（海軍工程大學(xué) 武漢 430000）

1 引言

無人機(jī)（Unmanned Aerial Vehicle，UAV）是一種典型的智能化無人平臺(tái)，要求具有極強(qiáng)的環(huán)境感知、航路規(guī)劃以及機(jī)動(dòng)能力，以便在復(fù)雜的環(huán)境下開展相關(guān)工作［1］。與固定翼無人機(jī)相比，多旋翼無人機(jī)具有可垂直起降、定點(diǎn)懸停、靈活性高等特點(diǎn)并且能夠?qū)崿F(xiàn)復(fù)雜動(dòng)作［2］。通常搭載視覺傳感器來獲取環(huán)境信息，再通過計(jì)算機(jī)視覺算法來感知場(chǎng)景，進(jìn)而在事故搜救、交通監(jiān)控、軍事行動(dòng)等任務(wù)中發(fā)揮重要作用。

傳統(tǒng)簡(jiǎn)單場(chǎng)景下目標(biāo)檢測(cè)算法一般通過提取目標(biāo)局部特征進(jìn)行檢測(cè)，包括閾值法、區(qū)域目標(biāo)檢測(cè)法和邊緣檢測(cè)法［3］。閾值法對(duì)噪聲特別敏感，且檢測(cè)效果一般；區(qū)域目標(biāo)檢測(cè)法需要人為設(shè)定種子點(diǎn)，算法復(fù)雜且計(jì)算量大；邊緣檢測(cè)法對(duì)邊緣檢測(cè)算子的依賴程度較大。復(fù)雜場(chǎng)景下的目標(biāo)檢測(cè)算法主要利用相鄰幀間背景與目標(biāo)的運(yùn)動(dòng)規(guī)律，實(shí)現(xiàn)視頻圖像中運(yùn)動(dòng)目標(biāo)的檢測(cè)，主要有背景差分法［4］、光流法［5］和相鄰幀差法［6］。光流法運(yùn)算量比較大，實(shí)時(shí)性不高，相鄰幀差法易產(chǎn)生空洞現(xiàn)象。在無人機(jī)進(jìn)行視頻拍攝的過程中，由于飛行運(yùn)動(dòng)和機(jī)體震動(dòng)而造成視頻序列的抖動(dòng)和模糊問題，導(dǎo)致圖像質(zhì)量差從而加大目標(biāo)檢測(cè)的難度。為消除這些抖動(dòng)噪聲，高效準(zhǔn)確地實(shí)現(xiàn)無人機(jī)目標(biāo)檢測(cè)，本文利用特征點(diǎn)匹配和仿射變換技術(shù)實(shí)現(xiàn)了高可靠性的視頻圖像防抖優(yōu)化算法，并采用基于Adaboost的目標(biāo)檢測(cè)算法［7］，以四旋翼無人機(jī)為實(shí)驗(yàn)平臺(tái)，實(shí)現(xiàn)了一個(gè)檢測(cè)效果和實(shí)時(shí)性較好的無人機(jī)目標(biāo)檢測(cè)系統(tǒng)。

2 硬件結(jié)構(gòu)設(shè)計(jì)

2.1 飛行器構(gòu)造

本文選擇四旋翼無人機(jī)作為系統(tǒng)搭建平臺(tái)，其分別由機(jī)身、飛控、旋翼、電源和電機(jī)等部分構(gòu)成。機(jī)架采用大疆風(fēng)火輪F450，對(duì)稱電機(jī)軸距為450mm，機(jī)身重量為282g，起飛重量為800g～1600g，力臂采用高強(qiáng)度材料PA66+30%GF制作，具有較強(qiáng)的耐摔耐碰性能。動(dòng)力系統(tǒng)采用大疆公司E305多旋翼動(dòng)力系統(tǒng)，可靠性高、減震性能好。采用美國(guó)3DRobotics生產(chǎn)的APM2.8嵌入式系統(tǒng)與外圍傳感器設(shè)計(jì)飛控系統(tǒng)。APM自動(dòng)駕駛儀的姿態(tài)解算控制方式為雙重閉環(huán)PID控制，控制方式如圖1所示。

圖1 雙重閉環(huán)PID控制方式示意圖

定義一組歐拉角（航向角ψ、俯仰角θ、滾轉(zhuǎn)角φ）為慣性參考系（設(shè)為e）到無人機(jī)機(jī)體坐標(biāo)系（x，y，z，設(shè)為u）的旋轉(zhuǎn)角。因此沿每個(gè)坐標(biāo)軸的旋轉(zhuǎn)關(guān)系為

經(jīng)自動(dòng)駕駛儀控制沿三個(gè)坐標(biāo)軸旋轉(zhuǎn)后，可得到慣性坐標(biāo)系到無人機(jī)參考系的轉(zhuǎn)換矩陣：

則歐拉角可確定如下：

它是整個(gè)無人機(jī)控制部分的核心，通過接收地面?zhèn)鬟f過來的信號(hào)，將其處理后傳遞到四個(gè)電機(jī)上，通過控制其轉(zhuǎn)速來調(diào)整無人機(jī)的飛行姿態(tài)。

2.2 視覺平臺(tái)設(shè)計(jì)

本文視覺平臺(tái)設(shè)計(jì)既需要一定的圖像處理技術(shù)，還要考慮無人機(jī)自身的掛載能力，滿足穩(wěn)定性、簡(jiǎn)易性、抗干擾性、低耗性等要求。四旋翼無人機(jī)目標(biāo)檢測(cè)系統(tǒng)結(jié)構(gòu)如圖2所示，主要由地面主控中心和機(jī)載云臺(tái)系統(tǒng)兩個(gè)部分組成，兩部分之間通過無線通信模塊交互信息。地面主控中心是對(duì)四旋翼無人機(jī)進(jìn)行飛行控制，記錄其飛行數(shù)據(jù)并檢驗(yàn)飛行狀況是否正常，防止因硬件故障導(dǎo)致無人機(jī)墜落或失控現(xiàn)象。機(jī)載云臺(tái)系統(tǒng)主要對(duì)視頻圖像進(jìn)行采集，并將采集到的信息進(jìn)行一系列處理，實(shí)現(xiàn)四旋翼無人機(jī)對(duì)指定目標(biāo)的檢測(cè)。

圖2 無人機(jī)目標(biāo)檢測(cè)系統(tǒng)結(jié)構(gòu)示意圖

該系統(tǒng)硬件部分主要包括一臺(tái)ccd相機(jī)、圖像采集卡、輔助處理器和云臺(tái)等。相機(jī)的選擇及搭載方法、圖像處理算法、計(jì)算機(jī)運(yùn)算能力對(duì)目標(biāo)檢測(cè)的效果有重要影響。本檢測(cè)模塊利用ccd相機(jī)采集視頻圖像信息，通過搭載一個(gè)單軸俯仰的云臺(tái)擴(kuò)大其采集范圍，再通過圖像采集卡將采集信息轉(zhuǎn)為數(shù)字信號(hào)，便于計(jì)算機(jī)進(jìn)行處理。此外還搭建輔助處理器處理視頻圖像信息，并通過控制云臺(tái)上的舵機(jī)調(diào)整云臺(tái)姿態(tài)，從而提高本系統(tǒng)的采集效率和處理速度。

“霜白了頭”將本來運(yùn)用于修飾霜降的形容詞“白”運(yùn)用到“頭發(fā)”這另一事物之上，寫她頭發(fā)花白，形象地寫出了妻子老去這一悲劇現(xiàn)實(shí)；

3 算法設(shè)計(jì)

3.1 圖像預(yù)處理

機(jī)載相機(jī)在采集圖像時(shí)會(huì)受到風(fēng)力、天氣等外界因素影響，導(dǎo)致圖像或視頻信息存在失真和噪聲干擾。本文對(duì)采集圖像進(jìn)行必要的預(yù)處理，減少干擾信息以重點(diǎn)突出圖像中感興趣的目標(biāo)信息，有助于提高目標(biāo)檢測(cè)的效率和精度。首先對(duì)ccd相機(jī)采集到的RGB彩色圖像進(jìn)行灰度化，不僅能降低后續(xù)圖像處理的計(jì)算量，同時(shí)也能夠完整保留原彩色圖像的亮度、色度和紋理等特征信息。圖像灰度化［8］就是讓圖像中RGB三個(gè)分量值相同的過程，主要有平均值法、最大值法、加權(quán)平均法和隨機(jī)分量法四種。本文選擇加權(quán)平均法對(duì)圖像灰度化處理，其轉(zhuǎn)換公式為

其中I為圖像中像素的灰度值，R、G、B分別代表紅、綠、藍(lán)三種像素。

為克服圖像噪聲給圖像處理帶來的不利影響，先對(duì)圖像進(jìn)行同態(tài)濾波處理。同態(tài)濾波是非線性濾波，它結(jié)合頻率過濾和灰度變換對(duì)圖像進(jìn)行處理，將圖像反射率/照度視為頻域處理的基礎(chǔ)，再通過增強(qiáng)對(duì)比度和壓縮亮度范圍提高圖像質(zhì)量。同態(tài)濾波通過減少低頻增加高頻來減少光線變化和銳化圖像邊緣細(xì)節(jié)，經(jīng)同態(tài)濾波處理后圖像再經(jīng)過高斯濾波進(jìn)一步提高圖像質(zhì)量，減少圖像的噪聲并保持圖像目標(biāo)的大小、形狀等。實(shí)現(xiàn)高斯濾波通常有兩種方法，一種是傅里葉變換，另一種是離散化窗口卷積。本文選擇離散化窗口卷積對(duì)圖像進(jìn)行平滑處理，平滑窗口越大，平滑力度也越大。

3.2 視頻防抖優(yōu)化算法

針對(duì)無人機(jī)在視頻拍攝過程中由于自身運(yùn)動(dòng)和機(jī)體震動(dòng)造成視頻序列的抖動(dòng)和模糊問題，本文首先提取攝像機(jī)真實(shí)全局運(yùn)動(dòng)參數(shù)，使用特征點(diǎn)匹配和仿射變換技術(shù)［10］補(bǔ)償攝像機(jī)運(yùn)動(dòng)干擾，使視頻畫面運(yùn)行流暢且穩(wěn)定。在提取每幀圖像間特征點(diǎn)的基礎(chǔ)之上，結(jié)合特征點(diǎn)匹配結(jié)果求得攝像機(jī)全局運(yùn)動(dòng)參數(shù)，接著利用此參數(shù)與仿射變換模型估算視頻幀間的相對(duì)運(yùn)動(dòng)參數(shù)，以實(shí)現(xiàn)從抖動(dòng)幀向基準(zhǔn)幀間的糾正，達(dá)到連續(xù)拍攝視頻圖像的防抖動(dòng)效果。視頻防抖算法流程圖見圖3。

圖3 防抖算法流程圖

找到基準(zhǔn)圖像上特征點(diǎn)，并找到待配準(zhǔn)圖像上對(duì)應(yīng)的特征點(diǎn)，然后利用匹配特征點(diǎn)計(jì)算空間映射參數(shù)。利用仿射變換模型，視頻圖像中In與In-1相對(duì)應(yīng)的像素坐標(biāo)Xn與Xn-1滿足：

其中An表示水平尺度、垂直尺度和選擇因子，Tn則反映了平移參數(shù)。通常選取第一幀作為基準(zhǔn)幀，在相鄰幀間級(jí)聯(lián)使用以上變換，可得：

式中，上標(biāo)r表示r次級(jí)聯(lián)。故第n幀圖像與基準(zhǔn)幀間的全局變換可通過聯(lián)系起來。假設(shè)消抖后第n幀圖像與基準(zhǔn)幀間全局變換參數(shù)為，類似上述級(jí)聯(lián)方式，第n幀圖像的位置則滿足：

因此，為補(bǔ)償攝像機(jī)的隨機(jī)抖動(dòng)干擾，第n幀圖像In根據(jù)下式變換后可得穩(wěn)定的圖像序列：

3.3 Adaboost目標(biāo)檢測(cè)算法

本文采用的目標(biāo)檢測(cè)算法通過OpenCV數(shù)據(jù)庫［11］來實(shí)現(xiàn)，采用的是具有高精度和高速度特點(diǎn)的Adaboost算法［12］。VIOLA 和 JONES 首先提出Harr-Like特征［13］來表示人臉目標(biāo)，并成功將其應(yīng)用到Adaboost算法中實(shí)現(xiàn)對(duì)目標(biāo)的檢測(cè)。后來證明，利用特定的Harr-Like特征同樣可以實(shí)現(xiàn)其他目標(biāo)的特征表示。通常利用特征圖提取特征，采用積分圖像法對(duì)圖像進(jìn)行二次積分，使計(jì)算量大大減少。在積分圖像任意位置(x，y)處的值ii(x，y)表示該點(diǎn)左上角所有像素之和，表示如下：

其中，i(x'，y')表示輸入圖像相關(guān)位置上的像素點(diǎn)。

Adaboost算法的訓(xùn)練過程就是通過提取圖片的Harr-Like特征，選擇出若干個(gè)弱分類器，然后把這些弱分類器迭加成一個(gè)強(qiáng)分類器［14］。設(shè)這n個(gè)弱分類器 (h1，h2，···，hn)是經(jīng)過相同的學(xué)習(xí)算法產(chǎn)生的，每一個(gè)弱分類器都能對(duì)未知樣本單獨(dú)實(shí)現(xiàn)二分類，再通過加權(quán)計(jì)算各個(gè)弱分類器的分類結(jié)果得到最終分類結(jié)果。分類錯(cuò)誤率小于0.5的分類器都能稱為弱分類器，但在實(shí)際訓(xùn)練中，一般把錯(cuò)誤率最小的分類器作為本輪使用的弱分類器，用公式表示如下：

其中，p能夠改變不等式方向，θj表示某個(gè)特征j的閾值。

圖4 Adaboost算法模型

Adaboost算法模型如圖4所示。圖中權(quán)重αn代表各個(gè)弱分類器hn對(duì)樣本分類的貢獻(xiàn)值，值越大，說明特征樣本的分類能力越強(qiáng)。分類結(jié)果由n個(gè)弱分類器加權(quán)“投票”結(jié)果決定，將投票結(jié)果與分類閾值進(jìn)行比較，得到最終對(duì)樣本的分類結(jié)果。強(qiáng)分類器F表示為

4 系統(tǒng)實(shí)現(xiàn)及結(jié)果分析

4.1 防抖結(jié)果及分析

為驗(yàn)證基于特征點(diǎn)匹配和仿射變換技術(shù)視頻防抖算法的有效性，通過無人機(jī)采集視頻圖像序列，在計(jì)算機(jī)上進(jìn)行實(shí)驗(yàn)仿真。在圖像處理中，一般通過計(jì)算峰值信噪比［15］（Peak Signal to Noise Ratio，PSNR）客觀評(píng)價(jià)處理后的視頻與原視頻間的穩(wěn)定程度。PSNR的計(jì)算公式表示如下：

其中M×N為圖像尺寸，分別為參考幀和當(dāng)前幀在坐標(biāo)處的灰度值，MSE表示兩幅圖像的對(duì)應(yīng)像素值的平均差，其值越小，PSNR值越大，則說明圖像質(zhì)量越好［16］。實(shí)驗(yàn)中抓取200幀尺寸為240×320的視頻圖像進(jìn)行測(cè)試，圖5為原始視頻序列和經(jīng)防抖優(yōu)化算法處理后視頻序列的PSNR值曲線圖。

圖5 不同視頻序列的PSNR值曲線圖

由圖5可知，經(jīng)本文視頻防抖算法處理后的PSNR均值為37.438dB，遠(yuǎn)大于原始序列的PSNR平均值33.275dB，說明算法處理后的視頻與原視頻相比穩(wěn)定性得到了很大的提高，證明了本文算法能夠?qū)崿F(xiàn)快速、準(zhǔn)確的視頻防抖效果。

4.2 目標(biāo)檢測(cè)結(jié)果及分析

本文分類器的訓(xùn)練是在Microsoft Visual Studio 2010開發(fā)環(huán)境下，實(shí)驗(yàn)平臺(tái)配置的CPU型號(hào)為i7-8750H，內(nèi)存為32G。分類器實(shí)際訓(xùn)練過程分三步：1）建立正負(fù)樣本庫；2）訓(xùn)練目標(biāo)檢測(cè)分類器；3）在訓(xùn)練好的分類器上測(cè)試。本實(shí)驗(yàn)針對(duì)的是無人機(jī)航拍車輛目標(biāo)的檢測(cè)，利用通過無人機(jī)航拍系統(tǒng)和MIT計(jì)算機(jī)視覺庫中采集的4000張圖片作為訓(xùn)練器樣本。正樣本中不包含其他物體，只含有待檢測(cè)目標(biāo)（車輛），并且需要目標(biāo)盡可能充滿整張圖片。無人機(jī)航拍系統(tǒng)主要從車輛前上方、后上方以及測(cè)上方三個(gè)角度采集圖片作為訓(xùn)練和測(cè)試樣本。負(fù)樣本為場(chǎng)景中除車輛以外的其他常見物體。實(shí)踐證明，正負(fù)訓(xùn)練樣本數(shù)量比例為1：3時(shí)，分類器的訓(xùn)練效果往往較好。因此本文在樣本庫中挑選質(zhì)量較高的1000張正樣本圖像和3000張負(fù)樣本圖像建立樣本庫，并剪裁為同樣大小，分類器訓(xùn)練完成得到.xml格式的分類器文件。

四旋翼無人機(jī)升空后對(duì)視頻進(jìn)行采集，采集到的圖像傳遞到計(jì)算機(jī)上進(jìn)行一系列處理。部分實(shí)驗(yàn)結(jié)果如圖6。由圖可見，本文算法對(duì)車輛目標(biāo)的整體識(shí)別率較高，能夠有效完成無人機(jī)車輛目標(biāo)識(shí)別任務(wù)。一方面是因?yàn)樨S富的訓(xùn)練樣本和高效的Adaboost算法對(duì)識(shí)別率有了穩(wěn)定的保障，另一方面本文使用的視頻防抖優(yōu)化算法大大改善了視頻質(zhì)量，促使識(shí)別效果得到進(jìn)一步提升。當(dāng)然本算法也存在因樹木遮擋、取景不全、距離較遠(yuǎn)和光線黑暗等因素導(dǎo)致的漏檢現(xiàn)象。測(cè)試結(jié)果表明，本系統(tǒng)目標(biāo)檢測(cè)準(zhǔn)確率約為94.75%，每幀檢測(cè)時(shí)間為22.5ms，達(dá)到預(yù)期效果。

圖6 車輛檢測(cè)部分實(shí)驗(yàn)結(jié)果

5 結(jié)語

本文設(shè)計(jì)了基于防抖優(yōu)化的無人機(jī)目標(biāo)檢測(cè)系統(tǒng)，通過有效緩解無人機(jī)采集數(shù)據(jù)過程中不可避免存在的視頻序列抖動(dòng)問題，實(shí)現(xiàn)了準(zhǔn)確性和實(shí)時(shí)性較好的無人機(jī)車輛目標(biāo)檢測(cè)效果。但在更高要求的應(yīng)用場(chǎng)合中，系統(tǒng)的性能仍存在一定的不足，下一步可以通過使用性能更高的硬件處理器和開發(fā)更高效的軟件算法來繼續(xù)優(yōu)化和改進(jìn)。