基于雙目視覺(jué)的水下動(dòng)態(tài)目標(biāo)識(shí)別與定位方法研究

柳靖彬，劉衛(wèi)東，李 樂(lè)，張帥軍，張文博，李艷麗

(西北工業(yè)大學(xué) 航海學(xué)院，西安 710072)

0 引言

當(dāng)今，有大量的水下探測(cè)設(shè)備在水底用于海洋開發(fā)，當(dāng)其完成任務(wù)之后，需要進(jìn)行打撈和回收以獲取其工作信息[1]。在這一過(guò)程中，如何快速精準(zhǔn)的對(duì)動(dòng)態(tài)設(shè)備進(jìn)行實(shí)時(shí)定位是完成設(shè)備回收的關(guān)鍵環(huán)節(jié)。

由于水和懸浮粒子對(duì)不同波長(zhǎng)的光有選擇性的吸收和散射以及相機(jī)自身的局限性[2-3]，水下圖像通常存在光照不均勻的情況，成像設(shè)備所獲得的圖像的亮度和對(duì)比度整體不足，會(huì)對(duì)圖像的識(shí)別造成極大的干擾，因此，需要對(duì)圖像進(jìn)行校正以獲得更清晰的圖像[4-7]。

目前，針對(duì)光照不均勻問(wèn)題，比較常見的方法主要有Retinex理論、直方圖均衡化以及伽馬校正等。基于Retinex理論的方法通過(guò)對(duì)原始圖像進(jìn)行高斯濾波來(lái)獲取光照?qǐng)D像，最后將光照?qǐng)D像從原始圖像中分離出來(lái)，從而獲得反射圖像[8-9]；直方圖均衡化方法過(guò)改變圖像的直方圖來(lái)擴(kuò)大圖像中各區(qū)域像素的區(qū)別，最終得到高對(duì)比度的圖像[10-11]。伽馬校正方法通過(guò)提高圖像過(guò)低灰度區(qū)域以及降低圖像過(guò)高灰度區(qū)域來(lái)進(jìn)行圖像校正，對(duì)亮度過(guò)高或過(guò)低的圖像有著明顯的增強(qiáng)效果[12]。

目前已有多位學(xué)者在以上算法的基礎(chǔ)上展開了進(jìn)一步研究，李學(xué)明[13]依據(jù)Retinex的色彩理論將Retinex色度空間內(nèi)的色彩線性映射到RGB空間，獲得了具有色彩逼真度、動(dòng)態(tài)范圍大的增強(qiáng)圖像，但該方法運(yùn)算量比較大，且無(wú)法保證動(dòng)態(tài)范圍大幅度壓縮和對(duì)比度增強(qiáng)兩個(gè)指標(biāo)；劉志成等[14]在Retinex理論的基礎(chǔ)上利用多尺度高斯函數(shù)提取出場(chǎng)景的光照分量，然后構(gòu)造了一種二維伽馬函數(shù)，得到了高對(duì)比度的增強(qiáng)圖像，但是該算法增強(qiáng)亮度差異大區(qū)域的圖像時(shí)會(huì)產(chǎn)生光暈現(xiàn)象，并且對(duì)高光區(qū)域敏感度較??；李錦等[15]將直方圖均衡化和多尺度Retinex彩色恢復(fù)算法進(jìn)行了結(jié)合，用直方圖均衡化對(duì)彩色圖像進(jìn)行增強(qiáng)，將圖像按照一定的圖像融合規(guī)則進(jìn)行加權(quán)融合，使圖像的亮度、對(duì)比度、細(xì)節(jié)等都有很大的增強(qiáng)，但運(yùn)算時(shí)間過(guò)長(zhǎng)，無(wú)法用于實(shí)際的運(yùn)動(dòng)物體識(shí)別過(guò)程中；陳育群等[16]利用雙邊濾波算法提取出圖像的光照信息對(duì)二維伽馬函數(shù)的圖像亮度校正因子進(jìn)行改進(jìn)，該算法具有較好的邊緣保持特性，雖然相比較上述方法在運(yùn)算方面有較大提升，但是本身算法的運(yùn)算復(fù)雜度依舊過(guò)高；王殿偉[17]等基于引導(dǎo)濾波提出了一種基于改進(jìn)二維伽馬函數(shù)自適應(yīng)亮度校正算法，該算法的運(yùn)算時(shí)間與文獻(xiàn)[16]相比降低了10倍，且可以在保持原圖像的邊緣細(xì)節(jié)的前提下具有優(yōu)秀的背景平滑特性，在實(shí)際應(yīng)用中有著較好的應(yīng)用前景，但在連續(xù)工作的過(guò)程中仍然存在設(shè)備卡頓的問(wèn)題。

本文基于快速引導(dǎo)濾波的改進(jìn)二維伽馬函數(shù)提出一種有著良好實(shí)時(shí)性與穩(wěn)定性的水下動(dòng)態(tài)目標(biāo)雙目定位方法。首先利用卡爾曼濾波對(duì)目標(biāo)運(yùn)動(dòng)區(qū)域進(jìn)行預(yù)測(cè)，隨后利用改進(jìn)的二維伽馬函數(shù)對(duì)預(yù)測(cè)區(qū)域進(jìn)行增強(qiáng)，然后利用雙目相機(jī)對(duì)目標(biāo)進(jìn)行識(shí)別定位，最后經(jīng)過(guò)試驗(yàn)驗(yàn)證了該算法的實(shí)時(shí)性與穩(wěn)定性。

1 方案總體設(shè)計(jì)

本文的算法流程框架如圖1所示，主要分解為4個(gè)階段：1)對(duì)原始水下圖像進(jìn)行張正友棋盤格標(biāo)定之后進(jìn)行圖像檢測(cè)獲取初始目標(biāo)區(qū)域角點(diǎn)值(xo，yo，wo，ho)；2)利用卡爾曼濾波算法預(yù)測(cè)目標(biāo)區(qū)域下一刻角點(diǎn)的預(yù)測(cè)值(xv，yv，wv，hv)；3)根據(jù)角點(diǎn)預(yù)測(cè)值截圖ROI區(qū)域，利用基于快速引導(dǎo)濾波調(diào)整光照分量后的二維伽馬函數(shù)進(jìn)行圖像校正；4)對(duì)左右相機(jī)圖像檢測(cè)后獲得的中心像素點(diǎn)進(jìn)行定位算法結(jié)算，得到目標(biāo)在右攝像機(jī)坐標(biāo)系下的三維空間坐標(biāo)(x，y，x)。

圖1 水下雙目視覺(jué)定位系統(tǒng)框圖

2 算法研究與改進(jìn)

2.1 基于快速引導(dǎo)濾波的光照分量提取

根據(jù)Retinex理論[18]可知，人通過(guò)肉眼感知得到的圖像F(x，y)是由兩部分的乘積組成，分別為反射分量R(x，y)與光照分量L(x，y)，其表達(dá)式為：

F(x，y)=R(x，y)·L(x，y)

(1)

其中：光照分量代表圖像的低頻特性，而反射分量決定了圖像的本質(zhì)特性，代表圖像的高頻特性，能夠決定圖像的細(xì)節(jié)信息。在以圖像視覺(jué)為主的CV任務(wù)中，經(jīng)常會(huì)遇到光照不均勻的圖像，此類圖像由于所處環(huán)境中的光照程度不同，導(dǎo)致目標(biāo)物處的光照情況不同，這種情況往往會(huì)對(duì)圖像的對(duì)比度產(chǎn)生較大的干擾，從而影響到CV任務(wù)的最終結(jié)果。如果不能保證圖像中目標(biāo)物的每處光強(qiáng)度都是均勻的會(huì)導(dǎo)致目標(biāo)的某些重要的節(jié)信息無(wú)法提取，從而影響到最終的識(shí)別定位結(jié)果。因此，研究一種可以有效平衡光照不均勻圖像的算法有著重要的研究?jī)r(jià)值。

在設(shè)備方面，對(duì)于常用的光學(xué)成像設(shè)備而言，靠設(shè)備并不能滿足單獨(dú)分別光照分量的需求，這是因?yàn)樵O(shè)備獲取的圖像是由光照分量和反射分量共同作用的結(jié)果。因此，在對(duì)光照不均勻圖像的校正處理時(shí)，最大的難題是在充分保留圖像細(xì)節(jié)的前提下進(jìn)行光照分量的提取。

目前，在圖像處理中使用較多的是HSV 顏色空間。因?yàn)镽GB通道并不能很好地反映出物體具體的顏色信息，而相對(duì)于RGB空間，HSV空間能夠非常直觀的表達(dá)色彩的明暗，色調(diào)，以及鮮艷程度，以方便進(jìn)行顏色之間的對(duì)比，因此，HSV空間在多項(xiàng)領(lǐng)域中更加常用。HSV表達(dá)彩色圖像的方式由3個(gè)部分組成，分別是色調(diào)H、飽和度S以及明度V。色調(diào)的取值范圍為0～360°，從紅色為起點(diǎn)按逆時(shí)針?lè)较騽澐诸伾秶謩e為紅色(0°)、綠色(120°)及藍(lán)色(240°)。飽和度是光譜色與白色混合的結(jié)果，代表顏色與光譜色的匹配程度。飽和度高的顏色視覺(jué)上會(huì)更加鮮艷。通常取值范圍為0%～100%，值越大，顏色越飽和。明度表示顏色的明亮程度，對(duì)于光源色，明度值與發(fā)光體的光亮度有關(guān)；對(duì)于物體色，此值和物體的透射比或反射比有關(guān)。通常取值范圍為0%(黑)到100%(白)。可以看到，H與S空間分別代表圖像的色彩信息以及光譜色的飽和度，而V空間決定了顏色空間中顏色的明暗程度，故本文通過(guò)從HSV空間中提取V分量進(jìn)行光照分量的提取，可以在分離出光照分量的同時(shí)，最大程度的保存圖像的細(xì)節(jié)信息。

引導(dǎo)濾波算法是一種可以保持邊緣的濾波算法。該算法顯式地利用引導(dǎo)圖像(guidance image)計(jì)算輸出圖像，其中引導(dǎo)圖像可以是輸入圖像本身或者其他圖像，與其他同類濾波相比，引導(dǎo)濾波有良好的邊緣保持效果并具有線性時(shí)間的速度優(yōu)勢(shì)。引導(dǎo)濾波可以用于降噪、細(xì)節(jié)平滑以及聯(lián)合采樣等多個(gè)方面。對(duì)光照不均勻圖像進(jìn)行引導(dǎo)濾波處理能夠有效得到圖像的低頻信息，并且引導(dǎo)濾波算法在同類算法中具有最低的運(yùn)算復(fù)雜度。引導(dǎo)濾波算法中某像素點(diǎn)的輸出為：

qi=akIi+bi，?i∈ωk

(2)

式中，q為輸出圖像，I為引導(dǎo)圖像，ak和bk為當(dāng)窗口中心位于k時(shí)該線性函數(shù)的不變系數(shù)，ωk為濾波窗口。該濾波算法的假定條件是：q和I在以像素k為中心的窗口中存在局部線性關(guān)系。對(duì)該式求導(dǎo)(即表示邊緣)可知，當(dāng)引導(dǎo)圖像存在邊緣時(shí)，輸出結(jié)果便會(huì)出現(xiàn)邊緣，因此能最大限度的保留引導(dǎo)圖像的邊緣信息。 為了求解ak和bk并得到最小輸入圖像和引導(dǎo)的差值，假設(shè)p是q濾波前的結(jié)果，并滿足p與q之間的差值最小，根據(jù)無(wú)約束圖像復(fù)原的方法即可轉(zhuǎn)化為求最優(yōu)化問(wèn)題，其損失函數(shù)為：

(3)

式中，ε為規(guī)則化參數(shù)，輸入圖像為p。將i限制在窗口ωk中可避免a出現(xiàn)數(shù)值過(guò)大的情況。令損失函數(shù)分別在ak和bk處的偏導(dǎo)函數(shù)等于0可得到ak和bk的最優(yōu)解，即可得到損失函數(shù)的最小值：

(4)

(5)

式中，ωk濾波窗口內(nèi)的像素點(diǎn)數(shù)目為|ω|；圖像I在窗口中的方差與均值分別為σk和μk；窗口中pk的均值為pk。由于在不同的窗口中的ak和bk取值不同，并且這些不同的窗口會(huì)包含同一點(diǎn)像素，故需求出ak和bk在以該像素為中心點(diǎn)的不同窗口中的均值作為求qi的參數(shù)，其表達(dá)式為：

(6)

雖然引導(dǎo)濾波算法在各種具有邊緣保持效果的濾波算法中具有最低的運(yùn)算復(fù)雜度，但仍然無(wú)法滿足運(yùn)動(dòng)圖像識(shí)別定位的實(shí)時(shí)性。為了進(jìn)一步降低引導(dǎo)濾波算法的時(shí)間復(fù)雜度，在該算法的基礎(chǔ)上通過(guò)下采樣減少需要的像素點(diǎn)，利用輸入圖像和引導(dǎo)圖像的降采樣圖像來(lái)求解ak和bk后再上采樣恢復(fù)到原來(lái)大小。假設(shè)縮放比例為s，則快速引導(dǎo)濾波運(yùn)算的時(shí)間復(fù)雜度由O(N)降為O(N/s2)，一般而言，該算法的運(yùn)算速度會(huì)比引導(dǎo)濾波算法快10倍以上。

對(duì)攝像機(jī)提取的原圖像分離V空間作為輸入圖像p以及引導(dǎo)圖像I，則光照分量L(x，y)即為算法的最終結(jié)果q。

2.2 基于二維伽馬函數(shù)的自適應(yīng)亮度校正

提取了圖像的光照分量后便可利用二維伽馬函數(shù)進(jìn)行亮度校正，其表達(dá)式為：

(7)

式中，I(x，y)是輸入圖像的亮度；O(x，y)是輸出圖像；L(x，y)是提取出的當(dāng)前點(diǎn)(x，y)上的光照分量值；γ為用于亮度增強(qiáng)的指數(shù)值，其中包含了圖像的光照分量特性；m值采用為當(dāng)前圖像光照值的均值，為了節(jié)省算法的運(yùn)算時(shí)間，采用文獻(xiàn)[17]的測(cè)量平均值128。

利用該算法對(duì)一幅光照不均勻圖像進(jìn)行校正，處理前后圖像及其直方圖分別如圖2與圖3所示。

圖2 水下拍攝圖像與直方圖

圖3 水下校正圖像與直方圖

對(duì)比可知，經(jīng)過(guò)算法處理后，原圖像中亮度過(guò)低區(qū)域圖像的亮度值得到了有效增強(qiáng)，而亮度過(guò)高區(qū)域的亮度得到了有效降低有利于發(fā)現(xiàn)亮度過(guò)高和亮度過(guò)低區(qū)域的細(xì)節(jié)信息。因此，本算法在提高圖像的視覺(jué)質(zhì)量、發(fā)現(xiàn)過(guò)亮或者過(guò)暗區(qū)域的細(xì)節(jié)信息等方面具有重要的作用。

2.3 基于卡爾曼濾波的目標(biāo)檢測(cè)方法

為了一進(jìn)步提高算法的運(yùn)算速度，本文利用經(jīng)典卡爾曼濾波器用于預(yù)估下一時(shí)刻的狀態(tài)的特性對(duì)運(yùn)動(dòng)目標(biāo)區(qū)域位置進(jìn)行預(yù)測(cè)，以縮小圖像校正算法的校正區(qū)域，使算法的運(yùn)算速度得到進(jìn)一步提升。

采用初始時(shí)刻在圖像中檢測(cè)到的目標(biāo)區(qū)域的像素值坐標(biāo)X(O)=(xo，yo，wo，ho)分別作為系統(tǒng)觀測(cè)值初始化卡爾曼濾波器，通過(guò)狀態(tài)更新方程來(lái)預(yù)測(cè)下一時(shí)刻目標(biāo)區(qū)域的位置，從而獲得系統(tǒng)在下一時(shí)刻的估計(jì)Xv(k)。其中，x、w分別代表目標(biāo)區(qū)域矩形左上角點(diǎn)的相機(jī)像素坐標(biāo)系橫坐標(biāo)方向像素值以及矩陣的像素寬度值，y、h代表目標(biāo)區(qū)域矩形左上角點(diǎn)相機(jī)像素坐標(biāo)系縱坐標(biāo)方向像素值以及矩陣的像素高度值。

其動(dòng)態(tài)ROI窗口示意圖以及卡爾曼濾波預(yù)測(cè)效果如圖4與圖5所示?？梢钥吹?，卡爾曼濾波算法可以實(shí)時(shí)預(yù)估下一時(shí)刻目標(biāo)在相機(jī)視場(chǎng)的位置，并且可以根據(jù)距離目標(biāo)的遠(yuǎn)近動(dòng)態(tài)的調(diào)整ROI窗口的大小，避免了當(dāng)目標(biāo)發(fā)生旋轉(zhuǎn)等而導(dǎo)致目標(biāo)在ROI窗口中部分丟失的情況，有力的保證了檢測(cè)識(shí)別的穩(wěn)健性與算法的實(shí)時(shí)性。

圖4 動(dòng)態(tài)ROI窗口示意圖

圖5 卡爾曼濾波算法跟蹤示意圖

2.4 水下目標(biāo)檢測(cè)算法研究

結(jié)合2.1及本文實(shí)際應(yīng)用場(chǎng)景中主要影響目標(biāo)檢測(cè)的因素考慮，決定將圖像從RGB色彩空間轉(zhuǎn)換到HSV色彩空間，以便更好地感知圖像顏色，利用HSV分量從圖像中提取感興趣的區(qū)域。

首先選取目標(biāo)物，本文采用藍(lán)色圓盤狀物體。通過(guò)2 000張理想環(huán)境目標(biāo)物圖片的分量提取計(jì)算，采用HSV閾值范圍如下：H：[100，124]，S：[100，255]，V：[100，255]。

灰度閾值計(jì)算流程具體工作步驟為：

1)讀取當(dāng)前視頻幀圖像并保存為frame，對(duì)frame進(jìn)行RGB到HSV的空間轉(zhuǎn)換，轉(zhuǎn)換后的圖片保存為img，提取img的尺寸大小分別賦值給a，b；

2)賦值i=1，j=1，遍歷img空間，根據(jù)上文的閾值，按如下公式計(jì)算得到二值化圖像imgMask的每一個(gè)像素點(diǎn)值P(i，j)，imgMask圖像如圖6所示。

圖6 imgMask掩膜區(qū)域

(8)

3)利用摩爾鄰域跟蹤算法對(duì)imgMask進(jìn)行輪廓提取，對(duì)提取到的參數(shù)進(jìn)行融合計(jì)算即可得到目標(biāo)中心點(diǎn)像素值，具體如圖7所示。

圖7 目標(biāo)識(shí)別示意圖

2.5 水下目標(biāo)定位算法研究

根據(jù)攝像機(jī)的個(gè)數(shù)，目標(biāo)定位方法分為單目、雙目以及多目定位方法。由于單目相機(jī)在測(cè)距的范圍和距離方面存在一個(gè)不可調(diào)和的矛盾，即攝像頭的視角越寬，所能探測(cè)到精準(zhǔn)距離的長(zhǎng)度越短，視角越窄，探測(cè)到的距離越長(zhǎng)而多目相機(jī)需要的設(shè)備空間較大以及運(yùn)用成本翻倍，且多路圖像數(shù)據(jù)的處理難度加大，這對(duì)處理芯片的要求以及硬件的可靠性要求增高，因此采用雙目系統(tǒng)來(lái)研究水下運(yùn)動(dòng)目標(biāo)定位算法。

在安裝好雙目攝像頭后，首先利用張正友標(biāo)定法對(duì)雙目相機(jī)進(jìn)行標(biāo)定，得到雙目相機(jī)的內(nèi)外參數(shù)矩陣模型；

其次，根據(jù)單目相機(jī)的坐標(biāo)轉(zhuǎn)換關(guān)系建立相機(jī)坐標(biāo)系到世界坐標(biāo)系的轉(zhuǎn)換關(guān)系：

(9)

式中，w為世界坐標(biāo)系，c代表相機(jī)坐標(biāo)系，M1為相機(jī)內(nèi)參矩陣，M2為相機(jī)坐標(biāo)系到世界坐標(biāo)系的外參矩陣；

隨后，根據(jù)(9)建立左右相機(jī)坐標(biāo)系下的轉(zhuǎn)換關(guān)系，將世界坐標(biāo)系與右相機(jī)坐標(biāo)系進(jìn)行重合，對(duì)兩式聯(lián)立即可得到如下的關(guān)于世界三維坐標(biāo)點(diǎn)的方程組：

(10)

式中，l為左相機(jī)坐標(biāo)系，r為右相機(jī)坐標(biāo)系，(u，v)目標(biāo)點(diǎn)再相機(jī)坐標(biāo)系下的像素位置；

最后，將世界坐標(biāo)系設(shè)在右相機(jī)坐標(biāo)系位置，即Mr為單位陣，對(duì)方程組(10)進(jìn)行求解后即可得到目標(biāo)在有相機(jī)坐標(biāo)系下的三維坐標(biāo)(XW，YW，YW)。

3 試驗(yàn)結(jié)果與分析

3.1 試驗(yàn)場(chǎng)地與設(shè)備參數(shù)

本次實(shí)驗(yàn)在水池實(shí)驗(yàn)室的水箱中進(jìn)行定位性能測(cè)試，如圖8所示。使用的雙目相機(jī)系統(tǒng)左右相機(jī)采用了deepsea power&light公司的Multi Sea Cam相機(jī)，其標(biāo)定參數(shù)如表1與表2所示。

表1 左右攝像機(jī)水下標(biāo)定參數(shù)

表2 水下立體標(biāo)定參數(shù)

圖8 水箱試驗(yàn)裝置

3.2 圖像校正算法試驗(yàn)與分析

分別在明亮(場(chǎng)景1)，平常(場(chǎng)景2)以及昏暗(場(chǎng)景3)3個(gè)場(chǎng)景下對(duì)多尺度高斯函數(shù)(尺度因子c分別為15，80和250)、雙邊濾波(空間域權(quán)重σs=8，灰度域權(quán)重σr=4，濾波半徑r=21)、快速引導(dǎo)濾波(濾波半徑r=16，調(diào)整參數(shù)ε=0.01，下采樣倍率s=4)以及本文算法進(jìn)行了圖像校正，為了方便對(duì)比，本文分別從主觀與客觀方面進(jìn)行了展示，主觀效果如圖9至圖11所示，為了進(jìn)一步比較不同算法的處理效果，衡量不同算法之間的校正效果，利用以下4個(gè)指標(biāo)來(lái)展現(xiàn)不同算法校正后的圖像效果：標(biāo)準(zhǔn)差(SD，standard diviation)、平均梯度(AG，average gradient)、熵(entropy)以及單幀圖像處理時(shí)間(t/s)。標(biāo)準(zhǔn)差可以用來(lái)完美地表示數(shù)據(jù)的離散程度，標(biāo)準(zhǔn)差與均值相結(jié)合，可以描述正態(tài)分布特征，即估計(jì)正態(tài)分布下數(shù)據(jù)的頻數(shù)分布情況，標(biāo)準(zhǔn)差越大說(shuō)明圖像的邊緣細(xì)節(jié)越清晰，圖像質(zhì)量越好；平均梯度能反映圖像中細(xì)節(jié)反差和紋理變換，平均梯度越大說(shuō)明圖像越清晰；熵是指圖像的平均信息量，它從信息論的角度衡量圖像中信息的多少，圖像中的信息熵越大，說(shuō)明圖像包含的信息越多。單幀圖像處理時(shí)間(t/s)是算法處理圖像所需要的運(yùn)行時(shí)間，時(shí)間越短，算法的實(shí)時(shí)性越好。以上3種場(chǎng)景的圖像經(jīng)過(guò)不同方法處理前后的數(shù)據(jù)對(duì)比如表3所示。

表3 不同算法處理前后的客觀質(zhì)量

圖9 明亮環(huán)境下的濾波校正效果對(duì)比圖

圖10 平常環(huán)境下的濾波校正效果對(duì)比圖

圖11 昏暗環(huán)境下的濾波校正效果對(duì)比圖

從圖中可以看出，在不同環(huán)境中，MSR算法可以顯著提高整幅圖像的亮度，但對(duì)于高亮圖片的處理效果一般，導(dǎo)致處理后的圖像的視覺(jué)質(zhì)量不高，同時(shí)處理過(guò)程中放大了圖像中的噪聲，明顯地模糊了邊緣，對(duì)于高頻細(xì)節(jié)的保護(hù)效果并不明顯；雙邊濾波算法可以取得較好的處理效果，良好地保溜了圖像的邊緣細(xì)節(jié)，但是由于保存了過(guò)多的高頻信息，對(duì)于彩色圖像里的高頻噪聲，雙邊濾波器不能夠干凈的濾掉，只能夠?qū)τ诘皖l信息進(jìn)行較好的濾波；快速引導(dǎo)濾波算法在高亮與高暗處的細(xì)節(jié)信息增強(qiáng)、提升圖像對(duì)比度等方面均取得了比較好的處理結(jié)果，而且處理后的圖像具有更好的視覺(jué)質(zhì)量；而本文算法加入ROI預(yù)測(cè)區(qū)域后，縮小了圖像增強(qiáng)的區(qū)域，降低了算法計(jì)算區(qū)域，顯著提高了算法的處理時(shí)間，同時(shí)降低了非目標(biāo)區(qū)域增強(qiáng)而對(duì)后續(xù)的識(shí)別定位算法造成的干擾從表中數(shù)據(jù)可以看到，經(jīng)過(guò)本文算法處理后圖像在標(biāo)準(zhǔn)差，平均梯度，信息熵與算法運(yùn)算時(shí)間上均有顯著的提升，有效的提升了圖像的對(duì)比度，清晰度，信息量以及處理速度，為目標(biāo)的識(shí)別定位的實(shí)時(shí)性與穩(wěn)定性提供了有力保證。

3.3 雙目定位算法試驗(yàn)與分析

為了驗(yàn)證本文水下動(dòng)態(tài)目標(biāo)定位方法的準(zhǔn)確性，分別使用傳統(tǒng)的雙目定位算法(算法1)、全局圖像校正增強(qiáng)過(guò)后的雙目定位算法(算法2)以及基于ROI區(qū)域校正增強(qiáng)后的本文定位算法(算法3)在場(chǎng)景2中選取了10個(gè)點(diǎn)進(jìn)行了目標(biāo)中心點(diǎn)的三維坐標(biāo)定位并與人工測(cè)量結(jié)果進(jìn)行了對(duì)比結(jié)果如表4所示，并給出三組定位算法計(jì)算數(shù)據(jù)的誤差曲線如圖12所示。

表4 不同算法處理前后的目標(biāo)三維坐標(biāo)

圖12 x，y，z方向誤差

對(duì)比在不同位置的測(cè)量中，不做圖像增強(qiáng)的雙目定位算法在3個(gè)方向上的平均誤差分別為(1.6，1.4，1.9)(cm)；全局圖像校正增強(qiáng)后的雙目定位算法在3個(gè)方向上的平均誤差分別為(0.3，0.4，0.9)(cm)；基于ROI區(qū)域校正增強(qiáng)后的本文定位算法在3個(gè)方向上的平均誤差分別為(0.4，0.3，1.1)(cm)?？梢钥吹剑?jīng)過(guò)圖像校正增強(qiáng)后的雙目定位算法對(duì)區(qū)域中運(yùn)動(dòng)目標(biāo)定位的測(cè)量精度均遠(yuǎn)小于傳統(tǒng)的雙目定位算法所得定位誤差值，而本文所采用的算法與全局增強(qiáng)后的雙目定位算法測(cè)量誤差精度基本一致。表明本文算法在保證運(yùn)行速度顯著提升的前提下在水下動(dòng)態(tài)目標(biāo)定位中能夠獲得有效的目標(biāo)中心點(diǎn)空間位置信息，具有較高的定位精度。

4 結(jié)束語(yǔ)

在水下圖像拍攝的過(guò)程中，由于水和懸浮粒子對(duì)不同波長(zhǎng)的光有選擇性的吸收和散射以及相機(jī)自身的局限性，拍攝到的圖像通常存在光照不均勻的情況，成像設(shè)備所獲得的圖像的亮度和對(duì)比度整體不足，會(huì)導(dǎo)致圖像具有的許多細(xì)節(jié)信息被忽略。針對(duì)這個(gè)問(wèn)題，本文提出基于二維伽馬函數(shù)的亮度校正方法；針對(duì)亮度校正算法運(yùn)行時(shí)間太長(zhǎng)導(dǎo)致實(shí)際操作過(guò)程中圖像卡頓的問(wèn)題，采用快速引導(dǎo)濾波算法進(jìn)行光照分量的提取，并利用卡爾曼濾波對(duì)目標(biāo)運(yùn)動(dòng)區(qū)域進(jìn)行預(yù)測(cè)，大大降低了圖像算法校正處理的像素量，有效降低了算法處理的時(shí)間，提出了一種基于雙目視覺(jué)的水下動(dòng)態(tài)目標(biāo)定位方法，經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，本文算法在運(yùn)行速度方面有著顯著提升，對(duì)比快速濾波算法由5 FPS提升到了35 FPS，且在保證算法的運(yùn)算速度前提下，本文算法也有著較高的精度，在方向的平均相對(duì)誤差為3.59%，在方向的平均相對(duì)誤差為3.35%，在Z方向的平均相對(duì)誤差為1.42%。結(jié)果表明，該算法可以滿足水下動(dòng)態(tài)目標(biāo)跟蹤定位的實(shí)時(shí)性與魯棒性要求。