牛世琛

摘 要：近年來機(jī)器視覺和人工智能相關(guān)技術(shù)快速發(fā)展，汽車領(lǐng)域應(yīng)用尤其是一個熱點(diǎn)，相對于乘用車領(lǐng)域，特種車輛的機(jī)器視覺也是其中一個重要的發(fā)展方向。本文研究了一種基于機(jī)器視覺的運(yùn)矸車輛車載圖像識別技術(shù)。介紹了車載視覺系統(tǒng)的搭建過程和前期標(biāo)定準(zhǔn)備，其次介紹了物體樣本采集，敘述了樣本的圖像濾波、輪廓提取、特征選擇等圖像處理方案，最后，采用支持向量機(jī)配合合適的核函數(shù)及參數(shù)完成樣本的訓(xùn)練識別并進(jìn)行測試，證實(shí)技術(shù)方案的有效性。

關(guān)鍵詞：特種車輛;機(jī)器視覺;圖像識別;矸石分揀

近年來，機(jī)器視覺技術(shù)得到較快發(fā)展。機(jī)器視覺作為一種先進(jìn)技術(shù)，在汽車設(shè)計(jì)、無人駕駛等領(lǐng)域有了越來越廣泛的應(yīng)用，車載視覺技術(shù)不斷地優(yōu)化發(fā)展，越來越成熟。汽車領(lǐng)域主要分為乘用車和特種車輛兩大領(lǐng)域，乘用車領(lǐng)域?qū)τ谝曈X技術(shù)的應(yīng)用主要集中在無人駕駛方面，而特種車輛除了在自動駕駛方面對機(jī)器視覺有所需求，車輛一般還有額外功能，這些功能也急需視覺技術(shù)來優(yōu)化。對于煤礦生產(chǎn)中使用的特種車輛，例如運(yùn)矸車輛，其需要對煤與矸石進(jìn)行識別分類，將矸石識別揀出并收集到運(yùn)矸車輛的車箱中。目前揀矸操作主要由人工分揀，隨著特種車輛設(shè)計(jì)優(yōu)化和機(jī)器視覺技術(shù)的發(fā)展，基于機(jī)器視覺的運(yùn)矸車輛設(shè)計(jì)趨勢初現(xiàn)，特種車輛加載機(jī)器視覺技術(shù)形成智能車輛，符合“汽車智能化”的發(fā)展趨勢。本文針對運(yùn)矸車輛車載圖像識別技術(shù)進(jìn)行了介紹，闡述了一種車載視覺系統(tǒng)搭建過程并進(jìn)行了實(shí)驗(yàn)效果驗(yàn)證。

1 車載視覺系統(tǒng)搭建與標(biāo)定

1.1 工業(yè)相機(jī)選型

本文車載視覺系統(tǒng)的目標(biāo)識別物體即煤塊與矸石在顏色屬性上差別極小，依靠顏色辨別煤塊與矸石的可行性微乎其微。綜合查詢市面上工業(yè)相機(jī)，本文選擇Teledyne Dalsa公司的Genie Nano M2590工業(yè)相機(jī)。這款相機(jī)的特點(diǎn)在于出眾的性價比、超小體積的外觀設(shè)計(jì)、超低的延遲和精準(zhǔn)的定時功能，在具有機(jī)器視覺的智能系統(tǒng)和檢測裝置、智能交通、物流運(yùn)輸?shù)壬a(chǎn)生活領(lǐng)域具有廣泛的應(yīng)用。

1.2 光學(xué)鏡頭選型

鏡頭選擇51CAMERA公司代理的VS1614-10M光學(xué)鏡頭，本鏡頭是VST出產(chǎn)的面向機(jī)器視覺行業(yè)設(shè)計(jì)的鏡頭，優(yōu)點(diǎn)是采集的圖像畸變較小，可以在很大范圍內(nèi)調(diào)整成像距離而依舊保持成像清晰，設(shè)計(jì)結(jié)構(gòu)小巧，尺寸緊湊，安裝十分靈活，與Genie Nano M2590工業(yè)相機(jī)搭配使用效果良好。

1.3 相機(jī)標(biāo)定實(shí)驗(yàn)

1.3.1 車載視覺系統(tǒng)的成像畸變現(xiàn)象

車載視覺系統(tǒng)采集圖像時由于原理上固有的失真造成了成像中畸變。畸變主要有三種類型：由于透鏡生產(chǎn)過程徑向曲率加工誤差導(dǎo)致的枕形畸變和桶形畸變、由于拍攝角度使物體產(chǎn)生“進(jìn)大遠(yuǎn)小”等失真的線性畸變。線性畸變在自動駕駛汽車研究中非常常見。

1.3.2 標(biāo)定流程

相機(jī)標(biāo)定方法從原理上分為兩種方法：一種是采用特定標(biāo)定樣式的已知標(biāo)定物，通過采集多張圖片，建立標(biāo)定物上已知點(diǎn)與采集圖像中點(diǎn)的對應(yīng)關(guān)系完成標(biāo)定流程，稱為傳統(tǒng)相機(jī)標(biāo)定方法;另一種標(biāo)定法是相機(jī)自標(biāo)定法，這種方法不需要使用標(biāo)定模板，只要以視野中的某一點(diǎn)作為參考，相機(jī)進(jìn)行特定的移動，從而完成標(biāo)定流程[1]。綜合上述兩種標(biāo)定法的優(yōu)缺點(diǎn)，采用傳統(tǒng)標(biāo)定法中的張正友標(biāo)定法配合國際棋盤格標(biāo)定板，這種方法的標(biāo)定模板成本低廉，標(biāo)定流程方便快捷。

根據(jù)標(biāo)定結(jié)果可以得出本文所選所選相機(jī)及鏡頭圖像畸變區(qū)域小，而煤塊與矸石尺寸大，在對精度要求不高的情況下，本文把所選工業(yè)相機(jī)成像過程近似為線性相機(jī)模型[2]。

2 車載視覺系統(tǒng)的圖像處理技術(shù)

本文車載視覺系統(tǒng)在圖像處理方案上采用如下步驟進(jìn)行處理：待識別物體數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、預(yù)定特征參數(shù)的計(jì)算、待識別物體分類與識別。

2.1 車載視覺系統(tǒng)的圖像濾波

本文選取樣本中一塊矸石圖像，對其加載椒鹽噪聲，分別用中值濾波算法和自適應(yīng)中值濾波算法進(jìn)行處理，輸出結(jié)果并比較，結(jié)果如圖1所示。

左上角圖像為原始矸石圖像，右上角圖像為被噪聲污染之后的矸石圖像，左下角為中值濾波處理的圖像結(jié)果，右下角為自適應(yīng)中值濾波處理得到的圖像結(jié)果。對比下方左右兩幅圖片可以發(fā)現(xiàn)，自適應(yīng)中值濾波處理過的圖像噪聲基本消除，中值濾波處理的矸石圖像仍然殘留不少噪聲點(diǎn)，而這不利于后期對矸石和煤的特征參數(shù)進(jìn)行提取，會影響煤矸石識別分類的準(zhǔn)確性。

2.2 車載視覺系統(tǒng)的輪廓提取

本文選取濾波處理的樣本圖像，對其分別用Roberts算子、Sobel算子、Canny算子進(jìn)行輪廓提取。從處理結(jié)果看出，Roberts算子方法與Sobel算子方法處理結(jié)果較好，Canny算子因?yàn)樵谳喞崛≈蟹浅ｌ`敏，反而被過多的背景信息干擾，而Roberts算子和Sobel算子都提取到了輪廓，效果基本相同，所以最終選擇卷積核更小，運(yùn)算量較小的Roberts算子方法得到物體輪廓。

2.3 車載視覺系統(tǒng)的圖像剪裁

從提取出物體輪廓的圖像中可以很容易地求得物體的形心坐標(biāo)。求得形心之后，對圖像進(jìn)行剪裁，保留一塊以形心為中心的方形圖像，圖像的尺寸對應(yīng)現(xiàn)實(shí)中矸石的尺寸大致為100毫米x100毫米，如圖2所示。

進(jìn)行圖像剪裁有如下兩個作用：1）根據(jù)現(xiàn)場調(diào)研物體尺寸在300毫米到1.5米之間，以形心為中心進(jìn)行剪裁邊長100毫米的方塊，可以保證剪裁出的圖像全部對應(yīng)煤或者矸石的表面，沒有其他干擾信息;2）由于相機(jī)選型時需要分辨率較高，圖像像素個數(shù)極多，直接進(jìn)行圖像分析增加了計(jì)算機(jī)的負(fù)擔(dān)，減弱了圖像處理實(shí)時性，而車載系統(tǒng)搭載的上位機(jī)性能有限，因此裁剪圖像保留了關(guān)鍵特征，摒棄了冗余部分，提高了計(jì)算機(jī)處理的快速性。

2.4 車載視覺系統(tǒng)的圖像特征提取

綜合各種特征屬性和現(xiàn)場工人經(jīng)驗(yàn)，本文選定了煤和矸石的幾種灰度特征作為分辨識別的依據(jù)?；叶戎狈綀D是統(tǒng)計(jì)一個圖片中每個像素點(diǎn)灰度級分布的圖形化表示方法。統(tǒng)計(jì)每個像素點(diǎn)灰度值落在直方圖橫坐標(biāo)的位置，將每個灰度值處對應(yīng)的像素點(diǎn)出現(xiàn)的次數(shù)或者頻率作為每個灰度值處的縱坐標(biāo)大小，生成灰度直方圖。只從圖形化的直方圖中可以看出一張圖片所有像素點(diǎn)灰度分布的趨勢，但是不方便計(jì)算機(jī)處理，因此引入一些統(tǒng)計(jì)學(xué)參數(shù)對直方圖的特征進(jìn)行衡量，將直方圖包含的信息轉(zhuǎn)化為各種參數(shù)，方便計(jì)算機(jī)分析處理。本文引入?yún)?shù)如下[3]：

本文對于煤和矸石的樣本圖像分別進(jìn)行灰度均值、灰度方差的計(jì)算。得到處理后的煤塊的圖像灰度均值大致位于80～100之間，灰度方差大致位于1300～1700之間;經(jīng)過處理后的矸石的圖像灰度均值大致位于100～170之間，灰度方差大致分布于1500～2200之間。

2.5 車載視覺系統(tǒng)的目標(biāo)分類

本文選取了支持向量機(jī)方法和選取了合適的核函數(shù)之后，實(shí)驗(yàn)測試煤與矸石的分類效果：收集了20張煤與矸石的圖像數(shù)據(jù)，其中煤8張，矸石12張，依次進(jìn)行圖像處理，計(jì)算灰度均值和方差，并分類輸出結(jié)果如表1所示。

3 結(jié)語

本文設(shè)計(jì)了一種特種車輛即運(yùn)矸車輛搭載的視覺系統(tǒng)以及圖像處理方法，選取了合適的特征參數(shù)制定了處理流程。

通過研究國內(nèi)外研究成果并結(jié)合實(shí)驗(yàn)經(jīng)驗(yàn)，提出了圖像先剪裁再處理的方法，只保留特征豐富的優(yōu)質(zhì)區(qū)域進(jìn)行特征提取，縮減了計(jì)算機(jī)算法的執(zhí)行時間，提高了本方案的實(shí)時性。

采集了若干煤塊與矸石的樣本照片，設(shè)立了樣本庫，采用支持向量機(jī)方法以樣本庫圖片建立分類器，并對其進(jìn)行煤與矸石分類識別的測試。

參考文獻(xiàn)：

[1]王芳榮.基于機(jī)器視覺的工業(yè)機(jī)器人分揀系統(tǒng)研究[D].長春：吉林大學(xué)，2007：53-55.

[2]J.Y.Son，S.Yeom，D.S.Lee，K.H.Lee，M.C.Park，“A Stereoscopic Camera Model of Focal Plane Detector Array”，in Journal of Display Technology，2011，7（05）：281-288.

[3]RafaclC.Gonzalez，RichardE.Woods，Gongzalez.數(shù)字圖像處理（第二版）[M].北京：電子工業(yè)出版社，2007.