李立剛, 李勃然, 金久才, 劉德慶, 戴永壽

基于圖像輪廓特征的無(wú)人水面艇航海雷達(dá)目標(biāo)檢測(cè)修正方法

李立剛1, 李勃然2, 金久才3, 劉德慶3, 戴永壽1

(1. 中國(guó)石油大學(xué)(華東) 海洋與空間信息學(xué)院, 山東 青島, 266580; 2. 中國(guó)石油大學(xué)(華東) 控制科學(xué)與工程學(xué)院, 山東 青島, 266580; 3. 自然資源部第一海洋研究所海洋物理與遙感研究室, 山東 青島, 266061)

航海雷達(dá)具有檢測(cè)范圍廣、全天候工作等優(yōu)點(diǎn), 是無(wú)人水面艇障礙目標(biāo)檢測(cè)的主要手段。但是對(duì)于島嶼、貨輪等大型目標(biāo), 航海雷達(dá)無(wú)法對(duì)其所在區(qū)域進(jìn)行準(zhǔn)確描述, 并且可能將其誤判為多個(gè)分散的目標(biāo)。為此, 文中結(jié)合雷達(dá)圖像特點(diǎn), 提出一種基于圖像輪廓特征的航海雷達(dá)目標(biāo)檢測(cè)修正方法。首先對(duì)雷達(dá)圖像進(jìn)行預(yù)處理, 簡(jiǎn)化圖像數(shù)據(jù), 增強(qiáng)有關(guān)信息的可檢測(cè)性。然后根據(jù)目標(biāo)對(duì)應(yīng)像素點(diǎn)坐標(biāo)提取目標(biāo)輪廓, 若不同目標(biāo)對(duì)應(yīng)同一輪廓, 則認(rèn)為發(fā)生誤判, 并將誤判產(chǎn)生的多個(gè)分散目標(biāo)合并為一個(gè)目標(biāo)。最后借助目標(biāo)輪廓包含的距離和方位特征參數(shù)對(duì)目標(biāo)所在區(qū)域準(zhǔn)確描述。試驗(yàn)測(cè)試結(jié)果表明, 該方法能有效解決大型目標(biāo)誤判問(wèn)題, 并將航海雷達(dá)檢測(cè)結(jié)果中的距離誤差降低79%以上, 方位誤差最大減少60%。

無(wú)人水面艇; 航海雷達(dá); 障礙目標(biāo)檢測(cè); 圖像輪廓特征

0 引言

無(wú)人水面艇(unmanned surface vehicle, USV)是一種具有自主規(guī)劃和自主航行能力, 并可自主完成環(huán)境感知和目標(biāo)探測(cè)等任務(wù)的小型水面平臺(tái), 發(fā)展前景十分廣闊。海面障礙目標(biāo)的準(zhǔn)確檢測(cè)是實(shí)現(xiàn)無(wú)人艇安全航行、正常執(zhí)行任務(wù)的重要前提。目前, 無(wú)人艇海面障礙目標(biāo)檢測(cè)手段包括航海雷達(dá)、激光雷達(dá)和視覺(jué)相機(jī)等[1-3]。其中, 航海雷達(dá)的檢測(cè)精度受天氣和海況影響較小[4-5], 適用于遠(yuǎn)程目標(biāo)檢測(cè), 應(yīng)用于無(wú)人艇海面障礙目標(biāo)檢測(cè)具有顯著優(yōu)勢(shì)。對(duì)于無(wú)人艇而言, 船載測(cè)控計(jì)算機(jī)代替了船舶駕駛員的角色, 航海雷達(dá)將檢測(cè)結(jié)果發(fā)送至測(cè)控計(jì)算機(jī), 測(cè)控計(jì)算機(jī)根據(jù)內(nèi)置算法計(jì)算并規(guī)劃出無(wú)人艇的避碰路線。航海雷達(dá)檢測(cè)結(jié)果是否準(zhǔn)確, 將直接影響到無(wú)人艇的航行安全。利用多普勒效應(yīng)[6], 航海雷達(dá)能夠自動(dòng)判別海面障礙目標(biāo)進(jìn)行捕獲并持續(xù)跟蹤, 從而有效避免虛、漏警問(wèn)題的發(fā)生。通過(guò)對(duì)大量實(shí)測(cè)數(shù)據(jù)分析發(fā)現(xiàn), 當(dāng)海面障礙目標(biāo)為島嶼、貨輪等大型目標(biāo)時(shí), 一個(gè)目標(biāo)可能會(huì)反射多個(gè)回波, 導(dǎo)致航海雷達(dá)將其誤判為多個(gè)分散的目標(biāo)。此外, 航海雷達(dá)僅能測(cè)得被捕獲目標(biāo)內(nèi)部一個(gè)點(diǎn)的距離和方位, 無(wú)法準(zhǔn)確描述目標(biāo)所在區(qū)域。

航海雷達(dá)是近年來(lái)無(wú)人艇海面障礙目標(biāo)檢測(cè)領(lǐng)域的研究熱點(diǎn)。Almeida等[7]利用航海雷達(dá)自動(dòng)捕獲目標(biāo)功能, 將雷達(dá)計(jì)算得到的目標(biāo)位置參數(shù)直接用于無(wú)人艇避碰, 此種方法未考慮雷達(dá)誤判問(wèn)題, 且無(wú)法得到目標(biāo)所在區(qū)域信息, 當(dāng)無(wú)人艇行駛區(qū)域內(nèi)存在大型目標(biāo)時(shí), 可能導(dǎo)致碰撞發(fā)生。莊佳園等[8-10]對(duì)雷達(dá)圖像進(jìn)行處理, 將圖像中全部前景區(qū)域都判定為障礙目標(biāo), 并以質(zhì)心點(diǎn)表示目標(biāo)位置, 此方法未考慮對(duì)目標(biāo)所在區(qū)域進(jìn)行描述, 且將圖像中全部前景區(qū)域都判定為障礙目標(biāo), 計(jì)算量大, 實(shí)時(shí)性差, 容易發(fā)生虛、漏警問(wèn)題。

綜上所述, 現(xiàn)有研究無(wú)法滿足無(wú)人艇安全航行的需求, 為此提出一種基于圖像輪廓特征的航海雷達(dá)目標(biāo)檢測(cè)修正方法, 利用雷達(dá)圖像中的目標(biāo)輪廓及其包含的距離和方位特征, 判斷誤判情況是否發(fā)生, 并對(duì)目標(biāo)所在區(qū)域進(jìn)行準(zhǔn)確描述。通過(guò)試驗(yàn)測(cè)試, 驗(yàn)證了該方法的有效性和準(zhǔn)確性。

1 基于圖像輪廓特征的航海雷達(dá)目標(biāo)檢測(cè)修正方法

首先采用加權(quán)平均法與自定義閾值法對(duì)雷達(dá)圖像進(jìn)行預(yù)處理, 得到二值圖像, 并利用Sobel算子進(jìn)行邊緣檢測(cè), 提取圖像中全部輪廓; 然后, 將雷達(dá)目標(biāo)位置參數(shù)坐標(biāo)變換為雷達(dá)圖像中對(duì)應(yīng)的像素點(diǎn)坐標(biāo), 提取每個(gè)雷達(dá)目標(biāo)在圖像中對(duì)應(yīng)的輪廓, 若不同目標(biāo)對(duì)應(yīng)同一輪廓, 則認(rèn)為發(fā)生誤判, 并將誤判產(chǎn)生的多個(gè)分散目標(biāo)合并為一個(gè)目標(biāo); 最后, 提取能夠描述目標(biāo)輪廓位置的特征點(diǎn), 計(jì)算得到目標(biāo)邊緣距離和方位范圍參數(shù), 用以對(duì)目標(biāo)所在區(qū)域準(zhǔn)確描述, 并替換目標(biāo)原有的位置參數(shù), 從而實(shí)現(xiàn)對(duì)雷達(dá)目標(biāo)檢測(cè)的修正。

無(wú)人艇平臺(tái)所用航海雷達(dá)為英國(guó)Raymarine公司生產(chǎn)的Quantum2脈沖多普勒雷達(dá), 具有抗干擾能力強(qiáng)、圖像清晰度高等優(yōu)點(diǎn), 可以同步輸出海面障礙目標(biāo)相關(guān)參數(shù)與雷達(dá)圖像。

1.1 雷達(dá)圖像預(yù)處理

文中獲得的雷達(dá)圖像具有顏色種類(lèi)豐富的特點(diǎn), 且圖像前景區(qū)域由前景像素點(diǎn)填充, 處理運(yùn)算量大。若僅保留區(qū)域輪廓, 不僅能有效減少運(yùn)算量, 而且能夠保留區(qū)域原有相關(guān)特征, 不會(huì)對(duì)特征提取結(jié)果造成影響。因此, 在得到雷達(dá)圖像后, 首先進(jìn)行預(yù)處理, 以簡(jiǎn)化圖像數(shù)據(jù), 增強(qiáng)有關(guān)信息的可檢測(cè)性。預(yù)處理包括灰度化、二值化與邊緣檢測(cè)。

灰度化指將圖像中每個(gè)像素點(diǎn)的R(red)、G (green)、B(blue)值保持一致, 此時(shí)的這個(gè)值叫做灰度。選用加權(quán)平均法[11]對(duì)雷達(dá)圖像進(jìn)行灰度化, 對(duì)于圖像中第列行的像素點(diǎn), 灰度計(jì)算公式為

式中:(,)、(,)、(,)分別表示該點(diǎn)初始R、G、B值;(,)為計(jì)算得到的灰度; 權(quán)值R、G、B具體數(shù)值應(yīng)結(jié)合雷達(dá)圖像特點(diǎn)經(jīng)試驗(yàn)分析設(shè)定。

二值化指將圖像中的像素點(diǎn)灰度置為0(黑色)或255(白色), 即讓圖像呈現(xiàn)非黑即白的效果。選用自定義閾值方法[12]對(duì)圖像進(jìn)行二值化, 即預(yù)先設(shè)定閾值, 若像素點(diǎn)滿足(,)≥, 則將該點(diǎn)灰度置為255, 否則置為0。閾值具體數(shù)值應(yīng)結(jié)合灰度化結(jié)果經(jīng)試驗(yàn)分析設(shè)定。

得到二值圖像后, 采用Sobel算子[13]對(duì)二值圖像進(jìn)行邊緣檢測(cè), 得到圖像中由邊緣像素點(diǎn)構(gòu)成的輪廓。Sobel算子通過(guò)計(jì)算像素點(diǎn)水平和垂直方向的梯度S和S來(lái)實(shí)現(xiàn)邊緣檢測(cè)功能。對(duì)于圖像中第列行的像素點(diǎn), 有[13]

式中,(,)和(,)分別為Sobel算子3×3尺寸的水平和垂直卷積因子, 如圖1所示。(,)為該像素點(diǎn)灰度,(,)為計(jì)算得到的梯度, 若梯度不為0, 則將其判定為邊緣像素點(diǎn)。

圖1 Sobel卷積因子

1.2 目標(biāo)輪廓提取

雷達(dá)圖像中, 每個(gè)雷達(dá)目標(biāo)都能在圖像中找到與之唯一對(duì)應(yīng)的輪廓。當(dāng)島嶼、貨輪等大型目標(biāo)被航海雷達(dá)誤判為多個(gè)額外目標(biāo)時(shí), 這些額外目標(biāo)在圖像中仍對(duì)應(yīng)同一個(gè)輪廓。因此, 需提取每個(gè)雷達(dá)目標(biāo)對(duì)應(yīng)的輪廓, 若不同目標(biāo)對(duì)應(yīng)同一輪廓, 則說(shuō)明這些目標(biāo)為由同一個(gè)大目標(biāo)誤判產(chǎn)生。目標(biāo)輪廓提取步驟如下。

式中:為雷達(dá)量程;為圖像每一行像素點(diǎn)的個(gè)數(shù);為圖像每一列像素點(diǎn)的個(gè)數(shù)。

然后, 根據(jù)坐標(biāo)變換結(jié)果, 提取每個(gè)雷達(dá)目標(biāo)在圖像中對(duì)應(yīng)的輪廓。提取規(guī)則如下: 對(duì)圖像中輪廓進(jìn)行標(biāo)號(hào), 逐次比較雷達(dá)目標(biāo)像素點(diǎn)與輪廓位置關(guān)系, 如圖2所示。若某個(gè)雷達(dá)目標(biāo)對(duì)應(yīng)的像素點(diǎn)在某一輪廓內(nèi)或輪廓上, 則該輪廓為這個(gè)雷達(dá)目標(biāo)在圖像中對(duì)應(yīng)的輪廓。

圖2 雷達(dá)目標(biāo)與圖像輪廓提取規(guī)則示意圖

1.3 目標(biāo)特征參數(shù)計(jì)算

為了描述目標(biāo)在實(shí)際場(chǎng)景中所在區(qū)域, 引入邊緣距離S與方位范圍。其中邊緣距離指雷達(dá)目標(biāo)反射截面相距無(wú)人艇的最近距離; 方位范圍指雷達(dá)目標(biāo)反射截面兩端相對(duì)于無(wú)人艇的最大與最小方位之間的范圍。

為了提取上述3個(gè)特征點(diǎn), 需要計(jì)算輪廓上每個(gè)像素點(diǎn)相對(duì)于圖像中心的距離和方位。令圖像中心像素點(diǎn)為0, 則圖像中任意像素點(diǎn)P相對(duì)于0的距離計(jì)算公式為

式中:和分別為像素點(diǎn)所在列數(shù)與行數(shù);為P相對(duì)于0的距離, 單位為1個(gè)像素點(diǎn)的寬度。

計(jì)算得到兩像素點(diǎn)間距離后, 計(jì)算P相對(duì)于0的方位

該方法中, 以正北方向作為0°, 順時(shí)針為正方向, 方位區(qū)間為[0, 360°)。需要注意的是, 式(7)只適用于方位區(qū)間在(0, 90°)時(shí), 其他方位區(qū)間還需根據(jù)具體情況在計(jì)算結(jié)果基礎(chǔ)上進(jìn)行補(bǔ)足。

當(dāng)雷達(dá)圖像尺寸與航海雷達(dá)量程固定時(shí), 雷達(dá)圖像中每一個(gè)像素點(diǎn)所代表的實(shí)際距離也是固定的。因此, 可得邊緣距離

方位范圍方為min～max。

2 試驗(yàn)驗(yàn)證及結(jié)果分析

為驗(yàn)證基于圖像輪廓特征的無(wú)人艇載航海雷達(dá)目標(biāo)檢測(cè)修正方法在工程應(yīng)用中的有效性與準(zhǔn)確性, 開(kāi)展試驗(yàn)測(cè)試。試驗(yàn)基于Opencv2.4.9計(jì)算機(jī)視覺(jué)庫(kù), 以C++編程語(yǔ)言開(kāi)發(fā)檢測(cè)軟件。試驗(yàn)時(shí)通過(guò)計(jì)算機(jī)獲取航海雷達(dá)測(cè)得的海面障礙目標(biāo)相關(guān)參數(shù)與雷達(dá)圖像, 并利用檢測(cè)軟件實(shí)時(shí)進(jìn)行處理, 以模擬無(wú)人艇航海雷達(dá)海面障礙目標(biāo)檢測(cè)的場(chǎng)景。

2.1 試驗(yàn)準(zhǔn)備工作

試驗(yàn)計(jì)算機(jī)平臺(tái)為2.60 GHz主頻Intel Core i5處理器、8 GB內(nèi)存、Windows 7操作系統(tǒng)的筆記本計(jì)算機(jī)。在2級(jí)海況條件下開(kāi)展了2次試驗(yàn): 試驗(yàn)一地點(diǎn)為青島膠州灣海域, 被測(cè)目標(biāo)為進(jìn)港貨輪; 試驗(yàn)二地點(diǎn)為青島唐島灣海域, 被測(cè)目標(biāo)為島嶼。試驗(yàn)中分別采用德國(guó)大陸集團(tuán)ARS408型毫米波雷達(dá)與谷歌公司Google Earth衛(wèi)星圖測(cè)距作為文中方法準(zhǔn)確性的驗(yàn)證手段。ARS408型毫米波雷達(dá)是一款緊湊型V波段77 GHz長(zhǎng)距雷達(dá)傳感器, 最大檢測(cè)距離250 m, 測(cè)距誤差小于0.4 m, 可根據(jù)檢測(cè)結(jié)果中橫、縱向距離計(jì)算出目標(biāo)相對(duì)方位。Google Earth衛(wèi)星圖是一款虛擬地球軟件, 它把衛(wèi)星照片、航空攝影和地理信息布置在一個(gè)地球三維模型上, 在中國(guó)城市內(nèi)的測(cè)距精度為1.5～2 m[14], 可根據(jù)經(jīng)、緯度計(jì)算兩坐標(biāo)點(diǎn)的相對(duì)方位。

試驗(yàn)正式開(kāi)展前, 對(duì)方法中涉及的各項(xiàng)權(quán)值與閾值進(jìn)行了分析與設(shè)定。首先, 由于文中所用航海雷達(dá)的圖像包含顏色種類(lèi)較少并且顏色固定, 因此為確定灰度化中權(quán)值R、G和B的值, 對(duì)雷達(dá)圖像目標(biāo)區(qū)域中各類(lèi)對(duì)象顏色的R、G、B值進(jìn)行統(tǒng)計(jì)如表1所示。以灰度化后各類(lèi)對(duì)象灰度接近且能夠與黑色背景顯著區(qū)分作為標(biāo)準(zhǔn), 選取合適的權(quán)值。

表1 雷達(dá)圖像目標(biāo)區(qū)域R、G、B值統(tǒng)計(jì)

經(jīng)過(guò)計(jì)算發(fā)現(xiàn), 當(dāng)R、G、B值分別設(shè)定為0.45、0.40、0.15時(shí), 灰度化后的雷達(dá)圖像目標(biāo)區(qū)域中各類(lèi)對(duì)象灰度接近, 并且均大于125, 能夠與黑色背景顯著區(qū)分, 如圖3(a)所示, 滿足選取標(biāo)準(zhǔn)。

為確定二值化中的值, 利用前述經(jīng)過(guò)灰度化的雷達(dá)圖像, 對(duì)取不同值時(shí)的二值化效果進(jìn)行比較, 處理結(jié)果取局部如圖3所示。結(jié)果表明,設(shè)置過(guò)小會(huì)導(dǎo)致不同目標(biāo)區(qū)域邊緣粘連, 設(shè)置過(guò)大會(huì)造成目標(biāo)區(qū)域缺失, 兩者皆會(huì)影響后續(xù)邊緣檢測(cè)的準(zhǔn)確性。當(dāng)=100時(shí), 目標(biāo)區(qū)域邊緣清晰不粘連, 并且填充飽滿沒(méi)有缺失, 因此將設(shè)定為100。

2.2 試驗(yàn)過(guò)程及結(jié)果分析

1) 試驗(yàn)一: 將航海雷達(dá)架于船艇上, 設(shè)定雷達(dá)量程為1/4 n mile, 將一艘進(jìn)港貨輪作為被測(cè)目標(biāo), 試驗(yàn)場(chǎng)景與雷達(dá)圖像如圖4所示, 矩形框中為貨輪回波圖像。

圖3 T取不同值時(shí)的二值化效果

圖4 試驗(yàn)一場(chǎng)景與雷達(dá)圖像

試驗(yàn)中, 進(jìn)港貨輪被航海雷達(dá)誤判為5個(gè)分散目標(biāo), 每個(gè)目標(biāo)被測(cè)得的距離和方位參數(shù)如表2所示。

表2 試驗(yàn)一航海雷達(dá)測(cè)得的進(jìn)港貨輪相關(guān)參數(shù)

采用文中方法對(duì)航海雷達(dá)檢測(cè)結(jié)果進(jìn)行修正, 雷達(dá)圖像處理過(guò)程如圖5所示, 并計(jì)算得到貨輪相對(duì)于試驗(yàn)船的邊緣距離與方位范圍參數(shù)。

利用毫米波雷達(dá)測(cè)得貨輪雷達(dá)反射截面相對(duì)于船艇的最近距離以及反射截面兩端相對(duì)船艇的方位。以毫米波雷達(dá)檢測(cè)結(jié)果作為基準(zhǔn), 將雷達(dá)原始檢測(cè)結(jié)果中5個(gè)分散目標(biāo)中距離最小值、方位最小與最大值分別作為雷達(dá)初步檢測(cè)測(cè)得的貨輪雷達(dá)反射截面相對(duì)于試驗(yàn)船的最近距離、反射截面兩端相對(duì)試驗(yàn)船的方位, 并與該方法處理結(jié)果進(jìn)行比較, 結(jié)果如表3所示。

圖5 試驗(yàn)一雷達(dá)圖像處理過(guò)程

表3 文中方法修正結(jié)果與毫米波雷達(dá)檢測(cè)結(jié)果

通過(guò)對(duì)比試驗(yàn)結(jié)果可知, 該方法在對(duì)航海雷達(dá)檢測(cè)結(jié)果修正過(guò)程中, 將雷達(dá)誤判產(chǎn)生的5個(gè)分散目標(biāo)合并為一個(gè)目標(biāo), 解決了誤判問(wèn)題。同時(shí), 計(jì)算得到的邊緣距離誤差由0.014 n mile縮減為0.001 n mile, 誤差降低了92.9%。計(jì)算得到的最小方位誤差由5.0°縮減為2.0°, 最大方位誤差由7.4°縮減為3.3°, 誤差分別降低了60.0%與55.4%, 相比于原有檢測(cè)結(jié)果更能準(zhǔn)確描述障礙目標(biāo)所在區(qū)域。算法運(yùn)行處理時(shí)間平均為276 ms, 滿足無(wú)人船海面障礙目標(biāo)檢測(cè)對(duì)于快速性的要求。

2) 試驗(yàn)二: 將航海雷達(dá)架于岸邊, 設(shè)定雷達(dá)量程為1 n mile, 將海岸附近一座島嶼作為被測(cè)目標(biāo), 試驗(yàn)場(chǎng)景與雷達(dá)圖像如圖6所示, 矩形框中為島嶼回波圖像。

試驗(yàn)中, 島嶼被航海雷達(dá)誤判為4個(gè)分散目標(biāo), 檢測(cè)結(jié)果如表4所示。

采用文中方法對(duì)航海雷達(dá)檢測(cè)結(jié)果進(jìn)行修正, 雷達(dá)圖像處理過(guò)程如圖7所示。

圖6 試驗(yàn)二場(chǎng)景與雷達(dá)圖像

表4 試驗(yàn)二航海雷達(dá)測(cè)得的島嶼相關(guān)參數(shù)

圖7 試驗(yàn)二雷達(dá)圖像處理過(guò)程

在Google Earth中標(biāo)記島嶼相對(duì)于航海雷達(dá)掃描截面兩端的坐標(biāo)點(diǎn)和掃描截面上距離航海雷達(dá)最近的坐標(biāo)點(diǎn), 計(jì)算得到島嶼雷達(dá)反射截面相對(duì)航海雷達(dá)的最近距離以及反射截面兩端相對(duì)航海雷達(dá)的方位作為Google Earth測(cè)距結(jié)果。

以Google Earth測(cè)距結(jié)果作為基準(zhǔn), 將雷達(dá)原始檢測(cè)結(jié)果中4個(gè)分散目標(biāo)中距離最小值、方位最小與最大值分別作為雷達(dá)原始檢測(cè)測(cè)得的島嶼雷達(dá)反射截面相對(duì)于航海雷達(dá)的最近距離、反射截面兩端相對(duì)航海雷達(dá)的方位, 并與該方法處理結(jié)果進(jìn)行比較, 結(jié)果如表5所示。

通過(guò)對(duì)比試驗(yàn)結(jié)果可知, 該方法在對(duì)航海雷達(dá)檢測(cè)結(jié)果修正過(guò)程中, 將雷達(dá)誤判產(chǎn)生的4個(gè)分散目標(biāo)合并為一個(gè)目標(biāo), 解決了誤判問(wèn)題。同時(shí), 計(jì)算得到的邊緣距離誤差由0.034 n mile縮減為0.007 n mile, 誤差降低了79.4%。計(jì)算得到的最大方位由5.0°縮減為2.2°, 最小方位由1.9°縮減為1.8°, 誤差分別降低了44.0%與5.3%, 相比于原有檢測(cè)結(jié)果更能準(zhǔn)確描述障礙目標(biāo)所在區(qū)域。算法運(yùn)行處理時(shí)間平均為205 ms, 滿足無(wú)人船海面障礙目標(biāo)檢測(cè)對(duì)于快速性的要求。

表5 文中方法修正結(jié)果與Google Earth衛(wèi)星圖測(cè)距結(jié)果

3 結(jié)束語(yǔ)

針對(duì)航海雷達(dá)對(duì)海面大型目標(biāo)易產(chǎn)生誤判、檢測(cè)結(jié)果準(zhǔn)確性差的問(wèn)題, 文中提出一種基于圖像輪廓特征的航海雷達(dá)目標(biāo)檢測(cè)修正方法。利用雷達(dá)圖像中目標(biāo)輪廓及其包含的距離和方位特征, 判斷航海雷達(dá)是否將一個(gè)大型目標(biāo)誤判為多個(gè)分散目標(biāo), 并將分散目標(biāo)重新合并為一個(gè)目標(biāo), 同時(shí)對(duì)目標(biāo)所在區(qū)域準(zhǔn)確描述。試驗(yàn)結(jié)果表明, 該方法能有效解決大型目標(biāo)誤判問(wèn)題, 并將航海雷達(dá)檢測(cè)結(jié)果中的距離誤差降低79%以上, 方位誤差最大減少60%, 驗(yàn)證了該方法的有效性與準(zhǔn)確性。

[1] 張磊, 許勁松, 秦操. 無(wú)人船目標(biāo)探測(cè)與跟蹤系統(tǒng)[J]. 船舶工程, 2018, 40(8): 56-60.

Zhang Lei, Xu Jin-song, Qin Cao. Target Detection and Tracking System of Unmanned Surface Vehicles[J]. Ship Engineering, 2018, 40(8): 56-60.

[2] Han J, Cho Y, Kim J. Coastal SLAM with Marine Radar for USV Operation in GPS-Restricted Situations[J]. IEEE Journal of Oceanic Engineering, 2019, 44(2): 300-309.

[3] Muhovic J, Mandeljc R, Bovcon B, et al. Obstacle Tracking for Unmanned Surface Vessels Using 3-D Point Cloud[J]. IEEE Journal of Oceanic Engineering, 2019, 99: 1-13.

[4] 季勤超, 趙建軍, 賀林波, 等. 艦船姿態(tài)測(cè)量誤差對(duì)雷達(dá)探測(cè)精度的影響分析[J]. 計(jì)算機(jī)與數(shù)字工程, 2019, 47(2): 330-333, 353.

Ji Qin-chao, Zhao Jian-jun, He Lin-bo, et al. Analysis of Effects on Radar Detection Precision Caused by Ship Attitude Measurement Errors[J]. Computer & Digital Engineering, 2019, 47(2): 330-333, 353.

[5] Han J, Park J, Kim J, et al. GPS-less Coastal Navigation Using Marine Radar for USV Operation[J]. IFAC-Papers OnLine, 2016, 49(23): 598-603.

[6] 唐林, 劉通. 基于微多普勒效應(yīng)的運(yùn)動(dòng)船舶目標(biāo)分類(lèi)研究[J]. 艦船科學(xué)技術(shù), 2019, 41(4A): 100-102.

Tang Lin, Liu Tong. Research on Moving Ship Target Classification Based on Micro-Doppler Effect[J]. Ship Science and Technology, 2019, 41(4A): 100-102.

[7] Almeida C, Franco T, Ferreira H, et al. Radar Based Collision Detection Developments on USV ROAZ II[C]// Oceans 2009-Europe, Bremen: IEEE, 2009: 1-6.

[8] Zhuang J Y, Zhang L, Zhao S Q, et al. Radar-based Collision Avoidance for Unmanned Surface Vehicles[J]. China Ocean Engineering, 2016, 30(6): 867-883.

[9] 莊佳園, 蘇玉民, 廖煜雷, 等. 基于航海雷達(dá)的水面無(wú)人艇局部路徑規(guī)劃[J]. 上海交通大學(xué)學(xué)報(bào), 2012, 46(9): 1371-1375.

Zhuang Jia-yuan, Su Yu-min, Liao Yu-lei, et al. Unmanned Surface Vehicle Local Path Planning Based on Marine Radar[J]. Journal of Shanghai Jiaotong University, 2012, 46(9): 1371-1375.

[10] Ji X, Zhuang J Y, Su Y M. Marine Radar Target Detection for USV[J]. Advanced Materials Research, 2014, 1006-1007: 863-869.

[11] Liu J, Hu B, Wang Y. G. Optimum Adaptive Array Stochastic Resonance in Noisy Grayscale Image Restoration[J]. Physics Letters A, 2019, 383(13): 1457-1465.

[12] Guo J B, He C J, Zhang X T. Nonlinear Edge-Preserving Diffusion with Adaptive Source for Document Images Binarization[J]. Applied Mathematics and Computation, 2019, 351: 8-22.

[13] 王云艷, 周志剛, 羅冷坤. 基于Sobel算子濾波的圖像增強(qiáng)算法[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2019, 36(12): 184-188.

Wang Yun-yan, Zhou Zhi-gang, Luo Leng-kun. Operator Filtering[J]. Computer Applications and Software, 2019, 36(12): 184-188.

[14] 王旭旺, 王凡. 基于全球IGS站坐標(biāo)的Google Earth地圖精度分析[J]. 測(cè)繪通報(bào), 2019(S1): 18-21.

Wang Xu-wang, Wang Fan. Precision Analysis of Google Earth Map Based on the Coordinates of Global IGS Stations[J]. Bulletin of Surveying and Mapping, 2019(S1): 18-21.

Target Detection and Correction Method for Unmanned Surface Vehicles Marine Radar Based on Image Contour Features

LI Li-gang1, LI Bo-ran2, JIN Jiu-cai3, LIU De-qing3, DAI Yong-shou1

(1. College of Ocean and Space Information, China University of Petroleum(East China), Qingdao 266580, China; 2. College of Control Science and Engineering, China University of Petroleum(East China), Qingdao 266580, China; 3. Laboratory of Marine Physics and Remote Sensing, First Institute of Oceanography, Ministry of Natural Resources, Qingdao 266061, China)

Marine radar has the advantages of a wide detection range and all-weather operation, and it is the main method used by unmanned surface vehicles(USV) to detect obstacles on the sea. However, for large targets such as islands and freighters, marine radar cannot accurately describe the area in which they are located and may misjudge them as multiple scattered targets. For this reason, a method for correcting the target detection result of marine radar based on image contour features was proposed with the use of the radar image characteristics. First, the radar image is preprocessed to simplify the image data and enhance the detectability of related information. Second, the target contour is extracted according to the corresponding pixel coordinates of the target. If different targets correspond to the same contour, a misjudgment is considered to have occurred, and multiple scattered targets generated by the misjudgment are combined into one target. Finally, the area where the target was located was described using the distance and orientation characteristic parameters contained in the target contour. The results of the experimental tests demonstrate that this method can effectively solve the problem of misjudgment of large targets and reduce the distance error in the detection results of marine radar by more than 79%, and the azimuth error by up to 60%.

unmanned surface vehicle; marine radar; obstacle target detection; image contour feature

李立剛, 李勃然, 金久才, 等. 基于圖像輪廓特征的無(wú)人水面艇航海雷達(dá)目標(biāo)檢測(cè)修正方法[J]. 水下無(wú)人系統(tǒng)學(xué)報(bào), 2022, 30(2): 190-196.

U665.22; TJ630.6

A

2096-3920(2022)02-0190-07

10.11993/j.issn.2096-3920.2022.02.008

2021-05-01;

2021-06-26.

國(guó)家重點(diǎn)研發(fā)計(jì)劃(2017YFC1405203); 中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資助(19CX05003A-1).

李立剛(1976-), 男, 博士, 副教授, 主要研究方向?yàn)闊o(wú)人艇智能信息處理技術(shù).

(責(zé)任編輯: 許 妍)