CN109631912A - 一种深空球形目标被动测距方法 - Google Patents

Abstract

本发明公开了一种深空球形目标被动测距方法，对原始的目标图像进行分割形成二值化的图像；通过游程对分割得到的目标和其它干扰物编码，并剔除干扰物；生成二值化目标图像；计算目标边缘信息，包括坐标和梯度方向；识别阳照区；根据边缘和阳照区信息迭代拟合圆方程；通过实验室已经标定光学观测相机的内方位元素和目标实际尺寸反演观测平台与目标的距离。该方法具备非常强的鲁棒性，对目标内部的孔洞纹理不敏感；对因为光照原因造成目标图像分割碎片化不敏感；对不规则的干扰物不敏感；对因光照导致目标成像背阳面轮廓形变不敏感，且能自动识别阳照面；具备非常高的目标拟合精度，适合快速高精度距离测量。

Description

一种深空球形目标被动测距方法

技术领域

本发明属于航空航天测量领域，具体涉及一种深空球形目标被动测距方法。

背景技术

在深空探测的捕获阶段，以火星为例(赤道半径：3396.2km,两极半径：3376.2km,可近似认为一球体)，需要通过火星图像提取有效的导航信息，其中深空探测平台与火星的距离为一重要的参数，自主导航光学导航中对图像处理算法的要求快速并准确地从光学图像中提取出距离信息。由于深空环境复杂，图像会受到各种干扰，光照条件千变万化，使得提取的目标图像非常不规则，除了目标实际轮廓边缘，还有目标表面的坑洞纹理、背照区的不规则等特征而存在错误的边缘点，这些野值点会严重干扰目标轮廓边缘的拟合，进而很难获得距离信息。

为了解决以上问题，典型的方法包括随机抽样一致性算法(Random SampleConsensue,RANSAC)——随机选择拟合参数，并选择理论数据附近一定范围内的边缘点(内点)作为支集，具有最大支集元素数目的拟合认为是鲁棒拟合；最小中值平方法(LeastMedian of Squares,LMS)，将所有拟合结果的残差中值的极小者作为最优拟合；另一个方法是神经网络算法，通过大规模样本训练达到最优拟合。这些方法虽然简单、能够应对大比例的野值点，但是随机选择抽样和最小中值平方法的参数搜索过程是没有意义的，是无所谓的耗时工作；而神经网络算法需要大规模样本训练，对硬件提出很高的要求。

发明内容

本发明的目的是：提供一种强鲁棒性、运算速度快、精度高、易于硬件实现的已知尺寸的深空球形目标被动测距方法，为深空探测提供一定的导航信息。

本发明采用的技术方案是：一种深空球形目标被动测距方法，通过光学观测相机的光学系统参数标定和校准、对目标进行成像、图像分割、边缘提取、目标阳照区识别、边缘点梯度和与拟合中心距离约束、图形拟合、结合目标先验的尺寸信息反演距离等方法，步骤如下(参见图3)：

步骤1、光学观测相机的光学系统参数标定，包括主点位置和主距；必要时对畸变进行补偿；

步骤2、对目标进行成像，并进行图像分割和边缘提取；

步骤3、初始化目标轮廓点集合为目标二值化提取的所有边缘点Ω₀＝Ω_all，阳照区为平面全集设置拟合圆方程的点集Ω＝Ω₀∩Ω_s，迭代次数k＝0。

步骤4、将拟合圆方程的点集Ω带入拟合的圆方程：

其中，N＝#{(x_i,y_i)∈Ω}为点集Ω的元素数目，(x_i,y_i)分别表示第i个轮廓坐标点的行坐标和列坐标，a,b,c为轮廓拟合圆方程的参数。通过线性拟合算法求解圆参数：

其中，a^*,b^*,c^*为轮廓拟合圆方程的最佳参数。

分别对圆参数变量a,b,c求导数，并令其为零，化简后有：

其中，Σ表示对属于点集Ω的元素进行求和。

对矩阵求逆，得到轮廓拟合圆方程的最佳参数a^*,b^*,c^*：

最后，得到拟合圆圆心半径为

步骤5、如果k>1,关闭阳照区识别步骤，不再更新阳照区参数,转入步骤4；否则按照拟合圆圆心以极坐标形式将探测器平面平均划分为9个区域，即9×40°，取其中连续的2/3范围(2/3×9＝6)覆盖分割得到的目标面积最大的区域作为阳照区，标记为Ω_s，其它为背照区，如图4，标示的120°范围内为背照区。更新拟合圆方程的边缘点坐标集合Ω＝Ω₀∩Ω_s。

步骤6、计算边缘点坐标(x_i,y_i),1≤i≤N，相对于拟合圆圆心(x₀,y₀)的单位指向：

步骤7、假设初始分割以后的二值化图像I_b，背景用数字‘0’进行了标记，阈值以上的部分采用‘1’进行的标记，这包括真实的目标和干扰物。求取二值化图像I_b在边缘点上的梯度单位方向：

其中，I_b(x_i+1,y_i)，I_b(x_i,y_i+1)，I_b(x_i,y_i)分别为二值化图像I_b在坐标点(x_i+1,y_i)，(x_i,y_i+1)，(x_i,y_i)上的数值。

步骤8、判断提取的边缘点为目标真实轮廓的边缘点(参见图5)，需满足以下两个条件：

(a)目标轮廓边缘点分布须在最佳拟合圆圆周附近：

|d_i-r_t|<T_r (6)

其中，T_r为拟合过程野值点一判决阈值，r_t表示当前拟合圆半径，边缘点(x_i,y_i)到拟合圆圆心(x₀,y₀)的欧式距离：

(b)二值化图像I_b在边缘点上的梯度单位方向与边缘点坐标相对于最佳拟合圆圆的单位指向应该接近于180°，或者接近于-1。

其中，T_d为拟合过程野值点另一判决阈值，为边缘点(x_i,y_i)上的梯度单位方向，为(x_i,y_i)相对于拟合圆圆心(x₀,y₀)的单位指向。

如果第i个边缘点(x_i,y_i)，不满足(6)和(7)，视其为野值点，即(x_i,y_i)∈Ω_n，其中野值点集合为Ω_n。如果转入步骤9；否则，更新拟合圆方程的点集Ω＝(Ω\Ω_n)∩Ω_s，迭代次数k＝k+1，转入步骤4。

步骤9、输出拟合圆的半径r_t，通过实验室已经标定的相机内方位元素——焦距f和目标实际半径r₀反演观测平台与目标的距离L＝f*r₀/r_t。

本发明与现有技术相比的优点是：本发明具备非常强的鲁棒性：1)对目标内部的孔洞纹理不敏感；2)对因为光照原因造成目标分割碎片化不敏感；3)对不规则的干扰物不敏感；4)对因光照导致目标成像背阳面轮廓形变不敏感，能自动识别阳照面；5)具备非常高的目标拟合精度，适合快速高精度距离测量。

附图说明

图1为本发明的一种深空球形目标被动测距原理图；

图2为本发明的一种深空球形目标被动测距方法所部署的硬件组成示意图；

图3为本发明的一种深空球形目标被动测距主要计算方法示意图；

图4为本发明的一种深空球形目标被动测距方法中的阳照区标记示意图；

图5为本发明的一种深空球形目标被动测距方法中的判断提取边缘点为真实目标轮廓的相关参量示意图；

图6为本发明的一种深空球形目标被动测距方法的实施流程；

图7为本发明的一种深空球形目标被动测距方法的用于试验的典型的图像处理结果。

具体实施方式

下面结合附图以及具体实施方式进一步说明本发明。

一种深空球形目标被动测距方法，整个被动测距系统包括光学观测相机、主控单元、图像处理单元、电源等。

图1为本发明的一种深空球形目标被动测距原理图。通过对已知尺寸的深空球形目标进行光学成像，采用图像处理方法获取图像在像面上的成像尺寸信息，并根据观测相机光学系统参数和目标实际尺寸反演观测平台与目标的距离。

图2为本发明的一种深空球形目标被动测距方法所部署的硬件组成。整个被动测距系统包括光学观测相机、主控单元、图像处理单元、电源等。测距在方法实现上采用了FPGA+DSP组合的方式进行实现，部署在图像处理单元内，FPGA完成了图像基本图像处理，而DSP完成了边缘提取、圆拟合和测距。

图3为本发明的一种深空球形目标被动测距主要计算方法。包括目标阳照区识别、边缘点梯度和与拟合中心距离约束、图形拟合、距离反演等步骤。

图4为本发明的一种深空球形目标被动测距方法中的阳照区标记示意图。按照拟合圆圆心以极坐标形式将探测器平面平均划分为9个子区域，取其中连续的2/3范围覆盖分割得到的目标面积最大的区域作为阳照区(240°范围)，其他为背照区(120°范围)。

图5为本发明的一种深空球形目标被动测距方法中的判断提取边缘点为真实目标轮廓的相关参量示意图。图中是边缘点坐标(x_i,y_i)，相对于拟合圆圆心(x₀,y₀)的单位指向，为二值化图像在边缘点(x_i,y_i)上的梯度单位方向，d_i为边缘点(x_i,y_i)到拟合圆圆心(x₀,y₀)的欧式距离。

测距采用了FPGA+DSP组合的方式进行实现，部署在图像处理单元内，FPGA完成了图像基本图像处理，包括图像分割、游程编码和游程聚类的工作，而DSP完成了边缘提取、圆拟合和测距(参见图6)。

本发明一种深空球形目标被动测距方法，具体实施分为了以下几个步骤：

步骤1、由于光学观测相机的光学系统设计参数和理论值存在一定的偏差。首先，在实验室采用精密的转台和单星模拟器对光学观测相机的内方位元素(包括焦距、主点和畸变)进行标定，并对畸变进行补偿。

步骤2、对被测目标拍摄图像序列，其中第1帧图像采用图像处理单元的FPGA用于对全帧统计图像的灰度分布信息，并计算图像分割阈值；初始设置目标预测坐标信息(x_0e,y_0e)＝(0,0)，预测半径r_e＝0，速度(v_xe,v_ye)＝(0,0)。

步骤3、第K帧图像(K≥2)的处理：

3.1、在图像处理单元的FPGA内，采用第K-1帧图像计算得到的图像分割阈值T_K-1对第K帧图像进行图像分割，同时进行游程编码信息压缩和游程聚类，并且只保留面积最大的斑块对应的游程编码。全帧统计图像的灰度分布信息，并计算图像分割阈值T_K。

3.2、在图像处理单元的FPGA将游程编码和预测信息发送给图像处理单元的DSP，DSP完成了目标边缘提取。如果检测到预测信息中r_e≠0，初始化目标轮廓点集合为目标二值化提取的所有边缘点Ω₀＝Ω_all，置迭代次数k＝0，转入已知尺寸的深空球形目标被动测距主要计算方法步骤3；否则，转入尺寸的深空球形目标被动测距主要计算方法步骤1(参见图3)。

其中，拟合过程野值点的两个判断阈值分别设置为T_r＝30pixels，T_d＝0.2。

3.3、图像处理单元的DSP通过实验室已经标定的相机内方位元素和目标尺寸反演观测平台与目标的距离，并将目标坐标信息(x₀,y₀)，预测半径r_t，速度(v_x,v_y)发送给图像处理单元的FPGA。

3.4、图像处理单元的FPGA预测目标坐标信息(x_0e,y_0e)、半径r_e和速度(v_xe,v_ye)。将测距相关信息写入压缩图像帧头进行打包下传，并准备接收下一帧图像。

实施例：

针对已知尺寸的气球缩比模型(典型的范例参见图7，观测距离5.9m，太阳模拟器照射采用俯仰角30°，方位角60°方式照射，采集到的图像和相关图像处理结果)，缩比模型直径为20cm，在暗背景下采用的太阳模拟器对模型进行照射以模拟深空环境。光学观测相机焦距f＝70.226mm，口径D＝58.4mm，视场10°×10°，像元尺寸为24um，像元数目为512×512pixels。采用不同相机积分时间(0.3ms、20ms和70ms)、不同照射角度和不同距离(光学系统入瞳到模型中心距离3.9m、4.9m和5.9m)对缩比模型进行观测，测试被动测距系统整机性能。在工程项目实践中，图像处理单元FPGA对单帧图像处理所用时间约3.3ms，图像处理单元DSP对单帧图像处理所用时间不超过5.0ms，能实现帧频为100Hz的高速图像处理。表1总结了气球缩比模型的测距结果，相对误差小于3％。

表1气球缩比模型的测距结果列表

Claims (2)

1.一种深空球形目标被动测距方法，其特征在于：该方法步骤如下：

步骤1、光学观测相机的光学系统参数标定，包括主点位置和主距；

步骤2、对目标进行成像，并进行图像分割和边缘提取；

步骤3、初始化目标轮廓点集合为目标二值化提取的所有边缘点Ω₀＝Ω_all，阳照区为平面全集设置拟合圆方程的点集Ω＝Ω₀∩Ω_s，迭代次数k＝0；

步骤4、将拟合圆方程的点集Ω带入拟合的圆方程：

其中，N＝#{(x_i,y_i)∈Ω}为点集Ω的元素数目，(x_i,y_i)分别表示第i个轮廓坐标点的行坐标和列坐标，a,b,c为轮廓拟合圆方程的参数，通过线性拟合算法求解圆参数：

其中，a^*,b^*,c^*为轮廓拟合圆方程的最佳参数；

分别对圆参数变量a,b,c求导数，并令其为零，化简写为矩阵形式：

其中，Σ表示对属于点集Ω的元素进行求和；

对矩阵求逆，得到轮廓拟合圆方程的最佳参数a^*,b^*,c^*：

最后，得到拟合圆的圆心半径为

步骤5、如果k>1,关闭阳照区识别步骤，不再更新阳照区参数，转入步骤4；否则按照拟合圆圆心以极坐标形式将探测器平面平均划分为9个区域，即9×40°，取其中连续的2/3范围覆盖分割得到的目标面积最大的区域作为阳照区，标记为Ω_s，其它为背照区，更新拟合圆方程的边缘点坐标集合Ω＝Ω₀∩Ω_s；

步骤6、计算边缘点坐标(x_i,y_i),1≤i≤N，相对于拟合圆圆心(x₀,y₀)的单位指向：

步骤7、假设初始分割以后的二值化图像I_b，背景用数字‘0’进行了标记，阈值以上的部分采用‘1’进行的标记，这包括真实的目标和干扰物，求取二值化图像I_b在边缘点上的梯度单位方向：

其中，I_b(x_i+1,y_i)，I_b(x_i,y_i+1)，I_b(x_i,y_i)分别为二值化图像I_b在坐标点(x_i+1,y_i)，(x_i,y_i+1)，(x_i,y_i)上的数值；

步骤8、判断提取的边缘点为目标真实轮廓的边缘点，需满足以下两个条件：

(a)目标轮廓边缘点分布须在最佳拟合圆圆周附近：

|d_i-r_t|<T_r (6)

其中，T_r为拟合过程野值点一判决阈值，r_t表示当前拟合圆半径，边缘点(x_i,y_i)到拟合圆圆心(x₀,y₀)的欧式距离：

(b)二值化图像I_b在边缘点上的梯度单位方向与边缘点坐标相对于最佳拟合圆圆的单位指向应该接近于180°，或者内积接近于-1，

其中，T_d为拟合过程野值点另一判决阈值，为边缘点(x_i,y_i)上的梯度单位方向，为(x_i,y_i)相对于拟合圆圆心(x₀,y₀)的单位指向；

如果第i个边缘点(x_i,y_i)，不满足(6)和(7)，视其为野值点，即(x_i,y_i)∈Ω_n，其中野值点集合为Ω_n，如果转入步骤9；否则，更新拟合圆方程的点集Ω＝(Ω\Ω_n)∩Ω_s，迭代次数k＝k+1，转入步骤4；

步骤9、输出拟合圆的半径r_t，通过实验室已经标定的相机内方位元素——焦距f和目标实际半径r₀反演观测平台与目标的距离L＝f*r₀/r_t。

2.根据权利要求1所述的深空球形目标被动测距方法，其特征在于：步骤1中必要时对畸变进行补偿。