陳 卡， 黃俊杰， 包嘉琪， 秦亞光

（1.廣西中金嶺南礦業(yè)有限責(zé)任公司，廣西 來賓 546100；2.武漢紡織大學(xué)計算機與人工智能學(xué)院，湖北 武漢 430200；3.中南大學(xué)資源與安全工程學(xué)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(dǎo)致無法檢測到標(biāo)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(fù)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(biāo)檢測方法，通過選取一種特殊的標(biāo)志物，將運動掛鉤識別轉(zhuǎn)換為對標(biāo)志物的檢測與跟蹤，采用文獻[3］中的一種全局自適應(yīng)的低照度圖像恢復(fù)算法來應(yīng)對夜間等低照度情況下的標(biāo)志物識別。 該技術(shù)可以有效提取運動目標(biāo)，受背景影響小，適用于不同光照環(huán)境，對目標(biāo)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(biāo)物。 在戶外作業(yè)時，通過HSV 空間，可以應(yīng)對全天候脫鉤檢測任務(wù)，在復(fù)雜作業(yè)環(huán)境下可簡化目標(biāo)圖像，達到識別標(biāo)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(biāo)檢測流程如圖2 所示。

圖2 算法流程

2 運動目標(biāo)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(fù)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(fù)。

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(fù)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(yù)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(dǎo)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(yīng)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(yù)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(yīng)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(fù)效果對比

圖6 為3 種算法對低照度圖像的恢復(fù)情況。

圖6 不同算法對低照度圖像的恢復(fù)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(biāo)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(biāo)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(biāo)志物的檢測和提取。

表1 各種算法客觀評價表

2.3 標(biāo)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(biāo)志物與背景圖，適用于對背景的識別；S 分量圖像中，標(biāo)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(biāo)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(biāo)志物圖像進行像素判斷，從而完成標(biāo)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(biāo)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(xué)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(biāo)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(dǎo)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(dāng)前邊界圖像的強梯度值大于或等于最高閾值，可將當(dāng)前邊界像素標(biāo)識為強邊界。

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

3） 如果當(dāng)前邊界像素的梯度值低于或等于最低閾值，將抑制當(dāng)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(biāo)志物輪廓信息并通過min Enclosing Circle 函數(shù)標(biāo)定最小包圍圓，如圖7 所示。

圖7 最小包圍圓標(biāo)定

2.4 提取目標(biāo)特征參數(shù)

選取所有標(biāo)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(dāng)前掛鉤是否脫落。 重復(fù)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(biāo)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(biāo)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(biāo)志物進行運動檢測的結(jié)果。

圖8 良好光照條件下標(biāo)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(biāo)志物特征參數(shù)。 僅當(dāng)檢測出全部6 個標(biāo)志物時才會進行標(biāo)志物的特征參數(shù)提取。 本文算法選取了2 個最大的標(biāo)志物作為錨節(jié)點，距離值是指其余標(biāo)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(biāo)志物所成角度。 參考值是指掛鉤停止?fàn)顟B(tài)下攝像機垂直對準標(biāo)志物時提取到的標(biāo)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(biāo)志物，提取圖像輪廓，標(biāo)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(fù)，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(biāo)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(biāo)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(fù)算法可以清晰地檢測出標(biāo)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(biāo)檢測算法，用該算法對運動物體進行檢測，實現(xiàn)了對目標(biāo)物體實時、有效、準確地追蹤。本算法對標(biāo)志物檢測以及提取特定標(biāo)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(yīng)能力強，有著良好的魯棒性和準確度，具有一定參考價值。