王粉蝶，普杰信

(河南科技大學(xué)電子信息工程學(xué)院，河南洛陽471003)

隨著國內(nèi)外對重要場合的安全檢測要求的提高，汽車底盤異物智能圖像識別技術(shù)越來越受到重視。針對系統(tǒng)采集的海量數(shù)據(jù)，需要在汽車通過的短短幾秒時間中完成數(shù)據(jù)的處理，就必須有一套高效檢測算法來與之相適應(yīng)，以提高海量數(shù)據(jù)處理的速度，達(dá)到高速處理的目的。本課題是基于車輛底盤異物智能識別系統(tǒng)(Under Vehicle Inspection System，UVIS)，主要是采用線陣CCD相機(jī)對汽車底盤圖像進(jìn)行采集，之后將采集到的圖像與標(biāo)準(zhǔn)圖像庫中的標(biāo)準(zhǔn)圖進(jìn)行對比，檢測出底盤上異物的位置，并標(biāo)示出來供安檢人員參考以做進(jìn)一步處理。標(biāo)準(zhǔn)圖是將編碼器裝置在汽車的尾部，根據(jù)汽車的速度變化來調(diào)整采樣頻率得到的。由于檢測時候汽車的運動速度是非勻速直線的，因此找出與采集圖相對應(yīng)的標(biāo)準(zhǔn)圖之后，要想準(zhǔn)確地對異物進(jìn)行定位，就需要進(jìn)行圖像匹配。對于整個系統(tǒng)來說，圖像配準(zhǔn)是變化檢測的基本步驟［1］。由Herbert Bay等提出的 SURF(Speeded Up Robust Features)［2］算法具有速度較快、魯棒性強的特點，是現(xiàn)在的配準(zhǔn)算法研究的熱點之一［3-6］，因此本文采用了該算法來實現(xiàn)圖像的配準(zhǔn)。

配準(zhǔn)之后，對圖像進(jìn)行進(jìn)一步處理，采用開運算用于補償不均勻的背景亮度，并與頂帽變換結(jié)合增強對比度，之后采用自動閾值迭代算法計算局部閾值，根據(jù)閾值產(chǎn)生二值圖像，對二值圖像采取八連通處理，最后用彩色的線標(biāo)示出異物的位置。

1 SURF算法

SURF算法是一種新的局部不變特征算法，該算法主要由4個部分組成:1)特征點檢測;2)特征點方向的確定;3)特征描述符的提取;4)特征匹配。算法采用快速Hession檢測算法檢測關(guān)鍵點，以經(jīng)過方向配準(zhǔn)的梯度方向直方圖作為算法的特征，且此特征具有尺度旋轉(zhuǎn)不變性。

1.1 積分圖像

SURF算法為提高計算速度，使用積分圖像［7］完成卷積操作。其定義為:

若圖像I(x)的一像素點用X=(x，y)表示，那么積分圖像I∑(X)表示以該點和原點為對角頂點的矩形區(qū)域內(nèi)的像素之和，即

計算積分圖像時，只要遍歷一遍原圖像即可。若矩形區(qū)域的4個頂點分別為A，B，C，D，如圖1所示，則該矩形窗口的灰度值之和為

1.2 SURF特征點

SURF算法的特征點［8］是基于Hession矩陣的，首先要提取極值點作為候選的特征點。Hession矩陣的定義如下

當(dāng)行列式的值小于某個閾值，則判為不穩(wěn)定的點，不作為極值點。如果行列式的值最大，則為特征點。在計算視覺領(lǐng)域，尺度空間被象征性的表述為一個圖像金字塔，其中，輸入圖像函數(shù)反復(fù)與高斯函數(shù)的核卷積并反復(fù)對其進(jìn)行二次抽樣。SURF算法根據(jù)此方法構(gòu)建尺度空間，使用快速Hession矩陣檢測每一層圖像上的極值點，對該點鄰近3×3×3立體鄰域進(jìn)行非最大值抑制，大于鄰近26個響應(yīng)值的點稱為SURF特征點。之后在特征點的鄰域上計算Harr小波，選擇四種構(gòu)成特征向量描述。

1.3 特征點匹配

采用歐氏距離來度量特征點間的相似性［9-10］

近似值和準(zhǔn)確值不可避免存在誤差，為此引入一個常數(shù)權(quán)值0.9。得到其判別式為

式中:Aik表示待匹配的第一幅圖像的第i個特征點描述向量的第k維的值;Bik表示待匹配的第二幅圖像的第i個特征點描述向量的第k維的值;n表示特征點描述子是一個n維的描述向量。選擇歐氏距離最小的一對特征點進(jìn)行匹配，然后采用窮舉搜索算法找到所有的點對即可。

2 異物檢測

2.1 閾值處理

汽車底盤異物檢測系統(tǒng)首先將存在畸變的待測圖與標(biāo)準(zhǔn)圖進(jìn)行SURF匹配，之后需要對異物進(jìn)行定位并標(biāo)示

閾值T的迭代步驟為:

1)為T選擇一個初始估計值(一般為最大亮度和最小亮度的平均值)。

2)使用T分割圖像，會產(chǎn)生兩組像素，即亮度值≥T的所有像素組成的G1和亮度值＜T的所有像素組成的G2。

3)計算G1和G2范圍內(nèi)的像素的平均亮度值μ1和

μ2。

4)計算一個新閾值

5)重復(fù)步驟2)～步驟4)，直到連續(xù)迭代中的T比預(yù)先指定的參數(shù)T0小為止。

2.2 邊緣跟蹤

經(jīng)過閾值處理之后，得到二值圖像，為了標(biāo)記出異物的大小和位置，需對差分得到的二值圖像進(jìn)行邊緣跟蹤。二值圖像輪廓提取采用3×3網(wǎng)格的八鄰域分析方法。

定義邊界點標(biāo)記為1，而其8連通鄰域中至少有1個標(biāo)記為0的點，網(wǎng)格中心點為當(dāng)前待處理點。算法規(guī)則是以邊界點為中心的八鄰域內(nèi)，記中心點為1，其鄰域的8個點按逆時針分別記為P0，P1，…，P7，其中P0在P的左下角，見圖2。如果中心點P為黑，且它的8個相鄰點都是黑色時(該點為內(nèi)部點)，則將該點刪除，也即把內(nèi)部點都掏空。出來。將標(biāo)準(zhǔn)圖與矯正圖進(jìn)行差分，得到差分圖。由于差分圖像對比度較低，首先對圖像進(jìn)行處理增強對比度，之后進(jìn)行自動閾值處理，處理后的圖像定義為

3 自動檢測方法

基于SURF算法的汽車底盤異物檢測流程如圖3所示。

4 實驗結(jié)果分析

實驗圖像采用的是線陣CCD相機(jī)獲得的汽車底盤的圖像，為了檢測出異物的位置，需要建立一個標(biāo)準(zhǔn)庫，里面存儲不含異物的標(biāo)準(zhǔn)汽車底盤圖像。因為在所研究的系統(tǒng)中，需要對運動的汽車底盤進(jìn)行底盤掃描成像，而線陣CCD相機(jī)因其采樣頻率高，積分時間短，用來獲取移動圖像是最恰當(dāng)?shù)摹?/p>

圖4是采用線陣CCD相機(jī)獲取到的汽車底盤的圖像(彩圖見 http://blog.csdn.net/fendie123/article/details/18957841)，圖4a中含有一個盒子用來模擬異物，圖4b對應(yīng)的是標(biāo)準(zhǔn)圖，可以看到異物部分也含有相應(yīng)的特征點。根據(jù)SURF算法將二者的對應(yīng)點匹配起來，由于采取歐氏距離最小的原則，會產(chǎn)生匹配錯誤的情況，用閾值對歐氏距離進(jìn)行限定，減少誤匹配現(xiàn)象的出現(xiàn)。

圖4 汽車底盤特征點的提取(截圖)

采用SURF算法匹配的結(jié)果如圖5所示，由于汽車移動的非勻速，使得存在漏采集和重復(fù)采集的現(xiàn)象，根據(jù)匹配的結(jié)果對圖像進(jìn)行單應(yīng)性矩陣變換可以得到畸變校正后的圖形，如圖6所示。

校正后的圖像用來與標(biāo)準(zhǔn)圖做差分運算，經(jīng)過進(jìn)一步閾值和8連通處理可以標(biāo)示出異物的位置。實驗中分別對大小為60×45、20×15、5×5(單位為 piexel)的異物進(jìn)行了實驗，從圖7中可以看出均可標(biāo)示出異物的位置和大小。圖8是未經(jīng)圖像匹配直接進(jìn)行檢測的結(jié)果，對比可知不經(jīng)過匹配的檢測結(jié)果存在很多散亂的標(biāo)記點，不存在異物的地方也被標(biāo)記了出來，檢測的準(zhǔn)確性相對較差。根據(jù)實驗結(jié)果統(tǒng)計虛檢(即實際之中沒有異物卻被誤認(rèn)為有異物存在)的個數(shù)如表1所示。由表中可以看出，采用SURF算法匹配之后系統(tǒng)虛檢的概率大大減少，增加了整個系統(tǒng)的可靠性。同時匹配之后虛檢的數(shù)目大大減少，使得后面的異物檢測部分邊緣跟蹤的時間縮短了一半左右，提高了整體檢測的速度，為智能實時檢測打下了基礎(chǔ)。

表1 虛檢的個數(shù)統(tǒng)計

5 結(jié)論

針對汽車底盤智能異物檢測系統(tǒng)中采集到的線陣CCD圖像存在漏采、重復(fù)采集等現(xiàn)象，采用SURF算法對畸變圖像配準(zhǔn)，使得待測圖像與標(biāo)準(zhǔn)庫中的標(biāo)準(zhǔn)圖保持一致，配準(zhǔn)之后進(jìn)行了后期處理，包括增強對比度，閾值處理和輪廓跟蹤，最后將汽車底盤中所包含的異物標(biāo)示出來。實驗結(jié)果表明采用的算法是有效的，可以準(zhǔn)確標(biāo)示出所加異物的位置，滿足實時性的要求。多種類型的異物檢測將作為以后的研究方向。

:

［1］ GHAFFARY B K，SAWCHUK A A．A survey of new techniques for image registration and mapping［C］//Proc．the SPIE:Application of Digital image Processing．［S．l．］:IEEE Press，1983:222－239．

［2］ BAY H，TUYTEPLAARS T，VAN G L．SURF:speeded up robust features［C］//Proc．the European Conference on Computer Version(ECCV 2006)．［S．l．］:IEEE Press，2006:404－417．

［3］李慧，藺啟忠，劉慶杰．基于FAST和 SURF的遙感圖像自動配準(zhǔn)方法［J］．國土資源遙感，2012(2):28－33．

［4］郭亮，滕奇志．基于SURF算法的微觀驅(qū)替圖像配準(zhǔn)［J］．太赫茲科學(xué)與電子信息學(xué)報，2013，2(11):271－276．

［5］唐堅剛，楊生遠(yuǎn)，孫龍杰．雙目立體視覺測量中的特征點快速匹配算法［J］．信息技術(shù)，2013(3):51－59．

［6］張開玉，梁鳳梅．基于改進(jìn)SURF的圖像配準(zhǔn)關(guān)鍵算法研究［J］．科學(xué)技術(shù)與工程，2013，10(13):2875－2879．

［7］陳藝蝦，權(quán)森，徐煥宇，等．SURF算法和RANSAC算法相結(jié)合的遙感圖像匹配方法［J］．計算機(jī)科學(xué)與探索，2012(9):1－9．

［8］ LOWE D．Distinctive image features from scale－invariant keypoints［J］．International Joural of Computer Vision，2004，60(2):91－110．

［9］ ZITOVA B，F(xiàn)LUSSER J．Image registration methods:a survey［J］．Image and Vision Computing，2003，21(11):977－1000．

［10］ FONSECA L M G，MANJUNATH B S．Registration techniques for multisensor remotely sensed imagery［J］．Photogrammetric Engineering and Remote Sensing，1996，62(1):1049－1056．