孫曉輝

摘要： 針對(duì)井下NLOS環(huán)境信號(hào)接收強(qiáng)度（RSSI）和飛行時(shí)間（ToF）定位方法存在多徑干擾和定位時(shí)延，導(dǎo)致定位誤差較大問(wèn)題，提出了基于多源傳感器的礦井移動(dòng)目標(biāo)跟蹤與定位方法。首先通過(guò)建立礦井移動(dòng)目標(biāo)跟蹤與定位模型，利用混合卡爾曼粒子濾波算法監(jiān)測(cè)井下移動(dòng)目標(biāo)的位置范圍，在閾值內(nèi)觸發(fā)CCD視覺(jué)傳感器對(duì)移動(dòng)目標(biāo)圖像信息采樣和特征提取。將預(yù)測(cè)和估計(jì)的移動(dòng)目標(biāo)坐標(biāo)轉(zhuǎn)化為CCD視覺(jué)傳感器的圖像物理坐標(biāo)系坐標(biāo)，并進(jìn)行特征匹配圖像的分割，以縮小CCD視覺(jué)傳感器的特征匹配范圍，提高匹配速度。最后利用SIFT算法對(duì)已訓(xùn)練圖像與采集的目標(biāo)圖像進(jìn)行特征匹配并對(duì)移動(dòng)目標(biāo)進(jìn)行融合定位，根據(jù)CCD視覺(jué)傳感器所在基站位置獲取和校正礦井移動(dòng)目標(biāo)的準(zhǔn)確位置信息，實(shí)現(xiàn)實(shí)時(shí)跟蹤與精確定位。實(shí)驗(yàn)表明，與其他算法相比，在視覺(jué)傳感器監(jiān)測(cè)閾值內(nèi)，本文方法能夠有效提高定位精度和實(shí)時(shí)性，對(duì)井下目標(biāo)遮擋、低照度和噪聲環(huán)境下移動(dòng)目標(biāo)跟蹤與定位具有較強(qiáng)的魯棒性。

關(guān)鍵詞： 礦井；混合卡爾曼粒子濾波算法；SIFT算法；CCD視覺(jué)傳感器；跟蹤與定位

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）09-0252-04

Abstract： For underground NLOS environment， signal reception intensity （RSSI） and time of flight （ToF） location methods exist multipath interference and location delay， resulting in large positioning error. A mine moving target tracking and location method based on multi-source sensor is proposed. First， a mine moving target tracking and positioning model is established. The hybrid Calman particle filter algorithm is used to monitor the location range of the underground moving target， and trigger the CCD vision sensor to sample and extract the moving target image information within the threshold range. The predicted and estimated coordinates of the moving target are transformed into the coordinates of the image physical coordinate system of the CCD vision sensor， and the feature matching image is segmented so as to reduce the feature matching range of the CCD vision sensor and improve the matching speed. Finally， the SIFT algorithm is used to match the features of the trained image and the acquired target image， and the hybrid Kalman particle filter algorithm is used to fuse the moving target. So that the accurate position information of mine moving target can be acquired and corrected by using the location of the base station where the CCD vision sensor is located， so as to realize real-time tracking and precise positioning. Experiments show that compared with other algorithms， the proposed method can effectively improve location accuracy and real-time performance in vision sensor monitoring threshold， and it has strong robustness for moving target tracking and location in underground target shelter， low illumination and noise environment.

Key words： mine； hybrid Kalman particle filter algorithm； SIFT algorithm； CCD vision sensor； tracking and location

1礦井移動(dòng)目標(biāo)定位現(xiàn)狀分析

現(xiàn)階段煤礦井下移動(dòng)目標(biāo)的定位精度和實(shí)時(shí)性不足，而隨著礦山智能開(kāi)采對(duì)信息化、智能化的要求越來(lái)越高，高精度、高實(shí)時(shí)性的移動(dòng)目標(biāo)定位對(duì)保障礦井人員避險(xiǎn)和智能安全開(kāi)采具有重要意義[1-2]。目前，已經(jīng)有一些基于RFID、WIFI和UWB等定位技術(shù)，以及RSSI、TOA、AOA等定位算法在井下定位中得到較為廣泛的應(yīng)用，但上述定位技術(shù)和定位方法受設(shè)備自身時(shí)延、井下NLOS環(huán)境的多徑干擾、井下電磁波傳輸衰減影響，導(dǎo)致RSSI、TOA和AOA等定位算法對(duì)移動(dòng)目標(biāo)定位精準(zhǔn)度上仍顯不足 [3-5]。

機(jī)器視覺(jué)跟蹤與定位技術(shù)具有定位精度高、抗干擾能力強(qiáng)和可遠(yuǎn)距離獲取目標(biāo)圖像等特點(diǎn)[6-8]，其在非接觸測(cè)量、智能監(jiān)控、目標(biāo)跟蹤與識(shí)別方面的應(yīng)用成為研究熱點(diǎn)， 已引起國(guó)內(nèi)外學(xué)者廣泛關(guān)注。S. Sokolov研究了Moravec算法的圖像特征識(shí)別方法，該方法識(shí)別率較高，但由于沒(méi)有對(duì)圖像進(jìn)行降噪處理，導(dǎo)致該算法對(duì)于圖像噪聲十分敏感[9]；張磊等提出結(jié)合SURF與Kalman濾波的CAMShift跟蹤算法[10]，提高了圖像識(shí)別的穩(wěn)定性和識(shí)別率；文獻(xiàn)[11]提出了基于SIFT特征的目標(biāo)多自由度mean-shift跟蹤算法，但是SIFT算法的特征點(diǎn)提取需要采取金字塔分層方式，運(yùn)算、匹配耗時(shí)較大。而且上述算法在礦井中的研究和應(yīng)用相對(duì)較少。

針對(duì)上述問(wèn)題，基于無(wú)線傳感理論與機(jī)器視覺(jué)理論，筆者通過(guò)建立礦井移動(dòng)目標(biāo)跟蹤與定位模型，利用混合卡爾曼粒子濾波算法監(jiān)測(cè)井下移動(dòng)目標(biāo)的位置范圍，在閾值內(nèi)觸發(fā)CCD視覺(jué)傳感器對(duì)移動(dòng)目標(biāo)圖像信息采樣和特征提??；并將預(yù)測(cè)和估計(jì)的移動(dòng)目標(biāo)坐標(biāo)轉(zhuǎn)化為CCD視覺(jué)傳感器的圖像物理坐標(biāo)系坐標(biāo)，實(shí)現(xiàn)特征匹配圖像的分割，以縮小CCD視覺(jué)傳感器的特征匹配范圍，提高匹配速度；最后利用SIFT算法對(duì)已訓(xùn)練圖像與采集的目標(biāo)圖像進(jìn)行特征匹配并對(duì)移動(dòng)目標(biāo)進(jìn)行融合定位，根據(jù)CCD視覺(jué)傳感器所在基站位置獲取和校正礦井移動(dòng)目標(biāo)的準(zhǔn)確位置信息，實(shí)現(xiàn)實(shí)時(shí)跟蹤與精確定位。最后通過(guò)實(shí)驗(yàn)驗(yàn)證了本文所提出方法的有效性和可靠性。

2算法實(shí)現(xiàn)

2.1 SIFT特征匹配算法

SIFT（scale invariant feature transform）是由Lowe[12-13]提出的一種尺度不變特征變換算法。SIFT算法采取局部極值作為特征點(diǎn)，具有旋轉(zhuǎn)、縮放、光照不均等情況下具有較強(qiáng)的不變性和算法的穩(wěn)定性，在圖像較小的情況下仍舊可以產(chǎn)生較多的特征點(diǎn)。其算法實(shí)現(xiàn)主要分為三個(gè)部分：

（1）尺度空間檢測(cè)，SIFT算法在DoG（Difference of Gaussian）高斯空間將檢測(cè)的局部極值作為特征點(diǎn)，利用不同尺度的高斯核與圖像卷積在不同空間尺度來(lái)表示圖像。兩個(gè)相鄰圖像的尺度之差[D（x，y，δ）]，即：

其中，[L]表示圖像的尺度空間，[Ix，y]表示圖像在位置點(diǎn)[x，y]的像素值，[Gx，y，σ]為二維高斯函數(shù)，[σ]表示高斯正態(tài)分布的均方差，[Gx，y，σ]可表示為

（2）算子添加旋轉(zhuǎn)不變性，關(guān)鍵點(diǎn)[x，y]的鄰域像素梯度的模值[mx，y]和方向[θx，y]分別為

為每個(gè)特征點(diǎn)確定一個(gè)方向，根據(jù)Lowe的推薦我們采取128維的SIFT特征描述符來(lái)描述特征點(diǎn)，為每個(gè)特征點(diǎn)添加位置、尺度和方向三個(gè)關(guān)鍵要素，由此來(lái)確定一個(gè)SIFT算法的特征區(qū)域。

（3）特征匹配，在確定不同圖像的特征點(diǎn)后，判斷不同圖像之間特征點(diǎn)的對(duì)應(yīng)關(guān)系，我們采取貪婪算法循環(huán)比較進(jìn)而找到每個(gè)特征點(diǎn)在另一幅圖中對(duì)應(yīng)的特征描述符，即完成匹配。

2.2 基于多源傳感器的礦井移動(dòng)目標(biāo)定位算法

本文提出的基于多源傳感器的礦井移動(dòng)目標(biāo)定位算法流程如圖1所示：

CCD視覺(jué)傳感器對(duì)無(wú)線識(shí)別標(biāo)簽特征提取與訓(xùn)練，利用SIFT算法對(duì)安裝在礦井移動(dòng)目標(biāo)的無(wú)線識(shí)別標(biāo)簽進(jìn)行匹配特征的識(shí)別與提取，為移動(dòng)目標(biāo)的特征匹配提供特征集。

混合卡爾曼粒子濾波算法為移動(dòng)目標(biāo)位置和權(quán)重賦初值，在[k=0]時(shí)刻，設(shè)定初始粒子總數(shù)[nj]，并賦予粒子相同的權(quán)值[wji，k=1nj]，根據(jù)粒子重要性采樣密度函數(shù)進(jìn)行采樣，

判決粒子是否退化，根據(jù)重采樣的衡量指標(biāo)判斷是否滿足粒子退化條件[Mi，k

將預(yù)測(cè)和估計(jì)的移動(dòng)目標(biāo)坐標(biāo)轉(zhuǎn)化為CCD視覺(jué)傳感器的圖像物理坐標(biāo)，并進(jìn)行特征匹配圖像的分割，以縮小CCD視覺(jué)傳感器的特征匹配范圍，實(shí)現(xiàn)更高效的特征匹配。

CCD視覺(jué)傳感器檢測(cè)移動(dòng)目標(biāo)特征，當(dāng)移動(dòng)目標(biāo)進(jìn)入CCD視覺(jué)傳感器可采集圖像閾值范圍內(nèi)，如圖2所示，CCD視覺(jué)傳感器采集移動(dòng)目標(biāo)圖像，并在混合卡爾曼粒子濾波算法分割的圖像范圍內(nèi)進(jìn)行移動(dòng)目標(biāo)的特征匹配。

判決SIFT特征匹配率[PSIFT_match]是否大于等于判決門限[Threshold]，當(dāng)[PSIFT_match≥Threshold]時(shí)，執(zhí)行CCD視覺(jué)傳感器定位，否則，執(zhí)行融合定位，輸出融合后的移動(dòng)目標(biāo)坐標(biāo)[CoordMerge]，

其中[ CoordSIFT]為CCD視覺(jué)傳感器定位的移動(dòng)目標(biāo)坐標(biāo)，[CoordKalman]為混合卡爾曼粒子濾波算法估計(jì)的移動(dòng)目標(biāo)坐標(biāo)。

輸出移動(dòng)目標(biāo)坐標(biāo)，根據(jù)CCD視覺(jué)傳感器的移動(dòng)目標(biāo)特征匹配在不同匹配率下的定位策略，多源傳感器定位方法輸出移動(dòng)目標(biāo)的坐標(biāo)，實(shí)現(xiàn)礦井下移動(dòng)目標(biāo)精確定位。

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文提出算法的有效性，我們進(jìn)行了仿真實(shí)驗(yàn)對(duì)比，仿真采用晉煤集團(tuán)劉莊礦井的移動(dòng)目標(biāo)場(chǎng)景。采用JetBrains PyCharm平臺(tái)和開(kāi)源計(jì)算機(jī)視覺(jué)庫(kù)OpenCV （open source computer vision library）進(jìn)行仿真測(cè)試，實(shí)驗(yàn)硬件環(huán)境為處理器i5-3317u、4G內(nèi)存、NVIDA GT635M GPU設(shè)備。

3.1 性能對(duì)比實(shí)驗(yàn)

（1）特征匹配精度。SIFT算法具有較高的匹配精度和抗噪聲能力，在監(jiān)控環(huán)境較為惡劣的礦井下仍然具有較高的算法精度，如圖3所示：

我們?cè)贑CD視覺(jué)傳感器采集到的視頻圖像中添加高斯噪聲和椒鹽噪聲之后，采取SIFT算法進(jìn)行特征匹配結(jié)果如圖3所示，我們可以看出SIFT算法存在少量匹配錯(cuò)誤，具有較強(qiáng)的抗噪聲能力，在較為惡劣的環(huán)境中仍然具有較高的匹配性能。

（2）定位算法精度。為了考察和對(duì)比采用RSSI、TOF定位算法和本文定位算法在定位精度上的差異，定位精度測(cè)試實(shí)驗(yàn)對(duì)比結(jié)果見(jiàn)表1。

由表1實(shí)驗(yàn)結(jié)果可知，在礦井下0.5-10米范圍內(nèi)分別設(shè)置實(shí)驗(yàn)，分析可知RSSI算法和TOF算法在定位距離較短的情況下誤差較大，容易受到干擾產(chǎn)生較大擾動(dòng)，導(dǎo)致定位誤差較大。本文算法在實(shí)驗(yàn)的10米定位范圍內(nèi)具有較高的定位精度，當(dāng)發(fā)生遮擋或者距離較遠(yuǎn)時(shí)，CCD視覺(jué)傳感器無(wú)法監(jiān)測(cè)到移動(dòng)目標(biāo)，此時(shí)本文融合定位模型采取混合卡爾曼粒子濾波算法定位結(jié)果占據(jù)更大或者全部權(quán)重，彌補(bǔ)CCD視覺(jué)定位算法因?yàn)檎趽鯇?dǎo)致的目標(biāo)丟失和定位不準(zhǔn)問(wèn)題，有效實(shí)現(xiàn)對(duì)閾值監(jiān)測(cè)距離內(nèi)的移動(dòng)目標(biāo)的高精度識(shí)別、定位和跟蹤。

3.2 耗時(shí)對(duì)比實(shí)驗(yàn)

為了說(shuō)明本文算法相較于傳統(tǒng)基于SIFT特征匹配定位算法在耗時(shí)性能上的提升，我們選取晉煤集團(tuán)劉莊煤礦井下巷道的檢修場(chǎng)景200幀視頻圖像，圖4為傳統(tǒng)基于SIFT特征匹配定位算法和本文算法的耗時(shí)比較。

由圖4實(shí)驗(yàn)對(duì)比分析可知本文算法采用混合卡爾曼粒子濾波算法預(yù)測(cè)、分割特征匹配圖像來(lái)減小匹配范圍使得在耗時(shí)上要低于傳統(tǒng)基于SIFT特征匹配定位算法，能夠?yàn)橐苿?dòng)目標(biāo)的特征匹配、定位以及追蹤提供更高的運(yùn)行效率和更高的實(shí)時(shí)性。

4 結(jié)語(yǔ)

本文基于傳感器網(wǎng)絡(luò)與機(jī)器視覺(jué)融合提出的基于多源傳感器的礦井移動(dòng)目標(biāo)跟蹤與定位方法，利用無(wú)線傳感網(wǎng)絡(luò)的混合卡爾曼粒子濾波算法與基于SIFT算法的CCD視覺(jué)傳感器定位方法的融合，實(shí)現(xiàn)特征匹配圖像的有效分割縮小匹配范圍，較傳統(tǒng)基于SIFT特征匹配定位方法耗時(shí)顯著下降，有效提高了定位的實(shí)時(shí)性；在匹配精度上要高于傳統(tǒng)的RSSI和TOF等算法，有效抵抗了電磁擾動(dòng)顯著提高了定位精度；對(duì)礦井下相對(duì)復(fù)雜且多遮擋環(huán)境下的移動(dòng)目標(biāo)跟蹤與定位具有較強(qiáng)的魯棒性。

參考文獻(xiàn)：

[1] 孫繼平.煤礦事故特點(diǎn)與煤礦通信、人員定位及監(jiān)視新技術(shù)[J].工礦自動(dòng)化，2015，41（2）：1-5.

[2] 張帆，閆秀秀，李亞杰. 基于稀疏度自適應(yīng)的礦井智能監(jiān)控圖像重構(gòu)方法[J].煤炭學(xué)報(bào)，2017，43（5）：1346-1354.

[3] 楊文鉑，邢鵬康，劉彥華. 一種基于自適應(yīng)RSSI測(cè)距模型的無(wú)線傳感器網(wǎng)絡(luò)定位方法[J].傳感技術(shù)學(xué)報(bào)，2015，28（1）： 137-141.

[4] 孫繼平，李晨鑫. 基于WiFi和計(jì)時(shí)誤差抑制的TOA煤礦井下目標(biāo)定位方法[J]. 煤炭學(xué)報(bào)，2014，39（1）：192-197.

[5] 張治斌，徐小玲，閻連龍. 基于Zigbee井下無(wú)線傳感器網(wǎng)絡(luò)的定位方法[J]. 煤炭學(xué)報(bào)，2009，34（1）：125-128.

[6] Kordelas G A， Alexiadis D S， Daras P， et al. Enhanced disparity estimation in stereo images[J]. Image and Vision Computing， 2015，35：31-49.

[7] Zhang L， Yang J J Y， Li D， et al. Research on Target Image Matching Algorithm for Binocular CCD Ranging[J]. Laser & Optoelectronics Progress， 2014， 51（9）：091002.

[8] 諶廷政，呂海寶. CCD細(xì)分技術(shù)方法研究及應(yīng)用[J]. 光學(xué)學(xué)報(bào)，2002，（11）：1396-1399.

[9] Sokolov S G， Kazakov B E， Tseitlin D G. The finding of the nematode Daniconema anguillae， Moravec et K?ie， 1987 （Spirurida， Dracunculoidea： Daniconematidae） in Lithuania[J]. Helminthologia， 2006，43（1）：57-58.

[10] 張磊，彭力.結(jié)合SURF與Kalman濾波的CAMShift跟蹤算法[J].電子測(cè)量與儀器學(xué)報(bào)，2017，31（3）：389-394.

[11] 朱勝利，朱善安，李旭超. 快速運(yùn)動(dòng)目標(biāo)的Mean shift跟蹤算法[J]. 光電工程，2006（5）：66-70.

[12] Lowe D G. Object recognition from local scale invariant features. In： Proceedings of the 7th International Conference on Computer Vision. Corfu， Greece： IEEE，1999：1150?1157.

[13] Lowe D G. Distinctive image features from scale invariant key points. International Journal of Computer Vision， 2004，60（2）：91?110.