基于灰度圖像匹配方法的鐵水罐車定位技術(shù)研究

張 乾

（中船重工第七O四研究所，上海 200031）

基于灰度圖像匹配方法的鐵水罐車定位技術(shù)研究

張 乾

（中船重工第七O四研究所，上海 200031）

利用灰度圖像匹配方法分析了鐵水罐車上十字標(biāo)志物，從而對鐵水罐車進(jìn)行精確定位。在灰度圖像匹配分析過程中，采用粒子群算法對圖像的最優(yōu)匹配點(diǎn)進(jìn)行粗定位，再利用改進(jìn)的Harris角點(diǎn)檢測算法和亞像素方法精確定位。最后，利用試驗(yàn)案例證明本方法是合理可行的。這解決了鐵水罐車在裝載鐵水過程中的精確定位問題。

灰度匹配；粒子群優(yōu)化算法；角點(diǎn)檢測；亞像素

0 引言

為了保護(hù)環(huán)境并節(jié)省運(yùn)行成本，現(xiàn)代高爐采用爐前鐵水脫硅新工藝，要求精確提供裝入到鐵水罐車中的鐵水重量，并根據(jù)鐵水重量自動控制脫硅劑的加入量。目前，國內(nèi)高爐一般將編碼刻印在鐵水罐車上，采用人工觀察的方式記錄鐵水罐車的罐號、使用靜態(tài)電子秤稱重、雷達(dá)測量鐵水液位等方法估算鐵水的裝入量，但上述檢測方法無法準(zhǔn)確控制脫硅劑的加入量。

實(shí)現(xiàn)鋼鐵廠鐵水罐車在線稱重需要對每個鐵水罐車進(jìn)行精確定位，利用在線稱重系統(tǒng)進(jìn)行自動稱重。本文提出了一種基于灰度圖像匹配方法的鐵水罐車定位技術(shù)，首先對每個鐵水罐車上增加易于圖像識別的明顯標(biāo)志，然后利用高清攝像機(jī)進(jìn)行攝像，將攝像后的圖片與原始圖片進(jìn)行圖像匹配定位。在圖像匹配過程中，先采用粒子群算法對圖像的最優(yōu)匹配點(diǎn)進(jìn)行粗定位，在粗定位基礎(chǔ)之上利用改進(jìn)的Harris角點(diǎn)檢測算法和亞像素方法精確定位，從而找出圖像的最優(yōu)匹配點(diǎn)，對圖像進(jìn)行匹配定位，解決了鐵水罐車在裝載鐵水過程中的精確定位問題。

1 鐵水罐標(biāo)志圖像的選擇及灰度投影匹配分析

1.1 鐵水罐標(biāo)志圖像的選擇

在基于圖像的測量定位中，十字絲標(biāo)志(文中將兩條相互垂直的較粗線段的組合稱十字絲標(biāo)志，如圖1(a)所示)是一種特征明顯、易于獲得高精度定位的合作標(biāo)志，該標(biāo)志廣泛應(yīng)用于視頻跟蹤、相機(jī)目標(biāo)標(biāo)定網(wǎng)格圖像的節(jié)點(diǎn)定位等測量領(lǐng)域。因此，為了對鐵水罐車進(jìn)行精確定位，在鐵水罐車的一側(cè)增加十字絲標(biāo)志，如圖1(b)所示。

圖1 十字絲標(biāo)志及在罐車上的位置

根據(jù)十字絲圖像特征，對它分別進(jìn)行x、y方向的灰度投影，如圖2(a)、(b)所示。從圖可以看出非常明顯的特征，都有一個非常陡峭的波峰。圖3(a)、(b)分別是投影曲線的斜率圖，十字絲圖像的投影特征進(jìn)一步凸現(xiàn)了出來。因此，采用該標(biāo)志非常有利于鐵水罐車的識別定位。

圖2 十字絲圖像投影

圖3 十字絲圖像投影梯度

1.2 灰度投影匹配分析

在初始時刻采集原始的鐵水罐車圖片信息，待裝載一定量的鐵水后再采集一次鐵水罐車的圖片信息，需要通過兩張圖片上的十字標(biāo)志物進(jìn)行圖像匹配，從而精確定位鐵水罐車在裝載鐵水后移動的位置。下面對鐵水罐車上十字標(biāo)志物進(jìn)行圖像匹配分析。

對初始鐵水罐車上十字絲模板T圖像的投影圖像進(jìn)行數(shù)值處理，求出投影曲線斜率最大值及其所在位置，構(gòu)成特征向量CT[TxV，TxP，TyV，TyP]。其中：TxV和TxP為十字絲模板圖像在x向投影的最大值及其所在位置，TyV和TyP為十字絲模板圖像在y向投影的最大值及其所在位置，然后對待匹配圖像中左上角坐標(biāo)為(i，j)、大小為十字絲T的子圖像Sij進(jìn)行相同的運(yùn)算，求出其特征向量CT[SxV，SxP，SyV，SyP]。其中，SxV和SxP為子圖像在x向投影的最大值及其所在位置，SyV和SyP為子圖像在y向投影的最大值及其所在位置。

定義匹配距離為：

距離最小且小于閾值者即為匹配點(diǎn)。運(yùn)算中，首先進(jìn)行x向的距離運(yùn)算，若結(jié)果小于閾值，再進(jìn)行y向的距離運(yùn)算。否則，認(rèn)為此處為非匹配點(diǎn)，搜索下一個子圖像。在灰度投影法匹配過程中，如果采用逐點(diǎn)匹配，計算量非常巨大。

為了解決計算量很大的問題，本文引入粒子群算法對圖像匹配進(jìn)行初定位，然后再采用改進(jìn)的角點(diǎn)檢測算法和亞像素分析進(jìn)行圖像匹配的精確定位。

2 圖像匹配的粗定位分析

2.1 基于粒子群算法的粗定位步驟

粒子群優(yōu)化算法(Particle Swarm Optimization Algorithm)是一種進(jìn)化算法，通過跟蹤當(dāng)前搜索到的最優(yōu)值來尋找全局最優(yōu)。這種算法以其實(shí)現(xiàn)容易、精度高、收斂快等優(yōu)點(diǎn)得到廣泛應(yīng)用，并且在解決實(shí)際問題中展示了其優(yōu)越性。本文采用該算法對鐵水罐車標(biāo)志物圖像匹配進(jìn)行初定位，其步驟如下：

1）對十字絲模板T圖像TS進(jìn)行x，y方向的灰度投影，生成特征向量CT[TxV，TxP，TyV，TyP]；

2）對待匹配空間SS生成初始種群，即初始化待匹配點(diǎn)；

3）根據(jù)待匹配點(diǎn)確定待匹配子圖像SM，求出其特征向量CT[SxV，SxP，SyV，SyP]及與TS的匹配距離D[SM，TS]，從而求出群體的適應(yīng)度；

4）對該群體進(jìn)行最優(yōu)保存的選擇操作；5）進(jìn)行粒子更新操作；6）計算群體的適應(yīng)度；7）若符合匹配條件就結(jié)束，求出匹配點(diǎn)；否則，返回(3)繼續(xù)進(jìn)行。

2.2 基于粒子群算法的試驗(yàn)分析

用粒子群優(yōu)化算法對取自自身的模板進(jìn)行匹配，初始種群為40，最大代數(shù)為80，交叉概率為0.6，變異概率為0.001。在某次匹配過程中其平均適應(yīng)度如圖4(a)所示，最大適應(yīng)度曲線如圖4(b)所示。圖中粒子群優(yōu)化算法的最大值適應(yīng)度值逐漸變大，種群平均值適應(yīng)值有一個比較平緩的增長后，出現(xiàn)抖動現(xiàn)象，表明種群的多樣性得到了保持。如果種群快速收斂，則可能造成早熟現(xiàn)象，造成最大適應(yīng)度解在最優(yōu)解附近抖動。

圖4 平均適應(yīng)度和最大適應(yīng)度

圖5 為程序運(yùn)行時匹配圖像，其中矩形框?yàn)槠ヅ涞慕Y(jié)果，目視情況下，匹配正確。矩形框的右邊十字絲標(biāo)記是為了檢驗(yàn)試驗(yàn)過程中是否出現(xiàn)誤匹配情況，從圖中可以看出上述實(shí)驗(yàn)中沒有出現(xiàn)誤匹配。

為了研究粒子群算法全局尋優(yōu)能力和早熟現(xiàn)象，在一副圖像上截取模板，然后與此圖像在固定代數(shù)和不固定代數(shù)情況下分別進(jìn)行匹配，試驗(yàn)數(shù)據(jù)見表1。試驗(yàn)結(jié)果表明，粒子群算法的全局尋優(yōu)能力較強(qiáng)，極大地減少了匹配過程中的計算量，通常能在80代內(nèi)尋找到最優(yōu)值。但是同時也能看到，由于早熟而出現(xiàn)的抖動現(xiàn)象，這對定位標(biāo)志物非常不利，有必要在粗定位后進(jìn)行精確定位，為此，引入角點(diǎn)檢測方法。

圖5 匹配結(jié)果

表1 粒子群算法匹配結(jié)果

3 圖像匹配的精確定位分析

為了精確定位，需要對十字絲標(biāo)志的角點(diǎn)進(jìn)行檢測。通常角點(diǎn)的提取算法可分為兩類：一種是基于邊緣的算法，另一種是直接對灰度圖像進(jìn)行處理。雖然角點(diǎn)是邊緣的一部分，但角點(diǎn)的檢測不同于邊緣檢測?，F(xiàn)有的很多邊緣檢測算子在角點(diǎn)處效果不好，在角點(diǎn)處有可能失效或者表現(xiàn)出很差的定位特性。這主要是因?yàn)椋ǔＪ褂眠吘壦阕訒r假設(shè)圖像被描述為一個連續(xù)變化、可分析的函數(shù)，且在與邊緣垂直的方向上，灰度呈線性變化，而這些假設(shè)在角點(diǎn)處是不滿足的。

Harris算子是C Harris和M J Stephens提出的一種基于信號的點(diǎn)特征提取算子，具有計算簡單、提取的角點(diǎn)特征均勻合理、可以定量提取特征點(diǎn)以及算子穩(wěn)定的特點(diǎn)。

如果某一點(diǎn)向任意方向的小小偏移都會引起灰度的很大變化，這就說明該點(diǎn)是角點(diǎn)，定義R(x，y)為角點(diǎn)函數(shù)(Harris算子)：

當(dāng)濾波系數(shù)σ、閾值T取不同值時，對Harris特征提取結(jié)果進(jìn)行比較，當(dāng)閾值增大時，提取的特征點(diǎn)會減少，某些明顯的特征點(diǎn)會被遺漏。當(dāng)濾波系數(shù)增大時，圖像平滑度增加，可較好地去除噪聲但同時也會使一些特征點(diǎn)遺漏。

Harris角點(diǎn)檢測的結(jié)果與閾值的選取有很大的關(guān)系，本文實(shí)現(xiàn)了一種依據(jù)實(shí)際角點(diǎn)的數(shù)目，自動選取閾值的改進(jìn)方法，通過對閾值的動態(tài)調(diào)整來影響角點(diǎn)的檢測結(jié)果。改進(jìn)的算法主體為：

圖6為對已知角點(diǎn)數(shù)4個的十字絲進(jìn)行檢測的結(jié)果。從圖中可以看出，得到的四個角點(diǎn)比較準(zhǔn)確。

圖6 角點(diǎn)檢測

在圖像的定位中，為了提高圖像的定位精度，需要把圖像匹配和定位精度從像素級提高到亞像素級。實(shí)現(xiàn)亞像素定位一般方法有：圖像重采樣法、曲面擬合法、微分法、基于Fourier分析的相位法等，其中曲面擬合法實(shí)現(xiàn)的速度較快。

在檢測出十字絲的四個角點(diǎn)后，使用對角線法獲得十字絲中心位置檢測效果如7所示，此方法可作為簡化的曲面擬合法達(dá)到亞像素的效果。

圖7 中心點(diǎn)定位

4 案例分析

為了能夠準(zhǔn)確定位鐵水罐車的十字標(biāo)志，首先提取鐵水罐車的十字標(biāo)志模板特征，然后利用粒子群算法優(yōu)化匹配過程進(jìn)行粗定位，在粗定位基礎(chǔ)之上利用改進(jìn)的Harris角點(diǎn)檢測和亞像素精確定位。本文采用MATLAB軟件將上述過程編制成了軟件，軟件界面如圖8所示。

圖8 軟件計算界面

使用該軟件進(jìn)行鐵水罐車的精確定位，結(jié)合在線稱重系統(tǒng)對現(xiàn)場鐵水罐車裝載鐵水過程中采集的圖像做了試驗(yàn)分析，現(xiàn)場采集試驗(yàn)經(jīng)分析后所得數(shù)據(jù)見表2。從表可看出，測量的數(shù)據(jù)都能滿足現(xiàn)場最大誤差5%的要求，且重量/位移列的最大偏差為4.268098%，說明本文提出的基于灰度圖像匹配方法的鐵水罐車定位技術(shù)合理可行。

表2 基于MATLAB的數(shù)據(jù)處理結(jié)果

5 結(jié)語

本文針對鋼鐵廠鐵水罐車在線稱重中需要對每個鐵水罐車進(jìn)行精確定位的問題，提出了一種基于灰度圖像匹配方法的鐵水罐車定位技術(shù)。通過理論分析、設(shè)計計算、并用試驗(yàn)案例證明了該方法合理可行，解決了鐵水罐車在裝載鐵水過程中的精確定位問題，能有效地推動鐵水罐車在線稱重系統(tǒng)的應(yīng)用。

[1] Sclaroff S, Pentland A P. Modal matching for orrespondence and recognition[J]. IEEE Trans PAMI,1995, 17(6): 545-561.

[2] Kellman P J, Shipley T F. A theory of visual interpolation in object perception[J]. Cognitive Psychology, 1991, 23:141-221.

[3] Mehrotra R, Nichani S. Corner detection, pattern[J].Recognition, 1990, 23(11): 1223-1233.

[4] 李介谷, 施鵬飛, 劉重慶. 圖像處理技術(shù)[M]. 上海:上海交通大學(xué)出版社, 1988.

[5] 李立春, 馮衛(wèi)東, 于起峰. 根據(jù)邊緣梯度方向的十字絲目標(biāo)快速自動檢測[J]. 光學(xué)技術(shù), 2004, 30(3): 351-353.

[6] 陳國良, 王熙法. 粒子群算法及其應(yīng)用[M]. 北京: 人民郵電出版社, 1996.

[7] 姚俊峰, 梅熾, 彭小奇. 混沌粒子群算法(CPSO)的應(yīng)用研究及其優(yōu)化效率評價[J]. 自動化學(xué)報, 2002,28(6): 936-942.

Study on Positioning Technology of Liquid Iron Tank Based on Gray Image Matching Method

ZHANG Qian
(No.704 Research Institute, CSIC, Shanghai 200031, China)

The cross marker on the tanker loading molten iron is analyzed by using gray image matching method to position the molten iron tank car accurately. In the gray image matching analysis process, the image of the best matching points is roughly positioned by using particle swarm algorithm, and accurately positioned by using the improved Harris corner detection algorithm and subpixel method. Finally, using the test cases shows that this method is reasonable and feasible. This solves the precise positioning of the tanker in the process of loading molten iron.

gray matching; particle swarm optimization (PSO) algorithm; corner detection; subpixel

TP391.4

A

張乾（1981-），男，工程師。研究方向?yàn)榇霸O(shè)備質(zhì)量管理。