樂(lè)韻斐，李曉俊

1 概述

風(fēng)電作為一種可再生能源正日益受到世界各國(guó)政府和環(huán)保部門(mén)的高度重視。而作為風(fēng)力發(fā)電機(jī)組的主要部件，風(fēng)電葉片的壽命又對(duì)風(fēng)力發(fā)電的經(jīng)濟(jì)效益產(chǎn)生直接影響。在葉片生產(chǎn)流程中，為了暴露葉片的疲勞薄弱部位，驗(yàn)證設(shè)計(jì)的可靠性，以及為改進(jìn)風(fēng)葉的氣動(dòng)外形設(shè)計(jì)、制作工藝、確定葉片使用壽命提供實(shí)驗(yàn)依據(jù)，對(duì)于新研制的葉片，需要對(duì)葉片的疲勞壽命進(jìn)行實(shí)驗(yàn)測(cè)試[1]。

根據(jù)目前的測(cè)試規(guī)范，70 m以上的風(fēng)電單軸疲勞測(cè)試周期約為1年，而多激振器同步加載疲勞試驗(yàn)風(fēng)電葉片，可以解決單激振器功率有限的問(wèn)題，能夠?qū)⑵跍y(cè)試周期大幅縮短，帶來(lái)顯著的經(jīng)濟(jì)效益。但多軸疲勞加載的問(wèn)題在于，葉片雙軸振動(dòng)的振幅和振動(dòng)頻率無(wú)法進(jìn)行有效地測(cè)量。國(guó)內(nèi)外研究人員在針對(duì)葉片雙軸振動(dòng)理論方面展開(kāi)不少研究，也取得了一系列成果，但在葉片雙軸加載狀態(tài)檢測(cè)方面，尚且缺乏有效的手段，由此也無(wú)法實(shí)現(xiàn)對(duì)葉片雙軸振動(dòng)的反饋控制，因此研究雙軸振動(dòng)檢測(cè)方法具有很大的實(shí)際意義[2]。

為了實(shí)現(xiàn)對(duì)葉片雙軸振動(dòng)的跟蹤，本文設(shè)計(jì)了基于單目視覺(jué)單應(yīng)性特征的目標(biāo)跟蹤系統(tǒng)對(duì)葉片雙軸振動(dòng)頻率和振幅進(jìn)行實(shí)時(shí)測(cè)量。本文就系統(tǒng)中基于視頻對(duì)標(biāo)志進(jìn)行精準(zhǔn)跟蹤的算法展開(kāi)研究，并基于模擬視頻對(duì)跟蹤該算法的精度進(jìn)行驗(yàn)證。本文設(shè)計(jì)了基于Meanshift算法的ROI提取的粗定位和基于HOUGH算法的特征精確定位兩個(gè)步驟對(duì)葉片進(jìn)行位置捕捉。

2 基于MeanShift算法的ROI提取

Mean Shift算法是一種基于迭代過(guò)程的概率密度梯度估計(jì)算法。該算法通過(guò)計(jì)算圖像的當(dāng)前狀態(tài)與目標(biāo)狀態(tài)之間的均值偏移量來(lái)實(shí)現(xiàn)狀態(tài)遷移的迭代過(guò)程。在本文中，采用由Rosenblatt提出的平滑無(wú)參密度估計(jì)，結(jié)合數(shù)據(jù)本身構(gòu)造合適的權(quán)重，對(duì)概率密度進(jìn)行估計(jì)。平滑無(wú)參密度估計(jì)是目前通用性最高的一種無(wú)參數(shù)密度估計(jì)方法，其優(yōu)點(diǎn)是能夠克服參數(shù)密度估計(jì)模型不收斂或者非最優(yōu)的缺陷[3]。

Mean Shift算法采用像素分布直方圖作為目標(biāo)的特征描述，采用Bhattacharyya相關(guān)系數(shù)描述目標(biāo)（ROI）和候選目標(biāo)之間的相似度。Mean Shift算法中，對(duì)候選目標(biāo)的描述表達(dá)為：

上式中，qu為目標(biāo)的顏色分布，C為qu的歸一化常數(shù)，k（x）為核函數(shù)，n為模板中的像素?cái)?shù)量，x為模板中心，xi則是不同像素在模板中的不同位置，h為核函數(shù)帶寬，δ（y）是Delta函數(shù)，b（xi）為模板中的灰度值。從而，候選目標(biāo)的特征模型定義為：

上式中，y為候選目標(biāo)模板的中心位置，xi表示像素在候選目標(biāo)模板中的相應(yīng)位置，其他變量則與公式（1）中一致。候選目標(biāo)與目標(biāo)（ROI）的特征的相似度用Bhattacharyya系數(shù)衡量：

將上式在y0處進(jìn)行泰勒展開(kāi)，得到下次迭代的中心位置：

y初始化為y0，將迭代值重置為初始值后，可以繼續(xù)迭代計(jì)算，直至最后收斂，用矩形選定進(jìn)行跟蹤特征區(qū)域如圖1所示。

圖1 用矩形選定進(jìn)行跟蹤特征區(qū)域

當(dāng)視頻開(kāi)始時(shí)，在初始幀中框選出一個(gè)相對(duì)較大的范圍，作為特征描述區(qū)域，在后續(xù)幀中，通過(guò)Mean Shift算法在畫(huà)幅中進(jìn)行迭代求解，尋找目標(biāo)區(qū)域。其流程如圖2所示。

圖2 圖像的算法流程

3 基于HOUGH算法的特征精確定位

Mean Shift算法的優(yōu)點(diǎn)在于計(jì)算量小，能夠滿足實(shí)時(shí)跟蹤的需求。但由于算法缺乏必要的模板更新，以及目標(biāo)尺度的變化會(huì)對(duì)結(jié)果造成影響。在實(shí)際應(yīng)用中，攝像頭相對(duì)被跟蹤物體的角度、實(shí)際光照條件以及被跟蹤物體的旋轉(zhuǎn)均會(huì)對(duì)成像結(jié)果造成影響，因此在實(shí)際應(yīng)用中，該算法無(wú)法對(duì)ROI進(jìn)行精準(zhǔn)的匹配。本文采用Mean Shift算法進(jìn)行ROI的匹配，基于匹配的結(jié)果，在一個(gè)背景簡(jiǎn)單的ROI區(qū)域中，通過(guò)HOUGH算法，在ROI中識(shí)別標(biāo)志圓，從而將對(duì)葉片局部運(yùn)動(dòng)的跟蹤鎖定為對(duì)圓心的跟蹤，并以此結(jié)果作為對(duì)葉片振動(dòng)的精確反饋結(jié)果[4]。

HOUGH變換是一種使用表決原理的參數(shù)估計(jì)算法，其原理為：利用圖像空間和Hough參數(shù)空間的點(diǎn)-直線的對(duì)偶型，將圖像空間中的圖像檢測(cè)問(wèn)題轉(zhuǎn)換到參數(shù)空間中，成為參數(shù)檢測(cè)問(wèn)題。在傳統(tǒng)的HOUGH圓檢測(cè)算法中，{（xi，yi），i=1，2，…n}為圖像中圓形區(qū)域的點(diǎn)集，（x，y）為其中一點(diǎn)，那么在參數(shù)空間上有：

這個(gè)方程在參數(shù)空間的幾何表示為一個(gè)圓錐面。因此圖像中任意一個(gè)圓形均可對(duì)應(yīng)到參數(shù)空間中的一個(gè)圓錐面，同一個(gè)圓周上的點(diǎn)對(duì)應(yīng)于相交于一個(gè)點(diǎn)的圓錐面簇，這個(gè)交點(diǎn)反映了該圓的圓心位置和半徑。

在理想狀態(tài)下，圖像中的所有圓形邊界點(diǎn)的梯度方向都指向圓心，一個(gè)邊緣點(diǎn)對(duì)應(yīng)的梯度為：

圓心為：

基于以上思想，HOUGH圓檢測(cè)算法的步驟為：

（1）對(duì)圖像進(jìn)行二值化處理，建立參數(shù)空間，確定參數(shù)空間a，b，r的取值范圍；

（2）在參數(shù)空間中建立累加數(shù)組 A（a，b，r），初始化為0；

（3）對(duì)像素點(diǎn)進(jìn)行HOUGH變換，沿著梯度方向在相應(yīng)的二維累加陣列中做累加處理：A（a，b，r）＝A（a，b，r）+1尋找累加數(shù)組的局部最大值，即為該圓。

在本文中，通過(guò)基于上述的Mean Shift算法確定出如圖3所示的HOUGH圓搜索區(qū)域后，應(yīng)用HOUGH找圓，匹配圖中圓心的像素坐標(biāo)。

圖3 HOUGH圓識(shí)別

由于HOUGH找圓算法的存在一定幾率的誤識(shí)別（如圖3c所示），因此，需要對(duì)算法找出的圓進(jìn)行判別，設(shè)置根據(jù)圓心和半徑進(jìn)行篩選，設(shè)置取值范圍：

取值范圍根據(jù)視頻第一幀的分析進(jìn)行參數(shù)調(diào)整。

4 實(shí)驗(yàn)結(jié)果與分析

為了對(duì)本文設(shè)計(jì)的跟蹤算法的性能進(jìn)行驗(yàn)證，本文通過(guò)編寫(xiě)Matlab程序生成一段仿真視頻，模擬在復(fù)雜背景下的葉片的振動(dòng)。生成仿真視頻的作用在于能夠預(yù)先設(shè)定特征點(diǎn)的軌跡，明確其像素坐標(biāo)，從而與計(jì)算的軌跡進(jìn)行對(duì)比。視頻中的特征點(diǎn)的運(yùn)動(dòng)可以分解為x、y方向的正弦運(yùn)動(dòng)。同時(shí)，為這段視頻加上隨機(jī)背景噪聲。

合成的視頻時(shí)長(zhǎng)為20 s，幀率為20幀每秒，采用背景像素矩陣大小為：900×513，包含10個(gè)風(fēng)電葉片雙軸振動(dòng)。視頻成像原理采用小孔成像模型。攝像頭焦距、傳感器x方向像素?cái)?shù)量、傳感器y方向像素?cái)?shù)量、攝像機(jī)幀率以及感光片是實(shí)際尺寸分別如下：

被跟蹤目標(biāo)的物距，x方向振幅，y方向振幅如下：

由以上可計(jì)算得到葉片的振動(dòng)在像素制度上的幅度為：

d_x=25

d_y=11

在windows系統(tǒng)平臺(tái)，基于python將上述算法形成程序而基于對(duì)視頻的識(shí)別，計(jì)算得到的葉片的振幅為：

d_x′=25

d_y′=11

識(shí)別結(jié)果準(zhǔn)確，在ROI識(shí)別和圓形識(shí)別都表現(xiàn)出了很好的識(shí)別能力，如圖4所示，其中矩形區(qū)域?yàn)樗惴ㄗR(shí)別出來(lái)的跟蹤區(qū)域，圓形為基于HOUGH算法識(shí)別出來(lái)的跟蹤區(qū)域中的圓形特征標(biāo)志。

圖4 跟蹤算法效果

視頻時(shí)長(zhǎng)20 s，程序基于Windows平臺(tái)，由Python編寫(xiě)上述算法的程序。硬件條件為intel5三代雙核移動(dòng)版芯片，8G內(nèi)存，完成上述運(yùn)算的時(shí)間為14.5 s，少于視頻長(zhǎng)度20 s.在誤差方面，同一時(shí)刻點(diǎn)特征點(diǎn)的計(jì)算位置與理論位置的之間距離不超過(guò)0.3個(gè)像素，對(duì)應(yīng)實(shí)際距離為不超過(guò)8 mm，在實(shí)驗(yàn)許可范圍之內(nèi)。因此，該算法不僅有著良好的精度，同時(shí)算法性能優(yōu)秀，能夠滿足實(shí)際的實(shí)時(shí)運(yùn)算，在實(shí)時(shí)應(yīng)用場(chǎng)景完全可以應(yīng)用，理論與計(jì)算軌跡以及誤差對(duì)比如圖5所示。

圖5 理論與計(jì)算軌跡以及誤差對(duì)比

5 結(jié)束語(yǔ)

本文通過(guò)結(jié)合Mean Shift和HOUGH算法，將其分別應(yīng)用于特征跟蹤和圓形識(shí)別，通過(guò)ROI跟蹤的實(shí)現(xiàn)，盡可能地避免了在特征精準(zhǔn)跟蹤過(guò)程中的圓形誤識(shí)別，實(shí)現(xiàn)了對(duì)特定點(diǎn)的精確跟蹤。

[1]胡雪兵，周華飛，汪小平，等.風(fēng)電葉片單/雙軸測(cè)試及其全場(chǎng)三維變形分析[J].玻璃鋼/復(fù)合材料，2015（09）：39-46.

[2]烏建中，張 豪，風(fēng)電葉片單/雙軸測(cè)試及其全場(chǎng)三維變形分析[J].機(jī)電一體化，2017，03（23）：28-37.

[3]費(fèi)久江．基于Mean Shift算法的視頻預(yù)警跟蹤系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]．武漢：華中科技大學(xué)，2012.

[4]王艷芳．類(lèi)圓識(shí)別技術(shù)的研究[D]．北京：北方工業(yè)大學(xué)，2006.