任麗莉，康 冰，于 海，楊惠策，于 彤

(1.長春師范大學(xué)高性能計算中心，吉林 長春 130032；2.吉林大學(xué)通信工程學(xué)院，吉林 長春 130022)

在現(xiàn)代的科技、軍事與生活中，海陸空的交互頻繁，無人機憑借其能夠靈活處理復(fù)雜工作情況的特性，已經(jīng)成為航空學(xué)術(shù)研究中新的前沿和熱點。例如，無人機在目標(biāo)搜尋、高空拍攝、軌跡追蹤等任務(wù)方面發(fā)揮著重要作用。但是由于數(shù)據(jù)傳輸、能源儲備等因素的限制，無人機需要實時與地面進(jìn)行交互并能夠在特定裝置上進(jìn)行數(shù)據(jù)傳送和能量補給。因此，為了更好地發(fā)揮無人機靈便精巧的特性，讓無人機在執(zhí)行工作任務(wù)時，能夠跟蹤識別特定標(biāo)志或物體，并實現(xiàn)穩(wěn)定降落顯得尤為重要。高翔[1]設(shè)計了一套基于機載嵌入式平臺的無人機視覺輔助自主降落方案，該方案能夠?qū)崿F(xiàn)無人機自主跟蹤、降落在移動平臺上的功能，但由于降落時攝像頭對圖像處理過程復(fù)雜，遠(yuǎn)近變焦處理困難，使得降落穩(wěn)定性較差，存在一定誤差，可能會出現(xiàn)脫離平臺的現(xiàn)象。為了彌補旋翼飛行器降落圖像處理方面的問題，本文闡述了磁吸式飛行器自主降落的方法。

1 顏色識別算法

本文采用如圖1的整體流程框架來完成目標(biāo)檢測與跟蹤。大體上的目標(biāo)檢測與跟蹤分為視頻流的單幀化、圖像的預(yù)處理、圖像的目標(biāo)檢測、圖像的目標(biāo)跟蹤。

1.1 圖像預(yù)處理

1.1.1 圖像的等比例尺寸變換

旋翼的目標(biāo)跟蹤的實質(zhì)是圖像識別以及無人機的反饋控制，為了控制的實時性，需要對圖像進(jìn)行有效的預(yù)處理，使圖像能夠被較為準(zhǔn)確的識別和處理。進(jìn)行圖像放縮的主流方法是圖像金字塔方法，它是圖像多尺度分析的有效方法。

常見的兩種圖像金字塔處理方法中，用于圖像重建的圖像金字塔方法稱為拉普拉斯圖像金字塔[2]。而用于等比例縮小的方法稱為高斯金字塔方法。針對于本文情況，選擇高斯圖像金字塔[3]，從而方便圖形處理器的處理。高斯金字塔算法流程圖如圖2所示，本文直接引用OpenCV的C++庫函數(shù)pyrDown(src,dst,Size(src.cols/2,src.rows/2))，其中src是要處理的原圖像，dst是要處理的目標(biāo)圖像，而第三個參數(shù)的作用是將圖像的行數(shù)和列數(shù)縮小為原來的一半。在機載圖像處理器中，圖像尺寸的縮小變換也進(jìn)一步驗證了金字塔圖像尺寸等比例變換的有效性。

圖1 目標(biāo)跟蹤整體步驟

圖2 高斯金字塔算法流程圖

圖3 RGB空間圖像轉(zhuǎn)HSV空間圖像實例

1.1.2 圖像顏色空間轉(zhuǎn)換

由于圖像跟蹤中，目標(biāo)所處環(huán)境的光線明暗以及所使用的特征識別的標(biāo)志物本身顏色深淺都會對識別效果產(chǎn)生影響，因此，我們選擇將圖像空間進(jìn)行轉(zhuǎn)換。對于顏色空間的轉(zhuǎn)換，OpenCV提供了一個成熟的函數(shù)cvtColor(img，imgHSV，COLOR_BGR2HSV)[4]，其中img表示原RGB空間圖像，而imgHSV是轉(zhuǎn)化后的HSV空間圖像，第三個參數(shù)是一個OpenCV常數(shù)。圖3是本文對一張圖片處理時，其RGB空間的圖像和HSV空間的圖像對比。

1.1.3 圖像二值化處理

圖像二值化處理[5]，每一行每一列的像素點是1×3矩陣，會拖慢處理速度。因此需要將圖像的數(shù)據(jù)量進(jìn)行縮減。在像素級別的圖像數(shù)據(jù)量縮減上，能夠采取的主要方法是降低通道數(shù)量，本文采用了二值化的方法進(jìn)行數(shù)據(jù)量縮減處理。

將RGB圖像二值化的方法是將每一個像素點中的3個子序列合并成為1個子序列，并且，在這個子序列中原本具備彩色效果的圖像將只有黑白兩種效果，該子列的取值為0～255，用來表示圖像二值化之后的灰度值。圖像二值化公式為：

(1)

其中，bl為最小灰度值，bu為最大灰度值。

在本文中，對HSV圖像進(jìn)行二值化，這樣有利于將具有某種特質(zhì)特征的目標(biāo)使用二值化的方法提取出來。圖4顯示了OpenCV框架下的二值化實例，該實例顯示的是將背景中的黑色中心位置突出顯示，顯示為二值化之后的白色。

圖4 圖像二值化之后突出顯示原圖像黑色中心點區(qū)域

1.2 基于顏色特征的運動目標(biāo)檢測

本文選用了目標(biāo)特征檢測方法實現(xiàn)目標(biāo)跟蹤。由于顏色特征較為直接，所以采用基于顏色特征的識別方式，即從每幀圖像當(dāng)中識別出預(yù)先設(shè)定的顏色。在OpenCV框架下，識別顏色特征的基本思路如圖5所示，基于此進(jìn)行了圖像顏色特征的檢測與識別[6]。由于二值化之后，圖像基本不包含亮度和飽和度信息，只包含顏色信息，因此，對每一幀圖像進(jìn)行遍歷。首先從每一行開始，從這一行的第一列開始，遍歷直至最后一列，從而判斷該列元素是否為二值化之后的白色部分。之所以可以通過判斷白色突出區(qū)域來判斷是否已經(jīng)尋找到目標(biāo),是因為本文的圖像二值化不是對RGB圖像進(jìn)行二值化，而是對HSV空間圖像進(jìn)行二值化，這樣可以將所有色相閾值在檢測范圍內(nèi)的元素全部二值化為白色區(qū)域，而沒有在此閾值范圍內(nèi)的全部二值化為黑色區(qū)域。遍歷完當(dāng)前行之后，標(biāo)記起始行數(shù)的位置以及起始列數(shù)的位置，然后進(jìn)行下一輪遍歷。在下一輪遍歷之后，倘若發(fā)現(xiàn)目標(biāo)像素的列數(shù)比已知列數(shù)小，則對剛才記錄的列數(shù)進(jìn)行更新，循環(huán)直至尋找到最后幾行，記錄最后的目標(biāo)所在行數(shù)和列數(shù)。進(jìn)行這些遍歷之后，實質(zhì)上，已經(jīng)找到了目標(biāo)的最小矩形邊界，以及這個邊界的長和寬。計算出這個矩形中心，即為目標(biāo)中心。最后，為了顯而易見，使用OpenCV自帶的畫邊框函數(shù)，畫一個以目標(biāo)中心為中心，并且包含所有目標(biāo)區(qū)域的其他顏色的矩形框，該矩形框?qū)嶋H上表示的是我們所要檢測的運動目標(biāo)的像素點所在區(qū)域。這就相當(dāng)于可以通過計算矩形的中心得到物體的質(zhì)心，從而確定了物體在相機視野中的最大輪廓。再結(jié)合HSV的閾值，即可對運動目標(biāo)器進(jìn)行檢測，圖像中的顏色檢測與識別就完成了。

1.3 基于顏色特征的MeanShift目標(biāo)跟蹤算法

視頻流在每一個幀所在的周期內(nèi)，就是一張待處理的圖片。所不同的是，除了要將思路轉(zhuǎn)化為針對每一幀的處理之外，還需要使用更加有效的算法進(jìn)行目標(biāo)跟蹤，并防止目標(biāo)丟失，同時還要在每一幀圖像中提取目標(biāo)的相對位置信息，并將此作為四旋翼飛行控制的輸入信息。

1.3.1 視頻流中目標(biāo)跟蹤的總體流程

(1)讀取視頻流文件，獲取有效圖像信息。在視頻實時處理的過程中，為了避免造成視頻幀的遺漏，必須要首先確保視頻流文件的打開是否正確，即是否有視頻幀可以進(jìn)行有效處理。(2)圖像視頻幀預(yù)處理。為了保證視頻流跟蹤的準(zhǔn)確性，必須要通過顏色空間轉(zhuǎn)換，將原來比較復(fù)雜的RGB顏色空間中的圖像轉(zhuǎn)換為HSV空間中的圖像進(jìn)行處理。(3)去除圖像噪聲。采用膨脹和腐蝕操作來填充物體內(nèi)的細(xì)微空缺像素并平滑處理圖像的邊界，從而為目標(biāo)跟蹤創(chuàng)造良好的條件，避免圖像跟蹤中的算法誤判。(4)圖像輪廓檢測與選取，由于圖像輪廓的檢測具有較快的算法運行速度，因此可以檢測全部輪廓，在排除外界干擾的情況下，圖像的最內(nèi)側(cè)輪廓即為目標(biāo)物體的輪廓。(5)根據(jù)顏色特征選取需要研究和處理的圖像的部分區(qū)域，根據(jù)(4)中的分析可知，為了減少輪廓檢測的誤判，需要確定目標(biāo)物體是否具有特定的輪廓和顏色特征。(6)使用目標(biāo)跟蹤算法進(jìn)行目標(biāo)跟蹤，為了保證處理的實時性，本文選用MeanShift算法進(jìn)行目標(biāo)跟蹤。

圖5 基于顏色特征的目標(biāo)檢測程序流程圖

1.3.2 MeanShift跟蹤算法設(shè)計

MeanShift算法[7]即為均值飄移算法，其本身的運行依靠對偏移值的迭代進(jìn)行，也就是首先計算當(dāng)前位置區(qū)域的平均偏移值，然后將當(dāng)前點作為新的起點，迭加移動相應(yīng)偏移值直至移動到目標(biāo)位置。

MeanShift算法的數(shù)學(xué)定義源于MeanShift向量。MeanShift向量的基本定義形式為：

(2)

對于給定的多維空間的n個樣本點xi,x=1,2,…,n，當(dāng)發(fā)生偏移時，將會有k個樣本歸為球Sh所在的區(qū)域，球Sh定義了一個高維區(qū)域，該高維區(qū)域的表達(dá)式為：

(3)

在上述的推導(dǎo)過程中，僅僅是在宏觀的概率分析中做的推導(dǎo)，這就忽視了樣本點之間距離的影響，因此，引入核函數(shù)進(jìn)行進(jìn)一步的推理。常見的核函數(shù)包括單調(diào)核函數(shù)：

(4)

和高斯核函數(shù)：

(5)

引入核函數(shù)之后MeanShift算法表達(dá)形式為：

(6)

其中，w(xi)是采樣點的權(quán)重系數(shù)。

以上是對MeanShift算法中相關(guān)向量進(jìn)行的數(shù)學(xué)推導(dǎo)，但是，當(dāng)MeanShift算法應(yīng)用到跟蹤領(lǐng)域時，需要建立一個跟蹤模型來對整體目標(biāo)跟蹤過程進(jìn)行描述。

首先，在起始幀，通過上述基于顏色特征的目標(biāo)檢測方法，得到了需要處理的感興趣區(qū)域，將此區(qū)域進(jìn)行幾何量化，轉(zhuǎn)化為一個長方形區(qū)域。假設(shè)該區(qū)域的中心為x0，對于整體圖像的n個像素點中的m個特征點的特征密度估計為：

(7)

運動目標(biāo)在第二幀及之后每幀中出現(xiàn)的區(qū)域中心假設(shè)為y0，則此時包含特征點區(qū)域的特征密度估計為：

(8)

對于兩次的候選區(qū)域，以第一幀中所得到的相似率為基準(zhǔn)，使用巴氏距離系數(shù)作為近似函數(shù)，計算第二幀及以后幀的相似性：

(9)

f(y)的值是一個概率分布值，值越大，表明前后兩幀圖像的相似性越接近，兩個先后模型的相似程度越高。接下來需要對目標(biāo)的位置進(jìn)行確認(rèn)，這時計算MeanShift向量的變化值，不斷迭代，直至變化值小于規(guī)定閾值，則變化值最小的位置即為目標(biāo)的位置。式(10)反映了這種迭代計算的過程。

(10)

本文所設(shè)計的基于顏色特征的目標(biāo)跟蹤算法的程序流程如圖6所示。

2 磁吸式捕獲旋翼飛行器實驗裝置

2.1 捕獲裝置結(jié)構(gòu)介紹

在跟蹤結(jié)束后，旋翼飛行器進(jìn)行降落，為了彌補降落時出現(xiàn)的圖像處理困難等問題，設(shè)計了一個旋翼捕獲裝置，該裝置下部為一個矩形的硬質(zhì)絕緣板，板的中間放置超聲波模塊，四個角裝有四個升降平臺，該升降平臺通過步進(jìn)電機控制進(jìn)行升起降落。四個升降平臺支撐上部的一個矩形硬質(zhì)板并與硬質(zhì)板固定連接，上部的硬質(zhì)板中心處挖空，正對下方板上放置的超聲波模塊。上板根據(jù)所要捕獲旋翼機臂的個數(shù)，挖出相應(yīng)數(shù)量的圓孔，用于放置電磁鐵，并將旋翼所能夠識別的標(biāo)志粘貼在上方板上。

2.2 磁吸式自主升降捕獲裝置工作流程

放置在降落平臺上中間的一個超聲波測距模塊實時監(jiān)測上方旋翼相對平臺的距離，當(dāng)監(jiān)測到旋翼距平臺距離為20～25 cm時，向最小控制系統(tǒng)STM32單片機的管腳發(fā)送低電平信號。

圖6 基于顏色特征的目標(biāo)跟蹤算法程序流程圖

圖7 磁吸式自主升降捕獲裝置工作流程圖

單片機實時監(jiān)測管腳電平的變化情況，當(dāng)接收到由超聲波模塊發(fā)送的低電平信號時，STM32單片機對電機驅(qū)動發(fā)送上升指令，使平臺上升。同時，與繼電器相連接的單片機管腳會由開始的下拉狀態(tài)變?yōu)樯侠瓲顟B(tài)，繼電器觸點閉合，進(jìn)而電源會給電磁鐵陣列供電，使電磁鐵帶有磁性。

隨著降落平臺高度的增加，當(dāng)降落平臺與旋翼機臂下磁性圓盤的距離足夠小時，平臺會瞬間對旋翼進(jìn)行吸引，使其降落并固定到平臺上，完成對旋翼飛行器的捕獲。

捕獲完成穩(wěn)定后，單片機發(fā)送下降命令給電機驅(qū)動，使電機緩慢豎直下降，當(dāng)降落到初始的最低高度后，與繼電器相連的單片機管腳再次下拉，使觸點斷開，平臺消除磁性，此時，可以從平臺上取回旋翼，捕獲過程結(jié)束。全過程流程如圖7所示。

3 測試與分析

為了驗證本文所述算法以及旋翼捕獲平臺的可靠性和穩(wěn)定性，在室外的無人廣場區(qū)進(jìn)行試驗工作，場地大小為40 m×20 m。將升降平臺裝在小推車上，移動平臺上貼有供旋翼識別的顏色標(biāo)志，讓旋翼在不同高度、不同速度條件下測試降落平臺的捕獲精度和捕獲時間。將升降平臺上板中間設(shè)為參考點，測量旋翼中心偏離上板中心的距離作為偏離距離，當(dāng)旋翼距離平臺20 cm時開始計時。

表1 不同條件的測試結(jié)果

4 結(jié)論

本文利用視頻圖像處理以及Meanshift算法進(jìn)行目標(biāo)跟蹤，讓旋翼飛行器對目標(biāo)進(jìn)行識別，降落時，用磁吸式平臺對旋翼進(jìn)行捕獲，使旋翼能夠吸附在平臺上，達(dá)到穩(wěn)定降落的目的。實驗結(jié)果表明，該降落裝置能夠使旋翼穩(wěn)定地停在平臺上，實現(xiàn)穩(wěn)定安全降落。