黃文德，黃家如，王雪帆

（1、吉華安全技術(shù)（廣州）股份有限公司 廣州 511430；2、廣州白云國際機場建設(shè)發(fā)展有限公司 廣州 510403）

0 前言

目前圖像處理技術(shù)在許多領(lǐng)域受到廣泛重視并取得了重大的開拓性成就［1-4］，這些領(lǐng)域包括自動駕駛、安防監(jiān)控、醫(yī)學(xué)影像、農(nóng)業(yè)林業(yè)、工業(yè)生產(chǎn)等［5-9］。智能圖像技術(shù)是基于計算機視覺和圖像處理的技術(shù)，通過對圖像進行分析、理解和處理，提取出其中的關(guān)鍵特征，并將其送入人工智能算法進行解析和識別。智能圖像技術(shù)的基本工作流程包括6 個步驟：圖像采集、圖像預(yù)處理、特征提取、特征匹配、模式識別、結(jié)果輸出。伴隨著圖像識別技術(shù)在計算機視覺領(lǐng)域的不斷應(yīng)用，圖像檢測的精準(zhǔn)度與智能化方面不斷取得突破，成功案例不斷涌現(xiàn)［10-13］。在此背景下，本文擬結(jié)合圖像特征點檢測技術(shù)、圖像矯正、位移場計算等智能圖像處理技術(shù)方法探索其在邊坡位移監(jiān)測中的應(yīng)用。

1 圖像特征點檢測

角點檢測是獲取圖像特征點的一種手段，即將圖像中亮度變化劇烈的點或者圖像邊緣曲線上曲率極大值的點識別為角點。角點同時也是極值點，其在某個屬性上表現(xiàn)特別突出。此外，角點也可以是兩條線的交叉處，或者是位于相鄰的兩個主要方向上不同事物上的點。角點檢測算法有3 種：①基于灰度圖像的角點檢測；②基于二值圖像的角點檢測；③基于輪廓曲線的角點檢測。由于邊坡位移監(jiān)測必須有標(biāo)靶，標(biāo)靶如圖1所示。因此本文只討論基于灰度圖像的角點檢測。

圖1 標(biāo)靶Fig.1 Target

假設(shè)整個滑坡上有若干個標(biāo)靶，監(jiān)控攝像頭視野內(nèi)能看到該邊坡的所有標(biāo)靶，則對邊坡上先拍攝一張照片，該照片視野內(nèi)的所有標(biāo)靶作為初始位置照片，攝像頭不轉(zhuǎn)動，再拍攝一張照片，兩張照片對比標(biāo)靶位置，照片上通過像素確定標(biāo)靶移動的方向與位置，則為滑坡上對應(yīng)的位置移動的方向與距離。二值化前拍攝的照片如圖2?所示；監(jiān)控拍攝到的照片，進行二值化之后，變成黑白照片，如圖2?所示；就是將圖像上的像素點的灰度值設(shè)置為0 或255，也就是將整個圖像呈現(xiàn)出明顯的黑白效果的過程。先將照片灰度化，再進行二值化，本測點照片的二值化閥值為81，灰度值小于81 的，設(shè)置為0，大于81 的設(shè)置為255，二值化后的拍攝的照片如圖2?所示，因此灰度閾值設(shè)置為81，能完整地保存標(biāo)靶的輪廓。把標(biāo)靶圖片像素點的二值化的值0設(shè)置成-1，255設(shè)置成1。假設(shè)標(biāo)靶每個像素的二值化值為一個3×3 的矩陣，則矩陣為，白色像素為-1，黑色像素為1。利用窗口內(nèi)圖像灰度的自相關(guān)性，設(shè)計一個窗口在圖像中移動，構(gòu)建數(shù)學(xué)模型，計算移動窗口的灰度差值（即移動前和移動后窗口所在區(qū)域圖像的自相關(guān)系數(shù)）。

圖2 二值化前后相片F(xiàn)ig.2 Before and after Image Binarization

自相關(guān)函數(shù)計算如下，（x，y）為窗口中心位置，w（u，v）為權(quán)重（一般取高斯函數(shù)），L表示窗口，（u，v）表示窗口中圖像位置。

對于圖像I（x，y），當(dāng)在點（x，y）處平移（△x，△y）后的自相似性：

式⑴化簡后得到式⑵

經(jīng)過對式⑴的數(shù)學(xué)形式推導(dǎo)得到式⑵，得到了自相關(guān)函數(shù)的表達式?？梢钥闯鲞@也是一個橢圓的矩陣表達式形式（非標(biāo)準(zhǔn)橢圓），因此其系數(shù)矩陣M的特征值與橢圓的半軸長短有關(guān)。依據(jù)橢圓函數(shù)變換成矩陣公式可得：

2 圖像矯正

由于攝像頭本身是球面的，因此拍攝的物體會發(fā)生形變，所以圖像需要進行糾正，以此提高位移精度?？赡艹霈F(xiàn)的形變?nèi)鐖D3所示。

圖3 圖像形變Fig.3 Image Deformation

形變主要由于鏡片的曲率誤差等光學(xué)系統(tǒng)的誤差造成，圖像像素點僅在半徑方向上偏離準(zhǔn)確位置。將圖像中心點作為整改圖像坐標(biāo)系的原點，圖像中的點分別用極坐標(biāo)表示為x=rsinφ，y=rcosφ。設(shè)極坐標(biāo)（r，φ）處的形變大小為δr，假設(shè)真實坐標(biāo)為（xu，yu），形變后的坐標(biāo)為（xd，yd），（x0，y0）為形變中心，則：

以上兩式展開后為：

r為點到圖像平面中心（圖像坐標(biāo)系原點）的距離；k1和k2為形變系數(shù)，k1和k2可通過至少3個標(biāo)靶挪到固定位移，用拍攝前后的兩張照片，已知的3個坐標(biāo)，代入公式，算出k1和k2值。公式只取前面2 個K值，就可達到mm級精度，則x軸和y軸上的形變量分別表示為：

假設(shè)真實坐標(biāo)為（xu，yu），形變后的坐標(biāo)為（xd，yd），那么真實坐標(biāo)可以表示為：

兩個式合并之后，得到：

根據(jù)計算出的前后兩張圖片的真實坐標(biāo)（xu，yu），可計算出真實的位移坐標(biāo)。

3 某邊坡項目監(jiān)測數(shù)據(jù)分析

某項目邊坡是開挖后形成的裸露巖、土質(zhì)混合邊坡，邊坡土巖分界面較為明顯，邊坡下部為花崗巖中風(fēng)化巖質(zhì)邊坡；邊坡上部為花崗巖風(fēng)化而成的土質(zhì)邊坡。填方邊坡主要以新近回填砂質(zhì)粘性土經(jīng)分層碾壓和強夯處理后的邊坡。本項目由于場地現(xiàn)進行整平處理，挖填整平后存在多處人工高邊坡。在該項目上安裝智能圖像系統(tǒng)，該系統(tǒng)包括工業(yè)相機，相機鏡頭、靶標(biāo)、DTU、本地調(diào)試軟件、云平臺軟件，在可能存在的滑坡隱患的邊坡部位上安裝標(biāo)靶，在邊坡底或者邊坡上穩(wěn)定位置安裝工業(yè)相機等。智能圖像測量系統(tǒng)采用物聯(lián)網(wǎng)技術(shù)及識別算法將圖像數(shù)據(jù)轉(zhuǎn)化為變形數(shù)據(jù)。

本項目計劃安裝的標(biāo)靶有12個，實際能通視的觀察到的標(biāo)靶只有9個。本項目針對觀察到的9個標(biāo)靶，選取2 個標(biāo)靶進行數(shù)據(jù)分析，并對不同情況下的數(shù)據(jù)進行選取。選取的數(shù)據(jù)分別有不同溫度下的監(jiān)測數(shù)據(jù)（見圖4）、不同光照下的數(shù)據(jù)（見圖5）、每天同一時間段的數(shù)據(jù)（見圖6）、因暴雨產(chǎn)生位移的數(shù)據(jù)（見圖7）。

圖4 溫度對監(jiān)測數(shù)據(jù)的影響Fig.4 The Impact of Temperature on Monitoring Data

圖5 不同光照下對監(jiān)測數(shù)據(jù)的影響Fig.5 The Impact of Different Lighting Conditions on Monitoring Data

圖6 每天同一時間下的監(jiān)測數(shù)據(jù)Fig.6 Monitoring Data at the Same Time Every Day

圖7 雨季監(jiān)測數(shù)據(jù)Fig.7 Rainy Season Monitoring Data

依據(jù)廣東的氣溫條件，從全年中選取項目溫度在4 ～40 ℃區(qū)間內(nèi)對應(yīng)的監(jiān)測數(shù)據(jù)，根據(jù)監(jiān)測數(shù)據(jù)曲線圖可知溫度在4～20 ℃時，位移變化從3 mm 逐漸減少到1.5 mm，當(dāng)溫度在20～28 ℃時，位移變化量穩(wěn)定在1.5 mm區(qū)間，超過28 ℃時，變化量持續(xù)增加，且X方向的變化量最大，達到5 mm左右。

由于智能圖像系統(tǒng)是光學(xué)儀器，應(yīng)考慮光照對監(jiān)測數(shù)據(jù)的影響，本項目選取了干燥、晴朗的一天，記錄其不同光照下的監(jiān)測數(shù)據(jù)。依據(jù)圖5 可以看到，在黎明初曉時，標(biāo)靶剛能被智能圖像系統(tǒng)識別時，數(shù)據(jù)有3～4 mm 的變化量，隨著光照逐漸變強，位移變化量在1 mm 內(nèi)，當(dāng)光照進一步變強時，位移變化量在1.5 mm范圍內(nèi)，而在傍晚時，光線慢慢變?nèi)?，位移變化量又開始慢慢增加，最終在3 mm左右。

由于變形監(jiān)測的目的是了解監(jiān)測物體的位移趨勢，因此對該項目選取了一個月每天同一時間的監(jiān)測數(shù)據(jù)，依據(jù)廣東的天氣特點，選擇在天氣適宜、雨水較少、溫度適宜、無太強光照的11 月做數(shù)據(jù)對比。選取每天9：30的監(jiān)測數(shù)據(jù)。由圖6 可知出，位移變化量穩(wěn)定在1.5 mm左右，數(shù)據(jù)比較穩(wěn)定。

該項目的監(jiān)測過程中，某個雨季里，出現(xiàn)了連續(xù)暴雨，監(jiān)測到的邊坡變化量如圖7所示，大雨在前一兩天測得的位移變化量是-2 mm，隨著之后的持續(xù)降雨，變化量持續(xù)變大，在125 h之后，數(shù)據(jù)趨于穩(wěn)定，X軸穩(wěn)定在12.5 mm 左右，Y軸穩(wěn)定在18 mm 左右。125 h 之后，雖然還在持續(xù)降雨，但位移變化量未持續(xù)變大，可能隱患點已經(jīng)變化到穩(wěn)定位置。暴雨過后，人工用水準(zhǔn)儀加全站儀復(fù)測的方式，測得兩個標(biāo)靶的位移數(shù)據(jù)與系統(tǒng)監(jiān)測相差在2 mm以內(nèi)。

4 結(jié)論

提出了智能圖像處理技術(shù)中關(guān)于圖像特征點檢測的識別方式、計算方法。通過對相片的二值化處理和自相關(guān)函數(shù)等，使得圖像內(nèi)識別到標(biāo)靶。通過對圖像進行圖像矯正，提出一種矯正算法，從而算出標(biāo)靶的準(zhǔn)確位移，提高位移精度。在此基礎(chǔ)上，搭建了智能圖像測量系統(tǒng)，通過把智能圖像系統(tǒng)安裝在某邊坡項目上，根據(jù)安裝之后標(biāo)靶沒法全部通視，驗證了其視場小的問題。針對4 種不同的情況做了數(shù)據(jù)分析，通過對溫度的數(shù)據(jù)分析，驗證了溫度的變化對該系統(tǒng)存在影響，且X方向的影響大于Y方向。溫度在25 ℃左右，影響最小。通過對不同光照條件下的數(shù)據(jù)分析，驗證了光照的強度對該系統(tǒng)存在影響，光照較弱時，數(shù)據(jù)影響較大，光照太強時，也存在影響，每天約10時左右的光照，對監(jiān)測數(shù)據(jù)影響較小。通過對每天同一時間段的數(shù)據(jù)分析，驗證了其數(shù)據(jù)影響較小，每天同一時間段的監(jiān)測數(shù)據(jù)分析，有利于對該項目的變形趨勢分析。通過對連續(xù)暴雨的監(jiān)測數(shù)據(jù)分析和人工監(jiān)測的數(shù)據(jù)復(fù)核，可以驗證智能圖像系統(tǒng)能準(zhǔn)確地監(jiān)測出邊坡的位移。