袁 涵，湯 進(jìn)，王文中

(安徽大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，安徽 合肥 230601)

0 引言

近年來(lái)，在我國(guó)中型及以上貨車(包括微型貨車)改裝外形尺寸，如換車箱、加長(zhǎng)、加高貨箱尺寸，超過(guò)國(guó)標(biāo)規(guī)定的現(xiàn)象比較普遍。據(jù)統(tǒng)計(jì)，車輛超限超載成為造成道路交通事故的主要原因之一，嚴(yán)重影響國(guó)家財(cái)產(chǎn)和人民生命安全［1］。因此，除了平時(shí)的交通檢查外，各地車輛管理所還要求各類車輛進(jìn)行年檢，其中重要的一項(xiàng)就是對(duì)車輛外形尺寸的測(cè)量檢查。目前，主要的測(cè)量方法是人工使用鋼卷尺、角度尺及標(biāo)桿等工具進(jìn)行測(cè)量，不僅人工成本高，效率低下，而且誤差較大。隨著計(jì)算機(jī)和圖像處理技術(shù)的發(fā)展，為了實(shí)現(xiàn)對(duì)車輛外形尺寸的非接觸自動(dòng)化測(cè)量，一些學(xué)者提出了基于機(jī)器視覺的測(cè)量方法［2-4］。然而，受到應(yīng)用環(huán)境限制，車管所等機(jī)動(dòng)車輛管理部門測(cè)量場(chǎng)地環(huán)境布置復(fù)雜，空間狹窄，對(duì)于一般的大型車輛來(lái)說(shuō)，由于車身較長(zhǎng)而相機(jī)與被測(cè)車輛又太近，因而只能拍攝到車身的局部，不能一次將全部車身拍攝完全。因此，傳統(tǒng)的機(jī)器視覺方法在測(cè)量車身尺寸尤其是大型車輛車身長(zhǎng)度上不能很好地發(fā)揮效用。

針對(duì)以上問(wèn)題，本文提出一種基于圖像的大型車輛車身長(zhǎng)度測(cè)量方法，并應(yīng)用于實(shí)際車身長(zhǎng)度測(cè)量，現(xiàn)場(chǎng)的測(cè)量環(huán)境架設(shè)如圖1所示。具體的做法是，在測(cè)量場(chǎng)地側(cè)面架設(shè)兩臺(tái)固定的已標(biāo)定相機(jī)，如圖1(a)所示。測(cè)量時(shí)，讓被測(cè)車輛盡量勻速平行于相機(jī)所在側(cè)面向前駛進(jìn)，直至駛出測(cè)量區(qū)域，與此同時(shí)控制兩臺(tái)相機(jī)同時(shí)對(duì)車輛進(jìn)行間歇性抓拍。通過(guò)雙目測(cè)距原理得出被測(cè)車輛與相機(jī)的距離，選取一臺(tái)相機(jī)拍攝的圖像序列進(jìn)行圖像拼接，得出車身側(cè)面全景圖，再根據(jù)車身在圖像上的像素長(zhǎng)度和車輛與相機(jī)的距離，結(jié)合標(biāo)定數(shù)據(jù)得出車身長(zhǎng)度的實(shí)際物理尺寸。

圖1 現(xiàn)場(chǎng)(側(cè)面)架設(shè)圖

1 車身側(cè)面圖像拼接

拍攝過(guò)程結(jié)束后，選取其中一臺(tái)相機(jī)拍攝的圖像序列進(jìn)行拼接。首先對(duì)圖像序列中的每一幅圖像做區(qū)域分割，去除背景，提取被測(cè)車輛圖像，接著提取被測(cè)車輛的邊緣特征，通過(guò)邊緣特征匹配方法算出圖像序列中相鄰兩幅圖像的平移量，根據(jù)平移量即可知道它們之間的重疊區(qū)域，最后用一種簡(jiǎn)單的像素平均方法進(jìn)行圖像拼接得出車身側(cè)面全景圖。

1.1 車體圖像分割

本文采用單高斯背景模型對(duì)背景進(jìn)行建模。為了降低背景復(fù)雜度，提高背景模型的準(zhǔn)確性，將正對(duì)側(cè)面相機(jī)的背景墻涂成一種與常見車輛顏色相區(qū)別的顏色(本系統(tǒng)中使用紫色背景)，如圖1(b)白色線框所示區(qū)域。單高斯背景建模的基本思想是，將圖像中每一個(gè)像素點(diǎn)的顏色值看成是一個(gè)隨機(jī)過(guò)程X，并假設(shè)該點(diǎn)的某一像素值出現(xiàn)的概率服從高斯分布［5］。在車輛檢測(cè)開始前，拍攝若干幅背景圖片。設(shè) I(x，y，t)表示像素點(diǎn)(x，y)在 t時(shí)刻的像素值，μt和σt為該像素的高斯分布期望值和標(biāo)準(zhǔn)差。取第一幅圖片作初始化:

通常，取std_init=20。再依次逐一選取剩下的背景圖片按下列公式對(duì) μt、σt進(jìn)行更新:

式中的α為一比例因子，在實(shí)際應(yīng)用中一般取值0.1。

對(duì)于測(cè)量過(guò)程中拍攝的圖像序列中的每一張，按下面的公式進(jìn)行車體初步提取:

式中的λ為閾值系數(shù)，在實(shí)際應(yīng)用中一般取值2.0～2.5。由于光照等原因，車體周圍會(huì)產(chǎn)生陰影，在初步分割提取車身圖像時(shí)，這些陰影往往被誤分為車身，對(duì)分割結(jié)果產(chǎn)生影響。對(duì)此，本文采用一種抗陰影的背景減除算法來(lái)消除陰影的影響，得到最終的車體圖像。設(shè)zb(u，v)表示背景模型中像素(u，v)的顏色均值向量，zr(u，v)表示經(jīng)過(guò)上一步初步分割提取的車輛圖像中像素(u，v)的顏色向量，f(u，v)表示上一步分割的結(jié)果:f(u，v)=1與f(u，v)=0表示像素(u，v)為車體或背景，使用如下的抗陰影背景減除算法來(lái)進(jìn)一步消除車身周圍的陰影，即計(jì)算s(u，v):

其中，‖v‖定義為向量v的模，·定義為向量的點(diǎn)積。本系統(tǒng)中τ的值取為0.95。

1.2 車身側(cè)面圖像拼接

綜合考慮系統(tǒng)對(duì)拼接精確性及實(shí)時(shí)性的要求，本文采用圖像邊緣特征作為匹配的特征。由于Canny算子是一種優(yōu)化算子，具有抗噪性較強(qiáng)、定位準(zhǔn)的特點(diǎn)［6-7］，因此，對(duì)上一步得出的分割后的車身圖像序列中的每一幅圖像做Canny邊緣檢測(cè)，然后使用基于Chamfer距離的輪廓匹配方法［8-9］計(jì)算出當(dāng)圖像序列中相鄰兩幅圖像的邊緣特征，達(dá)到最佳匹配時(shí)它們的平移量:

式中，T={(xt，yt)}為模板圖像的 Canny邊緣點(diǎn)集示集合T的點(diǎn)數(shù)目標(biāo)圖像的Canny邊緣點(diǎn)集合，dT(xt+Δx，yt+Δy)為E的Chamfer距離變換公式。

根據(jù)平移量Δx和Δy即可計(jì)算出兩幅圖片的重疊區(qū)域。由于車身側(cè)面圖像拼接只要得到車身的長(zhǎng)度信息，并不要求圖像視覺美觀，考慮到系統(tǒng)的實(shí)時(shí)性要求，因此，本文使用簡(jiǎn)單的像素平均方法對(duì)拼接圖像序列進(jìn)行融合，如式(10)所示。

式中，R1表示第一幅圖像中去掉重疊部分其余區(qū)域的像素，R2表示兩幅待拼接圖像重疊區(qū)域?qū)?yīng)的像素，R3表示第二幅圖像去掉重疊部分其余區(qū)域的像素。車體側(cè)面圖像拼接結(jié)果如圖2所示。

圖2 車身側(cè)面圖像拼接

2 車身長(zhǎng)度測(cè)量

在車身側(cè)面圖像拼接完成后，即可獲取一對(duì)在同一水平線上的車頭、車尾點(diǎn)的坐標(biāo)(圖像坐標(biāo))，根據(jù)標(biāo)定得出的單應(yīng)矩陣將這兩點(diǎn)轉(zhuǎn)換為參考平面坐標(biāo)(物理坐標(biāo))，并得出這兩點(diǎn)在參考平面上的距離(物理距離)。由于參考平面與相機(jī)距離在標(biāo)定階段已經(jīng)得出，結(jié)合雙目測(cè)距測(cè)得的車身與相機(jī)距離，通過(guò)簡(jiǎn)單的比例關(guān)系即可得出車身的實(shí)際物理長(zhǎng)度。

2.1 雙目測(cè)距

雙目測(cè)距的原理如圖3［10］所示。設(shè)空間點(diǎn)P在左右攝像機(jī)成像的圖像點(diǎn)分別是xl、xr，視差d=xlxr，T是兩攝像機(jī)的光心距離，即基線距，f是兩攝像機(jī)的焦距，Z為點(diǎn)P到相機(jī)光心的距離。由簡(jiǎn)單的三角形相似原理，可知:

圖3 雙目測(cè)距原理

攝像機(jī)架設(shè)固定好后，本文首先采用張正友提出的標(biāo)定方法對(duì)攝像機(jī)進(jìn)行標(biāo)定［11］，得出焦距f等攝像機(jī)參數(shù)。

當(dāng)測(cè)量過(guò)程中的拍攝結(jié)束后，從兩部相機(jī)的圖像序列中選取一組同一時(shí)刻拍攝的兩張車身圖像，完成特征匹配及視差計(jì)算。本文采用 Harris角點(diǎn)特征［12-16］作為雙目測(cè)距中圖像的匹配特征，并用RANSAC算法［17］完成特征匹配，如圖4所示。最后計(jì)算出視差d，便可根據(jù)公式(10)得到車身與相機(jī)的距離ZR。

圖4 基于Harris角點(diǎn)特征的圖像匹配

2.2 估計(jì)圖像平面與標(biāo)定平面之間的單應(yīng)矩陣

為了得到車身側(cè)面的真實(shí)物理尺寸，需要將車身側(cè)面的像素尺寸映射到真實(shí)的車身平面上。假設(shè)車身側(cè)面近似為一個(gè)平面，則這個(gè)映射就是相機(jī)成像平面與車身側(cè)平面之間的單應(yīng)變換(Homography)。由于不同車輛與相機(jī)的距離不確定，因此，不同車輛對(duì)應(yīng)的單應(yīng)矩陣是不同的，為了避免對(duì)每一輛被測(cè)車輛重新標(biāo)定這個(gè)單應(yīng)矩陣，事先標(biāo)定出成像平面與某個(gè)參考平面的單應(yīng)變換，然后利用車輛與相機(jī)的距離以及參考平面與相機(jī)的距離，將這個(gè)單應(yīng)變換轉(zhuǎn)換為成像平面與車輛側(cè)面之間的單應(yīng)變換。

在實(shí)際標(biāo)定中，將一塊棋盤格以盡量垂直于光軸的方式移動(dòng)到某一位置，將此時(shí)棋盤格所在的平面作為參考平面，測(cè)出棋盤格與相機(jī)的距離ZB。此時(shí)，參考平面上的點(diǎn)M=［x，y，z］T與對(duì)應(yīng)的攝像機(jī)成像平面上的圖像點(diǎn)m=［u，v］T滿足以下關(guān)系:其中和分別為點(diǎn)M和點(diǎn)m的齊次坐標(biāo)。給定n(n＞3)組對(duì)應(yīng)點(diǎn){Mi，mi，利用直接線性變換(Direct Linear Transformation)算法［18］計(jì)算出單應(yīng)矩陣HIB。

2.3 車身實(shí)際長(zhǎng)度測(cè)量

設(shè)mR是車身側(cè)面全景圖上車頭邊緣上一點(diǎn)(通常選取車頭邊緣的中點(diǎn))的圖像坐標(biāo)，mL是與其對(duì)應(yīng)在同一水平線上的車尾邊緣上一點(diǎn)的圖像坐標(biāo)，則mL、mR在參考平面上的對(duì)應(yīng)點(diǎn)的齊次坐標(biāo)為=是車身的實(shí)際長(zhǎng)度，車身在參考平面上的投影長(zhǎng)度為lB=‖MR－ML‖，如圖5所示。則根據(jù)簡(jiǎn)單的三角形相似原理，有:

其中，ZR是車身與相機(jī)的距離，ZB是標(biāo)定板與相機(jī)的距離。

圖5 車身長(zhǎng)度測(cè)量原理

3 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)采用主頻為Core i5-3.0 GHz、內(nèi)存為4 GB的計(jì)算機(jī)和普通工業(yè)抓拍相機(jī)。兩部側(cè)面相機(jī)的基線為50 cm，背景板與相機(jī)的距離為6 m，相機(jī)與車身側(cè)面的距離大約在3 m左右。部分測(cè)量數(shù)據(jù)如表1所示。

表1 測(cè)量結(jié)果及誤差

在測(cè)量范圍方面，由于采用了圖像拼接技術(shù)，理論上可以對(duì)任何尺寸的車輛車長(zhǎng)進(jìn)行測(cè)量，實(shí)驗(yàn)中測(cè)量的最長(zhǎng)車身長(zhǎng)度為15.70 m，而傳統(tǒng)的視覺測(cè)量方法由于受到相機(jī)有效視場(chǎng)的限制，測(cè)量的最長(zhǎng)車身長(zhǎng)度為6.000 m［18］;在測(cè)量精度方面，最大絕對(duì)誤差為39 mm，平均絕對(duì)誤差為24.29 mm，最大相對(duì)誤差為4.000%，平均相對(duì)誤差為2.035%，與傳統(tǒng)車長(zhǎng)測(cè)量方法相差不大;在測(cè)量耗時(shí)方面，系統(tǒng)平均耗時(shí)95.2 s，而一般傳統(tǒng)的人工測(cè)量車長(zhǎng)方法平均需要20多分鐘?？傮w來(lái)說(shuō)，基于圖像的大型車輛車身長(zhǎng)度測(cè)量方法在將測(cè)量值與實(shí)際值誤差控制在合理范圍內(nèi)的情況下，系統(tǒng)測(cè)量范圍廣、耗時(shí)較短，滿足了車身長(zhǎng)度測(cè)量的精確性、通用性、實(shí)時(shí)性要求，達(dá)到了測(cè)量目的。

4 結(jié)束語(yǔ)

本文提出一種基于圖像的大型車輛車身長(zhǎng)度測(cè)量方法，通過(guò)圖像拼接方法得出完整的車身側(cè)面圖像，結(jié)合雙目測(cè)距方法測(cè)得車身實(shí)際長(zhǎng)度。實(shí)驗(yàn)結(jié)果表明，這種方法具有自動(dòng)、快速、非接觸、誤差小、測(cè)量范圍廣的特點(diǎn)，對(duì)在測(cè)量場(chǎng)地大小受限、測(cè)量環(huán)境復(fù)雜下的大型車輛車身長(zhǎng)度測(cè)量具有很好的理論意義和應(yīng)用價(jià)值。

［1］昌云宗，劉成江，崔同來(lái)，等.公路超限運(yùn)輸?shù)默F(xiàn)狀及治理［J］.山東交通科技，2004(3):94-95，97.

［2］卞小東.基于機(jī)器視覺的車輛幾何尺寸測(cè)量系統(tǒng)研究［J］.南京:東南大學(xué)，2005.

［3］蘇建，翟乃斌，劉玉梅，等.汽車整車尺寸機(jī)器視覺測(cè)量系統(tǒng)的研究［J］.公路交通科技，2007，24(4):145-149.

［4］翟乃斌，蘇建，劉玉梅，等.基于計(jì)算機(jī)視覺的汽車整車尺寸測(cè)量系統(tǒng)［J］.交通與計(jì)算機(jī)，2006，24(3):22-26.

［5］RaySaint.背景建模算法(一)——顏色背景模型［EB/OL］.http://underthehood.blog.51cto.com/2531780/484191/，2011-01-23.

［6］Canny John.A computational approach to edge detection［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1986，8(6):679-698.

［7］李婭婭，李志潔，鄭海旭，等.圖像邊緣檢測(cè)算法的比較與實(shí)現(xiàn)［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2010，31(9):1971-1975.

［8］Belongie S，Malik J，Puzicha J.Shape matching and object recognition using shape contexts［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24(4):509-522.

［9］管偉光，馬頌德.統(tǒng)一化的快速距離變換［J］.計(jì)算機(jī)學(xué)報(bào)，1995，18(8):625-635.

［10］Bradski G，Kaehler A.Learning OpenCV［M］.USA:O’Reilly Media，2008:436.

［11］Zhang Z.A flexible new technique for camera calibration［J］.IEEE Transactions on Pattern Analysis and Michine Intelligence，2000，22(11):1330-1334.

［12］Harris C G.Determination of ego-motion from matched points［C］//Proceedings of the 3rd Alvey Vision Conference.1987:189-192.

［13］Harris C，Stephens M.A combined corner and edge detector［C］//Proceedings of the 4th Alvey Vision Conference.1988:147-151.

［14］Rohr K.Localization properties of direct corner detectors［J］.Journal of Mathematical Imaging and Vision，1994，4:139-150.

［15］Rosten E，Drummond T.Machine learning for high-speed corner detection［C］//Proceedings of the 9th European Conference on Computer Vision.2006:430-443.

［16］Noble JA.Finding corners［J］.Image and Vision Computing，1988，6(2):121-128.

［17］Fischler M A，Bolles R C.Random sample consensus:A paradigm formodel fitting with applications to image analysis and automated cartography［J］.Communications of the ACM，1981，24(6):381-395.

［18］Hartley R，Zisserman A.Multiple View Geometry in Computer Vision(2nd Ed.)［M］.UK:Cambridge University Press，2000.