[发明专利]一种基于无人艇感知系统的水岸线检测方法

说明书

本申请公开了一种基于无人艇感知系统的水岸线检测方法，该方法包括：步骤1，利用设置于无人艇上的激光雷达，对河道沿岸进行扫描，并通过坐标系变换的方式，生成水岸线图像；步骤2，对水岸线图像进行边缘检测，提取边缘轮廓点，并对提取出的边缘轮廓点进行排序、划分，生成检测点区域；步骤3，依次选取检测点区域中与水岸线图像的中心点距离最近的边缘轮廓点，记作岸边点，并通过曲线拟合计算，生成岸边点对应的拟合曲线，将拟合曲线记作河道沿岸的水岸线。通过本申请中的技术方案，避免传统图像中算法受干扰形成伪轮廓的同时，又避免深度学习的巨大标注工作量，并优化水岸线检测的最终效果，提高水岸线检测的可靠性。

技术领域

本申请涉及水岸线检测的技术领域，具体而言，涉及一种基于无人艇感知系统的水岸线检测方法。

背景技术

近年来，无人水面艇在民用科考以及军事应用等领域发挥着越来越重要的作用。水岸线可用于无人艇视觉导航、运动状态估计，是无人水面艇自主航行的重要参照特征。现有的无人艇大都基于海面环境，内陆河流较少，内河水岸线的识别对于无人艇来说具有重要意义：(1)利用水岸线可以进行图像分区，发现水面区域；(2)可以进行自主避障行驶；(3)可以进行无人艇的运动状态估计。

通过无人艇采集的水面环境图像中，内陆河流的水岸线类似于海面环境中的水天线。目前的水岸线识别算法大都与水天线相似，利用视觉传感器实现图像采集，再对图像进行算法处理，使用的算法包括基于像素显著性方法、变换域方法和信息熵等。这些水天线的识别算法基本都可以取得较好的提取效果且可靠性较高，不同算法之间的区别在于算法的实时性和硬件实现的难易程度。水天线的检测最终可归结于对图像场景中直线特征的提取问题，因此大多数图像检测算法要结合Hough变化或Randon变化完成水天线检测。

利用传统的图像处理算法进行水岸线检测，是使用较多的一类方法。如：上海海事大学彭明阳等人提出了一种“结合HSV空间的水面图像特征水岸线检测方法”。该方法通过分析水面图像在HSV空间的特征，发现陆地区域的饱和度值均高于天空和水面区域。基于这一分析结果，将RGB图像经过高斯滤波变换到HSV空间，依据权重进行HSV控件特征分量选取，接着进行像素点非线性增强、区域分割、提取高饱和度的陆地区域，将此区域定义为模板图像并将模板图像覆盖在各个基地图像上，按重叠区域面积比选取极地图像，最后通过边缘检测算子检测水岸线。

又如：沈建军等人提出一种“结合改进Deeplab v3+网络的水岸线检测算法”。该方法通过采集不同水岸场景图像作为训练及验证图集，利用伽马函数扩充样本；修改Deeplabv3+网络，对xception结构微调，同时在decoder时多增加一路低级特征(low-levelfeature)，增加特征信息；然后依据图像信息设置损失权重系数，设置可视化参数，基于改进的Deeplab v3+网络针对数据集进行训练。利用训练好的模型对测试图像进行区域分割。最后基于提取出的水面区域通过边缘检测算子检测水岸线，并将水岸线叠加到原图。

但对于内陆河流的水岸线检测，由于水波、反光、倒影等因素，导致背景信息多且复杂，内河水岸线检测的背景比水天线更加复杂，主要的缺点如下：

1)传统的图像处理算法开展的水岸线检测，背景干扰要素和噪点比较多，难以通过滤波的方法彻底解决，从而导致算法易受干扰形成伪轮廓；

2)基于深度学习的水岸线检测算法，对于内河水岸线检测来说，算法提取效果较好且可靠性较高，但是标注工作量巨大，并且标注要求较高(需要尽可能完整地标注出水岸线的线条)，费时费力，且成本耗费较高；

3)由于视觉传感器(摄像头)本身的硬件特性，在雨雪天气、逆光或者强光、夜晚等条件下，摄像头的图像质量较差，特别是对于水面无人艇，由于海上的水汽，海浪等外界因素影响，摄像头的镜头常会受到水滴、水汽的干扰，导致图像模糊等问题发生，从而影响图像中的水岸线特征提取和识别。

发明内容