基于改進型canny算子的跑道邊緣檢測與識別方法

摘 要：文章介紹了一種基于改進型canny邊緣檢測算法的跑道邊緣檢測與識別方法，主要應用于無人機自主著陸視覺導航技術領域。本方法對拍攝的跑道圖像進行采集，得到數(shù)字圖像，進行預處理，對處理后的圖像采用文章

引言

無人機的自主著陸導航指無人機機載的導航儀器和飛控系統(tǒng)進行定位導航并最終使無人機自主準確降落在指定著陸場的過程。要想實現(xiàn)自主著陸，無人機必須具備自主導航能力，因此高精度的自主著陸導航技術是無人機自主著陸的關鍵技術。迄今為止國內外關于無人機自主著陸導航關鍵技術的研究主要包括：GPS導航技術研究、慣性導航系統(tǒng)研究、GPS、慣導組合系統(tǒng)的研究以及視覺導航系統(tǒng)的研究。其中視覺導航技術是一種基于機器視覺的導航技術，該技術利用視覺傳感器采集圖像，計算機對采集到的圖像進行圖像處理，根據(jù)處理結果得到無人機的定位姿態(tài)參數(shù)，視覺傳感器功耗低、體積小、安裝簡單方便，此外視覺導航還具有很高的隱蔽性。因此視覺導航技術應用于無人機的自主著陸，已成為無人機研究的一個重要領域。

基于機器視覺的跑道邊緣檢測方法流程圖圖1。

無人機自主著陸最關鍵的技術在于如何對著陸跑道進行精確的定位，并根據(jù)所識別出的著陸跑道和地平線進行精確的計算得到無人機的姿態(tài)角信息和相對跑道的位置，再根據(jù)角度位置信息引導無人機精確對準跑道，實現(xiàn)安全著陸。跑道的邊緣檢測、識別與定位隸屬于機器視覺應用于目標識別，是整個自主導航過程中對目標識別的基礎。跑道的長度一般在兩千米到四千米之間，寬度一般在三十米到一百米之間。有時為特征明顯，方便識別，設計為T字形，或十字形等。跑道信息反映在圖像中邊沿整齊、寬大而平直。根據(jù)跑道特點通常采用如下6條特征信息來描述跑道，其中的灰度特性兩條，幾何特性四條：

（1）跑道灰度值較高。（2）跑道表面灰度值相近。（3）跑道長度是限值。（4）跑道寬度是有限值。（5）跑道長度遠大于跑道寬度。（6）有兩條及以上跑道時，跑道之間相交或平行。

文章就是根據(jù)跑道的這6個特性設計了一種采用四閾值法對跑道邊緣進行檢測定位的改進型canny算法。

1 傳統(tǒng)canny算法

圖像邊緣檢測是基于邊緣的像素點灰度較圖像中其他點有顯著變化，從信號研究的頻域角度而言，這些像素點信息屬于高頻信號區(qū)域；圖像邊緣往往都是閉合的連線。Canny邊緣檢測算子一種基于最優(yōu)化算法的邊緣檢測算子，也屬于是先平滑后求導數(shù)的方法，Canny算子用如下三個判別標準來評判邊緣檢測性能的優(yōu)劣：第一：要有好的信噪比，即誤判率低，將非邊緣點判定為邊緣點或者將邊緣點判為非邊緣點的概率都要低；第二：定位要準確，即通過算法檢測出的圖像邊緣點要盡可能在實際邊緣的中心；第三：對單一邊緣有且僅有唯一響應，即對單個邊緣產(chǎn)生多個響應的概率要低，并且要最大程度的抑制對虛假邊緣的響應。Canny算法因具有好的信噪比和高的檢測精度，因此應用廣泛。用傳統(tǒng)canny邊緣檢測算子檢測圖像邊緣的步驟如下：

（1）對圖像進行平滑處理，常采用高斯濾波器。

（2）計算圖像梯度的幅值并判定方向，經(jīng)典canny算子常采用一階偏導有限差分法。

（3）對步驟2中的梯度幅值進行非極大值抑制 。

（4）用雙閾值算法檢測跑道的邊緣并對邊緣進行連接。

基于以上四個步驟的傳統(tǒng)經(jīng)典型canny算法進行邊緣檢測數(shù)據(jù)處理量大，實時性也有待提高，最主要的缺點仍是采用傳統(tǒng)方法檢測邊緣過程中易受干擾產(chǎn)生部分虛假邊緣，檢測邊緣的精度不夠高達不到單像素級。因此實際應用中仍存在一定局限。

2 文章改進型canny算法

文章針對此對傳統(tǒng)的canny算法進行了改進，采用四閾值邊緣檢測定位方法對分割后的數(shù)字圖像進行邊緣檢測，解決現(xiàn)有技術中用canny邊緣檢測方法檢測圖像邊緣存在計算量大，實時性及精度較差的問題，對經(jīng)過預處理完成圖像分割后的數(shù)字圖像進行圖像平滑，經(jīng)過改進的canny算子在很好的保持圖像邊緣灰度特性的基礎上極大程度的去除噪聲，且保證了圖像邊緣的清晰完整性。基于四閾值的改進型canny邊緣檢測方法解決了傳統(tǒng)算子中雙閾值方法難以合理選擇上下限閾值的問題，可以刪除長度較短或者強度較弱的偽邊緣，并能保證邊緣的連續(xù)性。具體流程圖如圖2所示。

具體實施方法如下：

步驟1：對拍攝的跑道圖像進行采集，得到數(shù)字圖像。

步驟2：對步驟1得到的數(shù)字圖像進行預處理。其中圖像預處理包括對圖像進行灰度濾波去噪以及圖像分割。

步驟3：采用文章提出的基于四閾值的改進的canny算子，對預處理分割后的數(shù)字圖像進行邊緣檢測。具體過程為：

（1）采用K近鄰均值濾波器代替高斯濾波器對步驟2得到的圖像進行平滑處理。具體方法為：以待處理像素為中心，作一個N×N的模板（N為奇數(shù)）；然后在模板中選擇K個與待處理像素的灰度差最小的像素點，取其平均值，用該平均值代替原來中心點的像素值。

（2）對平滑后的圖像，使用微分算子求出圖像沿像素坐標系x

軸和y軸的偏導數(shù)Bx和By。然后求得像素點的梯度模值和方位分別為：

（3）對求導后的圖像進行非極大值抑制，對每個像素點，沿幅角方向檢測梯度模值的極大值點，即邊緣點。由此初步得到跑道邊緣點。

（4）采用四閾值方法對跑道邊緣點進行定位。

所述四閾值邊緣檢測定位方法具體為：

a.設定上下限閾值ttop、tdown，一般取tdown=0.4ttop；

b.選擇邊緣起始點。選擇大于ttop的梯度模極大值點作為起始

點；

c.形成廣義邊緣鏈。具體操作如下：選擇大于tdown且與邊緣起始點連通的梯度模極大值點，將小于tdown或者無法實現(xiàn)連通的局部模極大值點刪除，形成廣義邊緣鏈；所述廣義邊緣鏈包括多條長度不等的邊緣鏈，其最小鏈長度為lmin，最大鏈長度為lmax；

d.設定鏈長度閾值ln（lmin

步驟4：對檢測出的圖像邊緣進行識別，給出邊界描述。

最后文章的跑道邊緣的邊界描述采用hough變換與最小二乘法相結合，擬合跑道邊界，給出邊界直線方程。

3 具體實施驗證

采用本實施例的方法對模擬跑道進行檢測，得到的檢測圖像如圖3（a）所示，圖3（b）為采用傳統(tǒng)canny算子檢測到的圖像。

從兩圖對比可得到，本發(fā)明方法較傳統(tǒng)方法精度高，對虛假邊緣可以得到有效抑制。

參考文獻

[1]丁衛(wèi).基于超小型無人機的地面目標實時圖像跟蹤[J].2007.

[2]Ling Bo， Wu Jing， and Xiuqing Ye. The application of the maximum entropy principle for road detection.[J].Journal of Circuits and Systems， 2005，10：78-81.

[3]烏蘭巴根，胡繼忠，徐元銘.無人直升機在移動目標上的自主降落[J].計算機工程與應用，2010，46（23）.

[4]韓九強，胡懷中，張新曼，等.機器視覺技術及應用[M].高等教育出版社.

[5]陸宗騏，童韜.鏈碼和在邊界形狀分析中的應用[J].中國圖像圖形學A輯，2002，7（12）.