一種基于機器視覺和Kalman濾波的水下電纜定位方法

郭雨薇，劉俊，嚴允

(1.上海電機學院 機械學院，上海 201306；2.上海中車艾森迪海洋裝備有限公司，上海 201306)

水下電纜檢測方法主要分為磁法、多波束、側掃聲吶及水下攝像等方法，而視覺技術更具直觀可靠性。相關的研究有提出基于單目視覺的水下管道檢測系統，利用序列管道圖像之間的特征變化來檢測不同水深條件下的直管和彎管；對基于單目相機的兩棲球形機器人采用Kalman濾波器實現對水下電纜的自主探測；在前者的基礎上加入支持向量機的模式識別方法，對采集的管道圖像進行分類，進一步提升對轉彎和預轉彎道的識別準確率。但上述方法均未考慮水下的工作環境，應用時存在一定的局限性。同時，上述的實驗對象均為直行或走向變化明顯的水下管線，并未考慮到彎曲程度較小的水下電纜無法被及時準確的識別出從而導致巡檢設備偏航的問題。為此，設計一種基于機器視覺和Kalman濾波的水下電纜定位方法，思路見圖1。

圖1 設計思路

1 圖像處理技術

1.1 圖像增強

不同濾波窗口下的暗通道見圖2，對比發現，圖2c)中的主體特征信息更為清晰準確。對50幀水下電纜圖像進行分析，借助標尺工具獲取前景面積。

圖2 不同濾波窗口下的暗通道

對測得的50組二維數據點(width,length)進行kmeans聚類：設置=3，隨機生成類簇中心1；類簇中心2為距離類簇中心1的最遠點；類簇中心3為距離類簇中心1和2的最近距離最大點。層次聚類后，如圖3所示，圓點代表樣本數據，三角形為最終的類簇中心點。

圖3 k=3聚類結果

將類簇中心對應的面積值分別命名為、和。利用式(1)重新定義暗通道鄰域窗口濾波半徑的大小。

(1)

式中：和為圖片尺寸，分別為640和480，計算可得=3。

(2)

在暗通道圖中選取最亮的0.1%像素，回歸()中尋找對應的具有最高亮度的像素點的值，將其作為值。去霧圖像恢復的計算如下。

(3)

(4)

如圖4b)所示，Retinex增強后，圖像對比度得到了極大提升，但整體效果偏暗，四周暗角加劇導致邊緣特征丟失。如圖4c)所示，應用DCP后暗角改善效果不佳，局部曝光度偏高。圖4d)所示，應用改進自適應暗通道去霧算法后的處理效果得到明顯提升。

圖4 原圖及增強圖像

1.2 前景分割

將灰度特征和連通域特征作為分割前提，可大面積有效地去除干擾信息，處理步驟：①局部自適應閾值分割；②連通域檢測；③鄰域面積閾值分割。

由于電纜區域和灰度近似的噪聲區域尺寸相差較大，設置一個面積閾值來篩選備選區域。考慮到電纜表面部分區域被泥沙覆蓋,引入自適應因子，這里取0.1。

=×min(，，)

(5)

計算出約為1 200個像素點。

1.3 電纜提取

1.3.1 形態學處理

應用膨脹運算可對分割后的二值圖像進行填充，膨脹引入的寬度變形由腐蝕算法進行補償，最后通過閉運算填充殘留的孔洞。

1.3.2 中心線提取

流程及效果見圖5。

圖5 中心線提取流程和效果

對圖像進行前景分割后的效果見圖5a)。利用歐氏距離法進行距離分類，見圖5b)。利用二維歐式空間的Laplace微分算子得到像素值快速變化的區域，即邊界和主干線，見圖5c)。創建半徑為2個像素點的圓形掩膜，將其與二值化后的圖5c)做膨脹運算，實現斷線填充效果，見圖5d)。圖5d)和圖5e)相減后，骨架上的分支已基本被剝離，設置面積閾值為30，可得到清晰連貫的中心線，見5f)。

1.3.3 采樣點映射

建立空列表-和-，遍歷值為255的像素點，對其進行方向上的標記，將標記結果存儲至-中，定位區間為[:]。同理，對值為255的像素點進行方向上的標記，并將結果存儲至-中，定位區間為[:]。在定位區間構成的最小外接矩形下方建立軸，設置等距刻度，并沿著方向將刻度點映射到骨架線上獲取采樣點。若沿著方向截取到兩個以上的采樣點，表明還殘存分支，此時系統自動生成對應數量的子列表，分別用于存放支路上的采樣點，計算分支點和子列表最后一個元素之間的距離，距離最長的路徑應屬于主骨架線，保留其上采樣點，清空其余分支上偽采樣點，最后將采樣點返回至原圖中。

采樣點映射法的思路是通過設定指定數量的采樣點來擬合出水下電纜走向，相比較于SVM結合Hough檢測的策略，無需對樣本進行分類訓練，實現起來更為簡單。

2 電纜位置測算

2.1 相機標定

基于Matlab標定工具箱，使用10×7的棋盤格標定板，其小方格邊長為30 mm×30 mm。通過改變標定板的位姿，并保持水下相機固定來獲取水下棋盤格圖像。重投影誤差條形見圖6，圖6中虛線對應的縱坐標值表示平均重投影誤差，它小于1個像素點，在允許的誤差范圍內。標定后獲得相機內參數矩陣如下。

圖6 重投影誤差條形圖

(6)

2.2 坐標變換

如圖7所示，為攝像頭的光軸與水平面之間的夾角，利用高度計可獲得水下機器人(ROV)相對電纜的高度。≡0.5 m，≡60°,表示相機坐標系，表示ROV坐標系。

圖7 水下視覺檢測系統坐標模型

兩坐標系間的轉換關系如下。

(7)

和分別為相對旋轉和平移矩陣。將電纜像素坐標(,)轉換到ROV坐標系下。

(8)

結合標定參數后，可以得到電纜相對于ROV的三維空間坐標(,,)。

(9)

3 定位跟蹤算法

3.1 航跡推算

基于ROV的運動模型建立航跡推算模型,根據當前運動速度、電纜位置等信息預測下一時刻ROV的跟蹤軌跡。

ROV攜帶的定位系統反饋回的位置信息為(,)，航向角為，相鄰采樣幀的時間間隔為，幀間運動速度取平均值，加減速度為，橫移角速度為，則相鄰時刻間的ROV的位置關系可表示為

(10)

3.2 定位融合

采用Kalman濾波器，其主要公式如下。

1)ROV運動狀態方程。

()=·(-1)+()

(11)

2)系統狀態觀測方程。

()=·()+()

(12)

3)預測誤差協方差矩陣。

(|-1)=·(-1)+

(13)

4)Kalman增益。

(14)

5)最優后驗估計值。

(15)

6)協方差矩陣更新。

()=(1-())(|-1)

(16)

式中：標注^表示預估值，為系統的狀態轉移矩陣；為過程噪聲方差；為系統噪聲方差。系統在時刻的噪聲。利用Kalman濾波算法，將航跡推算預測值與傳感器定位數據線性融合后的結果作為ROV的跟蹤路徑。

4 實驗

4.1 實驗設備

向10 m×10 m×5 m的試驗水池中傾倒泥沙，模擬渾濁的水下環境,見圖8。圖8a)為幀率50 幀/s，有效像素768(H)×582(V)，焦距6 mm的高清水下攝像頭。圖8b)為南京歆祁科技的上位機實時監控界面，它能夠直觀的顯示采集到的水下信息。系統通信利用TCP/IP協議用來接收下位機采集的數據和攝像頭視頻的采集，通過RS-485串口通信發送控制信息給下位機。

圖8 圖像獲取工具

4.2 電纜提取結果與分析

使用采樣點映射算法后得到的效果見圖9，用白色的線連接兩個相鄰的采樣點。

圖9 采樣點映射

由圖9可見，采樣點擬合出的連線與水下電纜鋪設軌跡保持一致，適用于檢測彎曲度較小的水下電纜。水下電纜的位置信息在excel表格中生成，見表1、2。

表1 采樣點像素坐標

表2 相對坐標

4.3 定位融合結果與分析

實驗設置為=diag[eeee]。選取50張不同位置的水下棋盤格圖片，測量棋盤格上第一個角點的坐標并求出方差后代入到測量噪聲協方差矩陣中，可得=diag[0.03 5 0.001 2] m。通過手動操縱控制臺上的搖桿來調節運動速度和方向并自動拍攝圖像，ROV初始速度==0.01 m/s，=2 s。

仿真設定偏差、文獻[4]檢測偏差與本文算法的檢測偏差對比見圖10a)，霍夫檢測后的濾波偏差幅值減小較為明顯，但波動也較為劇烈。經本文算法處理過后，平均偏差可控制在0.01 m以下，相較于前者減小了0.015 m。35 s至50 s內，檢測誤差開始減小；50 s至65 s內，波動逐漸減小；70 s后曲線趨于平穩。

圖10 定位融合仿真結果

基于采樣點映射的定位融合仿真見圖10b)，軸和軸分別對應ROV的橫向和縱向位移數據。將其作為濾波修正后的ROV跟蹤軌跡。結果表明，加入定位融合算法后的檢測曲線更為平滑，接近于水下電纜的狀態，能夠在一定程度上提升ROV跟蹤的準確性。

5 結論

1)對采集的水下降質圖像進行處理，實驗結果表明，自適應暗通道去霧算法在處理暗角和局部曝光過度方面優于本文列舉的其他兩種圖像增強算法。

2)采樣點映射算法代替SVM結合Hough檢測的方法適合于提取彎曲度較小的水下電纜。仿真結果表明，Kalman濾波后，采樣點映射法相比直線檢測法的平均檢測偏差減少1.5 cm，位置偏差隨著檢測時間增長而減小，70 s后偏差值趨于穩定。

3)本文所設計的方法具有合理性。