基于機器視覺的位移檢測算法

穆莉莉， 汪晨燦， 儲 匯， 宋 陳

(安徽理工大學 機械工程學院， 安徽 淮南 232001)

國內外樓宇或家庭車庫卷閘門一般采用射頻或攝像頭識別車牌，手動遙控卷閘門的啟?；蜃詣訂⑼?，但目前多數不能實時監控卷閘門的開度，即不能實時監控位移狀態并進行遠程客戶端控制。根據市場跟蹤與調研，用戶提出了非接觸位移監控系統的迫切需求，由于卷閘門提升電機為密封件，不可拆裝，無法安裝位移傳感器，傳統的位移檢測方法無法采用，結合國外客戶需求提出一種基于IPC攝像頭的位移實時檢測系統。由于卷閘門開啟為全天候環境，白天強光、夜晚弱光或黑暗，甚至霧天、雨天、障礙物等對圖像造成極大的影響，對圖像位移跟蹤算法的穩定性和識別精度提出了極高的要求。本文針對光照、障礙物等干擾環境下的標簽選擇、圖像處理、標簽捕捉與跟蹤等圖像算法進行了研究。

1 圖像預處理

卷閘門一般為灰色或白色，邊緣和內部均沒有清晰的特征點，在門不被破壞性處理條件下，本文通過設計一種特殊標簽作為特征點進行標記。標簽材質的選取要考慮光線對其影響，弱光、強光或者黑暗狀態下都能夠保持可追蹤性，同時還要考慮其他顏色對標簽識別的干擾。針對不同光照條件下各種標記物的捕獲特性，選用對光線的吸收效果好帶有顆粒的純黑色標記物，避免了反射、折射等不利影響，以保證圖象質量最佳。IPC攝像機和黑色標簽安裝結構如圖1所示。

圖1 IPC攝像機和黑色標簽安裝結構

標簽的識別追蹤分別經過灰度圖像轉化、高斯模糊、二值化、腐蝕、膨脹等幾個預處理步驟，最后再對帶有特征信息的物體進行追蹤，圖像預處理步驟如圖2所示。

(a)灰度轉換 (b)高斯模糊 (c)腐蝕 (d)膨脹

捕捉到的第一幀圖像為彩色圖像，處理計算量較大，首先進行灰度轉化，然后進行高斯模糊進一步降低對比度，使灰度像素過渡更加平穩。為減少數據維度，排除原圖中噪聲帶來的干擾凸顯有效區域的輪廓范圍，使圖像呈現明顯的黑白效果。本文采用了全局固定閾值函數來實現圖像的二值化處理，設置RGB全局閾值T，圖像中所有像素點統一使用同一個固定閾值。使用一維Means方法尋找二值化閾值：

(1)

式中：f(x,y)為圖像RGB值；g(x,y)為處理后的灰度值[1-3]。

腐蝕膨脹在圖像處理中的主要作用是消除噪聲分割出獨立的圖像元素，在圖像中連接相鄰的元素。膨脹尋找圖像中明顯的極大值區域，腐蝕尋找圖像中明顯的極小值區域，求出圖像的梯度[4]。標簽為純黑色，在進行腐蝕膨脹時先進行灰度翻轉，變為白色高亮，如圖2(c)和圖2(d)所示。

2 位移追蹤監測系統

2.1 KCF追蹤器

KCF(Kernel Correlation Filter)追蹤器采用核相關濾波算法[5]，無論是在跟蹤效果還是跟蹤速度上表現都十分出色。本文選用KCF追蹤器進行標簽追蹤。KCF追蹤算法利用目標函數f(z)=ωTz求最小化采樣數據與下一幀真實目標位置的距離[6]：

(2)

對式(2)求解并引入高斯函數φ(x)核函數[7]，將ω的解轉化為高維權值得到:

(3)

式中：Kxx表示核矩陣的第一行元素；^表示矩陣的傅里葉變化。

利用采樣樣本與訓練相似樣本的核矩陣將二者做相關操作得到頻域中響應值為:

(4)

再通過傅里葉反變化將式(4)轉化到時域中找到最大值。KCF算法通過對模板更新實現對目標的追蹤：

(5)

式中:β為學習因子[8]。

2.2 位移監測算法

為進行標簽的精確捕捉與追蹤，對圖像進行抗干擾處理。系統首先獲取標簽初始位置在空間坐標中的定位A和B角點坐標分別為A(x,y)和B(x+w,y+h)。標簽的初始坐標及運動坐標如圖3所示。

圖3 標簽的初始坐標及運動坐標

設位移圖像上所測標簽位移為△H，基于線性放大原理，計算得出物體的實際位移。

(6)

式中:h為圖像標簽的高度；H為實際標簽高度。

進行抗干擾處理前，對圖像進行了裁切處理。對原圖像左邊裁切m下方裁切n，即以(m,n)為新的坐標原點。設裁切處理后的標簽左下角坐標為A(x,y)，將坐標軸還原到原坐標中，如圖4所示。

圖4 坐標轉化

因坐標系不同需首先進行坐標轉換,即坐標補償原點O1在原坐標軸中的坐標為(m,n)，A(x,y)點還原到原坐標中坐標進行補償應為A(x+m,y+n)。同理應用到所有的坐標轉化中。

2.3 基于KCF追蹤器的位移監測軟件實現

基于KCF追蹤器構建追蹤目標實時監測系統，系統程序結構框圖如圖5所示。系統內部設置KCF追蹤器，打開系統檢測攝像機是否開啟并獲取第一幀圖像，對捕捉到的第一幀圖像進行圖像預處理。系統對預處理后的圖像進行邊緣檢測，圖像邊緣信息主要集中在高頻段，圖像銳化或檢測邊緣實質就是高頻濾波，微分運算是求信號的變化率，具有加強高頻分量的作用[9]，由于數字圖像為離散信號，微分運算就變成計算差分或梯度[10]。圖像處理中有多種邊緣檢測(梯度)算子，本文選用Canny邊緣檢測算子，相比普通的梯度算法，Canny算子抑制了噪聲引起的偽邊緣且邊緣細化便于后續的畫框處理[11-12]。KCF追蹤器利用對模板的不斷更新實現對目標持續追蹤并對坐標位置不斷更新，計算得到提升機的實際位移并進行遠程傳輸。

圖5 系統程序結構圖

3 實驗與分析

基于Python3和OpenCV-3.4.1.15構建物體追蹤位移系統，針對不同光照環境、環境中的干擾物體及攝像機位置進行了追蹤實驗與位移監測。實際卷閘門標簽實驗場景如圖6所示。

圖6 實際卷閘門標簽實驗場景圖

3.1 光照及物體干擾下的目標捕捉與追蹤

選用90 mm × 90 mm規格帶有純黑色啞光顆粒標簽作為目標標簽，選取紅外攝像機為型號850清晰度為1 080 p，具有紅外補光特性。進行了若干組實驗，設置了不同的光照強度下的標簽顏色閾值，如表1所示。

表1 不同光照條件下的顏色閾值

卷閘門開啟后，外部存在各種物體形成特征點，濾除不同顏色噪聲后，系統對不同大小的干擾物體進行濾波。針對實際標簽大小選用核為3×3進行腐蝕膨脹操作，為最大程度上濾除噪聲，達到最佳捕獲效果，本文通過多次對圖像進行腐蝕操作將圖像中閾值選取范圍內未能進行濾除的噪聲進行濾波處理。通過腐蝕膨脹次數的調整可以更好地去除噪聲，更加精準地對標簽進行捕捉得到更精確的位移數據。經過不同次數的腐蝕膨脹后的二值圖像如圖5所示。最終利用邊緣檢測算法捕捉目標標簽。

(a)灰度圖 (b)3次腐蝕

(c)15次腐蝕 (d)15次膨脹

不同光照條件下提升機標簽捕捉情況如圖8所示，夜晚照度約為0 lx，白天正常光照約在100 lx，卷閘門打開強光約在1 000 lx。不同光照條件下，不同的干擾標簽系統都能精準捕捉到。

(a)0～1 lx(夜晚) (c)500 lx

(b)100 lx (d)1 000 lx

3.2 攝像頭位置對位移監測的影響

攝像頭與運動物體之間的距離對測量結果影響較大，如圖9、圖10所示。由于攝像頭的拍攝畫面受攝像頭的焦距的影響，距離會影響標簽的捕捉精度。當攝像頭在同一高度時標簽與攝像頭的水平距離會影響系統的測量精度，同時攝像頭的安裝高度也會影響測量的精度。白天和夜晚環境下卷閘門運行1 m行程的測量誤差分別為表2和表3所示。

圖9 白天環境下的距離對測量結果的影響圖10 黑夜環境下的距離對測量結果的影響

表2 白天物體位移1 m位移測量平均誤差 單位：%

表3 夜晚物體位移1 m位移測量平均誤差 單位：%

綜上，實際系統中選用90 mm × 90 mm規格的純黑色顆粒標簽作為目標標簽，安裝于卷閘門底部居中位置，攝像機安裝在4.5 m × 2.5 m(高×長)位置最佳。

4 結 語

針對物體追蹤問題,利用了OpenCV視覺庫中的KCF追蹤器對物體進行實時追蹤將其與位移算法相結合，基于單目相機提出一種針對卷閘門運作過程實時位移監測的物體追蹤位移監測系統。設計的物體位移監測系統可適用井下采煤機等機器的實時位移監測方便對井下實時工作狀況的了解。