朱 敏，吳志偉

（電氣與自動(dòng)化工程學(xué)院 合肥工業(yè)大學(xué)，合肥 230009）

0 引言

經(jīng)濟(jì)的發(fā)展給人們生活質(zhì)量帶來了巨大的改變，汽車數(shù)量日益增多后對洗車行業(yè)的服務(wù)要求也是越來越高?，F(xiàn)在我們熟知的洗車方式還是傳統(tǒng)人工洗車，但人工洗車還是存在著許多弊端。傳統(tǒng)的人工洗車行業(yè)逐漸的滿足不了現(xiàn)在人們對洗車行業(yè)的要求；如今在洗車市場中洗車機(jī)的普及率還不是很高，使用較為廣泛的洗車機(jī)有無接觸自動(dòng)洗車機(jī)和毛刷式自動(dòng)洗車機(jī)[1～3]。本文提出正交雙相機(jī)車身定位算法洗車機(jī)是基于圖像視覺的自動(dòng)洗車機(jī)，采用圖像視覺技術(shù)能夠精確的得到車身特征點(diǎn)的位置坐標(biāo)[4,5]；并且使用六自由度洗車臂可以利用它的靈活性好，幾乎可以在任何角度下工作。這種精巧的結(jié)構(gòu)設(shè)計(jì)不但在性能上有很好的保障，而且它所要求的場地面積也比較小。與現(xiàn)階段市面上常見兩種類型的洗車機(jī)相比，本洗車系統(tǒng)存在著很好的市場價(jià)值。

1 系統(tǒng)平臺

1.1 圖片采集平臺

為了能夠有效的采集到汽車車身的圖片信息，本系統(tǒng)對拍攝相機(jī)的位置進(jìn)行固定，其示意圖如圖1所示。

圖1 相機(jī)位置示意圖

待洗汽車停放區(qū)域?yàn)橐粔K白色的矩形區(qū)域，汽車車身的圖像采集由兩個(gè)互相垂直放置的相機(jī)完成；其中1號相機(jī)負(fù)責(zé)拍攝汽車的正視圖，2號相機(jī)負(fù)責(zé)拍攝汽車的側(cè)視圖。

1.2 車身特征點(diǎn)的確定

本系統(tǒng)的核心就是在于提取車身的外圍坐標(biāo)，但經(jīng)過圖片處理之后得到的汽車外圍輪廓圖像包含了大量的外圍點(diǎn)坐標(biāo)信息，這樣就會導(dǎo)致計(jì)算復(fù)雜，降低了算法的可靠性。經(jīng)過對車身邊緣輪廓特點(diǎn)的分析，本文采取在汽車邊緣輪廓提取有代表性的特征點(diǎn)，利用特征點(diǎn)坐標(biāo)代替大量外圍點(diǎn)坐標(biāo)信息。特征點(diǎn)的確定如圖2所示。

圖2 特征點(diǎn)位置示意圖

記圖2車身側(cè)視圖中的特征點(diǎn)分別為A、B、C、D、E、F、G；由于汽車的車身圖像是軸對稱圖形，則對應(yīng)于車身的另一側(cè)特征點(diǎn)分別記為A'、B'、C'、D'、E'、F'、G'。因此只要求出這兩組點(diǎn)的坐標(biāo)，即可定位[6]整個(gè)車身。

2 側(cè)視圖中特征點(diǎn)坐標(biāo)的求解

2.1 圖像預(yù)處理及車身輪廓提取

由于拍攝環(huán)境的原因，圖像采集難免會有噪聲。因此在對車身圖像進(jìn)行算法處理之前首先需要對圖像進(jìn)行去噪。對經(jīng)過灰度化和去噪處理的車身圖像進(jìn)行二值化分割，最終將原圖像中的背景和車身目標(biāo)分割開來。但本文接下來只需要對車身的邊緣[7]進(jìn)行處理，所以通過提取最大連通區(qū)域算法對圖像進(jìn)行處理，得到最大連通區(qū)域并將其單獨(dú)顯示出來，結(jié)果如圖3所示。

圖3 最大連通區(qū)域示意圖

2.2 車身輪廓的直線擬合

提取最大連通區(qū)域之后，就得到本文所需要處理的車身的主要輪廓信息。由圖3可以看出，雖然得到了車身的主要邊緣信息，但車身的各部分邊緣都是由曲線組成；如果直接對車身進(jìn)行直線檢測的話得到的效果不會太好。通過對圖3進(jìn)行像素掃描，對不同曲線段的像素點(diǎn)進(jìn)行分割，得到六個(gè)不同的點(diǎn)集，分別為點(diǎn)集M1、M2、M3、M4、M5、M6。不同的點(diǎn)集里存放著車身不同曲線段的像素點(diǎn)坐標(biāo)。本文接下來采用最小二乘法分別對六個(gè)不同的點(diǎn)集進(jìn)行直線擬合[8,9]，得到車身各部分曲線段的近似直線，并且相鄰部分的直線之間會有一個(gè)交點(diǎn)，該交點(diǎn)就是本文包圍車身所確定的特征點(diǎn)。

假設(shè)給定一系列離散點(diǎn)組成的坐標(biāo)集合，即為M={（x0，y0），（x1，y1），…（xn，yn）}，直線擬合目的就是找到一個(gè)函數(shù)f（x）kx+b使得f（x）函數(shù)盡可能的擬合離散坐標(biāo)點(diǎn)集M。最小二乘法擬合直線函數(shù)f（x）的主要原理是：對于f（x）=kx+b求得其對于各個(gè)離散點(diǎn)平方差的最小值，如式(1)所示：

當(dāng)Q取最小時(shí)，求k、b的值。

因?yàn)樽鴺?biāo)點(diǎn)集M中的離散點(diǎn)均為已知變量，問題可轉(zhuǎn)化為求解Q=f（k，b）的最小值，即求解點(diǎn)（k，b）使得 Q=f（k，b）在此點(diǎn)處取得極小值。使用偏導(dǎo)數(shù)求 f（k，b）極小值：

點(diǎn)集M1、M2、M3、M4、M5、M6進(jìn)行直線擬合結(jié)果如圖4所示。

圖4 車身直線擬合示意圖

2.3 霍夫直線檢測

經(jīng)過最小二乘法直線擬合之后，得到了離散點(diǎn)集擬合的直線并顯示在原圖中，但不同的擬合線段的直線方程并沒有得到；因此選擇使用霍夫直線檢測在相鄰的擬合直線之間做二次檢測對擬合過的直線進(jìn)行霍夫直線檢測。當(dāng)檢測到直線之后可以由代數(shù)法計(jì)算出直線的交點(diǎn)。

1）霍夫直線檢測

本文采用累計(jì)概率霍夫變換進(jìn)行對擬合的直線進(jìn)行檢測，OpenCV標(biāo)準(zhǔn)函數(shù)庫中的HoughLinesP()函數(shù)可以實(shí)現(xiàn)直線檢測功能；將圖4作為檢測函數(shù)的第一個(gè)參數(shù)，即原圖像；第二個(gè)參數(shù)是存放著檢測到直線的起始坐標(biāo)點(diǎn)。在下文中求解相鄰擬合直線之間的交點(diǎn)時(shí)就會使用第二個(gè)參數(shù)中存放的坐標(biāo)點(diǎn)。

2）代數(shù)法求解交點(diǎn)

經(jīng)累計(jì)概率霍夫變換檢測得到兩相交的直線后，利用下述的代數(shù)法求解出交點(diǎn)坐標(biāo)。

假設(shè)已知兩條直線l1、l2的方程如下：

并且已知兩直線l1、l2上的兩點(diǎn)分別為A1（x1，y1）、A2（x2，y2）和B1（x1*，y1*）、B2（x2*，y2*），則可求得兩直線的系數(shù)分別為：

將兩直線的參數(shù)代入即可求出交點(diǎn)的坐標(biāo)，對上述車身擬合直線進(jìn)行霍夫直線檢測以及代數(shù)法計(jì)算出交點(diǎn)像素坐標(biāo)，結(jié)果如下：

特征點(diǎn)A（12，198）、特征點(diǎn)B（27，135）、特征點(diǎn)C（131，116）、特征點(diǎn)D（231，70）、特征點(diǎn)E（366，70）、特征點(diǎn)F（501，123）、特征點(diǎn)G（520，207）

3 車身正視圖中特征點(diǎn)坐標(biāo)的求解

對側(cè)視圖經(jīng)過上面步驟處理只能得到車身一側(cè)的特征點(diǎn)坐標(biāo)，為了得到車身另一側(cè)的特征點(diǎn)坐標(biāo)需要對車身的主視圖進(jìn)行處理計(jì)算出車身的寬度信息。通過尋找最小包圍矩形算法得到能將車頭完整包圍的最小矩形，并計(jì)算出這個(gè)最小矩形各頂點(diǎn)的坐標(biāo)，車身的寬度[10]就是頂點(diǎn)橫坐標(biāo)之差。再將上述計(jì)算出的特征點(diǎn)進(jìn)行坐標(biāo)的平移即可得到車身四周的特征點(diǎn)坐標(biāo)。對車身主視圖處理過程如下：

首先對1號相機(jī)拍攝到的車身主視圖進(jìn)行圖像處理，主要處理過程與對車身側(cè)視處理過程基本一致，結(jié)果如下：

圖5 圖像處理結(jié)果示意圖

得到車身主視圖的二值化圖像以后，再利用OpenCV中minAreaRect()函數(shù)對車頭主視圖進(jìn)行尋找最小包圍矩形。運(yùn)行結(jié)果如圖6所示。

圖6 運(yùn)行結(jié)果示意圖

最小包圍矩形的頂點(diǎn)像素坐標(biāo)為：

頂點(diǎn)r0（61，309）、頂點(diǎn)r1（61，44）；

頂點(diǎn)r2（443，44）、頂點(diǎn)r3（443，309）。

根據(jù)得到最小包圍矩形的頂點(diǎn)坐標(biāo)可知車身的寬度即矩形左右對稱頂點(diǎn)的橫坐標(biāo)之差。

4 坐標(biāo)的轉(zhuǎn)換

通過上述算法處理過程對圖像處理計(jì)算出的坐標(biāo)是在像素坐標(biāo)系中的像素坐標(biāo)，并將其經(jīng)過坐標(biāo)系轉(zhuǎn)換至世界坐標(biāo)系中；最后將車身特征坐標(biāo)傳輸給洗車機(jī)械臂[11]的軌跡規(guī)劃中使用。坐標(biāo)系轉(zhuǎn)換關(guān)系如下為：

式(3)中Zc為空間中的點(diǎn)在相機(jī)坐標(biāo)系中Z軸方向的坐標(biāo)，本文中即表示為相機(jī)距離車身的距離，在本系統(tǒng)中1號相機(jī)的Zc設(shè)定為2m，2號相機(jī)的Zc設(shè)定為3m。

等式左邊的矩陣為定位到的車身邊緣點(diǎn)的像素坐標(biāo)。

等式右邊第二個(gè)矩陣為相機(jī)的外參矩陣，其中包括旋轉(zhuǎn)矩陣和平移矩陣。

右邊第三個(gè)矩陣為車身邊緣點(diǎn)在世界坐標(biāo)系中的坐標(biāo)，也就是所要轉(zhuǎn)換得到的坐標(biāo)值。

通過對相機(jī)的標(biāo)定得到上述相機(jī)的各參數(shù)如下：

內(nèi)部參數(shù)矩陣為：

外部參數(shù)矩陣為：

將相機(jī)的各參數(shù)矩陣以及車身的各特征點(diǎn)的像素坐標(biāo)代入式(4)中，對矩形頂點(diǎn)r0（61，309）和矩形頂點(diǎn)r3（443，309）坐標(biāo)轉(zhuǎn)換結(jié)果為r0'（-94，69，200）、r3'（92，69，200）因此車身的寬度為d=|(-94)-92|=186單位為cm。

則最終車身兩側(cè)的特征點(diǎn)坐標(biāo)如表1所示。

表1 特征點(diǎn)坐標(biāo)

5 結(jié)語

本文給出了一套完整的基于圖像視覺自動(dòng)洗車系統(tǒng)車身特征點(diǎn)的定位算法，通過本算法能夠得到精確的車身特征點(diǎn)位置信息。并將這些描述汽車車身位置信息的點(diǎn)坐標(biāo)傳輸給洗車機(jī)械臂再結(jié)合六自由度機(jī)械臂靈活性可以很好的提高洗車的效率和洗車效果，和市場上的洗車機(jī)相比有比較好的優(yōu)勢，具有一定的市場和推廣意義。