孫維廣

摘要：對(duì)運(yùn)動(dòng)車(chē)輛的車(chē)輪視覺(jué)檢測(cè)方法進(jìn)行了研究。首先采用實(shí)時(shí)背景更新的背景差分法和輪廓檢測(cè)方法獲得運(yùn)動(dòng)車(chē)輛的位置和范圍，然后根據(jù)車(chē)輛輪廓信息截取下半部圖像，以縮小車(chē)輪的搜索范圍。再對(duì)截取的圖像進(jìn)行邊緣檢測(cè)，提取其輪廓，最后對(duì)輪廓采用直接最小二乘橢圓擬合算法檢測(cè)橢圓，并根據(jù)橢圓長(zhǎng)短軸比率和中心間距等信息排除誤檢橢圓，得到車(chē)輪的中心位置和大小。實(shí)驗(yàn)表明，本方法檢測(cè)車(chē)輪有很高的正確率。

關(guān)鍵詞：Canny算法，輪廓檢測(cè)，橢圓擬合，車(chē)輪

中圖分類(lèi)號(hào)：TU723.3 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1672-3791（2015）04（a）-0000-01

基于計(jì)算機(jī)視覺(jué)的車(chē)輪自動(dòng)檢測(cè)在智能交通、工業(yè)生產(chǎn)等領(lǐng)域有重要的應(yīng)用價(jià)值。由于實(shí)際環(huán)境復(fù)雜，車(chē)輪的有效檢測(cè)是一項(xiàng)困難的工作。在車(chē)輪檢測(cè)時(shí)本文利用了Andrew Fitzgibbon提出的直接最小二乘橢圓擬合法[1]進(jìn)行橢圓檢測(cè)，此算法優(yōu)點(diǎn)是簡(jiǎn)單高效，但缺點(diǎn)是會(huì)出現(xiàn)較多的誤檢橢圓。因此，本文根據(jù)運(yùn)動(dòng)圖像的特點(diǎn)縮小車(chē)輪的檢測(cè)范圍，以盡可能排除干擾。本文首先運(yùn)用背景差分法和輪廓分析方法檢測(cè)運(yùn)動(dòng)車(chē)輛位置，然后針對(duì)車(chē)輛的下半部圖像采用Canny算法提取邊緣，進(jìn)而對(duì)其進(jìn)行輪廓檢測(cè)，最后采用橢圓擬合算法完成車(chē)輪的檢測(cè)。

1 運(yùn)動(dòng)目標(biāo)檢測(cè)

由于背景有較多干擾，會(huì)導(dǎo)致最終車(chē)輪提取變的復(fù)雜。因此，本文首先運(yùn)用背景差法將運(yùn)動(dòng)目標(biāo)提取出來(lái)，為了排除場(chǎng)景變化的影響， 并獲得較純凈的背景，對(duì)背景進(jìn)行了實(shí)時(shí)更新[2]。本文研究的原始視頻幀如圖1所示，背景如圖2所示。背景差分并二值化的效果如圖3所示。

2 輪廓檢測(cè)

對(duì)于二值化圖像，本文利用OpenCV的cvFindContours函數(shù)提取輪廓，將檢測(cè)出的輪廓保存到鏈表中[3]。根據(jù)車(chē)輛的長(zhǎng)寬信息可以排除小的干擾輪廓。對(duì)圖3所示的二值圖進(jìn)行輪廓檢測(cè)結(jié)果如圖4所示，可見(jiàn)車(chē)輛被正確檢測(cè)出來(lái)。

圖1 原始視頻幀 圖2 實(shí)時(shí)更新的背景

圖3 背景差分并二值化效果 圖4 目標(biāo)檢測(cè)結(jié)果

3 邊緣檢測(cè)

上節(jié)將運(yùn)動(dòng)車(chē)輛檢測(cè)出來(lái)后，為了排除干擾，減少計(jì)算時(shí)間，本文針對(duì)其下半部進(jìn)行邊緣檢測(cè)。這里采用Canny算法提取邊緣，其原理是先用高斯濾波器平滑圖像，再用一階偏導(dǎo)的有限差分計(jì)算梯度幅值和方向，對(duì)梯度幅值進(jìn)行非極大值抑制，最后用雙閾值法檢測(cè)并連接邊緣[3]。由于輪轂和輪胎分界明顯，因此邊緣檢測(cè)效果對(duì)閾值選取不是很敏感，可以選取稍大的閾值，以減少非車(chē)輪邊緣的檢出。檢測(cè)效果如圖5所示。

4 車(chē)輪檢測(cè)

為了便于后續(xù)的車(chē)輪檢測(cè)，本文首先針對(duì)邊緣檢測(cè)后的圖像用第3節(jié)介紹的方法進(jìn)行輪廓提取。輪廓信息保存在序列中，序列中的每一個(gè)元素是曲線中的一個(gè)點(diǎn)的位置。圖5中有較長(zhǎng)的邊緣和較短的邊緣，顯然不符合車(chē)輪特征?？梢愿鶕?jù)第3節(jié)獲得的車(chē)輛長(zhǎng)高信息推測(cè)車(chē)輪的尺寸，排除一部分不符合條件的輪廓，輪廓提取的效果如圖6所示。

圖5 對(duì)目標(biāo)區(qū)域邊緣檢測(cè) 圖6 輪廓檢測(cè)結(jié)果

車(chē)輪圖像近似于橢圓，因此可以通過(guò)橢圓檢測(cè)的方法檢測(cè)車(chē)輪。本文對(duì)輪廓提取結(jié)果采用直接最小二乘橢圓擬合法[1]進(jìn)行橢圓檢測(cè)。雖然已經(jīng)縮小了橢圓擬合范圍，但仍可能會(huì)將少量非橢圓輪廓檢測(cè)出來(lái)，或同一車(chē)輪檢出多個(gè)橢圓，如圖7（a）- （d）所示。其中，圖7（a）為圖6的橢圓擬合結(jié)果，其橢圓信息如表1所示。圖7（b）- （d）列舉了其它3種車(chē)輪的橢圓檢測(cè)結(jié)果。

（a） （b）

（c） （d）

圖7 橢圓檢測(cè)結(jié)果

表1 對(duì)圖7（a）檢測(cè)出的橢圓信息

左側(cè)橢圓 右側(cè)橢圓

中心坐標(biāo) 短軸 長(zhǎng)軸 中心坐標(biāo) 短軸 長(zhǎng)軸

（17， 31） 6 13 （218， 32） 7 11

（42， 28） 9 11 （220， 32） 13 15

（43， 27） 11 14 （220， 30） 16 16

文獻(xiàn)[4]根據(jù)橢圓內(nèi)外的灰度值區(qū)分橢圓是否為車(chē)輪邊界，但不適用于輪轂顏色本身較暗或受到污染的情況。本文研究的車(chē)輪有如下特點(diǎn)：

（1）兩車(chē)輪大小、中心縱向坐標(biāo)相近；

（2）車(chē)輪圖像接近圓形，長(zhǎng)短軸比接近1；

（3）兩車(chē)輪對(duì)稱(chēng)，與車(chē)輛邊緣距離接近。

本文根據(jù)以上特點(diǎn)排除誤檢橢圓，并且根據(jù)剩余橢圓中心的距離將多個(gè)近似橢圓歸并，歸并時(shí)優(yōu)先保留長(zhǎng)短軸比最接近1的，長(zhǎng)軸最長(zhǎng)的橢圓，最終相應(yīng)車(chē)輪的檢測(cè)結(jié)果如圖8所示?？梢?jiàn)車(chē)輪被正確檢測(cè)出來(lái)。

圖8 車(chē)輪檢測(cè)結(jié)果

5 結(jié)論

本文對(duì)車(chē)輪的視覺(jué)檢測(cè)進(jìn)行了研究，并利用VC++和OpenCV視覺(jué)庫(kù)進(jìn)行了編程實(shí)驗(yàn)，結(jié)果表明本方法能實(shí)時(shí)有效的檢測(cè)出車(chē)輪位置。但當(dāng)輪轂和輪胎顏色分界不明顯時(shí)會(huì)出現(xiàn)車(chē)輪中心提取準(zhǔn)確度不高的現(xiàn)象。另外，實(shí)際環(huán)境復(fù)雜，車(chē)輪的污染程度，相機(jī)擺放角度，光線都會(huì)影響最終的車(chē)輪檢測(cè)效果。如要適應(yīng)更復(fù)雜的情況需要做進(jìn)一步的研究。

參考文獻(xiàn)

[1] Andrew Fitzgibbon， Maurizio Pilu， Robert B. Fisher. Direct Least Square Fitting of Ellipses. IEEE Transaction on Pattern Analysis and Machine Intelligence， 1999， 21（5）： 253-257.

[2] Dr Alan M. Mclvor. Background Subtraction Techniques[J]. IVCNZ00， Hamilton， New Zealand， 2000

[3] Gary Bradski， Adrian Kaehler著.于仕琪，劉瑞禎譯.學(xué)習(xí)OpenCV（中文版）[M].北京：清華大學(xué)出版社，2009，10，173-256..

[4] 陳旭，林國(guó)余.一種基于立體視覺(jué)的車(chē)輪中心測(cè)量方法[J]. 南京信息工程大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，3（1）：84-90.