CamShift在加油錐套識別跟蹤中的應用

支健輝，孔星煒，董新民，方園，王旭峰，尹寧寧

(1.空軍工程大學航空航天工程學院，陜西西安710038;2.西安建筑科技大學冶金工程學院，陜西西安710055)

0 引言

近年來，無人機在未來戰(zhàn)爭中的作用受到越來越多專家、學者的關(guān)注［1］。在保持其小型化、機動速度快、維護費用低、生存能力強等優(yōu)點的基礎(chǔ)上，無人機自主空中加油技術(shù)可顯著延長其留空時間，從而極大地提高有效完成各種作戰(zhàn)/非作戰(zhàn)任務(wù)的能力。因此，自主空中加油技術(shù)的相關(guān)研究成為國內(nèi)外軍事領(lǐng)域研究熱點之一［2-3］。

無人機自主空中加油方式分為硬管式和軟管式兩種。較之硬管式空中加油，軟管式裝備質(zhì)量輕、改裝簡易、操作相對簡單，因此，開展軟管式自主空中加油研究在軍事領(lǐng)域中具有重大意義［4］。對加油錐套的精確識別和跟蹤技術(shù)是軟管式自主空中加油的關(guān)鍵技術(shù)之一，為實現(xiàn)受油機插頭與加油機錐套的成功對接提供了有力保障［5］。以往的相對導航系統(tǒng)過多地依賴于GPS和慣性導航元件，在空中加油的近距階段，GPS信號容易因機體的遮擋而失真。隨著先進光學傳感器的迅猛發(fā)展，通過機器視覺測量解算錐套空間位置已成為該領(lǐng)域的研究熱點［6］。因此，研究高精度加油錐套識別跟蹤技術(shù)對于無人機自主空中加油具有重要意義。

均值漂移(MeanShift)算法是一種較為典型的無參目標跟蹤算法，能夠?qū)崟r跟蹤非剛性目標，對目標的變形、旋轉(zhuǎn)等有較好的適用性，可以有效提高搜索效率;但其核函數(shù)窗寬固定不變，導致跟蹤準確性降低，尺度定位失準，甚至丟失目標［7］。CamShift算法是在MeanShift算法的基礎(chǔ)上改進而來，其搜索窗口大小可以自適應地進行調(diào)整，即根據(jù)遠離或者靠近受油機時加油錐套的尺寸而自動調(diào)整搜索窗的窗寬［8］。

本文著眼于加油錐套的識別跟蹤問題，充分考慮了CamShift跟蹤算法的優(yōu)缺點，提出一種基于CamShift的加油錐套識別跟蹤算法。通過VC與OpenCV相結(jié)合，編寫了位置解算程序，并進行了算法的試驗驗證。

1 錐套識別定位

1.1 特征提取

特征提?。?］是運動目標跟蹤的一個重要環(huán)節(jié)。一般選擇一個有區(qū)分度的目標特征作為特征提取的標準，如目標的邊緣、輪廓或其顏色直方圖等;在對復雜目標進行跟蹤時，可以聯(lián)合多種特征進行目標跟蹤。本文設(shè)計了如圖1所示的一種錐套等比例物理模型，錐套端面為紅色雙環(huán)結(jié)構(gòu)，選取顏色和外形兩種特征對錐套進行識別。

圖1 加油錐套模型Fig.1 Drogue model

將錐套圖像從RGB空間轉(zhuǎn)換到HSV空間進行目標識別。將一般數(shù)碼相機采集到的圖像(即RGB空間圖像)轉(zhuǎn)換為HSV空間圖像需作如下變換［10］:

1.2 圖像分割

在式(1)基礎(chǔ)上，對圖像中的目標和背景進行分割?？紤]天空中陽光和云層干擾的問題，采用自適應閾值分割提升算法的魯棒性，分割公式為:

式中:Ts為陰影區(qū)域閾值;TT為目標區(qū)域分割閾值;μ為圖像灰度均值;σ為圖像灰度方差;k1和k2為調(diào)整因子。則有自適應閾值化規(guī)則［11］為:

式中:I(x，y)為圖像像素值。

1.3 錐套定位

經(jīng)過圖像分割后，對加油錐套的紅色雙環(huán)特征區(qū)域的邊緣進行最小二乘橢圓擬合［12］，得到的雙環(huán)中心應該重合，擬合得到的兩條橢圓曲線中心距離應很小?？紤]測量和擬合誤差，可設(shè)為一個較小值，如5個像素，即初次檢測時雙環(huán)中心距離小于5像素。若雙環(huán)運動快，圖像出現(xiàn)運動模糊，則適當放寬。相對移動速度比較快時，可設(shè)雙環(huán)中心距離小于20像素。

對加油錐套的紅色雙環(huán)特征區(qū)域的邊緣進行最小二乘橢圓擬合得到的內(nèi)、外橢圓長軸之比要求在一定范圍之內(nèi)，當內(nèi)、外橢圓長軸之比為在0.6～0.8范圍之內(nèi)時，即可認為檢測到的雙環(huán)為加油錐套的紅色雙環(huán)特征區(qū)域;反之，則認為不是。

2 加油錐套CamShift跟蹤算法

2.1 MeanShift算法

為了描述所跟蹤的目標，定義目標模型和候選目標的概率密度函數(shù)為［13］:

目標模型:

候選目標:

式中:qu，pu(y)分別為錐套目標模型和候選目標的第u級特征概率密度;C，Ch為歸一化常數(shù);k(˙)為剖面核函數(shù);δ(˙)為克羅內(nèi)克δ函數(shù);b為顏色直方圖中的索引值;xi為歸一化后目標窗口區(qū)域的像素坐標;y為“候選目標”的中心;h為核半徑。

至此，錐套跟蹤的問題轉(zhuǎn)化為匹配這兩個概率密度函數(shù)的相似性度量問題。使用巴氏系數(shù)表征相似性，定義為:

式中:ρ(y)表示上一幀中目標模型概率密度函數(shù)和當前幀中以y為中心的候選目標概率密度函數(shù)的相似性。以目標模型和候選目標之間的距離作為相似性測度函數(shù)的相似性判據(jù)，定義如下:

找到當前幀中目標的位置，即求解式(7)中距離的極小值。dis(y)最小化等價于巴氏系數(shù)ρ(y)的最大化。在當前幀中搜索目標新位置從前一幀目標的位置y0開始。因此需首先計算候選目標在當前幀中 y0位置處的概率密度函數(shù){pu(y0)}u=1，2，…，m。

對ρ(y)在pu(y0)處進行泰勒級數(shù)展開，則ρ(y)可以近似為:

高空中大氣紊流、加油機尾渦以及下洗氣流對加油錐套影響較弱，目標位置變化范圍較小，因此，候選目標{qu(y0)}u=1，2，…，m與目標模型 p(y0)之間幾乎沒有突變現(xiàn)象，上式的線性關(guān)系是可以近似滿足的，且通常情況下，相鄰兩幀中目標會有部分重疊，則在連續(xù)的相鄰兩幀圖像中，這種假設(shè)條件也是滿足的。將式(5)代入式(8)可得:

其中:

為了最小化式(7)，由于式(9)右邊第一項與y無關(guān)，故第二項必須最大化。第二項代表核密度估計，核密度的剖面函數(shù)為k(‖˙‖2)，樣本數(shù)據(jù)的權(quán)重為 wi。對第二項求偏導數(shù)，并令其等于零，可得:

從而得到p(y)最大化的迭代搜索公式:

取核函數(shù)為Epanechnikov函數(shù):

其剖面函數(shù)如下:

式中:cd為單位d維球體的體積;d為向量τ的維數(shù)。當τ為二維向量時，Epanechnikov核函數(shù)的剖面函數(shù)如下所示:

由于其核函數(shù)的剖面函數(shù)的導數(shù)g(˙)為常數(shù)，則式(11)簡化為:

反復迭代式(11)，使“候選目標”沿著使ρ(y)增大的梯度方向不斷移動，直至ρ(y)達到最大，從而實現(xiàn)基于均值濾波的錐套跟蹤。

2.2 跟蹤窗自適應調(diào)整規(guī)則

CamShift算法是在MeanShift算法的基礎(chǔ)上改進而來，但其在進行目標跟蹤過程中一般只針對均值漂移向量的方向?qū)δ繕宋恢眠M行跟蹤定位，并不關(guān)注目標的實際運動情況，即沒有利用目標在空間中的運動方向和運動速度信息。如果出現(xiàn)目標被遮擋或丟失的情況，僅憑顏色信息難以對目標繼續(xù)精確定位，因此需要在均值漂移算法中加入目標運動信息，保證跟蹤效果的穩(wěn)定性和魯棒性。

針對上述問題，為了防止目標丟失，本文采用窗寬h自適應調(diào)節(jié)規(guī)則［14］:

式中:α為調(diào)節(jié)常數(shù);hini為初始搜索窗口寬度;v為目標在像平面的運動速度，即:

式中:ΔT為幀率的倒數(shù);k為當前圖像幀數(shù)，取值范圍為(2，n)，其中n為跟蹤軟件結(jié)束時的圖像幀數(shù)。

目標丟失的另一個主要原因是被其他障礙遮擋，而巴氏系數(shù)表征了當前窗口區(qū)域直方圖與目標直方圖的相似度，當目標發(fā)生遮擋時，當前窗口區(qū)域的巴氏系數(shù)將急劇減小。因此，可將目標是否發(fā)生遮擋的判據(jù)設(shè)置為巴氏系數(shù)。設(shè)定閾值Th，對于圖像中的目標區(qū)域，有:

根據(jù)上述判據(jù)，跟蹤算法在發(fā)現(xiàn)目標發(fā)生部分遮擋后即可采取相應的位置估計算法，使跟蹤算法在目標發(fā)生遮擋后依然可估計目標位置，進行跟蹤，直至目標不再被遮擋。

3 試驗及結(jié)果分析

為了驗證本文算法的有效性和準確性，將VC與OpenCV相結(jié)合，編寫了錐套識別跟蹤軟件［15］。首先，進行設(shè)備的選擇以及幀率、視頻輸出和相關(guān)屬性項的設(shè)置，然后進行試驗驗證。加油錐套的灰度圖像以及H通道圖像如圖2所示，錐套捕捉定位圖像如圖3所示。

圖2 加油錐套圖像Fig.2 Drogue image

圖3 加油錐套定位Fig.3 Drogue location

由圖3可知，本文算法得到的目標圖像雜光點少，目標中心提取精度高，即使錐套快速運動也無拖影現(xiàn)象，具有良好的實時性。

圖4為存在部分遮擋情況下錐套跟蹤圖像。可以看出，即使在存在部分遮擋的情況下，本文所采用的算法仍然能夠精確地提取加油錐套中心點坐標，且達到毫米級定位精度，具有較高的準確性和魯棒性。

圖4 發(fā)生遮擋時的錐套跟蹤Fig.4 Drogue tracking in partial occlusion

4 結(jié)束語

本文提出了一種基于HSV色彩空間的Cam-Shift加油錐套識別跟蹤方法。由VC結(jié)合OpenCV編寫了位置解算軟件，算法求解精度高，可達到毫米級，且在目標快速運動或部分遮擋的情況下，仍能較好地解算目標位置。試驗結(jié)果充分說明了本文算法的實時性、準確性和魯棒性，能夠滿足空中加油中導航任務(wù)的需求。

［1］ 馮琦，周德云.軍用無人機發(fā)展趨勢［J］.電光與控制，2003，10(1):9-13.

［2］ Nalepka J P，Hinchman J L.Automated aerial refueling:extending the effectiveness of unmanned air vehicles［R］.AIAA-2005-6005，2005.

［3］ 董新民，徐躍鑒，陳博.自動空中加油技術(shù)研究進展與關(guān)鍵問題［J］.空軍工程大學學報:自然科學版，2008，9(6):1-5.

［4］ 慕春棣，李波睿.基于視覺的自動空中加油技術(shù)［J］.清華大學學報:自然科學版，2012，52(5):670-676，681.

［5］ Chen C I，Stettner R.Drogue tracking using 3D flash lidar for autonomous aerial refueling［C］//SPIE Defense，Security，and Sensing.International Society for Optics and Photonics，2011:80370Q-80370Q-11.

［6］ Campa G，F(xiàn)ravolini M L，F(xiàn)icola A，et al.Autonomous aerial refueling for UAVs using a combined GPS-machine vision guidance［C］//AIAA Guidance，Navigation，and Control Conference and Exhibit.Providence，RI，2004:1-11.

［7］ Tu Jilin，Hai Tao，Huang Thomas.Online updating appearance generative mixture model for meanshift tracking［J］.Machine Vision and Applications，2009，20(3):163-173.

［8］ 鄔大鵬，程衛(wèi)平，于盛林.基于幀間差分和運動估計的Camshift目標跟蹤算法［J］.光電工程，2010，37(1):55-60.

［9］ 岡薩雷斯，溫茨同.數(shù)字圖像處理［M］.李叔梁，譯.北京:北京科學出版社，1981.

［10］ Zulkifley M A，Mustafa M M，Hussain A.On improving CAMSHIFT performance through colour constancy approach［C］//Computer＆ Information Science(ICCIS)，2012 International Conference on.Kuala Lumpeu:IEEE，2012:375-378.

［11］倪維平，嚴衛(wèi)東，吳俊政，等.MSTAR圖像2D Gabor濾波增強與自適應閾值分割［J］.光電工程，2013，40(3):87-93.

［12］ 韓九強，胡懷中，張新曼，等.機器視覺技術(shù)及應用［M］.北京:高等教育出版社，2009:170-171.

［13］ Tian C，Ge G，Ye S，et al.Researches of scale adaptive Mean Shift target tracking algorithm［C］//Intelligent Control and Automation(WCICA)，2010 8th World Congress on.Jinan:IEEE，2010:700-703.

［14］云霄，肖剛.基于Camshift的多特征自適應融合船舶跟蹤算法［J］.光電工程，2011，38(5):52-58.

［15］ Bradski G，Kaehler A.學習 Opencv［M］.于仕琪，劉瑞禎，譯.北京:清華大學出版社，2009:371-376.