雷达定位盲区动态目标测距技术研究.doc

1、硕士学位论文 雷达定位盲区动态目标测距技术研究 学科名称：控制科学与工程 硕士学位论文 II 摘 要 雷达定位盲区是指雷达波最小作用距离以内的区域，脉冲雷达系统的组成与测距 原理导致了盲区的存在，不同雷达的盲区范围不同，主要取决于雷达的性能，一般情 况下雷达盲区范围在 20-40 米。针对无人机加油对接过程中存在雷达盲区导致无法对 输受油管进行定位与测距的问题，采用了机器视觉的理论方法对动态目标测距问题进 行了研究，主要研究内容如下： 针对在盲区 130 米范围内无法兼顾近距离与远距离的目标成像问题，采用了机 器视觉的研究方法，对大范围内的目标成像问题进行实验研究，提出了变焦距控制的 图像采集

2、方法，同时设计并组建了一套图像采集与处理系统，该系统包括电可调焦的 镜头、模拟相机、采集卡和主控主板。实验结果表明，该系统可以对 130 米范围内 的目标进行良好成像。 针对盲区范围内的目标识别定位的问题，采用了基于特征的目标识别研究方法， 对动态目标识别定位问题进行了深入研究，设计并实现了基于目标色空特征的动态目 标识别算法。实验结果表明，该算法可以在盲区范围内的运动目标进行识别与定位， 处理速度可以达到 16 帧/秒。 针对盲区范围内动态目标测距的问题，采用了视觉测距的理论方法，对目标中心 的水平、竖直以及垂直距离的测量方法进行了深入研究，设计并实现了目标中心三维 空间位置测量算法以及自适

3、应离散化焦距调整算法。实验结果表明，通过上述算法可 以在 130 米范围内对目标中心空间位置进行测量，平均误差小于 5%。 针对无法实际在无人机上进行实验的问题，采用了实验室环境下小型六旋翼无人 机仿真的方法，搭建了集图像采集与处理系统、无人机系统以及无线通信系统于一体 的物理仿真实验平台。仿真实验测试表明，该实验平台以及识别测距算法可以满足雷 达盲区范围内的动态目标测距要求。 关 键 词：雷达盲区；目标识别；颜色空间；视觉测距；变焦控制 论文类型：应用研究 ABSTRACT BSTRACT Radar has the locating blind area, which is the reg

4、ion within the scope of the radar waves the minimum range. The blind areas are different from radars, and mainly depend on the radars performance. In the process of UAV refueling, the radar cannot complete the location of the pipeline in the blind area. This article focuses on the target locating an

5、d ranging algorithm based on the machine vision theory in the blind area. Details are as follows: 1. To solve the target iamge acquisition problem under the condition of close and far distance, the electric zoom lens is choosen to the project. An image acquisition and processing system was designed

6、and implemented, with which target imaging in large areas was studied. Experimental results show that the method of zoom lens can work well at the target imaging in the region of 130m. 2. In order to identify and locat the target in blind area, the idenification method based on feature was adoped. A

7、 target identification and location algorithm based on the color-space feature was designed and implemented. Experimental results show that the algotithm can indentify and locat the moving target in the blind area with the speed of 16 fps. 3. To measure the distance from the target center, the measu

8、rement method of the target centers spatial position was sdudied deeply with the help of visual range theory. A target centers spatial position measure algorithm and an adaptive discrete focal length adjust algorithm were designed and implemented. Experimental results show that the algorithm can mea

9、sure the target centers spatial position in the range of 130m, and the average error was less than 5%. 4. In order to verify the algorithm proposed in this paper, a physical simulation system was designed and constructed, which consist of the image acquisition and processing system, a wireless commu

10、nication system and a UAV system. Through the results of the simulation experiment on the system, it can proved that the algorithm can satisfy the demand of target identification and ranging in radar blind area. KEY WORDS: Radar Blind Area; Target Identification; Color Space; Ranging; Zooming Contro

11、l TYPE OF THESIS: Applied Research 硕士学位论文 IV 目 录 1 绪论 .1 1.1 论文的研究背景及意义 1 1.2 雷达盲区定位测距关键技术 2 1.3 主要研究内容及组织结构 3 2 图像采集与处理系统研究 .5 2.1 定焦镜头的局限性 5 2.2 变焦镜头图像采集方法 6 2.3 图像采集与处理系统原理 7 2.4 图像采集与处理系统硬件选型与控制 7 2.4.1 系统各硬件选型 .7 2.4.2 采集卡与镜头控制原理 .8 2.5 本章小结 10 3 基于色空特征的动态目标识别算法研究 .11 3.1 动态目标识别问题 11 3.2 动态目标识别

12、算法原理与流程 11 3.2.1 目标色空特征提取 .11 3.2.2 目标反向投影图计算 .14 3.2.3 均值漂移确定目标 .15 3.2.4 目标区域计算 .17 3.2.5 算法总体流程图 .19 3.3 针对动态目标识别的算法改进 19 3.3.1 目标中心预估计 .19 3.3.2 最优化搜索窗口 .21 3.3.3 自适应参数的掩码图像 .22 3.3.4 目标丢失处理 .23 3.3.5 改进后动态目标识别跟踪算法流程图 .24 3.4 动态目标识别算法测试 25 3.5 本章小结 27 4 目标空间位置测量算法研究 .29 4.1 目标空间定位 29 4.1.1 摄像机几何

13、成像模型 .29 4.1.2 水平与竖直方向空间位置测定 .31 4.2 单目视觉距离测量算法 33 目 录绪论 4.2.1 单目测距算法原理 .33 4.2.2 单目测距算法实现流程 .34 4.2.3 距离测定算法的卡尔曼滤波处理 .34 4.3 自适应离散化焦距控制算法 36 4.3.1 焦距离散化处理原理 .36 4.3.2 焦距离散化处理实现 .37 4.3.3 自适应离散化焦距控制算法 .40 4.4 本章小结 42 5 物理仿真系统研究 .43 5.1 无线通信系统 43 5.1.1 无线通信系统原理与选型 .43 5.1.2 无线通信系统测试 .44 5.2 无人机系统 45

14、5.2.1 无人机原理与选型 .45 5.2.2 无人机遥控器选型 .46 5.3 基于物理仿真平台的算法测试 46 5.3.1 目标识别跟踪算法测试 .46 5.3.2 空间位置测定算法测试 .47 5.4 本章小结 53 6 结论与展望 .55 6.1 论文总结 55 6.2 论文展望 55 致 谢 .57 参考文献 .58 硕士学位论文 VI CONTENTS 1 Preface1 1.1 Research Background and Significance1 1.2 Key Technology of Locating and Ranging in Radar Bland Area

15、 .2 1.3 Thesis Content and Structure 3 2 Image Acquisition and Processing System 5 2.1 Boundedness of Prime Lens5 2.2 Zoom Lens Image Acquisition Method 6 2.3 Image Acquisition and Processing System Theory.7 2.4 Image Acquisition and Processing System Selection and Control .7 2.4.1 System Hardware S

16、election .7 2.4.2 System Control Throry.8 2.5 Brief Summary10 3 Research of Moving Target Identification Algorithm Based on Color Space Feature11 3.1 Moving Target Identification 11 3.2 Theory and Flow of Moving Target Identification Algorithm .11 3.2.1 Target Color Space Feature Extraction11 3.2.2

17、Target Backproject Image14 3.2.3 Meanshift for Target Position 15 3.2.4 Target Region Calculation .17 3.2.5 Algorithm Flow19 3.3 Improvements on Moving Target Identification Algorithm .19 3.3.1 Target Center Estimation .19 3.3.2 Search Window Optimization21 3.3.3 Mark Image with Adaptive Parameter .

18、22 3.3.4 Target Lost Process23 3.3.5 Improved Algorithm Flow .24 3.4 Test on the Algorithm .25 3.5 Brief Summary27 4 Target Center Spatial Position Measure Algorithm.29 4.1 Target Spatial Locating.29 4.1.1 Camera Imaging Geometry Model 29 4.1.2 Horizontal and Vertical Position Measure .31 4.2 Single

19、 Visual Ranging Algorithm.33 4.2.1 Algorithm Theory 33 4.2.2 Algorithm Implementation.34 4.2.3 Kalman Filtering on Ranging Result .34 4.3 Adaptive Discrete Focal Length Adjust Algorithm 36 4.3.1 Discrete Focal Length Theory36 CONTENS绪论 4.3.2 Discrete Focal Length Implementation37 4.3.3 Adaptive Disc

20、rete Focal Length Adjust Algorithm .40 4.4 Brief Summary42 5 Physical Simulation System.43 5.1 Wireless Communication System .43 5.1.1 System Theory and Selection.43 5.1.2 System Test 44 5.2 UAV System .45 5.2.1 System Theory and Selection.45 5.2.2 UAV Remote Control Selection 46 5.3 Algorithm Test

21、on Physical Simulation System .46 5.3.1 Target Identification Algorithm Test .46 5.3.2 Spatial Position Measure Algorithm Test 47 5.4 Brief Summary53 6 Conclusions and Suggestions.55 6.1 Conclusions.55 6.2 Suggestions .55 Acknowledgements.57 References.58 （打印前将其字体颜色变为白色，在打印预览中看不见即可）： 1 绪论 1 绪论 1.1 论

22、文的研究背景及意义 雷达的全称为“无线电探测和测距” ，是从英文音译而来的，Radar 是英文 Radio Detection and Ranging 的缩写。雷达通过无线电作为媒介进而发现目标并测定它们在 空间中的位置，因此雷达也可以叫做“无线电定位” 。雷达最初的任务是测量目标的 距离、方位和仰角等信息，但随着军事、科技的发展，雷达技术也获得了很大的发展 空间，现在雷达除了上述特性外还能够量目标物的速度、从目标物的回波中获取更多 有关目标的信息。雷达发现目标并测定其位置是靠目标物对电磁波的反射（或成为二 次散射）现象。因此凡是可以对电磁波进行反射的物体，都可以作为雷达的探测目标， 如飞机、

23、导弹、车辆、各种舰艇、人造卫星、兵器以及山川、建筑物、云雨等等，因 此雷达的用途非常广泛 1。 雷达测距范围包括最小可测距离与最大单值测距范围。雷达盲区与最小可测距离 有关。雷达系统的最小可测距离，指的是雷达能够测得的最近的目标距离 2。在脉冲 雷达系统结构中，发射脉冲与接收来自目标的回波使用同一根天线，雷达接收机与天 线馈线之间存在断开时间，比如发射脉冲宽度 ，此时雷达不能接收来自目标的回波。 当雷达将脉冲发射出去后，雷达天线转变为接收状态，此动作不可能做到无缝连接， 也需要消耗一段时间 。在这段时间内，即 + ，由于雷达接收机不能够正常接收到0t 0t 目标的雷达回波信号，雷达进行测距几乎

24、不可能。因此雷达的最小可测距离为： * MERGEFORMAT （1-1）min01()2Rct 由于雷达无法对处于最小作用距离 内的目标物进行定位，因此最小作用距离i 内的范围被称作雷达的定位盲区。通常情况下，不同雷达的脉冲宽度 与天线切换时 间 都不尽相同，因此不同雷达具有不同的盲区范围。通常无人机雷达的最小作用距0t 离为 2040 米 3。由于雷达盲区的存在，导致雷达无法对近距离目标进行定位识别， 影响某些军事领域用途或技术的发展，无人机加油就是一个典型例证 4。 无人机是“无人驾驶飞机”的简称，英文简称为 UAV，即 Unmanned Air Vehicle。无人机定义为不搭载飞行员

25、、利用机载控制系统装置与无线控制系统装置对 飞机进行操控的飞机。无人机可以用于通信、监视以及战时的侦查、反潜、电磁干扰 等用途。无人机与载人飞机相比，有飞机体积小、制造成本低、控制飞行简单、环境 适应性强以及战场适应能力强等优点，因此各国军队均配备无人机或正在研发高科技 无人机。近些年无人机在战争中得到了大量应用，从侦查、干扰到欺骗、搜索，无人 机在非常规作战环境中表现出了卓越的作战能力，从而引发了学术界对无人机相关问 硕士学位论文 2 题的热烈研究。无人机发展的速度十分迅速，凸显出无人机在现代战争中的重要性。 无人机的军事价值、作战价值越来越重要，应用越来越广，但目前没有对无人机 进行空中加

26、油的设计。这将导致无人机的续航能力比较弱，在加油时需要降落在地面， 这会大大降低无人机的作战能力，因此对无人机空中加油的研究具有重要意义 5,6。 在无人机加油技术中空中油管对接是一个难题，雷达盲区的存在导致了无法通过 雷达对油管进行定位操作。为完成无人机空中自主加油，雷达盲区范围内的目标识别 与测距的研究是具有实际意义并且十分必要的。 1.2 雷达盲区定位测距关键技术 通过机器视觉的理论方法对雷达盲区范围内的目标进行定位，需要研究视觉识别 定位与测距关键技术。 视觉识别技术是当今计算机视觉领域的研究热点之一，在图像压缩、视频监视、 虚拟现实、三维重构等方面都有广泛应用。视觉识别问题可以由多种

27、分类方法，主要 分类依据有视觉场景中运动目标的数量、视觉系统中摄像机的数量、摄像机与目标之 间是否有相对运动、运动类型等。解决视觉识别跟踪问题的方法思路可以归纳为两种： 一种是直接从图像序列中识别目标、提取目标的运动信息并进行跟踪，并不依赖于先 验知识；另一种解决思路是对序列中的图像进行相邻匹配运算（对识别跟踪目标的判 定依据是相似距离最近） ，或者通过求解后验概率（目标的运动状态为对应于最大后 验概率的状态向量) 的方式进行，这种解决思路依赖于模型的建立或先验知识的获取。 通过获取的先验知识对目标识别问题建立数学模型，然后利用实际采集的图像序列验 证模型正确性，该方法具有数学理论基础，有很多

28、数学工具可以用来求解该问题，因 此该方法一直是理论界研究视觉识别问题的主流方法 7。 对视觉识别与跟踪算法的研究开始与 20 世纪 80 年代，至今学者们提出了很多 视觉识别算法： 1）基于运动矢量的识别跟踪方法。该方法的理论基础是运动目标在图像中运动 一定具有某种运动特征，相同的点在不同帧中具有相同的运动特征，因此可以将某一 时间段内的具有相同运动特征的点进行分类处理，从而可以对目标进行识别与跟踪。 该方法最典型的应用是光流法 8。光流法假设在视频流的相邻帧图像中，目标上同一 点的灰度值应该是不变的，计算光流场的方法是利用灰度空间偏导数进行推导计算。 2）基于模板匹配的识别跟踪方法 9。应用

29、该方法的前提是对目标提取有效的模板。 如何对目标图像特征进行建模、如何对模板与搜索区域内非目标区域的相似度进行区 分以及如何进行搜索是该方法的关键所在。灰度图像特征一般指的是图像的边缘特征， 彩色图象的特征指的是不同区域的颜色特征，同时某些特殊情况下图像具备特殊的纹 理特征，因此模板匹配的主要处理思路是对基于边缘特征信息、目标区域的颜色特征 以及纹理特征信息的处理 10,11。 3）基于滤波的识别跟踪方法。滤波的目的是从高度混合的信号中通过不同算法 1 绪论 提取感兴趣的部分。一直以来对于无明显变化规律的随机信号无法根据确定频谱进行 滤波，无论环境与信号初值是否相同，信号都无法做到每一次实现都

30、相同。虽然早先 的研究表明在理论上可以通过功率谱特性进行滤波，但此类滤波器难以实现，很难应 用到实际场合。1960 年美国工程师鲁道夫.E.卡尔曼首次提出一种时域上的线性最小 方差估计方法，即卡尔曼滤波 12。通过引入现代控制理论中的状态空间思想，并采用 递推计算方法，卡尔曼滤波在计算机实现与处理时变系统、非平稳信号以及多维信号 处理上具有优势。实际系统中状态空间可能是非线性的，或非高斯的，或高维度的， 这些因素都会影响滤波效果，导致问题变得非常复杂，但是该滤波算法并不受限于所 处理的随机变量必须服从高斯分布这一约束条件，因此卡尔曼率虽然只是近似接近真 实分布，相比高斯模型，能建立更广泛的分布

31、模型，能够更好的处理非线性特性 13-15。 视觉测距技术同样是当今计算机视觉领域的研究热点之一，属于机器视觉研究领 域基础上的一门新兴技术，受到人们的广泛关注。视觉测距技术的主要研究问题是二 维空间到三维笛卡尔空间信息的映射以及视觉测量系统的组成。视觉测距技术是利用 摄像机进行实时图像采集，计算机对摄像机采集到的视频流或帧图像进行处理、分析 以及运算，利用建立完整的成像数学模型对距离等数据进行计算的技术。视觉测量技 术的特点主要包括结构简单、高精度、非接触、数据采集快等，可以很容易的实现在 线测量与动态测量 16,17。由于上述特点视觉测距广泛的应用于机器视觉、目标识别定 位等领域。视觉测距

32、与激光测距、超声波测距方法不同，属于被动式的测距，它不必 向被测目标发射任何信号，只需采集包含所目标的视频流或者图像再经过识别处理就 可以根据测量模型对目标进行距离的测量 18。 目前在视觉测距技术中，可以按照视觉传感器数量即摄像机数量将视觉测距分为 单目视觉测量、双目视觉测量以及多目视觉测量等。单目测距算法是根据采集的单幅 图像利用实验或计算出的确定参数和摄像机的焦距信息来计算目标的深度信息 19-21。 双目视觉测距系统是模仿人眼的视觉原理，在对目标进行图像采集时采用两台摄像机 同时进行，在计算机中分析与处理采集的两幅图像，根据数学模型以确定物体的空间 位置 22,23。视觉测距技术在视觉

33、导航系统中应用较多。随着图像处理技术的不断提高 和硬件设备的不断发展，视频测距技术的应用也将越来越广泛。 1.3 主要研究内容及组织结构 论文对动态目标识别测距系统中的关键技术进行了研究，尤其是动态目标识别定 位以及动态目标单目测距算法进行了深入研究，重点介绍了目标识别跟踪算法，提出 了一种基于目标色空特征的动态识别算法，同时根据目标识别结果对目标进行了空间 位置测量。 具体章节内容安排如下： 第二章对定焦镜头的局限性与盲区定位的应用需求进行了分析，提出采用程序可 硕士学位论文 4 控变焦镜头作为成像镜头的方案，并以此为基础搭建了一套图像采集与处理系统，对 系统的原理、硬件选型以及控制原理进行

34、了介绍。 第三章对目标识别算法进行了研究，为了实现在目标与背景均为动态的条件下对 目标的跟踪，以 Camshift 算法为基础，设计并实现了动态目标识别算法，在分析原有 算法优劣的基础上，提出了四点算法改进，设计实现了基于色空特征的动态目标识别 算法。 第四章对目标的空间位置测定进行了详细介绍，为了能够在单目视觉的条件下完 成对目标中心的空间位置测量，对摄像机和成像模型进行研究与简化，提出了目标的 水平与竖直方向的空间位置测定算法，同时设计并实现了单目视觉距离测量算法，为 了对不同距离内目标的成像需求，采用了电可调焦镜头，并设计、实现了自适应离散 化焦距控制算法，从而能够完成对目标中心的空间位

35、置测定。 第五章搭建了一套机载物理仿真模型，该模型包括图像采集与处理系统、无线通 信系统以及无人机系统，对各系统的原理、选型做了简要介绍，基于该仿真模型，对 三、四章的算法进行了测试。 第六章对论文的内容进行了总结，针对系统存在的问题提出了以后改进的方法和 建议。 Equation Chapter (Next) Section 1 2 图像采集与处理系统研究 2 图像采集与处理系统研究 图像采集与处理系统是机器视觉系统的核心，主要完成对目标图像的采集、处理， 根据目标识别结果完成对目标的空间位置信息的计算，并将信息发送至导航控制单元 以及对镜头焦距的调整等操作 24。 2.1 定焦镜头的局限性

36、 在机器视觉系统中光学镜头是必不可少的部件，光学镜头可以影响成像的质量， 从而对算法的实现和效果产生影响。镜头从焦距的数值上可以分为短焦镜头、中焦镜 头以及长焦镜头等，从焦距的可变性上又可以分为定焦镜头和变焦镜头。通常短焦镜 头具有较大的视场角，可以对较大范围内的视场进行成像，但是对于距离较远物体成 像较小；长焦镜头可以对远距离物体进行成像，但是视场角很小，而且对近距离的物 体成像能力较弱，甚至超出视野范围。 图像采集与处理系统是为了在目标处于雷达盲区时替代雷达对目标进行定位而设 计的。所讨论的雷达盲区范围约为 30 米，那么图像采集与处理系统就需要在 130 米 的范围内替代机载雷达进行工作

37、，对图像采集要求就是需要在目标距离在盲区范围变 动时都可以对物体成像。 在一般情况下，工业相机通常根据使用场景需求配备定焦镜头，但在本文的应用 环境中定焦镜头会表现出一定的局限性。 针对盲区范围内的目标成像问题，为满足当目标在近距离如 1 米处时对目标进行 成像，所选用的镜头焦距不能过大。在理想的情况下，当目标位于 1 米处时，如果对 目标成像恰好处于合适的图像尺寸，即不会过小导致目标失真也不会过大导致镜头或 机身抖动时目标出视野，如 图 2-1 左图所示，合适的当目标处于最远距离 30 米时， 目标在图像中就会变得非常小，如 图 2-1 右图所示，对后续的识别测距算法有很大影 响。 图 2-

38、1 目标处于 1 米与 30 米处成像示意图 硕士学位论文 6 反之如果目标处于 30 米处时可以获得合适的目标成像，在目标处于 1 米时就可 能在视野里非常大，超出视野范围，如 图 2-2 所示。 图 2-2 目标处于 30 米与 1 米处的成像示意图 通过上述示意图的对比不难发现，选择能够处理好近距离成像的镜头就不能够获 得远距离的良好成像，选择能够处理好远距离成像的镜头就不能够获得近距离的目标 成像，即不存在某个焦距能够既满足近距离又满足远距离的成像需求。 2.2 变焦镜头图像采集方法 为了弥补定焦镜头的不足，一种方案是在搭建图像采集系统时可以选择两个焦距 不同的镜头，分别用于近距离与远

39、距离的成像，在需要调整的时候进行镜头切换。对 于一台相机两个镜头的情况，镜头切换只能通过手动来完成，但是这样操作不具有实 际意义。另一种方案可以选择两台相机两个镜头的配置，两台相机同时进行图像采集， 在处理时算法选取成像最优的图像进行处理，该方案可以很好的兼顾不同距离的成像 需求，同时不需要加以人工手动操作，是一种比较可行的方案。但是该方案存在的问 题是图像采集设备需要同时从两台相机中读取图像数据，需要大量的 CPU 时间处理 图像 IO，同时图像处理程序还需要大量的 CPU 时间，如此系统开销便会很大，降低 处理速度。同时安装两台相同的相机也会在一定程度上造成资源浪费。 在多种不同的镜头当中

40、，有一类镜头是程序可控变焦镜头，这种镜头内部装配有 直流电动马达，可以对焦距、光圈、对焦等进行调节，在调节时通常将镜头与计算机 相连，通过计算机发送指令到镜头中，电动马达根据指令进行相应的调节，以此完成 镜头参数的调整 25。第三种方案可以选择一台相机加一个电调焦镜头。变焦镜头具有 不同的焦距可以选择，比较适合本文的应用场景，同时可以通过计算机对其焦距进行 控制，实现自动操作。 表 2-1 对三种方案进行了对比。 通过 表 2-1 的对比可以看出，最佳的镜头选择方案为相机加程序可控的变焦镜头。 在使用时，根据图像处理算法的处理结果对镜头焦距做适当的调整。例如可以根据目 标距离做为焦距调整依据，

41、当目标距离逐渐减小到某一值时，通过计算机发送焦距减 小指令，将焦距值调小，当目标距离逐渐增大到某一值时，通过计算机发送焦距增大 2 图像采集与处理系统研究 指令，调大焦距。还可以根据图像中目标的大小作为调整依据，原理与以距离为依据 的调整方法类似 26。具体的指令格式与调整算法在 2.4.2 与 4.3 节中详细讨论。 表 2-1 三种镜头选择方案对比 方案 设备组成 调焦方法 优缺点 可行性 方案一 1 相机+2 镜头 手动切换镜头 手动切换，不能够做到无人工参与 低 方案二 2 相机+2 镜头 同时采集图像，不切换镜 头 兼顾远近距离，系统处理压力大，资源浪费 中 方案三 1 相机+1 变

42、焦镜头 计算机程序控制焦距调整 适合不同距离图像采集，可以计算机自动控制 高 2.3 图像采集与处理系统原理 为实现基于视觉的目标识别与测距，需要搭建图像采集与处理系统。图像采集与 处理系统主要包括模拟相机、图像采集卡、主控计算机以及配合计算机工作的外设。 系统的工作原理是模拟相机进行图像的获取工作，并将模拟图像数据通过同轴电 缆传输至图像采集卡，图像采集卡将输入的模拟图像转换为数字图像，通过 USB 传 输方式传输至主控计算机，目标识别定位算法运行在主控计算机中，算法对输入的数 字图像进行处理，最终得到目标的三维空间信息，并将信息传输至无线通信系统以传 输至导航控制系统，同时如果需要根据焦距

43、控制算法对镜头焦距进行控制。在处理图 像时可以选择将结果图像进行压缩保存以进行后续的结果分析与算法改进。 图 2-3 所示为图像采集与处理系统原理图。 图 2-3 图像采集与处理系统原理 2.4 图像采集与处理系统硬件选型与控制 2.4.1 系统各硬件选型 图像采集与处理系统的硬件主要包括 VS880HC 相机（集成镜头） 、MV-U2000 型 号采集卡、IP25X3 工控机主板。 根据 2.1 与 2.2 小节的讨论，对相机或镜头的选型尤为重要，需要选择一款变焦 范围可以达到使用需求的可调焦的镜头或可调焦的一体式相机，同时镜头的变焦操作 可以由计算机进行控制。对相机成像质量而言，高像素会带

44、来高分辨率是优势，但处 硕士学位论文 8 理高分辨率图像对计算机硬件要求非常高，因此对于分辨率来说并不是越高越好，同 时 3.3.5 节的算法对图像的分辨率不是很敏感，采用一般的模拟相机足够满足算法要 求。基于上述考虑，选择型号为 VS880HC 的模拟相机，该相机同时集成了镜头，属 于一体式相机。相机输出图像的最大分辨率为 720*576 像素，可以满足目标识别定位 算法的要求。相机镜头内集成了一个电机可以进行焦距调节与对焦控制以满足在不同 距离范围内的目标识别定位。 由于模拟相机的输出信号为模拟量，计算机不能够直接进行处理，因此需要将模 拟信号转换为数字信号，因此选择了型号为 MV-U20

45、00 的图像采集卡。图像采集卡完 成由同轴电缆输入的模拟图像转换成数字图像再由 USB 传输至计算机，其处理速度 可以达到 25 帧/秒或者 30 帧/秒，能够满足算法要求。 在主控计算机的选择上，考虑到机载系统的负重不能太大，因此主控计算机的重 量是个重要的控制指标，同时目标识别定位算法需要的计算量较大，经过估算每秒的 处理次数可以达到 10 亿次左右，因此主控计算机又要有足够的处理速度，并且方便 程序的开发与调试。采用了型号为 IP25X3 的工控机主板，该主板的主频达到 1.8GHz，并且重量仅为 375 克，该主板具备 6 个 USB 接口，4 个串口和 SATA 硬盘 接口，可以满足

46、处理需求。同时搭载高速微型 SATA 电子硬盘、ATX 电源板以及金 士顿内存共同组成机载计算机系统。 2.4.2 采集卡与镜头控制原理 对图像采集与处理系统的硬件控制主要分为图像采集控制与相机镜头控制两部分。 图像采集控制中，计算机无须对相机部分进行控制，只要将相机与图像采集卡相 连，相机的模拟信号自动的上传至图像采集卡，因此图像采集控制主要为对图像采集 卡的控制。图像采集卡控制也比较简单，厂家给出了控制 API 函数，在使用时只要在 编程环境中进行相关的正确配置即可对采集卡进行控制。主要的采集卡控制函数如 表 2-2 所示。 表 2-2 图像采集卡主要控制函数 API 函数名称 API 函

47、数功能 HANDLE WINAPI MV_Opencard(longIndex ) 打开采集卡 BOOL WINAPI MV_Closecard( HANDLE hCap ) 关闭采集卡 BOOL WINAPI MV_GetOutSize( HANDLE hCap, long* Width, long* High ) 设置图像分辨率 BOOL WINAPI MV_SnapShot( HANDLE hCap, LPBYTE lpBuf, longBufLen) 采集一帧图像 BOOL WINAPI MV_StartCap( HANDLE hCap, HWND hWnd ) 连续采集图像 BOOL

48、 WINAPI MV_StopCap( HANDLE hCap ) 停止连续采集图像 通过上述 API 函数可以完成图像采集工作，程序流程如 图 2-4 所示。 相机中镜头的焦距需要由计算机的串口进行控制，具体的控制算法已在 4.3 节进 2 图像采集与处理系统研究 行过讨论，这里不再赘述，只讨论镜头焦距控制方法的底层实现。 图 2-4 图像采集控制流程图 相机厂商预定义了一系列相机镜头控制相关的命令，在控制镜头焦距时需要将对 应的命令按照预定义格式封装成控制帧，通过串口发送给镜头，镜头在接收到控制帧 后，通过控制相机内集成的电机来调解焦距。厂商提供了两种控制协议，PELCO-D 协议与 PE

49、LCO-P 协议，这里采用 PELCO-D 协议对镜头进行控制。 PELCO-D 协议格式如 表 2-3 所示。 表 2-3 PELCO-D 协议命令格式 字节 1 字节 2 字节 3 字节 4 字节 5 字节 6 字节 7 同步字节 地址码 指令码 1 指令码 2 数据码 1 数据码 2 校验码 PELCO-D 协议中数制采用十六进制，同步字节保持 FFH 不变，地址码是摄像机 连接到图像采集卡的逻辑数量编号，即逻辑地址，可控范围是 00HFFH，指令码用 来指定不同的控制动作，数据码表示水平、垂直方向速度，范围 00H-3FH，校验码的 计算方法为 MOD（字节 2 + 字节 3 + 字节 4 + 字节 5 + 字节 6）/100H； 在镜头的控制中使用最多的命令如 表 2-4 所示。 表 2-4 常用的镜头控制命令 命令 功能 FF 01 00 20 00 00 21 增大焦距 FF 01 00 40 00 00 41 减小焦距 FF 01 00 00 00 00 01 停止调整 硕士学位论文 10 在需要控制镜头焦距时，将上述命令按照 4.3 节讨论的控制算法通过串口发送给 相机即可完成焦距控制。 2.5 本章小结 本章主要讨论了图像采集与处理系统的原