面向空間抓取任務的目標輪廓跟蹤方法

康儒斐 王仕成 劉志國 楊東方

(第二炮兵工程大學控制工程系，西安 710025)

面向空間抓取任務的目標輪廓跟蹤方法

康儒斐 王仕成 劉志國 楊東方

(第二炮兵工程大學控制工程系，西安 710025)

在空間抓取任務中，視場背景復雜，光照條件變化劇烈，而且存在相對運動。文章提出了一種新的動態(tài)輪廓特征檢測跟蹤方法。首先在灰度梯度法基礎上，引入形狀匹配、面積篩選和自適應灰度閾值調(diào)整方法，提高了輪廓提取的魯棒性。隨后，基于該提取結果，利用圖像序列的時域相關約束輔助GVF Snake算法進行輪廓跟蹤，提升了動態(tài)檢測速度。最后，考慮到空間抓取任務的實時性需求，采用CUDA運算架構對算法進行并行化處理，并對一組序貫圖像序列進行了輪廓跟蹤實驗。實驗結果表明，此方法在CUDA平臺下輪廓跟蹤速率達到了10幀/s，在保證輪廓檢測的準確性的基礎上，明顯改善了檢測速度。

輪廓檢測；空間目標抓??；時域約束輔助；航天任務

1 引言

空間目標抓取是近年來空間智能機器人研究的重要內(nèi)容，在航天器交會對接、工業(yè)智能機器人操作等方面起著重要作用[1]。而計算機視覺測量融合了計算機科學、圖像處理科學等多門學科的知識，是一種重要的測量手段，可以對目標進行相對測量與跟蹤[2]，輔助目標抓取。

利用計算機視覺對合作目標進行精密相對測量的過程中，通常采用輪廓檢測的方法。輪廓檢測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，通過對圖像進行卷積運算來檢測輪廓。常用的微分算子有拉普拉斯算子、Sobel[3]算子、Canny[4]算子等，這類算子運算速度快,實現(xiàn)較為簡單，但對圖像灰度化處理時所設定的閾值十分敏感，同時圖像中存在的噪聲對檢測過程干擾較大，導致其魯棒性差。文獻[5]在灰度梯度法的基礎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輪廓的同時，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，只適用于直線的提取。文獻[6]將數(shù)學形態(tài)學方法用于輪廓檢測，提出了一種基于方向形態(tài)學的方法：先對圖像進行二值化處理，然后定義一個方向目標函數(shù)來確定結構元素的移動方向，再進行滾動膨脹處理來獲得輪廓信息。該方法計算簡單，適于進行并行計算，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[7]對該方法進行了改進，在對圖像進行形態(tài)學操作前，先檢測邊緣方向信息，然后對不同邊緣方向信息采用不同方向的結構元素進行滾動膨脹處理得到輪廓。該方法魯棒性較好，但是對結構元素的選取比較敏感。文獻[8]提出了一種Snake模型，設定了一種能量泛函，通過不斷對初始曲線上的離散點進行泛函計算和迭代，使泛函達到最小值，進而逼近目標輪廓。該方法將初始輪廓作為先驗知識，并且同時考慮了曲線進化的平滑性、連續(xù)性、目標邊緣灰度特性，因而一定程度上提高了輪廓提取的抗噪性。但是該方法對初始輪廓精度要求高，同時還存在不能很好檢測凹輪廓的問題。針對這些不足，文獻[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組成初始多邊形。通過對離散點直交線給定范圍內(nèi)灰度梯度幅值的檢測，將輪廓變化與灰度梯度變化聯(lián)系在一起，然后對初始輪廓進行迭代，不斷逼近目標輪廓。該方法很好地解決了提取凹輪廓的問題，但是檢測結果對設定的灰度檢測范圍敏感。文獻[10]提出了一種梯度矢量流(GVF)Snake模型，它以GVF為外力場，這種外力場比Snake外力場捕獲范圍大，在一定程度上降低了對初始輪廓精度的要求，同時也能收斂到凹區(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初始輪廓結果，因此，本文考慮將灰度描述算子和活動輪廓相結合，提出一套適用于實際應用的目標輪廓提取方法?？臻g抓取任務對目標特征測量的精度、魯棒性和檢測速度提出了更高的要求。首先，在空間抓取任務中，目標輪廓等特征提取的精度，直接決定了相對位姿測量的精度；此外，由于空間光照條件對圖像灰度值影響很大[11]，從而要求輪廓檢測算法有更強的魯棒性；另外，在機械臂逼近目標的過程中存在相對運動，因此對算法檢測速度提出了更高要求。針對以上問題，本文利用輪廓特征之間的時域相關性提出了一種新的動態(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檢測方法的基本原理包括兩個方面：首先，采用自適應閾值調(diào)整的方法，解決空間光照條件變化對圖像灰度值產(chǎn)生影響的問題，從而實現(xiàn)目標輪廓的魯棒提??；然后在此基礎上，利用相鄰幀圖像中目標特征的相關性約束關系，降低自適應閾值圖像特征提取的計算復雜度，輔助實現(xiàn)動態(tài)目標輪廓的穩(wěn)定跟蹤。

2.1 基于自適應閾值的輪廓提取法

對目標進行相對測量的第一步，是對圖像進行特征提取，其中輪廓特征提取是合作目標測量的常用方法。應用上最普遍的圖像輪廓提取方法是灰度梯度法：首先對圖像按閾值進行二值化處理得到灰度圖像，然后進行灰度梯度解算，將提取出來的具有較大灰度梯度值的像素點作為邊緣點，最后依據(jù)相應的判斷準則對邊緣點進行篩選，繪制相應的輪廓曲線?；叶忍荻确ǖ幕A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，由于二階導數(shù)的特性，算子取值會顯著增大，而穿越疑似輪廓后，算子取值又會快速減小。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，對噪聲非常敏感，因此提取結果容易受噪聲干擾。Sobel算子本質(zhì)上是對圖像的x,y方向分別進行一階求導，然后求取導數(shù)的平方和。由于該算子對x,y方向分別求導，對圖像水平和豎直方向上的灰度不連續(xù)處均有較強的響應，其平方和可以用來對邊緣進行描述。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，是目前為止應用最廣泛的一種微分算子。Canny算子的實現(xiàn)過程如下。

首先，應用高斯平均算子對圖像進行平滑處理得到圖像平滑圖，坐標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)域便會出現(xiàn)數(shù)據(jù)嶺。然后，用一階微分算子對處理后圖像進行卷積運算，運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數(shù)：

(2)

將算子與圖像P進行卷積運算求取其Gn極大值點，這些極大值點就是圖像中的邊緣點。在運算過程中，當該卷積沿n⊥方向微分值為0時，Gn取得極大值，即：

(3)

在空間目標相對測量任務中，采用Canny算子進行輪廓提取時，由于光照條件、相對動態(tài)程度，以及視場背景的影響，實際實驗過程中容易出現(xiàn)輪廓混雜、輪廓檢測不全等問題，難以實現(xiàn)目標輪廓的有效提取?；贑anny算子的輪廓檢測如圖1所示。

圖1 基于Canny算子的輪廓檢測結果示意

針對實際實驗中遇到的上述問題，本文首先利用目標輪廓模板對所提取的輪廓進行形狀匹配和篩選，剔除不規(guī)則輪廓和其他形狀輪廓，保留與目標輪廓模板相近的輪廓。然后結合輪廓的面積特征進行篩選，最終得到有效輪廓，如圖2(a)所示。從圖中可以發(fā)現(xiàn)，此時得到的檢測結果并不完整，這是因為用Canny算子對圖像進行二值化處理時，采用了固定的灰度閾值，導致部分輪廓因灰度未達到閾值被忽略，這個問題在光照強度不足的情況下尤其顯著。為解決該問題，本節(jié)采用自適應調(diào)整灰度梯度閾值的方法，對目標進行自適應灰度閾值檢測。首先設定灰度閾值初始值，進行輪廓檢測，在完成模板匹配和面積篩選后得到有效輪廓；然后根據(jù)檢測到的有效輪廓的個數(shù)作為檢測完整性判斷的依據(jù)，進行灰度閾值調(diào)整，直到檢測到全部有效輪廓為止，如圖2(b)所示。

圖2 輪廓特征檢測結果示意

上述方法在一定程度上解決了空間目標測量過程中容易出現(xiàn)的輪廓特征檢測不全的問題，提高了圖像特征檢測的魯棒性。然而在實際測量中，該方法由于需要對每一幀圖像進行多次基于灰度閾值調(diào)整的特征檢測，所以輪廓提取過程的計算復雜程度成倍地增加。對此，本文在下一節(jié)中引入圖像序列之間的時域相關約束，輔助運動目標的活動輪廓提取，減小了運算復雜度，實現(xiàn)了目標和攝像機之間的動態(tài)相對測量。

2.2 時域約束輔助的GVF Snake算法

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

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為外力場能量項。根據(jù)式(4)對初始曲線進行能量泛函計算和位置迭代，當求得的曲線能量泛函最小時，便認為曲線已經(jīng)逼近輪廓。

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

(5)

式中GVF場表示為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方向上的導數(shù)；為梯度算子；f為邊緣圖像；μ為控制參數(shù)。得到GVF場后，對初始曲線進行逐次迭代，最終逼近輪廓的真實位置。

圖3 相鄰時刻目標-攝像機 相對位置關系示意

在抓取任務中，視覺測量輔助空間目標抓取，本質(zhì)上是依托于攝像機對目標所在世界坐標系的測量，得到攝像機本體和世界坐標系的相對位置關系。傳統(tǒng)方法對于空間目標測量往往是對采集的圖像單獨進行輪廓提取。事實上，不同時刻的目標-攝像機位置關系和測量結果存在著時域相關性約束，可以輔助進行輪廓檢測。時域相關關系示意如圖3所示。

(6)

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

上述動態(tài)特征提取方法的具體實現(xiàn)過程包括如下兩個步驟：

1)圖像輪廓特征的初始數(shù)據(jù)獲取。對視覺測量系統(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，得到初步檢測結果。然后，為了彌補光照等因素對檢測結果的影響，在上述結果基礎上，進行自適應閾值的灰度梯度檢測，最終得到第一幀圖像中關于合作目標所有有效輪廓信息的完整描述。

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

3 實驗

3.1 實驗平臺

為了驗證文中目標檢測算法的有效性，搭建了空間抓取實驗平臺?？臻g抓取實驗平臺由環(huán)形輪廓合作目標與目標物、機械臂及其控制柜、指爪、圖像采集及處理模塊和主控計算機等組成，其結構如圖4所示。環(huán)形輪廓合作目標用于指示目標物方位，機械臂模擬空間抓取機械臂，在手眼視覺等裝置的輔助下來完成對目標物的抓取。

圖4 空間抓取實驗平臺示意

空間抓取過程分為三部分，首先攝像頭對目標進行視覺信息采集，并將采集信息傳入主控計算機；然后主控計算機采用文中提出的輪廓檢測方法進行目標輪廓檢測，計算目標-攝像機相對位姿，調(diào)制機械臂運動命令；最后，機械臂執(zhí)行運動命令，開始抓取動作。在動作過程中，由于目標和攝像頭處在相對運動狀態(tài)，所以視覺系統(tǒng)和主控計算機按照時域約束輔助的GVF Snake方法不斷進行相對位置解算，調(diào)制新的機械臂動作命令，直到成功抓取目標。

3.2 并行運算架構CUDA

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

圖5 CUDA并行架構工作模式示意

如圖5所示，host首先進行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)，分配到各個并行運算單元中進行并行計算，并將結果存入顯存。隨后，顯存將結果傳回內(nèi)存供host進行處理，完成并行運算過程。

3.3 動態(tài)目標輪廓測量實驗

在空間目標抓取任務中，目標輪廓檢測的速度、魯棒性等決定了抓取過程的成敗。為驗證文中提出的方法，本節(jié)設計了一組輪廓檢測實驗，分別對檢測速度、魯棒性進行驗證。首先，分別采用灰度梯度法、GVF Snake方法和本文所提出的時域約束輔助GVF Snake方法進行輪廓提取實驗，實驗結果如圖5所示。

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

橫向比較灰度梯度法對第1幀和第2幀圖片的輪廓檢測結果可以發(fā)現(xiàn)，當光照條件等外界因素變化時，灰度梯度法對目標輪廓的檢測結果可能會出現(xiàn)較大偏差。但在GVF Snake方法對該輪廓進行5次迭代后，仍可以檢測到目標輪廓，說明GVF Snake方法魯棒性較強。時域約束輔助的GVF Snake方法將較早時刻的輪廓檢測結果作為初始輪廓，僅經(jīng)過1次迭代就檢測到了目標輪廓，迭代所用時間較GVF Snake方法大為減少，如表1所示。

圖6 方法對比實驗

表1 迭代時間對比結果

Tab.1 Comparison of iteration time

圖片第1幀時域約束輔助GVFsnake方法GVFsnake方法第2幀時域約束輔助GVFsnake方法GVFsnake方法時間/s0.3290.3310.2991.793

在對本文方法進行離散圖片實驗的基礎上，為了更好地檢驗時域約束輔助的GVF Snake方法對動態(tài)輪廓檢測的有效性，本文還對目標抓取過程中隨機按幀序得到的7幀圖像在CPU和CUDA上分別進行了輪廓檢測實驗。在實驗中，本文采用的硬件設備如下：CPU為Intel Core i5-4570處理器，處理頻率3.2 GHz；GPU為NVIDIA Quadro K5000顯卡，CUDA計算能力為3.0，含有192個流多處理器，1 536個流處理器。檢測結果如圖7所示。

圖7 動態(tài)目標輪廓檢測實驗

在圖7中，各幀圖片是在環(huán)形輪廓合作目標移動過程中采樣得到的圖片。作為實驗對象，從這些圖中可以看出，隨著環(huán)形輪廓合作目標移動，背景和光照條件在不斷變化，這對檢測算法的運算速度和魯棒性提出較高要求。而從圖中輪廓檢測結果來看，在CPU和CUDA上實現(xiàn)的時域約束輔助的GVF Snake算法，均能有效克服背景條件、光照變化，實現(xiàn)對輪廓的跟蹤。在CPU和CUDA平臺上的用時見表2。

表2 處理時間結果

從處理時間表可以看出，采用CUDA架構實現(xiàn)，輪廓檢測速率達到約10幀/s的檢測速度，大幅提升了計算效率，減少了運算時間，保證了實時性。

4 結束語

本文提出了一種動態(tài)輪廓特征自動檢測方法。該方法以灰度梯度法和GVF Snake方法為基礎，并對其進行了優(yōu)化。本文針對灰度梯度法在對合作目標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、自適應閾值選擇等方法，有效改進了算法性能；針對動態(tài)輪廓檢測的問題，對序列圖像中的輪廓特征之間的時域關系進行了研究，提出一種基于時域約束輔助的GVF Snake方法，達到了動態(tài)檢測要求，提升了檢測速度。同時，分別在CPU和CUDA平臺上進行了實驗，驗證了方法有效性。

實驗結果表明，本文方法在不同光照條件下能夠準確地進行輪廓提取，具有較強的魯棒性；同時能夠有效地對動態(tài)目標進行輪廓跟蹤，檢測速率達到約10幀/s。從實驗過程能夠看出，本文提出的方法只需要進行1次迭代就能實現(xiàn)輪廓特征的準確提取，簡化了計算流程，并且通過采用CUDA并行運算方法提升了實時性，保證了本文方法在實際應用中的有效性。

[1]李宇飛，高朝輝，申麟.基于視覺的機械臂空間目標抓取策略研究[J].中國科學：技術科學，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.航天器自主交會對接的視覺相對導航方法[J].中國空間科學技術，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].光學技術，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)學的圖像輪廓提取方法[J].山東大學學報(工學版)，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.自由差分運算與直交型Snake模型[J]. 計算機輔助設計與圖形學學報，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.自動圖像白平衡的研究[D].北京：北京工業(yè)大學，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)初始對準的時域約束方法[J].儀器儀表學報，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

國家自然科學基金(61403398)，陜西省自然科學基金(2014JM2-6109)資助項目

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測控工程專業(yè)，現(xiàn)為第二炮兵工程大學導航制導與仿真專業(yè)碩士研究生。研究方向為計算機視覺。