一种基于图像处理的舰载无人机识别定位方法设计

张佰顺，张 娜，马晓静

(1.海军潜艇学院，山东 青岛 266199；2.山东大学，山东 青岛 266237)

0 引 言

无人机具有生存能力强、机动性能好、飞行环境要求低等优点，广泛应用于空中侦察、战场监视、远程打击等场合，在现代海军装备中，舰载无人机能够有效避免不必要的人员伤亡[1]。无论民用领域还是军工领域应用均具有广阔前景，随之出现自动起落以及自动执行任务无人机，为了配合无人机自动起落，需要系统配备可供无人机起落的地面站，无人机识别定位技术成了无人机自动精准降落技术的重点所在[2-3]。

本文基于图像处理方法，采用“地对空”的方式捕捉无人机位置，并对无人机进行引导，实现无人机识别定位。其工作流程大致为：地面站摄像头首先采集地面站处背景图片，并对该图片进行相应的处理，待后续提取无人机使用；待无人机进入视野，受到引导请求之后，拍摄无人机图片并进行相应处理，与之前背景差图片作差以提取无人机；将背景差图像应用最大类间方差法进行二值化处理；对该二值化图像进行霍夫变换，将符合条件的点通过霍夫直线变换变换到霍夫空间，对霍夫空间的点进行统计，得到图像空间直线的极坐标表示；对符合条件的极坐标点按正交关系进行分类，剔除无用的点，并进行坐标反变换将极坐标变换成图像空间的直线，通过计算2 条直线相交点来确定无人机在图像中的坐标。该方法将摄像头置于地面站中心，拍摄无人机照片，并识别无人机在图像中的位置，进一步计算无人机相对于地面站的方位与距离，从而达到无人机精准降落的目的。

本文首先介绍背景差原理，并应用此原理将无人机与背景图像分离，然后介绍最大类间方差法及其原理，从原理入手将背景差图像处理成可用于霍夫变换二值化图像。从二值化图像出发，对霍夫直线变换进行详细分析，并将其应用到上述二值化图像，得到检测出无人机中心位置的算法，为无人机的精准降落提供技术基础。

1 无人机图像提取处理

从图像识别入手，将摄像头放置在舰船甲板地面站，通过拍摄无人机方式定位，并以无线通讯方式发送其位置到无人机，作为无人机调节位置的反馈，以达到无人机精准降落目标。背景差法是目前针对运动物体检测的常用方法之一，将2 幅图片抽象为像素矩阵，矩阵元素相减，得到2 个矩阵差分矩阵，即是2 幅图片进入背景图中物体图片。当被检测目标进入背景时，采集到的图像与背景之间便在物体周围产生差值，通过两者作差即可提取出该物体，实现物体与背景分离的目的[4]。

1.1 背景分离预处理

背景差法是对像素作差，要求像素点表征该像素颜色深度信息。由于拍摄到的图片为RGB 三通道BMP 格式图像，因此对图片进行背景作差之前需要将其转化为单通道灰度图[5]。

对于RGB 空间数据，可以通过相应公式将其归一化到灰度空间，常用的灰度值计算公式有：

其中：R为红色数据，G为绿色数据，B为蓝色数据。式（1）为简化的sRGB IEC61966-2.1 [γ =2.20]公式，式（2）为Adobe RGB (1998) [γ=2.20]公式。对于本文系统，由于计算速度的需要，可以将式（2）简化为简单的乘法运算：

进一步，可以将式(3)简化为移位运算：

式中：R为红色数据；G为绿色数据；B代表蓝色数据。由式（4）将RGB 彩色图像处理成灰度图，如图1所示，转化而来的灰度图像会保留原图像色度信息，无人机与背景差异明显，为无人机与背景的分离打下良好基础。

图1 彩色RGB 图像转化为灰度图Fig.1 Convert color RGB image to grayscale

1.2 背景差图像处理

图像阈值自动选取选择使用最大类间方差法。能够很好地保留图像的边缘信息，避免过度分割，分割效果理想。地面站在收到无人机返航请求时会先拍摄一张背景图片。当无人机降落时，地面站会在收到引导请求后拍摄一张无人机在当前视野中的图片，通过对当前图片与背景图片的差分，实现无人机与背景的分离[6]。

1.2.1 最大类间方差法算法原理

对于被检测目标图像I(x,y)前景和背景分割阈值记为T，属于前景像素点数占整幅图像比例记为 ω0，其平均灰度 µ0； 背景像素点数占整幅图像比例为 ω1，其平均灰度为 µ1。 图像的总平均灰度记为µ，类间方差记为g。

假设图像背景较暗，并且图像大小为M×N，图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1，则有:

由此，即可得到计算一幅图像二值化阈值的算法实现。应用该算法处理得到的图片如图2 所示。白色为无人机，黑色为背景。可见，应用OTSU 算法可以正确地实现无人机与背景的分割。

图2 OTSU 算法处理图像Fig.2 OTSU algorithm to process images

2 无人机识别定位

2.1 霍夫直线变换算法原理

霍夫变换(Hough transform)在图像处理中进行特征提取，将图像空间点变换为霍夫空间，并对霍夫空间中点进行累加，累计结果局部最大值将得到一个符合特定形状的集合，霍夫变换目前可用于任意形状物体的识别[7]。

一条直线在笛卡尔坐标系中可由参数斜率和截距(m,b) 表示，在极坐标系下由参数极径和极角 (r,θ) 表示。已知直线在笛卡尔坐标系中的表达式为：

变换到其极坐标系表示：

化简可以得到：r=xcosθ+ysinθ。

对于直角坐标系中的点 (x0,y0) ，可以将通过这个点的一族直线统一定为：

在极坐标系下，每一对 (rθ,θ) 值代表直角坐标系下一条通过点 (x0,y0)的直线。

霍夫变换将图像空间中符合条件的点变换到极坐标系，将极坐标系离散化，通过追踪图像空间每个点对应曲线的交点，交点曲线数目超过阈值，代表参数对 (rθ,θ) 在图像空间中是一条直线。将极坐标 (rθ,θ)代入即可得出原图像中直线，进而将其绘制在原图像中。根据算法原理进行检测图像中直线，霍夫直线检测具体的实现流程如图3 所示。

图3 霍夫直线变换算法实现流程Fig.3 Hough line transform algorithm implementation process

应用霍夫直线变换检测到的直线如图4 所示。

图4 霍夫转换检测到的直线Fig.4 Line detected by Hough transform

图4 为图中最长30 条直线所在位置，全部位于无人机旋翼臂附近，发散情况因旋翼大小及摇摆方向而有所差异，均在可接受范围内。

2.2 无人机位置确定

根据极坐标确定无人机位置，设定一个阈值，若落在该阈值里面的一族直线 θ 值与另一族直线 θ 值相差1/2 个霍夫空间宽度，则可认为这2 族直线正交。舍去阈值之外的 (r,θ)参数对，对阈值之内的2 族参数对(r,θ) 分 别 取 平 均，得 到2 对 参 数 (r1,θ1) 和 (r2,θ2)，分别对应图像空间中一条直线。将该参数对代入便可以得到2 条直线的解析表达式，2 条直线的交点(x0,y0)即无人机中点坐标位置。应用该方法可有效检测无人机坐标，误差范围小，检测精确，可排除噪点干扰[7]。其效果如图5 所示，检测计算中心点与无人机实际中心点基本重合。

图5 霍夫变换得到的无人机中心点Fig.5 The center point of the drone obtained by the Hough transform

3 系统实验测试

本实验采用大疆M100 开发者套件作为目标无人机进行实验测试，其搭载的可扩展飞行平台，可实现外部设备接入，开发方便，稳定性高，为测试提供了稳定的检测目标。摄像头采用罗技C270 摄像头，罗技Fluid Crystal 技术算法可以自动调节帧率、颜色和清晰度等，从而使得拍摄的画面更加清晰。此外，Right-Light 技术可以自动适应光线，使其可以适应户外多变的天气条件，为图像可靠采集提供便利。

本文针对该方法做了不同情况下的实验，测试了其在不同干扰下识别无人机的可靠性。经实验，本文方法可行有效，识别无人机准确可靠，可有效排除杂物干扰，且对天气有一定的适应性。

由图6 可知，图像中云的分布不均匀，且有大块灰色区域，然而背景差方法依然能够准确地提取无人机，且能准确识别。说明该方法对天气情况有一定的适应性，可以保证复杂天气情况下任务的顺利执行。

图6 多云干扰情况下识别无人机Fig.6 Identifying UAVs in cloudy interference

由图7 可知，存在杂物、噪点干扰情况下，图像中存在若干大小不一的噪点以及与无人机大小相似的杂物，虽然背景差无法去除该噪点和杂物，但是霍夫直线变换依然不受其影响，有效、准确地识别出了无人机中心位置。说明该方法对噪点及杂物干扰有较强的适应性，可有效排除噪点干扰，可在大风、脏乱的地方执行无人机降落任务，且准确识别无人机。

图7 噪点干扰情况下识别无人机Fig.7 Identifying drones in the presence of noise interference

由图8 可知，在无人机残缺情况下，该方法依然可以准确识别无人机中心点方位。说明该方法可以在无人机刚进入视野中时便可以锁定无人机，并对无人机进行实时锁定，保证无人机降落准确。

图8 识别残缺无人机Fig.8 Identifying Mutilated Drones

4 结 语

针对舰载无人机精准降落技术—无人机识别定位问题进行研究，提出基于图像处理的地面站摄像头定位法，采用摄像头拍摄无人机并识别的方法定位无人机，然后通过无人机相对于图像中点的方法进行位置调节，达到无人机精准降落的目的。在设计和工作中仍有诸多不足和待研究、改进之处，由于使用了静态背景图像，在极端恶劣天气下可能因为天气变化太大、乌云运动等因素妨碍无人机与背景的分离，导致不能有效识别无人机，从而无法对无人机进行有效引导。需要在后续工作中引入动态背景算法，以提高该方法的适应性，提高无人机精准降落的可靠性。