徐 洋， 朱治潮， 盛曉偉， 余智祺， 孫以澤

(東華大學 機械工程學院， 上海 201620)

運動鞋面生產過程中，將運動鞋面原料與轉印紙進行精確匹配是極其重要的一道工序。目前，國內絕大多數(shù)運動鞋服企業(yè)均采用人工比對鞋面原料特征點的方式，以確定該鞋面紋案是否合格。這種傳統(tǒng)接觸式測量方法的工作強度大、工作效率低、勞動成本高，而且工人視線與測量工具的平行度還會導致讀數(shù)誤差[1]，極易產生廢品。近年來隨著信息技術的發(fā)展，機器視覺和圖像處理相關課題的研究不斷深入，其應用領域也在不斷拓展[2]，被廣泛地應用于目標跟蹤、圖像拼接、模式識別等領域[3-4]。因此，采用基于機器視覺的方法對鞋面進行定位可以克服傳統(tǒng)接觸式識別方式的缺陷，降低企業(yè)成本，提升識別正確率，滿足檢測實時性，具有良好的實用價值和發(fā)展前景。

機器視覺鞋面圖像檢測方法中，正確的圖像分割是獲取鞋面特征點區(qū)域的核心，直接影響后續(xù)步驟中目標特征提取和識別任務的效果。目前，圖像分割方法主要有閾值分割法[5]、區(qū)域分割法[6]、邊緣分割法[7]等。其中，Otsu法[8]以最大類間方差作為判別依據(jù)來獲取最佳分割閾值，具有算法高效的優(yōu)點，被廣泛運用在各個圖像領域；但是，該算法沒有考慮圖像領域的空間信息，因此，當圖像中存在噪聲或不清晰邊緣時，其分割結果不夠理想。為有效提高算法的抗噪性，研究者又提出了二維Otsu法[9]。二維的Otsu算法在一維基礎上進行了改進，該方法基于圖像二維直方圖雙斜率進行閾值劃分。由于需要計算圖像的二維直方圖，增加了算法的復雜度，因此無法滿足鞋面檢測的實時性要求。文獻[10]提出的快速一維Otsu迭代算法，雖然提升了算法速度，但是所得閾值結果與傳統(tǒng)Otsu法所得結果不同，使得正確率降低。

本文提出一種改進的一維自適應閾值算法，以期有效區(qū)分鞋面特征點區(qū)域，使處理時間比傳統(tǒng)Otsu法更快速，可獲得正確的特征點結果。本文設計了一套完整的鞋面特征點識別系統(tǒng)，驗證了該方法的有效性和實時性。

1 鞋面檢測實驗系統(tǒng)

鞋面檢測實驗系統(tǒng)主要由檢測平臺、條形光源、CCD相機和計算機組成，系統(tǒng)示意圖如圖1所示。其中，相機采用GigE工業(yè)面陣相機，分辨率為4 096像素×3 072像素，像元尺寸為4.5 μm×4.5 μm。相機鏡頭到鞋面檢測臺的垂直距離為40 cm。光源為LED條形光源，對稱分布在待檢測鞋面的側面，可產生均勻光強可調的藍色LED光投射到待檢測鞋面上。為排除外界光照對打光效果的干擾和檢測結果，實驗在封閉空間下進行。

圖1 鞋面檢測系統(tǒng)示意圖Fig.1 Diagram of vamps detecting system

2 特征點識別算法

2.1 鞋面特征點識別算法

鞋面特征點識別算法流程如圖2所示，具體分為預處理階段和特征點識別階段。在預處理階段，可通過快速中值濾波算法消除圖像噪聲。在識別階段，先運用改進后一維Ostu閾值分割算法對濾波后的圖像進行分割；其次將分割后圖像進行形態(tài)學處理，消除分割后的細小區(qū)域，保留9個特征點區(qū)域；最后計算特征點區(qū)域最小外接圓，得到最終鞋面特征點坐標并輸出結果。

圖2 特征點識別算法流程圖Fig.2 Flow chart of feature points recognition algorithm

2.1.1預處理濾波

相機采集到的原始鞋面圖像中夾雜著各種噪聲。如不降低圖像的噪聲，會對后續(xù)分割算法造成很大干擾。鞋樣識別實驗中的噪聲多以隨機脈沖和椒鹽噪聲為主，中值濾波[11]是非線性濾波的典型代表，不僅能減少或去除圖像中的隨機和椒鹽噪聲，而且能較好地保留圖像的邊緣部分；因此本文選取中值濾波方法進行噪聲預處理。圖3示出無預處理和中值濾波處理后的識別結果。為更好地展示濾波結果，將鞋面圖通過反色效果顯示，識別點結果用圓圈表示。圖3(a)箭頭所指表示識別結果中夾雜許多噪聲干擾點；圖3(b)經(jīng)過預處理后可有效去除圖像噪聲點，可正確識別所需9個特征點，提高識別正確率。

圖3 中值濾波作用Fig.3 Median filtering results. (a) Preprocessing-free results; (b) Processing results after median filtering

2.1.2改進的均值劃分中值濾波算法

傳統(tǒng)的中值濾波算法將模板內需要求的像素和模板中心包圍的鄰域像素灰度值進行排序后得到的中值賦予該像素。采用排序算法，平均時間復雜度為O(Nlog2(n))。其中：n∈[-H/2,H/2]；H為窗口的垂直尺寸；N為待排序數(shù)目。其二維圖像的中值濾波公式如下：

(1)

由于實驗采集到的鞋面圖像分辨率為4 096像素×3 072像素，若使用該算法則需要大量的數(shù)據(jù)移動和比較操作，耗時長久。

均值劃分法[12]雖可在不影響濾波結果的情況下對排序進行了加速處理，但該算法只對劃分后數(shù)量多的一類進行快速排序，并沒有其他篩選條件來驗證中值結果在該類中，因此會出現(xiàn)和傳統(tǒng)算法結果不一致的現(xiàn)象。

本文在此基礎上提出一種迭代改進算法，在提高結果正確性的情況下加快圖像濾波速度，提升特征識別的效率。圖4示出本文提出的快速濾波算法過程圖，濾波窗口大小為5 像素×5 像素。圖中濾波窗口內所有像素點的灰度均值記為Mv。

圖4 改進快速濾波算法過程圖Fig.4 Process diagram of improved fast filtering algorithm

基本步驟及迭代原理如下：

1)首先計算均值Mv。假設濾波窗口大小為N×N，則總像素點個數(shù)為N2個，記為集合M。令L=(N2+1)/2。

2)將M個像素內的每個像素灰度值和均值Mv進行對比，將大于均值部分的集合記為A，小于部分記為B。分別統(tǒng)計對應元素個數(shù)為NA和NB。定義大于均值的像素數(shù)量累加值為nA=0，小于均值的像素數(shù)量累加值為nB=0。

3)如NA=0，令中值濾波輸出為E0，則E0=B[0]；B[i]為集合B中的第i+1個元素。同理如NB=0，則E0=A[0]。結束流程。

4)若NA≥L，則將集合A中元素代替M中元素(A=M)，更新累加值nB=nB+NB，nB值可通過該累加操作不斷增長，nA同理。更新后返回重新執(zhí)行流程2)，否則跳過此判斷繼續(xù)。

5)若NB>L，則將集合B中元素代替M中元素(B=M)，更新累加值nA=nA+NA，更新后跳回重新執(zhí)行過程2)，否則跳過此判斷繼續(xù)。

6)最后根據(jù)累加值nA+NA的大小進行判定，如nA+NAL，則判斷中值結果在集合A中，對集合A進行從大到小排序，取結果集合A中第L-nA元素的灰度值。即E0=A[L-nA-1]。

7)結束流程，輸出E0值為最后濾波結果。

該算法步驟6)運用了決策算法，具體思想是：判斷累加值nA+NA是否大于窗口像素個數(shù)的一半來判斷最后結果所在集合區(qū)域。此算法在均值劃分的基礎上，融入策略選擇算法，可得到更精確的結果，同時降低了排序算法的計算量，優(yōu)化了濾波處理時間。

2.1.3改進的自適應閾值算法

設一幅灰度圖像有L個灰度級別，則該圖可被描述為一個二維矩陣FM×N=[f(x,y)]M×N。M×N為灰度圖像的大小，f(x,y)∈{0,1,…,L-1}為像素(x,y)點處的灰度值。設ni為圖像中灰度值i出現(xiàn)的像素點個數(shù)，則灰度級i出現(xiàn)的概率為

(2)

假設灰度值t為分割后的閾值，整個圖像被分為2個部分：i≤t的背景像素集合B，概率為PB；i>t的前景像素集合F，概率為PF。對應的概率計算公式如下：

(3)

令ωB和ωF為集合B和F的灰度均值，計算公式為

(4)

整幅圖像的灰度總均值ωo為

ωo=PBωB+PFωF

(5)

為能更有效地區(qū)分2類集合，本文定義了類間分散度D，計算公式為

D=|ωFG-ωBG|

(6)

D值越大，則說明2類的距離越大，前景和背景的分離程度越高；故在此基礎上對比同類間每個像素之間的距離，定義為同類內聚度C。設集合B的內聚度為CB，集合F的內聚度為CF，2個類的內聚度計算公式為

(7)

從以上公式可以看出，每個類之間的距離越短，表明分割結果越好。本文提出的自適應閾值分割法將確保D值最大，CB和CF值最小，得到較好的分割結果。定義閾值判定公式如下：

(8)

根據(jù)式(8)對整個鞋面灰度圖像進行遍歷計算H(t)的最大值。此時的t值就是所需要的閾值分割值。根據(jù)t值對圖像進行閾值分割，得到分割后的圖像。

3 實驗結果與分析

為評估本文算法的有效性和可行性，對大量鞋面原始圖像進行實驗，并在多種光照變化和影像非常規(guī)條件下對圖像進行分組處理，將本文改進算法和傳統(tǒng)方法進行比較。

在國有林場中工作的職工，每個人工作成績是不相同的，因此實施績效考核可以指導和監(jiān)督職工的工作情況，讓職工更加認真盡責的開展工作是唯一的目標?？冃Э己说闹饕饔糜幸韵聨c：

實驗環(huán)境為Windows 7系統(tǒng),Intel Core i7 2.8 GHz處理器，8G內存，64位操作系統(tǒng)，VS2015編程環(huán)境，采集到的圖像分辨率為4 096像素×3 072像素。

3.1 預處理實驗結果

在光照為35 lx情況下將傳統(tǒng)中值濾波和改進中值濾波算法進行對比。設定初始中值濾波窗口值大小分別為3像素×3像素和5像素×5像素。為更好地展示中值濾波的去噪效果，將處理后結果圖進行放大對比，如圖5所示。

注：M3濾波窗口大小為3像素×3像素；M5濾波窗口大小為5像素×5像素。圖5 中值濾波結果圖Fig.5 Median filtering result diagrams. (a) Conventional filtering; (b) Filtering algorithm proposed

從圖5可看出：3像素×3像素處理結果圖中仍夾雜許多條狀細紋和噪聲；而5像素×5像素的結果圖中已基本濾除。選取200張鞋面進行批處理測試，表1示出濾波處理時間統(tǒng)計結果。分析表1可知，本文算法比傳統(tǒng)算法更省時，且隨著窗口的增大，算法優(yōu)勢更明顯。由于本文算法需要對窗口內數(shù)據(jù)進行均值劃分，因此窗口越大，該算法的快速排序優(yōu)勢就越顯著。基于此最終確定本次實驗采用窗口大小為5 像素×5 像素窗口進行預處理去噪。

表1 預處理2種算法對比結果Tab.1 Comparison results of two preprocessing algorithms

3.2 閾值處理結果

考慮到不同光照和非常規(guī)條件下對閾值處理結果的影響，將濾波后的鞋面圖像進行分組實驗。閾值處理算法選取傳統(tǒng)一維Otsu算法、二維Otsu算法和本文算法進行比較。

3.2.1光照變化分析

通過比對不同光照強度的打光效果，最終選取30、35、40 lx 3種分析效果較好的光強分別對200張鞋面圖像進行閾值處理分析。表2示出3種算法的識別率和平均識別時間結果，圖6示出3種算法的分割結果圖。

注：圖中O為濾波處理后鞋面圖像；T1、T2和W分別為采用一維Otsu算法、二維Otsu算法和本文改進算法得到的鞋面閾值分割結果。圖6 光照變化下鞋面閾值分割結果圖Fig.6 Result diagrams of vamps threshold segmentation

分析表2和圖6可以看出，傳統(tǒng)一維Otsu算法對圖像的分割效果不佳。這是由于圖像在不同光強下會出現(xiàn)一些特征點邊緣結構不清晰，而該算法無法將邊緣信息有效提取，導致無法清晰地分割出特征點區(qū)域，且在低光強壞境下算法缺陷更明顯。而本文算法和二維Otsu算法能有效地將邊緣領域信息提取出來，有效克服邊緣識別率低的缺點，識別率均高于94.0%；但二維算法因時間復雜度高，比本文算法多耗時1倍左右，因此本文算法在光照變化下具有較好的魯棒性和時效性。圖7示出本文改進閾值算法分割曲線圖。將H(t)最大峰值對應的灰度值作為閾值結果輸出?？芍疚乃惴捎行У胤指钶敵鲎罴验撝怠?/p>

表2 光照變化下3種算法對比結果Tab.2 Contrast results of 3 algorithms underillumination change

注：圖中從左到右最終輸出閾值結果分別為22、37和70。圖7 本文閾值算法分割曲線圖Fig.7 Segmentation curve diagrams of threshold algorithm proposed

3.2.2特殊條件分析

實際工廠生產環(huán)境中存在各種干擾因素，主要分為輸入圖像雜亂和噪聲干擾。噪聲干擾一般在圖像設備傳輸時產生和在鞋面生產線振動產生。在預處理部分對噪聲已進行較好地抑制，因此主要考慮圖像雜亂的影響。圖像雜亂可分為鞋面圖像角度傾斜、正反顛倒等情況。

圖8示出幾種特殊情況下特征點的分割結果圖，將結果進行反色處理并和原圖進行合并操作顯示。可看出，分割后的黑色點中包含所需識別的9個特征點，進行后續(xù)形態(tài)學處理后可得到這9個特征點，證明了本文算法對旋轉角度圖像的適用性。

圖8 特殊條件分割結果圖Fig.8 Result of segmentation diagrams under special conditions. (a) Inclination less than 30°; (b) Inversion

表3示出特殊條件下的識別率和識別時間。分析可知在旋轉條件下的識別精度略低，這是因為圖像在不同旋轉角度下其邊緣紋理之間存在差異，對識別效果產生不利影響。加入椒鹽噪聲的圖像識別精度較高，原因是預處理可較好地除去椒鹽類型的噪聲。該條件下平均單張識別時間在0.2 s左右，識別成功率在93%以上，可驗證本文算法在該條件下具有較強抗干擾性和較高識別精度。

表3 特殊條件下本文算法識別結果Tab.3 Recognition results of algorithm in this paper under the special conditions

3.3 特征點識別結果

閾值分割結果圖中包含了許多細小亮點和突出物。形態(tài)學處理中的開運算操作以膨脹、腐蝕為基礎，可有效地除去這些圖像的冗雜信息。

開運算是將圖像先腐蝕再膨脹的結果。腐蝕過程可消除圖像中細小區(qū)域和噪點，因此可將分割圖結果中細小的區(qū)域除去，只保留特征點所在的大區(qū)域。

本次鞋面實驗選取半徑為10的圓形結構元素對閾值結果圖進行開運算，除去閾值分割結果中大量的細小區(qū)域，得到只保留最后的9個特征點區(qū)域的圖。最后根據(jù)特征區(qū)域計算每個特征點的最小外接圓，將外接圓半徑、中心坐標等結果輸出，完成對鞋面特征點的自動識別。圖9示出最終特征點識別結果圖，特征點位置由外接圓標出。

圖9 特征點處理結果圖Fig.9 Results of diagram feature point processing. (a) Normal result; (b) Inclination result; (c) Inversion result

4 結 論

本文提出了一種基于機器視覺的自適應閾值分割算法代替人工實現(xiàn)鞋面特征點識別檢測方法，可滿足實際工業(yè)生產的精度和實時性需求，具體結論如下。

1)基于均值劃分的新型濾波算法加速了濾波過程，在5像素×5像素濾波窗口下比傳統(tǒng)濾波算法快20%，提升了整體檢測的時間效率。

2)與傳統(tǒng)Otsu分割算法相比，改進的分割算法可更有效地分割出所需的鞋面特征點區(qū)域，并在光照變化、混亂等實際生產環(huán)境下保持93%以上的識別成功率，單張識別時間低于0.5 s，具有較好的魯棒性和實用價值。

3)精度是機器視覺中重要的評估指標，將監(jiān)督學習方法與本文算法訓練實驗樣本相結合，是進一步提高識別精度的重要方向。

FZXB