農業機器人全方位目標識別與跟蹤研究—基于MIMO-OFDM信道編碼

李建軍

(北京京北職業技術學院 基礎部,北京 101400)

0 引言

當前,隨著圖像處理應用領域拓展、識別精度提升,許多國家在持續利用圖像處理技術研究的同時,也在極力提升視頻圖像的像素,使得圖像的傳輸壓力很大。因此,尋求圖像傳輸速度快、誤差低的方法是圖像處理技術研究的重中之重。MIMO-OFDM采用多天線傳輸,能夠抑制信道衰落,可以經過散射、反射等方式將數據發送到接收端,滿足視頻圖像的快速、無誤的傳輸要求。為此,提出了一種基于MIMO-OFDM信道編碼的農業機器人全方位目標識別與跟蹤系統,可以實現農業機器人自主定位、目標識別與跟蹤功能。

1 MIMO-OFDM信道編碼架構

1.1 基于MIMO-OFDM的農業機器人架構

基于MIMO-OFDM(Multi-Input Multi-Output - Orthogonal Frequency Division Multiplexing)的農業機器人架構由視頻信號采集、軟硬件、MIMO-OFDM信道和PC等4層組成。在視頻信號采集層,利用相機獲取周邊環境信息,為農業機器人的目標識別與跟蹤提供依據;在軟硬件層,主要是配置軟硬件設備,以滿足環境條件、信號搜集與傳送等需求;在MIMO-OFDM信道層,主要通過MIMO-OFDM調制解調器發送實時視頻數據;PC層主要是對視頻信號進行處理,制定出合理的控制策略。基于MIMO-OFDM的農業機器人架構如圖1所示。

圖1 基于MIMO-OFDM的農業機器人架構圖

對于信道編碼的MIMO-OFDM模塊,turbo編碼器在編碼階段一般采用1/2編碼率。MIMO-OFDM技術使用QPSK(Quadrature Phase Shift Keyin)和16QAM(Quadrature Amplitude Modulation)兩種不同的編碼調制技術,以及Vertival Bell實驗室的分層空時(V-BLAST(Vertical-BLAST))MIMO編碼器。VBLAST用于增加OFDM表示的總吞吐量,該OFDM主要通過應用IFFT(Inverse Fast Fourier Transform)生成。在IFFT階段之后,由于獨立調制的子載波之間的相互影響會產生OFDM符號,可能出現大的PAPR(Peak to Average Power Ratio)比率。在OFDM配置中,其天線的發送信號表達式為

(1)

其中,di為調制階段后的復合輸入符號,fi為第i個子載波的頻率,Ts為OFDM的持續時間。

1.2 MIMO-OFDM的接發模型

在非常復雜的田間作業中,MIMO-OFDM傳遞的電磁波經過散射、反射等被接收端收到,且每個信號的路徑、時間都不同,被接收端接收的時間也不一樣,信號之間的作用也容易形成多徑衰落,呈現出頻率選擇性特征。

1)MIMO-OFDM的發送模型。信息源產生K信息的比率為b(k)=[b(0),b(1),…,b(K)],對信息比特進行turbo編碼,得到信息序列c(k)的長度M。其中,編碼器傳輸速率為r=K/M,通過隨機交織器獲得c′(k),然后通過QPSK調制獲得序列d(k)。本文預編碼目的是將傳輸數據擴展到每個天線的所有子載波上,然后通過串行和并行轉換獲得NT天線上的傳輸數據eNt(k)。d′(k)=Fd(k),F是預編碼矩陣,且F是酉矩陣,FHF=I。本文中,F為傅里葉變換的預編碼矩陣,接收天線編號為NR。時域信號tNt(k)通過eNt(k)的IFFT變換獲得,即

(2)

其中,N為OFDM子載波的數量。在采用MIMO-OFDM發送視頻圖像時,將CP(Cyclic Prefix)添加到時域信號tNt(k)中,然后得到發送信號xNt(k)進行發送。

(3)

(4)

另外,噪聲的相關系數為

rNrg1g2(k)=E[Vg1Nr(k)(Vg2Nr(k))H]

(5)

由式(5)可以得出相關系數的主對角線h、相關系數的非對角元素和自相關系數大于相關系數,然后考慮主要的噪聲方差矩陣。

圖2 MIMO-OFDM模型示意圖

2 全方位目標識別系統的建立

用于導航的唯一傳感器是魚眼鏡頭和維視相機,選擇七工匠7.5mm f2.8超廣角魚眼鏡頭和維視MV-E800M/C。超廣角魚眼鏡頭如圖3所示。

圖3 超廣角魚眼鏡頭

2.1 魚眼鏡頭成像

魚眼鏡頭成像具有較長的景深,但變形卻很嚴重,為了表示真實場景,需要對魚眼鏡頭進行成像重組,使圖像具有分析的價值。假設任意一點P在系統中成像為p,OXYZ為魚眼鏡頭建立的空間直角坐標系,oxy為成像二維坐標系,Oo和f為魚眼鏡頭和成像面的連線和距離(焦距),則魚眼鏡頭成像示意圖如圖4所示。

圖4 魚眼鏡頭成像示意圖

設空間任意一點的坐標為(xw,yw,zw),在魚眼鏡頭的坐標為(xe,ye,ze),二者的剛體變換為

(6)

魚眼鏡頭的坐標(xe,ye,ze)到成像面(xu,yv)之間的轉換為

(7)

成像面(xu,yv)到像素坐標系(u,v)之間的轉換為

(8)

其中,kx、ky為像素系數,(u0,v0)為坐標系中心。

由式(6)～式(8)可以得出,三維坐標(xw,yw,zw)投射到像素坐標系(u,v)的關系為

(9)

2.2 魚眼鏡頭的標定與校正

魚眼鏡頭的標定一般以圖像的中心點為準,校正和定位的準確性與中心點的選擇密切相關。本文采用多點法作為魚眼鏡頭中心和半徑的標定的方法。魚眼圖像一般為一個圓形,而圓形的中心點就是需要求取的魚眼鏡頭中心點,求解方程式為

(10)

從式(10)可以看出:只需要3個方程組就可以確定中心點(x0,y0)和半徑R,但為減少誤差,可以多選一些點進行計算。

由于工藝制造的差異,魚眼鏡頭不可能和普通相機具有一樣的投影規律。魚眼鏡頭的投影類型為

(11)

本文采用等距校正模型,可以推導出其方程表達式,即

f-1(r′)=r′/f

(12)

聯立式(11)和式(12)可求出模型表達式為

(13)

3 全方位目標識別與跟蹤

3.1 全方位目標識別

全方位目標識別是利用圖像處理技術,檢測圖像信息并傳送給處理設備,在農業機器人定位和導航系統中,全方位目標識別技術顯得非常重要。本文采用顏色識別方法對圖像進行處理,顏色識別主要包括目標顏色的特征提取、目標提取和目標標記等流程。

1)目標顏色的特征提取核心是目標顏色的顏色空間分布,主要是將各個顏色特征投射到y、u、v坐標系中,然后根據標定每一個顏色有效點,得到點集的形狀,作為目標顏色的空間分布;

2)目標提取是在目標顏色的特征提取的基礎上,將點集的形狀像素點標記為1,其他標記為0,得到目標物體的二值圖像;

3)目標標定是在二值圖像的基礎上,找到該圖像的連通部分,并一一進行標記,然后采用遞歸算法對標記的面積進行計算,通過統計每種標記的像素數,實現對目標的識別與定位。圖像連通部分及標記方法如圖5所示。

圖5 圖像連通部分及標記

3.2 全方位目標跟蹤

采用粒子濾波法對全方位目標進行跟蹤,在計算和推導過程中,將目標看成是一個粒子,根據目標特點建立動態模型,即

xt=Axt-1+Bwt-1

(14)

其中,A、B為系數,xt為t時刻目標的位置、角度和大小信息。

在一維空間中建立目標粒子的觀測值序列{z=(z1,z2,…,zM)},觀測值的概率為p(z|x)。根據觀測值為真實和不可見的兩種特性,可以推導出其概率密度,即

(15)

基于粒子濾波法的全方位目標跟蹤流程如圖6所示。

4 實驗測試與結果分析

為了驗證基于MIMO-OFDM信道編碼的農業機器人全方位目標識別與跟蹤系統,對其進行了測試。實驗過程中,先預設一條路徑,要求農業機器人采集圖像,進行目標識別和跟蹤,并根據該預設路徑進行作業。實驗以農業機器人根據預設路徑行走的準確度為分析標準,結果如圖7所示。

圖6 基于粒子濾波法的全方位目標跟蹤流程圖

圖7 目標識別與跟蹤試驗結果圖

對比左右兩個圖7(a)、(b)可以看出:農業機器人自主定位較高,目標識別與跟蹤的準確率也非常好;系統較好完成了目標識別與跟蹤實驗,達到了設計的目的,符合設計要求。

5 結論

基于MIMO-OFDM信道編碼技術,設計了一套農業機器人全方位目標識別與跟蹤系統。農業機器人利用搭載魚眼鏡頭的工業相機獲取周邊環境信息,通過MIMO-OFDM信道編碼將圖像信息發回至基地PC端,由PC端利用全方位目標識別與跟蹤算法估算目標位置,推算農業機器人自身的位置,從而實現全方位的目標識別與跟蹤。實驗結果表明:農業機器人自主定位較高,目標識別與跟蹤的準確率也非常好,證明了系統的有效性和可行性。