竹类种质资源图像采集实时定位方法

武翠云,徐 静,岳想想,李绍稳

(安徽农业大学 信息与计算机学院,安徽 合肥 230036)

作为森林和植物种质资源的重要组成部分,竹类种质资源具有功能多、用途广的特点,其采集和保存利用一直受到世界各国的高度重视[1].目前,国内外对于竹类种质资源信息的采集主要是以人工采集的方式为主,传统的竹类种质资源信息采集采用的是纸质采集表的形式,需要耗费大量的人力物力到野外作业,再将采集到的数据进行整理、录入和分析[2],这种作业方式不仅费时费力而且难以进行图片等至关重要的多媒体数据的快速采集.竹类种质资源研究对图像的需求不仅仅局限于它的可视性,而且亟需一种实时、移动、多源的采集方式,去获取集成程度更高(包含基本内容、地理位置、方位信息以及其他多媒体信息等)的图像数据信息.野外采集作业对实时定位有较高的要求,单一的传统实时定位方法在偏远山区时,有时甚至无法进行.随着定位技术的发展和研究的不断深入,在实现定位的同时,如何提高定位速度实现实时定位始终是个难点.

文中以竹类种质资源为研究对象,针对其基础数据信息获取不便、采集方式落后等问题进行研究,重点解决野外图像采集时面临的实时定位问题.

1 实时定位方法

1.1 移动定位方法的选择

根据定位策略和定位方式的不同,大体上将移动定位的方法分为基于网络的定位和基于终端的定位两种,表1展示了有关基于网络定位和基于终端定位的性能比较.基于移动终端的位置服务(如图1所示)为人们的日常以及野外采集作业带来了极大的方便,这也使得移动定位技术得以迅猛发展[3-4].

表1 定位技术方法比较

图1 基于移动终端的定位技术架构

基于终端的移动定位包括GPS，A-GPS和BDS定位技术,基于网络的移动定位有Wi-Fi和COO定位技术.由表1可见,基于终端的移动定位服务普遍精度较高,尤其是GPS的覆盖范围广而且全天候,而基于A-GPS和基于BDS的定位技术成本较高而且操作繁琐,还要进行设备改造,使用起来不太实际.同时基于网络的移动定位服务中Wi-Fi不适用于野外操作,COO虽说精度不高,但是响应时间较短、实现简单、成本低、硬件要求低,这些优越性能超过了它的弊端.综上所述,若想实现适用于基于智能手机的实时图像定位方法,仅使用以上哪一种方法可能都不太妥当,如果能将其中两种移动定位技术结合起来,就能克服每种定位方法自身的缺点,同时降低成本,故文中在处理定位问题时,采用了COO与GPS相结合的方式.GPS卫星信号易受干扰,借助COO定位方法的辅助,可以缓解在GPS信号不良的情况下定位的难度,能够有效提高定位精度[5-7].

1.2 实时定位算法

图像的定位一直以来都是野外采集行业比较棘手的问题,解决定位问题并不困难,难点在于如何提高定位速度实现实时定位.GPS定位易受到干扰,可以利用无损Kalman滤波算法来估计定位系统的各种状态,并用状态的估计值来矫正系统.无损Kalman滤波又称无迹Kalman滤波(unscented Kalman filter,UKF),它可以剔除随机干扰噪声从而达到定位更快的目的[8].无损Kalman滤波算法也有缺点,比如定位时会出现一些跟其他数值相差较大的极端数值,它属于不可靠数据,称之为异常观察值.因此如何消除无损Kalman滤波算法中的异常值、提高该算法的“抗野”能力,成了亟需研究的问题.文中针对这一问题提出了如下改进算法.

1.2.1基于最小平方法的Kalman滤波算法

利用最小平方法消除无损Kalman滤波法中的异常值,从而产生一种改进的算法—最小平方法无损Kalman滤波(least square unscented Kalman filter,LSUKF).根据无损Kalman滤波法的原理,只要进行一次算法计算就要进行一次非线性到线性的靠拢变换,并且利用观测值进行一次更新修正;但是倘若监测出现了问题,再利用观测数据去进行更新修正,只会使数据误差变得更大,异常程度更高[9-10].无损Kalman滤波方程式为

(1)

已经获取的估计值和预测估计值的平均数计算式为

(2)

(3)

通过最小平方法去估算p,q,计算式为

(4)

得出p,q后将值代到式(1)中就可以得到有异常值时的估计值.

最小平方算法本身具有一个特征,即预估值保持固有的线性,因此消去无损Kalman滤波法中的异常值再使用最小平方法拟合,最终得到的结果也和之前的变化一致,即有

(5)

1.2.2仿真试验分析

在Matlab下进行仿真试验,仿真环境如下配置:假设线性的匀加速运动,初始速度、位移都为0,加速度a为一定值,误差系数为0.4.系统的状态方程为

(6)

测量方程为

(7)

状态变量X=[x1,x2,x3]T,其中x1是位置,x2是速度,x3是加速度.在观测的过程中,人为加入若干异常值,通过无损Kalman滤波进行滤波,效果如图2所示.

图2 存在异常值的UKF

假如提前观测了是否存在异常值,若有,则对其进行异常值摘除,通过LSUKF算法求取近似曲线估计值,滤波效果如图3所示.图3中滤波变得平缓,可见使用LSUKF算法可改善异常值对UKF滤波的干扰.

图3 LSUKF滤波

1.3 图像与定位信息的整合

数字图像又称数码图像,它的表达方式与传统图像有所不同,是使用二维数字或数组、矩阵进行内容表达的图像.数字图像文件的一种格式为“可交换图像文件”(exchangeable image file,EXIF).目前大多数的数码相机所拍摄的照片使用EXIF文件格式,它存储着拍照时的一些参数,包含相机型号、拍摄的时间、焦距、GPS信息等.

EXIF在JPEG格式文件中加进了存储信息的标识段—MS(marker segments),它拥有良好的可扩充性,而且使用起来十分灵活.利用Android操作系统中的ExifInterface类,即可将GPS定位信息写入到图像中,实现图像与定位信息的整合,具体信息整合的步骤如下:

① 初始化,设置参数,并获取能放置经纬度的对象;

② 写入纬度信息;

③ 写入经度信息;

④ 采用saveAttributes()方法使得写入的信息生效.

根据上述将数据与图像进行整合的方法,建立实时图像的模型,模型包括图像信息、基础数据信息、图像的定位信息3大块,如图4所示.将该模型用于文中竹类种质资源图像采集过程，实现竹类图像、GPS、信息、方位、文本等一体的图像表达.

图4 实时定位图像模型

2 实时定位系统设计与实现

实时定位系统由Android采集终端和后台服务器组成,运用Java语言在Eclipse平台上进行开发,包括开发环境的搭建、实时定位图像采集功能的实现等.

2.1 系统设计

该系统的前端应用于Android平台环境下,为研究与开发开源免费及人性化操作的数据采集系统提供了一个好的研发平台,也提供了更为灵活的软件设计空间;后端则使用Leancloud(云服务器),这种开源服务器的使用不仅解决了后端硬件资源的部署和运维工作,还省掉了业务系统的开发和维护成本.系统主要分为3个主要功能模块和3个辅助功能模块,如图5所示.

图5 竹类种质资源数据采集系统功能模块

图像采集实时定位模块主要包括4个子模块:拍照、调用地图SDK、电子罗盘以及GPS定位;获取系统服务中GPS、罗盘服务;设置监听器;获取方位信息.调用ExifInterface类对图像进行操作,并将采集结果存入Leancloud.

图像采集的实时定位过程设计如图6所示,大体上分为两大模块:可视化图片及其基本信息采集和位置方位信息采集.可视化图片信息采集时需要调用智能手机自带的相机去摄取采集地的图片,这时拍摄的照片除了图像本身还有以它为载体的基础数据信息[11-12].

图6 实时定位图像采集过程

2.2 LSUKF算法实现

LSUKF算法的基本思想如下:采用信号与噪声的状态空间模型,利用前一时刻的估计值和现时刻的观测值来更新对状态变量的估计,求出现时刻的估计值,若现时刻的观测值出现跟其他数值相差较大的极端数值,则利用最小平方法消除异常值再进行估计.此算法适合于实时处理和计算机运算.

假设线性时变系统的离散状态方程和观测方程为

X(k)=F(k,k-1)·X(k-1)+
T(k,k-1)·U(k-1)，

(8)

Y(k)=H(k)·X(k)+N(k),

(9)

式中:X(k)和Y(k)分别为k时刻的状态矢量和观测矢量;F(k,k-1)为状态转移矩阵;U(k)为k时刻动态噪声;T(k,k-1)为系统控制矩阵;H(k)为k时刻观测矩阵;N(k)为k时刻观测噪声.则LSUKF算法流程如下:

① 预估计:

X(k|k-1)=F(k,k-1)·X(k-1);

② 计算预估计协方差矩阵:

C(k|k-1)=F(k,k-1)C(k)F(k,k-1)′+

T(k,k-1)Q(k)T(k,k-1)′,

Q(k)=U(k)×U(k)′;

③ 计算Kalman增益矩阵:

K(k)=C(k|k-1)H(k)′[H(k)×

C(k|k-1)H(k)′+R(k)]-1,

R(k)=N(k)×N(k)′;

④ 更新估计:

X(k)～=X(k|k-1)+K(k)[Y(k)-

H(k)X(k|k-1)],

在这一步当观测值有异常时,利用上述最小平方法消除异常值,再进行更新估计,得到现时刻的估计值;

⑤ 计算更新后估计协防差矩阵:

C(k)～=[1-K(k)H(k)]C(k|k-1)[1-

K(k)H(k)]′+K(k)R(k)K(k)′,

X(k+1)=X(k)～,

C(k+1)=C(k)～;

⑥ 令k=k+1,重复以上步骤,预测下一时刻的估计值,直到估计结束.

算法流程图如图7所示.

图7 算法流程图

2.3 测试验证

将LSUKF算法用于COO与GPS结合的实时定位中,去除异常值使定位更加准确,最终实现不再是单一数据源的实时定位图像采集.界面显示有普通、跟随、罗盘3种模式进行切换,点击右上角拍照按钮,采集所需图片数据，如图8所示.

图8 采集系统界面

获取图片成功后,点击右上角上传标识将图片上传至服务器(如图9所示),此时上传的图片内包含有图片位置、方位等信息的集成.

图9 图片获取示意图

3 结 论

文中研究了EXIF数字图像文件格式,完成了图像采集实时定位模型的建立,实现了图像、GPS信息、方位、文本等一体的图像表达.同时还对基于终端和网络的两种移动定位方法进行了研究,对基于实时图像采集的混合移动定位方法提出了优化建议.讨论了如何将图像与定位信息进行整合.通过研究实时定位的常用算法,提出了一种新的改进算法LSUKF,该算法可行性得到了验证,完成了实时定位图像采集系统的整体流程设计与应用,改变了传统落后的采集方式.有待下一步解决的问题是Kalman滤波在实时定位过程中的噪声问题.