吳鵬飛，石章松，閆鵬浩，吳中紅

(1.海軍工程大學(xué) 兵器工程學(xué)院，湖北 武漢 430033;2.中國人民解放軍92925部隊(duì)，山西 長治 046000)

0 引言

艦載無人直升機(jī)在現(xiàn)代海戰(zhàn)場上有非常廣泛的用途，能夠執(zhí)行引導(dǎo)、偵察、警戒和搜救等多種任務(wù)，但由于海況復(fù)雜，艦船甲板空間有限，使得無人直升機(jī)安全著艦成為一個(gè)難題[1]。在眾多著艦方法中，基于視覺的著艦最引人注意，這是因?yàn)橐曈X信息具有精度高、視場大、不受電磁干擾等優(yōu)點(diǎn)[2]。目前國內(nèi)外很多研究機(jī)構(gòu)已經(jīng)開展了相關(guān)方面的研究。如加州伯克利分校就旋翼無人機(jī)艦船著陸進(jìn)行了研究[3]；南京航空航天大學(xué)對(duì)無人機(jī)的視覺著陸進(jìn)行了廣泛而深入的研究，涵蓋了基于視覺的整個(gè)著陸過程[4]。以上研究中實(shí)驗(yàn)環(huán)境過于理想，著艦標(biāo)志的設(shè)計(jì)具有特定的形狀與圖像特征，因此識(shí)別準(zhǔn)確率較高，但其方法不具有普適性，如若更改著艦標(biāo)志形狀，則其識(shí)別率大大降低。本文針對(duì)目前著艦標(biāo)志識(shí)別方法的缺點(diǎn)，采用基于支持向量機(jī)(support vector machine,SVM)的機(jī)器學(xué)習(xí)方法，對(duì)通用著艦標(biāo)志在模擬著艦環(huán)境下進(jìn)行識(shí)別，并針對(duì)2種不同核函數(shù)對(duì)應(yīng)的SVM訓(xùn)練算法進(jìn)行了對(duì)比分析，指出了各自適用的條件，實(shí)驗(yàn)結(jié)果證明該方法具有普適性，準(zhǔn)確率也滿足需要，具有一定的現(xiàn)實(shí)意義和工程實(shí)踐價(jià)值。

1 著艦標(biāo)志檢測

1.1 著艦標(biāo)志

著艦標(biāo)志是引導(dǎo)艦載機(jī)著陸的重要設(shè)施，讓飛行員參考自身和著陸點(diǎn)的位置，國際上通常采用大寫的“H”(helicopter的縮寫)作為直升機(jī)著陸平臺(tái)的標(biāo)志。國際上在對(duì)無人直升機(jī)自主著艦研究過程中，許多研究機(jī)構(gòu)設(shè)計(jì)了便于機(jī)器視覺識(shí)別的新型標(biāo)志，如圖1(左)所示為加州伯克利分校設(shè)計(jì)的著艦標(biāo)志[5]。本文以基于視覺的無人直升機(jī)自主著艦為研究背景，考慮到飛行甲板周邊環(huán)境較為空曠，對(duì)著艦標(biāo)志的干擾較少，且艦船上空間比較緊張很難有額外的空間來放置特殊的著艦標(biāo)志，故本文直接采取通用型直升機(jī)著艦標(biāo)志“H”，如圖1(右)所示。

圖1 著艦標(biāo)志Fig.1 Landing marks

1.2 著艦標(biāo)志圖像預(yù)處理

在無人直升機(jī)對(duì)著艦過程中，機(jī)載攝像機(jī)采集到的圖像信息中存在著光照不均、聚焦模糊、角度偏差等外界干擾。為了避免這些干擾，需對(duì)采集到的圖像視頻信息進(jìn)行處理，保留圖像中形狀、特征等核心信息，濾除無關(guān)信息，便于減小計(jì)算量，并增強(qiáng)有關(guān)信息的可檢測性。

本文對(duì)圖像相繼進(jìn)行了以下預(yù)處理：閾值分割、灰度化、采樣與量化、濾波和二值化。二值化后的圖像已基本濾除了背景噪聲，只剩下較為明顯的目標(biāo)輪廓圖。由于目標(biāo)輪廓周圍存在著明顯的像素值差異，根據(jù)這一特征，利用相鄰像素點(diǎn)之間的比較，根據(jù)像素值突變來判斷輪廓。其效果如圖2所示。

圖2 著艦標(biāo)志輪廓提取Fig.2 Contour extraction of landing mark

1.3 圖像特征提取

圖像的特征提取是用一組數(shù)據(jù)來描述整個(gè)圖像，這組數(shù)據(jù)要簡單且有代表性[6]。首先根據(jù)鏈碼找到圖像邊界，并對(duì)圖像進(jìn)行輪廓跟蹤，進(jìn)而求出圖像的Hu不變矩。Hu不變矩不受光線、噪點(diǎn)和幾何形變的干擾，是圖像良好的特征。

(1) 鏈碼是一種邊界的編碼表示法，編碼的依據(jù)是邊界方向。在研究輪廓特征時(shí)，常使用原鏈碼來表示圖形的輪廓。原鏈碼指從曲線起點(diǎn)開始，按順時(shí)針方向觀察每一線段走向，并用相應(yīng)的指向符表示，結(jié)果就形成表示該邊界的數(shù)碼序列[7]。

(2) 輪廓跟蹤指按照一定的順序，找出邊緣點(diǎn)來跟蹤得到區(qū)域邊界[8]。輪廓跟蹤首先要識(shí)別圖像邊界點(diǎn)，邊界點(diǎn)識(shí)別過程如圖3所示，整個(gè)輪廓跟蹤的流程如圖4所示。

圖3 圖像邊界識(shí)別流程圖Fig.3 Flow chart of image boundary recognition

圖4 輪廓跟蹤流程圖Fig.4 Flow chart of contour tracking

(3) Hu特征矩計(jì)算：對(duì)于一幅圖像，可以把像素的坐標(biāo)看成是一個(gè)二維隨機(jī)變量(x,y)，那么一幅灰度圖像可以用二維灰度密度函數(shù)來表示，因此可以用矩來描述灰度圖像的特征[9]。M×N的數(shù)字圖像，其p+q階幾何矩mpq和中心矩μpq為

(1)

(2)

然后利用二階和三階規(guī)格中心矩可以求出7個(gè)不變矩組(φ1,φ2,…,φ7)，這7個(gè)不變矩構(gòu)成的特征量便是Hu不變矩。

2 基于SVM的著艦標(biāo)志識(shí)別方法

2.1 支持向量機(jī)

在機(jī)器學(xué)習(xí)中，SVM是用來解決分類問題的常用工具[10]。它在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)，并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問題中。對(duì)于非線性可分的樣本集，SVM可釆用核函數(shù)方法把原始輸入數(shù)據(jù)空間映射到高維核函數(shù)空間，從而可將非線性可分樣本集轉(zhuǎn)變成特征空間線性問題[10]。

2.2 SVM核函數(shù)

采用不同的核函數(shù)將導(dǎo)致不同的SVM算法，常見的核函數(shù)有如下形式：

(1) 線性核函數(shù)是最簡單的核函數(shù)[11]，主要用于線性可分的情形，它在原始空間中尋找最優(yōu)線性分類器，具有參數(shù)少速度快的優(yōu)勢(shì)，如式(3)所示：

K(x,z)=xTy+c.

(3)

(2) 多項(xiàng)式核函數(shù)屬于全局核函數(shù)[12]，參數(shù)d越大，映射的維度越高，計(jì)算量就會(huì)越大，適合于正交歸一化數(shù)據(jù)，如式(4)所示：

K(x,z)=(axTy+c)d.

(4)

(3) 徑向基核函數(shù)屬于局部核函數(shù)[13]，其參數(shù)決定徑向作用范圍，學(xué)習(xí)能力較強(qiáng)，具備良好的推廣性，如式(5)所示：

(5)

2.3 基于SVM的著艦標(biāo)志識(shí)別算法框架

基于SVM的著艦標(biāo)志識(shí)別算法框架分為訓(xùn)練和識(shí)別兩大模塊，訓(xùn)練模塊部分對(duì)圖像樣本進(jìn)行預(yù)處理、特征提取和SVM訓(xùn)練，識(shí)別模塊根據(jù)離線訓(xùn)練的參數(shù)庫對(duì)著艦標(biāo)志圖像進(jìn)行判斷[14]。算法框架如圖5所示。

圖5 著艦標(biāo)志識(shí)別算法框架Fig.5 Framework of the landing mark identification algorithm

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境

(1) 硬件環(huán)境：PC機(jī)一臺(tái)，小型無人機(jī)一架，無人直升機(jī)著艦標(biāo)志一個(gè)。無人機(jī)如圖6所示，其參數(shù)如表1所示。實(shí)驗(yàn)用著艦標(biāo)志為邊長1 m的白色正方形，如圖6所示。

(2) 軟件環(huán)境：操作系統(tǒng)為Windows 7，開發(fā)平臺(tái)為MatlabR2014b。

圖6 實(shí)驗(yàn)用無人機(jī)和著艦標(biāo)志Fig.6 UAV and Landing mark for experiment

參數(shù)名稱參數(shù)無人機(jī)型號(hào)Parrot Bebop飛行時(shí)間/min約25控制距離/m2 000像素1 400萬照片分辨率3 800 p×3 188 p錄像分辨率1 920 p×1 080 p(30 fps)

3.2 實(shí)驗(yàn)步驟

Step 1： 利用無人機(jī)對(duì)著艦標(biāo)志圖像進(jìn)行采集，建立樣本庫，并將其分為訓(xùn)練集和測試集，2個(gè)樣本庫中均包含一定的正樣本和負(fù)樣本；

Step 2： 對(duì)樣本庫中2個(gè)數(shù)據(jù)集進(jìn)行預(yù)處理；

Step 3： 基于Hu不變矩對(duì)處理后的二值圖像進(jìn)行特征提取；

Step 4： 設(shè)計(jì)SVM分類器，選擇不同核函數(shù)對(duì)樣本進(jìn)行訓(xùn)練；

Step 5： 對(duì)測試樣本數(shù)據(jù)進(jìn)行SVM識(shí)別，并針對(duì)基于不同核函數(shù)的SVM訓(xùn)練算法的結(jié)果進(jìn)行對(duì)比分析。

3.3 實(shí)驗(yàn)方案

3.3.1 樣本庫的建立

實(shí)驗(yàn)中樣本庫主要是利用小型旋翼無人機(jī)在實(shí)驗(yàn)條件下在不同的場景、距離、角度和光線條件下采集的著艦標(biāo)志圖像。目前很多對(duì)著艦標(biāo)志識(shí)別的研究都是在室內(nèi)采集的樣本，實(shí)驗(yàn)環(huán)境過于理想。相較而言，本文的樣本集較為全面，可以真實(shí)模擬無人直升機(jī)著艦時(shí)對(duì)著艦標(biāo)志圖像的采集樣本。在采集的圖片中挑選了540張樣本，采用隨機(jī)生成的方式，生成七維向量，樣本都經(jīng)過歸一化處理，尺寸為480×272，數(shù)據(jù)統(tǒng)計(jì)如下表2所示，部分樣本圖片如圖7所示。

表2 樣本數(shù)據(jù)表Table 2 Sample data 張

圖7 部分樣本圖片F(xiàn)ig.7 Part of sample pictures

3.3.2 著艦標(biāo)志檢測

由于機(jī)載攝像機(jī)的分辨率較高，如直接對(duì)采集的圖像進(jìn)行處理，將給實(shí)驗(yàn)計(jì)算機(jī)帶來較大的運(yùn)算負(fù)擔(dān)。為了減輕計(jì)算量并縮短相關(guān)程序的運(yùn)算時(shí)間，本文對(duì)所有的圖像都經(jīng)過歸一化處理，向下采樣為尺寸128×128。然后對(duì)每一幅圖片進(jìn)行灰度處理、針對(duì)不同種類噪聲分別濾波、二值化、后期噪聲處理、提取邊緣、記錄輪廓鏈碼和特征提取。邊緣識(shí)別和濾波處理后的圖像輪廓如圖8所示，對(duì)圖像提取特征值的部分?jǐn)?shù)據(jù)如表3所示。

3.3.3 基于SVM的訓(xùn)練與測試

經(jīng)過特征提取，已經(jīng)獲得了各個(gè)樣本圖片對(duì)應(yīng)的Hu不變矩，將所有樣本的不變矩組建樣本庫，這樣就獲得了可以供SVM學(xué)習(xí)、訓(xùn)練、測試的樣本庫數(shù)據(jù)集[15]。在SVM模型對(duì)樣本進(jìn)行學(xué)習(xí)訓(xùn)練時(shí)，需要選擇核函數(shù)模型，考慮到本文中樣本庫數(shù)據(jù)規(guī)模一般，特征矩維度較小，同時(shí)為了比較各個(gè)核函數(shù)對(duì)識(shí)別效果的影響，在對(duì)采集到的樣本輪廓特征數(shù)據(jù)集展開訓(xùn)練的過程中，分別采用了高斯鏡像基核函數(shù)(RBF)和線性核函(linear)，并對(duì)2種核函數(shù)對(duì)樣本訓(xùn)練的效果進(jìn)行了對(duì)比。在本算法中，訓(xùn)練效果的判斷準(zhǔn)則如下：

圖8 邊緣識(shí)別和濾波處理后的圖像輪廓Fig.8 Image contour after edge recognition and filtering

3.3.4 實(shí)驗(yàn)結(jié)果分析

本文針對(duì)2種核函數(shù)對(duì)樣本訓(xùn)練的效果進(jìn)行了對(duì)比：

(1) 線性核函數(shù)

線性核函數(shù)是最簡單的核函數(shù)，其涉及到的參數(shù)少、速度快、運(yùn)算較為簡單，但主要用于線性可分的情形。由于本文的Hu特征矩向量維度較高，使用線性核函數(shù)分類較為勉強(qiáng)，雖然其分類準(zhǔn)確度上不太令人滿意，但其運(yùn)算速度較快，綜合而言，也在可接受的范圍之內(nèi)。其部分訓(xùn)練結(jié)果如表4所示。使用線性核函數(shù)模型對(duì)全部樣本庫的識(shí)別進(jìn)行訓(xùn)練，最終識(shí)別正確率在83%左右浮動(dòng)。

表3 部分Hu不變矩Table 3 Part of Hu invariant moments

表4 部分樣本識(shí)別結(jié)果表Table 4 Recognition result of part samples

(2) 高斯鏡像基核函數(shù)

高斯鏡像基核函數(shù)主要用于線性不可分的情形，如果參數(shù)較多，其分類結(jié)果非常依賴于合適的參數(shù)，這需要通過訓(xùn)練數(shù)據(jù)的交叉驗(yàn)證來尋找。利用高斯鏡像基核函數(shù)對(duì)樣本展開訓(xùn)練的部分結(jié)果如表5所示。

可以看到判斷失誤的多是集中在負(fù)樣本，但負(fù)樣本為隨機(jī)生成，由于其中恰巧有與正樣本類似的樣本被誤判為正樣本。使用高斯鏡像基核函數(shù)模型對(duì)全部樣本庫的識(shí)別進(jìn)行訓(xùn)練，經(jīng)過多次迭代，最終識(shí)別結(jié)果正確率在87.5%～93%之間浮動(dòng)。

表5 部分樣本識(shí)別結(jié)果Table 5 Recognition result of part samples

綜上所述，在使用默認(rèn)參數(shù)時(shí)，如果特征提取效果較為理想，且包含的信息量足夠大，那么很多問題都是線性可分的，那么Linear核訓(xùn)練的效果一般滿足需求，但如果特征提取結(jié)果不夠理想，信息包含量不夠大，則通過大量數(shù)據(jù)的交叉驗(yàn)證，可以找到比Linear核具有更好效果的RBF核，其識(shí)別準(zhǔn)確率更高。

4 結(jié)束語

本文針對(duì)基于視覺的無人直升機(jī)著艦難題，采用基于SVM的機(jī)器學(xué)習(xí)方法對(duì)著艦標(biāo)志進(jìn)行識(shí)別，實(shí)現(xiàn)了整個(gè)著艦標(biāo)志識(shí)別流程，準(zhǔn)確率滿足要求。針對(duì)2種不同核函數(shù)對(duì)應(yīng)的SVM訓(xùn)練算法進(jìn)行了對(duì)比分析，對(duì)比發(fā)現(xiàn)在特征提取效果較為理想時(shí)，Linear核效果更好，但如果特征提取結(jié)果不夠理想，信息包含量不夠大，則通過大量參數(shù)的嘗試，可以找到比linear核具有更好效果的RBF核，識(shí)別準(zhǔn)確率更高。本文所做工作可為基于視覺的無人直升機(jī)自主著艦提供參考，具有一定的工程實(shí)踐價(jià)值。