小型無人機立體視覺目標追蹤定位方法(自動化)

                     王亭亭¹，  蔡志浩^1，2，  王英勛^1，2

    （1．北京航卒航天大學，北京100191；2．飛行器控制一體化技術重點實驗室，北京100191）

摘要：小型無人機在無衛星導航條件下使用的需求日益強烈，采用立體視覺方法可滿足無人機在復雜環境中的目標檢測、跟蹤與定位。研究了雙目立體視覺系統標定、特征點檢測提取與匹配、雙目測距等技術，實現了對圖像中的指定目標進行追蹤，同時實現對目標的定位，得到目標的位置，視覺系統標定誤差在0.2個像素點以內，目標定位誤差小于10cm。以地面機器人作為追蹤目標進行算法測試驗證，在目標消失時間較短的情況下，能夠達到較好的追蹤效果。

關鍵詞：無人機；雙目視覺；目標追蹤；攝像機標定；CamShift算法

中圖分類號：V249.1   文章編號：1671  - 637X( 2016) 05 - 0006 - 05

0  引言

    近年來小型無人機向自主化、智能化的方向迅速發展，應用范圍越來越廣，尤其是在無衛星導航條件下的使用需求日漸強烈  目標監控是無人機的重要應用之一，采用立體視覺方法可實現無人機在復雜環境中的H標跟蹤與定位。通過搭建雙目視覺平臺，采用適當的目標跟蹤算法可以有效地獲取目標的距離和位置，目標的運動方向、軌跡，大小等信息。雙目視覺技術利用在不同視角F獲得的感知圖像，根據三角測量原理計算圖像像素間的位置偏差，進而獲取場景的三維信息。文獻[2]利用TLD目標跟蹤算法實現了對單運動目標的較好跟蹤；利用單目攝像頭實現了小型無人機對地面目標的自動識別跟蹤，并給出了控制策略；利用雙目視覺實現了六旋翼對目標的跟蹤。目前，目標追蹤問題主要表現于如何能在復雜背景、光照變化、類似顏色物體、遮擋物等因素存在的情況下抓住目標的特點，進行有效跟蹤，并保證實時性。鑒于以上內容，本文利用雙目立體視覺進行目標追蹤的研究具有重要的意義。

1雙目視覺系統標定

    雙目攝像機的準確標定是計算機視覺準確實現的基礎和前提。目前攝像機標定方法有很多種，主要可分為攝像機傳統標定方法和自標定方法。本文采用具有較好的魯棒性和實用性的張氏標定法進行攝像機標定。鑒于普通的COMS網絡攝像頭感光單元邏輯間距或者感光芯片的尺寸一般不得知，在標定結果判定上難度較大，因此，主要通過標定結果和理想參數的對比分析來判斷標定結果的合理性。  

1.1雙目標定的原理

    雙目立體視覺系統可通過左右或者上下兩個攝像頭排列放置得到，通過對同一物體的觀察，獲得不同視角下的圖像。將攝像機模型簡化為最簡單的針孔模型，雙攝像機成像模型如圖1所示。

    圖中：P為空間一點；O₁，Dr分別為左右兩個攝像機的光心；I₁，I _r為左右攝像機的成像平面；P₁，P_r分別為P在左右兩個攝像機平面上的投影點。

  雙目標定的結果是得到攝像機的內外參數，以及兩個攝像機之間的關系。在標定過程中主要用到圖像坐標系、攝像機坐標系和世界坐標系3種坐標系。圖像坐標系中像素單位(u，v)和物理單位（x，y）兩種表示方法的關系為

式中：R為旋轉矩陣；T為平移向量。

1.2標定優化與結果分析

    圖2所示為采用2個Life Cam網絡攝像頭，攝像頭幀速率30幀／s，分辨率640×480，水平視場角500，垂直視場角400，攝像頭光心相距約10 cm，搭建雙目平臺。以一張8 x7的棋盤格作為標定物，定標板每個棋盤格大小為25 mm x25 mm，試驗選取了36幅有效圖像。

    圖3顯示了圖像相對于攝像頭的位置關系。首先通過單目標定得到左右兩個攝像機的內參矩陣，然后通過立體標定，得到右攝像機相對于左攝像機的旋轉矩陣R _r和平移向量T _r。

    根據雙目視覺平臺中攝像機與飛機機體的位置關系，為簡化計算，在試驗中使世界坐標系與左攝像機坐標系重合，則左攝像機相對于世界坐標系的旋轉矩陣R₁為3x3單位陣，平移向量T₁為[0 0 0]^T;右攝像機相對于世界坐標系的旋轉矩陣為R _r平移向量為T _r。

    通過對80幅試驗圖標定后的誤差進行分析，得出如果圖像偏轉過大或過小，或者圖像放置較遠或過偏，標定誤差會很大，對此應保證標定板偏轉角在20⁰~70⁰之間，且成像至少大概占圖像的二分之一并盡量靠中間。在實際選取圖像時，可以分別分析其誤差圖，對誤差過大的圖像改變窗口大小，重新標定，對于始終有較大誤差的圖像可以剔除，以此實現優化。圖4所示為單個相機的重投影誤差分布圖，根據

標定的結果如下。

左攝像頭內參矩陣為

    內參矩陣所得光心點坐標在(320 m，240 m)附近，右攝像頭相對于左攝像頭的旋轉矩陣接近單位陣，基本符合預期標定，從平移向量第一個參數可以看出，左右攝像頭之間的中心距為- 99. 908 13  mm，基本符合標定結果。

2特征提取與匹配

    特征點匹配是立體視覺第二大任務，意在建立兩幅圖像之間點到點的匹配關系。立體匹配的實質是求最優解，目前比較常用的匹配算法有基于特征的立體匹配算法，基于全局的立體匹配算法和基于局部的立體匹配算法。為了保證算法實時性，采用匹配速度較快的基于特征的立體匹配算法，并采用SURF算法實現特征點提取。

    SURF特征提取算法是在SIFT算法的基礎上提出的，在繼承了SIFT算法魯棒性的同時，提高了精度且匹配速度快，有很強的實時性。SURF算法主要步驟為：建立積分圖像建立尺度空間快速Hessian極值點檢測Haar小波建立描述算子通過距離進行匹配。在進行特征點匹配誤差分析時，將視差的計算結果分成獨立的塊，定量測評每塊對匹配精度的影響。目前立體匹配算法大部分以此作為衡量算法優劣的標準。

    利用SURF算法提取感興趣區域的目標，通過匹配可以得到幾組分別來自左右兩幅圖像的坐標點，每組點的組成為(u₁，v₂，u₂，v₂)，其中感興趣區域由目標追蹤部分給出，以降低時間開銷。根據前面的討論，已知圖像點坐標與世界點坐標的關系為

采用Kalman濾波對所得位置數據進行處理，進而得到目標相對飛機的位置。

3  目標追蹤

    目前常用的目標追蹤算法有光流法、MeanShift算法、CamShift算法、Kalman濾波和粒子濾波等。每種算法均有自己的優勢和劣勢，需要根據實際應用采用合適的算法，或者對不同算法進行結合。比如將粒子濾波和均值漂移法相結合，或借助Kalman濾波算法比較強的魯棒性，通過Kalman濾波算法估計物體的運動信息，以此解決遮擋和類似顏色物體存在造成的跟蹤問題。如果物體運動隨機性較大，則Kalman濾波算法會失效。因此，還需要結合其他算法或者研究新的追蹤算法，同時還要保證實時性的要求。

    本文采用改進CamShift算法進行目標跟蹤?；�本�?/font>CamShift算法流程如圖5所示。