面向無(wú)人船的天空區(qū)域檢測(cè)算法

高志遠(yuǎn)， 詹文強(qiáng)， 元海文

(1.廣東理工學(xué)院 工業(yè)自動(dòng)化系， 廣東 肇慶 526100； 2.武漢理工大學(xué) 航運(yùn)學(xué)院， 湖北 武漢 430063； 武漢工程大學(xué) 電氣信息學(xué)院， 湖北 武漢 430223)

水面無(wú)人船是一種能夠在湖泊、江河及海洋環(huán)境下自主航行，并完成各種任務(wù)的水面運(yùn)動(dòng)平臺(tái)[1]。無(wú)人船作為一種智能化、機(jī)動(dòng)化、網(wǎng)絡(luò)化的水面交通工具，具有價(jià)格便宜、靈活機(jī)動(dòng)、環(huán)境適應(yīng)能力強(qiáng)等優(yōu)點(diǎn)。無(wú)人船已經(jīng)廣泛應(yīng)用于各種場(chǎng)景執(zhí)行不同任務(wù)，可以代替人工在危險(xiǎn)情況下執(zhí)行特殊任務(wù)[2]。無(wú)人船要在復(fù)雜環(huán)境下具備自主航行的能力，首先需要實(shí)時(shí)準(zhǔn)確感知自身狀態(tài)信息和周圍環(huán)境信息。根據(jù)空間位置的不同，水上航行場(chǎng)景可分為天空、陸地和水面三個(gè)區(qū)域，識(shí)別這些區(qū)域在無(wú)人船視覺(jué)圖像中的分布，不僅可以增強(qiáng)無(wú)人船對(duì)周圍環(huán)境的感知，同時(shí)也能通過(guò)參考這些信息對(duì)自身狀態(tài)進(jìn)行感知[3-4]。

針對(duì)無(wú)人船水上視覺(jué)場(chǎng)景感知，一些研究者嘗試通過(guò)進(jìn)行水天線的檢測(cè)，來(lái)輔助估計(jì)自身俯仰角和橫滾角，并通過(guò)水天線來(lái)優(yōu)化水上目標(biāo)檢測(cè)，因?yàn)閷?shí)際環(huán)境中水上目標(biāo)大部分會(huì)出現(xiàn)在水天線附近[5-6]。這些水天線的檢測(cè)主要針對(duì)的是海上航行環(huán)境，因?yàn)樵诤Ｉ蠄?chǎng)景中，圖像主要由天空和海面區(qū)域構(gòu)成，水面邊界只和天空連接[7-8]。而對(duì)于一些民用無(wú)人船，大部分應(yīng)用場(chǎng)景為內(nèi)河和湖泊，水面邊界不僅包括與天空的連接，還包括與陸地的連接區(qū)域[9]。因此一些研究者針對(duì)湖泊區(qū)域，提出水岸線檢測(cè)方法[10-11]。內(nèi)河和湖泊水上場(chǎng)景復(fù)雜，特殊情況下一些算法常常會(huì)失效，特別在倒影和水波特別明顯的情況下。根據(jù)無(wú)人船在內(nèi)河和湖泊中航行時(shí)與岸邊的距離，可以把場(chǎng)景分為近距離、中距離和遠(yuǎn)距離三個(gè)類別，遠(yuǎn)距離場(chǎng)景類似海上環(huán)境，陸地區(qū)域在圖片所占區(qū)域極小，圖像主要由水面和天空區(qū)域構(gòu)成，圖像簡(jiǎn)單，許多算法都能在這種情況下取得較好結(jié)果。在中間距離場(chǎng)景，陸地在圖像中占有一定區(qū)域，水面也出現(xiàn)有水波和倒影構(gòu)成的復(fù)雜紋理，使得許多基于邊界和梯度的算法在這種情況下失效。在近距離場(chǎng)景，天空區(qū)域縮小成很小的部分，陸地在圖像中占更大區(qū)域，水面倒影嚴(yán)重，使得基于顏色紋理的算法很難區(qū)分水面和陸地區(qū)域。

對(duì)于內(nèi)河和湖泊場(chǎng)景，水面區(qū)域紋理存在復(fù)雜多變性，在復(fù)雜環(huán)境中直接進(jìn)行水面區(qū)域的檢測(cè)很難取得穩(wěn)定有效的結(jié)果。為了提高無(wú)人船在內(nèi)河和湖泊航行場(chǎng)景中的視覺(jué)感知能力的穩(wěn)定性和準(zhǔn)確性，本文從天空區(qū)域入手，提出多信息融合的水上天空檢測(cè)算法，為無(wú)人船進(jìn)一步的信息處理提供有用信息。為準(zhǔn)確有效檢測(cè)出天空區(qū)域，首先采集大量水上場(chǎng)景照片，對(duì)水上場(chǎng)景的圖像數(shù)據(jù)進(jìn)行深入分析。利用水上不同區(qū)域在圖像中的分布特性，初步估計(jì)出水面、陸地和天空在圖像所在的位置，然后結(jié)合分割算法準(zhǔn)確找到天空區(qū)域。

1 天空檢測(cè)算法

1.1 算法流程設(shè)計(jì)

無(wú)人船在航行過(guò)程中，水上場(chǎng)景的天空檢測(cè)算法流程如圖1所示。為了減少圖像噪聲對(duì)算法流程中圖像分割結(jié)果的影響，采用基于變分的優(yōu)化算法對(duì)圖像進(jìn)行平滑處理。使用基于圖的圖像分割算法，根據(jù)顏色和邊界信息，將圖像分割成不同區(qū)域。同時(shí)對(duì)水上視覺(jué)特性進(jìn)行分析，將圖像從RGB(Red Green Blue)空間映射到HSV(Hue,Saturation,Value)空間，對(duì)天空、陸地和水面不同區(qū)域的亮度進(jìn)行統(tǒng)計(jì)分析。根據(jù)水上視覺(jué)特點(diǎn)，對(duì)天空區(qū)域位置進(jìn)行初步估計(jì)。最后根據(jù)圖像分割的結(jié)果，在圖像中準(zhǔn)確找到天空區(qū)域。

圖1 天空檢測(cè)算法流程圖

1.2 基于變分法的水上圖像去噪

在后續(xù)的分割算法中，希望將天空、陸地和水面分割不同區(qū)域，并且分割區(qū)域盡可能少，從而減少算法流程的區(qū)域合并計(jì)算量。但是由于噪聲影響，一個(gè)具有相同顏色的信息區(qū)域可能被分割成不同區(qū)域。并且由于天空中的云和水面上的波浪具有復(fù)雜的紋理，這將使得圖片在這些區(qū)域可能被分割為許多細(xì)小的區(qū)域，降低算法的效率。為此對(duì)圖像進(jìn)行分割前，需要進(jìn)行預(yù)處理，減少噪聲和局部復(fù)雜紋理的影響。

傳統(tǒng)的圖像去噪算法，例如中值濾波和高斯濾波算法，雖然能取得很好的平滑效果，但是卻容易使圖像丟失邊界細(xì)節(jié)信息，使圖像中的天空、陸地和水面邊界變得模糊。需要平滑不同區(qū)域內(nèi)的紋理，使得不同類別區(qū)域內(nèi)像素能盡可能被分割成一個(gè)大的區(qū)域，同時(shí)保留不同區(qū)域的結(jié)構(gòu)信息，保證不同類別的像素被分割到不同區(qū)域中去。為了達(dá)到這個(gè)效果，本文提出了基于變分法的圖像去噪算法。傳統(tǒng)的變分方法是一種基于雙向懲罰函數(shù)的整體優(yōu)化模型，其模型可以表示為

(1)

式中:I表示輸入圖像;下標(biāo)p表示像素索引;S表示最后優(yōu)化的輸出圖像。

(2)

式中:R(p)表示以像素p為中心的局部區(qū)域;q為局部區(qū)域的像素點(diǎn);D(p)為像素p局部窗口內(nèi)的梯度絕對(duì)值統(tǒng)計(jì)量;wp,q作為一個(gè)權(quán)值因子，用來(lái)表示窗口內(nèi)其他像素和像素p的空間位置權(quán)重關(guān)系，可以表示為

(3)

式中:(xp,yp)和(xq,yq)為兩像素坐標(biāo);σ用來(lái)控制局部窗口的空間尺寸大小。

優(yōu)化過(guò)程中盡可能使式(2)的梯度絕對(duì)統(tǒng)計(jì)值變小，從而使窗口內(nèi)的像素趨于一致，達(dá)到平滑局部豐富多變的紋理的效果。但是當(dāng)像素位于不同區(qū)域邊界時(shí)，需要保留這些信息。為此提出了梯度相對(duì)統(tǒng)計(jì)量，其可以表示為

(4)

L(p)直接對(duì)窗口內(nèi)的梯度量進(jìn)行相加，然后取絕對(duì)值。當(dāng)窗口在同一紋理區(qū)域時(shí)，假設(shè)窗口內(nèi)顏色亮度值出現(xiàn)周期性規(guī)律變化，但是整體保持一致，梯度出現(xiàn)正負(fù)交替變化，整體相加后，L(p)最后由于不同項(xiàng)相互抵消而趨近于零。當(dāng)窗口在不同紋理區(qū)域時(shí)，由于存在亮度值的跨越變化，L(p)的不同項(xiàng)不能相互抵消，而保持較大的數(shù)。為了保留更多邊界結(jié)構(gòu)信息，要盡量使L(p)取最大。為此，結(jié)合D(p)和L(p)改進(jìn)規(guī)則化項(xiàng)，目標(biāo)優(yōu)化函數(shù)最后表示為

(5)

1.3 基于圖的圖像分割算法

利用圖論算法，以圖像的每個(gè)像素作為節(jié)點(diǎn)C，像素間關(guān)系作為邊E，建立節(jié)點(diǎn)圖G。在算法初始化時(shí)，將每個(gè)像素作為一個(gè)獨(dú)立區(qū)域，然后根據(jù)邊界信息，將相同小區(qū)域不斷合并成大的區(qū)域，不斷迭代，直到所有區(qū)域滿足算法特定要求。使用區(qū)域內(nèi)差異性因子和區(qū)域間差異因子來(lái)控制不同區(qū)域的合并。其中，區(qū)域內(nèi)差異性因子定義為

(6)

式中:gi(Ci,Ei)表示某塊獨(dú)立區(qū)域;Int(C)表示該區(qū)域內(nèi)最大的邊界值。區(qū)域間差異因子定義為

(7)

式中:Ci和Cj表示兩個(gè)不同區(qū)域;e(via,vjb)表示兩個(gè)區(qū)域相鄰的邊。其目標(biāo)是找到兩個(gè)不同區(qū)域相鄰邊的最小值。對(duì)于不同區(qū)域，區(qū)域內(nèi)差異性因子Int(·)要小于區(qū)域間差異性因子Dif(·)。不同區(qū)域的合并條件可以定義為

(8)

式中,MInt(Ci,Cj)表示取兩個(gè)不同區(qū)域內(nèi)差異最小值。

MInt(Ci,Cj)=min (Int(Ci)+τ(Ci),

Int(Cj)+τ(Cj))

(9)

(10)

式中:τ用來(lái)控制分割大小;k為控制常量;σI為圖像的整體方差。τ越大，則表示不同區(qū)域邊界需要非常顯著，否則將被合并成一個(gè)大的區(qū)域，最后將得到大的分割區(qū)域。τ通過(guò)σI自動(dòng)控制參數(shù)大小，使得算法在不同對(duì)比度場(chǎng)景中都能取得很好效果。

1.4 水上場(chǎng)景HSV空間特性分析

將圖像從RGB空間轉(zhuǎn)換到HSV空間，對(duì)HSV空間每個(gè)通道進(jìn)行分解，得到圖2所示結(jié)果。從圖中可以看到，由于環(huán)境不同，以及在拍攝過(guò)程中相機(jī)為達(dá)到最好的拍攝效果做的底層自動(dòng)化處理，最終得到的色度通道圖在顏色相近區(qū)域出現(xiàn)劇烈變化，特別是在飽和度低的區(qū)域。很難通過(guò)色度對(duì)不同區(qū)域進(jìn)行區(qū)分，特別是天空亮白區(qū)域或者岸上的黑暗區(qū)域，很容易在色域內(nèi)進(jìn)行跳變。而在飽和度圖層中，陸地區(qū)域由于顏色信息明顯，其飽和度在整個(gè)圖像中值最大，水面由于陸地倒影的影響，也會(huì)出現(xiàn)飽和度值比較大的情況。在亮度值中，可以假設(shè)自然界光源都來(lái)自天空，陸地和水面的光線來(lái)自不同方向的反射，因此天空亮度最大。水面由于反射率較高，其亮度略低于天空。而陸地容易吸收照射過(guò)來(lái)光線，在圖像中形成亮度最低區(qū)域。因此通過(guò)飽和度圖和亮度圖，可以初步估計(jì)出陸地和天空區(qū)域。

圖2 HSV彩色空間分析

1.5 天空區(qū)域檢測(cè)

在無(wú)人船正常航行過(guò)程中，天空區(qū)域在圖像的最上區(qū)域，水面區(qū)域在圖像的最下區(qū)域，陸地區(qū)域在圖像的中間區(qū)域。根據(jù)HSV空間對(duì)水上場(chǎng)景分析，可以將亮度值較大且在圖像最上方的區(qū)域作為天空區(qū)域，而飽和度最大的區(qū)域?yàn)殛懙貐^(qū)域。雖然受到倒影的影響，水面倒影也可能包括在飽和度值較大的區(qū)域，但是本文研究的重點(diǎn)不是陸地檢測(cè)，其目的是通過(guò)預(yù)測(cè)陸地區(qū)域來(lái)估計(jì)天空區(qū)域的邊界，因此包含水面倒影區(qū)域的陸地檢測(cè)結(jié)果對(duì)本文天空檢測(cè)結(jié)果不產(chǎn)生影響。在估計(jì)天空區(qū)域的空間位置后，下一步需要進(jìn)一步準(zhǔn)確確定天空區(qū)域的邊界。

通過(guò)圖像分割算法，將顏色亮度相近的聚成一塊區(qū)域，分割結(jié)果表示為S={s1,s2,…,sn}。通過(guò)對(duì)圖像分析可以知道，天空與陸地或水面的相交邊界相對(duì)比較明顯。本文采用的分割算法，是基于邊界的分割算法，對(duì)于紋理不是很明顯的云，能將大部分天空聚成一塊區(qū)域，同時(shí)根據(jù)天空與其他區(qū)域分界線，將不同類別區(qū)域分割成不同的區(qū)域。然后計(jì)算每個(gè)區(qū)域中飽和度和亮度的平均值、中心點(diǎn)位置。將飽和度、亮度值和區(qū)域位置作為每個(gè)分割區(qū)域的特征。對(duì)于某一個(gè)分割區(qū)域si，該分割區(qū)域的特征可以表示為xi={xis,xiv,xix,xiy}。xis和xiv分別是si中平均飽和度和亮度，xix和xiy分別是區(qū)域中心點(diǎn)位置的橫坐標(biāo)和縱坐標(biāo)值。然后使用支持向量機(jī)(support vector machines, SVM)構(gòu)建分類器，用來(lái)對(duì)每個(gè)分割區(qū)域進(jìn)行天空區(qū)域檢測(cè)。首先選取幾張圖像，并分割不同區(qū)域，對(duì)不同分割區(qū)域進(jìn)行標(biāo)注，制作訓(xùn)練樣本數(shù)據(jù){(x1,y1),(x2,y2)…(xn,yn)}，xi為輸入特征，yi為輸出目標(biāo)，最優(yōu)超平面為wTxi+b=0，其中i=0,1,…,n，則需要滿足以下約束條件：

yi(wTxi+b)≥1-β

(11)

式中,β為松弛變量。

SVM分類器的目標(biāo)為找到一個(gè)分類錯(cuò)誤率最小的優(yōu)化超平面，優(yōu)化問(wèn)題可表示為

(12)

式中,C為懲罰系數(shù)。

2 實(shí)驗(yàn)分析

為了驗(yàn)證算法的有效性，本章節(jié)設(shè)計(jì)了三個(gè)實(shí)驗(yàn)，分別測(cè)試算法設(shè)計(jì)過(guò)程的合理性，算法對(duì)不同場(chǎng)景的有效性，以及和其他算法效果的比較。

2.1 天空檢測(cè)過(guò)程

本實(shí)驗(yàn)對(duì)算法的各過(guò)程進(jìn)行單獨(dú)研究分析，探討每個(gè)過(guò)程對(duì)整個(gè)算法的作用和影響，以便對(duì)算法有進(jìn)一步了解，實(shí)驗(yàn)的結(jié)果如圖3所示。其中每一列為不同數(shù)據(jù)，每一行為算法中間各過(guò)程的中間結(jié)果。圖3a為原始圖像。圖3b是陸地區(qū)域定位結(jié)果，根據(jù)圖像HSV空間中的飽和度通道圖層，利用聚類方法，將圖像分成三類，其中飽和度值最大的區(qū)域作為陸地可能性最大區(qū)域。由圖3b最后一個(gè)結(jié)果圖可以看到，由于岸上反射以及自身水體顏色影響，部分水上也被歸類為陸地，但是對(duì)最后結(jié)果并不影響。圖3c是天空區(qū)域定位結(jié)果，根據(jù)圖像HSV空間中的亮度通道圖層，同樣使用聚類方法，將圖像分成三類，其中亮度值最大的區(qū)域作為天空可能性最大區(qū)域。其結(jié)果如圖3c所示，由于天空亮度分布不均勻，僅僅依靠亮度值，并不能將所有天空區(qū)域檢測(cè)出來(lái)。圖3d是圖像的分割結(jié)果，根據(jù)邊界信息，將圖像分割成不同區(qū)域。圖3e是檢測(cè)結(jié)果，根據(jù)HSV空間對(duì)陸地和天空區(qū)域初步估計(jì)和分割結(jié)果，最后得到天空區(qū)域的準(zhǔn)確區(qū)域。

a) 原始圖像

2.2 不同場(chǎng)景實(shí)驗(yàn)效果

為了驗(yàn)證無(wú)人船在不同場(chǎng)景下的效果，使用距離岸邊不同距離的圖像數(shù)據(jù)對(duì)算法進(jìn)行測(cè)試，結(jié)果如圖4所示。

圖4 算法在不同場(chǎng)景的效果

當(dāng)無(wú)人船航行在湖泊中不同位置時(shí)，算法都能很好地檢測(cè)出天空位置。在靠近岸邊時(shí)，陸地在圖像中占的區(qū)域較大，而天空區(qū)域較小。隨著離岸邊距離不斷增大，天空區(qū)域所占大小也不斷增大。當(dāng)無(wú)人船在湖泊中心時(shí)，天空區(qū)域達(dá)到最大，陸地區(qū)域只有很小一部分，而天空邊界線可以近似看作一條直線。在不同場(chǎng)景中，無(wú)人船相對(duì)太陽(yáng)的方位不同，以及水面出現(xiàn)的紋理不同，這給基于水面的檢測(cè)方法帶來(lái)一定難度。而面對(duì)天空的檢測(cè)方法，主要解決的是天空中云、光暈和水霧造成邊界不明顯帶來(lái)的問(wèn)題。本文提出的算法，很好地解決了上述問(wèn)題，面對(duì)不同環(huán)境取得了穩(wěn)定的效果。

2.3 算法結(jié)果比較

本實(shí)驗(yàn)與類似工作的相關(guān)算法進(jìn)行對(duì)比性能測(cè)試，結(jié)果如圖5所示。每一列為不同的實(shí)驗(yàn)數(shù)據(jù)，每一行為不同算法對(duì)應(yīng)的結(jié)果圖。圖5a為輸入的原始圖像數(shù)據(jù)。圖5b為采用基于邊緣檢測(cè)的算法來(lái)對(duì)天空邊緣進(jìn)行檢測(cè)結(jié)果。實(shí)驗(yàn)中對(duì)該方法進(jìn)行改進(jìn)，采用Canny算法提取區(qū)域的顯著邊緣點(diǎn)，然后保留每一列在圖像最上面的點(diǎn)作為天空邊緣點(diǎn)。檢測(cè)的顯著邊緣點(diǎn)在圖中用白色顯示，而最終的天空檢測(cè)邊緣點(diǎn)用黑色顯示。結(jié)果表明該方法在復(fù)雜場(chǎng)景，比如水面波浪明顯的場(chǎng)景，很容易失效。圖5c為基于聚類算法的天空檢測(cè)結(jié)果，該方法將圖像轉(zhuǎn)換成灰度圖像，然后使用基于K-mean的聚類算法來(lái)檢測(cè)天空區(qū)域，檢測(cè)天空區(qū)域用純白顯示。在該算法中，對(duì)于亮度分布不均勻的寬動(dòng)態(tài)場(chǎng)景，基于聚類方法依然不能很好地檢測(cè)出天空區(qū)域。圖5d表示基于亮度的方法的檢測(cè)結(jié)果，該方法將圖像轉(zhuǎn)換到HSV空間，然后使用亮度通道圖層，根據(jù)亮度值將像素平局分為三個(gè)類別，選擇亮度最大區(qū)域作為天空區(qū)域，檢測(cè)天空區(qū)域同樣用純白顯示。該方法和基于聚類的方法類似，在寬動(dòng)態(tài)亮度不均勻場(chǎng)景，不能有效檢測(cè)天空區(qū)域。圖5d為本文提出的方法的檢測(cè)結(jié)果，檢測(cè)天空區(qū)域用純白顯示。結(jié)果表明，無(wú)論在有波浪倒影的復(fù)雜場(chǎng)景，還是場(chǎng)景亮度分布均勻情況，本文所提出的算法依然能取得較好效果。

a) 原始圖像

圖5b的結(jié)果圖顯示，在大部分天氣晴朗、陸地邊界清晰情況下，該算法能取得很好的效果。當(dāng)在有霧情況下，遠(yuǎn)處陸地邊界不明顯，很難提取足夠多的邊界點(diǎn)。在離岸邊較近距離處，并不是每一行都有天空區(qū)域，并且水面處倒影嚴(yán)重，噪聲點(diǎn)影響算法的穩(wěn)定性。根據(jù)圖5c和圖5d的結(jié)果圖，無(wú)論采用聚類方法，還是基于亮度的方法，當(dāng)無(wú)人船正對(duì)太陽(yáng)時(shí)，亮度分布不均勻，天空亮度以太陽(yáng)為中心呈現(xiàn)圓環(huán)梯度變化，同時(shí)水面由于反射作用，也有較大的亮度值，最后得到的天空檢測(cè)結(jié)果具有較大誤差。而本文提出的方法，則很好地解決了上述問(wèn)題，取得較好的結(jié)果。

為了進(jìn)一步量化各種算法的效果，由遠(yuǎn)及近將數(shù)據(jù)分成四個(gè)不同場(chǎng)景，分別統(tǒng)計(jì)各種算法的預(yù)測(cè)精度，其準(zhǔn)確性為

(13)

式中:ptp表示準(zhǔn)確檢測(cè)為天空的像素點(diǎn)個(gè)數(shù);pfp表示錯(cuò)誤地將非天空區(qū)域檢測(cè)為天空的像素點(diǎn)個(gè)數(shù)。

各算法的檢測(cè)結(jié)果如表1所示。場(chǎng)景1為距離岸邊最近的場(chǎng)景，場(chǎng)景2為距離岸邊較近的場(chǎng)景，場(chǎng)景3為距離岸邊較遠(yuǎn)的場(chǎng)景，場(chǎng)景4為在湖泊中間距離岸邊最遠(yuǎn)的場(chǎng)景。實(shí)驗(yàn)結(jié)果表明，不管在什么場(chǎng)景下，本文提出的算法都能取得較好的結(jié)果。

表1 不同場(chǎng)景下各算法檢測(cè)準(zhǔn)確性

3 結(jié) 語(yǔ)

本文提出一種穩(wěn)定的天空檢測(cè)算法，旨在為無(wú)人船自主航行提供有用信息。首先，提出基于變分法的圖像處理方法，去除圖像的細(xì)節(jié)紋理信息，保留圖像的不同區(qū)域的結(jié)構(gòu)信息。然后使用基于圖的分割算法，將圖像分割成不同的區(qū)域，這些區(qū)域具有相似的顏色信息。其次，對(duì)水上場(chǎng)景圖像在HSV顏色空間分布進(jìn)行深入分析，根據(jù)飽和度和亮度信息對(duì)天空區(qū)域在圖像中的位置進(jìn)行初略估計(jì)。最后，根據(jù)分割結(jié)果和初步估計(jì)的天空位置信息，準(zhǔn)確得到天空區(qū)域。實(shí)驗(yàn)結(jié)果表明，本文提出的算法在不同場(chǎng)景中都能取得較好的效果，驗(yàn)證了算法的有效性和穩(wěn)定性。這為后續(xù)無(wú)人船視覺(jué)感知提供穩(wěn)定參考信息，利用天空區(qū)域在圖像占據(jù)的像素大小估計(jì)無(wú)人船相對(duì)岸邊的距離，以及天空區(qū)域亮度變化特點(diǎn)判斷太陽(yáng)相對(duì)無(wú)人船的方位。根據(jù)天空邊界線的位置平移和旋轉(zhuǎn)變化，實(shí)時(shí)估計(jì)無(wú)人船的姿態(tài)動(dòng)態(tài)變化，可以為慣導(dǎo)等姿態(tài)傳感器數(shù)據(jù)的噪聲過(guò)濾過(guò)程提供有用信息。