一種基于靶標識別定位算法的視覺測量技術

熊雨農，李 宏

(中國飛行試驗研究院，陜西 西安 710089)

在飛行試驗測試任務中，視覺測量因測量精度高，與被測對象非接觸和測量信息直觀、信息量大等特點，被廣泛應用于武器投放、空中加油和結構形變等試驗科目中。視覺測量的前提和基礎是對測試對象上的一個或多個特征點的穩定、可靠識別和跟蹤。由于被測試對象經常存在圖像信息單一和背景紋理不夠豐富等問題，例如機翼和直升機旋翼表面在整個測量視場中，形成的圖像梯度達不到跟蹤和識別條件，因此，在測試中，往往需要人工在被測試對象中增加人工合作標志。

人工合作標志分為非編碼標志點和編碼標志點兩大類。非編碼標志點包括圓形、環形和四象限標志等典型代表，結構簡單且容易識別，但其自身不具有唯一性，在多點或密集點測量時，無外加約束條件將無法實現快速可靠的自動匹配。而編碼標志點附有唯一的身份信息，對每個標志進行唯一的身份解碼后即可根據其編碼配準實現自動匹配。環形編碼標志具有旋轉不變性、縮放不變性等優點，應用最為廣泛，不少學者針對環狀編碼標志的識別檢測和解碼算法展開了研究。針對在視覺測量中環形編碼標志的識別檢測，段康容等[1]運用基于二值化分割的圖像處理算法檢測標志點。劉建偉等[2]提出了一種基于Canny算法的邊緣檢測算法，得到圖像邊緣后對錯誤目標過濾篩選，提高了標志點的檢測準確率。解則曉等[3]提出了一種基于六點定位獲取成像中心的方法，在此基礎上對環形編碼標志進行識別定位。倪章松等[4]設計了編碼標志點，提取橢圓邊緣環狀領域，隨后通過基于對偶二次曲線的目標函數模型求取標志點中心，并通過標志的幾何特征實現篩選。熊雪菲等[5]設計了一種環形圓點編碼標志點，并通過橢圓的極點-極弦特性設計算法實現標志點的識別定位。上述文獻提出的標志點結構簡單、識別容易，配合相應的檢測算法在多數情況下識別效果良好，但當投影角度過大時，圖像畸變嚴重，識別效果欠佳，準確率下降。針對環形編碼標志的解碼問題，黃雪梅等[6]為解決任意起始點解碼的方式容易錯解的問題，提出解碼時選取最佳起始點的方法。張小迪等[7]提出一種將解碼結果與預設編碼ID進行匹配的解碼方法。可以看出，在視覺測量中的標志點檢測工作中，編碼標志的識別定位是眾多學者密切關注的問題，提高其識別和定位精度是研究的熱點方向。

本文以實現飛行試驗測試任務中多特征點的識別追蹤為需求導向，針對常用靶標檢測算法在大傾角環境下檢測率較低、編碼標志解碼匹配難度大等問題，設計了一種用于物體運動狀態測量的環形編碼對角標志，并通過對已有橢圓識別和角點定位等算法的學習改進，提出了一種基于EDCircles[8]的環形編碼對角標志識別和定位算法的視覺測量技術。經實驗驗證，該技術魯棒性強、識別準確、定位精度高，能夠滿足飛行試驗測試任務的需求。

1 編碼標志點的設計

在視覺測量中，待測對象的測量結果與靶標的識別定位效果密切相關，因此，在設計時就應嚴加考慮，并應注意以下原則：

① 編碼標志點應具有互異性。

② 編碼信息包含足夠多的編碼數目。

③ 標志點結構簡單、特征鮮明、容易識別。

依據上述要求，本文設計了一種新的環形編碼對角標志，如圖1所示。該編碼標志結構主要由4個部分組成：外部黑圓、編碼環、內部白圓和對角標志。其中外部黑圓用于確定靶標區域，內部白圓用于粗定位，對角標用于精定位，內部白圓配合中心對角標志的設計可提高定位精度。

圖1 環形編碼對角標志結構圖

靶標編碼信息帶均分為12段，每隔30°為一個編碼元，每個編碼元可以使用黑色(灰度0)或白色(灰度255)，按照順時針順序組成12位二進制數，在解碼時，選擇其中對應十進制值最小的數作為編碼值。

2 編碼標志的定位與識別

2.1 圖像預處理

飛行試驗環境復雜，圖像采集時會受到周圍環境中多種因素的影響，造成圖像的亮度不均衡、影像模糊、噪聲、變形等問題，從而影響到編碼標記的檢測識別。因此，本文采用圖像預處理方法為下一步的識別、定位做準備。

首先對采集到的圖像進行gamma矯正及高斯濾波，然后采用EDPF(Earliest Deadline and Processing Timefirst)算法，實現圖像邊緣的檢測，該算法全部參數處于上限狀態，因此無須調整參數，適應性強。該算法通過計算圖像梯度信息，對比臨近點之間的梯度值，將局部梯度極大值點定為錨點。確定錨點時，F(x,y)為像素點的對比值為

F(x,y)=16G(x,y)-2G(x+1,y)-

2G(x,y+1)-2G(x-1,y)-

2G(x,y-1)-2G(x,y-2)-

G(x+1,y-1)-G(x+2,y)-

G(x+1,y+1)-G(x,y+2)-

G(x-1,y+1)-G(x-2,y)-

G(x-1,y-1)

(1)

式中：在F(x,y)≥Fth(Fth為像素閾值)的條件下，G(x,y)被定義為錨點，相反則被定義為普通邊緣點。求取出錨點后，EDPF算法以一種獨特的連接方式，將求取到的錨點連接，獲得一個由眾多邊緣像素組成的邊緣段，通過最小二乘直線擬合方法將這些邊緣段擬合成直線段。

得到眾多直線段后，運用Helmholtz原理驗證這些直線段是否有效，其指出，在隨機情況下，偶然出現一個“具有意義”的幾何結構事件的期望是非常低的[9]。

該原理提出了誤檢數量(Number of False Alarms，NFA)的概念，若某一線段的長度為n，在大小N×N像素的圖像中，至少有k個像素點與該線段同向，則該線段的NFA為

(2)

式中：N4為在大小N×N像素的圖像中可能存在的線段數，當NFA(n,k)≤ε時，認為線段是有效的。Desolneux等[10]也指出，這一步驟并非必要的。因為這一驗證方法往往拒絕較短的線段，對于長線段則基本不會拒絕。因此當感興趣的線段都是長線段時，可以略過這一步驟。

2.2 環形編碼對角標志檢測識別

2.2.1 圓弧段檢測

經過最小二乘直線擬合及Helmholtz原理驗證后，得到了許多邊緣線段。接著EDCircles算法提出了一種圓弧段檢測方法，該方法通過判定，將滿足條件的邊緣線段擬合成弧段。算法提出，組成弧段需要至少3條直線段。首先,依次計算相鄰兩條線段之間的夾角和方向，當至少有3條線段方向相同，且滿足夾角閾值條件(6°～60°)[10]，則組合這些直線段為圓弧段。圓弧段檢測原理如圖2所示。

圖2 圓弧段檢測原理示意圖

上述約束可通過向量的內外積計算，若向量集合為{v1,v2,…,vi,…,vn}，其中，vi=(xi,yi),vi+1=(xi+1,yi+1);則向量vi與vi+1之間的夾角θi和向量vi的方向signi可由式(3)計算得出：

(3)

圖2中θ1、θ2、θ7均大于60°，{v3,v4,v5,v6,v7}組成一段弧，{v1,v2,v8}被排除。

2.2.2 候選圓和橢圓檢測

提取出滿足算法約束的弧段后，對弧段根據長短排序。隨后從最長弧段開始，按照一定的圓擬合原則將圓弧段擬合成圓，具體的擬合原則遵循如下。

① 半徑差約束。兩圓弧半徑之間的差值小于較長圓弧半徑值的25%。

② 圓心距約束。兩圓弧的圓心之間的距離小于較長圓弧半徑值的25%。

③ 角度約束。待擬合圓弧段的長度至少達到擬合后圓周長的50%。

圓弧檢測原理示意圖如圖3所示。圖3(a)滿足圓心距約束，不滿足半徑差約束；圖3(b)滿足半徑差約束，不滿足圓心距約束；圖3(c)滿足圓心距約束和半徑差約束，不滿足角度約束。因此這3種情況下均不能成功擬合。

圖3 圓弧檢測原理示意圖

完成圓的擬合后，其余弧段用來擬合橢圓。擬合橢圓的方法與圓擬合方法基本類似，不同的是在擬合橢圓時，半徑差約束和圓心距約束的閾值均為 50 %。

2.2.3 使用Helmholtz準則驗證候選圓與橢圓

在上一節介紹了Helmholtz原理驗證直線段的方法。同樣，Helmholtz原理也適用于圓和橢圓的驗證。擴展到橢圓驗證中，若存在位于橢圓邊緣上的點P，該點的角度和該點對應圓切線的角度差小于pπ，其中p=1/n(即pπ=π/n)，認為點P和橢圓是對齊的。則橢圓的NFA為

(4)

當滿足NFA(n，k)<ε時認為橢圓是有效的。

2.3 過濾干擾對象

在實際測試環境中，針對不同的測試任務和測量目標，待測對象表面往往粘貼不止一種人工標志，因此能夠準確地識別出目標靶標對后需測試任務的順利完成尤為關鍵。本文通過上述步驟，得到候選圓和橢圓的圖像后，通過靶標本身的結構特征對所有對象進行篩選。在對編碼標志識別時，產生透視形變的圖像往往識別率及解碼率較低。為了便于處理，首先，需要對所有橢圓進行透視變換，先校正為正圓；接著對正圓進行大津法(OTSU)二值化，根據靶標的結構特征(中心有個白色的圓，外部為黑色的圓)，過濾候選靶標。

透視變換是將圖片投影到一個新的視平面，也稱作投影映射。其變換公式為

(5)

(6)

通過運算可得：

(7)

(8)

式中:u、v為原始圖像坐標;x、y為經透視變換后的圖像坐標;變換矩陣為3×3矩陣。

透視變換后，對圖像進行OTSU二值化，然后根據靶標的結構特征(中心有個白色的圓，外部為黑色的圓，中心為對角標志)過濾候選靶標。

2.4 特征點定位

經過篩選得到目標靶標，并對其進行定位。根據標志點的結構，首先通過求取內部白色圓的圓心實現粗定位，然后以粗定位結果作為初始位置，采用Harries角點檢測算法實現亞像素級定位。該算法基本思想如下(如圖4所示)：首先，設定一個固定大小的窗口，如本文選擇5×5的固定窗口；然后，在圖像上以不同方向任意滑動窗口，比較窗口滑動時的灰度值變化。若窗口滑動到某一像素點或區域時，灰度值變化明顯，則判定該像素點為角點或者區域內存在角點。

圖4 角點檢測原理示意圖

圖像在點(x,y)處平移(u,v)后的自相關性用E(u,v)表示為

(9)

式中：w為窗口函數；本文設置w(x,y)為高斯分布，其原點位于窗口中心。這樣如果窗口中心為角點，滑動窗口前后該點灰度變化非常劇烈；I(x+u,y+v)是平移后的圖像灰度；I(x,y)為(x,y)處的灰度值；泰勒展開為

I(x+u,y+u)=I(x,y)+Ixu+Iyv+O(u2,v2)

(10)

將式(10)代入式(9)可得：

E(u,v)=

(11)

其中：

(12)

矩陣M的兩個特征值，與角點、邊緣、平滑區域的關系如圖5所示。

圖5 M的特征值選擇

由圖5可以看出，當兩個特征值均比較大時認為圖像被檢測區域存在角點；當一個特征值大，一個特征值小時，認為其處在邊緣區域；兩個特征值均很小時，認為其處在平滑區域。

最終Harries給出度量角點相應的數學模型：

R=detM-k(trM)2

(13)

式中:k為常量，取0.04～0.06。當R大于設定的閾值時，判定相應點為角點，并得到相應整像素級角點坐標。

為進一步得到精確的角點坐標，進行高斯曲面擬合，求曲面的極值點，該點坐標即為高精度的角點亞像素級坐標。二維高斯曲面擬合公式為

f(x,y)=Aexp(((x-x0)+(y-y0))/(2σ2))

(14)

一維高斯方程公式為

(15)

求得曲面極值點坐標(x0,y0)即為角點亞像素級坐標。

2.5 解碼識別

編碼標志相比于非編碼標志最大的優點就是具有獨立的身份信息，通過對編碼信息的提取，實現點位信息的一一對應，是視覺測量中重要的一環。對于本文來說，算法能否實現編碼信息的準確解碼，直接影響后續的點位匹配和三維信息測量工作。

靶標編碼信息由12個編碼元組成環形編碼信息帶，每個編碼元灰度值為白色(255)或黑色(0)。解碼時，首先將正圓圖像進行極坐標變換，提取編碼環區域，呈現為一個豎條矩形圖像。其中極坐標變換公式為

(16)

(17)

式中：(xd,yd)為變換后的圖像點；(xs,ys)為源圖像的點；(xc,yc)為變換中心；L為橢圓長軸；S為短軸；θ為偏角。

在變換后的矩形圖中，從上往下掃描，獲得每一段的黑白像素個數，由于標志是循環編碼，當首尾都是相同顏色時，需要將首尾像素進行合并，計算合并調整后每段矩形圖像素個數，求取該段的編碼。

解碼原理示意圖如圖6所示。通過極坐標變換得到矩形編碼信息帶，最后得到的編碼是110010000000，對此編碼求最小的十進制數是19。

圖6 解碼原理示意圖

通過解碼算法，可獲得采集到的圖像數據中所有標記點的編碼值，這樣每個標記點就具有獨一無二的身份信息，可以實現特征點的匹配。

3 實驗驗證

為驗證本文算法效果，設計了模擬實驗和實測實驗。硬件環境為計算機，處理器為Inter Core i5-8300CPU,操作系統為Windows10，相機焦距為8 mm，分辨率為1920像素×1080像素，軟件環境為Python3.7。

3.1 仿真實驗

為驗證在多標志點識別時，本文算法能否過濾干擾點，對目標靶標準確識別解碼，設計了仿真實驗。實驗中每幅圖片均勻分布25個本文設計的編碼標志及其他編碼標志，如圖7所示。對共計200幅圖片進行識別，并統計本文算法的識別結果，如表1所示。

表1 多標志點識別效果

圖7 識別效果圖

由表1可以看出，在對多標志點識別解碼時，本文算法識別率達到99.5%，正確解碼率達到99%，即便存在較多干擾靶標，該算法仍能夠過濾干擾點，準確識別解碼。其原因為：① 在圓弧檢測時，該算法的判定原則科學有效，同時配合Helmholtz原理對擬合得到的圓進一步驗證，極大地降低了干擾特征產生的影響。② 針對靶標特有的結構特征(中心有個白色的圓，外部為黑色的圓，內部為對角標志)，配合候選過濾算法，過濾候選靶標。③ 在提取編碼信息帶的有效信息時，通過極坐標變換將正圓圖像轉換成矩形，保證了解碼的準確率。

3.2 實測實驗

為驗證拍攝角度及拍攝距離對本文算法識別解碼效果的影響，實驗對部分標志點按投影角度0°～80°和拍攝距離3～7 m進行圖像采集和識別，效果如圖8所示。實驗中勻速改變靶標投影角度，從0°～80°往復運動3次，高速相機以60 f/s的拍攝速度對靶標進行拍攝，共獲得300幅圖像。

圖8 識別效果圖

完成圖像采集和識別后，分析圖像數據并統計試驗結果，得到投影角度、拍攝距離與識別率之間的關系，如圖9所示。

圖9 投影角度、拍攝距離與識別準確率之間的關系

可見在一定的拍攝距離下，投影角度對靶標識別準確率的影響較大。在投影角度小于 60°時，本文算法的識別準確率達到 100%；當角度大于 60°時，算法的識別準確率下降，當投影角度為 80°時，靶標識別率依然能夠達到 92%。

為驗證本文算法在復雜環境下的檢測和解碼效果，在實驗室中將本文設計的5個不同ID的環形編碼對角標志與多種其他編碼標志與非編碼標志混合，并按照不同角度與布置。通過相機采集圖像并用算法進行檢測解碼，實驗效果如圖10所示。

圖10 復雜環境下算法的檢測解碼效果

由圖10可以看出，算法能夠在復雜的環境中準確識別出5個環形編碼對角標志，且能準確檢測出節點，正確解碼。

本文設計的環形編碼對角標志和相應的視覺測量技術已在某旋翼測量地面實驗中應用。實驗基于本文所提技術，實現旋翼槳葉上特征點的追蹤和定位。旋翼測量地面試驗檢測效果圖11所示。

圖11 旋翼測量地面試驗檢測效果

地面實驗中圖像投影角度約為60°，靶標距離相機約3～5 m。由圖11可以看出，在旋翼測量地面試驗中，所有靶標全部準確識別，檢測效果良好。

為驗證標記點重復定位精度，設計實驗對同一標記點進行多個角度多次拍攝，檢測其關鍵特征點的亞像素坐標。選取2個角度，角度一為15°，角度二為45°。每個角度拍攝20幅圖像，計算并統計其重復精度，如圖12和圖13所示。

圖12 角度一拍攝下重復定位精度

圖13 角度二拍攝下重復定位精度

對圖12、圖13的實驗數據進行統計，得到實驗重復定位精度統計結果如表2所示。

表2 重復定位精度統計

由表2可以看出，X坐標重復定位誤差優于0.1 px，Y坐標重復定位誤差優于0.05 px，總體重復定位誤差優于0.15 px，可見該技術具有較高的定位精度。

4 結束語

在飛行試驗測試任務中，能否通過視覺測量的手段有效獲取被測物的信息，直接影響后續任務的進展，因此對飛行試驗來說，實現對多標志的穩定識別及高精度定位意義非凡。針對飛行試驗測試任務需求，設計了一種易于識別和高精度定位的環形編碼對角標志，提出了一種基于EDCircles的環形編碼對角標志識別和定位算法的視覺測量技術。試驗結果表明，該視覺測量技術識別準確、魯棒性強、定位精度高，能夠有效解決多標志點識別定位存在誤識別、定位精度低等問題，可以滿足飛行試驗測試任務中對關鍵目標實現穩定識別跟蹤的任務需求。