謝森棟，田秋紅，孫政榮，張立見

（浙江理工大學精密測量技術實驗室，杭州 310018）

激光標記自動跟蹤視頻引伸計的標記識別算法研究

謝森棟，田秋紅，孫政榮，張立見

（浙江理工大學精密測量技術實驗室，杭州 310018）

針對視頻引伸計易受光照變化干擾的問題，提出一種基于圖像亮度調整和去霧增強相結合的圖像預處理算法，獲得了激光標記和試樣標記的清晰圖像；分別利用Cr色度閾值分割算法和基于感興趣區(qū)域的亮度梯度閾值分割算法提取激光標記和試樣標記。在光照變化和有無試驗機夾頭干擾的情況下分別進行了實驗，驗證了算法的穩(wěn)定性和準確性。

視頻引伸計；圖像處理；數(shù)學形態(tài)學增強；Cr色度；亮度梯度

0 引 言

視頻引伸計測量材料應變時，一般預先在試樣上制作標記，通過圖像測量技術［1］對CCD采集的圖像進行預處理、標記提取、計算被測試樣的實時形變量。邊緣檢測［2-4］和模板匹配［5-7］是最常用的圖像目標特征提取方法，但對實驗光照條件要求高，適應性差。目前，在數(shù)字圖像處理領域中解決光照問題主要是通過圖像亮度補償來實現(xiàn)：直方圖均衡化［8］能有效增強圖像對比度，卻容易受背景噪聲干擾；Gamma校正［9］，通過改變Gamma參數(shù)來控制一幅圖像的整體亮度，但容易造成圖像失真；非線性變換［8-9］，采用像素值的對數(shù)變換來達到增強圖像的目的；同態(tài)濾波［10］，根據(jù)光照反射理論，通過傅里葉變換在頻域內對圖像亮度范圍進行壓縮的同時增強圖像的對比度。非線性變換和同態(tài)濾波計算量大，不滿足測量系統(tǒng)實時性要求。上述方法都是通過直接提取試樣標記來獲取試樣形變量，未考慮測量過程中試樣標記變形問題，引入了測量誤差。而基于激光標記自動跟蹤測量材料變形的方法利用形狀穩(wěn)定的激光標記跟蹤試樣標記，采用連圖算法提取激光標記實現(xiàn)材料形變測量，消除了試樣標記變形引入的誤差［11］，但該方法在光照變化復雜情況下存在標記提取的準確率下降的問題。本文在此基礎上，設計了一種對光強變化具有強魯棒性的預處理算法，描述了激光標記自動跟蹤視頻引伸計的結構和測量原理，詳細闡述了該視頻引伸計的圖像預處理算法和標記識別算法，并設計了算法流程圖，最后進行了實驗驗證。

1 系統(tǒng)結構

激光標記自動跟蹤視頻引伸計的結構如圖1所示，LD激光器發(fā)出的光束通過十字分劃板產生“+”字形激光標記，經(jīng)五角棱鏡和平面鏡兩次反射，射向被測試樣；CCD獲取激光標記和試樣標記的圖像，經(jīng)圖像采集卡傳輸給計算機，由圖像處理算法獲得激光標記和試樣標記的距離差，控制伺服電機帶動五角棱鏡轉動，使激光標記實時跟蹤試樣標記，獲得試樣變形量。

圖1 激光標記自動跟蹤視頻引伸計的結構

2 圖像預處理

2.1 基于圖像統(tǒng)計信息的線性亮度調整算法

由于實驗光照環(huán)境不穩(wěn)定，CCD采集的試樣圖像中試樣區(qū)域和背景區(qū)分度低，影響激光標記和試樣標記的準確識別。因此，本文提出基于圖像統(tǒng)計信息的線性亮度調整算法對CCD采集到的試樣圖像的亮度進行調整，改善試樣圖像整體亮度。對于大小為N×M的試樣圖像，基于圖像統(tǒng)計信息的線性亮度調整算法具體實現(xiàn)如下：

a）在實驗室環(huán)境中，利用CCD采集50幅光照強度不同對應的試樣圖像，從中選取標記突出的一幅試樣圖像，分別利用公式（1）和公式（2）計算：I= 140，RGB三通道均值（135，165，130），并將此RGB均值作為圖像亮度調整的參考標準。

b）統(tǒng)計試樣圖像中RGB三通道像素均值

式（2）中：avg_r，avg_g，avg_b則表示實時采集的試樣圖像中RGB的統(tǒng)計平均值。

c）根據(jù)實時采集的試樣圖像統(tǒng)計信息，計算RGB三通道亮度調整算子

式（3）中：gain_r，gain_g，gain_b分別為三通道的亮度調整算子；（135，165，130）為預先獲得的亮度調整參考點。

d）遍歷試樣圖像，利用實時計算得到的亮度調整算子修正像素值

式（4）中：R，G，B分別為原試樣圖像上一像素點的RGB值；R′，G′，B′分別表示修正后試樣圖像中與之相對應像素點的RGB值。

為保證獲取完整試樣圖像且盡量減少外界環(huán)境干擾，實驗時采集的圖像大小設置為600*256。對CCD采集到的圖像（如圖2（a））使用上述算法后，改善了試樣圖像清晰度，為后續(xù)圖像處理提供亮度穩(wěn)定的試樣圖像，實驗結果如圖2（b）所示。

基于圖像統(tǒng)計信息的線性亮度調整算法結果

2.2 基于數(shù)學形態(tài)學的圖像去霧增強算法

由圖2可知，利用線性圖像亮度調整算法后，雖然試樣圖像整體亮度得到改善，但其表面對比度不高，覆蓋了一層“薄霧”。為了后續(xù)能有效提取激光標記和試樣標記，需要對亮度調整后的“帶霧”圖像進行圖像去霧增強處理，提高圖像對比度。本文選用數(shù)學形態(tài)學中基于Top-Hat變換［12］的對比度拉伸方法進行圖像去霧增強處理。

數(shù)學形態(tài)學中，高帽變換能有效檢測出圖像中的亮點，是一種波峰檢測器；與之對偶的低帽變換則適合于檢測圖像中的暗點，它們分別定義如下：

式（5）、式（6）中：top和black分別表示高帽變換和低帽變換，A表示原試樣圖像，B表示結構算子，A?B和A·B分別為開運算和閉運算。

試樣圖像中激光標記區(qū)域亮度高，而試樣標記區(qū)域亮度低，結合高帽變換和低帽變換的性質，可通過對原試樣圖像中激光標記區(qū)域的像素點增強亮度而對試樣標記區(qū)域的像素點進一步減弱亮度，從而達到提高圖像對比度的目的：式（7）中：A′表示對比度增強后的試樣圖像，A表示CCD實時采集的原始試樣圖像，其實驗結果如圖3所示。

學形態(tài)學的圖像去霧增強算法實驗結果

圖3（c）和圖3（a）、3（b）相對比，消除了圖像中亮度調整處理后帶來的“薄霧”效果，試樣圖像清晰度進一步增強，兩標記區(qū)域和圖像其它部分的對比度得到了改善，圖像特征突出。因此，經(jīng)上述預處理算法處理后，試樣圖像清晰、標記突出，為后續(xù)準確提取標記提供了保證。

3 標記識別

3.1 自適應Cr色度閾值分割算法提取激光標記

在RGB顏色空間中，三分量值都同時包含了色度信息和亮度信息，其歐氏距離無法有效表示任意兩種顏色間的視覺差距，因此在RGB顏色空間中使用R分量進行閾值分割將不能有效地提取出激光標記。而YCbCr顏色空間將色彩的亮度與色度分離，用Y表示亮度，Cb和Cr分別表示藍色色度和紅色色度，因而可以用色度的歐氏距離來評估顏色差別。從RGB空間到YCbCr空間的轉換公式如下：

為了保證Y、Cb、Cr都為正值，式（8）中需要預先對R、G、B進行歸一化，使得R、G、B均屬于［0，1］，此時有 Y、Cb、Cr均屬于［16，235］。對圖3（c）進行顏色空間轉換，Cr色度分量的分布如圖4所示，三維圖像中垂直方向表示圖像中各像素點處的紅色色度分量值，由圖4可知，紅色色度分量僅在激光標記區(qū)域產生峰值，其它部分分布平坦，故利用Cr分量設置閾值可有效分割出激光標記區(qū)域。自適應Cr色度閾值分割提取激光標記算法如下：

試樣圖像紅色分量分布圖

a）根據(jù)公式（8）將預處理后的試樣圖像轉換到YCbCr顏色空間中表示。

b）統(tǒng)計試樣圖像中Cr分量信息，計算平均值avg _Cr，并尋找試樣圖像中Cr分量的最大值max_Cr。

c）設置自適應閾值th_Cr。由圖4，試樣圖像中激光標記區(qū)域占整幅圖像的比例很小，即激光標記區(qū)域的Cr分量值對計算avg_Cr的權重小，故avg_ Cr將接近背景區(qū)域的Cr值，單純利用Cr均值進行圖像分割容易引入噪聲點，因此本文選擇綜合考慮avg_Cr和max_Cr來設置自適應閾值th_Cr，具體計算如下式所示：

d）根據(jù)閾值th_Cr對圖像進行分割：對試樣圖像中任意點（x，y），若Cr（x，y）≥th_Cr，則認為該點屬于激光標記區(qū)域；否則，排除該點。

3.2 基于圖像感興趣區(qū)域試樣標記提取算法

由于試驗機夾頭和試樣標記在圖像中均表現(xiàn)為黑色，如果CCD視場中引入了夾頭，將無法利用試樣圖像的亮度梯度變化來準確提取試樣標記。由激光標記自動跟蹤視頻引伸計的測量原理可知，激光標記在實驗過程中實時跟蹤試件標記，兩者間的距離遠小于激光標記與試驗機夾頭間的距離，因此可利用上述提取的激光標記位置來獲得一個僅包含試件標記和激光標記的感興趣圖像區(qū)域，在此局部區(qū)域內利用圖像亮度梯度提取試樣標記，具體實現(xiàn)過程如下：

a）根據(jù)激光標記位置，獲取一個僅包含兩種標記的圖像局部區(qū)域A′作為感興趣圖像區(qū)域。

b）對區(qū)域 A′中每一列進行遍歷，用 Ri，j，Gi，j，Bi，j分別表示在像素點（i，j）處RGB三分量的值，I［i，j］表示在像素點（i，j）處的亮度，grad［i，j］表示在像素點（i，j）處的亮度梯度，并記錄該列中梯度變化的極值點位置，用map［i，j］=1表示。其中亮度I［i，j］和亮度梯度grad［i，j］的計算公式如下，

c）由于噪聲點也可能產生梯度變化的極值，需要設置閾值對其進行排除：首先統(tǒng)計A′中每一行標記為map［i，j］=1的點的個數(shù)，記為count［i］。然后，尋找count［i］中的最大值，記為MAX。由于噪聲點是孤立的，而試件標記邊緣是連續(xù)的，即試件邊緣處map標記點的個數(shù)要遠大于噪聲點處，因此可設置閾值TH=0.5×MAX，當count［i］≥TH，則認為該行被標記部分屬于試件標記區(qū)域；當count［i］＜TH，則該行被標記部分不屬于試件標記區(qū)域，map［i，j］=0。

d）對map［i，j］=1位置處的像素值設置為綠色，表示該點屬于試件標記。

4 圖像處理算法流程圖

綜上所述，激光標記自動跟蹤視頻引伸計的數(shù)字圖像處理流程如圖5所示，通過圖像線性亮度調整和圖像去霧增強算法獲得預處理圖像；由自適應Cr色度閾值分割提取激光標記算法提取激光標記，與此同時獲取一個僅包含激光標記和試樣標記的感興趣區(qū)域，在此區(qū)域內利用試樣標記提取算法獲得試樣標記；求取兩標記各自的中心位置，計算其歐式距離并控制電機實現(xiàn)激光標記對試樣標記的實時跟蹤。

圖5 激光標記自動跟蹤視頻引伸計的數(shù)字圖像處理流程

5 實驗結果及討論

為了驗證算法的有效性和穩(wěn)定性，搭建如圖1所示的視覺測量系統(tǒng)，選用嘉恒中自公司的圖像采集卡（OK_RGB20B）和CCD（OK_AC1300）采集試樣圖像，實驗采集的圖像大小設置為600*256，分辨率為10/65=0.15（mm/pixel），系統(tǒng)采樣周期為60 ms。在聯(lián)想ThinkCentre M6100 t（雙核，2.93 GHz，內存2GB）計算機上實現(xiàn)本文算法所需時間在50 ms以內，小于試驗機采樣周期60 ms，滿足測量過程的實時性要求。

6 I=75，無夾頭干擾

7 I=128，無夾頭干擾

8 I=168，無夾頭干擾

9 I=73，有夾頭干擾

10 I=132，有夾頭干擾

11 I=175，有夾頭干擾

第一組實驗利用低碳鋼驗證標記識別算法的穩(wěn)定性。在進行拉伸實驗前，保持試樣標記和激光標記空間位置不變，在不同光照條件下（光強由公式（1）計算得到）對試樣圖像重復進行標記提取，結果如圖6-圖11所示。分別計算這六組實驗中激光標記和試樣標記在圖像中的中心坐標（以像素為坐標），在無夾頭干擾的情況下，當光強I=75時，激光標記在圖像中的坐標為（101.24，393.68），試樣標記坐標 （101.51，421.13）；當光強I=128時，激光標記坐標（100.45，394.09），試樣標記坐標（100.48，421.51）；當 I= 168時，激光標記坐標（100.68，394.12），試樣標記坐標（102.23，421.48）；在有夾頭干擾的情況下，當I=73，時，激光標記坐標（99.68，393.75），試樣標記坐標（100.43，421.08）；當I=132時，激光標記坐標（100.18，394.01），試樣標記坐標（102.23，421. 29）；當I=175時，激光標記坐標（98.68，393.83），試樣標記坐標（101.13，421.38）。實驗結果表明，在不同光照環(huán)境和有無試驗機夾頭干擾的情況下，標記識別算法穩(wěn)定性高且標記誤差小于0.5個像素（約0.5*0.15=0.075 mm）。

第二組實驗分別利用50根低碳鋼和50根鑄鐵驗證標記識別算法的準確率。在50組低碳鋼拉伸實驗過程中有48組能準確識別標記；50組鑄鐵實驗中有45組能準確識別標記。圖12所示為一組激光標記跟蹤試樣標記序列。實驗結果表明，本算法在試樣拉伸實驗過程中標記識別準確率為93%。

圖12 激光標記跟蹤序列

6 結 語

圖像處理算法是實現(xiàn)高精度視頻引伸計開發(fā)的關鍵，本文先利用亮度修正和圖像增強對CCD采集到的試樣圖像進行預處理，提高試樣圖像清晰度；然后由自適應Cr色度閾值分割算法標記提取算法獲得激光標記，在此基礎上獲取一僅包含激光標記和試樣標記的感興趣區(qū)域，并利用試樣標記提取算法提取試樣標記，最后在光照變化和有無試驗機夾頭干擾的實驗條件下分別進行實驗，實驗結果表明，本文設計的算法能快速準確地提取激光標記和試件標記，降低測量系統(tǒng)對實驗光照條件的要求，對促進視頻引伸計的發(fā)展具有積極意義。

［1］周萬志.高精度圖像測量技術研究［D］.西安：西安電子科技大學，2009.

［2］王占富，謝麗萍.非接觸式視頻應變測量系統(tǒng)設計［J］.工具技術，2011，45（8）：91-94.

［3］張英杰.基于視頻圖像的應變精密測量研究［D］.長春：吉林大學，2006.

［4］Tabatabai A J，Mitchell O R.Edge location to subpixel values in digital imagery［J］.IEEE Trans on Pattern Analysis and Machine Intelligence，1984，6（2）：188-201.

［5］戴曉光.基于數(shù)字圖像處理的應變測量研究［D］.武漢：華中科技大學，2006.

［6］毛霜霜，吳 佳.基于數(shù)字圖像相關方法的光學引伸計系統(tǒng)開發(fā)［J］.實驗技術與管理，2013，30（2）：74-77.

［7］熊 磊.基于數(shù)字圖像相關方法的材料拉伸變形測量技術［D］.長春：吉林大學，2012.

［8］劉海波，沈 晶，郭 聳，等.Visual C++數(shù)字圖像處理技術詳解［M］.北京：機械工業(yè)出版社，2010：138-145.

［9］張秀敏.視頻圖像應變測量中解決光照問題的相關措施研究［D］.長春：吉林大學，2008.

［10］Seow M J，Asari V K.Ratio rule and homomorphic filter for enhancement of digital colour image［J］.Neurocomputing，2006，69：954-958.

［11］Tian Q H，Du X，Liu Y N，et al.Image processingmethod and implementation for a laser automatic tracking extensometer［C］//2012 International Workshop on Image Processing and Optical Engineering.Bellingham：Proc of SPIE，2012，8335.

［12］Bradski G，Kaehler A.學習OpenCV［M］.北京：清華大學出版社，2009：134-145.

Study on Mark Recognition Algorithm of Laser Mark Automatic Tracking Video Extensometer

XIE Sen-dong，TIAN Qiu-hong，SUN Zheng-rong，ZHANG Li-jian
（Precision Measurement Laboratory，Zhejiang Sci-Tech University，Hangzhou 310018，China）

Aiming at the problem that conventional video extensometers are usually susceptible to light changes，this paper comes up with an image preprocessing algorithm based on combination of image brightness adjust-ment and defogging enhancement.Through such algorithm，the clear image with lasermark and specimen mark can be obtained.The laser mark and samp le mark can be extracted through Cr chrom inance threshold segmentation algorithm and brightness gradient threshold segmentation algorithm based on area of interest.The experiments are carried out respectively under light changes and chuck interference of testmachine to verify the stability and accuracy of the algorithm.

video extensometer；image processing；mathematicalmorphology enhancement；Cr chrom inance；gradient of brightness

TP391.41

A

（責任編輯：陳和榜）

1673-3851（2014）02-0195-06

2013-09-09

浙江省自然科學基金項目資助（Y1110538）；國家自然科學基金項目資助（90923026）

謝森棟（1988-），男，浙江富陽人，碩士研究生，主要從事計算機測控技術方面的研究。

田秋紅，tianqiuhong@zstu.edu.cn