賈 威，遲書凱，葛憲威

（中國(guó)海洋大學(xué)工程學(xué)院，山東 青島266100）

應(yīng)用于水下場(chǎng)景的視覺系統(tǒng)主要有單目視覺系統(tǒng)和雙目視覺系統(tǒng)[1]。與雙目視覺系統(tǒng)相比，單目視覺結(jié)構(gòu)簡(jiǎn)單，易于配置安裝，因此更適合水下的應(yīng)用需求[2]。但是由于成像原理的限制，單目視覺在原理上無法直接獲取深度信息，但結(jié)合一定的先驗(yàn)信息可以實(shí)現(xiàn)單目視覺的深度估計(jì)。

在基于傳統(tǒng)視覺方法的單目視覺研究中，張法全等[3-4]對(duì)圖像進(jìn)行模糊度監(jiān)測(cè)獲取邊緣寬度然后通過樣條插值算法求取深度信息，但該方法只適用于較近距離下的深度信息求解。王劍等[5]通過改變相機(jī)焦距獲取多張圖像，在固定尺寸和焦距兩種情況下成像，利用目標(biāo)物體尺寸和焦距之間的關(guān)系，定量求取深度信息，但該方法要求對(duì)相機(jī)進(jìn)行在線標(biāo)定，不滿足實(shí)時(shí)性的要求。

基于深度學(xué)習(xí)的單目深度估計(jì)方法，根據(jù)訓(xùn)練方法的不同可以分為：有監(jiān)督方法、無監(jiān)督方法和半監(jiān)督方法[6]。在有監(jiān)督的單目深度估計(jì)如文獻(xiàn)[7—8]的方法中，方法使用的監(jiān)督信號(hào)基于深度圖的地面真值，這在一些應(yīng)用場(chǎng)景下的獲取代價(jià)是相當(dāng)昂貴的。在水下自主作業(yè)的應(yīng)用場(chǎng)景中，很難獲得具有準(zhǔn)確監(jiān)督信號(hào)的水下深度圖像作為網(wǎng)絡(luò)訓(xùn)練使用的數(shù)據(jù)集。在無監(jiān)督單目深度估計(jì)中，如文獻(xiàn)[9—10]的方法中，一般使用幀間的幾何約束作為訓(xùn)練過程的監(jiān)督信號(hào)。無監(jiān)督方法在網(wǎng)絡(luò)訓(xùn)練中沒有使用真值，所以性能和有監(jiān)督方法的差距很大，而且無監(jiān)督方法存在著尺度模糊、不一致的問題[6]。

綜上所述，無論是傳統(tǒng)方法還是基于深度學(xué)習(xí)的方法，都存在一定的問題?；谏疃葘W(xué)習(xí)的單目估計(jì)方法，不管是有監(jiān)督方法或是無監(jiān)督方法在水下的應(yīng)用場(chǎng)景中都無法出色地完成任務(wù)，但卷積神經(jīng)網(wǎng)絡(luò)在目標(biāo)識(shí)別與跟蹤領(lǐng)域仍有著非常出色的表現(xiàn)。在水下的應(yīng)用場(chǎng)景中，拍攝得到的圖像往往存在清晰度差，邊緣銳度低，整體亮度低，目標(biāo)顏色強(qiáng)度會(huì)隨著水深逐漸減弱，輪廓信息也會(huì)受到一定影響的問題[11]，這就使得傳統(tǒng)的目標(biāo)識(shí)別方法會(huì)出現(xiàn)誤識(shí)別，甚至無法識(shí)別的情況。深度學(xué)習(xí)網(wǎng)絡(luò)方法可以通過多次卷積計(jì)算來對(duì)圖像特征進(jìn)行提取，能夠充分利用圖像的像素信息，提高檢測(cè)性能，同時(shí)滿足實(shí)時(shí)性和準(zhǔn)確性的要求。在面向水下環(huán)境的目標(biāo)檢測(cè)中，最新的依賴卷積神經(jīng)網(wǎng)絡(luò)的檢測(cè)器可以分為兩階段檢測(cè)器如R-CNN、Faster R-CNN 和單階段檢測(cè)器如YOLO（You Only Look Once）、SSD（Single Shot Multibox Detector） 兩類。兩階段的檢測(cè)器具有更高的準(zhǔn)確性，但在水下應(yīng)用場(chǎng)景中不能滿足實(shí)時(shí)性和計(jì)算資源限制的需求[12]?，F(xiàn)有的針對(duì)水下環(huán)境的單階段檢測(cè)器改進(jìn)主要針對(duì)水下小目標(biāo)的檢測(cè)性能，以及克服水下成像質(zhì)量的影響，但算法的實(shí)時(shí)性較差，同時(shí)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，離線移植實(shí)現(xiàn)的難度較大。YOLOv3 網(wǎng)絡(luò)結(jié)構(gòu)相對(duì)簡(jiǎn)單，復(fù)雜程度低，便于水下的離線實(shí)現(xiàn)，同時(shí)YOLO 單階段檢測(cè)器更為快速，且對(duì)小物體的檢測(cè)性能更好。

因此，本文基于改進(jìn)的YOLOv3 算法實(shí)現(xiàn)水下目標(biāo)的檢測(cè)，同時(shí)在神經(jīng)網(wǎng)絡(luò)獲取到的像素信息的基礎(chǔ)上構(gòu)建單應(yīng)性模型，結(jié)合基于PnP（Perspectiven-Point）問題的改進(jìn)算法對(duì)目標(biāo)進(jìn)行實(shí)時(shí)的位姿估計(jì)，算法實(shí)時(shí)性滿足應(yīng)用需求并且網(wǎng)絡(luò)結(jié)構(gòu)有利于離線移植實(shí)現(xiàn)，可以在水下應(yīng)用場(chǎng)景中實(shí)時(shí)獲取位置信息。

1 目標(biāo)檢測(cè)

本文面向水下自主作業(yè)場(chǎng)景，提出一種目標(biāo)檢測(cè)與實(shí)時(shí)位姿估計(jì)方法，在目標(biāo)物體幾何規(guī)則并結(jié)合一定先驗(yàn)信息的基礎(chǔ)上可以實(shí)現(xiàn)單目視覺下的目標(biāo)檢測(cè)與實(shí)時(shí)位姿估計(jì)。在這里以廣泛應(yīng)用于水下裝置設(shè)備的水密接插件和工件為例驗(yàn)證本文方法可行性。為了實(shí)現(xiàn)快速且魯棒地對(duì)目標(biāo)進(jìn)行檢測(cè)，本文在YOLOv3 算法[13]的基礎(chǔ)上加以改進(jìn)，使得算法在水下場(chǎng)景中具備更好的檢測(cè)效果和更低的誤差?；赮OLOv3 網(wǎng)絡(luò)的檢測(cè)方法將候選框提取、提取特征、目標(biāo)分類與目標(biāo)跟蹤統(tǒng)一于一個(gè)神經(jīng)網(wǎng)絡(luò)中，網(wǎng)絡(luò)可以從圖像中提取候選區(qū)域，然后通過圖像中的特征來預(yù)測(cè)目標(biāo)在圖像中的位置和置信度。

基礎(chǔ)的YOLOv3 算法對(duì)物體的檢測(cè)無法解決邊界框跟隨物體旋轉(zhuǎn)的問題，也就是說盡管本文方法的應(yīng)用場(chǎng)景中目標(biāo)物體幾何形狀規(guī)則，但使用傳統(tǒng)的YOLOv3 網(wǎng)絡(luò)無法實(shí)現(xiàn)邊界框與物體相切，且能隨著物體姿態(tài)的變化保持很好的相切于物體。在水下自主作業(yè)的場(chǎng)景中，單目視覺系統(tǒng)需獲取物體的深度信息和姿態(tài)信息，故對(duì)傳統(tǒng)的YOLOv3 算法進(jìn)行改進(jìn)，在解決跟蹤效果的基礎(chǔ)上盡可能保證提供較為準(zhǔn)確的姿態(tài)及深度信息。

1.1 YOLO 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

YOLOv3 網(wǎng)絡(luò)對(duì)圖像特征的提取主要通過卷積和池化操作來實(shí)現(xiàn)，在本文水下自主作業(yè)的應(yīng)用場(chǎng)景中，考慮到水下拍攝畫面的霧化模糊問題，以及完成目標(biāo)檢測(cè)之后進(jìn)行位姿估計(jì)時(shí)對(duì)局部特征的需求問題，為了增強(qiáng)YOLOv3 網(wǎng)絡(luò)在本文應(yīng)用場(chǎng)景中的適用性，給位姿估計(jì)提供精度更高的像素信息，本文采用重組層代替卷積和池化操作來對(duì)圖像進(jìn)行特征提取。重組層的結(jié)構(gòu)如圖1 所示，重組層將每個(gè)通道上的2 ×2 圖像塊中的4 個(gè)像素點(diǎn)進(jìn)行拆解，并且重新排列成4 通道的1×1 圖像塊，這樣操作可以更好地保留像素中的局部細(xì)節(jié)，有利于為后續(xù)的位姿估計(jì)流程提供像素信息。改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示。

圖1 重組層結(jié)構(gòu)

圖2 改進(jìn)的YOLOv3 網(wǎng)絡(luò)結(jié)構(gòu)

1.2 損失函數(shù)改進(jìn)

在本文方法的水下應(yīng)用場(chǎng)景中，目標(biāo)在水中的姿態(tài)是隨機(jī)的，也就是說物體可能在水中發(fā)生旋轉(zhuǎn)，這會(huì)導(dǎo)致同一類物體由于拍攝角度的不同出現(xiàn)多種情況的長(zhǎng)寬比，而原始YOLOv3 網(wǎng)絡(luò)的損失函數(shù)是長(zhǎng)寬的損失，為了提高網(wǎng)絡(luò)的泛化能力，識(shí)別各種姿態(tài)下的目標(biāo)物體，改進(jìn)模型的損失函數(shù)，轉(zhuǎn)化為區(qū)域框?qū)蔷€的損失，損失函數(shù)具體如下所示。

在式（1）中，Ci表示目標(biāo)分類；Pi表示屬于某類別的概率，對(duì)于存在目標(biāo)的待檢測(cè)區(qū)域，該區(qū)域置信度為1；目標(biāo)不存在的區(qū)域則置信度為0。訓(xùn)練時(shí)選用λcoord=λnoobj=0.5 的權(quán)重。

1.3 網(wǎng)絡(luò)訓(xùn)練

制作網(wǎng)絡(luò)訓(xùn)練使用的數(shù)據(jù)集，選取在水下環(huán)境中拍攝得到的不同姿態(tài)不同距離的水密接插件及工件圖片制作數(shù)據(jù)集，使用LabelImg2 工具進(jìn)行標(biāo)注。數(shù)據(jù)集圖像總共2 000 張，其中1 200 張作為訓(xùn)練集，600 張作為測(cè)試集，200 張作為驗(yàn)證集。

對(duì)YOLO 網(wǎng)絡(luò)的訓(xùn)練過程需要在開始時(shí)對(duì)預(yù)測(cè)框（Anchor box）的數(shù)量及大小進(jìn)行設(shè)定，由于網(wǎng)絡(luò)訓(xùn)練過程實(shí)質(zhì)上就是在初始預(yù)測(cè)框的基礎(chǔ)上不斷對(duì)預(yù)測(cè)框進(jìn)行調(diào)整，使其與真實(shí)框接近的過程，所以設(shè)定合適的初始預(yù)測(cè)框不僅能加快網(wǎng)絡(luò)的訓(xùn)練過程，而且能提高算法識(shí)別的準(zhǔn)確率，本文針對(duì)水下應(yīng)用場(chǎng)景的需求，以及目標(biāo)物體幾何形狀的特點(diǎn)，將識(shí)別目標(biāo)設(shè)定為水密接插件的4 個(gè)角點(diǎn)，同時(shí)引入K-Means 聚類算法，生成角點(diǎn)目標(biāo)的最優(yōu)初始預(yù)測(cè)框，以實(shí)現(xiàn)優(yōu)化網(wǎng)絡(luò)性能的目的。

K-Means 算法是一種較為常見的聚類算法[14]，把一個(gè)樣本集作為算法的輸入，算法對(duì)樣本進(jìn)行聚類，將相似特征的一類樣本聚為一類。在本文的訓(xùn)練模型中共需要9 個(gè)先驗(yàn)框，因此在聚類算法中令K=9，聚類得到9 個(gè)類簇。聚類在無監(jiān)督下進(jìn)行，首先選取9 個(gè)中心點(diǎn)，遍歷每個(gè)樣本點(diǎn)進(jìn)行分配，尋找與每個(gè)點(diǎn)距離最近的中心點(diǎn)，距離同一中心點(diǎn)最近的點(diǎn)為一個(gè)類簇，這樣便完成了一次聚類，然后遍歷所有類簇，計(jì)算新的質(zhì)心，直到類簇質(zhì)心不發(fā)生變化或迭代次數(shù)達(dá)到最大，則聚類完成。其中聚類的目標(biāo)函數(shù)如下。

式中，Box[i]表示聚類結(jié)果；Box[j]表示物體框真實(shí)值；IOU表示兩者間的交并比。

2 位姿估計(jì)

通過改進(jìn)的YOLOv3 目標(biāo)檢測(cè)算法實(shí)現(xiàn)對(duì)角點(diǎn)的檢測(cè)后，YOLOv3 網(wǎng)絡(luò)可以輸出4 個(gè)預(yù)測(cè)框（Bounding Box）中心點(diǎn)的像素坐標(biāo)及預(yù)測(cè)框的長(zhǎng)寬數(shù)據(jù)，至此可以獲取目標(biāo)物上四點(diǎn)在像素坐標(biāo)系下的2D坐標(biāo)，同時(shí)結(jié)合目標(biāo)物先驗(yàn)信息，可以建立世界坐標(biāo)系，獲取四點(diǎn)在真實(shí)世界坐標(biāo)系下的3D 坐標(biāo)。

至此，如果在相機(jī)不發(fā)生移動(dòng)也就是相機(jī)坐標(biāo)系固定的應(yīng)用場(chǎng)景中，對(duì)目標(biāo)的位姿估計(jì)問題則可以轉(zhuǎn)化為簡(jiǎn)單的已知世界坐標(biāo)系下N個(gè)空間點(diǎn)的真實(shí)坐標(biāo)及這些空間點(diǎn)在圖像中的投影，來計(jì)算相機(jī)位姿，進(jìn)而計(jì)算物體與相機(jī)間的姿態(tài)變化矩陣，得到物體位姿的過程。但是在本文的應(yīng)用場(chǎng)景中，相機(jī)在實(shí)際水下應(yīng)用場(chǎng)景下提供視覺信息的過程中可能需要發(fā)生移動(dòng)即相機(jī)坐標(biāo)系會(huì)發(fā)生改變。

因此，本文將對(duì)目標(biāo)物體的位姿估計(jì)問題轉(zhuǎn)化為已知世界坐標(biāo)系下N個(gè)空間點(diǎn)的真實(shí)坐標(biāo)及這些空間點(diǎn)在圖像中的投影，來計(jì)算相機(jī)位姿，進(jìn)而計(jì)算物體與相機(jī)間的姿態(tài)變化矩陣，得到物體位姿的過程。同時(shí)考慮到本文應(yīng)用場(chǎng)景中相機(jī)位姿會(huì)隨著跟蹤過程發(fā)生變化，建立物體前后姿態(tài)間的單應(yīng)性模型[15]，結(jié)合物體與相機(jī)間的姿態(tài)變化矩陣，對(duì)各種可能情形下的目標(biāo)位姿進(jìn)行估計(jì)。

2.1 單應(yīng)性模型

根據(jù)計(jì)算機(jī)視覺領(lǐng)域的單應(yīng)性概念，水密接插件和相機(jī)之間可以構(gòu)建單應(yīng)性矩陣來確定目標(biāo)物體的深度與姿態(tài)。對(duì)不同姿態(tài)下的水密接插件與相機(jī)進(jìn)行單應(yīng)性模型構(gòu)建，模型原理如圖3 所示，將水密接插件高垂直于水平面時(shí)看作零初始狀態(tài)，此時(shí)在物體上建立世界坐標(biāo)系O0-X0Y0Z0，以圓柱體的高為X軸，以圓柱體橫截面矩形的寬為Y軸，以垂直于橫截面矩形正方向向外為Z軸。相機(jī)坐標(biāo)系建立為OC-XCYCZC，則零初始狀態(tài)下的世界坐標(biāo)系O0-X0Y0Z0與相機(jī)坐標(biāo)系OC-XCYCZC間的關(guān)系為（R1，T1），其中，R、T 分別表示兩個(gè)坐標(biāo)系間的旋轉(zhuǎn)和平移矩陣。當(dāng)目標(biāo)物姿態(tài)發(fā)生變化，離開零初始狀態(tài)時(shí)，在姿態(tài)改變后的物體上仍按照零初始狀態(tài)下坐標(biāo)系建立的方法，以圓柱體的高為X軸，以圓柱體橫截面矩形的寬為Y軸，以垂直于橫截面矩形正方向向外為Z軸建立新的世界坐標(biāo)系O′-X′Y′Z′，該世界坐標(biāo)系與相機(jī)坐標(biāo)系OC-XCYCZC之間的關(guān)系可以用（R2，T2）來表示。由剛體的平移旋轉(zhuǎn)定理可知，物體兩種不同姿態(tài)間的轉(zhuǎn)換關(guān)系可以用一個(gè)單應(yīng)性矩陣H 描述，且H 應(yīng)當(dāng)滿足式（3）。

圖3 單應(yīng)性模型的原理圖

式中，[x0y0z0]T表示坐標(biāo)系O0-X0Y0Z0中點(diǎn)的坐標(biāo)；[x′y′z′]T為同一個(gè)點(diǎn)在姿態(tài)變化后建立的新世界坐標(biāo)系O′-X′Y′Z′中的坐標(biāo)。

在本文方法的驗(yàn)證中，水密接插件的先驗(yàn)信息是固定且已知的，則由式（3）可知，物體當(dāng)前姿態(tài)與零初始狀態(tài)下姿態(tài)間的轉(zhuǎn)換關(guān)系可以由單應(yīng)性矩陣給出，而單應(yīng)性矩陣可以由同一點(diǎn)在兩個(gè)坐標(biāo)系下對(duì)應(yīng)的不同坐標(biāo)確定。設(shè)實(shí)際物體上一點(diǎn)在兩種姿態(tài)下在成像平面上得到的兩個(gè)投影點(diǎn)分別為U1=[u1v11]T和此時(shí)兩投影點(diǎn)間關(guān)系可表示如下。

理論上通過數(shù)據(jù)歸一化的直接線性變換（DLT）算法，可以求式（5）中的8 個(gè)未知量，從而求得單應(yīng)性矩陣H。但在本文應(yīng)用場(chǎng)景中，水下自主作業(yè)無法攜帶大量計(jì)算資源，DLT 算法計(jì)算量較大，所以對(duì)位姿的實(shí)時(shí)估計(jì)難以實(shí)現(xiàn)。

2.2 PnP 問題

至此，位姿估計(jì)問題可以近似為一個(gè)PnP問題[16]，PnP 問題的一般內(nèi)容如下。

（1）給定n個(gè)3D 參考點(diǎn)到攝像機(jī)圖像上2D投影點(diǎn)的匹配點(diǎn)對(duì)。

（2）已知3D 點(diǎn)在世界坐標(biāo)系下的坐標(biāo)，2D 點(diǎn)在圖像坐標(biāo)系下的坐標(biāo)。

（3）已知攝像機(jī)的內(nèi)參數(shù)矩陣。來求世界坐標(biāo)系與攝像機(jī)坐標(biāo)系之間的位姿變換矩陣[R|t]。

PnP 問題的一般示意圖如圖4 所示。

圖4 PnP 問題示意圖

2.3 PnP 位姿估計(jì)模型

在已知先驗(yàn)信息的基礎(chǔ)上，結(jié)合目標(biāo)檢測(cè)算法提供的圖像位置信息，建立PnP 位姿估計(jì)模型，在對(duì)匹配點(diǎn)的基礎(chǔ)上，先使用P3P 算法獲得模型下的初始轉(zhuǎn)換矩陣[R|T]，然后構(gòu)建最小二乘問題，使用LM（Levenberg-Marquardt Method） 算法繼續(xù)對(duì)轉(zhuǎn)換矩陣進(jìn)行迭代求解，實(shí)現(xiàn)降低誤差的目的。整個(gè)位姿估計(jì)算法流程如圖5 所示。

圖5 整體位姿估計(jì)算法流程

首先結(jié)合物體與相機(jī)幾何信息構(gòu)建單應(yīng)性模型，結(jié)合已知先驗(yàn)信息與PnP 原理[16]，可以建立PnP 位姿估計(jì)模型，本文將物體的投影按四邊形處理，得到的四邊形空間角點(diǎn)坐標(biāo)系模型如圖6所示。

圖6 四邊形空間角點(diǎn)坐標(biāo)系模型

基于PnP 問題的求解理論，為了同時(shí)保證求解的精度與算法的計(jì)算速度，實(shí)現(xiàn)較為精準(zhǔn)的實(shí)時(shí)位姿估計(jì)，本文首先選用P3P 算法使用四對(duì)點(diǎn)中的三對(duì)點(diǎn)進(jìn)行計(jì)算得到，在圖6 中，分別連接A′、C′與a′、c′，A′、B′、C′、D′為水密接插件的4 個(gè)角點(diǎn)，a′、b′、c′、d′為角點(diǎn)在相機(jī)成像平面上的投影，o′為相機(jī)的光心。首先，顯然圖中的三角形間存在對(duì)應(yīng)關(guān)系：Δo′a′b′-Δo′A′B′，Δo′b′c′-Δo′B′C′，Δo′a′c′-Δo′A′C′。對(duì)于三角形Δo′a′b和Δo′A′B′，由余弦定理可得式（6）。

對(duì)圖中另外兩組對(duì)應(yīng)三角形，同理可得式（7）。

對(duì)于式（7），等式兩邊同時(shí)除以o′C′2，然后記x=o′A′/o′C′，y=o′B′/o′C′，記v=o′B′2/o′C′2，uv=B′C′2/o′C′2，wv=A′C′2/o′C′2，則可得式（8）。

至此，在式（8）中，從圖像中點(diǎn)的位置可以得到3 個(gè)余弦角cos〈a′，b′〉、cos〈b′，c′〉、cos〈a′，c′〉，同時(shí)，u=B′C′2/A′B′2、w=A′C′2/A′B′2可以通過真實(shí)世界坐標(biāo)系結(jié)合先驗(yàn)信息計(jì)算得到，所以未知量只有x、y，式（8）轉(zhuǎn)化成關(guān)于x、y的一個(gè)二元二次方程，將3 個(gè)點(diǎn)帶入，得到4 個(gè)解，然后將第4 點(diǎn)帶入，得到一個(gè)最優(yōu)解。

得到P3P 算法的最優(yōu)解后，構(gòu)建最小二乘問題，對(duì)位姿矩陣進(jìn)行迭代更新，降低誤差。在PnP問題的求解中，得到的位姿主要誤差產(chǎn)生于相機(jī)的重投影誤差。將變換矩陣的李代數(shù)表示為ξ。假設(shè)空間中實(shí)際點(diǎn)的世界坐標(biāo)為Pi=[Xi，Yi，Zi]i，i=1，2，…，M，實(shí)際點(diǎn)所對(duì)應(yīng)投影的像素坐標(biāo)為μi=[ui，vi]，根據(jù)三維變換和李代數(shù)，有

將前文得到的相機(jī)初始位姿作為exp（ξ^）的初值，將等式兩邊的誤差求和，構(gòu)建最小二乘問題，迭代求解使誤差最小化，誤差函數(shù)構(gòu)建如下。

然后對(duì)每個(gè)誤差項(xiàng)關(guān)于優(yōu)化變量的導(dǎo)數(shù)進(jìn)行求解，即線性化：e（x+Δx）≈e（x）+J Δx（13），然后將雅可比矩陣J 代入，利用鏈?zhǔn)椒▌t進(jìn)行求導(dǎo)。

LM 算法是基于信賴區(qū)域理論進(jìn)行求解非線性最小二乘的算法[17]，基于上述計(jì)算，使用LM 算法進(jìn)行迭代運(yùn)算，每次迭代的增量公式如下。

然后將Δx帶入增益比例p公式。

每次迭代后計(jì)算一次p，直到p大于閾值則迭代結(jié)束，判斷是否收斂，得到最終的優(yōu)化結(jié)果。

3 實(shí)驗(yàn)與分析

為了驗(yàn)證本文整體技術(shù)路線的可行性及有效性，同時(shí)分別對(duì)基于YOLOv3 的結(jié)構(gòu)改進(jìn)目標(biāo)檢測(cè)算法和PnP 位姿估計(jì)算法的效果進(jìn)行驗(yàn)證，設(shè)計(jì)系列相應(yīng)的實(shí)驗(yàn)進(jìn)行驗(yàn)證分析，實(shí)驗(yàn)部分算法運(yùn)行的計(jì)算機(jī)平臺(tái)處理器為i5-9300H，GPU 為GTX1660Ti。

實(shí)驗(yàn)主要分為3 部分：①測(cè)試本文目標(biāo)檢測(cè)網(wǎng)絡(luò)對(duì)水密接插件進(jìn)行檢測(cè)的性能，驗(yàn)證網(wǎng)絡(luò)結(jié)構(gòu)相關(guān)改進(jìn)的有效性；②驗(yàn)證本文位姿估計(jì)算法的可行性，評(píng)估本文迭代方法的誤差優(yōu)化效果；③進(jìn)行綜合實(shí)驗(yàn)，驗(yàn)證本文技術(shù)路線及問題解決方法的可行性，評(píng)估位姿估計(jì)精度及實(shí)際適用范圍。

3.1 目標(biāo)檢測(cè)與跟蹤效果分析

首先進(jìn)行目標(biāo)檢測(cè)與跟蹤實(shí)驗(yàn)，驗(yàn)證本文目標(biāo)檢測(cè)算法的性能，同時(shí)用改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)的YOLOv3算法與原始算法效果進(jìn)行對(duì)比，驗(yàn)證對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)的有效性和效果。

在水箱中加入碎紙屑模擬海洋環(huán)境中的雜質(zhì)，遮擋光源模擬海洋環(huán)境中的弱光情況，在搭建的水下環(huán)境中分別拍攝3 種水下接插件及工件不同姿態(tài)的圖像共1 500 幅制作實(shí)驗(yàn)驗(yàn)證集，在本文制作的驗(yàn)證集中分別使用3 種YOLOv3 網(wǎng)絡(luò)進(jìn)行檢測(cè)試驗(yàn)，分析檢測(cè)效果與檢測(cè)框與物體切合程度。圖7為3 種網(wǎng)絡(luò)結(jié)構(gòu)檢測(cè)結(jié)果對(duì)比。

圖7 3 種網(wǎng)絡(luò)結(jié)構(gòu)檢測(cè)結(jié)果對(duì)比

從圖像對(duì)比可以看出，對(duì)YOLOv3 網(wǎng)絡(luò)進(jìn)行重新聚類之后，由對(duì)目標(biāo)整體進(jìn)行檢測(cè)改變?yōu)閷?duì)角點(diǎn)進(jìn)行檢測(cè)，同時(shí)對(duì)YOLOv3 網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)，使得局部特征細(xì)節(jié)得以保留，在角點(diǎn)像素坐標(biāo)方面和檢驗(yàn)框與物體的切合度方面都有了良好的提升。定義角點(diǎn)輸出坐標(biāo)實(shí)驗(yàn)中的誤差為目標(biāo)物角點(diǎn)真實(shí)位置坐標(biāo)與估計(jì)得到對(duì)應(yīng)角點(diǎn)位置坐標(biāo)的偏差，分別使用絕對(duì)誤差和相對(duì)誤差對(duì)這個(gè)偏差進(jìn)行評(píng)估。真實(shí)坐標(biāo)與估計(jì)坐標(biāo)間的歐式距離定義為絕對(duì)誤差，使用絕對(duì)誤差與對(duì)應(yīng)位置距坐標(biāo)系原點(diǎn)歐氏距離的比值作為相對(duì)誤差。表2 是目標(biāo)角點(diǎn)真實(shí)像素坐標(biāo)與3 種網(wǎng)絡(luò)結(jié)構(gòu)輸出的物體角點(diǎn)坐標(biāo)對(duì)比，由表2 可得，改進(jìn)后的YOLOv3 網(wǎng)絡(luò)大大降低了輸出的角點(diǎn)像素坐標(biāo)誤差，與每點(diǎn)真實(shí)像素坐標(biāo)間的相對(duì)誤差平均在2%左右，基本上可以忽略不計(jì)，相較于前兩種網(wǎng)絡(luò)像素坐標(biāo)精度提高了80%以上，為后續(xù)位姿估計(jì)提供了更為可靠的數(shù)據(jù)，效果明顯。同時(shí)使用置信度0.5 進(jìn)行篩選后的結(jié)果對(duì)算法平均準(zhǔn)確度（Mean Average Precision，mAp）指標(biāo)進(jìn)行性能評(píng)估，使用YOLOv5x 及Faster R-CNN 網(wǎng)絡(luò)在本文驗(yàn)證集中進(jìn)行測(cè)試，表3 為改進(jìn)YOLOv3 方法與其他方法在驗(yàn)證集圖像檢測(cè)中的對(duì)比數(shù)據(jù)及網(wǎng)絡(luò)結(jié)構(gòu)的相關(guān)性能對(duì)比，可見，在驗(yàn)證集中本文改進(jìn)YOLOv3 算法在平均準(zhǔn)確度及處理速度上均有提升，且網(wǎng)絡(luò)性能相較于目前較新的YOLOv5 和Faster R-CNN 目標(biāo)檢測(cè)網(wǎng)絡(luò)相當(dāng)，且處理速度較快，同時(shí)改進(jìn)后網(wǎng)絡(luò)結(jié)構(gòu)更加簡(jiǎn)單有利于水下的離線移植實(shí)現(xiàn)，能夠滿足水下自主作業(yè)場(chǎng)景中實(shí)時(shí)跟蹤檢測(cè)任務(wù)的需要。

表2 角點(diǎn)像素坐標(biāo)

表3 海南島水邊線提取結(jié)果對(duì)比

考慮水下的應(yīng)用場(chǎng)景，在實(shí)際的海洋應(yīng)用場(chǎng)景中噪聲的影響不可忽視，盡管實(shí)驗(yàn)環(huán)境中對(duì)海洋環(huán)境進(jìn)行了模擬，但與實(shí)際海洋環(huán)境仍有一定差距，因此對(duì)拍攝得到的3 種不同工件圖像添加不同信噪比的高斯白噪聲后進(jìn)行檢測(cè)并輸出角點(diǎn)坐標(biāo)，驗(yàn)證本文算法應(yīng)對(duì)噪聲干擾的魯棒性，實(shí)驗(yàn)結(jié)果如圖8所示，在不同噪聲情況下網(wǎng)絡(luò)輸出的角點(diǎn)坐標(biāo)與誤差如表4 所示。

由圖8 和表4 可得，本文目標(biāo)檢測(cè)網(wǎng)絡(luò)在應(yīng)對(duì)噪聲干擾的魯棒性較好，在表4 中，隨著噪聲的添加，同一姿態(tài)下同一物體的角點(diǎn)輸出坐標(biāo)相對(duì)誤差和絕對(duì)誤差均有所增加，但誤差均保持在5%以內(nèi)，且與未添加噪聲時(shí)的估計(jì)結(jié)果相比，像素誤差增大值保持在3 個(gè)像素以內(nèi)，由圖8 的檢測(cè)效果可以看出本文檢測(cè)網(wǎng)絡(luò)在面對(duì)噪聲干擾時(shí)對(duì)目標(biāo)的檢測(cè)具有一定的魯棒性。同樣的在相同噪聲條件下網(wǎng)絡(luò)對(duì)紅色接插件的檢測(cè)效果最好，輸出的角點(diǎn)坐標(biāo)誤差最低，對(duì)黑色工件檢測(cè)輸出的角點(diǎn)坐標(biāo)誤差較高，這是受到水下成像環(huán)境的影響，紅色在水下環(huán)境中的特征更加明顯，所以會(huì)有較好的檢測(cè)效果，但誤差相對(duì)最高的黑色工件輸出的角點(diǎn)誤差也保持在5%左右，在上述實(shí)驗(yàn)中，最高為5.13%，滿足后續(xù)位姿估計(jì)的需求。

表4 不同噪聲情況下角點(diǎn)坐標(biāo)誤差

圖8 添加噪聲情況下檢測(cè)效果

3.2 PNP 位姿估計(jì)模型的驗(yàn)證及分析

在對(duì)位姿估計(jì)模型的驗(yàn)證分析中，首先進(jìn)行靜態(tài)圖像的實(shí)驗(yàn)驗(yàn)證，第一步進(jìn)行物體深度估計(jì)實(shí)驗(yàn)，使用相機(jī)在水箱中拍攝得到的目標(biāo)圖像進(jìn)行驗(yàn)證，拍攝的目標(biāo)物體處于前文定義的零初始狀態(tài)，相機(jī)拍攝時(shí)成像平面垂直于地面。分別將物體放置在100 mm、150 mm、200 mm、250 mm、300 mm、350 mm、400 mm、450 mm 和500 mm 處，每種距離下拍攝10 幅靜態(tài)圖像，最終在每種距離情況下取10 次深度估計(jì)的均值與真實(shí)值進(jìn)行比較，分別使用本文算法和雙目匹配算法進(jìn)行深度估計(jì)，最終的估計(jì)結(jié)果如表5 所示。在同一計(jì)算平臺(tái)下算法的運(yùn)行時(shí)間情況如表6 所示。

表5 深度估計(jì)結(jié)果

表6 算法實(shí)時(shí)性對(duì)比

從表5 可以發(fā)現(xiàn)，在實(shí)驗(yàn)過程中，當(dāng)目標(biāo)處于100~500 mm 范圍內(nèi)時(shí)，誤差控制在1%~4.5%，隨著相機(jī)距離目標(biāo)過近（100~200 mm）或者距離目標(biāo)過遠(yuǎn)（400~500 mm）時(shí)，誤差會(huì)變大，但是也在滿足需求的范圍內(nèi)，造成這個(gè)現(xiàn)象的原因主要是相機(jī)成像質(zhì)量的下降?？梢酝ㄟ^提高相機(jī)像素來改善這種情況。

表6統(tǒng)計(jì)了兩種算法在同一計(jì)算平臺(tái)下對(duì)共90 幅圖像的深度估計(jì)使用的總時(shí)間，由表6 可以看出，本文提出算法對(duì)一幅圖像進(jìn)行估計(jì)的時(shí)間大約在95 ms，相較于雙目匹配算法使用的平均185 ms的時(shí)間，算法實(shí)時(shí)性大幅提升，同時(shí)結(jié)合表5 中深度估計(jì)結(jié)果對(duì)比，本文算法在近距離下（100~500 mm）的估計(jì)結(jié)果優(yōu)于雙目匹配算法，且能夠?qū)崿F(xiàn)對(duì)目標(biāo)的姿態(tài)估計(jì)。

然后進(jìn)行靜態(tài)圖像下的姿態(tài)估計(jì)實(shí)驗(yàn)，在本文的應(yīng)用場(chǎng)景中，由于目標(biāo)物體是圓柱形物體，所以用于描述物體姿態(tài)只需要兩個(gè)旋轉(zhuǎn)角，這里使用飛機(jī)姿態(tài)角的命名方式，兩個(gè)角度分別是繞軸旋轉(zhuǎn)的俯仰角和繞軸旋轉(zhuǎn)的航向角。在水下將物體按照預(yù)設(shè)角度固定好，共8 種姿態(tài)，每種姿態(tài)拍攝10 幅圖像，取10 次估計(jì)的均值，與真實(shí)姿態(tài)進(jìn)行對(duì)比。最終估計(jì)結(jié)果如表7 所示。

表7 姿態(tài)估計(jì)結(jié)果

由表中數(shù)據(jù)可以發(fā)現(xiàn)，在一定范圍內(nèi)的姿態(tài)估計(jì)誤差基本保持在5%左右，并且在實(shí)驗(yàn)過程中對(duì)俯仰角θ的變化比較敏感，這是因?yàn)槿绻茸兓^一定范圍時(shí)，相機(jī)在固定的情況下有可能無法從圖像中識(shí)別出全部4 個(gè)角點(diǎn)，經(jīng)實(shí)驗(yàn)發(fā)現(xiàn)，θ在-70?~50?時(shí)，均能得到較為準(zhǔn)確的姿態(tài)估計(jì)效果，同時(shí)處理一幅圖像所需時(shí)間約為95 ms，滿足實(shí)時(shí)性的要求。

3.3 綜合實(shí)驗(yàn)與分析

為驗(yàn)證本文整套目標(biāo)識(shí)別跟蹤與位姿估計(jì)算法的有效性與實(shí)時(shí)性，設(shè)計(jì)水下目標(biāo)實(shí)時(shí)定位跟蹤實(shí)驗(yàn)。

在水箱環(huán)境中選取3 個(gè)不同位置，保證3 個(gè)位置都在相機(jī)視野內(nèi)。實(shí)驗(yàn)前人工測(cè)量3 個(gè)位置在相機(jī)坐標(biāo)系下的真實(shí)坐標(biāo)，每個(gè)位置都有預(yù)先設(shè)計(jì)好的物體位姿，實(shí)時(shí)監(jiān)測(cè)人工將物體從位置1 依次移動(dòng)到位置2、位置3，以及黑色和白色工件在位置4、5 和位置6、7 移動(dòng)的過程，過程中3 種不同物體在7 個(gè)位置時(shí)的實(shí)時(shí)估計(jì)結(jié)果如圖9 所示。俯仰角、航向角和深度估計(jì)值如表8 所示。

圖9 實(shí)時(shí)檢測(cè)結(jié)果

由表8 可以看出，3 種不同工件在7 個(gè)位置處的俯仰角、航向角和深度估計(jì)誤差均保持在5%左右，同時(shí)實(shí)時(shí)檢測(cè)過程中處理速度保持在15 FPS，說明本文的位姿估計(jì)算法是合理有效的，能夠滿足水下自主作業(yè)應(yīng)用中實(shí)時(shí)性和準(zhǔn)確性的要求。但存在一定的適用范圍限制，當(dāng)物體的俯仰角度過大即朝正方向或者負(fù)方向旋轉(zhuǎn)超過約80?時(shí)，相機(jī)無法將4 個(gè)角點(diǎn)全部拍攝到圖像中時(shí)，則無法對(duì)位姿進(jìn)行估計(jì)，部分估計(jì)失敗情況如圖10 所示。

圖10 部分估計(jì)失敗情況

表8 位姿估計(jì)結(jié)果

4 結(jié) 論

針對(duì)水下應(yīng)用場(chǎng)景中對(duì)已知先驗(yàn)信息目標(biāo)物體的目標(biāo)識(shí)別與位姿估計(jì)問題，提出了一種基于單目視覺的水下目標(biāo)檢測(cè)與實(shí)時(shí)位姿估計(jì)方法。首先，基于YOLOv3 算法，改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)，重新聚類，提出了改進(jìn)YOLOv3 算法，實(shí)現(xiàn)了對(duì)目標(biāo)物體的檢測(cè)與跟蹤，改進(jìn)后網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜度降低，有利于水下場(chǎng)景中的移植實(shí)現(xiàn)。同時(shí)為后續(xù)位姿估計(jì)算法提供像素坐標(biāo)信息。然后，結(jié)合目標(biāo)物體的已知先驗(yàn)信息與計(jì)算機(jī)視覺原理，建立單應(yīng)性模型，通過單應(yīng)性模型來求解物體位姿，同時(shí)為了解決直接求解計(jì)算資源需求大的問題，構(gòu)建PnP 模型，基于PnP 問題的基礎(chǔ)上使用P3P 加LM 算法迭代的方法，獲取相機(jī)坐標(biāo)系與世界坐標(biāo)系間的轉(zhuǎn)換關(guān)系，進(jìn)而求解單應(yīng)性矩陣，不僅滿足實(shí)時(shí)性的需求，同時(shí)通過迭代提高了求解精度，還能滿足相機(jī)坐標(biāo)系變化的情況。整體方法能夠?qū)崿F(xiàn)面向水下場(chǎng)景的目標(biāo)物連續(xù)幀圖像實(shí)時(shí)位姿估計(jì)。

實(shí)驗(yàn)結(jié)果表明，本文方法能夠基于單目視覺對(duì)水下目標(biāo)進(jìn)行實(shí)時(shí)的檢測(cè)跟蹤與位姿估計(jì)，與現(xiàn)有的雙目匹配算法相比實(shí)時(shí)性較好，且誤差較低，在一定的姿態(tài)范圍內(nèi)具有較好的檢測(cè)效果，且對(duì)噪聲干擾具有一定的魯棒性，能夠以較為靈活簡(jiǎn)單的單目視覺系統(tǒng)為水下自主作業(yè)提供需要的位置信息。