康儒斐 王仕成 劉志國 楊東方

(第二炮兵工程大學(xué)控制工程系，西安 710025)

面向空間抓取任務(wù)的目標(biāo)輪廓跟蹤方法

康儒斐 王仕成 劉志國 楊東方

(第二炮兵工程大學(xué)控制工程系，西安 710025)

在空間抓取任務(wù)中，視場(chǎng)背景復(fù)雜，光照條件變化劇烈，而且存在相對(duì)運(yùn)動(dòng)。文章提出了一種新的動(dòng)態(tài)輪廓特征檢測(cè)跟蹤方法。首先在灰度梯度法基礎(chǔ)上，引入形狀匹配、面積篩選和自適應(yīng)灰度閾值調(diào)整方法，提高了輪廓提取的魯棒性。隨后，基于該提取結(jié)果，利用圖像序列的時(shí)域相關(guān)約束輔助GVF Snake算法進(jìn)行輪廓跟蹤，提升了動(dòng)態(tài)檢測(cè)速度。最后，考慮到空間抓取任務(wù)的實(shí)時(shí)性需求，采用CUDA運(yùn)算架構(gòu)對(duì)算法進(jìn)行并行化處理，并對(duì)一組序貫圖像序列進(jìn)行了輪廓跟蹤實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，此方法在CUDA平臺(tái)下輪廓跟蹤速率達(dá)到了10幀/s，在保證輪廓檢測(cè)的準(zhǔn)確性的基礎(chǔ)上，明顯改善了檢測(cè)速度。

輪廓檢測(cè)；空間目標(biāo)抓取；時(shí)域約束輔助；航天任務(wù)

1 引言

空間目標(biāo)抓取是近年來空間智能機(jī)器人研究的重要內(nèi)容，在航天器交會(huì)對(duì)接、工業(yè)智能機(jī)器人操作等方面起著重要作用[1]。而計(jì)算機(jī)視覺測(cè)量融合了計(jì)算機(jī)科學(xué)、圖像處理科學(xué)等多門學(xué)科的知識(shí)，是一種重要的測(cè)量手段，可以對(duì)目標(biāo)進(jìn)行相對(duì)測(cè)量與跟蹤[2]，輔助目標(biāo)抓取。

利用計(jì)算機(jī)視覺對(duì)合作目標(biāo)進(jìn)行精密相對(duì)測(cè)量的過程中，通常采用輪廓檢測(cè)的方法。輪廓檢測(cè)算法中最早提出的是灰度梯度法，該方法使用局部微分算子，通過對(duì)圖像進(jìn)行卷積運(yùn)算來檢測(cè)輪廓。常用的微分算子有拉普拉斯算子、Sobel[3]算子、Canny[4]算子等，這類算子運(yùn)算速度快,實(shí)現(xiàn)較為簡單，但對(duì)圖像灰度化處理時(shí)所設(shè)定的閾值十分敏感，同時(shí)圖像中存在的噪聲對(duì)檢測(cè)過程干擾較大，導(dǎo)致其魯棒性差。文獻(xiàn)[5]在灰度梯度法的基礎(chǔ)上提出了一種基于梯度直方圖的方法，它在利用灰度梯度幅值檢測(cè)輪廓的同時(shí)，通過引入灰度梯度的方向信息解決了灰度閾值敏感問題。但該算法局限性強(qiáng)，只適用于直線的提取。文獻(xiàn)[6]將數(shù)學(xué)形態(tài)學(xué)方法用于輪廓檢測(cè)，提出了一種基于方向形態(tài)學(xué)的方法：先對(duì)圖像進(jìn)行二值化處理，然后定義一個(gè)方向目標(biāo)函數(shù)來確定結(jié)構(gòu)元素的移動(dòng)方向，再進(jìn)行滾動(dòng)膨脹處理來獲得輪廓信息。該方法計(jì)算簡單，適于進(jìn)行并行計(jì)算，但也存在容易陷入局部輪廓提取、易受噪聲干擾的問題。文獻(xiàn)[7]對(duì)該方法進(jìn)行了改進(jìn)，在對(duì)圖像進(jìn)行形態(tài)學(xué)操作前，先檢測(cè)邊緣方向信息，然后對(duì)不同邊緣方向信息采用不同方向的結(jié)構(gòu)元素進(jìn)行滾動(dòng)膨脹處理得到輪廓。該方法魯棒性較好，但是對(duì)結(jié)構(gòu)元素的選取比較敏感。文獻(xiàn)[8]提出了一種Snake模型，設(shè)定了一種能量泛函，通過不斷對(duì)初始曲線上的離散點(diǎn)進(jìn)行泛函計(jì)算和迭代，使泛函達(dá)到最小值，進(jìn)而逼近目標(biāo)輪廓。該方法將初始輪廓作為先驗(yàn)知識(shí)，并且同時(shí)考慮了曲線進(jìn)化的平滑性、連續(xù)性、目標(biāo)邊緣灰度特性，因而一定程度上提高了輪廓提取的抗噪性。但是該方法對(duì)初始輪廓精度要求高，同時(shí)還存在不能很好檢測(cè)凹輪廓的問題。針對(duì)這些不足，文獻(xiàn)[9]提出了一種基于正交直線的Snake模型，該方法基于任一閉合曲線都可以由多邊形逼近的思想，在初始輪廓上選取離散點(diǎn)組成初始多邊形。通過對(duì)離散點(diǎn)直交線給定范圍內(nèi)灰度梯度幅值的檢測(cè)，將輪廓變化與灰度梯度變化聯(lián)系在一起，然后對(duì)初始輪廓進(jìn)行迭代，不斷逼近目標(biāo)輪廓。該方法很好地解決了提取凹輪廓的問題，但是檢測(cè)結(jié)果對(duì)設(shè)定的灰度檢測(cè)范圍敏感。文獻(xiàn)[10]提出了一種梯度矢量流(GVF)Snake模型，它以GVF為外力場(chǎng)，這種外力場(chǎng)比Snake外力場(chǎng)捕獲范圍大，在一定程度上降低了對(duì)初始輪廓精度的要求，同時(shí)也能收斂到凹區(qū)域。

需要指出的是，基于Snake模型的這一大類輪廓提取算法均需要指定一個(gè)初始輪廓結(jié)果，因此，本文考慮將灰度描述算子和活動(dòng)輪廓相結(jié)合，提出一套適用于實(shí)際應(yīng)用的目標(biāo)輪廓提取方法?？臻g抓取任務(wù)對(duì)目標(biāo)特征測(cè)量的精度、魯棒性和檢測(cè)速度提出了更高的要求。首先，在空間抓取任務(wù)中，目標(biāo)輪廓等特征提取的精度，直接決定了相對(duì)位姿測(cè)量的精度；此外，由于空間光照條件對(duì)圖像灰度值影響很大[11]，從而要求輪廓檢測(cè)算法有更強(qiáng)的魯棒性；另外，在機(jī)械臂逼近目標(biāo)的過程中存在相對(duì)運(yùn)動(dòng)，因此對(duì)算法檢測(cè)速度提出了更高要求。針對(duì)以上問題，本文利用輪廓特征之間的時(shí)域相關(guān)性提出了一種新的動(dòng)態(tài)輪廓特征提取方法。

2 基本原理

本文提出的輪廓特征自動(dòng)檢測(cè)方法的基本原理包括兩個(gè)方面：首先，采用自適應(yīng)閾值調(diào)整的方法，解決空間光照條件變化對(duì)圖像灰度值產(chǎn)生影響的問題，從而實(shí)現(xiàn)目標(biāo)輪廓的魯棒提??；然后在此基礎(chǔ)上，利用相鄰幀圖像中目標(biāo)特征的相關(guān)性約束關(guān)系，降低自適應(yīng)閾值圖像特征提取的計(jì)算復(fù)雜度，輔助實(shí)現(xiàn)動(dòng)態(tài)目標(biāo)輪廓的穩(wěn)定跟蹤。

2.1 基于自適應(yīng)閾值的輪廓提取法

對(duì)目標(biāo)進(jìn)行相對(duì)測(cè)量的第一步，是對(duì)圖像進(jìn)行特征提取，其中輪廓特征提取是合作目標(biāo)測(cè)量的常用方法。應(yīng)用上最普遍的圖像輪廓提取方法是灰度梯度法：首先對(duì)圖像按閾值進(jìn)行二值化處理得到灰度圖像，然后進(jìn)行灰度梯度解算，將提取出來的具有較大灰度梯度值的像素點(diǎn)作為邊緣點(diǎn)，最后依據(jù)相應(yīng)的判斷準(zhǔn)則對(duì)邊緣點(diǎn)進(jìn)行篩選，繪制相應(yīng)的輪廓曲線?；叶忍荻确ǖ幕A(chǔ)是空域微分算子，主要包括拉普拉斯算子、Sobel算子和Canny算子等。其中，拉普拉斯算子通過求取圖像x,y方向的二階導(dǎo)數(shù)之和完成算子賦值。在灰度不連續(xù)的疑似輪廓附近，由于二階導(dǎo)數(shù)的特性，算子取值會(huì)顯著增大，而穿越疑似輪廓后，算子取值又會(huì)快速減小。在此過程中出現(xiàn)的局部極值便可以用來指示邊緣。然而，由于拉普拉斯算子是二階算子，對(duì)噪聲非常敏感，因此提取結(jié)果容易受噪聲干擾。Sobel算子本質(zhì)上是對(duì)圖像的x,y方向分別進(jìn)行一階求導(dǎo)，然后求取導(dǎo)數(shù)的平方和。由于該算子對(duì)x,y方向分別求導(dǎo)，對(duì)圖像水平和豎直方向上的灰度不連續(xù)處均有較強(qiáng)的響應(yīng)，其平方和可以用來對(duì)邊緣進(jìn)行描述。然而，從上述過程可以看出，Sobel算子不能有效去噪，處理后的圖像仍然存在干擾噪聲。在Sobel算子基礎(chǔ)上，Canny算子加入了高斯平滑處理和非極大值抑制，是目前為止應(yīng)用最廣泛的一種微分算子。Canny算子的實(shí)現(xiàn)過程如下。

首先，應(yīng)用高斯平均算子對(duì)圖像進(jìn)行平滑處理得到圖像平滑圖，坐標(biāo)x,y處的高斯函數(shù)利用方差σ2控制：

(1)

圖像經(jīng)過平滑處理后，圖像中的邊緣區(qū)域便會(huì)出現(xiàn)數(shù)據(jù)嶺。然后，用一階微分算子對(duì)處理后圖像進(jìn)行卷積運(yùn)算，運(yùn)算得到峰值的位置就是數(shù)據(jù)嶺中邊緣所在位置。在這里采用的一階微分算子是平滑處理后的圖像在邊緣法線方向上的一階導(dǎo)數(shù)：

(2)

將算子與圖像P進(jìn)行卷積運(yùn)算求取其Gn極大值點(diǎn)，這些極大值點(diǎn)就是圖像中的邊緣點(diǎn)。在運(yùn)算過程中，當(dāng)該卷積沿n⊥方向微分值為0時(shí)，Gn取得極大值，即：

(3)

在空間目標(biāo)相對(duì)測(cè)量任務(wù)中，采用Canny算子進(jìn)行輪廓提取時(shí)，由于光照條件、相對(duì)動(dòng)態(tài)程度，以及視場(chǎng)背景的影響，實(shí)際實(shí)驗(yàn)過程中容易出現(xiàn)輪廓混雜、輪廓檢測(cè)不全等問題，難以實(shí)現(xiàn)目標(biāo)輪廓的有效提取。基于Canny算子的輪廓檢測(cè)如圖1所示。

圖1 基于Canny算子的輪廓檢測(cè)結(jié)果示意

針對(duì)實(shí)際實(shí)驗(yàn)中遇到的上述問題，本文首先利用目標(biāo)輪廓模板對(duì)所提取的輪廓進(jìn)行形狀匹配和篩選，剔除不規(guī)則輪廓和其他形狀輪廓，保留與目標(biāo)輪廓模板相近的輪廓。然后結(jié)合輪廓的面積特征進(jìn)行篩選，最終得到有效輪廓，如圖2(a)所示。從圖中可以發(fā)現(xiàn)，此時(shí)得到的檢測(cè)結(jié)果并不完整，這是因?yàn)橛肅anny算子對(duì)圖像進(jìn)行二值化處理時(shí)，采用了固定的灰度閾值，導(dǎo)致部分輪廓因灰度未達(dá)到閾值被忽略，這個(gè)問題在光照強(qiáng)度不足的情況下尤其顯著。為解決該問題，本節(jié)采用自適應(yīng)調(diào)整灰度梯度閾值的方法，對(duì)目標(biāo)進(jìn)行自適應(yīng)灰度閾值檢測(cè)。首先設(shè)定灰度閾值初始值，進(jìn)行輪廓檢測(cè)，在完成模板匹配和面積篩選后得到有效輪廓；然后根據(jù)檢測(cè)到的有效輪廓的個(gè)數(shù)作為檢測(cè)完整性判斷的依據(jù)，進(jìn)行灰度閾值調(diào)整，直到檢測(cè)到全部有效輪廓為止，如圖2(b)所示。

圖2 輪廓特征檢測(cè)結(jié)果示意

上述方法在一定程度上解決了空間目標(biāo)測(cè)量過程中容易出現(xiàn)的輪廓特征檢測(cè)不全的問題，提高了圖像特征檢測(cè)的魯棒性。然而在實(shí)際測(cè)量中，該方法由于需要對(duì)每一幀圖像進(jìn)行多次基于灰度閾值調(diào)整的特征檢測(cè)，所以輪廓提取過程的計(jì)算復(fù)雜程度成倍地增加。對(duì)此，本文在下一節(jié)中引入圖像序列之間的時(shí)域相關(guān)約束，輔助運(yùn)動(dòng)目標(biāo)的活動(dòng)輪廓提取，減小了運(yùn)算復(fù)雜度，實(shí)現(xiàn)了目標(biāo)和攝像機(jī)之間的動(dòng)態(tài)相對(duì)測(cè)量。

2.2 時(shí)域約束輔助的GVF Snake算法

考慮到Snake及其改進(jìn)模型在目標(biāo)輪廓跟蹤方面采用了曲線進(jìn)化的思想，對(duì)于存在時(shí)域相關(guān)約束的輪廓跟蹤具有天然優(yōu)勢(shì)，因此選擇一種Snake模型作為輪廓跟蹤算法。在諸多Snake改進(jìn)模型中，GVFSnake模型由于引入了梯度矢量流場(chǎng)替代Snake模型中的外力場(chǎng)(-Eext)，能夠得到更加準(zhǔn)確的輪廓跟蹤結(jié)果，所以本節(jié)引入GVFSnake模型實(shí)現(xiàn)圖像序列目標(biāo)輪廓的提取。

首先，在原始Snake模型中，采用了參量方程表示變形曲線，該曲線表示為v(s)=[x(s),y(s)],s∈[0,1]。然后設(shè)立一種能量泛函

(4)

式中α(s)為輪廓的斜率；β(s)為輪廓的曲率；Eext為外力場(chǎng)能量項(xiàng)。根據(jù)式(4)對(duì)初始曲線進(jìn)行能量泛函計(jì)算和位置迭代，當(dāng)求得的曲線能量泛函最小時(shí)，便認(rèn)為曲線已經(jīng)逼近輪廓。

在Snake模型基礎(chǔ)上，GVFSnake模型采用新的靜態(tài)外力場(chǎng)GVF代替Snake模型中的外力場(chǎng)。它不隨時(shí)間而變化，通過求解能量泛函極小值得到

(5)

式中GVF場(chǎng)表示為V=[u(x,y),v(x,y)]；u,v分別為圖像灰度在x,y方向上的變化；ux,uy,vx,vy分別為u,v在x,y方向上的導(dǎo)數(shù)；為梯度算子；f為邊緣圖像；μ為控制參數(shù)。得到GVF場(chǎng)后，對(duì)初始曲線進(jìn)行逐次迭代，最終逼近輪廓的真實(shí)位置。

圖3 相鄰時(shí)刻目標(biāo)-攝像機(jī) 相對(duì)位置關(guān)系示意

在抓取任務(wù)中，視覺測(cè)量輔助空間目標(biāo)抓取，本質(zhì)上是依托于攝像機(jī)對(duì)目標(biāo)所在世界坐標(biāo)系的測(cè)量，得到攝像機(jī)本體和世界坐標(biāo)系的相對(duì)位置關(guān)系。傳統(tǒng)方法對(duì)于空間目標(biāo)測(cè)量往往是對(duì)采集的圖像單獨(dú)進(jìn)行輪廓提取。事實(shí)上，不同時(shí)刻的目標(biāo)-攝像機(jī)位置關(guān)系和測(cè)量結(jié)果存在著時(shí)域相關(guān)性約束，可以輔助進(jìn)行輪廓檢測(cè)。時(shí)域相關(guān)關(guān)系示意如圖3所示。

(6)

根據(jù)攝像機(jī)成像幾何模型，世界坐標(biāo)系和攝像機(jī)光心坐標(biāo)系之間的相對(duì)位置和姿態(tài)信息實(shí)際上就完全決定了目標(biāo)特征在攝像機(jī)圖像坐標(biāo)系中的像素坐標(biāo)。因此，式(6)所描述的位姿約束關(guān)系，也能為相鄰幀圖像中圖像輪廓點(diǎn)的像素位置提供輔助約束。也就是說，利用時(shí)域相關(guān)性特點(diǎn)，將初始輪廓輸入作為時(shí)域相關(guān)的已知先驗(yàn)信息，能夠輔助進(jìn)行輪廓檢測(cè)和跟蹤。

上述動(dòng)態(tài)特征提取方法的具體實(shí)現(xiàn)過程包括如下兩個(gè)步驟：

1)圖像輪廓特征的初始數(shù)據(jù)獲取。對(duì)視覺測(cè)量系統(tǒng)采集得到的圖像數(shù)據(jù)，首先采用形狀匹配和面積篩選剔除干擾輪廓，得到初步檢測(cè)結(jié)果。然后，為了彌補(bǔ)光照等因素對(duì)檢測(cè)結(jié)果的影響，在上述結(jié)果基礎(chǔ)上，進(jìn)行自適應(yīng)閾值的灰度梯度檢測(cè)，最終得到第一幀圖像中關(guān)于合作目標(biāo)所有有效輪廓信息的完整描述。

2)將該輪廓作為已知先驗(yàn)信息，利用不同幀圖像之間的時(shí)域相關(guān)性約束條件，依據(jù)曲線進(jìn)化思想，采用GVF Snake算法在后續(xù)圖像中進(jìn)行輪廓迭代，使輪廓曲線不斷逼近實(shí)際輪廓，達(dá)到目標(biāo)跟蹤的目的，提升算法的魯棒性和有效性。

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)平臺(tái)

為了驗(yàn)證文中目標(biāo)檢測(cè)算法的有效性，搭建了空間抓取實(shí)驗(yàn)平臺(tái)?？臻g抓取實(shí)驗(yàn)平臺(tái)由環(huán)形輪廓合作目標(biāo)與目標(biāo)物、機(jī)械臂及其控制柜、指爪、圖像采集及處理模塊和主控計(jì)算機(jī)等組成，其結(jié)構(gòu)如圖4所示。環(huán)形輪廓合作目標(biāo)用于指示目標(biāo)物方位，機(jī)械臂模擬空間抓取機(jī)械臂，在手眼視覺等裝置的輔助下來完成對(duì)目標(biāo)物的抓取。

圖4 空間抓取實(shí)驗(yàn)平臺(tái)示意

空間抓取過程分為三部分，首先攝像頭對(duì)目標(biāo)進(jìn)行視覺信息采集，并將采集信息傳入主控計(jì)算機(jī)；然后主控計(jì)算機(jī)采用文中提出的輪廓檢測(cè)方法進(jìn)行目標(biāo)輪廓檢測(cè)，計(jì)算目標(biāo)-攝像機(jī)相對(duì)位姿，調(diào)制機(jī)械臂運(yùn)動(dòng)命令；最后，機(jī)械臂執(zhí)行運(yùn)動(dòng)命令，開始抓取動(dòng)作。在動(dòng)作過程中，由于目標(biāo)和攝像頭處在相對(duì)運(yùn)動(dòng)狀態(tài)，所以視覺系統(tǒng)和主控計(jì)算機(jī)按照時(shí)域約束輔助的GVF Snake方法不斷進(jìn)行相對(duì)位置解算，調(diào)制新的機(jī)械臂動(dòng)作命令，直到成功抓取目標(biāo)。

3.2 并行運(yùn)算架構(gòu)CUDA

利用并行運(yùn)算架構(gòu)CUDA(Compute Unified Device Architecture)進(jìn)行方法實(shí)現(xiàn)，能夠大幅提升運(yùn)算效率，減少運(yùn)算時(shí)間。CUDA架構(gòu)是NVIDIA公司于2006年推出的基于GPU硬件設(shè)備的并行運(yùn)算工具，它使GPU能夠代替CPU進(jìn)行大規(guī)模數(shù)據(jù)運(yùn)算，從而使CPU能夠?qū)Ｗ⒂诔绦蜻壿嬁刂?，大大提升了運(yùn)算效率。在CUDA架構(gòu)中，CPU被稱為host，GPU被稱為device，兩者工作模式如圖5所示。

圖5 CUDA并行架構(gòu)工作模式示意

如圖5所示，host首先進(jìn)行CUDA初始化，然后開辟內(nèi)存空間，將圖像數(shù)據(jù)傳入內(nèi)存完成內(nèi)存，完成初始化。隨后，開辟顯存空間，將圖像數(shù)據(jù)由內(nèi)存?zhèn)魅腼@存。device讀取顯存中的圖像數(shù)據(jù)，分配到各個(gè)并行運(yùn)算單元中進(jìn)行并行計(jì)算，并將結(jié)果存入顯存。隨后，顯存將結(jié)果傳回內(nèi)存供host進(jìn)行處理，完成并行運(yùn)算過程。

3.3 動(dòng)態(tài)目標(biāo)輪廓測(cè)量實(shí)驗(yàn)

在空間目標(biāo)抓取任務(wù)中，目標(biāo)輪廓檢測(cè)的速度、魯棒性等決定了抓取過程的成敗。為驗(yàn)證文中提出的方法，本節(jié)設(shè)計(jì)了一組輪廓檢測(cè)實(shí)驗(yàn)，分別對(duì)檢測(cè)速度、魯棒性進(jìn)行驗(yàn)證。首先，分別采用灰度梯度法、GVF Snake方法和本文所提出的時(shí)域約束輔助GVF Snake方法進(jìn)行輪廓提取實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖5所示。

在圖6中，灰度梯度法對(duì)第一幀圖片進(jìn)行處理后，將目標(biāo)輪廓信息傳遞給GVF Snake方法和本文提出的時(shí)域約束輔助的GVF Snake方法分別進(jìn)行處理。兩種方法均在進(jìn)行1次迭代后，檢測(cè)到了目標(biāo)輪廓。隨后，改變目標(biāo)輪廓位置和光照強(qiáng)度獲取第二幀圖片，灰度梯度法對(duì)其進(jìn)行輪廓檢測(cè)，將檢測(cè)結(jié)果作為初始輪廓傳遞給GVF Snake方法。如圖6所示，由于灰度梯度法進(jìn)行輪廓檢測(cè)時(shí)出現(xiàn)誤差，GVF Snake方法在初始輪廓基礎(chǔ)上進(jìn)行了5次迭代，檢測(cè)到了目標(biāo)輪廓；而時(shí)域約束輔助的GVF Snake方法以前一幀圖片檢測(cè)結(jié)果作為初始輪廓，在第二幀圖片中進(jìn)行迭代運(yùn)算，在1次迭代后檢測(cè)到目標(biāo)輪廓。

橫向比較灰度梯度法對(duì)第1幀和第2幀圖片的輪廓檢測(cè)結(jié)果可以發(fā)現(xiàn)，當(dāng)光照條件等外界因素變化時(shí)，灰度梯度法對(duì)目標(biāo)輪廓的檢測(cè)結(jié)果可能會(huì)出現(xiàn)較大偏差。但在GVF Snake方法對(duì)該輪廓進(jìn)行5次迭代后，仍可以檢測(cè)到目標(biāo)輪廓，說明GVF Snake方法魯棒性較強(qiáng)。時(shí)域約束輔助的GVF Snake方法將較早時(shí)刻的輪廓檢測(cè)結(jié)果作為初始輪廓，僅經(jīng)過1次迭代就檢測(cè)到了目標(biāo)輪廓，迭代所用時(shí)間較GVF Snake方法大為減少，如表1所示。

圖6 方法對(duì)比實(shí)驗(yàn)

表1 迭代時(shí)間對(duì)比結(jié)果

Tab.1 Comparison of iteration time

圖片第1幀時(shí)域約束輔助GVFsnake方法GVFsnake方法第2幀時(shí)域約束輔助GVFsnake方法GVFsnake方法時(shí)間/s0.3290.3310.2991.793

在對(duì)本文方法進(jìn)行離散圖片實(shí)驗(yàn)的基礎(chǔ)上，為了更好地檢驗(yàn)時(shí)域約束輔助的GVF Snake方法對(duì)動(dòng)態(tài)輪廓檢測(cè)的有效性，本文還對(duì)目標(biāo)抓取過程中隨機(jī)按幀序得到的7幀圖像在CPU和CUDA上分別進(jìn)行了輪廓檢測(cè)實(shí)驗(yàn)。在實(shí)驗(yàn)中，本文采用的硬件設(shè)備如下：CPU為Intel Core i5-4570處理器，處理頻率3.2 GHz；GPU為NVIDIA Quadro K5000顯卡，CUDA計(jì)算能力為3.0，含有192個(gè)流多處理器，1 536個(gè)流處理器。檢測(cè)結(jié)果如圖7所示。

圖7 動(dòng)態(tài)目標(biāo)輪廓檢測(cè)實(shí)驗(yàn)

在圖7中，各幀圖片是在環(huán)形輪廓合作目標(biāo)移動(dòng)過程中采樣得到的圖片。作為實(shí)驗(yàn)對(duì)象，從這些圖中可以看出，隨著環(huán)形輪廓合作目標(biāo)移動(dòng)，背景和光照條件在不斷變化，這對(duì)檢測(cè)算法的運(yùn)算速度和魯棒性提出較高要求。而從圖中輪廓檢測(cè)結(jié)果來看，在CPU和CUDA上實(shí)現(xiàn)的時(shí)域約束輔助的GVF Snake算法，均能有效克服背景條件、光照變化，實(shí)現(xiàn)對(duì)輪廓的跟蹤。在CPU和CUDA平臺(tái)上的用時(shí)見表2。

表2 處理時(shí)間結(jié)果

從處理時(shí)間表可以看出，采用CUDA架構(gòu)實(shí)現(xiàn)，輪廓檢測(cè)速率達(dá)到約10幀/s的檢測(cè)速度，大幅提升了計(jì)算效率，減少了運(yùn)算時(shí)間，保證了實(shí)時(shí)性。

4 結(jié)束語

本文提出了一種動(dòng)態(tài)輪廓特征自動(dòng)檢測(cè)方法。該方法以灰度梯度法和GVF Snake方法為基礎(chǔ)，并對(duì)其進(jìn)行了優(yōu)化。本文針對(duì)灰度梯度法在對(duì)合作目標(biāo)輪廓提取中魯棒性差、易受噪聲干擾等問題，提出了形狀匹配、面積篩選、自適應(yīng)閾值選擇等方法，有效改進(jìn)了算法性能；針對(duì)動(dòng)態(tài)輪廓檢測(cè)的問題，對(duì)序列圖像中的輪廓特征之間的時(shí)域關(guān)系進(jìn)行了研究，提出一種基于時(shí)域約束輔助的GVF Snake方法，達(dá)到了動(dòng)態(tài)檢測(cè)要求，提升了檢測(cè)速度。同時(shí)，分別在CPU和CUDA平臺(tái)上進(jìn)行了實(shí)驗(yàn)，驗(yàn)證了方法有效性。

實(shí)驗(yàn)結(jié)果表明，本文方法在不同光照條件下能夠準(zhǔn)確地進(jìn)行輪廓提取，具有較強(qiáng)的魯棒性；同時(shí)能夠有效地對(duì)動(dòng)態(tài)目標(biāo)進(jìn)行輪廓跟蹤，檢測(cè)速率達(dá)到約10幀/s。從實(shí)驗(yàn)過程能夠看出，本文提出的方法只需要進(jìn)行1次迭代就能實(shí)現(xiàn)輪廓特征的準(zhǔn)確提取，簡化了計(jì)算流程，并且通過采用CUDA并行運(yùn)算方法提升了實(shí)時(shí)性，保證了本文方法在實(shí)際應(yīng)用中的有效性。

[1]李宇飛，高朝輝，申麟.基于視覺的機(jī)械臂空間目標(biāo)抓取策略研究[J].中國科學(xué)：技術(shù)科學(xué)，2015,45(1):31-35.

LI YUFEI，GAO ZHAOHUI，SHEN LIN. Study of vision-based space target capturing strategy for manipulators[J]. Sci Sin Tech, 2015，45(1):31-35 .

[2]劉勇，徐鵬，徐世杰.航天器自主交會(huì)對(duì)接的視覺相對(duì)導(dǎo)航方法[J].中國空間科學(xué)技術(shù)，2013，12(6):33-40.

LIU YONG，XU PENG，XU SHIJIE. Vision-based relative navigation for rendezvous and docking of spacecraft[J]. Chinese Space Science and Technology，2013，12(6):33-40.

[3]SOBEL I. Camera models and machine perception[J]. IEEE Transactions on Electronic Computers，1970，18(12):104-197.

[4]CANNY J. A computational approach to edge detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1986，8(6):679-698.

[5]張小虎，李由，李立春,等. 一種基于梯度方向直方圖的直線輪廓提取新方法[J].光學(xué)技術(shù)，2006，32(6):824-826.

ZHANG XIAOHU，LI YOU，LI LICHUN，et al. A new line boundary detection algorithm based on histogram of gradient′s direction[J]. Optical Technique，2006，32(6):824-826.

[6]YANG J,LI X. Directional morphology and its application in boundary detection[J]. Image Processing and Application，1995，410(2):742-746.

[7]姚慶梅，牛君.一種基于方向形態(tài)學(xué)的圖像輪廓提取方法[J].山東大學(xué)學(xué)報(bào)(工學(xué)版)，2005，35(4): 47-50.

YAO QINGMEI,NIU JUN. Boundary detection based on directional morphology[J].Journal of Shandong University (Engineering Science)，2005，35(4): 47-50.

[8]KASS M，WITZIN A，Terzopoulous D.Snake：active contour models[J].Internet Journal of Computer Vision，1988，1(4)：321-331.

[9]王宏漫，歐宗瑛，胡志萍.自由差分運(yùn)算與直交型Snake模型[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2005，17(3):448-454.

[10]XU C，PRINCE J L. Snakes，shapes，and gradient vector flow[J]. IEEE Transactions on Image Processing，1998，7(3):359-369.

[11]王叢.自動(dòng)圖像白平衡的研究[D].北京：北京工業(yè)大學(xué)，2012.

WANG CONG. Automatic image white balance technique[D]. Beijing: Beijing University of Technology，2012.

[12]楊東方，劉志國. 一種新的慣性/視覺組合系統(tǒng)初始對(duì)準(zhǔn)的時(shí)域約束方法[J].儀器儀表學(xué)報(bào)，2014，35(4): 47-50.

YANG DONGFANG，LIU ZHIGUO. A novel time-domain constrained approach for the iinitial alignment of INS/vision integrated system[J]. Chinese Journal of Scientific Instrument，2014，35(4): 47-50.

(編輯：高珍)

Detecting and Tracking Method for Space Target Grasping Based on Contour Features Detection

KANG Rufei WANG Shicheng LIU Zhiguo YANG Dongfang

(Department of Control Engineering,The Second Artillery Engineering University，Xi′an 710025)

Due to the complex background, changes of the illumination and relative motions, better performances in effectiveness and robustness are needed for moving target grasping tasks.A new detecting and tracking method based on dynamic contour features was proposed. The gray gradient method and the active contour model were integrated in this method. At first, on the basis of the traditional gray gradient method,an improved gray gradient method was proposed,which included shape matching, area screening and adaptive adjustment of gray threshold. According to the detecting results of target contour, the time-domain constraints between image sequences were also involved. The detecting results were added in the GVF snake method to improve the measuring accuracy and effectiveness. In the end, considering the real-time demand of the grasping tasks,the tracking methods was parallel with CUDA calculation architecture and an experiment was conducted with a bundle of sequential images. The result shows that the tracking rate can reach 10 frames per second, improving the tracking speed without sacrificing the accuracy.

Contour detection；Space target grasping；Time-domain constraints; Space mission

國家自然科學(xué)基金(61403398)，陜西省自然科學(xué)基金(2014JM2-6109)資助項(xiàng)目

2015-06-02。收修改稿日期：2015-08-04

10.3780/j.issn.1000-758X.2015.06.007

康儒斐 1991生，2012年畢業(yè)于第二炮兵工程大學(xué)測(cè)控工程專業(yè)，現(xiàn)為第二炮兵工程大學(xué)導(dǎo)航制導(dǎo)與仿真專業(yè)碩士研究生。研究方向?yàn)橛?jì)算機(jī)視覺。