邢慶龍 王小寧

(91388部隊(duì) 湛江 524022)

?

一種新型圖像匹配方法在視覺(jué)導(dǎo)引AUV對(duì)接中的應(yīng)用

邢慶龍 王小寧

(91388部隊(duì) 湛江 524022)

針對(duì)視覺(jué)導(dǎo)引AUV對(duì)接過(guò)程圖像的變化特點(diǎn),提出一種量子粒子群算法與灰度關(guān)聯(lián)分析方法相結(jié)合的圖像匹配算法。此算法結(jié)合量子粒子群并行搜索的快速性與灰色關(guān)聯(lián)分析方法較強(qiáng)的魯棒性,對(duì)旋轉(zhuǎn)、平移、亮度變化等不敏感,符合視覺(jué)導(dǎo)引AUV對(duì)接過(guò)程中對(duì)圖像匹配算法的要求。詳細(xì)介紹了基于量子粒子群優(yōu)化算法的圖像匹配算法,算法以圖像灰度直方圖的灰色絕對(duì)關(guān)聯(lián)度作為適應(yīng)度函數(shù)。利用水池實(shí)驗(yàn)所得圖像進(jìn)行測(cè)試,實(shí)驗(yàn)結(jié)果顯示,所提出的圖像匹配算法準(zhǔn)確、快速、魯棒性強(qiáng),能夠很好地應(yīng)用于視覺(jué)導(dǎo)引AUV對(duì)接。

圖像匹配; AUV對(duì)接; 視覺(jué)導(dǎo)引; 量子粒子群; 灰色絕對(duì)關(guān)聯(lián)度

Class Number TP391.41

1 引言

圖像匹配技術(shù)在機(jī)器視覺(jué)、目標(biāo)跟蹤、飛行器巡航制導(dǎo)等領(lǐng)域得到廣泛的應(yīng)用。AUV視覺(jué)導(dǎo)引對(duì)接中,圖像匹配是關(guān)鍵的一個(gè)部分,匹配的精度在很大程度上決定著整個(gè)系統(tǒng)的精度,其運(yùn)算時(shí)間也占整個(gè)視覺(jué)線(xiàn)索求取的很大比例[1]。AUV視覺(jué)導(dǎo)引過(guò)程中,由于海流等環(huán)境影響AUV很難保證自身姿勢(shì)不變懸停在塢艙上方,所以會(huì)有一定艏向角或者平移等,這就使得AUV拍攝的圖像產(chǎn)生相應(yīng)的旋轉(zhuǎn)、平移等變化,此外,水下光照條件很難保證不變,故所拍得的圖像會(huì)有亮度變化。因此,AUV視覺(jué)導(dǎo)引對(duì)接過(guò)程中的圖像匹配,要求算法不僅具有準(zhǔn)確性和快速性,還要對(duì)旋轉(zhuǎn)、平移、亮度變化等不敏感。

圖像匹配算法主要分為兩類(lèi):基于灰度相關(guān)的匹配算法[2～5]和基于圖像特征的匹配算法[6]?；趫D像特征的匹配通過(guò)在待匹配圖像中提取點(diǎn)、線(xiàn)、紋理、形狀、區(qū)域等特征作為匹配基元進(jìn)行匹配,計(jì)算量小,速度快,但對(duì)特征復(fù)雜的圖像匹配精度不高。在灰度圖像匹配中,以灰度值或其統(tǒng)計(jì)特性為匹配對(duì)象,具有代表性的是傳統(tǒng)的序貫相似性檢測(cè)算法(SSDA),其特點(diǎn)是匹配精度高,易于硬件實(shí)現(xiàn),但速度慢,制約其實(shí)時(shí)應(yīng)用。本文將量子粒子群優(yōu)化算法與灰色關(guān)聯(lián)分析中的灰色絕對(duì)關(guān)聯(lián)度結(jié)合起來(lái),利用量子粒子群算法比粒子群算法更快更準(zhǔn)確的尋優(yōu)能力,使粒子快速準(zhǔn)確地逼近最優(yōu)匹配位置,利用基準(zhǔn)圖和模板圖的灰度直方圖作為對(duì)比序列,將其灰色絕對(duì)關(guān)聯(lián)度作為適應(yīng)度函數(shù),以增強(qiáng)算法的魯棒性。

2 算法介紹

2.1 基本粒子群優(yōu)化算法

粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法是文獻(xiàn)[7]源于對(duì)鳥(niǎo)群捕食行為的模擬而提出的一種新型群體智能優(yōu)化算法。PSO算法初始化為一群隨機(jī)粒子,然后粒子們根據(jù)對(duì)個(gè)體和群體的飛行經(jīng)驗(yàn)的綜合分析來(lái)動(dòng)態(tài)調(diào)整自己的速度,在解空間中進(jìn)行搜索,通過(guò)迭代找到最優(yōu)解[8]。在每一次迭代中,粒子通過(guò)跟蹤兩個(gè)“極值”來(lái)更新自己:一個(gè)是個(gè)體極值pbest,即粒子自身目前所找到的最優(yōu)解;另一個(gè)是全局極值gbest,即整個(gè)種群目前找到的最優(yōu)解。粒子根據(jù)如下公式[9]來(lái)更新自己的速度和位置:

(1)

2.2 量子粒子群優(yōu)化算法

量子粒子群優(yōu)化(QPSO)算法是受量子物理理論的啟發(fā),在粒子群優(yōu)化算法基礎(chǔ)上提出的。QPSO算法與PSO算法的思想一致,但粒子的狀態(tài)在量子空間中不再用位置和速度表示,而是用波函數(shù)來(lái)描述。QPSO算法將粒子定義在由概率密度函數(shù)決定的一個(gè)量子空間內(nèi),這樣能解決的問(wèn)題范圍就更廣義[10～12],而且粒子在量子空間里,可以在整個(gè)解空間中進(jìn)行搜索,因此其全局搜索性能優(yōu)于標(biāo)準(zhǔn)PSO算法。

粒子的位置由波函數(shù)|ψ|(x,t)決定:

(2)

式中,Q為粒子在時(shí)刻T出現(xiàn)在位置(X,Y,Z)的概率,通過(guò)蒙特卡羅方法將量子狀態(tài)轉(zhuǎn)換成平常狀態(tài),并通過(guò)演變最終得到粒子的迭代公式。由此將粒子的速度和位置信息都?xì)w結(jié)為一個(gè)參數(shù),算法的方程如下

(3)

p=φ*pbest+(1-φ)*gbest

(4)

(5)

式中:M為群體中所含粒子數(shù),pi是個(gè)體當(dāng)前位置,pbest為個(gè)體極值位置,gbest為全局極值位置,mbest為中值最優(yōu)位置,φ和u是[0,1]上均勻分布的隨機(jī)數(shù),β是系數(shù)創(chuàng)造力,是QPSO算法唯一的系數(shù),所以參數(shù)β的設(shè)置關(guān)系到算法的收斂性能。在迭代過(guò)程中,“±”是由[0,1]之間產(chǎn)生的隨機(jī)數(shù)決定,當(dāng)產(chǎn)生的隨機(jī)數(shù)大于0.5時(shí)取“+”,其余取“-”。系數(shù)創(chuàng)造力β由以下公式確定,即:

(6)

式中,β1、β2分別代表參數(shù)β的初始值和終止值;Iter是當(dāng)前進(jìn)化代數(shù);MIter是最大進(jìn)化代數(shù)。實(shí)驗(yàn)表明β1=1,β2=0.5時(shí),QPSO算法具有較好的性能。

2.3 灰色關(guān)聯(lián)分析

灰色關(guān)聯(lián)分析方法對(duì)樣本量的多少和樣本有無(wú)規(guī)律都同樣適用,而且計(jì)算量小,十分方便[13]?；疑P(guān)聯(lián)分析的基本思想是根據(jù)序列曲線(xiàn)幾何形狀的相似程度來(lái)判斷其聯(lián)系是否緊密。曲線(xiàn)越接近,相應(yīng)序列之間的關(guān)聯(lián)度就越大,反之就越小。利用灰色關(guān)聯(lián)度評(píng)價(jià)兩個(gè)序列的關(guān)聯(lián)程度,由于灰色絕對(duì)關(guān)聯(lián)度只與兩序列的幾何形狀有關(guān),平移不改變絕對(duì)關(guān)聯(lián)度的值,而且灰色絕對(duì)關(guān)聯(lián)度不考慮其他因素,故其沒(méi)有整體性問(wèn)題,即其不受環(huán)境影響。設(shè)序列:

Xi=(xi(1),xi(2),…,xi(n))

Xj=(xj(1),xj(2),…,xj(n))

的始點(diǎn)零化像分別為

令

記折線(xiàn):

(xi(1)-xi(1),xi(2)-xi(1),…,xi(n)-xi(1))

為Xi-xi(1),令

對(duì)于長(zhǎng)度相同的序列絕對(duì)關(guān)聯(lián)度定義為

(7)

3 基于灰色關(guān)聯(lián)量子粒子群的圖像匹配方法

本文采用一種基于圖像灰度特征的模板匹配算法,利用量子粒子群優(yōu)化算法尋找最佳匹配點(diǎn),以模板圖與待匹配子圖的灰度直方圖序列的灰色絕對(duì)關(guān)聯(lián)度為量子粒子群優(yōu)化算法的適應(yīng)度函數(shù)。

3.1 灰度直方圖的灰色絕對(duì)關(guān)聯(lián)度

灰度直方圖表示圖像中每個(gè)灰度級(jí)上像素的個(gè)數(shù),是圖像灰度值的重要統(tǒng)計(jì)特性,故可以將其作為匹配對(duì)象。將模板圖的灰度直方圖作為參考序列,用下式表示:

XT=(xT(0),xT(1),…,xT(i),…,xT(degT-1))

(9)

其中xT(i)表示模板圖中灰度級(jí)為i的像素個(gè)數(shù)。基準(zhǔn)圖中基準(zhǔn)子圖Sij的灰度直方圖作為比較序列,基準(zhǔn)子圖的灰度直方圖用下式表示:

XSij=(xSij(0),xSij(1),…,xSij(i),…,xSij(degS-1))

(10)

其中degT和degS分別表示模板圖和基準(zhǔn)子圖的像素級(jí)數(shù)。

本文利用模板圖與待匹配子圖的灰度直方圖的灰色絕對(duì)關(guān)聯(lián)度來(lái)衡量?jī)煞鶊D像的匹配程度?；舅枷肴缦?

設(shè)參考序列XT與比較序列XSij的長(zhǎng)度相同,均為deg,即二者具有相同的灰度級(jí)數(shù)(沒(méi)有的灰度級(jí)數(shù)可看作其像素?cái)?shù)為0),并且因?yàn)橄袼丶?jí)數(shù)的間隔為1,故XT與XSij皆為1-時(shí)距序列,而

分別為XT與XS(i,j)的始點(diǎn)零化像,其中

(11)

則

(12)

(13)

(14)

利用式(7)計(jì)算灰度直方圖序列的灰色絕對(duì)關(guān)聯(lián)度,則參考序列與比較序列的灰色絕對(duì)關(guān)聯(lián)度越大,模板圖的灰度直方圖與標(biāo)準(zhǔn)子圖的灰度直方圖的關(guān)聯(lián)度就越大,兩幅圖匹配程度就越大,當(dāng)ε0i=1時(shí),兩幅圖完全匹配。

計(jì)算適應(yīng)度函數(shù)算法流程:

Step 1 得到模板圖像和待搜索子圖的灰度直方圖;

Step 2 根據(jù)兩幅圖像的灰度直方圖,按式(9)、式(10)分別得到參考序列XT與比較序列XSij;

Step 4 通過(guò)式(7)計(jì)算XT與XSij得灰色絕對(duì)關(guān)聯(lián)度ε0i,令適應(yīng)度函數(shù)f=1-ε0i。

3.2 基于灰色關(guān)聯(lián)量子粒子群的圖像匹配方法

模板匹配是指用一個(gè)較小的圖像,即模板與原始圖像進(jìn)行比較,以確定在源圖像中是否存在與該模板相同或相似的區(qū)域。模板匹配需要用一種測(cè)度作為評(píng)價(jià)匹配程度的標(biāo)準(zhǔn),本文利用3.1節(jié)所述的適應(yīng)度函數(shù)。設(shè)T(i,j)為模板圖像,大小為M×N,S(i,j)為原始圖像,大小為P×Q,且有P>M,Q>N,要搜索的區(qū)域大小為(P-M+1,Q-N+1),Sij(m,n)表示以原始圖像位置(i,j)為起始位置取出與模板大小相同的待搜索子圖。通過(guò)計(jì)算T(i,j)與Sij(m,n)的適應(yīng)度函數(shù)值得到最佳匹配位置,便可得到匹配圖像。

圖像匹配算法的流程:

Step 1 初始化群體,隨機(jī)生成M個(gè)粒子(原始圖像中的位置(i,j))。用每個(gè)粒子的適應(yīng)度函數(shù)值初始化個(gè)體當(dāng)前位置pi,用初始群體中適應(yīng)度值最小的粒子初始化全局極值位置gbest。

Step 2 用式(3)計(jì)算群體中所有粒子的中值最優(yōu)位置mbest,通過(guò)式(4)求出p,然后根據(jù)式(5)得到下一代粒子。

Step 3 根據(jù)3.1節(jié)所述適應(yīng)度函數(shù)值計(jì)算方法,計(jì)算出每個(gè)粒子的適應(yīng)度值,更新gbest和mbest。

Step 4 判斷是否滿(mǎn)足終止條件(到達(dá)最大迭代次數(shù)或適應(yīng)度值接近0),若是,則gbest指向的粒子就是最優(yōu)位置(i,j),輸出最優(yōu)解,算法結(jié)束;若不是,轉(zhuǎn)Step 3。

算法流程圖如圖1所示。

圖1 GPSO算法流程圖

3.3 視覺(jué)導(dǎo)引AUV對(duì)接過(guò)程中的圖像特點(diǎn)分析

AUV通常要自帶能源在水下工作,工作時(shí)間和航行距離都有限制,這就需要回收以補(bǔ)充能量、讀取信息和維護(hù)保障。水下對(duì)接回收方式是一種采用浮船塢型和升降平臺(tái)進(jìn)行水下對(duì)接回收作業(yè)的回收方式[14～15]。AUV對(duì)接實(shí)驗(yàn)中,用臺(tái)架模擬塢艙,在臺(tái)架底部安裝目標(biāo)光源系統(tǒng),如圖2所示。攝像機(jī)安裝在A(yíng)UV底部中心位置,目標(biāo)光源系統(tǒng)中中心位置的心型燈源與AUV底部中心位置相對(duì)應(yīng)。

圖2 目標(biāo)光源系統(tǒng)示意圖

在A(yíng)UV對(duì)接過(guò)程中,AUV接近塢艙時(shí),根據(jù)視覺(jué)信息調(diào)整位姿,緩慢地向下運(yùn)動(dòng),直到坐落在塢艙中,過(guò)程中AUV相對(duì)塢艙的高度變化對(duì)應(yīng)圖像的尺度變化;調(diào)整位姿對(duì)應(yīng)圖像的平移和旋轉(zhuǎn)變化;關(guān)照條件變化對(duì)應(yīng)圖像的亮度變化。

4 仿真實(shí)驗(yàn)機(jī)分析

在Intel(R)TM6600 2.4 G PC MatlabR2008a環(huán)境中進(jìn)行了仿真實(shí)驗(yàn)。實(shí)驗(yàn)對(duì)象選取水池實(shí)驗(yàn)中AUV對(duì)接過(guò)程中攝像機(jī)實(shí)際拍得的目標(biāo)光源的圖像作為待匹配圖像。攝像機(jī)為T(mén)ritech的低照度黑白攝像機(jī)Tornado,其主要性能參數(shù)如表1所示。

表1 水下攝像機(jī)主要性能參數(shù)

1) 算法的準(zhǔn)確性與快速性測(cè)試。任意選取一幅AUV實(shí)際拍得圖像進(jìn)行算法的準(zhǔn)確性與快速性驗(yàn)證。原始圖像大小為576×768,在該圖中截取大小為148×121的代表對(duì)接臺(tái)架中心位置的模板圖像,如圖2(a)所示。

令粒子群群體大小為40,迭代次數(shù)分別為30,40,50,取β1=1,β2=0.5。進(jìn)行30次匹配實(shí)驗(yàn),統(tǒng)計(jì)分析QPSO算法的匹配精度和平均運(yùn)行時(shí)間,并與SSDA算法作對(duì)比,結(jié)果如表2所示。

表2 對(duì)于原圖QPSO算法與SSDA算法的性能比較

其中,N為GPSO算法的最大迭代次數(shù),匹配精度=正確匹配次數(shù)/匹配實(shí)驗(yàn)次數(shù)×100%。表2顯示,QPSO算法的匹配時(shí)間隨迭代次數(shù)的增加而增加,當(dāng)最大迭代次數(shù)大于等于40次時(shí)匹配精度達(dá)到100%。此外,QPSO算法可以在較短時(shí)間內(nèi)實(shí)現(xiàn)準(zhǔn)確匹配,較SSDA算法有明顯的時(shí)間優(yōu)勢(shì),在準(zhǔn)確性相同的情況下,表現(xiàn)出較好的快速性。圖3(a)～(c)為迭代次數(shù)為40時(shí)的模板圖像、原始圖像及匹配結(jié)果。

圖3(d)為粒子適應(yīng)度函數(shù)收斂曲線(xiàn),算法中全局極值位置gbest對(duì)應(yīng)所有粒子中適應(yīng)度函數(shù)最小的粒子位置,可以看出,當(dāng)?shù)螖?shù)超過(guò)30次時(shí),粒子的最佳適應(yīng)度值已經(jīng)達(dá)到0,此時(shí)最佳匹配位置為(242,218),即以(242,218)為頂點(diǎn)的大小為148×121的待匹配子圖與模板圖完全吻合。

2) 算法的魯棒性測(cè)試。迭代次數(shù)為40次,其它參數(shù)同1)中的設(shè)置,在水池實(shí)驗(yàn)中實(shí)際拍得的圖像中選取一幅與圖3(b)所示原始圖像不同深度的圖像,并在該圖像上截取與圖3(a)中模板圖像同樣大小的模板圖像。進(jìn)行30次匹配實(shí)驗(yàn),匹配結(jié)果和測(cè)試數(shù)據(jù)如圖4和表3所示。

圖3 算法的準(zhǔn)確性與快速性實(shí)驗(yàn)

圖4 深度變化的模板圖像與匹配結(jié)果

算法正確匹配次數(shù)匹配精度(%)匹配時(shí)間QPSO301004．0519SSDA30100259．7384

在水池實(shí)驗(yàn)中實(shí)際拍得的圖像中選取一幅與圖3(b)所示原始圖像相比AUV向右移動(dòng)的圖像。對(duì)圖4中每幅圖像進(jìn)行20次實(shí)驗(yàn),統(tǒng)計(jì)分析QPSO算法的魯棒性及準(zhǔn)確性,并與SSDA算法進(jìn)行比較,匹配結(jié)果與測(cè)試數(shù)據(jù)如圖5和表4所示。

圖5 由平移實(shí)拍圖像變化所得圖像匹配結(jié)果

圖5(b)為圖5(a)的匹配結(jié)果,最佳匹配位置為(125,211),由此可知平移實(shí)拍圖像與圖3中原始圖像并不是單純的平移,在模板圖像不變的情況下,算法仍然能夠準(zhǔn)確的找到匹配位置。圖5(c)為圖(a)圖經(jīng)旋轉(zhuǎn)5°所得圖像的匹配結(jié)果,最佳匹配位置為(150,226)。圖5(d)為圖5(a)旋轉(zhuǎn)5°再進(jìn)行亮度變化所得圖像的匹配結(jié)果,最佳匹配位置為(151,226)。結(jié)果表明,在待匹配圖像依次進(jìn)行平移、旋轉(zhuǎn)、亮度變化等情況下,QPSO算法依然可以精確地找到最佳匹配位置,其匹配精度要遠(yuǎn)遠(yuǎn)高出SSDA算法。

表4 QPSO算法與SSDA算法的魯棒性比較

5 結(jié)語(yǔ)

本文設(shè)計(jì)了一種新型圖像匹配算法,該算法是基于量子粒子群算法與灰色關(guān)聯(lián)方法,以水池實(shí)驗(yàn)得到的圖像為待匹配對(duì)象測(cè)試算法的準(zhǔn)確性、魯棒性及快速性。結(jié)果顯示,在A(yíng)UV視覺(jué)導(dǎo)引對(duì)接過(guò)程中實(shí)際拍得的圖像本身?yè)诫s有噪聲的情況下,該算法能夠準(zhǔn)確地找到最佳匹配位置,并且在A(yíng)UV的動(dòng)作有小變化時(shí)(即平移、旋轉(zhuǎn)一定角度等)或光照環(huán)境發(fā)生微小變化時(shí),同樣可以準(zhǔn)確地找到最佳匹配位置。

[1] Jose’ Santos-Victor, Giulio Sandini. Visual behaviors for docking[J]. Computer Vision and Image Understanding,1997,67(3):223-238.

[2] 陳沈軼,錢(qián)徽,吳錚,等.模板圖像匹配中互相關(guān)的一種快速算法[J].傳感技術(shù)學(xué)報(bào),2007,20(6):1325-1329.

[3] 劉瑩,曹劍中,許朝暉,等.基于灰度相關(guān)的圖像匹配算法的改進(jìn)[J].應(yīng)用光學(xué),2007,28(5):536-540.

[4] 李強(qiáng),張鈸.一種基于圖像灰度的快速匹配算法[J].軟件學(xué)報(bào),2006,17(2):216-222.

[5] 鹿艷晶,馬苗.基于灰色遺傳算法的快速圖像匹配算法[J].計(jì)算機(jī)工程與應(yīng)用,2008,44(32):169-172.

[6] 劉明爍,吳鐵軍.一種基于關(guān)聯(lián)規(guī)則的圖像特征點(diǎn)匹配算法[J].傳感技術(shù)學(xué)報(bào),2009,22(12):1737-1741.

[7] Shamir A. How to share a secret[J]. Communications of the ACM,1979,22(11):612-613.

[8] 楊維,李歧強(qiáng).粒子群優(yōu)化算法綜述[J].中國(guó)工程科學(xué),2004,6(5):87-94.

[9] 黃友銳.智能優(yōu)化算法及其應(yīng)用[M].北京:國(guó)防工業(yè)出版社,2008:95-99.

[10] 黃天赦,葉春明,葉偉.關(guān)于多處理機(jī)調(diào)度問(wèn)題的量子粒子群算法研究[J].計(jì)算機(jī)工程與應(yīng)用,2009,49(19):49-51,50-69.

[11] 黃建江,須文波,孫俊,等.量子行為粒子群優(yōu)化算法的布局問(wèn)題研究[J].計(jì)算機(jī)應(yīng)用,2006,26(12):3015-3018.

[12] 江家寶,鄭尚志.基于QPSO-SA混合算法的多目標(biāo)投資組合優(yōu)化[J].計(jì)算機(jī)工程與應(yīng)用,2008,44(14):231-234.

[13] 劉思峰,黨耀國(guó),方志耕,等.灰色系統(tǒng)理論及其應(yīng)用[M].第三版.北京:科學(xué)出版社,2004:36-57.

[14] Jin-Yeong Park, Bong-huan Jun, Pan-mook Lee. Experiments on vision guided docking of an autonomous underwater vehicle using one camera[J]. Oean Engineering,2009(36):48-61.

[15] M. Caccia. Vision-based ROV horizontal motion control: Near-seafloor experimental results[J]. Control Engineering Practice,2007(15):703-714.

Application of An Novel Image Matching Algorithm in Vision Guided AUV Docking

XING Qinglong WANG Xiaoning

(No. 91388 Troops of PLA, Zhanjiang 524022)

Accoding to the image characters in the process of vision guided Autonomous Underwater Vehicle(AUV) docking, an image matching algirithm based on quanta particle swarm optimization and grey relational analysis is proposed. The algirithm suggested which combines the speediness of quanta particle swarm optimization and the robustness of the grey relational analysis is not sensitive to the changes including rotation,translation,brightness change and so on, so it fits the need of vision guided docking. The grey absolute correlative degree of the image gray histogram is used as fitness function, and the image matching algorithm based on quanta particle swarm optimization is introduced in detail. Using images from tank test, experimental results are presented to demonstrate that the proposed algorithm can be applied in AUV vision guided docking.

image matching, autonomous underwater vehicle docking, vision guided, quanta particle swarm optimization, grey absolute correlative degree

2015年1月4日,

2015年2月14日 作者簡(jiǎn)介:邢慶龍,男,助理工程師,研究方向:AUV吊放回收。王小寧,男,工程師,研究方向:水下結(jié)構(gòu)設(shè)計(jì)。

TP391.41

10.3969/j.issn1672-9730.2015.07.018