基于光斑輪廓特征的目標快速識別算法研究

謝忠旭,王志乾,沈鋮武,劉 旭,孫浩洋,鄭博文,成 順

(1.中國科學院長春光學精密機械與物理研究所,吉林 長春 130033;2.中國科學院大學,北京 100049)

1 引 言

地面視覺引導無人機著陸系統,依靠檢測安裝在無人機上的合作目標來完成系統對無人機的捕獲與追蹤,并實時解算出無人機相對跑道的位置,最終完成著陸引導[1-3]。不同的合作目標所設計的識別算法各不相同,但都需要滿足定位精度和引導系統的實時性要求[4]。

在光斑檢測方面,李天宇[5]提出了一種基于高斯擬合的信號彈光斑中心定位方法,該方法能夠在保證速度的同時達到亞像素精度。沈天浩[6]針對傳統灰度重心算法提出了優化方案,利用該算法可有效提高系統的抗干擾性和實時性,完成對激光光斑的快速捕獲。針對遠場不規則光斑的能量中心校準問題,何佳凱[7]提出了一種基于自適應disk掩膜的激光光斑中心檢測算法,該方法在近場光斑與遠場不規則光斑的中心檢測均具有優異魯棒性和準確性。為了提高圖像中光斑中心位置的定位精度,Zhu J[8]在橢圓擬合算法的基礎上進行了改進,改進后的算法可以有效地降低圖像中高斯白噪聲的影響,提高了抗干擾能力和定位精度。Zhao H[9]基于基線法的迭代雙面積收縮方法,提出了一種提高定位精度的激光光斑定心方法。該方法具有較強的抗背景噪聲干擾能力,最大定位精度可達0.05像素。

本文首先將實驗采集到的光斑圖像進行特征分析,其次根據光斑在圖像上的輪廓特征,利用圖像處理技術完成光斑的檢測。最后將多種光斑檢測算法的運行時間與定位結果進行對比,證明本實驗算法的可靠性與實時性。

2 光斑特征分析

本文的視覺著陸引導系統是多傳感器融合系統,主要由二維轉臺、激光發射器、CCD相機、合作目標組成,如圖1所示。

圖1 著陸引導示意圖

合作目標為角錐棱鏡,能夠將著陸引導系統發射的激光原路返回。當無人機進入視場后,合作目標反射回的激光光束,在CCD相機成像為光斑圖像。依靠圖像處理算法對光斑進行實時檢測,得出光斑中心與視軸中心的偏差,利用該數值完成對無人機的捕獲與追蹤。

CCD相機的光斑圖像如圖2所示,圖(a)為光斑實驗圖像,圖2(b)為該圖的光斑放大圖,圖2(c)為光斑放大圖像的三維灰度分布圖。根據圖像中光斑的特征[10-11]進行如下分析:

圖2 光斑圖像及三維灰度分布圖

(1)光斑中心區域的灰度值,明顯高于周圍背景的灰度值,且中心區域的灰度分布均勻,在光斑邊緣處灰度值下降迅速;

(2)圖像中光斑的大小隨著CCD相機與合作目標的距離而變化;

(3)圖像中光斑成像的效果與激光光束照射到靶面的角度有關,當光束與靶面呈垂直關系時,成像效果最好;平行關系時,成像效果最差;

(4)合作目標反射回的光束在CCD相機表面會產生散射現象,導致光斑邊緣產生毛刺。

3 光斑檢測算法

3.1 基于最大熵值法的光斑檢測算法

原始圖像的背景環境復雜,要在圖像中準確地提取出光斑,需要將原始圖像進行圖像預處理操作,由于圖像尺寸大,整體圖像的灰度值分布不均勻,因此需要選擇7×7模板的均值濾波才能有效的抑制噪聲。將濾波后的圖像進行閾值分割,經典的閾值分割方法有OTSU(大津法)、最大熵值法[12]、自適應閾值法、直方圖技術。其中最大熵值法的熵值定義為:

(1)

其原理是設定一個閾值q(0≤q

(2)

(3)

總熵為:

H(q)=H0(q)+H1(q)

(4)

該方法在目標明顯、環境復雜的條件下,目標提取效果較好。閾值分割后,圖像中只保留了光斑信息。為了降低圖像的運算量,將光斑從大尺寸的二值圖像中裁剪出來,而后進行形態學處理、Canny算子邊緣檢測、最終利用橢圓擬合法得到中心坐標,整體流程如圖3所示。

圖3 基于最大熵值法的光斑檢測算法流程圖

3.2 基于亮度調節的光斑檢測算法

由于最大熵值法的數學模型簡單,在背景復雜、總熵值高的情況下,能夠有效地將光斑與背景分離,當背景單一時,分割效果相對其他傳統閾值分割算法差。而合作目標最終需要安裝在無人機上,背景環境無法預測,因此采用最大熵值法進行圖像分割有很強的不確定性。

針對原始圖像分辨率高、尺寸大的問題,基于亮度調節的光斑檢測算法是采用了2×2模板對原始圖像進行處理,通過只保留模板左上角灰度值的方式,將原始圖像的分辨率與尺寸都由2592×2048降為1296×1024。根據光斑特征可知,光斑與背景的灰度值相差大、對比度強。利用gamma變換對圖像進行亮度調節,將整體圖像變暗,從而降低背景對光斑的干擾,再通過大津法進行閾值分割[13],而后進行目標裁剪、形態學處理、Canny算子邊緣檢測,最終利用橢圓擬合算法完成中心定位,整體流程如圖4所示。由于該方法將整體圖像尺寸的橫縱坐標各縮小2倍,得到的光斑中心位置并不是原始圖像中光斑的真實位置,因此需要將中心坐標橫縱坐標值擴大2倍。

圖4 基于亮度調節的光斑檢測算法流程圖

圖5 基于輪廓特征的快速檢測光斑算法流程圖

3.3 基于輪廓特征的快速檢測光斑算法

在大尺寸、高分辨率的圖像中,光斑僅占原始圖像中的一小部分,進行任何圖像處理操作時,都會因圖像尺寸大導致運行時間長,無法滿足系統的實時性要求。本算法采用目標裁剪方法,將光斑從原始圖像中裁剪出來,以此達到降低整體圖像運算量的目的。該方法利用圖像中光斑中心處灰度值最大這一特征信息,通過尋找圖像中的最大灰度值,來確定光斑中心處的大致位置;而后設定光斑邊緣處的灰度閾值,以最大灰度值到該閾值對應的位置范圍,為光斑在原始圖像的大致范圍,再增加一定的預留量后,將原始圖像進行目標裁剪;該方法能夠有效地將光斑從背景中裁剪出來。圖像中可能會存在干擾光源,導致目標裁剪后的圖像尺寸仍然很大,因此需要設定一個裁剪面積閾值,當裁剪下的圖像面積小于閾值時,則進行后續的圖像處理,否則將重新讀取下一幀圖像。

圖像的清晰度和光斑邊緣的平滑程度直接影響了后續中心定位的精度,而在目標圖像中背景的灰度分布不均勻,圖像中還可能存在背景噪聲和CCD讀出噪聲[14]。因此采用3×3模板的均值濾波將目標圖像模糊化,而后將分割閾值設為最大灰度值減去實驗值,進行閾值分割。閾值分割后光斑邊緣仍有少量毛刺存在,通過對目標圖像進行先開運算,后閉運算的形態學處理,可以去除掉黑色背景中可能存在的白色干擾點,又能將光斑邊緣平滑,以此操作保證邊緣檢測后的圖像是閉合的。

傳統的邊緣檢測算子有很多,其中Canny算子、Sobel算子、Laplacian算子,由于圖像中目標單一,且經過閾值分割后圖像清晰,因此采用上述三種算子都能有效地提取出的光斑邊緣。其中Laplacian邊緣檢測算法的運行時間短、檢測出的邊緣清晰,所以本算法采用Laplacian算子對光斑圖像進行邊緣檢測。再對得到的光斑邊緣圖像進行中心定位,傳統的定位方法有質心法、霍夫圓法、橢圓擬合法[15-17]。其中橢圓擬合法是基于邊緣信息的中心定位方法,與本文算法中光斑特征篩選契合度高,因此采用橢圓擬合法進行中心定位,本算法的整體流程圖如5所示。

4 實驗驗證與分析

4.1 實驗平臺

本文實驗設備主要由二維轉臺、CCD相機、激光發射器、以及安裝在無人機的合作目標組成。其中合作目標是由4個角錐棱鏡構成,本實驗設備如圖6所示。本實驗算法運行在一臺工控機上,軟件使用Visual Studio 2015將系統設計成MFC界面的形式,使用開源計算機視覺庫(OpenCV)對圖像進行處理,采用C++進行軟件編程,本實驗設備整體參數如表1所示。

表1 實驗設備參數

圖6 實驗設備圖

4.2 圖像處理過程分析

為了更詳細地分析不同光斑檢測算法的圖像處理過程,分別采用上述三種光斑檢測算法處理相同的4幅實驗圖像,基于最大熵值法的光斑檢測算法圖像處理過程如圖7所示,基于亮度調節的光斑檢測算法圖像處理過如圖8所示,基于輪廓特征的快速檢測光斑算法圖像處理過如圖9所示。

圖7 基于最大熵值法的光斑檢測算法圖像處理過程圖

圖8 基于亮度調節的光斑檢測算法圖像處理過程圖

圖9 基于輪廓特征的快速檢測光斑算法圖像處理過程圖

4.3 檢測結果分析

上述三種光斑檢測算法處理相同的實驗圖像后,得到的光斑中心結果如表2所示。總體運行時間,如表3所示。

表2 光斑中心坐標

表3 總體運行時間(單位:ms)

由表2、表3可知,三種光斑檢測算法得出的光斑中心坐標大致相同,而本文提出的基于輪廓特征的快速檢測光斑算法,在保證定位精度與準確性的同時,大大縮減了算法的檢測時間,其中最長運行時間僅為35.8 ms。

5 結 論

針對快速檢測大尺寸光斑圖像的問題,本文提出了基于輪廓特征快速檢測光斑算法。該算法通過目標裁剪的方法,將光斑從原始的灰度圖像中裁剪出來,以達到降低整體圖像運算量的目的。裁剪后的目標圖像中存在著噪聲和毛刺,本文采用圖像預處理、形態學處理等操作,從而消除無關信息對目標圖像的干擾,并讓光斑邊緣變得平滑。最后將基于輪廓特征的快速檢測光斑算法與其他算法進行對比,實驗結果表明該算法不僅可以保證定位的精度與準確性,還有效地降低了算法的運行時間,證明了該算法的實時性與可靠性。