基于HSV 空間融合Retinex 算法的全天候運動目標檢測①

陳 卡， 黃俊杰， 包嘉琪， 秦亞光

（1.廣西中金嶺南礦業(yè)有限責任公司，廣西 來賓 546100；2.武漢紡織大學計算機與人工智能學院，湖北 武漢 430200；3.中南大學資源與安全工程學院，湖南 長沙 410083）

礦業(yè)生產(chǎn)過程中，存在箕斗掛鉤脫落的問題。 掛鉤脫落會產(chǎn)生安全隱患并造成經(jīng)濟損失，實時監(jiān)測箕斗掛鉤狀態(tài)尤為重要。 傳統(tǒng)的運動物體檢測方法主要有3 種：背景減差法、光流法和幀間差分法[1］。 夜間照明狀態(tài)下，因氣候環(huán)境、亮度狀況、拍攝器材等原因，被拍攝畫面對比度很低、動態(tài)范圍壓縮很大，會出現(xiàn)色彩退化、偏色等問題，導致無法檢測到標志物。 且傳統(tǒng)圖像增強算法會在增強后使圖片出現(xiàn)失真、光暈、邊緣模糊和間接修改圖像等現(xiàn)象[2］。

基于生產(chǎn)現(xiàn)場環(huán)境復雜性，需要用到非接觸式的脫鉤檢測系統(tǒng)。 考慮礦山設(shè)備實際情況，本文提出一種基于HSV 色彩空間融合Retinex 算法的全天候運動目標檢測方法，通過選取一種特殊的標志物，將運動掛鉤識別轉(zhuǎn)換為對標志物的檢測與跟蹤，采用文獻[3］中的一種全局自適應的低照度圖像恢復算法來應對夜間等低照度情況下的標志物識別。 該技術(shù)可以有效提取運動目標，受背景影響小，適用于不同光照環(huán)境，對目標特征提取準確性高、時效性強。

1 流程構(gòu)建

1.1 HSV 色彩空間

攝像頭所采集的顏色模型是RGB 顏色模型，對光線變化較為敏感，為了達到不同時段采集的效果，將RGB 顏色模型轉(zhuǎn)換為HSV 空間模型。 如圖1 所示，HSV 模型是包括色調(diào)（H）、飽和度（S）和明度（V）的一種顏色空間[4-5］。 色調(diào)H 表示顏色的基本內(nèi)容，也就是顏色本身，如紅色、綠色、藍色等。 飽和度S 代表顏色的純度。 明度V 指的是色彩的明亮程度，與光亮環(huán)境有關(guān)，通過明度調(diào)節(jié)可以在不同環(huán)境下采集到目標物。 在戶外作業(yè)時，通過HSV 空間，可以應對全天候脫鉤檢測任務，在復雜作業(yè)環(huán)境下可簡化目標圖像，達到識別標準。

圖1 HSV 空間模型

1.2 算法流程

基于HSV 空間融合Retinex 算法的全天候運動目標檢測流程如圖2 所示。

圖2 算法流程

2 運動目標檢測

2.1 明暗度檢測

一般夜間圖片的灰度值在30 以下，可以依據(jù)視頻圖像灰度圖分布情況判斷圖像是否過暗。 若灰度值30 以下點所占百分比小于閾值，則對圖像進行低照度圖像恢復算法。 圖3 為明暗兩幅視頻圖像灰度直方圖結(jié)果。 由圖3 可以看出，光線充足和光線不充足情況下的灰度直方圖有顯著區(qū)別。 光線充足條件下灰度值30 以下點所占比例為6.1%，光線不充足條件下灰度值30 以下點所占比例為17.4%。 多次試驗對比后，將閾值定為10%，即灰度值在30 以下占比超過10%時，對圖像進行低照度圖像恢復。

圖3 不同光線條件下的明暗度灰度直方圖

2.2 基于Retinex 的低照度圖像恢復算法

2.2.1 Retinex 模型

Retinex 理論[6］為：物質(zhì)的色彩由物質(zhì)對長波（紅）、中波（綠）和短波（藍）光的反射強度確定。 Retinex 理論以色彩統(tǒng)一性（顏色恒常性）為前提。 Retinex 模型如圖4 所示。

圖4 Retinex 模型

Retinex 理論表達式為：

式中L（x，y）為入射光圖像；R（x，y）為事物的反映特性圖像，即圖像的內(nèi)部特征；S（x，y）為人眼所能接受到的最佳反映光圖像。 Retinex 理論的基本思路是在原始圖像中，采用一定方式消除甚至減少對入射圖像的影響，以便于盡可能保持事物本身的反映特征圖像。其算法流程過程如圖5 所示。

圖5 Retinex 算法流程

由此可得單尺度Retinex 算法（SSR 算法）[7］的公式為：

式中r（x，y）為輸出圖像；F（x，y）為中心環(huán)繞函數(shù)，可表示為：

式中c為高斯環(huán)繞尺度；λ為一個尺度，它的取值必須滿足：

從式（5）可以看出，單尺度Retinex 算法是對入射圖像進行估計，并預測圖像中物體亮度的改變，然后再將它們消除，最后僅留下其對物體的反光特征，并以此達到增強的目的。

2.2.2 多尺度Retinex 算法（MSR 算法）

為克服單尺度Retinex 算法的局限、更有效地實現(xiàn)高保真性和對圖像動態(tài)范圍的壓縮，推導出了多尺度Retinex 算法[8］，其公式為：

式中K為高斯中心環(huán)繞函數(shù)的個數(shù)，通常K取3；且ω1＝ω2＝ω3。

MSR 算法雖然能更好地保持高保真度和對圖像動態(tài)范圍的壓縮，但跟SSR 算法一樣，R（x，y）是對數(shù)域的輸出，要轉(zhuǎn)化為數(shù)碼圖像，需要將它們量化為[0，255］的數(shù)碼圖像類型。 在量化過程中，圖像可能會因為增加了噪聲而出現(xiàn)局部細節(jié)色彩失真，因此在灰度拉伸時會使圖像整體亮度偏暗。

2.2.3 基于HSV 空間融合Retinex 算法

基于Reinex 的色調(diào)映射技術(shù)[3］中的全局適應技術(shù)對低照度畫面有很大的調(diào)節(jié)作用，其思想為：從待處理圖像中獲取亮度值。 首先使用全局色調(diào)映射預處理，再使用重構(gòu)的局部色調(diào)映射，最后經(jīng)歸一化得到輸出圖像。 為了全局壓縮高動態(tài)范圍成像場景的動態(tài)范圍，使用了式（7）所示的函數(shù)：

式中Lg（x，y）為全局自適應輸出；Lw（x，y）為輸入圖像亮度值；Lwmax為輸入圖像最大亮度值；為輸入亮度對數(shù)的平均值：

式中N為總像素數(shù)；δ一般是很小的數(shù)，其作用主要是為了避免對純黑色像素進行對數(shù)計算時數(shù)值溢出，這個問題在圖像處理時很常見。

2.2.4 不同算法對低照度圖像的恢復效果對比

圖6 為3 種算法對低照度圖像的恢復情況。

圖6 不同算法對低照度圖像的恢復情況

從圖6 可以看出，SSR 算法和MSR 算法雖然使圖像細節(jié)稍微清楚，但整體顏色偏暗，無法提取標志物。而基于HSV 空間融合Retinex 算法不僅提升了亮度，而且使圖像層次分明，有利于標志物的檢測與提取。

表1 是各種算法的客觀評價表。 由表1 可以直觀地看出，基于HSV 空間融合Retinex 算法相較于原圖、SSR 算法和MSR 算法無論是均方差還是信息熵都有顯著提升。 說明經(jīng)過本文算法處理后的圖像不會過明或過暗，圖像細節(jié)更清晰，層次更豐富，更有利于標志物的檢測和提取。

表1 各種算法客觀評價表

2.3 標志物檢測及最小包圍圓查找

2.3.1 二值圖提取

觀察HSV 顏色空間中的各顏色分量可以發(fā)現(xiàn)：H分量可以清晰地區(qū)分標志物與背景圖，適用于對背景的識別；S 分量圖像中，標志物與圖像其他內(nèi)容的飽和度有著明顯差異；V 分量在夜間有燈光情況下標志物的區(qū)分度較清晰。

通過對不同時間、不同光照環(huán)境下大量圖像進行統(tǒng)計分析，結(jié)果顯示，H 分量灰度直方圖灰度值聚集在100～130 范圍區(qū)間內(nèi)。 由此，可以基于此閾值對HSV顏色空間的標志物圖像進行像素判斷，從而完成標志物與圖像背景的分割操作。

2.3.2 二值圖像降噪

為了消除圖像數(shù)字化時所混入的噪聲，保證對標志物提取的精確度，必須對提取到的二值圖像進行降噪處理。 經(jīng)過多次試驗對比形態(tài)學操作和平滑處理，發(fā)現(xiàn)線性濾波如高斯濾波無法去除噪聲；非線性濾波如中值濾波雖能去除噪聲，但需進行排序操作，耗費時間太久；開運算[9］既可以去噪又滿足實時性要求，效果顯著。

2.3.3 輪廓提取及最小包圍圓查找

對目標對象的二值圖像去噪后，采用Canny 邊緣檢測法[10］檢測邊緣，它一個很重要的特點就是試圖把獨立的候選圖像組合為輪廓。 該算子為高斯函數(shù)的一階導數(shù)，經(jīng)過平滑后實現(xiàn)“非極大值抑制”，通過細化梯度幅值矩陣，可以找出像素中所有可能邊界點；最后實現(xiàn)雙閾值檢測，檢測方法如下：

1） 如果當前邊界圖像的強梯度值大于或等于最高閾值，可將當前邊界像素標識為強邊界。

2） 如果當前邊界像素的梯度值處在2 個閾值之間，可將當前邊界圖像記錄為虛邊界。 只有當虛邊界和強邊界連接時才能保留。

3） 如果當前邊界像素的梯度值低于或等于最低閾值，將抑制當前的邊界像素。

邊緣檢測雖然能檢測出邊緣，但有可能邊緣是不連續(xù)的，或者檢測到的邊緣不是一個整體[11］。 所以在Canny 邊緣檢測基礎(chǔ)上利用find Contours 函數(shù)進一步提取標志物輪廓信息并通過min Enclosing Circle 函數(shù)標定最小包圍圓，如圖7 所示。

圖7 最小包圍圓標定

2.4 提取目標特征參數(shù)

選取所有標志物輪廓的最小包圍圓的圓心作為參考點，記錄所有圓的圓心，統(tǒng)計各圓心之間距離以及圓心連線的斜率判斷當前掛鉤是否脫落。 重復以上各步驟，即完成了對運動掛鉤的檢測與脫鉤現(xiàn)象的判定。

3 實驗結(jié)果與分析

采用?？低晹z像頭在礦區(qū)采集分辨率為3840×2160 的視頻圖像，幀率為25 f／s，選取的標志物內(nèi)圈為藍色，外圈為紅色，是直徑8 cm 的圓形圖案。 基于生產(chǎn)現(xiàn)場實時的需求，分別選取了上午8 點和夜間凌晨3 點的圖像進行實驗。 受生產(chǎn)環(huán)境影響，攝像頭會不斷抖動，每一幀畫面都會產(chǎn)生細微變化，對標志物的提取有一定難度，不同圖像幀之間的差別也較大，經(jīng)過實驗對比，將藍色分量的HSV 閾值范圍設(shè)為H（110，130）、S（70，255）、V（110，255）。 實驗平臺為Intel（R） Core（TM） i5-7300HQ CPU＠2.50GHz，16GB RAM，使用了python 語言和OpenCV3。

3.1 良好光照條件下實驗

圖8 為良好光照條件下的原始圖像經(jīng)本文算法對藍色標志物進行運動檢測的結(jié)果。

圖8 良好光照條件下標志物檢測結(jié)果

表2 為良好光照條件下的原始圖像提取到的標志物特征參數(shù)。 僅當檢測出全部6 個標志物時才會進行標志物的特征參數(shù)提取。 本文算法選取了2 個最大的標志物作為錨節(jié)點，距離值是指其余標志物基于第2個錨點的距離，角度值是指2 個錨節(jié)點與任意1 個其他標志物所成角度。 參考值是指掛鉤停止狀態(tài)下攝像機垂直對準標志物時提取到的標志物特征參數(shù)。

表2 第22 幀特征參數(shù)

由表2 可以看出，在良好光照條件下，本文算法可以清晰檢測出標志物，提取圖像輪廓，標定最小包圍圓。 提取的特征參數(shù)在距離值上誤差小于3 像素值，角度值上誤差小于2°。 可根據(jù)此特征參數(shù)判斷掛鉤是否脫落。

3.2 惡劣光照條件下實驗

為證明本文算法對光照影響的魯棒性，同時檢測對低照度圖像的恢復，在對象、場景、運行軌道相同前提下，以惡劣光照條件下的一段視頻作為原始圖像，進行對比試驗，結(jié)果見圖9。 表3 為第10 幀提取的標志物特征參數(shù)。

表3 第10 幀特征參數(shù)

圖9 惡劣光照條件下標志物檢測

可以看出，在惡劣光照條件下，通過本文提出的低照度圖像恢復算法可以清晰地檢測出標志物。 提取的特征參數(shù)在距離值上誤差小于8 像素值，角度值上誤差小于2°。 雖然惡劣光照條件下誤差較良好光照時偏大，但脫鉤狀態(tài)與未脫鉤狀態(tài)特征值有顯著差距，在惡劣光照條件下也可根據(jù)此特征參數(shù)判斷掛鉤是否脫落。 驗證了本文算法對光照條件的魯棒性。

4 結(jié)論

1） 提出了一種基于HSV 空間融合Retinex 算法的全天候運動目標檢測算法，用該算法對運動物體進行檢測，實現(xiàn)了對目標物體實時、有效、準確地追蹤。本算法對標志物檢測以及提取特定標志物有著良好的效果。

2） 本文提出的非接觸式圖像檢測方法可以有效檢測掛鉤脫落情況，有利于礦區(qū)安全生產(chǎn)，且算法易于實現(xiàn)、時效性強、環(huán)境適應能力強，有著良好的魯棒性和準確度，具有一定參考價值。