王國軍，黃亞新，趙啟林，張冬冬

(1.中國人民解放軍陸軍工程大學(xué) 野戰(zhàn)工程學(xué)院，南京210001；2.南京工業(yè)大學(xué) 機(jī)械與動(dòng)力學(xué)院，南京 211816;3.新鄉(xiāng)學(xué)院 土木工程與建筑學(xué)院, 新鄉(xiāng) 453003)

引 言

在光學(xué)測(cè)量方法中，如激光掃描三角測(cè)量法[1]、激光準(zhǔn)直測(cè)量法[2]等，通常需要配備光學(xué)系統(tǒng), 用以光電跟蹤和測(cè)量。其中激光光斑中心檢測(cè)[3-4]是激光檢測(cè)系統(tǒng)中的關(guān)鍵技術(shù)，特別是在長距離測(cè)量中存在更多的色散、隨機(jī)噪聲和干擾光，因此最終檢測(cè)結(jié)果直接受激光光斑中心定位精度的影響[5]。常用的激光光斑中心檢測(cè)算法包括質(zhì)心法[6]、 霍夫變換方法[7]、圓擬合方法[8]、空間矩算法[9-10]和重力法[11]等。質(zhì)心法和重心法要求激光光斑圖像均勻分布且邊緣清晰，否則會(huì)導(dǎo)致較大的誤差?；舴蜃儞Q方法需要對(duì)圖像邊界點(diǎn)進(jìn)行逐點(diǎn)投票，因此需要花費(fèi)較長的計(jì)算時(shí)間以及較大的存儲(chǔ)空間，同時(shí)檢測(cè)精度也較低。這3種方法都具有較差的抗干擾能力?？臻g矩算法利用邊緣的灰度空間矩來檢測(cè)具有亞像素位置的邊緣， 但它的計(jì)算過程包括6個(gè)模板和原始圖像之間的卷積，過于復(fù)雜和緩慢。在實(shí)際應(yīng)用中，激光光斑圖像會(huì)受到較大的噪聲干擾[12-13]，有兩個(gè)主要的噪聲源：一個(gè)是由于電荷藕合器件(charge coupled device,CCD)的熱噪聲；另一個(gè)是圖像傳感器的模噪聲及模數(shù)轉(zhuǎn)換(analog-to-digital，A/D)噪聲等導(dǎo)致的具有大灰度的離散單像素點(diǎn)。同時(shí)由于遠(yuǎn)距離的傳播和環(huán)境背景光的影響，激光光斑圖像與許多不同頻率的噪聲混合，使圖像輪廓模糊，圖像質(zhì)量差，信噪比低[14]。這些噪聲對(duì)激光光斑中心的檢測(cè)有很大影響[15]。其中在強(qiáng)光背景下，背景光影響的程度更加嚴(yán)重。當(dāng)硬件措施無法完全消除噪聲[16-17]時(shí)，可以優(yōu)化軟件來解決問題。傳統(tǒng)模板匹配算法對(duì)噪聲具有較好的魯棒性，然而因計(jì)算時(shí)間較長，因此有必要對(duì)其進(jìn)行改進(jìn)，以提高計(jì)算效率。

本文中主要研究強(qiáng)光照背景噪聲下激光光斑中心的檢測(cè)方法。 該方法在圓擬合算法的基礎(chǔ)上進(jìn)行了改進(jìn)，提高了算法的抗干擾能力和檢測(cè)效率，給出了矩陣實(shí)驗(yàn)室(matrix laboratory,MATLAB)的仿真結(jié)果和分析,提出了光致圖像劣化的現(xiàn)象,同時(shí)提出了克服這個(gè)問題的策略,即自適應(yīng)感興趣區(qū)域(region of interest,ROI)，并使用提出的策略進(jìn)行了實(shí)驗(yàn)驗(yàn)證。

1 光致圖像劣化

在不利的光照條件下，激光光斑中心可能會(huì)被錯(cuò)誤地檢測(cè)到，特別是在野外測(cè)試中。直射陽光或反射光會(huì)導(dǎo)致捕獲的激光光斑的圖像質(zhì)量顯著降低。這種退化可能導(dǎo)致亮度不平衡、邊緣的損失或特征形狀的改變，這將導(dǎo)致激光光斑中心的錯(cuò)誤定位。參考文獻(xiàn)[18]中，在實(shí)驗(yàn)室昏暗的條件下解決了這一問題。但是，仍需要進(jìn)一步研究激光光斑在過度曝光時(shí)的影響。

Fig.1 Image binarization for feature detection by Otsu thresholda—clear image b—image with uneven brightness

在本文中，對(duì)激光光斑受到不利光照現(xiàn)象進(jìn)行了詳細(xì)描述。

為了更好地說明，現(xiàn)以實(shí)驗(yàn)室中獲得的混凝土背景和模擬激光光斑的合成圖像(429pixel×433pixel)來進(jìn)行說明(如圖1所示)。使用激光光斑進(jìn)行追蹤定位的典型方法是找到由混凝土背景包圍的紅色激光的質(zhì)心。這可以通過對(duì)圖像進(jìn)行二值化獲得邊緣后，對(duì)其進(jìn)行圓擬合來找到。圖1a中所示的清晰圖像，紅色激光可以成功地與背景分離。相反，如圖1b所示，當(dāng)圖像具有不平衡的亮度時(shí)(即一些背景像素比激光亮)，二值化處理不能把紅色激光分離出來，將導(dǎo)致對(duì)圓心的錯(cuò)誤估計(jì)。因此必須控制這種與光照有關(guān)的問題。

2 使用自適應(yīng)ROI進(jìn)行位移測(cè)量

2.1 自適應(yīng)ROI算法

為了有效地解決第1節(jié)中描述的光致激光光斑中心檢測(cè)誤差的問題，提出了一種基于機(jī)器視覺的光斑中心測(cè)量策略。該策略基于自適應(yīng)ROI的方法可以可靠地實(shí)現(xiàn)激光光斑的中心定位。所提出的方法能夠在具有不利光照射的測(cè)試環(huán)境中進(jìn)行精確快速的光斑中心定位。

自適應(yīng)ROI方法是一種自動(dòng)且快速的過程，用于選擇每個(gè)捕獲圖像中的最小ROI。如圖2所示，自適應(yīng)ROI方法由4個(gè)步驟組成。第1步是獲得原始圖片(見圖2a)。該圖是通過高清數(shù)碼相機(jī)拍攝的包含有激光光斑的圖片。要求該圖像是未過渡曝光的圖片，通過對(duì)其進(jìn)行閾值分割獲得匹配模板。第2步是進(jìn)行模板匹配。通常匹配結(jié)果為紅色激光光斑，如圖2b所示。研究該圖像以定位包含紅色激光的與模板尺寸一致的矩形框，在本研究中將其稱為自適應(yīng)ROI。第3步，由自適應(yīng)ROI裁剪的圖像如圖2c所示。值得注意的是，裁剪后的圖像包含一個(gè)沒有明亮背景的清晰光斑。第4步，使用閾值方法對(duì)裁剪后的圖像進(jìn)行二值化，該方法有助于將光斑與背景分開，這樣可以清楚地區(qū)分光斑和背景，如圖2d所示，通過邊緣上像素進(jìn)行擬合來獲得圓心。因此，自適應(yīng)ROI方法可以在不利的光照條件下可靠地檢測(cè)激光光斑中心。

Fig.2 Adaptive (ROI) process in Fig. 1b

本文中提出的自適應(yīng)方法中核心的是模板匹配，其基本思想是利用相關(guān)系數(shù)尋找受到強(qiáng)光影響后的圖像中與未過渡曝光的激光光斑模板的最相似的區(qū)域。其中經(jīng)常選用的相關(guān)系數(shù)如下:

(1)

式中，M是選用子集的大小;f(xi,yj)是未過渡曝光時(shí)激光光斑區(qū)域所對(duì)應(yīng)的灰度值;fm表示未過渡曝光時(shí)激光光斑區(qū)域?qū)?yīng)灰度的均值;Δf表示未過渡曝光時(shí)激光光斑區(qū)域?qū)?yīng)灰度的標(biāo)準(zhǔn)差;g(xi′,yj′)是受到強(qiáng)噪聲影響后對(duì)應(yīng)圖形的灰度;gm表示受到強(qiáng)噪聲影響后對(duì)應(yīng)圖形灰度的均值;Δg表示受到強(qiáng)噪聲影響后對(duì)應(yīng)圖形灰度的標(biāo)準(zhǔn)差。

經(jīng)典的模板匹配算法包括基于索引表的圖像匹配算法、基于序貫相關(guān)性的檢測(cè)算法和基于圖像相關(guān)性的圖像匹配算法。其中后者具有更強(qiáng)的噪聲魯棒性，因此,對(duì)于本文背景中的強(qiáng)太陽光影響的適應(yīng)性更強(qiáng)。該算法的特征是需要利用模板在全圖進(jìn)行模板匹配，以尋找最合適的區(qū)域作為光斑的位置，其中計(jì)算步長不同,獲得的精度也不同。為了提高精度，傳統(tǒng)方法需要較小的計(jì)算步長，這樣將會(huì)浪費(fèi)較多的時(shí)間。因此，有必要在保證計(jì)算精度的前提下,降低計(jì)算時(shí)間以滿足快速計(jì)算的需求。為了提高算法的計(jì)算效率，根據(jù)獲得計(jì)算區(qū)域的相似度系數(shù)的反饋來調(diào)整計(jì)算步長，利用這種自適應(yīng)調(diào)整模板計(jì)算步長的方法，在保證計(jì)算精度的基礎(chǔ)上，提高計(jì)算效率。自適應(yīng)ROI在計(jì)算步長與相關(guān)系數(shù)計(jì)算之間存在有反饋通道，根據(jù)某一時(shí)刻相關(guān)系數(shù)計(jì)算的輸出值與閾值進(jìn)行比較，從而進(jìn)一步對(duì)步長進(jìn)行動(dòng)態(tài)調(diào)整，實(shí)現(xiàn)用最優(yōu)步長計(jì)算。

自適應(yīng)ROI可以處理圖像中的不利光效應(yīng)。圖3a中所示的白化背景的原始圖像，在不同閾值的情況下，激光光斑和背景之間不能明顯分離。 因此，任何閾值，包括Otsu閾值以及像素范圍的70%和80%等閾值，都不能將激光光斑與背景完全隔離。相反地，通過自適應(yīng)ROI方法裁剪后的圖像直方圖清楚地分為兩組像素強(qiáng)度，兩組像素強(qiáng)度分別代表激光光斑和背景。實(shí)際上，兩組之間利用任何閾值都可以成功地將裁剪后的圖像二值化，如圖3b所示。因此，自適應(yīng)ROI提供了針對(duì)不利光照測(cè)試環(huán)境下，可靠的激光光斑中心定位的有效手段。

Fig.3 Histogram and binarized map with different threshold levelsa—original exposure image b—adaptive ROI cropping map

2.2 計(jì)算性能

模擬9個(gè)大小分別為172pixel×174pixel,215pixel×217pixel,430pixel×434pixel,516pixel×520pixel,645pixel×650pixel,867pixel×875pixel,1612pixel×1628pixel,2421pixel×2442pixel,4330pixel×4290pixel的圖像(模擬素混凝土背景)，在每個(gè)圖像上產(chǎn)生半徑為50pixel的清晰紅色激光圓斑。添加高斯噪聲圖像以進(jìn)行真實(shí)的模擬。根據(jù)典型電荷耦合器件相機(jī)噪聲分布特點(diǎn)，在產(chǎn)生的圖像基礎(chǔ)上增加一個(gè)均值為零，方差為1.8588的高斯噪聲?？刂凭葹?pixel的情況下,傳統(tǒng)模板匹配算法與改進(jìn)的自適應(yīng)ROI計(jì)算所用的時(shí)間如圖4所示。

Fig.4 With the same accuracy, the calculation time of adaptive ROI and traditional template matching varies with the size of the simulated image

由圖4可知，在模擬激光光斑尺寸一定的情況下，傳統(tǒng)模板匹配和提出的自適應(yīng)ROI法的計(jì)算時(shí)間都隨著模擬圖像尺寸的增大而增大,并且隨著模擬圖像尺寸增大,傳統(tǒng)模板匹配法計(jì)算時(shí)間增加的程度越來越快。同時(shí)由圖4可知，隨著模擬圖像的增大，傳統(tǒng)模板匹配法與自適應(yīng)ROI法之間的計(jì)算時(shí)間差在增大。兩者隨著模擬圖像的增大,計(jì)算時(shí)間逐漸增加，這是顯而易見的，主要原因在于模擬圖像尺寸越大，計(jì)算的次數(shù)越多，消耗的時(shí)間自然會(huì)增多，這也是模板匹配對(duì)于模擬圖像尺寸較大的情況下計(jì)算效率較慢的主要原因，是模板匹配法的一個(gè)最主要的缺點(diǎn)。兩者隨著模擬圖像的增大，消耗時(shí)間的增加速度越快。這是由于隨著模擬圖像的增大，水平和豎向方向的尺寸都不斷增大，兩者的乘積表示計(jì)算時(shí)間的增加的倍數(shù)，因此隨著模擬圖像的不斷增大，倍數(shù)越大。隨著尺寸的不斷增大，增加的計(jì)算時(shí)間也將呈倍數(shù)增加。之所以自適應(yīng)ROI法比傳統(tǒng)模板匹配法在相同的模擬圖像尺寸情況下，計(jì)算時(shí)間少，是因?yàn)樽赃m應(yīng)ROI方法可以隨著計(jì)算出來的相關(guān)系數(shù)來調(diào)整步長，在較小的相關(guān)系數(shù)的情況下，說明待搜索的光斑位置與所在的搜索位置較遠(yuǎn)，因此可以加大步長來搜索；當(dāng)計(jì)算的相關(guān)系數(shù)較大時(shí)，說明待搜索的光斑位置與所在的搜索位置較近，可以適當(dāng)減小步長來搜索。在模板尺寸一定的情況下，模擬圖像越小，直接計(jì)算出來的相關(guān)系數(shù)就較大，此時(shí)步長也會(huì)較小，因此自適應(yīng)ROI和傳統(tǒng)模板匹配搜索激光光斑位置所花費(fèi)的時(shí)間基本一致。然而隨著模擬圖像的不斷增大，激光光斑在模擬圖像中顯得越來越小，計(jì)算相關(guān)系數(shù)時(shí)，受到激光光斑影響區(qū)域占模擬圖像的比例越來越小，不受激光光斑影響的區(qū)域在搜索時(shí)計(jì)算出來的相關(guān)系數(shù)就較小，此時(shí)計(jì)算的步長就可以選用較大值。不受激光光斑影響的范圍越大，這種大步長計(jì)算的范圍就越多，自然所利用的時(shí)間也就會(huì)與傳統(tǒng)模板匹配法之間的時(shí)間差越來越大。因此自適應(yīng)ROI可以更適應(yīng)在較大尺寸的模擬圖像上應(yīng)用。同時(shí)這種大尺寸模擬圖像利用傳統(tǒng)模板匹配方法是非常不利的。

2.3 不確定性分析

為確定光對(duì)自適應(yīng)ROI方法精度的影響，進(jìn)行了不確定性分析的數(shù)值模擬。模擬產(chǎn)生一個(gè)433pixel×429pixel的圖像(模擬素混凝土背景)，在此圖像上生成一個(gè)半徑為50pixel的清晰紅色激光圓斑,然后添加高斯噪聲圖像進(jìn)行真實(shí)的模擬。根據(jù)典型電荷耦合器件相機(jī)噪聲分布特點(diǎn)，在產(chǎn)生的圖像基礎(chǔ)上增加一個(gè)均值為零、方差為1.8588的高斯噪聲。過度曝光會(huì)導(dǎo)致圖像劣化，如圖3a所示，所以在光斑中心引入點(diǎn)光源來進(jìn)行模擬。隨著點(diǎn)光源的亮度增加，像素強(qiáng)度等級(jí)增加，每個(gè)圖像的平均像素強(qiáng)度在增加,圖像的背景變得更亮,如圖5所示。以未曝光圖片的光斑中心作為基準(zhǔn)，用自適應(yīng)ROI方法來計(jì)算,用隨著曝光強(qiáng)度的增加引起的位移來估計(jì)誤差。誤差用像素表示，可以使用已知的轉(zhuǎn)換比(mm/pixel)轉(zhuǎn)換為物理位移值。圖5b顯示了誤差與每個(gè)圖像的平均像素強(qiáng)度的關(guān)系。隨著曝光強(qiáng)度的增強(qiáng)，當(dāng)過亮的白光覆蓋圖像中心的光斑，即平均像素強(qiáng)度在175附近時(shí)，誤差發(fā)生急劇的變化。因此，這是自適應(yīng)ROI方法的限制條件，同時(shí)也是模板匹配的限制條件。

Fig.5 The error of the adaptive ROI method under exposure conditions

3 實(shí)驗(yàn)驗(yàn)證

使用3點(diǎn)彎混凝土梁在實(shí)驗(yàn)室內(nèi)研究自適應(yīng)ROI方法對(duì)于光致圖像劣化的穩(wěn)健性。圖6顯示了實(shí)驗(yàn)裝置，包括激光光源、實(shí)驗(yàn)小梁、千斤頂、三腳架、高清數(shù)碼相機(jī)、手持發(fā)光二極管(light-emitting diode,LED)燈、位移傳感器、位移采集系統(tǒng)及電腦。

Fig.6 Experimental facility configuration

利用MATLAB(R2012a)獲取加載前后含有激光光斑圖像中的特征點(diǎn)相對(duì)基準(zhǔn)點(diǎn)的豎向位移，同時(shí)利用DH3816靜態(tài)應(yīng)變測(cè)試系統(tǒng)獲取位移計(jì)采集的相應(yīng)位置的豎向位移值進(jìn)行精度對(duì)比。實(shí)驗(yàn)過程中通過調(diào)整手持LED燈光源的亮度來模擬曝光情況。

將由自適應(yīng)ROI測(cè)量的位移與通過Otsu分割邊緣擬合的方法測(cè)量的位移進(jìn)行比較，并通過位移計(jì)測(cè)量標(biāo)準(zhǔn)位移的變化。計(jì)算的未曝光和曝光的測(cè)量點(diǎn)的位移分別在圖7中示出，以清楚地顯示光誘導(dǎo)的誤差。在圖7中，由于改進(jìn)的自適應(yīng)算法和模板匹配算法可以控制在相同的計(jì)算精度內(nèi)，因此圖中并未顯示傳統(tǒng)模板匹配算法的計(jì)算結(jié)果。使用自適應(yīng)ROI方法計(jì)算的所有情況的位移都與位移計(jì)方法(displacement meter method，DMM)測(cè)量的位移保持很好的一致，即使在明顯曝光的情況下也不例外。然而，通過Otsu分割邊緣擬合的方法在曝光情況下會(huì)產(chǎn)生較大的誤差。這是由于在進(jìn)行閾值分割的過程中，因受到強(qiáng)光噪聲的影響，致使閾值分割的邊緣不能與激光光斑的邊緣完全一致，如圖1b所示。故以此為邊緣集擬合的圖像也與激光光斑不完全重合，這就產(chǎn)生了誤差。并且噪聲影響越嚴(yán)重，特別是存在激光光斑受到部分區(qū)域影響時(shí)，誤差會(huì)越大。為了進(jìn)一步對(duì)誤差進(jìn)行分析，視頻測(cè)量的位移與位移計(jì)測(cè)量的位移之間的相關(guān)性如圖8所示。這也進(jìn)一步證實(shí)了使用自適應(yīng)ROI方法的優(yōu)勢(shì)。在利用自適應(yīng)ROI方法的情況下，未曝光和明顯曝光情況下位移計(jì)算的回歸線結(jié)果：線性相關(guān)系數(shù)R2基本都接近1，并與位移計(jì)采集結(jié)果很接近。因此，利用基于ROI的自適應(yīng)方法可以防止由于在現(xiàn)場(chǎng)測(cè)試環(huán)境中因?yàn)椴焕柟舛鴮?dǎo)致較大的測(cè)量誤差。

Fig.7 Comparison of DMM, adaptive ROI and traditional Otsu measurement results

Fig.8 The correlation between the displacement obtained by the camera and the displacement obtained by the displacement meter is obtained by linear regression

同時(shí)，對(duì)上述全圖分別利用自使應(yīng)ROI和傳統(tǒng)模板匹配方法，在保證1pixel精度的情況下，計(jì)算的時(shí)間如表1所示。其中計(jì)算時(shí)模板尺寸為100pixel×100pixel。拍攝的照片尺寸為5184pixel×3456pixel。

Table 2 Adaptive ROI and template matching algorithm were used to calculate the time consumed

由表1可知，在未曝光的情況下，自適應(yīng)ROI計(jì)算的均值為897s,而傳統(tǒng)的模板匹配算法的平均計(jì)算時(shí)間為3388s。同時(shí)存在曝光的情況下，自適應(yīng)ROI的平均計(jì)算時(shí)間為921s,傳統(tǒng)模板匹配的平均時(shí)間為3389s。由此可知，無論是在未曝光情況下還是存在曝光的情況下，自適應(yīng)ROI計(jì)算所花費(fèi)的時(shí)間都遠(yuǎn)比傳統(tǒng)模板匹配計(jì)算所花費(fèi)的時(shí)間少。這主要是由于自適應(yīng)ROI的方法根據(jù)計(jì)算的相關(guān)系數(shù)來調(diào)整下一步的步長值，在遠(yuǎn)離激光光斑的區(qū)域，相關(guān)系數(shù)計(jì)算值較小，可以采用大步長計(jì)算，而在激光光斑區(qū)域影響的范圍內(nèi)，采用較小的步長逼近，這樣在保證精度的情況下，大幅地提高了計(jì)算效率。存在曝光情況時(shí)，計(jì)算所花費(fèi)的平均時(shí)間比未存在曝光時(shí)花費(fèi)的時(shí)間多，這是由于曝光的存在，導(dǎo)致曝光影響區(qū)域計(jì)算的相關(guān)系數(shù)也較高，故此區(qū)域采用的步長相對(duì)來說較小,所以花費(fèi)的時(shí)間自然比未存在曝光的情況下花費(fèi)的時(shí)間多。

自適應(yīng)ROI方法的測(cè)量不確定性是在不同的光照條件下進(jìn)行實(shí)驗(yàn)的。逐漸增加光照的明亮程度，背景光照逐漸變亮，直到照明設(shè)備的最大水平，如圖9a所示。標(biāo)記圖像的平均像素強(qiáng)度隨著背景光的增強(qiáng)而增加。與無背光情況相比，隨著像素強(qiáng)度的增加，測(cè)量誤差增加的結(jié)果如圖9b所示。以關(guān)閉背景光時(shí)的特征點(diǎn)的位置作為基準(zhǔn),測(cè)量誤差為0.4pixel。自適應(yīng)ROI方法即使在不利的光條件下也能較好地實(shí)現(xiàn)亞像素精度。在這種不利光的情況下，如果不利用自適應(yīng)ROI方法，會(huì)產(chǎn)生較大的誤差。

Fig.9 Measurement error under different illumination conditions

4 結(jié) 論

在需要激光光斑進(jìn)行跟蹤測(cè)量的應(yīng)用中，由于環(huán)境噪聲，CCD性能等的影響，引入了隨機(jī)噪聲。 收集圖像時(shí)，噪聲可能導(dǎo)致計(jì)算結(jié)果產(chǎn)生錯(cuò)誤。 本文中在改進(jìn)圓形擬合算法的基礎(chǔ)上提出了自適應(yīng)ROI法，改進(jìn)后的算法可以更好地適應(yīng)強(qiáng)光照背景噪聲，大大提高了激光光斑中心檢測(cè)的抗干擾能力,還使用模擬的激光光斑圖像來驗(yàn)證改進(jìn)的算法在保證較高精度的前提下比較明顯地提高了計(jì)算效率。實(shí)驗(yàn)結(jié)果表明，改進(jìn)算法具有較高的穩(wěn)定性以及較高的計(jì)算效率。