，需要系統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，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。

1 無人機圖像提取處理

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送其位置到無人機，作為無人機調節位置的反饋，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生差值，通過兩者作差即可提取出該物體，實現物體與背景分離的目的[4]。

1.1 背景分離預處理

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 空間數據，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為紅色數據，G為綠色數據，B為藍色數據。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，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為紅色數據；G為綠色數據；B代表藍色數據。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

1.2 背景差圖像處理

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，屬于前景像素點數占整幅圖像比例記為 ω0，其平均灰度 μ0； 背景像素點數占整幅圖像比例為 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的像素個數記作N0，像素灰度大于閾值T的像素個數記作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。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?？梢?，應用OTSU 算法可以正確地實現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

2 無人機識別定位

2.1 霍夫直線變換算法原理

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斜率和截距(m,b) 表示，在極坐標系下由參數極徑和極角 (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，交點曲線數目超過閾值，代表參數對 (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。根據算法原理進行檢測圖像中直線，霍夫直線檢測具體的實現流程如圖3 所示。

圖3 霍夫直線變換算法實現流程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。

2.2 無人機位置確定

根據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)參數對，對閾值之內的2 族參數對(r,θ) 分 別 取 平 均，得 到2 對 參 數 (r1,θ1) 和 (r2,θ2)，分別對應圖像空間中一條直線。將該參數對代入便可以得到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

3 系統實驗測試

本實驗采用大疆M100 開發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，可實現外部設備接入，開發方便，穩定性高，為測試提供了穩定的檢測目標。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

4 結 語

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，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。需要在后續工作中引入動態背景算法，以提高該方法的適應性，提高無人機精準降落的可靠性。