李白燕，張 健

（黃淮學院信息工程學院，河南駐馬店 463000）

在現代工業(yè)自動化生產中，涉及到各種各樣的產品在線檢查、測量和識別應用，例如:產品外觀缺陷檢查、零配件加工精度檢查、IC器件管腳和標識、電子裝配線的元件自動定位等。通常這種帶有高度重復性和智能性的工作只能靠人工檢測來完成，這種靠人工的傳統檢測手段給工廠增加巨大的人工成本和管理成本，檢測精度也易受檢測人員技術的影響，且效率非常低。因此將基于圖像處理的智能化機器視覺算法引入流水線產品檢測，實現全自動在線檢測將大大提高勞動生產率及產品質量，以適應現代化的大規(guī)模流水線生產。近年來，人們提出了許多方法用于檢測和跟蹤序列圖像中的運動目標，在生產線上是固定攝像頭，因此靜態(tài)背景下運動目標檢測算法受到廣泛關注，常用的方法有幀差法［1］、光流法［2］、背景減除法［3］等。由于受到算法復雜度和計算機運算速度等限制，使得在檢測和跟蹤運動目標的實時性和穩(wěn)健性等方面總是不太理想。本文將從邊界邊緣檢測入手取得穩(wěn)健的輪廓跟蹤。

表示一個目標輪廓的方法可以分成兩類:參數化的輪廓和非參數化的輪廓。前者的跟蹤方法中使用參數表示輪廓，多數采用snake 模型［4］:卡爾曼snake［5］和吸收自適應運動snake［6］。后者的跟蹤方法中，目標的輪廓用邊界表示，輪廓被描繪成一系列像素。其中Paragios等的算法［7］及 Nguyen 等的算法［8］很受歡迎。Paragios和 Deriche提出了使用測量正向輪廓與水平集規(guī)劃進行目標輪廓跟蹤，該方法在靜態(tài)的背景情況取得較好的結果。Fu等提出了一種使用阻塞自適應運動迂回模型的輪廓跟蹤方法［6］，該方案使用了正向輪廓模型［4］，需要確定很多參數，而且分割輪廓存在困難。Nguyen等提出了一種在一個視頻碼流跟蹤非參數化的目標輪廓的方法［8］，該算法使用分水嶺算法和一個加在能量最小化函數分水嶺線平滑能量確定了新的追蹤輪廓。然而，Nguyen等的方法會留下許多不相干的邊緣阻礙了準確地輪廓跟蹤。

為了解決這些問題，本文提出一個在跟蹤的在線產品邊界中僅選擇適當邊界的方法。首先利用邊緣運動移除背景邊緣。背景邊緣去除后，在上一幀輪廓的正常方向上計算平均亮度梯度，這里僅考慮具有高梯度值的邊緣作為跟蹤目標的邊界邊緣。所以，即使一個產品邊緣不清晰，有復雜紋理的背景和目標，上面的輪廓跟蹤方法是穩(wěn)健的。實驗結果表明，該輪廓跟蹤的方法是可靠。

1 在線產品輪廓跟蹤算法

1.1 邊界邊緣檢測

邊界邊緣選擇的過程包括兩個步驟［9］:首先，利用邊緣運動移除背景邊緣;第二，采用輪廓法線方向上的梯度選擇邊界邊緣像素。從邊緣地圖Θ（R）（t）上得到邊界邊緣地圖Θ（B）（t）。

1.1.1 利用邊緣運動移除背景邊緣

通過比較目標的運動和背景的運動移除背景邊緣，計算出跟蹤目標的運動和背景邊緣運動。使用來自坎尼邊緣發(fā)生器產生的邊緣地圖的光流計算邊緣運動。

計算跟蹤目標運動矢量Vp（t），每一個邊緣像素的運動矢量是相對Vp（t）的測試，如果兩個向量之間的差額大于特定常數Te，被認為是一個背景邊緣像素。假設Θ（I）（t）是在當前幀檢測的邊緣地圖，矢量OEdge是在Θ（I）（t）的邊緣像素計算出的光流。使用下式估計出主導平移矢量Vp（t）

式中:Ψ是速度空間;Ω（t－1）是屬于在（t－1）幀的目標區(qū)域的像素。Θ（R）（t）是Θbackground（t）減去Θ（I）（t）的一個邊緣，Θbackground（t）而是一個背景邊緣地圖。

利用邊緣運動移除與跟蹤目標運動不同的背景邊緣，該方法不依賴邊緣地圖的復雜程度，能準確地去除所有不同運動的背景邊緣像素。

1.1.2 邊界邊緣像素選擇

首先進行圖像的梯度的計算。

圖1 參數輪廓中的輪廓正常方向的亮度計算

沿著輪廓上每個像素點r（si）的正常方向的平均彩色梯度D（r（si））用式（3）計算。r（si）是r（s）像素點之一。D（r（si））的計算過程如下:1）在方向r'⊥（s）和r'（s）的兩個主要軸上畫一個橢圓，尺度是適當可調的。2）將橢圓中的像素點分成兩部分，用沿著r'（s）方向的一條線，如圖1b所示。3）計算被r（s）分開的兩個部分的像素平均亮度值，計算的結果就是（r（si）），圖1c表示像素的輪廓正常方向，像素屬于

下面介紹邊界邊緣像素選擇的過程。

圖2 預測輪廓

1.2 基于邊緣檢測的輪廓跟蹤

2 實驗結果

實驗中的視頻是從網站收集到的，用MATLAB進行仿真，跟蹤結果為:在高速運轉的月餅生產流水線上，產品快速移動，產品的輪廓尺寸隨著人與相機的相對位置發(fā)生變化。同時，車間的背景存在一些復雜的紋理，也產生了一些復雜的邊緣，使得輪廓的跟蹤變得困難。采用本文的跟蹤算法可以得到精確的跟蹤，如圖3所示。

圖3 仿真結果

3 總結

本文中，為了改進在流水線中用靜態(tài)攝像機拍攝的視頻流中的紋理目標的跟蹤精度提出了一種新的輪廓復雜方法。該方法選擇了跟蹤目標邊界周圍的有效的邊緣，邊界邊緣選擇包括兩步，首先，利用目標和背景邊緣運動的不同移除背景邊緣。有不同運動的邊緣被認為是多余的背景邊緣被移除掉。其次，采用計算從第一步輸出跟蹤輪廓的相同方向的產生物來選擇邊界邊緣。

精確的選擇輪廓邊緣不會受噪聲邊緣的影響，為了表示這個更新的輪廓，用到了水蛇模型。盡管目標邊緣是復雜的，邊緣也能足夠好的提取。實驗結果表明，本文的方法進行的邊界邊緣檢測并進行適當的選擇是足夠能處理在復雜的背景下目標形狀的變化，基于邊界邊緣選擇的跟蹤是非常成功的。

產品流水線實時檢測所涉及的相關技術很多，而且要取得有效的檢測效果，往往要對不同的產品及檢測要求采取特殊的技術手段。除了如何有效解決流水線上運動產品圖像跟蹤以外，在以后對工作中如何提高高速流水線的產品檢測實時性、可靠性及智能化等問題作進一步研究。

：

［1］NERI A，COLONNESE S，RUSSO C，et al.Automatic moving object and background separation［J］.Signal Processing，1998，66（2）:219－232.

［2］BARRON J，FLEET D，BEAUCHEMIN S.Performance of optical flow techniques［J］.International Journal of Computer Vision，1994，12（1）:42－77.

［3］STAUFFER C，GRIMSON W E L.Adaptive background mixture models for real－time tracking［C］//Proc.IEEE Conference on Computer Vision and Pattern Recognition，1999.Fort Collins，CO，USA:IEEE Press，1999:246－252.

［4］KASS M，WITKIN A，TERZOPOULOS D.Snakes:active contour models［J］.Int.J.Computer Vision，1987，1（4）:321－331.

［5］PETERFREUND N.Robust tracking of position and velocity with Kalman snakes［J］.IEEE Trans.Pattern Anal.Mach.Intell.，1999，21（6）:564－569.

［6］FU Y，ERDEM A T，TEKALP A M.Tracking visible boundary of objects using occlusion adaptive motion snake［J］.IEEE Trans.Image Process，2000，9（12）:2051－2060.

［7］PARAGIOS N，DERICHE R.Geodesic active contours and level sets for the detection and tracking of moving objects［J］，IEEE Trans.Pattern A-nal.Mach.Intell.，2000，22（3）:266－280.

［8］NGUYEN H T，WORRING M，VAN DEN BOOMGAARD R，et al.Tracking nonparameterized object contours in video［J］.IEEE Trans.Image Process，2002，11（9）:1081－1091.

［9］ROH M，KIM T，PARK J，et al.Accurate object contour tracking based on boundary edge selection［J］.Pattern Recognition，2007，40（3）:931－943.