0 引言

    空間交會對接近距離段通常采用視覺圖像處理的方法實現(xiàn)追蹤航天器與目標航天器之間的位姿測量。一般情況下，追蹤航天器上安裝有視覺傳感器（攝像機）和位姿測量系統(tǒng)，目標航天器上安裝有特征靶標。交會對接過程中，需實時獲取視覺傳感器與特征靶標之間的位姿關系，進而轉(zhuǎn)換為目標航天器與追蹤航天器之間的位姿關系，并以此作為追蹤航天器中伺服系統(tǒng)的輸入端，及時調(diào)整其運動軌跡^[1-3]。因此，位姿測量系統(tǒng)的測量精度和測量效率直接影響著整個對接系統(tǒng)的控制精度和效率，其重要性顯而易見；而目標航天器上特征靶標的準確、快速識別又是實時位姿測量的前提條件。

    目前，美國、日本和中國均已實現(xiàn)航天器之間交會對接過程。美國航天局使用兩種不同波長的激光照射特征靶標，根據(jù)靶標對不同波長激光束反射情況的區(qū)別確定前景和背景圖像，從而識別標識點，該方案的靶標制作較復雜，實現(xiàn)難度較大。日本通常采集不同顏色的標識燈圖像，識別特征點，實現(xiàn)了視覺測量，但該方法受光照等影響較大。中國天宮與神舟飛船對接時采用十字靶標，靠人眼觀測為主的方式完成了對接過程，對接過程自動化程度不高，效率較低。

    視覺測量或跟蹤系統(tǒng)中用于檢測目標的圖像處理算法是計算成本最高的算法之一。其對精度和效率的要求均較高，是影響后續(xù)位姿測量精度和效率的關鍵因素之一。本文提出一種簡單特征靶標的快速識別方法，本方案在不影響特征靶標識別精度的前提下，簡化了圖像處理過程，極大程度提升了算法的運行效率。

1 特征靶標確定

    為實現(xiàn)特征靶標的快速、準確地識別，要求安裝于目標航天器上的靶標的設計應盡可能簡單，便于快速識別。文獻[4]中CATRELL L B等人在1991年提出采用顏色鮮明的同心圓環(huán)作為檢測目標物，提取同心圓環(huán)的圓心信息作為特征點。因同心圓環(huán)具有如下重要特性：圓環(huán)的圓心不會隨著圖像旋轉(zhuǎn)和變換而改變；圓環(huán)的面積和其內(nèi)部的面積比例不會隨著圖像的旋轉(zhuǎn)而變換；通過檢測同心圓環(huán)輪廓和面積，可以確定相應的圓心。借鑒該文的方法，本文將目標圓環(huán)作為特征靶標，圓環(huán)圓心作為特征點。

    在位姿測量系統(tǒng)中，若已知目標靶標圖像坐標，依據(jù)相機成像模型求解目標與相機之間的位姿關系，是典型的PNP(Perspective N Points)問題。文獻[5]研究發(fā)現(xiàn)，PNP問題中，若已知4個共面的點，且任意3點不在一條直線上，能確定視覺傳感器相對特征靶標之間唯一的位姿關系，從而得到兩航天器之間的位姿關系。

    綜上，特征靶標確定為4個共面同心圓環(huán)。為了區(qū)分各個特征點之間的位置關系，同心圓環(huán)的內(nèi)環(huán)直徑大小不一，中心對稱，如圖1所示。特征靶標的尺寸可配合視覺傳感器的參數(shù)按比例放縮。

2 特征靶標識別

    特征靶標識別過程主要包括三部分：圖像分割、輪廓提取、識別圓環(huán)提取圓心坐標。

2.1 圖像分割

    圖像分割就是結(jié)合圖像的特征通過某種方法確定一個合理的閾值，對圖像的像素點進行分類，實現(xiàn)目標與背景之間的分離，該過程可簡化后續(xù)圖像分割和特征提取的數(shù)據(jù)計算量^[6]。

    通常圖像中目標信息眾多，如何合理地確定一個閾值，將關鍵目標信息從背景中分離尤為重要。閾值的確定通常有兩種方法：自適應閾值法和全局閾值法。自適應閾值法將整個圖像細分為一定大小的區(qū)域，單獨計算每個區(qū)域的閾值。該方法對光照不均勻、背景灰度變換很大或者突然的噪聲都能取得很好的效果，但是算法復雜，處理所需的時間較多，一般不適合位姿測量這類實時系統(tǒng)。

    全局閾值法是指用固定閾值對圖像中所有像素點進行分類。固定閾值法實現(xiàn)過程簡單，但其對不同的圖片往往會取得不同的效果，在視覺測量過程中，當光照或拍攝角度以及距離變化時，即使是拍攝同一個物體，其灰度變化也會很大。

    綜合考慮圖像分割的效果和算法花費時間，采用最大類間方差法(Otsu)進行閾值分割，該方法將圖像像素分為兩類，計算兩類之間的方差，選取方差最大時相應的灰度值作為閾值，在目標物和背景灰度差較大的情況下效果較好^[7]。該方法的計算原理如下：

    假設圖像大小為M×N，圖像上像素點的坐標為(i，j)，相應地其灰度值可用f(i，j)表示。p(k)表示整幅圖像中灰度值為k的點出現(xiàn)的頻率，則p(k)可用式(1)表示。

    假設理想的閾值為t，整個閾值范圍為0～m-1，目標部分可表示為{f(i，j)≤t}，背景部分可表示為{f(i，j)>t}。w₀(t)為目標部分占整幅圖像的比例，N₀(t)為目標部分的點數(shù)，則有：

    用該方法進行圖像分割時，需要先計算閾值，再根據(jù)計算的閾值對圖像進行分割，這兩步分別要遍歷一次圖像，頻繁地遍歷圖像，會降低算法運行效率。本應用環(huán)境中系統(tǒng)圖像采集過程中相鄰兩幀間的時間間隔較短，前后幀圖像差別很小，閾值相差也會很小。結(jié)合算法的應用環(huán)境，本文對該過程進行如下改進：圖像分割過程中，采用上一幀計算好的閾值進行分割，同時對這幀圖像計算閾值，這樣僅需遍歷一次圖像同時進行計算閾值和二值化，即計算閾值與二值化邏輯并行。對于第一幀數(shù)據(jù)，圖像二值化時沒有已經(jīng)計算好的閾值，此時可將第一幀的閾值設置為一個常數(shù)。這可能造成接入相機后，第一幀的處理結(jié)果不理想，但對后續(xù)的采集和計算沒有影響。

    為測試處理效果，選用圖2進行實驗，采用改進后的最大類間方差法進行閾值分割，得到的效果對比如圖3所示。

2.2 輪廓提取

    為識別同心圓環(huán)中心坐標，需檢測圖像邊緣輪廓。計算機中根據(jù)前后兩像素灰度是否發(fā)生跳變判斷該處是否為圖像邊緣。Canny算子為邊緣檢測中最常用方法，實現(xiàn)效果也相對較好^[8]。本文先選用Canny算子對圖像進行邊界檢測，其效果如圖4所示。從圖可以看出，檢測出來的除了邊界線外，還包含很多小邊界，這些小邊界對圖像中圓邊界的識別幾乎不會有影響，但是在運行中大量時間會浪費在處理這些小邊界上。

    邊緣檢測的目的是為輪廓提取做準備的。由圖4可以看出，提取的輪廓通常是非閉合的，而且檢測時間較長。由于特征靶標是圓環(huán)形狀連通域，為了簡化算法，本文提出對分割后的圖像直接提取閉合輪廓。

    首先，確定第一個邊界點。從圖像像素坐標系的坐標原點開始，先沿Y軸方向，再沿X軸方向，依次掃描像素點，找到第一個目標點E₀，E₀是離原點最近的邊界點。定義一個方向變量dir，用于記錄上一個邊界點移動到這一個邊界點過程中的方向。4連通區(qū)域dir可取0、1、2、3這4個值，8連通區(qū)域dir可取0、1、…、7這8個值。其方向變化如圖5所示，dir=0為水平向右的方向，沿逆時針方向dir的值依次增加。

    然后，計算搜索方向。確定目標點后，以逆時針方向掃描目標像素點的3×3鄰域。搜索過程中，與目標像素點灰度值相同的第一個像素點更新為新邊界E₀，dir的方向隨之更新，其更新的原則是將其逆時針旋轉(zhuǎn)90°。

    最后，確定所有邊界點。按照上述方法依次搜索所有邊界點，直到當前點等于第二個邊界點，且當前點的前一個邊界點等于第一個邊界點，停止搜索。根據(jù)該搜索準則，從圖像的左上角到圖像的右下角遍歷一遍圖像，將搜素到所有輪廓數(shù)據(jù)存儲到相應的數(shù)據(jù)結(jié)構(gòu)中，搜索完成后，可獲得圖像全部輪廓數(shù)據(jù)。

    該方法獲取的是目標圖像的內(nèi)邊界，對于圖像中的孔洞結(jié)構(gòu)，還需要采用駐點掏空的方法剔除內(nèi)部點，得到邊緣輪廓。如得到的目標圖像中有一點像素值為0，且它的8連通域的像素值都為0，則說明該點為內(nèi)部黑點，可將其濾除。對所有目標圖像像素點執(zhí)行上述操作，便可得到如圖6所示的閉合輪廓效果圖。由圖6可以看出，直接搜到輪廓可以有效剔除非連續(xù)的細小邊緣，得到目標圖像的關鍵輪廓。

2.3 識別圓提取圓心

    從圖6可以看到，提取的閉合輪廓總數(shù)還是很多的，因此，須先剔除非圓輪廓。

由圓的性質(zhì)可知：半徑為r圓的面積S和周長C存在著如式(10)所示的比例關系，通過該公式可確定某一輪廓是否為圓。但提取的輪廓存在噪聲點，不會嚴格滿足該式，因此，需將該比例關系設置為一個范圍。通過大量實驗測試發(fā)現(xiàn)，式(10)中比例關系在0.8～1.2范圍內(nèi)能較準確識別到目標圓。

    準確識別出圓輪廓后，需要對圓輪廓進行擬合，進一步計算圓心。圓擬合在視覺圖像處理和識別中有著廣泛應用價值。圓擬合最小二乘法圓曲線擬合是最常用的圓擬合方法，該方法求解速度快、易實現(xiàn)。最小二乘法的求解過程可理解為，按某種規(guī)律尋找一組數(shù)據(jù)的最佳匹配，求得的匹配數(shù)據(jù)與該組數(shù)據(jù)間誤差的平方和盡可能小。對于圓輪廓擬合過程即為尋找與圓輪廓上像素點最匹配的圓方程表達式。圓擬合后的效果如圖7所示。

    圖7表明，該方法能準確提取特征圓心，擬合效果較好。上述特征點提取算法流程如圖8所示。

3 特征靶標提取算法評價試驗

    本系統(tǒng)中圖像采集模塊采用Pixoel公司型號為UI-1540SE的COMS相機，采集到的圖像為1 280像素×1 024像素的灰度圖片，像元尺寸為5.2 μm。在Visual studio 2010軟件平臺中，從0.5~2 m距離采集特征靶標圖案的圖像信息進行運算，均成功實現(xiàn)對靶標圖案的提取。

3.1 重復性

    為驗證算法的穩(wěn)定性，本測量中對同一測量點重復測量10次，獲得4個同心圓環(huán)圓心數(shù)據(jù)，對其求平均和計算標準差后的結(jié)果如表1所示。

    整個測量過程中特征點提取重復性誤差不超過0.2像素，標準差不大于0.1像素。

3.2 準確性

    采用CAD繪圖軟件繪制上述靶標圖案，并標出同心圓環(huán)圓形，以此作為標準中心坐標。在處理后的圖像中標注圖像識別提取的中心，用畫圖軟件將處理后的圖像放至最大，對比提取中心與標準中心的差。在0.5~2 m范圍內(nèi)，每間隔0.5 m采集靶標圖案信息進行處理，并與標準中心進行對比之后，X方向和Y方向上的坐標誤差均小于1像素。

3.3 算法效率分析

    本文在圖像處理過程中重點關注了各種方法對特征靶標識別效率的影響，并對相關算法進行了改進和優(yōu)化。采用圖1比較優(yōu)化前后的效率。算法各部分運行平均時間如表2所示。

    本算法在如圖1所示這類簡單背景下平均每秒可以處理20幀圖像，在如圖2所示這類復雜背景下平均每秒也至少可以處理10幀圖像，完全滿足空間對接系統(tǒng)應用中對算法實時性的要求。

4 結(jié)論

    本文作為空間對接中位姿測量系統(tǒng)研究中的一部分，基于一種簡單的特征靶標，優(yōu)化了特征靶標提取算法，在保證算法精度和穩(wěn)定性的前提下，極大程度上提升了算法的效率，為后期空間對接過程中位姿測量打下了良好的基礎。

參考文獻

[1] 朱仁璋，王鴻芳，徐宇杰，等.從ETS-Ⅶ到HTV——日本交會對接/停靠技術研究[J].航天器工程，2011(4)：6-31.

[2] 鄭永煌.空間交會對接技術[J].自然雜志，2011，33(6)：311-314.

[3] 王向軍，曹雨，周凱.二維合作目標的單相機空間位姿測量方法[J].光學精密工程，2017(1)：274-280.

[4] GATRELL L B，HOFF W A，SKLAIR C W.Robust image features: concentric contrasting circles and their image extraction[C].Proceedings of SPIE 1612，Cooperative Intelligent Robotics in Space II，1992.

[5] 胡占義，雷成，吳福朝.關于P4P問題的一點討論[J].自動化學報，2001，27(6)：770-776.

[6] 趙健，高軍，羅超，等.基于數(shù)字圖像處理的玻璃缺陷在線檢測系統(tǒng)[J].電子技術應用，2013，39(12)：90-92.

[7] 殷蘇民，朱錦萍，王祖聲，等.基于頂帽變換和最大類間方差法的圖像分割方法研究[J].科學技術與工程，2014，14(7)：60-64.

[8] 馬艷，張治輝.幾種邊緣檢測算子的比較[J].工礦自動化，2004(1)：54-56.

作者信息:

羅小依1，張莉君2，賀曉斌1，張  琴1，施英瑩1，徐燕銘1

(1.上海航天設備制造總廠有限公司，上海200245；2.中國地質(zhì)大學(武漢)，湖北 武漢430070)