基于機器視覺的試驗間入口檢測識別

熊興旺，劉忠山，孫 田

（1.中汽研新能源汽車檢驗中心（天津）有限公司，天津 300300；2.中汽科技（北京）有限公司，北京 100176）

試驗園區(qū)內(nèi)進行汽車及零部件檢測試驗前后，使用人工叉車運送貨物時，若貨物外包裝體積較大，會造成叉車司機前方視野的盲區(qū)，存在安全隱患。為消除隱患，提升運送效率，嘗試對叉車進行智能化改造，推進智慧園區(qū)建設。針對運送試驗樣品或設備進入試驗間這一應用場景，嘗試利用機器視覺技術，對試驗間入口進行檢測識別，用于輔助人工駕駛叉車或集成開發(fā)自動引導車（Automated Guided Vehicle, AGV）。

研究人員對自動駕駛車輛車道線檢測識別和AGV物品檢測識別算法開展了豐富的研究。典型的目標物體檢測識別算法流程包括圖像預處理、邊緣檢測、特定形狀檢測等，最后聯(lián)系實際應用場景構(gòu)造合理優(yōu)化方法，實現(xiàn)目標物體的檢測識別。本文借鑒上述算法流程，基于OpenCV庫和Python開發(fā)環(huán)境，實現(xiàn)了園區(qū)內(nèi)試驗間入口檢測識別功能。

1 圖像預處理

叉車車載攝像頭布置在叉車頂架最高處，方便從高點拍攝全局照片，圖像通過數(shù)據(jù)線傳輸至駕駛員視野右前方。拍攝的試驗間入口圖像，包含試驗間外側(cè)墻壁、路面及部分試驗間內(nèi)設備物料等干擾項。原始圖像用于試驗間入口識別之前，需預先進行預處理，本文所涉及的預處理主要為圖像灰度化和二值化處理。

首先把原始圖像轉(zhuǎn)換為灰度圖像，便于圖像處理，降低后續(xù)算法復雜度。采用加權(quán)平均法，將圖像RGB三通道分量分別乘以不同的權(quán)重之后再相加，如式（1）所示。

式中，為某像素點的灰度值；為該像素點的紅色分量值；為該像素點的綠色分量值；為該像素點的藍色分量值。

原始圖像和灰度化處理后的圖像分別如圖1和圖2所示。

為增強背景和目標檢測物體的對比效果，使用閾值法將原始圖像進行二值化，便于后續(xù)進行邊緣檢測。設定閾值為60，對于像素值大于60的像素點，將其設置為255；對于像素值小于60的像素點，將其設置為0。二值化處理后的圖像如圖3所示。

2 邊緣檢測

邊緣檢測可以更好地表達圖像的基本特征，它主要根據(jù)灰度值發(fā)生明顯變化的臨界點，反映圖像屬性特征的信號，分割出目標物體與背景物體。邊緣信息的提取可以很好地保留圖像的信息，并去除無用的干擾信息。經(jīng)典的邊緣檢測算法有Canny 算法、Roberts 算法和Sobel 算法等。Canny算法抗干擾能力強，邊緣檢測后的圖像邊緣連續(xù)性好。Canny算法需要四步實現(xiàn)：

（1）首先需要用高斯濾波器對待處理的圖像進行平滑濾波；

（2）計算圖像中每個像素點的梯度大小和方向；

（3）對圖像進行非極大值抑制，通過梯度方向和大小找到像素局部最大位置，在不是極大值處對應的數(shù)置零；

（4）設置雙閾值，用低閾值和高閾值分別對經(jīng)過非極大值抑制的圖像進行處理，將梯度低于閾值的像素點置為0，由此將圖像的邊緣提取出來。結(jié)合兩個閾值處理后的圖像，最后輸出邊緣檢測后的完整二值圖像。

本文采用Canny邊緣檢測算法，設定合理閾值，對二值化處理后的圖像進行邊緣檢測。圖4所示為經(jīng)過Canny邊緣檢測處理后的圖像。

3 直線檢測及篩選優(yōu)化

試驗間入口在圖像中表現(xiàn)為直線形式。得到邊緣檢測處理后的圖像后，需要對圖像進行直線檢測，以區(qū)分圖像中的目標檢測物體直線部分和背景干擾項。

霍夫變換是用于圖像直線特征提取的經(jīng)典算法。其原理是將直線從直角坐標系空間轉(zhuǎn)換到極坐標系空間。直角坐標系中通過某個點（,）的一條直線，在極坐標系中表現(xiàn)形式為某個點（,）；直角坐標系中通過點（,）的所有直線，在極坐標系中為表現(xiàn)形式為一條曲線。直角坐標系中在同一條直線上的多個點經(jīng)過極坐標系變換形成的多條曲線都在極坐標系中相交于一點，越多條曲線交于這一點，表示在直角坐標系中這個點對應的直線由更多的點組成，當交于某一點的曲線數(shù)量超過了某個閾值，則認為該點在直角坐標系中為一條直線。本文調(diào)用OpenCV庫中函數(shù)實現(xiàn)Hough直線檢測，rho參數(shù)取1，theta參數(shù)取1°，參數(shù)threshod取5，參數(shù)minLineLength 取60，參數(shù)maxLineGap取0，通過Hough直線檢測處理后的圖像如圖5所示。

將圖5經(jīng)過Hough直線檢測后的圖像中試驗間入口目標直線用虛線標識出來，如圖6所示。從圖6中可以看到試驗間入口目標直線有如下特點：

（1）試驗間入口目標直線分別位于圖像中線的兩側(cè)，可以考慮以圖像中線為界，分左右兩側(cè)對入口目標直線進行檢測識別；

（2）試驗間入口目標直線與檢測到的其他直線相比，長度相對較長；

（3）試驗間入口目標直線斜率絕對值較大（或趨近于+∞）。

針對上述三項特點，設置直線斜率和直線長度閾值條件，對Hough直線檢測后的圖像進行線條篩選優(yōu)化，篩選出目標直線，篩選優(yōu)化后的圖像分別如圖7和圖8所示。

4 試驗間入口檢測識別

對圖7和圖8優(yōu)化處理后，針對所有直線的端點的坐標（,），以為橫坐標，為縱坐標，進行最小二乘法線性擬合，并將擬合后的直線進行適當延長，畫線進行表征。對試驗間入口進行檢測識別的最終結(jié)果如圖9所示。

5 結(jié)論

本文借鑒車道線識別及物體檢測算法，類比提出了園區(qū)內(nèi)試驗間入口檢測識別的算法流程，在此基礎上基于OpenCV庫和Python開發(fā)環(huán)境，利用提出的算法成功檢測識別出了試驗間入口，對后續(xù)開發(fā)智能叉車輔助系統(tǒng)有一定的工程意義。