基于人像分割的智能搜救无人机系统设计

谢李蓉

（四川司法警官职业学院 四川省德阳市 618000）

近几年来由于各方面原因，世界范围内经常出现各种形式的自然灾害和人为灾难，如地震、洪水、城市火灾等，危及相关区域人类的生命安全，许多灾害由于地理位置等因素，不仅容易产生大面积的影响，造成大量人员伤亡、建筑物摧毁，还给搜救工作带来了多方面的严峻挑战。随着无人机技术的逐渐成熟，其应用优势逐渐在各领域凸显出来，无线遥感、程序自动控制等技术使其能够在搜救领域一展身手，其基于网络通讯、电气自动、图像分析等技术完成自动搜索、人像分割等任务，将其他现有的自动化产品在搜救领域有着天然优势。无人机在搜救过程中将拍摄大量的图像信息，不仅对成像技术的要求很高，还需要进行及时、准确的图像传输和分析，才能准确的找寻搜救目标，获取目标空间位置等信息，为搜救工作提供准确的数据支持，方便救援工作快速有效的开展。而相比无人机在地质勘查、运输等领域的应用，无人机在搜救领域中，对其图像处理技术的质量要求更高，需要进行人像分割等技术处理，以准确的获取目标区域人的地理信息、相貌特征、活动情况等信息，但现有技术基于成像系统、图像处理系统等技术的限制，难以快速的获取成像，图像的实时性、成像质量也较差，因此需要优化无人机系统，更好的应用人像分割等图像处理技术，以提升搜救无人机的智能化水平和图像信息的质量。

1 无人机影像特征及在搜救领域的应用优势和工作流程综述

1.1 无人机影像特征

无人机搜救需要应用高分辨率的影像技术，而高分辨率影像包含丰富光谱和复杂地面纹理。基于光谱、纹理等信息，进行特征分析，判别搜索区域的地理特征、人像特征。但传统图像信息在分割、识别过程中，由于光谱信息易受光照程度、云层等多因素的影响，且技术上存在异物同谱或同物异谱等情况，给光谱信息区域分割、人像分割等工作带来了巨大困难，影响影像分割的质量、精度。无人机影像的纹理特征体现影像灰度值空间，利用其空间分布能一定程度克服传统光谱影像分割中异物同谱等问题，在搜救任务图像中，可体现出山脉、草地、森林、道路、楼房、人等事物的不同纹理，通过纹理特征进行区域识别、目标辨认。

目前无人机影像纹理特征处理，一般基于统计、频谱、模型等方法进行分析。由于搜救工作一般在复杂的地域进行，局部区域纹理特征可能表现出极强随机性，而从整体特征进行统计、分析，可提升纹理特征的规律性；应用频谱方法，以多尺度分析、多频域和时间为基础分析纹理特征；模型方法是利用统计和信号数据建立模型，如wold 分解、自回归、马尔科夫随机场等模型描述特征；结构分析法基于某种语言排列已提取的纹理单元，适用于描述较规则的纹理数据。

1.2 无人机在搜救领域的应用优势

无人机应用于搜救工作，一般由操作者利用基于无线电技术的遥控设备进行控制，使无人机以合适的飞行方向、速度和高度进行区域搜索，完成目标搜索任务。从技术层面可将无人机分为无人固定翼、无人垂直起降飞机和无人飞艇、直升机、旋翼飞行器、伞翼机等类别。不同无人机在设备大小、核心技术等方面均有差别，实际搜救任务中视具体作业需要、任务复杂度选择合适的无人机，如垂直起降无人机较适合矿工搜救场景。

整体而言，无人机较有人飞机具备耗能小、操纵方便、易拆装收纳等优点，无人机与载人飞机相比，且在体积、成本两方面有明显的优势。无人机不需要设计载人空间，较小体积使其能在更狭小的区域进行搜救工作；由于体积减少，从机身材料等方面减少了无人机的制造成本，如今许多性能较好的无人机已实现大规模量产，在抢险救灾场景中可以利用多艘无人机对某区域进行细致的搜索，以地震为例，可能引发房屋塌陷、地质断裂情况，救灾人员可通过无人机提前勘测道路等灾区情况，更准确、细致的开展道路抢修、人员搜救、物资运输等工作，也间接减少了搜救人员的工作危险性，提升了赈灾救援的速度。

1.3 无人机搜救场景的工作流程

实际救援场景中，无人机工作将由救援基站进行部署，进行用户信息、搜救信息处理和数据建设等工作。以较大的灾区救援为例，首先合理布置总基站、临时基站，保证各基站工作覆盖位置能合理的覆盖搜救区域，总基站包含各临时站，及时将整体救援信息传输给临时基站，总基站通过申请GIS 等地理信息系统的访问权限，得到受灾地区详细的地理信息，如经纬度、天气、空气能见度等，根据灾区各区域情况和地理情况，向临时基站传输物资需求、人员搜救等任务，总基站进行统一的数据收集、归类工作，根据进展及时的更新和下发救灾信息。其次，临时基站主要担任引导受灾人群聚集、管理等一线工作，如通过无人机引导人员向救灾基站靠拢，用无人机向无法前进的人员运送物资，为迷路人员和搜救官兵提供寻路、引路等工作。

一般情况下，无人机群由总基站统一管理，救援初期由其下发救援指令，由无人机群对整个灾区进行广度优先信息搜索；然后根据获取的灾区情况派遣相应无人机群到临时基站，优先抵达相邻子基站或受灾严重区域，详细了解各受灾区域情况，并考虑灾区动态变化，对新加入灾区或情况变化明显区域，调整无人机派遣数量、搜救密度；接着，临时基站用无人机调查和传输各子灾情，由总基站统计并考虑优先级等因素，统一调度临时基站进行物资运输、地形勘测等任务。

2 智能搜救无人机系统设计分析

2.1 搜救无人机开发环境

我国当前无人机设计开始借助MicroPython 等开源电路板实现相关控制功能，其是基于Python 脚本语言实现的，社区支持强大、应用广泛，还可以访问一些底层操控硬件。借助MicroPython，通过脚本语言来访问和控制无人机LED 灯、控制电机、SD 卡等硬件。

OpenMV 是优秀的机器卫星视觉模块，应用于搜救无人机系统设计，为人像分割等图像处理的提高关键支持。该模块基于单片机和图像传感器实现，通过搭载基于MicroPython 实现的解释器、Python 编程，完成端口控制、图像文件读取等基础功能和人脸检测与跟踪、颜色提取与跟踪等复杂功能。

LAB 色彩模型由明度和色彩a、b 要素组成，明度用L 表示，a 要素表示色彩区域中从洋红至绿色的色彩范围，b 要素表示从色彩区域中从黄至蓝的色彩范围。由于LAB 模型不依赖设备的摄像性能和色域宽阔，包含了CMYK 等所有人眼可见色域，将其应用于搜救无人机，能很好的弥补了传统摄像机器只使用RGB 色彩模型导致色彩分布不均的问题，使无人机搜救图像能呈现出更宽阔色域、丰富色彩，方便进行人像分割等色彩处理。

2.2 全自动模拟搜救系统的模块设计

实现搜救无人机智能化的基础，就是实现高度的全自动化，因此需要设计模拟搜救系统，包括无人机控制模块、手控模块和目标自动跟踪模块。无人机控制模块，要满足无人机在不同搜救地理环境下的稳定性，并实现无人机稳定性功能，一般通过陀螺仪等设备实现控制增稳、定向飞行等自动功能。

无人机起飞、着陆等环节对其稳定性的要求也较高，可以通过手控模块传输返启航信号和具体操作，通过受控模块，技术人员利用遥感设备进行大力螺旋等操作，传输给无人机具体目标坐标，实现无人机落地、抓取目标、休眠等操作。

目标自动追踪模块是实现自动目标定位、自动实时追踪、路线矫正等搜救工作的关键。该模块基于图像传感器获取即时图像，对彩色图像进行阈值分析和人人像分割等处理，更准确的选取目标、获取其坐标，并传输给控制模块。

2.3 全自动模拟搜救系统的流程设计

无人机全自动目标搜救流程包括：

（1）无人机稳定飞往搜救任务区域，由自动控制模块向追踪模块传输具体搜索指令；

（2）追踪模块根据搜索指令通过色彩模型分割颜色阈值，即自动进行人像分割等操作，判断和锁定人物目标，若目标锁定成功，进行实时追踪并向手控模块反馈目标坐标，等待返航、睡眠或下一个搜救指令；

（3）手控模块在根据坐标信息触发休眠自动追踪模式，并等待下一个控制信息；

（4）无人机完成人物进行返航，判断搜救目的完成情况，若完成自动进行飞行。

3 人像分割技术在无人机智能搜救中的应用实现

人像分割是提取和处理影像的关键一步，依据空间、颜色、纹理等图像特征提取和处理信息，人像分割后得到人物、背景不同区域的情况，是无人机进行目标识别、跟踪等下一步自动操作的技术前提。本文基于Mean Shift 分割算法探究无人机搜救影像处理的实现方法：

3.1 图像分割后区域合并原理

图像分割后区域合并指通过设定的规则对影像进行区域分割后，再将其与相邻影像区域进行合并，是人像分割的基本技术流程。首先，需要根据相连区域的某些一致特征制定合并规则，一般根据区域颜色值距离、面积值等因素设定自动合并规则。如基于Mean Shift 算法设定合理的空间带宽参数，规范不同目标分割影像大小，从而准确的对人像和背景进行分割。

3.2 区域合并预处理

高分辨率影像再分割和再合并过程中，对原影像的精度将造成影响。而无人机搜救人物中，不仅需要获取详细的人像信息，还需要获取地物边缘、细小地质情况等丰富地理信息，而这些信息可能由同一区域被分割为不同小区域，因此需要进行准确的区域合并。Mean Shift 算法能敏感的辨别影像任何局部区域的极大值，分割极大值点区域，可能保留了部分“椒盐噪声”，因此需要采取合理降噪措施，减少计算量、提升影像信息准确度，即通过面积阈值等合并规则替换颜色值规则，合并细小临近区域，去除极大值区域合并遗留的图像噪声。

3.3 区域合并过程

通过Mean Shift 算法将无人机图像分割为n 个区域，确定相邻区域是否存在色彩、纹理等特征相似情况，采用各区域平均光谱矢量代表自身光谱特征。首先，影像分割后，获得各像元数量，即区域灰度矢量，通过灰度矢量得出各分割平均光谱矢量，进而结合波段数等数据计算出相邻区域平均光谱矢量的欧氏距离，表示为D。然后，若D 小于设定颜色特征的阈值，则进行区域合并，并根据像元个数计算区域面积，结合面积阈值将细小区域合并到相邻最大面积区域中，并进行区域边界标注，最终得到分割后在合并影像。

4 结束语

综上，本文探讨了智能搜救无人机的图像特征、系统设计和人像分割的实现等内容。搜救无人机应用OpenMV 模块、MicroPython 开源板块、LAB 色彩模型和Mean Shift 图像算法，可较好的实现搜救任务自动化，精准处理纹理、色彩等特征，进行人像分割等处理，以更准确的进行人员搜救等工作。但由于不同搜救场景地物细节等信息丰富程度、地物关系复杂程度存在差别，还应根据具体搜集场景、任务，合理的选择算法和硬件，设计针对性强或综合能力强的无人机系统，以更好的解决复杂救援工作中的影像处理等问题，提升无人机搜救工作的质量和智能化水平。