基于光斑轮廓特征的目标快速识别算法研究

谢忠旭,王志乾,沈铖武,刘 旭,孙浩洋,郑博文,成 顺

(1.中国科学院长春光学精密机械与物理研究所,吉林 长春 130033;2.中国科学院大学,北京 100049)

1 引 言

地面视觉引导无人机着陆系统,依靠检测安装在无人机上的合作目标来完成系统对无人机的捕获与追踪,并实时解算出无人机相对跑道的位置,最终完成着陆引导[1-3]。不同的合作目标所设计的识别算法各不相同,但都需要满足定位精度和引导系统的实时性要求[4]。

在光斑检测方面,李天宇[5]提出了一种基于高斯拟合的信号弹光斑中心定位方法,该方法能够在保证速度的同时达到亚像素精度。沈天浩[6]针对传统灰度重心算法提出了优化方案,利用该算法可有效提高系统的抗干扰性和实时性,完成对激光光斑的快速捕获。针对远场不规则光斑的能量中心校准问题,何佳凯[7]提出了一种基于自适应disk掩膜的激光光斑中心检测算法,该方法在近场光斑与远场不规则光斑的中心检测均具有优异鲁棒性和准确性。为了提高图像中光斑中心位置的定位精度,Zhu J[8]在椭圆拟合算法的基础上进行了改进,改进后的算法可以有效地降低图像中高斯白噪声的影响,提高了抗干扰能力和定位精度。Zhao H[9]基于基线法的迭代双面积收缩方法,提出了一种提高定位精度的激光光斑定心方法。该方法具有较强的抗背景噪声干扰能力,最大定位精度可达0.05像素。

本文首先将实验采集到的光斑图像进行特征分析,其次根据光斑在图像上的轮廓特征,利用图像处理技术完成光斑的检测。最后将多种光斑检测算法的运行时间与定位结果进行对比,证明本实验算法的可靠性与实时性。

2 光斑特征分析

本文的视觉着陆引导系统是多传感器融合系统,主要由二维转台、激光发射器、CCD相机、合作目标组成,如图1所示。

图1 着陆引导示意图

合作目标为角锥棱镜,能够将着陆引导系统发射的激光原路返回。当无人机进入视场后,合作目标反射回的激光光束,在CCD相机成像为光斑图像。依靠图像处理算法对光斑进行实时检测,得出光斑中心与视轴中心的偏差,利用该数值完成对无人机的捕获与追踪。

CCD相机的光斑图像如图2所示,图(a)为光斑实验图像,图2(b)为该图的光斑放大图,图2(c)为光斑放大图像的三维灰度分布图。根据图像中光斑的特征[10-11]进行如下分析:

图2 光斑图像及三维灰度分布图

(1)光斑中心区域的灰度值,明显高于周围背景的灰度值,且中心区域的灰度分布均匀,在光斑边缘处灰度值下降迅速;

(2)图像中光斑的大小随着CCD相机与合作目标的距离而变化;

(3)图像中光斑成像的效果与激光光束照射到靶面的角度有关,当光束与靶面呈垂直关系时,成像效果最好;平行关系时,成像效果最差;

(4)合作目标反射回的光束在CCD相机表面会产生散射现象,导致光斑边缘产生毛刺。

3 光斑检测算法

3.1 基于最大熵值法的光斑检测算法

原始图像的背景环境复杂,要在图像中准确地提取出光斑,需要将原始图像进行图像预处理操作,由于图像尺寸大,整体图像的灰度值分布不均匀,因此需要选择7×7模板的均值滤波才能有效的抑制噪声。将滤波后的图像进行阈值分割,经典的阈值分割方法有OTSU(大津法)、最大熵值法[12]、自适应阈值法、直方图技术。其中最大熵值法的熵值定义为:

(1)

其原理是设定一个阈值q(0≤q

(2)

(3)

总熵为:

H(q)=H0(q)+H1(q)

(4)

该方法在目标明显、环境复杂的条件下,目标提取效果较好。阈值分割后,图像中只保留了光斑信息。为了降低图像的运算量,将光斑从大尺寸的二值图像中裁剪出来,而后进行形态学处理、Canny算子边缘检测、最终利用椭圆拟合法得到中心坐标,整体流程如图3所示。

图3 基于最大熵值法的光斑检测算法流程图

3.2 基于亮度调节的光斑检测算法

由于最大熵值法的数学模型简单,在背景复杂、总熵值高的情况下,能够有效地将光斑与背景分离,当背景单一时,分割效果相对其他传统阈值分割算法差。而合作目标最终需要安装在无人机上,背景环境无法预测,因此采用最大熵值法进行图像分割有很强的不确定性。

针对原始图像分辨率高、尺寸大的问题,基于亮度调节的光斑检测算法是采用了2×2模板对原始图像进行处理,通过只保留模板左上角灰度值的方式,将原始图像的分辨率与尺寸都由2592×2048降为1296×1024。根据光斑特征可知,光斑与背景的灰度值相差大、对比度强。利用gamma变换对图像进行亮度调节,将整体图像变暗,从而降低背景对光斑的干扰,再通过大津法进行阈值分割[13],而后进行目标裁剪、形态学处理、Canny算子边缘检测,最终利用椭圆拟合算法完成中心定位,整体流程如图4所示。由于该方法将整体图像尺寸的横纵坐标各缩小2倍,得到的光斑中心位置并不是原始图像中光斑的真实位置,因此需要将中心坐标横纵坐标值扩大2倍。

图4 基于亮度调节的光斑检测算法流程图

图5 基于轮廓特征的快速检测光斑算法流程图

3.3 基于轮廓特征的快速检测光斑算法

在大尺寸、高分辨率的图像中,光斑仅占原始图像中的一小部分,进行任何图像处理操作时,都会因图像尺寸大导致运行时间长,无法满足系统的实时性要求。本算法采用目标裁剪方法,将光斑从原始图像中裁剪出来,以此达到降低整体图像运算量的目的。该方法利用图像中光斑中心处灰度值最大这一特征信息,通过寻找图像中的最大灰度值,来确定光斑中心处的大致位置;而后设定光斑边缘处的灰度阈值,以最大灰度值到该阈值对应的位置范围,为光斑在原始图像的大致范围,再增加一定的预留量后,将原始图像进行目标裁剪;该方法能够有效地将光斑从背景中裁剪出来。图像中可能会存在干扰光源,导致目标裁剪后的图像尺寸仍然很大,因此需要设定一个裁剪面积阈值,当裁剪下的图像面积小于阈值时,则进行后续的图像处理,否则将重新读取下一帧图像。

图像的清晰度和光斑边缘的平滑程度直接影响了后续中心定位的精度,而在目标图像中背景的灰度分布不均匀,图像中还可能存在背景噪声和CCD读出噪声[14]。因此采用3×3模板的均值滤波将目标图像模糊化,而后将分割阈值设为最大灰度值减去实验值,进行阈值分割。阈值分割后光斑边缘仍有少量毛刺存在,通过对目标图像进行先开运算,后闭运算的形态学处理,可以去除掉黑色背景中可能存在的白色干扰点,又能将光斑边缘平滑,以此操作保证边缘检测后的图像是闭合的。

传统的边缘检测算子有很多,其中Canny算子、Sobel算子、Laplacian算子,由于图像中目标单一,且经过阈值分割后图像清晰,因此采用上述三种算子都能有效地提取出的光斑边缘。其中Laplacian边缘检测算法的运行时间短、检测出的边缘清晰,所以本算法采用Laplacian算子对光斑图像进行边缘检测。再对得到的光斑边缘图像进行中心定位,传统的定位方法有质心法、霍夫圆法、椭圆拟合法[15-17]。其中椭圆拟合法是基于边缘信息的中心定位方法,与本文算法中光斑特征筛选契合度高,因此采用椭圆拟合法进行中心定位,本算法的整体流程图如5所示。

4 实验验证与分析

4.1 实验平台

本文实验设备主要由二维转台、CCD相机、激光发射器、以及安装在无人机的合作目标组成。其中合作目标是由4个角锥棱镜构成,本实验设备如图6所示。本实验算法运行在一台工控机上,软件使用Visual Studio 2015将系统设计成MFC界面的形式,使用开源计算机视觉库(OpenCV)对图像进行处理,采用C++进行软件编程,本实验设备整体参数如表1所示。

表1 实验设备参数

图6 实验设备图

4.2 图像处理过程分析

为了更详细地分析不同光斑检测算法的图像处理过程,分别采用上述三种光斑检测算法处理相同的4幅实验图像,基于最大熵值法的光斑检测算法图像处理过程如图7所示,基于亮度调节的光斑检测算法图像处理过如图8所示,基于轮廓特征的快速检测光斑算法图像处理过如图9所示。

图7 基于最大熵值法的光斑检测算法图像处理过程图

图8 基于亮度调节的光斑检测算法图像处理过程图

图9 基于轮廓特征的快速检测光斑算法图像处理过程图

4.3 检测结果分析

上述三种光斑检测算法处理相同的实验图像后,得到的光斑中心结果如表2所示。总体运行时间,如表3所示。

表2 光斑中心坐标

表3 总体运行时间(单位:ms)

由表2、表3可知,三种光斑检测算法得出的光斑中心坐标大致相同,而本文提出的基于轮廓特征的快速检测光斑算法,在保证定位精度与准确性的同时,大大缩减了算法的检测时间,其中最长运行时间仅为35.8 ms。

5 结 论

针对快速检测大尺寸光斑图像的问题,本文提出了基于轮廓特征快速检测光斑算法。该算法通过目标裁剪的方法,将光斑从原始的灰度图像中裁剪出来,以达到降低整体图像运算量的目的。裁剪后的目标图像中存在着噪声和毛刺,本文采用图像预处理、形态学处理等操作,从而消除无关信息对目标图像的干扰,并让光斑边缘变得平滑。最后将基于轮廓特征的快速检测光斑算法与其他算法进行对比,实验结果表明该算法不仅可以保证定位的精度与准确性,还有效地降低了算法的运行时间,证明了该算法的实时性与可靠性。