无人机跟踪图像清晰仿真

开篇：润墨网以专业的文秘视角，为您筛选了一篇无人机跟踪图像清晰仿真范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

1引言

无人机(unmannedairvehicle，UAV)的研究是一个非常活跃的领域。在无人机对地跟踪系统中，无人机、摄像机和目标三者均在相对运动，目标图像在CCD的成像会出现像移，从而导致了图像的退化。摄像机的仰俯、扭转、焦距的变化以及无人机相对目标的速度、高度，无人机自身的振动，气流环境不平稳是造成图像退化的现实原因。无人机图像跟踪系统中，复原算法的实时性和抗噪声鲁棒性是最主要的。目前国内的研究主要在匀速平飞前向跟踪方面，综合采用机械式、光学式、电子式等补偿方法。此种状态无人机姿态比较稳定，前向运动模糊是最主要的模糊因素。不频繁的无人机姿态变化可以通过补偿来消除。而小型无人机低空盘旋状态下视场范围各点由于远近不同，结果图像上的像移量也是不同的。国内外常用焦平面快门调节、帧转移CCD分区独立像移、移动焦平面像移等技术。但设备的价格与重量限制了其在小型无人机上的运用。所以通过算法的改进以补偿退化还是比较实际的思路。本文就此提出了针对小型无人机盘旋状态清晰化方案。该方案能够满足由于小型无人机盘旋状态造成存在多退化尺寸图像复原的要求。

2平飞状态模型

目标和摄像机的相对运动，导致物体的像从图中虚线围成的区域1的位置移动到实线所围成的阴影区域2的位置，由于CCD感光灵敏度等因素的影响，摄像机在一帧图像上记录了整个移动的过程，产生了图像退化。如图1。线性平移空间不变运动模糊系统的图像退化的频域模型一般可表示为(1)式。 其中，观测到的模糊图像为g，原始图像为f，H是点扩散函数(PointSpreadFunction，PSF)，式中n为加性噪声。如图2。利用退化现象的某种先验知识，建立退化的数学模型，采用相反的过程，可以把已经退化了的图像加以重建。即利用求PSF的逆来恢复图像。在处理运动模糊恢复中，由于点扩散函数未知，一般算法是迭代盲复原算法。但迭代计算量较大。还有非线性算法如模拟退火法算法、神经网络图像复原以及小波变换算法等，但计算量与鲁棒性仍不尽人意。这些方法很难实现小型无人机图像复原的实时性和抗噪声鲁棒性。维纳滤波在最小均方意义上达到最优，其计算量小，抗噪声性较强而比较适合无人机图像系统。小型无人机对地图像系统的工作状态可以分为:①平飞，无人机以水平飞行姿态直线前向追踪;②盘旋，无人机盘旋飞行对静止目标或速度相对较低的目标进行绕圈监视。无人机直线飞行时，理想的图像像移量Δ与飞行速度V飞行高度H摄像机曝光时间t及焦距f关系如下:这些都是空间不变模糊参数。此时理想状态下对应的一维的点扩散函数的长度就是其模糊尺度。一维匀速直线运动的点扩散函数是一个矩形函数:扩。这是典型的线性系统。采用一维维纳滤波能很好恢复高斯噪声环境下的退化图像。在实际工作中，偏航、滚动、仰俯、机身振动、气流等影响在所难免，无人机的姿态多少会受到影响。

这些空间变化模糊因素是随机的。此时退化方向与退化尺度都不再保持不变，点扩散函数很难在不变空间中给出线性表达式。如果仍然用线性的方法处理这种非线性问题，图像很难复原。文献［2］提出了采用Laplacian算子对运动模糊图像进行二阶微分，求微分图像的自相关。自相关图像中数值较大的点可以有效地标示出运动模糊方向。选取其中数值较大的前N个点，利用聚类方法剔除其中少数奇异点。过自相关的中心点每隔5度画一条直线，计算各点到每条直线的距离和;当和最小时，该直线方向即为模糊方向。将估计方向旋转到水平，对其一阶微分，然后求各行的自相关，并各列求和，可以得到一条鉴别曲线。曲线上会出现一对共轭的相关峰。峰间距离等于运动模糊尺度的两倍。估计出这两个相关峰的位置，就得到运动模糊尺度。最后采用维纳滤波算法复原估计图像，得出复原结果。步骤如图3。通常情况下的前向运动，飞行姿态变化是小范围的，其对模糊尺度的影响与前向运动模糊尺度相差一个数量级，可忽略不计。该方法可以在没有较大且持续姿态影响的情况下有效补充维纳滤波。3盘旋状态下的模型分析及处理方案在盘旋状态下，摄像机镜头转向飞机一侧，与机身主轴垂直。此时的图像模糊情况与前向运动模糊的情况不同。镜头主光轴与地面形成夹角，地面上视场范围内的点与光心连线和主光轴夹角不同，则它们在CCD上的像移速度也会出现不同。建立此状态下的模型。假设无人机对地高度为h，飞行速度为VUAV，镜头焦距为f，镜头半视场角为α，镜头仰俯角为β，地面视场区内一点视角为λ。以a端为零度，则视场范围λ∈(0，2α)。如图4。由此可见盘旋运动状态下，像移量随视角单调递减。体现在图像中就是相同方向平行存在不同的像移量。文献［2］的方法对该状态下的处理上不能凑效。

如果把图像分成若干个平行区域，并把连续的像移量离散化，那么在单一区域内，图像的像移量一致，而退化方向就是运动方向。这样就把问题转化成几个小区全球区域内的匀速直线运动的一维点退化函数的复原问题。就可以采用简单的一维维纳滤波分别对各个平行区域进行图像复原。在一幅图像中像移量差别最大的是近端a点和远端c点。对La与Lc取整量化，令由(16)式看出m是由速高比、仰俯角、曝光时间这些飞机自身参数决定。在一帧图像中，这些参数可以认为是固定的。所以一帧图像的拆分宽度m是一定的且是相同的。这样各个平行拆分区域内的一维点扩散函数可以采用一维维纳滤波并行处理。这综上可以得到盘旋状态图像清晰化流程图。如图5。4盘旋状态下的仿真及分析以某小型无人机机载摄像机为例。焦距为90mm，半视场角为3．49°。巡航速度为70～80km/h，相对飞行高度为50～500m。速高比0．038～0．444，取盘旋状态速高比一般值0．28，像元尺寸为7．2μm×7．2μm。设仰俯角为30°，曝光时间为5ms。可以得到a端像移量为7．8，c端像移量为9．6。取整(四舍五入)后相减得到ΔL=2。则离散的像移量为8、9、10。m在固定状态下是定值。所以可以把画面为三个平行部分，各部分内的相移量一致。这样得到三个匀速直线运动点扩散函数与上面三个平行区域对应。然后对各个平行区域进行一维维纳滤波，即可得到图像恢复结果。

图6是实验灰度图像。对其进行模糊化处理得到图7。从图7中可以看到图像的远端与近端的图像退化程度不同。此时对存在不同退化尺寸的图像直接进行维纳滤波会产生一定的振铃效应，例如用二维维纳滤波直接处理得到的仿真图像复原效果很差如图8。图中远端景物细节湮灭，建筑物与街道不能分辨;近端振铃效果明显，小尺寸目标难以辨别。对图7分块后采用一维维纳滤波处理再合并可以得到图9。对比图6与图9可以看出，图像内景物细节得到较好恢复，可判读程度提高。近端复原效果明显，振铃效应不明显，远端可以判别出房屋轮廓、街道、树丛。该方案收到了较好的恢复结果。5结论本文通过分别对小型无人机平飞、盘旋两种工作状态模型深入分析了两者图像退化产生的差异，介绍了PSF估计法在平飞状态下的应用并作出了小型无人机盘旋状态下的清晰化方案。即采用分拆的方法把一幅图像转化为几块匀速直线运动退化图像处理。经过对盘旋状态的仿真，该方案可以较清晰地恢复图像中的细节，提高了图像的可判读性，有一定的应用性。但在实际中无人机姿态的变化是难以避免的，图像退化方向就不会绝对的水平，如果用一维维纳滤波处理二维退化图像，其结果还不是很理想。这有待于在接下来的研究来解决。