技术领域本发明涉及自动控制领域，尤其涉及一种基于全景环视的船只停泊系统。
背景技术：
随着经济和社会的发展，船舶工业也运用在社会产业的诸多方面，如旅游业、运输业，甚至是军事方面。即便是有经验的船长也无法做到十分清楚水域的具体状况。然而视觉信息是实现环境感知与监控、系统智能的主要技术手段。与传统视觉环境感知系统视场较小不同，全景视觉能够实现水平方向360度，垂直方向240度范围内的大视场监控，其广阔的视角为监控周围环境提供了方便。因此，实有必要提供一种基于三维全景环视的无人艇自动锚泊系统。
技术实现要素：
为了解决上述问题，本发明的一个方面提供一种基于全景环视的船只停泊系统，其特征在于：所述基于全景环视的船只停泊系统包括主控制模块、与主控制模块连接的电池和泊船控制模块、与主控制模块连接的显示模块、船速传感器、陀螺仪传感器以及与主控制模块连接的四个摄像头，所述主控制模块包括主控制器、分别与主控制器相连接的电源电路、存储器、与四个摄像头连接的四个图像校正与信号调理模块以及分别与所述船速传感器和陀螺仪传感器相连的两个信号调理电路，所述主控制模块还具有聚类分析模块，所述存储器与聚类分析模块连接，所述聚类分析模块与泊船控制模块连接。进一步地，所述四个摄像头分别安装在船身的前、后、左、右外表面，摄像头分别带有防水装置且具有可旋转的广角镜头。进一步地，本申请提供一种障碍物识别方法：所述基于全景环视的船只停泊系统的工作方法包括以下步骤：首先，四个摄像头分别采集船身及船下前、后、左、右的实时画面，并将实时画面传输至主制控器；所述船速传感器、陀螺仪传感器分别采集船只的行驶速度以及运行方位；所述四个图像校正与信号调理模块对四个摄像头采集到的实时画面进行校正与信号处理，然后再将校正后的四副图像进行拼接处理，得到船身周围的全景图像；所述显示模块显示船身周围的全景图像；所述两个信号调理电路将船速传感器和陀螺仪传感器采集到的信息进行校正与信号处理，得到船只运行速度以及具体方位；所述存储器中存储采集到的所述船只信息并向所述聚类分析模块提供聚类分析的数据即全景图像；所述聚类分析模块依据存储器中存储并向聚类分析模块提供全景图像障碍物特征，采用自适应阈值级联线性支持向量机识别不同类型障碍物，并对当前准备停泊环境的安全性、便利性有利特征的聚类算法进行分析，从而判断是否需要调用泊船控制模块，进行泊船。进一步地，本申请提供的基于全景环视的船只停泊系统的工作方法还包括聚类模块工作方法，所述聚类模块工作方法如下，采用改进CHT特征提取全景环视图像中的障碍物特征T，T＝G(pc)t(s(pc-p0),s(pc-p1),…,s(pc-p7))其中，s(x)=1.5x≥00x<0]]>式中，t()函数表示符号差分值的联合分布函数；s(pc-pi)表示当前像素点pc与第i邻域点pi之间的符号差分值，G(pc)为标准正态高斯分布函数。采用自适应阈值级联线性支持向量机识别不同类型障碍物的CHT特征，对所有的样本提取CHT特征组成训练集，利用线性SVM对其进行分类，获得超平面分类器；每一个样本关于超平面分类器有一个输出值即障碍物类型m,计算如下式所示，m=w*·xn+w*b*]]>其中，w*，b*分别是超平面分类器的参数；xn为第n个样本的CHT特征向量，将每一输出值附加一维0-1均匀分布随机数，映射到二维空间，第一层分类器训练完成后，按照自适应阈值的方法剔除掉容易分类的样本，保留hardsamples作为第二层分类器的训练样本，依次类推，直到最后一层分类，最终获得障碍物类型同时判断是否锚泊与现有技术相比，本申请具有以下有益效果：本申请基于全景环视的船只停泊系统可靠性高、测量精度高、安装与调试方便、功耗低、易于普及与推广。附图说明图1是本发明实施例中全景环视船只停泊系统的原理图；图2是本发明实施例中自适应阈值级联分类器训练过程图；图3是本发明实施例中半径为1的8邻域CHT特征检测窗分解样本图；图4是CHT特征提取过程中的空间关系图；图5是CHT特征提取过程中的像素幅值；图6是CHT特征提取过程中的符号差分值；图7是CHT特征提取过程中的权重模板。具体实施方式图1所示是一种基于全景环视的船只停泊系统，所述基于全景环视的船只停泊系统包括主控制模块1、与主控制模块1连接的电池2和泊船控制模块3、与主控制模块1连接的显示模块4、船速传感器5和陀螺仪传感器6以及与主控制模块1连接的四个摄像头7，所述主控制模块1包括主控制器11、分别与主控制器1相连接的电源电路12、存储器13、与四个摄像头7连接的四个图像校正与信号调理模块14以及分别与所述船速传感器5和陀螺仪传感器6相连的两个信号调理电路15，所述主控制模块1还具有聚类分析模块16，所述存储器13与聚类分析模块16连接，所述聚类分析模块16与泊船控制模块3连接。所述电池2用于为主控制模块1提供电力，主控制模块1中所述的电源电路12用于向主控制器11提供电力。所述泊船控制模块3包括手动控制模块31和自动控制模块32。所述船速传感器5和陀螺仪传感器6分别固定在船身表面，用来采集船只的行驶速度以及运行方位。所述四个摄像头7分别为第一摄像头7A、第二摄像头7B、第三摄像头7C和第四摄像头7D，所述第一摄像头7A、第二摄像头7B、第三摄像头7C和第四摄像头7D分别安装在船身的前、后、左、右外表面上，且所述第一摄像头7A、第二摄像头7B、第三摄像头7C和第四摄像头7D均采用带防水装置且可旋转的广角镜头。所述第一摄像头7A、第二摄像头7B、第三摄像头7C和第四摄像头7D分别用于采集船身及船下前、后、左、右的实时画面。所述存储器13中用于存储船速传感器5和陀螺仪传感器6采集到的所有经过该船只的信息。所述四个图像校正与信号调理模块14分别为图像校正与信号调理模块14A、图像校正与信号调理模块14B、图像校正与信号调理模块14C和图像校正与信号调理模块14D，图像校正与信号调理模块14A、图像校正与信号调理模块14B、图像校正与信号调理模块14C和图像校正与信号调理模块14D分别与第一摄像头7A、第二摄像头7B、第三摄像头7C和第四摄像头7D对应连接，并将第一摄像头7A、第二摄像头7B、第三摄像头7C和第四摄像头7D采集到的图像进行校正与信号处理，然后再将四副校正后的图像进行拼接处理，以便于得到船身周围的全景图像。所述主控制器的输出端与所述显示模块的输入端相连接，用于显示船身周围的全景图像。所述两个信号调理电路15分别为第一信号调理电路15A和第二信号调理电路15B，所述第一信号调理电路15A和第二信号调理电路15B分别用于将船速传感器5和陀螺仪传感器6采集到的信息进行校正与信号处理，得到船只运行速度以及具体方位。所述聚类分析模块16根据存储器13中存储的并向聚类分析模块16提供的全景图像障碍物的CHT特征，采用自适应阈值级联线性支持向量机识别不同类型障碍物，对当前准备停泊环境的安全性、便利性进行分析，从而判断是否需要调用泊船控制模块3，进行泊船。若所述聚类分析模块16得出的结果为当前环境适宜停泊，则调用所述泊船控制模块3，所述泊船控制模块16对应调用手动控制模块31或者自动控制模块32来进行手动控制状态下的泊船或者自动控制状态下的泊船。本申请中基于全景环视的船只停泊系统的工作方法包括以下步骤：首先，四个摄像头7分别采集船身及船下前、后、左、右的实时画面，并将实时画面传输至主制控器；所述船速传感器5、陀螺仪传感器6分别采集船只的行驶速度以及运行方位；所述四个图像校正与信号调理模块14对四个摄像头7采集到的实时画面进行校正与信号处理，然后再将校正后的四副图像进行拼接处理，得到船身周围的全景图像；所述显示模块4显示船身周围的全景图像；所述两个信号调理电路15将船速传感器5和陀螺仪传感器6采集到的信息进行校正与信号处理，得到船只运行速度以及具体方位；所述存储器13中存储采集到的所述船只信息并向所述聚类分析模块16提供聚类分析的数据；所述聚类分析模块16根据存储器13中存储的并向聚类分析模块16提供的全景图像障碍物CHT特征，对当前准备停泊环境的安全性、便利性进行分析，从而判断是否需要调用泊船控制模块3，进行泊船。采用改进CHT特征提取全景环视图像中的障碍物特征T。T＝G(pc)t(s(pc-p0),s(pc-p1),…,s(pc-p7))其中：s(x)=1.5x≥00x<0]]>式中，t()函数表示符号差分值的联合分布函数；s(pc-pi)表示当前像素点pc与第i邻域点pi之间的符号差分值。G(pc)为标准正态高斯分布函数。如图2所示，为了改善障碍物检测性能，采用一种自适应阈值级联线性支持向量机识别不同类型障碍物的CHT特征。对所有的样本提取CHT特征组成训练集，利用线性SVM对其进行分类，获得超平面分类器。每一个样本关于该分类器都有一个输出值即障碍物类型m,其计算如下式所示：m=w*·xn+w*b*]]>其中，w*，b*分别是超平面分类器的参数；xn为第n个样本的CHT特征向量。为了使该输出值具有二维可视化特性，将每一输出值附加一维0-1均匀分布随机数，映射到二维空间。第一层分类器训练完成后，按照自适应阈值的方法剔除掉容易分类的样本，保留难以分离的样本作为第二层分类器的训练样本。依次类推，直到最后一层分类,最终获得障碍物类型同时判断是否锚泊。若所述聚类分析模块16分析的结果为当前环境适宜停泊，则调用所述泊船控制模块3，所述泊船控制模块3对应调用手动控制模块31或者自动控制模块32来进行手动控制状态下的泊船或者自动控制状态下的泊船；若所述聚类分析模块16分析的结果为当前环境不适宜停泊，则不调用所述泊船控制模块3，不进行泊船。上述的CHT特征是一种具有较强表达能力的一种纹理特征。半径为1的8邻域CHT特征提取过程如图3所示。并如图4所示，为当前计算像素点pc与邻域点之间的空间关系图，依次顺时针编号为：p0～p7；图5所示为当前像素点的灰度幅值。依据该幅值关系，可以获得像素点之间的符号差分值，如式(1)，(2)所示：T＝t(s(pc-p0),s(pc-p1),…,s(pc-p7))(1)其中：s(x)=1x≥00x<0---(2)]]>式中，t()函数表示符号差分值的联合分布函数；s(pc-pi)表示当前像素点pc与第i邻域点pi之间的符号差分值。如图6所示，为所有邻域点相应的符号差分值。图7给出了CHT特征计算的权重模板，此时当前像素点pc的对应CHT值可由式(3)计算得出：CHTN,R=Σn=0N-1s(pc-pn)×2n,N=8,R=1---(3)]]>式中，N为邻域像素点数量，R为CHT计算半径，计算可得当前像素点的CHT值为47。不难看出，CHT值只与像素点之间的相对关系有关，而与具体的像素幅值无关。