CN101793530B - 一种测试光纤陀螺去耦系数的测试方法 - Google Patents

Abstract

一种测试光纤陀螺去耦系数的测试方法，测试设备包括：激光器、测试装置、转台运动采集卡、485接口、数据分析系统、图像采集卡、高速摄像机、投影屏幕；测试方法为，根据激光器发射出的激光照射到被测设备后产生反射，反射光在幕布上形成极小圆斑，高速摄像机实时获取光斑在幕布上的运动轨迹图像，并将图像传输到计算机数据分析系统；当被测设备在方位、俯仰轴产生运动时，光斑在幕布上形成与被测设备运动参数及运动精度相对应的运动轨迹，计算机分析系统通过对获取的高速图像序列中的光斑进行分割、识别和跟踪，在时间方向上对圆斑的运动曲线进行拟合，然后基于拟合曲线计算出运动信息。本发明操作方便简单，有效地克服了传统方法的缺点。

Description

一种测试光纤陀螺去耦系数的测试方法

技术领域

本发明涉及测试光纤陀螺去耦系数的设备及动态测试方法，具体为一种通过高速图像采集，图像运动目标识别，目标跟踪来测试光纤陀螺去耦系数的设备及测试方法。

背景技术

光纤陀螺是一种惯性导航系统的核心器件，决定了惯性系统的工作精度。随着科学技术的进步，低成本、小体积、低功耗的光纤陀螺已广泛应用于微型系统及战术武器的制导系统中，是重要的低精度角速度传感器。

传统的方法是使用刻度尺手工测量光纤陀螺闭环前后转动的的位移值，去耦精度等于光纤陀螺闭环前后位移值的比值。传统的光纤陀螺去耦系数测量方法测量精度差，是一种静态近似测量方法，不能测量出光纤陀螺工作过程中的瞬时去耦精度。因此，十分有必要提出一种新的测量方法和测量手段。

发明内容

本发明所解决的技术问题在于：提供一种动态测试光纤陀螺去耦系数的设备及测试方法，以解决背景技术中的问题。

本发明所解决的技术问题采用以下技术方案来实现：

一种测试光纤陀螺去耦系数的设备，包括：激光器、测试装置、转台运动采集卡、485接口、数据分析系统、图像采集卡、高速摄像机、投影屏幕，所述的测试装置通过转台运动采集卡、485接口连接数据分析系统，数据分析系统连接图像采集卡，图像采集卡连接高速摄像机。

在本发明中，所述的激光器的作用是产生激光小亮斑，系统通过该亮斑来测量被测光纤陀螺的运动运动状态和运动轨迹，利用激光发射装置发出单色激光形成室内模拟目标，用来检测光纤陀螺的性能。激光具有很强的方向性，其发散角很小，在室内几米距离内可以忽略不计，即可用来替代平行光管发出的平行光。同时作为一种单色光，采用激光器可以通过光谱滤波与复杂的实验室背景有效地区别开来，提高激光斑点的位置测量精度。

在本发明中，所述的高速摄像机的功能是实时获取屏幕上光斑的运动参数及运动轨迹，采用高速工业CCD摄像机技术。

在本发明中，所述的图像采集卡的作用是对来自高速摄像机的图像进行A/D采集，使获取的图像转换为计算机可处理和存贮的数字图像。

在本发明中，所述的485接口完成光纤陀螺信号采集和传输，在高精密伺服转台上安装两个光纤陀螺，分别用来获取伺服转台的方位和俯仰信息。该部分硬件主要包括两部分，即①光纤陀螺信号的采集与发送、②接收光纤陀螺数据的PCI卡。

在本发明中，所述的数据分析系统模块：实现人机交互界面，对系统各模块进行工作模式的设置；实时接收到测试系统前端送来的高速数据后，首先完成高速接收和实时记录，然后基于记录的数据，实现光纤陀螺去耦指标的测量与分析。

一种测试光纤陀螺去耦系数的方法，激光器发射出的激光照射到被测设备后产生反射，反射光在幕布上形成极小圆斑，高速摄像机实时获取光斑在幕布上的运动轨迹图像，并将图像传输到计算机数据分析系统；当被测设备在方位、俯仰轴产生运动时，光斑在幕布上形成与被测设备运动参数及运动精度相对应的运动轨迹，计算机分析系统通过对获取的高速图像序列中的光斑进行分割、识别和跟踪，在时间方向上对圆斑的运动曲线进行拟合，然后基于拟合曲线计算出运动信息。结合转台运动信息，计算出各种待测光纤陀螺的性能参数。

(1)光斑目标自动识别与连续跟踪

基于本项目的设计原理和设计思想，我们设计了如下所示的光斑目标自动识别与跟踪技术方案：

含光斑的CCD图像-----图像预处理----图像分割---象素聚类---目标识别---目标跟踪----轨迹拟合---光斑运动轨迹曲线

(2)图像预处理

图像预处理模块的功能是对所获取的红外图像进行图像增强处理，达到抑制噪声，增强目标的目的，便于后续的图像分割处理，为了保证处理的实时性，算法应简单高效，因此，这里拟采用“+”形中值滤波方法。

中值滤波器(median filter，MF)是基于次序统计完成信号恢复的一种典型的非线性滤波器。其运算简单速度快，在滤除噪声(尤其是脉冲噪声)的同时能很好地保护信号的细节信息(例如，边缘、锐角等)。另外，中值滤波器很容易自适应化，从而可以进一步提高其滤波特性，所以非常适用于一些线性滤波器无法胜任的数字图像应用场合。但是，当滤波半径变大时，其所需要的存贮量和计算量显著扩大。为此，我们对其进行简化，只让通过滤波窗口中心的水平和垂直两条直线上的象素参与运算，从而形成“+”形中值滤波器。由于图像背景往往是强相关的，这一简化对滤波器的效果影响较小。

设f(i，j)为输入图像中的某象素的灰度值，采用“+”形中值滤波器滤波后图像中相应象素的灰度值y(i，j)为

y(i，j)＝f(i，j)-f′(i，j)

其中f′(i，j)为窗口内灰度值的中值，

f′(i，j)＝med{f(i-N，j)，Λ，f(i，j)，Λ，f(i+N，j)；f(i，j-N)，Λ，f(i，j)，Λ，f(i，j+N)}

N为滤波半径，med{·}为取中值运算。

(3)自适应目标分割技术

经过去噪预处理后，接下来的任务是从中分割出可能的目标像素点。由于光斑目标与背景的对比度较高，且一般是均匀背景，所以本方案采用的是基于全局图像统计特性通过图像均值和方差的自适应门限分割算法。

设输入图像为f_H(i，j，k)，门限处理后的图像为g(i，j，k)，门限值为Th(k)，则有

$g(i,j,k)=\left\{\begin{array}{cc}{f}_H(i,j,k)& f_H(i,j,k)\≥\mathrm{Th}\left(k\right)\\ 0& f_H(i,j,k)\mathrm{\πTh}\left(k\right)\end{array}\right.$

式中，Th(k)是随序列图像的变化而自适应的改变。即：

Th(k)＝mean(k)+λ×var(k)

其中，λ为权值，一般取3～5。mean(k)，var(k)分别表示第k帧去噪后的图像灰度均值和方差，设输入图像的大小为N₁×N₂，则图像均值和方差可表示为：

$\mathrm{mean}\left(k\right)=\frac{1}{N_1\×N_2}\underset{i=0}{\overset{N_1-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N_2-1}{\mathrm{\Σ}}}\left(f_H(i,j,k)\right)$

$\mathrm{var}\left(k\right)=\frac{1}{N_1\×N_2}\underset{i=0}{\overset{N_1-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N_2-1}{\mathrm{\Σ}}}{[f_H(i,j,k)-\mathrm{mean}\left(k\right)]}^2$

经门限阀值处理后，得到一去除背景干扰和噪声的目标图像。这时，可能是目标的象素点保留其灰度值，其余点的灰度置为零。

(4)目标识别技术

目标识别方法很多，各有特点。如分层的曼哈顿最小距离方法具有较高的识别概率，梯度神经网络法允许有较大的特征误差范围。本方案考虑到系统的实时性，采用经典的特征匹配分类法来对各光斑目标进行识别。即根据目标各特征量在时间和空间上的连续性，采用特征匹配分类法将孤立的和非连续性的目标剔除掉，最后保留图像序列中的光斑目标。

在本方案中，我们选择如下的光斑识别用特征：潜在目标区域的面积、潜在目标区域的圆度、潜在目标区域的质心坐标、潜在目标区域平均灰度值、潜在目标区域帧间运动速度、潜在目标区域对比度。

(5)光斑目标连续跟踪技术

激光器发射出的激光照射到被测设备后产生反射，反射光在幕布上形成一小圆斑，该圆斑为小目标或者斑点目标，因此，在光斑目标的跟踪可以采用自适应质心跟踪法。该跟踪方法在我们以往的项目中得到了广泛的应用，其特点是：适用于小目标、斑点目标跟踪，跟踪精度极高，能达到亚象元(0.5)量级，跟踪窗口的尺寸可根据激光光斑在屏幕上的成像大小事先设定，如图7：

目标质心估计由下式计算：

${\hat{x}}_c=\frac{\mathrm{\Σ}{f}_1(i,j,k)\·i}{\mathrm{\Σ}{f}_1(i,j,k)}$ ${\hat{y}}_c=\frac{\mathrm{\Σ}{f}_1(i,j,k)\·j}{\mathrm{\Σ}{f}_1(i,j,k)}$

其中，f₁(i，j，k)为预处理后的图像，求和运算是在整个跟踪窗口内进行。

目标是激光器产生的激光照射到被测设备上的镜面上在屏上产生的光斑，运动轨迹可以自行设定，采用本方法的目标分割和识别方法获得目标的位置初值，描绘其真实运动轨迹，目标开始在图像平面上做匀速运动，之后逐渐加速并改变其运动方向试图逃逸探测视场，采用自适应目标跟踪方法得到的目标位置估计值(x，y)与真实值的比较。

有益效果：

本发明不但能够动态测试光纤陀螺瞬时去耦系数，而且操作方便简单，有效地克服了传统方法的缺点。

附图说明

图1为本发明的装置组成示意图；

图2为本发明的四滚轮装置的左视图；

图3为本发明光斑自适应分割和连续跟踪图；

图4本发明光斑目标运动轨迹；

图5本发明光斑x方向位置估计值(虚线)和真值(实线)；

图6本发明光斑y方向位置估计值(虚线)和真值(实线)；

图7本发明激光光斑在屏幕上的成像大小设定原理图；

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。

一种测试光纤陀螺去耦系数的设备，包括：激光器1、测试装置2、转台运动采集卡3、485接口4、数据分析系统5、图像采集卡6、高速摄像机7、投影屏幕8，所述的测试装置2连接转台运动采集卡3，转台运动采集卡3连接485接口4，485接口4连接数据分析系统5，数据分析系统5连接图像采集卡6，图像采集卡6连接高速摄像机7。

将被测光纤陀螺放进测试装置2，激光器1发射出的激光照射到被测光纤陀螺后产生反射，反射光在投影屏幕8上形成极小圆斑，高速摄像机7实时获取光斑在投影屏幕8上的运动轨迹图像，并将图像传输到计算机数据分析系统5；当被测设备在方位、俯仰轴产生运动时，光斑在投影屏幕8上形成与被测设备运动参数及运动精度相对应的运动轨迹，数据分析系统5通过对获取的高速图像序列中的光斑进行分割、识别和跟踪，在时间方向上对圆斑的运动曲线进行拟合，然后基于拟合曲线计算出运动信息。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种测试光纤陀螺去耦系数的测试方法，其设备包括：激光器、测试装置、转台运动采集卡、485接口、数据分析系统、图像采集卡、高速摄像机、投影屏幕，其特征在于，根据所述的激光器发射出的激光照射到被测设备后产生反射，反射光在幕布上形成极小圆斑，高速摄像机实时获取光斑在幕布上的运动轨迹图像，并将图像传输到计算机数据分析系统，当被测设备在方位、俯仰轴产生运动时，光斑在幕布上形成与被测设备运动参数及运动精度相对应的运动轨迹，计算机分析系统通过对获取的高速图像序列中的光斑进行分割、识别和跟踪，在时间方向上对圆斑的运动曲线进行拟合，然后基于拟合曲线计算出运动信息，结合转台运动信息，计算出各种待测光纤陀螺的性能参数，本方法包括以下主要步骤：

(1)光斑目标自动识别与连续跟踪：设计光斑目标自动识别与跟踪技术方案；

(2)图像预处理：对所获取的红外图像进行图像增强处理，达到抑制噪声，增强目标的目的，便于后续的图像分割处理，为了保证处理的实时性，算法应简单高效，这里拟采用“+”形中值滤波方法；

设f(i，j)为输入图像中的某象素的灰度值，采用“+”形中值滤波器滤波后图像中相应象素的灰度值y(i，j)为

y(i，j)＝f(i，j)-f′(i，j)

其中f′(i，j)为窗口内灰度值的中值，

f′(i，j)＝med{f(i-N，j)，Λ，f(i，j)，Λ，f(i+N，j)；f(i，j-N)，Λ，f(i，j)，Λ，f(i，j+N)}

N为滤波半径，med{·}为取中值运算；

(3)自适应目标分割，经过去噪预处理后，接下来的任务是从中分割出可能的目标像素点，由于光斑目标与背景的对比度较高，且一般是均匀背景，所以本方案采用的是基于全局图像统计特性通过图像均值和方差的自适应门限分割算法，

设输入图像为f_H(i，j，k)，门限处理后的图像为g(i，j，k)，门限值为Th(k)，则有

$g(i,j,k)=\left\{\begin{array}{cc}{f}_H(i,j,k)& f_H(i,j,k)\≥\mathrm{Th}\left(k\right)\\ 0& f_H(i,j,k)\mathrm{\πTh}\left(k\right)\end{array}\right.$

式中，Th(k)是随序列图像的变化而自适应的改变，即：

Th(k)＝mean(k)+λ×var(k)

其中，λ为权值，一般取λ＝3～5分别表示第k帧去噪后的图像灰度均值和方差，设输入图像的大小为N₁×N₂，则图像均值和方差可表示为：

$\mathrm{mean}\left(k\right)=\frac{1}{N_1\×N_2}\underset{i=0}{\overset{N_1-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N_2-1}{\mathrm{\Σ}}}\left(f_H(i,j,k)\right)$

$\mathrm{var}\left(k\right)=\frac{1}{N_1\×N_2}\underset{i=0}{\overset{N_1-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N_2-1}{\mathrm{\Σ}}}{[f_H(i,j,k)-\mathrm{mean}\left(k\right)]}^2$

(4)目标识别技术，选择如下的光斑识别用特征：潜在目标区域的面积、潜在目标区域的圆度、潜在目标区域的质心坐标、潜在目标区域平均灰度值、潜在目标区域帧间运动速度、潜在目标区域对比度；

(5)光斑目标连续跟踪，激光器发射出的激光照射到被测设备后产生反射，反射光在幕布上形成一小圆斑，该圆斑为小目标或者斑点目标，在光斑目标的跟踪可以采用自适应质心跟踪法，

目标质心估计由下式计算：

${\hat{x}}_c=\frac{\mathrm{\Σ}{f}_1(i,j,k)\·i}{\mathrm{\Σ}{f}_1(i,j,k)}$ ${\hat{y}}_c=\frac{\mathrm{\Σ}{f}_1(i,j,k)\·j}{\mathrm{\Σ}{f}_1(i,j,k)}$

表示目标质心x坐标估计值，

表示目标质心y坐标估计值

f₁(i，j，k)为预处理后的图像，求和运算是在整个跟踪窗口内进行，目标是激光器产生的激光照射到被测设备上的镜面上在屏上产生的光斑，运动轨迹可以自行设定，采用本方法的目标分割和识别方法获得目标的位置初值，描绘其真实运动轨迹，目标开始在图像平面上做匀速运动，之后逐渐加速并改变其运动方向试图逃逸探测视场，采用自适应目标跟踪方法得到的目标位置估计值(x，y)与真实值的比较进而得出结果。

Images