付長斐，葉 賓,2，李會軍,2

（1.中國礦業(yè)大學 信息與控制工程學院，江蘇 徐州 221116；2.徐州市人工智能與大數(shù)據(jù)重點實驗室，江蘇 徐州 221116）

0 引言

運動目標跟蹤一直是機器視覺領域的研究熱點之一，其在軍事偵察、精確制導、火力打擊以及安防監(jiān)控等領域有著廣泛的應用前景[1]。感興趣區(qū)域(region of interest，ROI)檢測將人類的視覺注意機制引入到圖像分析過程中，對于提高現(xiàn)有圖像分析系統(tǒng)的工作效率有著積極的作用。雷琳等在目標跟蹤算法中利用ROI 圖像匹配來克服目標狀態(tài)匹配誤差的影響[2]。選取適當?shù)腞OI可以保證在足夠的特征識別信息前提下，盡量減少數(shù)據(jù)量，降低外界噪聲的影響，有效地提高識別系統(tǒng)的準確性和有效性[3]。這種技術(shù)被廣泛應用于各種圖像處理相關的算法中，李琦等在手背靜脈識別中提出一種消除了平移和旋轉(zhuǎn)影響的ROI 提取算法[4]，陳高攀等在前方車輛檢測算法中包含了ROI 提取的部分[5]，Park 等設計的壓力評測算法中以臉部圖像為ROI 來評估壓力值[6]，古新展等將ROI 提取應用于CT 圖像處理中用來分析器官和組織[7]。

1 ROI 檢測法

本文提出一種基于HSV（hue saturation value）顏色空間、把灰度圖像閾值分割和HSV 顏色判別相結(jié)合的ROI 提取方法。使用C++開發(fā)的程序已被成功應用于2018 年RoboMaster 全國大學生機器人大賽中，實現(xiàn)了對裝甲燈柱的實時準確提取以及對移動機器人的實時跟蹤。應用結(jié)果表明，該ROI 提取方法具有速度快、準確性高、抗干擾能力強等優(yōu)點。

ROI 檢測也是許多機器人比賽中進行動態(tài)視覺目標檢測與識別的基本環(huán)節(jié)。快速而準確地識別出敵我雙方目標，對于實施精準打擊、快速救援等具有重要意義。在RoboMaster 全國大學生機器人大賽中，常見的檢測目標是安裝在移動機器人四周的4 個裝甲，以紅色或藍色燈柱區(qū)分，如圖1 所示。

圖1 RoboMaster 機器人大賽裝甲示意圖Fig.1 Schematic diagrams of the armors in the RoboMaster robot competition

針對圖1 所示紅、藍裝甲的彩色燈柱，裝甲圖案識別之前需要獲得燈柱的位置信息來提取裝甲ROI。常用的ROI 提取工具有邊緣檢測算法[8]、閾值分割算法[5,9-11]、幾何描述及形狀描述[12]，這幾種方法分別根據(jù)邊緣信息、亮度信息以及圖像區(qū)域的形狀、面積、長寬比等信息來提取ROI。邊緣檢測算法在很多領域得到應用，是一種成熟的圖像分割算法，同時還衍生出了應用于不同領域的算法，如基于自適應Canny 算子邊緣檢測的電流互感器裂縫檢測算法[8]。然而，一幅像素為640×480 的圖像在I7-7700HQ 平臺下應用Canny 算子僅僅處理邊緣檢測部分，且速度較慢，通常都在50 幀/s以下；同時邊緣信息還需要結(jié)合幾何形狀描述算法才能達到檢測目的，有時這些條件并不具備。此外，灰度閾值分割對于環(huán)境光的變化比較敏感，主要依賴于之后的幾何描述算法來濾除偽ROI，因此難以實現(xiàn)較好的提取效果，且過于依賴灰度閾值分割，容易因環(huán)境光的變化導致系統(tǒng)失效。

上面所述的方法都沒有將目標物體的顏色信息加以合理的利用?？紤]到人眼對顏色信息十分敏感，比如人眼可以輕易地識別出機器人比賽中的燈柱，同理，可以讓計算機去模仿人眼對顏色的辨別，將顏色特征用于ROI 的提取算法中。

本文所述的機器人裝甲檢測程序在多種復雜比賽環(huán)境中，不需要調(diào)參即可獲得穩(wěn)定效果。在比賽過程中，利用工業(yè)相機每秒鐘采集150 張640×480 的圖像并送入到I7-7700HQ 嵌入式處理器中，結(jié)合燈柱匹配以及SVM 分類算法，每秒能夠輸出約100 幀的檢測結(jié)果。當操作員發(fā)出跟蹤指令時，云臺能立即擺動并對準相機前方的敵方機器人裝甲。在整個比賽過程中，算法表現(xiàn)穩(wěn)定出色。

2 HSV 顏色空間

HSV 是由Alvy Ray Smith 在1978 年根據(jù)顏色的直觀特性創(chuàng)建的一種顏色空間。這種顏色空間在各種圖像分析任務中多有應用，例如可以用來做膚色區(qū)域分割[13]。HSV 顏色空間通過色度H（hue）、飽和度S（saturation）和明度V（value）3 個分量對色彩進行描述[14]。如圖2，色度H用角度度量，繞V軸旋轉(zhuǎn)360°構(gòu)成一個圓；飽和度S是一個比例值，取值從0 到1，當S為0 時表現(xiàn)為無色[10]；明度V表示像素的明亮程度，范圍從0 到1。在OPENCV 算法實現(xiàn)時，H被量化為0～180，V和S均被量化為0～255。這種顏色表示方式和孟塞爾表色模型非常接近，與人眼視覺對顏色信息的感受方式相同。鑒于人眼能夠輕易地分辨出彩色燈柱，故選用這種顏色模型是有一定優(yōu)越性的。HSV 顏色空間的3 個分量具有相對獨立性，而H和S分量受光照及陰影遮擋的影響很小，這也是選取HSV 顏色空間對目標進行識別的原因之一[15]。

圖2 HSV 顏色空間模型Fig.2 HSV color space model

將計算機常用的RGB 模型轉(zhuǎn)換為HSV 模型有一定的計算量，因此對整幅圖像進行轉(zhuǎn)換不能滿足系統(tǒng)設計的實時性要求；但是用來處理閾值分割和形狀描述之后得到的偽ROI，效果很好。在由RGB 顏色空間向HSV顏色空間的轉(zhuǎn)換中，r,g,b分別是RGB 顏色模型中一種顏色的色品坐標，色品坐標值是0 到1 之間的實數(shù)。式（1）和式（2）給出了從RGB 模型的r/g/b3 個值到HSV 顏色空間中H/S/V3 個值的轉(zhuǎn)換方法[16]，取

則

式中：H∈[0°, 360°]；S∈[0，1]；V∈[0，1]。

色品坐標r,g,b可由式（3）計算得到[17]：

式中：R，G，B分別表示一個像素在紅色、綠色和藍色3 個通道的數(shù)值，取值范圍一般為0～255。

RGB 這3 個通道的數(shù)值及對應的顏色在圖3 中有直觀體現(xiàn)[18]。式（2）中的HSV 參數(shù)在OPENCV 計算機視覺庫中被歸一化后，根據(jù)選用數(shù)據(jù)結(jié)構(gòu)的精度進行量化。

圖3 RGB 顏色模型Fig.3 RGB color model

3 ROI 提取算法描述

3.1 算法概述

基于HSV顏色空間的圖像ROI提取算法如圖4所示。首先，將RGB 空間的原圖（圖5）轉(zhuǎn)化為灰度圖像，經(jīng)過閾值分割可以把圖像中較暗的區(qū)域濾除。此過程中閾值之所以被設置得較低，是因為在復雜環(huán)境中燈柱亮度反映在圖像中是在一定范圍內(nèi)變化的。通過矩形度和形狀描述，篩選出符合矩形條狀的輪廓；用這些輪廓的外接矩形作為掩模，可得圖6 所示的偽ROI圖像，這時基本上保證偽ROI 中的圖像都為較亮的矩形條狀或者具有類似的特征。

圖4 ROI 提取算法框圖Fig.4 Flowchart of the ROI extraction algorithm

圖5 帶藍色裝甲的移動機器人原圖Fig.5 Original image of a moving robot with blue armors

圖6 矩形擬合所得偽ROI 圖像Fig.6 Pseudo ROI image after rectangle fitting

偽ROI 已經(jīng)大大減少了數(shù)據(jù)量，此時將ROI 轉(zhuǎn)換至HSV 空間，提升了整套算法的速度；再結(jié)合HSV 濾波的精度，實現(xiàn)了準確度和速度俱佳的ROI 提取算法。整個算法流程如下所示。

輸入：一張彩色圖片

輸出：彩色燈柱ROI

當該幀不為空時：

（1） 對灰度圖閾值分割，設置閾值為185，得到二值圖并尋找輪廓；

（2）在二值圖中提取輪廓，找出所有輪廓的最小包圍矩形，計算輪廓面積和最小包圍矩形面積；

（3）在面積大于200 且小于5 000 的輪廓中，保留輪廓面積與最小包圍矩形面積比值(矩形度)大于0.5 且旋轉(zhuǎn)矩形長寬比大于1.67 的輪廓；

（4） 在面積小于200 的輪廓中，保留面積大于30（確認不是噪點）、旋轉(zhuǎn)矩形長寬比符合要求的輪廓，與第（3）步不同的是，這里對長寬比要求更高，閾值為3 以上；

（5）根據(jù)第（3）步和第（4）步所得輪廓，繪制垂直包圍矩形并擴大，使其包含大部分光暈，根據(jù)垂直矩形獲取原圖子圖，并轉(zhuǎn)換為HSV 空間；

（6）統(tǒng)計每個子圖中HSV 及RGB 參數(shù)符合條件的像素數(shù)量，若該矩形中符合條件的像素占整個區(qū)域的比例達到30%，則判定為藍色燈柱目標。

當該幀為空時：繼續(xù)采集下一幀圖像。

返回彩色燈柱ROI

整個系統(tǒng)中，燈柱檢測和左右燈柱匹配為主要耗時部分。在實際應用中，為使單片機穩(wěn)定地輸出電機控制信號，需要視覺識別算法的處理速度達到50 FPS（frames per second）以上。采用該方法檢測燈柱的幀率可以達到110 FPS 以上。在ROI 框定之后，用于模式識別的數(shù)據(jù)量已經(jīng)很小，且采用SVM 分類耗時不長，視覺處理系統(tǒng)能夠為單片機提供較高幀率，從而保證電機控制的連續(xù)性和穩(wěn)定性。

3.2 算法詳述

3.2.1 偽ROI 獲取

把二值圖輪廓分為面積在[30, 200]和[200, 5 000]兩種，對輪廓畫出最小包圍矩形。對于較大面積輪廓，計算輪廓面積為S1，最小包圍矩形的面積為S2，那么輪廓矩形度被定義為R=S1/S2。如果R＞0.5，并且長寬比大于1.67，則認為形狀符合要求。對于較小面積（640×480圖像中面積小于200）的輪廓，要求最小包圍矩形長寬比在[1/3，3]范圍內(nèi)。因為當目標距離較遠時，形狀特性已經(jīng)不明顯，只需要輪廓為條狀即可。將獲得的輪廓保存在輪廓數(shù)據(jù)結(jié)構(gòu)中，用OPENCV 中的工具畫出boundningRect，將矩形框按輪廓比例稍微擴大，使矩形框充分包括光暈，得到圖6 中所示區(qū)域。

3.2.2 HSV 濾波

根據(jù)式（2），將圖6 中偽ROI 轉(zhuǎn)換為HSV 顏色空間圖像，如圖7 所示。區(qū)域內(nèi)同時滿足以下條件的像素點可判斷為藍色：

（1）RGB 空間中，R(x,y)＜150；

（2）H(x,y)∈[100，124]；

（3）S(x,y)∈[150，255]；

（4）V(x,y)∈[100，255]。

圖7 偽ROI 轉(zhuǎn)換為HSV 顏色空間Fig.7 Pseudo ROI transformed to HSV color space

將矩形框和滿足條件的像素點畫出，得到如圖8 所示的判別結(jié)果。篩選像素所用的HSV 顏色模型參數(shù)可以由表1 及多次試驗獲得，表中紅色占兩列，這表明紅色像素的色度值占據(jù)兩個區(qū)間。由圖8 可以看出這種顏色判別方法的效果：4 個屬于藍色燈柱的矩形框中有很多藍色像素被判別正確，而非藍色燈光輪廓的包圍矩形中幾乎沒有被判定為藍色的像素點。

圖8 顏色像素值判別結(jié)果Fig.8 Result of the color pixel value judgement

表1 HSV 顏色空間顏色參數(shù)列表Tab.1 List of the parameters in HSV color space

4 實驗結(jié)果及分析

為驗證本文所提算法的有效性和可行性，選擇實驗平臺Intel I7-6700HQ 和操作系統(tǒng)Ubuntu 16.04，采用C++和OPENCV 實現(xiàn)算法。選取該平臺對640×480像素的1 000 張RoboMaster 機器人大賽圖片進行處理，平均運行速度為102.33 幀/s，燈柱平均識別率為97.4%(識別到燈柱數(shù)占組圖中總燈柱數(shù)的比例)。圖9示出其中一幅圖片的檢測效果，藍色燈柱都被檢測到，并用紅色框示出。圖中每個框的角度、長寬及中心點位置都被儲存在用C++語言定義的旋轉(zhuǎn)矩形類當中。黃色框線框出的是高亮度條狀物體，即前面所說的偽ROI；在黃色框線區(qū)域內(nèi)部如果有紅色框線，表明此ROI 為符合算法要求的ROI。任意輸入一幅符合格式要求的圖像，該算法會自動畫出黃框和紅框，即能得到符合要求的燈柱位置及形狀信息。測試結(jié)果表明，本文所提算法能夠為STM32 單片機實時提供大量目標的角度及坐標信息，結(jié)合云臺控制算法，可實時跟蹤打擊移動機器人。

圖9 檢測效果Fig.9 Result of the detection

5 結(jié)語

本文提出了一種基于視覺目標亮度特征、輪廓形狀特征和顏色特征的ROI 提取算法，用于識別圖像中的彩色燈柱，以此作為機器人裝甲識別的基礎；結(jié)合閾值分割和形狀描述得到偽ROI，減少了數(shù)據(jù)量；利用HSV 顏色空間快速而準確地判定顏色，解決了燈柱本身表現(xiàn)為亮白色而只有周圍的光暈表現(xiàn)為彩色所帶來的檢測困難。實驗和實際應用結(jié)果表明，本文所提算法魯棒性強、準確性高、速度快，依此很好地完成了機器人比賽中實時跟蹤裝甲目標的任務。

該方法在比賽應用中能成功的原因，一方面在于其從多個角度準確地描述了目標的特征；另一方面是其將算法中計算量大的部分（例如從RGB 顏色空間到HSV 顏色空間的轉(zhuǎn)換等）放在算法靠后的部分，這時只需處理圖像中少量的感興趣區(qū)域，從而提高了算法的效率。這種結(jié)合亮度、形狀和顏色的描述對于非目標圖像要求很嚴苛，而對于機器人在移動過程中產(chǎn)生的不同目標子圖的要求卻很寬松。本方法利用HSV 顏色空間去除亮度與顏色之間相關性的優(yōu)點，對于顏色和形狀特征結(jié)合后與背景有明顯差別的特征提取具有很好的參考價值。在后續(xù)的研究中，將進一步提高算法運行速度，同時克服背景干擾及噪聲對算法產(chǎn)生的影響。