程 健， 安鴻波， 郭一楠,3， 葉 亮

(1.煤炭科學(xué)研究總院 礦山大數(shù)據(jù)研究院，北京 100013； 2.中國礦業(yè)大學(xué) 信息與控制工程學(xué)院，江蘇 徐州 221116； 3.中國礦業(yè)大學(xué)(北京) 機電與信息工程學(xué)院，北京 100083)

0 引言

水尺計重方法是船舶貨物計重的常用方法，通常由人工觀測進行測定。受到人視覺觀測精度的限制，人工觀測水尺的方法勞動強度大、效率低、誤差大。因此，亟待提出一種輪船吃水線測定算法，實現(xiàn)輪船貨物重量的精準(zhǔn)測量。這些測量算法需要滿足多個指標(biāo)的要求，如自動化程度高、測量準(zhǔn)確且快速等指標(biāo)，因此需要利用多目標(biāo)方法設(shè)計新算法。

研究人員先后提出基于壓力傳感器、激光水位、機器視覺的新型船舶水尺檢測算法。孫國元等[1]提出了采用船體兩側(cè)的壓力傳感器減少波浪、輪船搖晃等環(huán)境因素對測量結(jié)果的不利影響。陳文煒等[2]搭建了船舶吃水線檢測系統(tǒng)，根據(jù)激光測距儀測出的基準(zhǔn)面和水面之間距離，獲得輪船的吃水量。但是，由于船體外側(cè)安裝壓力傳感器，整體安裝施工難度大；長時間工作在惡劣環(huán)境下，半導(dǎo)體硅片持續(xù)受壓變形，容易發(fā)生零點漂移，設(shè)備維護量大。激光水位檢測易受到水面漂浮物影響，測量精度和穩(wěn)定性難以保證；其設(shè)備只能安裝在輪船船體上，無法滿足航道管理部門對快速離船吃水線檢測的要求。

考慮到機器視覺算法不需要復(fù)雜的設(shè)備安裝，對環(huán)境適應(yīng)性好，周廣程[3]根據(jù)水尺線字符的特點，利用HIS顏色空間信息，提出一種基于梯度幅度的啟發(fā)式邊緣提取算法。劉丹[4]針對彩色船體圖像，采用歐氏距離作為相似性度量，提取吃水線。Tsujii等[5]在提取船體字符的基礎(chǔ)上進行模板匹配。Ran等[6]結(jié)合Canny邊緣檢測和Hough變換，估計吃水線的位置。類似以上各種吃水線檢測算法主要是通過固定相機采集吃水線所在區(qū)域圖像，采用圖像處理的方法實現(xiàn)船舶吃水線識別。此外，固定相機獲取船舶外弦吃水線圖像難度較大，也很難實現(xiàn)船舶吃水線區(qū)域的快速精準(zhǔn)定位。

鑒于此，本文構(gòu)建了基于無人機的視覺獲取平臺，通過其攜帶的高清攝像頭，實現(xiàn)船舶水尺圖像采集。采用融合水尺特性先驗知識的輪廓統(tǒng)計篩選方法，提取先導(dǎo)知識；綜合利用像素點在L×a×b顏色空間的信息，采用知識引導(dǎo)的K-means++聚類和分水嶺算法，實現(xiàn)船舶吃水線區(qū)域的動態(tài)識別和吃水線測定。該算法克服了傳統(tǒng)固定拍攝設(shè)備的布設(shè)和實施困難，通過機器視覺算法，實現(xiàn)了吃水線區(qū)域的實時識別，具有穩(wěn)定的測定精度，滿足吃水線測定的快速性要求。

1 基于知識的船舶吃水線動態(tài)識別

無人機搭載的高清相機能夠高效采集船舶吃水線區(qū)域圖像，簡化了固定相機的復(fù)雜布設(shè)，解決吃水線測定效率低和船舶外弦水線測定困難等問題。但是，無人機環(huán)繞輪船飛行，受到飛行航跡波動的影響，船舶吃水線區(qū)域在圖像中的位置并不固定，需要動態(tài)標(biāo)定；在吃水線上方約10 cm處存在海浪長期拍打船體形成的水跡線，干擾吃水值的準(zhǔn)確讀??；另外，不同曝光環(huán)境、水波紋等現(xiàn)象的存在，也影響到吃水線的精確識別。因此，基于知識的船舶吃水線動態(tài)識別算法中，如何在具有上述眾多干擾的復(fù)雜場景下，準(zhǔn)確定位到感興趣的吃水線區(qū)域，是該類測定系統(tǒng)的核心難點問題，也是區(qū)別于固定相機測定系統(tǒng)的特有問題。

為解決上述問題，本文提出復(fù)雜場景下的船舶吃水線區(qū)域識別算法。針對動態(tài)變化的吃水線區(qū)域，采用統(tǒng)計方法篩選吃水線刻度輪廓，提取感興趣的吃水線區(qū)域先導(dǎo)知識；針對水跡線的干擾，結(jié)合聚類與分水嶺算法，完成吃水線的精確分割；通過顏色空間轉(zhuǎn)化，避免不同曝光環(huán)境下，光照強度導(dǎo)致的吃水線區(qū)域誤判；采用濾波算法，解決大量的水波紋對算法時間和識別精度的影響。

1.1 吃水線知識獲取與水平區(qū)域定位

為獲取完整的吃水線及其字符信息，需在整幅圖像中定位到感興趣的吃水線水平區(qū)域。本文給出一種融合水尺特性先驗知識的輪廓統(tǒng)計篩選算法，實現(xiàn)快速的吃水線水平區(qū)域定位。如圖1所示，在未進行預(yù)處理的整幅二值化圖像中，存在大量水波紋，在輪廓查找中，將識別出過多的微小區(qū)域，增加算法計算代價和識別難度。本文首先對采集獲得的船舶水尺圖像進行濾波，由于mean-shift算法[7]在濾除細(xì)微干擾的同時，能夠保留圖像的主要邊緣[8]，既保留了重要的吃水線邊緣信息，同時也可消除水尺圖像中大量水波紋的干擾、有效減少水波紋對識別結(jié)果的不利影響。

圖1 水波紋干擾Figure 1 Interference of water ripples

對濾波后的水尺圖像，根據(jù)鄰域內(nèi)的像素值，采用自適應(yīng)閾值[9]，得到二值化圖像。記圖像中每個像素點的值為Pi，則有Pi={0,1}。根據(jù)輪廓像素的連續(xù)性，進行輪廓查找和記數(shù)，并保存其坐標(biāo)位置。整幅圖像中輪廓數(shù)量記為s，當(dāng)前一個輪廓閉合時，則有：

(1)

(2)

根據(jù)n個區(qū)間的起止坐標(biāo)范圍，將每個輪廓按各自的坐標(biāo)位置劃歸到所屬的區(qū)間。每個區(qū)間所包含的輪廓組成集合A{si},i=1,2,…,n，如圖2所示。

圖2 圖像水平區(qū)間劃分(n=10)Figure 2 Division of image horizontal interval(n=10)

船舶吃水線字符通常由上至下分布，并且分布緊湊。非字符區(qū)域識別出的輪廓通常包括船體銹跡輪廓和非船體背景輪廓。船體銹跡輪廓數(shù)量少，分布分散；非船體背景輪廓細(xì)節(jié)眾多，背景輪廓數(shù)量遠(yuǎn)遠(yuǎn)多于字符輪廓，并且背景區(qū)域橫跨多個水平區(qū)間。根據(jù)以上船體字符分布特征的先驗知識，依據(jù)輪廓統(tǒng)計，對感興趣區(qū)域的水平位置進行確定。記|A{si}|表示集合中的輪廓數(shù)量，j為目標(biāo)區(qū)域序號，sj為識別出的目標(biāo)區(qū)域所包含的輪廓數(shù)，sj-1和sj+1為其相鄰的左、右2個區(qū)間輪廓數(shù)。設(shè)定相鄰區(qū)間輪廓數(shù)之和的界限函數(shù)為α(n)，與輪廓數(shù)n呈反比。在目標(biāo)區(qū)域與相鄰區(qū)間輪廓數(shù)相加滿足界限函數(shù)時，包含輪廓數(shù)最大的區(qū)間，被認(rèn)為是感興趣的吃水線區(qū)域水平位置，即滿足：

(3)

1.2 吃水線分割

識別出整幅圖像中感興趣的吃水線水平區(qū)域后，需要在垂直方向上確定出吃水線位置，最終得到吃水線區(qū)域標(biāo)定。相較于RGB顏色空間，作為感官均勻顏色模式的L×a×b顏色空間采用a和b分量描述顏色范圍，包含更多顏色信息[10]。當(dāng)采集圖像的光照條件存在強弱變化時，可以舍棄L分量，僅考慮a和b分量，可以排除光照條件對圖像識別結(jié)果的影響。因此，先將RGB圖像轉(zhuǎn)換為XYZ圖像，再實現(xiàn)XYZ圖像到L×a×b色彩空間的轉(zhuǎn)換[11]。R、G、B為像素的3個顏色通道；a*、b*為L×a×b色彩空間2個通道，Xn、Yn、Zn為CIE標(biāo)準(zhǔn)照明體的三刺激值；f(t)為判斷函數(shù)。

(4)

(5)

(6)

基于感興趣吃水線區(qū)域水平位置，在L×a×b顏色空間中，從垂直方向上定位船體和水面交界處能夠獲得完整的吃水線區(qū)域。在船舶水尺圖像中，船體表面和水面存在顯著顏色差異。因此，采用K-means++聚類算法對二者顏色進行分類，設(shè)置聚類簇為2，迭代次數(shù)為T，從m個像素樣本po(o=1,2,…,m),選取2個點作為初始聚類中心cq(t)(q=1,2,t=1,2,…,T)。傳統(tǒng)K-means算法隨機選取初始聚類中心，而K-means++算法[12]則要求初始聚類中心之間具有足夠遠(yuǎn)的距離。由于船體和水面在圖像上的相對位置固定，所以聚類中心的初始化是將圖片中部最上點設(shè)為第1個聚類中心，代表船體顏色；第2個聚類中心在距第1個聚類中心相似度距離遠(yuǎn)的區(qū)域，即選擇圖片中部最下點，代表水面顏色。采用該選取方式，能夠減少迭代次數(shù)，優(yōu)化算法時間。隨后，計算樣本po到各聚類中心cq(t)的相似度距離D(po,cq(t))，并將樣本劃歸到具有最小相似度距離的類別中：

D(po,cq(t))=‖po-cq(t)‖2。

(7)

(8)

反復(fù)迭代上述聚類過程，直到滿足下述收斂條件：

|J(t+1)-J(t)|<ε；

(9)

(10)

式中:J(t)為目標(biāo)函數(shù)；ε為設(shè)定閾值。

在計算出2個顏色區(qū)域的聚類中心后，在L×a×b顏色空間下，計算圖像中所有m個像素點po到聚類中心cq的顏色距離D(po,cq)，篩選出最大距離Dmax(po,cq)，設(shè)置相關(guān)倍數(shù)?∈(0,1)，定義距離閾值Dθ，則有：

Dθ=?Dmax(po,cq)。

(11)

當(dāng)D(pi,cq)位于閾值區(qū)域內(nèi)時，則確定pi作為該類別具有較強代表性的種子點，進行分水嶺算法[13]；否則，將pi從原來的類別中分離出來，視為空白點。通過計算各類別內(nèi)樣本到聚類中心的顏色距離，篩選出與聚類中心距離相近的顏色對象，作為該類別具有較強代表性的種子點，采用分水嶺算法進行準(zhǔn)確的吃水線分割。根據(jù)吃水線的識別，在垂直方向上保留完整的船體字符信息，結(jié)合水平方向上的預(yù)測區(qū)間，實現(xiàn)吃水線及相應(yīng)字符位置的感興趣區(qū)域識別。

2 實驗驗證與分析

無人機船舶水尺圖像采集于某港口檢驗檢疫局的輪船視頻。本文所提吃水線區(qū)域識別算法在i5-4210CPU，4 G內(nèi)存的筆記本電腦上通過Visual Studio Code編程實現(xiàn)。選取不同環(huán)境下采集圖像驗證算法的通用性，這些圖像中包括水跡線、不同曝光程度，以及水波紋等多種干擾。

2.1 參數(shù)敏感性分析

水平劃分區(qū)間數(shù)目設(shè)置為n=5、10、13、15、20，其目的是分析不同水平劃分區(qū)間數(shù)對識別效果和有效輪廓占比率的影響。表1和圖3分別是不同區(qū)間數(shù)目下獲得的區(qū)間中有效輪廓占比率和區(qū)間識別準(zhǔn)確率。圖3中每幅圖像下分別是n=5、10、13、15、20時獲得的感興趣區(qū)域，當(dāng)為15和20時，劃分過于細(xì)致，包含的有效輪廓占比大，具有很高的輪廓利用率；但由于識別出的區(qū)域范圍過小，受到相機拍攝角度的影響，當(dāng)船體字符出現(xiàn)傾斜時會使字符信息不完整，識別準(zhǔn)確度降低，甚至造成誤識別。當(dāng)n為5時，識別出的區(qū)域范圍大，即使出現(xiàn)船體字符傾斜的情況，也能將全部信息包含其中；同時包含過多無效信息，有效輪廓占比小，會造成計算冗余。而當(dāng)n為10和13時，能夠有效解決以上兩個問題，既有較高的有效輪廓占比，又能準(zhǔn)確、完整獲得吃水線信息。因此，為預(yù)防各種傾斜情況，確保算法適用性，通常選擇10～13作為水平劃分區(qū)間數(shù)n的取值范圍。

表1 水線位置識別準(zhǔn)確率與有效輪廓占比率Table 1 Accuracy of waterline position recognition and ratio of effective contour

圖3 不同水平區(qū)間數(shù)目下識別的吃水線水平區(qū)域Figure 3 Waterline horizontal regions identification under different numbers of horizontal intervals

2.2 吃水線區(qū)域識別算法分析

基于船舶吃水線水平區(qū)域圖像，在垂直方向上對吃水線進行精確分割。由于水波紋以及水跡線等干擾的存在，傳統(tǒng)的檢測算法會出現(xiàn)無效識別或者誤識別的情況。該部分實驗采用Canny算子以及傳統(tǒng)的K-means算法檢測吃水線，針對水波紋和水跡線的影響與本文算法進行對比分析。

Canny算子檢測出很多包含水波紋和水跡線的邊緣信息，難以將吃水線從眾多邊緣中提取出來。同時，該方法識別出的吃水線也存在如圖4(a)所示的間斷情況，另外，傳統(tǒng)的K-means算法將水跡線誤識別成吃水線，如圖4(b)所示，主要是因為水跡線導(dǎo)致水面與船體顏色邊界混淆引起的誤識別。本文結(jié)合輪船和水體的先驗顏色知識，指導(dǎo)初始點選取，根據(jù)樣本點的顏色和空間信息，篩選出與聚類中心距離相近的顏色對象，作為各自類別中具有較強代表性的種子點進行分水嶺分割，對相近顏色的差異更敏感，能夠有效避免水跡線的干擾，如圖4(c)所示。顯然，所提算法可以更為準(zhǔn)確地識別吃水線位置。

圖4 吃水線精確識別Figure 4 Precise segmentation of waterline

為了探究本文算法在識別效果以及計算時間上的優(yōu)勢，將其與未濾波的傳統(tǒng)閾值算法[9]進行對比。當(dāng)水平劃分區(qū)間數(shù)目n=10時，表2和表3分別是2種算法得到的輪廓數(shù)量和計算時間，圖5表示了各場景下不同算法的輪廓情況對比以及在整幅圖像中定位出吃水線區(qū)域的算法效果。

表2 各場景下不同算法的輪廓個數(shù)統(tǒng)計Table 2 Contour statistics of different algorithms in scenes

表3 各場景下不同算法的計算時間統(tǒng)計Table 3 Calculating time statistics of different algorithms in each scenes ms

分析表2和圖5所示結(jié)果可以得到，與對原始圖像進行輪廓查找相比，經(jīng)過濾波處理的圖像在整幅圖像范圍內(nèi)輪廓數(shù)量明顯減少，在算法計算時間上也有所減少。另外也可以看出濾波算法在輪廓信息不豐富的區(qū)域輪廓縮減不明顯，但在圖像的其他區(qū)域效果顯著，能夠最終在整幅圖像中準(zhǔn)確定位出吃水線區(qū)域。對于具有復(fù)雜港口背景以及更大水波紋面積的場景1，本文所提算法能濾除大部分水波紋干擾，根據(jù)輪廓分布特點和船體與水面顏色差異，可以在整幅圖片范圍中準(zhǔn)確識別出感興趣的吃水線區(qū)域。對于存在光照變化的場景2和場景3，不同曝光程度導(dǎo)致船體顏色變化明顯，本文所提算法對相近顏色的差異更敏感，結(jié)合樣本點的顏色和空間信息對吃水線進行分割，可以準(zhǔn)確識別出吃水線區(qū)域。但光照變化的場景2和場景3不包括港口岸邊的眾多設(shè)施，作為干擾需要排除的輪廓較少，在輪廓縮減上與具有復(fù)雜背景下的船舶圖片相比效果不明顯，且算法計算時間縮短量少，但仍優(yōu)于傳統(tǒng)算法。

圖5 船舶吃水線區(qū)域識別Figure 5 Identification of ship waterline area

3 結(jié)論

已有的水尺機器視覺檢測算法主要依賴固定攝像頭，通過拍攝水尺區(qū)域，實現(xiàn)對已知輪船水線區(qū)域的吃水線識別。但是，固定相機的布設(shè)和實施困難，且效率低下。采用無人機搭載相機航拍船舶圖像，避免了布設(shè)復(fù)雜的固定相機，易于實際推廣。但是，航拍圖像中的船舶吃水線區(qū)域受到飛行軌跡的影響，存在位置波動。為此，給出一種融合水尺特性先驗知識的輪廓統(tǒng)計篩選算法，用于定位整幅圖像中的感興趣吃水線水平區(qū)域。綜合利用像素點的顏色和空間信息，在L×a×b顏色空間下，結(jié)合知識引導(dǎo)的K-means++聚類與分水嶺算法，實現(xiàn)吃水線的精確分割，有效避免光照和水跡線的干擾，實現(xiàn)動態(tài)視頻下船舶吃水線區(qū)域的快速識別。該算法能夠較好適應(yīng)港口的復(fù)雜航拍場景，具有較強的環(huán)境魯棒性和識別快速性，為有效提高港口的自動化水平奠定了基礎(chǔ)。在后續(xù)的工作中，基于識別的吃水線區(qū)域，將進一步研究水尺的精確計重算法。