基于FPGA的激光成像质心提取算法的硬件实现
2017-09-23金明磊
金明磊
(北京控制工程研究所,北京 100090)
基于FPGA的激光成像质心提取算法的硬件实现
金明磊
(北京控制工程研究所,北京 100090)
针对一款激光成像测距系统设计激光成像自适应质心提取算法模块,该模块包含自适应积分时间调整、多波峰毛刺平滑处理及基于灰度加权的质心提取3个子模块,该模块已在FPGA上实现,处理延迟小,占用资源少,可稳定提取目标在线阵探测器上成像的质心位置,提高三维激光测距的精度.
激光成像;质心提取;硬件实现;FPGA
0 引 言
在空间目标探测领域,相比于被动光学探测系统,激光测距系统具有精度高、不受空间光照条件影响的优势[1-2],利用激光准直性强的特点,应用在空间碎片探测、交会对接等领域中[3-4].
本文中针对一款激光测距系统中的成像质心提取处理工作做了研究.该激光测距系统由激光发射与接收模块、数据处理模块、电机驱动系统及光学系统组成.系统工作时,半导体激光器发射脉冲激光,经透镜准直聚焦后出射到被测物体.反射光通过接收光学系统汇聚到线阵探测器上转换为电信号,数据处理模块处理得到激光成像的质心位置,再根据三角测距原理计算目标所在的空间位置.激光光源波长为850 nm,最大功率为100 mW,线阵探测器采用AWAIBA公司DRAGSTER型号,线阵探测器阵列大小为4 096×1,像元尺寸为7 μm,图像输出为标准Camera-link接口,位宽12 bit,具有外同步功能,可自主调节积分时间.
本文针对上述系统功能需求,设计了自适应激光成像质心提取模块,可稳定提取目标的质心位置,提高三维空间位置的测量精度.
1 自适应激光成像质心提取算法
激光成像后原始图像如图1所示(文中探测器的原始图像为连续采集的500帧线阵图像的合成图像,并将12 bits线性压缩至8 bits的显示效果).为稳定地提取到激光成像质心,首先经自适应积分时间调节后,激光成像光斑的灰度分布近似高斯分布,然后平滑处理高斯分布中的多波峰毛刺,就能稳定提取成像光斑的质心.结合基于FPGA的快速处理需求,设计了自适应质心提取模块,该模块包括3部分:1) 自适应积分时间调节;2) 多波峰毛刺的平滑处理;3) 基于灰度加权的质心提取算法.
1.1自适应积分时间调节
设计自适应积分时间调节模块,该模块的功能为:1)防止因积分时间过小,导致图像中目标较弱无法提取质心;2)防止因积分时间过大,导致成像中灰度分布饱和,不能提取正确的质心.
易知积分时间过小会导致无法提取质心,下面将主要结合实际采集到的图像说明积分时间过大对于质心提取的影响.图2为当线阵探测器积分时间过大时激光成像的灰度分布图,图2(a)为探测器积分时间为40 μs时成像的灰度分布图,图2(b)为图2(a)灰度分布的局部示意图.从图2(b)的局部分布示意图可以观察到响应饱和现象严重,饱和像素接近200个.该图像按灰度权重提取质心即光斑的型心,质心和型心在非饱和情况下会存在较大偏差.因此,需根据图像的灰度自适应调节积分时间,防止图像中饱和像素太多.
结合硬件实现需求,设计了自适应积分时间算法[5-7]:统计图像的灰度直方图分布,计算饱和像素(灰度值大于3 500)数比例和背景像素(灰度值小于500)数比例,根据饱和像素比例及背景像素比例自适应调节积分时间:当饱和像素数的直方图统计比例大于1%时,积分时间减少直至满足该条件或者达到线阵探测器驱动的最小积分时间,当背景像素数的直方图统计比例大于99.5%时,积分时间直至满足该条件或者达到线阵探测器驱动的最大积分时间.
硬件实现上述自适应积分时间算法后,同样实验条件下采集到的探测器原始图像的灰度分布如图3 所示,对比图2的固定积分时间40 μs,此时积分时间调整到3 μs,饱和像素数小于10个.
1.2多波峰毛刺的平滑处理
假设线阵探测器的激光成像的理想状态为一高斯分布,但是由于激光散射的影响,如图4(a)所示,线阵探测器激光成像宏观上虽近似高斯分布,但是如图4(b)所示,滤波前存在多个波峰毛刺,并不光滑.
为得到高斯的灰度分布,要采用空域滤波算法平滑处理,若采用空域加权算法,如高斯滤波、引导滤波[8-9]、双边滤波[10-11]等,处理后会保留细节,不能平滑毛刺,而滤波因子相对独立的均值滤波可以平滑毛刺,也利于硬件实现,因此选择均值滤波作为多波峰毛刺的平滑处理算法.滤波窗口尺寸为31像素,滤波后像素的灰度分布如图5所示.对比图4(b),图5(b)中滤波后的灰度分布近似高斯分布,多波峰毛刺消失.
1.3基于灰度加权的质心提取算法
以滤波后的图像作为待处理图像, 阈值为半峰值,经灰度加权计算质心:
(1)
其中,P为质心位置,k代表像素所在位置 (1至4 096列),yk为
(2)
其中,Ik是位置k对应的像素灰度值,Ith是半峰值.
2 自适应质心提取算法的硬件实现
2.1实现自适应质心提取模块
自适应质心提取模块只需要调用一块外部SRAM存储一帧直方图分布,不需要其它外部资源,只消耗FPGA内部资源即可完成.自适应质心提取模块(如图6)主要由自适应质心提取模块、多波峰平滑模块及质心计算模块组成.
该模块的主频为像素时钟,在场同步期间统计直方图,SRAM的时钟为像素时钟的2倍.场消隐期间从SRAM中读取直方图信息,统计直方图分布自适应调节积分时间,下一帧用该积分时间.滤波窗口大小为31像素,场消隐期间计算质心位置输出,同时输出质心位置有效标志.
2.2自适应质心提取模块的硬件实现
在以FPGA为主处理器的数字信号处理板上实现了自适应激光成像质心提取算法,该处理平台以Xilinx公司的Virtex4系列XC4VSX55为主处理芯片,49 152个Slices,512个DSP48,配有4片高速CMOS静态SRAM,每片大小为1 M×16 bits,最高读写速率可达到100 MHz,经Camera-link接口采集DRAGSTER型号探测器的原始图像.
自适应质心提取模块在该平台上的资源消耗情况如表1所示,该模块的实时性好,质心处理延迟小于5 000像素时钟,复杂计算都基于FPGA内的IP核完成,可移植至其他处理平台上.
表1 基于FPGA的资源消耗情况Tab.1 Resource consumption based on FPGA
3 算法的处理效果
下面将分两部分分析该模块的处理效果对比,首先分析该模块的积分时间自适应调整后成像光斑的灰度分布.如图7所示,经积分时间自适应调整模块处理后,无论从原始图像(图7(b)对比图7(a),饱和光斑宽度减小),还是灰度分布图像(图7(d) 对比图7(c),饱和宽度由200像素减少到20像素),图像灰度分布饱和现象消失,同时调整后峰值灰度值接近饱和,达到了该模块的预期功能.
其次,分析3个模块级联后的处理效果对比.图8 为自适应积分时间调整及滤波后的图像及局部灰度分布,可见经该模块处理后灰度分布近似高斯分布,多波峰毛刺消失.之后应用灰度加权算法提取质心,对比固定积分时间时,如表2所示,采用同样的滤波算法和质心提取算法,提取的质心位置(采用500帧图像测试质心提取的位置及稳定度)从2 360变化至2 304,更接近质心,质心稳定性(500帧图像的质心标准差)从1.2像素变化至0.5像素,质心位置更可靠,更稳定的质心位置可提高激光成像三角测距的精度.
4 结 论
本文针对一款激光成像测距系统设计了自适应质心提取模块,该模块设计了基于直方图分布的自适应积分时间调整算法,同时实现了多波峰毛刺的平滑处理及基于灰度加权的质心提取,并在FPGA上实现了该模块的功能.通过试验,该模块可有效的增加激光成像质心的提取精度,质心提取稳定性更好,同时在硬件实现上该模块资源消耗少,处理延迟小,可移植性强,可提高激光成像三角测距的精度.
表2 质心提取情况对比Tab.2 Comparison of centroid extraction
[1] 杨冉,张高飞,张紫辰,等.一种面向空间应用的激光测距方案设计与实验[J].红外与激光工程,2014,43(3):700-706. YANG R, ZHANG G F, ZHANG Z C, et al. Design and experiment of a laser ranging scheme for aerospace applications[J]. Infrared and Laser Engineering, 2014, 43(3):700-706.
[2] 徐正平,沈宏海,许永森,等.激光成像系统高精度目标距离和强度信息提取[J].红外与激光工程,2014, 43(8):2668-2672. XU Z P, SHEN H H, XU Y S, et al. Target-distance and intensity information detecting with high precision in laser imaging system[J].Infrared and Laser Engineering, 2014, 43(8):2668-2672.
[3] 黄涛,胡惠灵,胡以华,等.空间目标识别中的激光探测技术[J]. 激光与红外,2010,40(7):685-689. HUANG T, HU H L, HU Y H, et al. Laser detection in the identification of space target[J].Laser & Infrared,2010,40(7):685-689.
[4] WANG J Y, SHU R, CHEN W B, et al. Laser altimeter on change’s satellite[J].Science China Press,2010,40(8):1063-1070.
[5] SHERRIER R H, JOHNSON G A. Regionally adaptive histogram equalization of the chest[J].IEEE Transactions on Medical Imaging, 1987,6(1):1-7.
[6] ZHU H, LAM F K,CHAN F H Y. Lam. image contrast enhancement by constrained local histogram equalization[J]. Computer Vision and Image Understanding, 1999,73(2):281-290.
[7] ARICI T, DIKBAS S, ALTUNBASAK Y. A histogram modification framework and its application for image contrast enhancement[J].IEEE Transactions. Image Processing, 2009,18(9):1921-1935.
[8] HOSNI A, BELEYER M, RHEMANN C, et al. Real-time local stereo matching using guided image filtering[C]//Proceedings of IEEE International Conference on IMCE. New York:IEEE,2011:1-6.
[9] HE K M, SUN J, TANG X. Guided image filtering[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35:1397-1409.
[10] BRANCHITTA F, DIANI M, CORSINI G, et al. New technique for the visualization of high dynamic range infrared images[J].Optical Engineering, 2009,48(9):96401-096401-9.
[11] PARIS S,DURAND F. A fast approximation of the bilateral filter using a signal processing approach[J].International Journal of Computer Vision, 2009,81(1):24-52.
HardwareImplementationofaCentroidExtractionAlgorithmforLaserImagingBasedonFPGA
JIN Minglei
(BeijingInstituteofControlEngineering,Beijing100090,China)
An adaptive centroid extraction algorithm module is described. This module includes three sub modules, which are adaptive integration time adjustment, smoothness processing of multi wave crests, and extraction of centroid based on gray weighted. This module is realized on FPGA with small delay and little resource occupation. Stable extraction of centroid in the detector imaging system is beneficial to improve the dimensional precision of laser ranging.
laser imaging; centroid extraction; hardware implementation; FPGA
TN29
:A
: 1674-1579(2017)04-0063-05
10.3969/j.issn.1674-1579.2017.04.011
2017-04-30
金明磊(1986—),男,博士,工程师,研究方向为图像处理.