余善好

(安徽三聯(lián)學(xué)院，安徽 合肥 230601)

中國是個(gè)以重工業(yè)發(fā)展為主的大國，為加大生產(chǎn)量，保證國家GDP，將工業(yè)推向自動(dòng)化是必要手段，在大力發(fā)展工業(yè)的同時(shí)，井下作業(yè)往往具有事故風(fēng)險(xiǎn)，無法保障人員安全，為此井下人員和設(shè)備定位技術(shù)在保障煤礦安全生產(chǎn)方面起著至關(guān)重要的作用。煤礦行業(yè)越來越重視礦井人員的定位技術(shù)[1]。為了確保圖像的清晰度，井下行人目標(biāo)的準(zhǔn)確定位尤為重要。定位精度直接關(guān)系到煤礦的生產(chǎn)效果[2]，且煤礦發(fā)展在要求精度的同時(shí)也需要加快生產(chǎn)效率，因此如何快速且準(zhǔn)確的將井下行人目標(biāo)進(jìn)行定位是目前需要研究的問題[3]。

李清泉[4]提出單目視覺的室內(nèi)多行人目標(biāo)連續(xù)定位方法，構(gòu)建像素坐標(biāo)系到世界坐標(biāo)系的坐標(biāo)轉(zhuǎn)換模型，并結(jié)合卡爾曼濾波和匈牙利算法實(shí)現(xiàn)對多行人目標(biāo)的連續(xù)定位與跟蹤，實(shí)現(xiàn)井下行人目標(biāo)快速定位。韓江洪[5]等人提出基于深度學(xué)習(xí)的井下巷道行人視覺定位算法，基于深度學(xué)習(xí)網(wǎng)絡(luò)的系統(tǒng)整體結(jié)構(gòu)；其次，搭建目標(biāo)檢測多層卷積神經(jīng)網(wǎng)絡(luò)(CNN)，生成自主駕駛機(jī)車前方視野范圍內(nèi)行人的二維坐標(biāo)及邊界框的尺寸；再次，通過多項(xiàng)式擬合計(jì)算出圖像中行人到機(jī)車之間的第三維距離；最后，通過真實(shí)樣本集實(shí)施模型訓(xùn)練，實(shí)現(xiàn)井下行人目標(biāo)快速定位。田強(qiáng)[6]等人直接將非線性定位問題轉(zhuǎn)換成井下行人目標(biāo)位置的加權(quán)最小二乘估計(jì)問題，并將最小二乘估計(jì)分成兩步進(jìn)行求解，首先基于最小二乘準(zhǔn)則將元件未發(fā)射的信號(hào)轉(zhuǎn)化為目標(biāo)位置函數(shù)，同時(shí)將代價(jià)函數(shù)中未發(fā)射信號(hào)進(jìn)行消除，其次在凸松弛技術(shù)的基礎(chǔ)上直接利用半正定規(guī)劃問題代替代價(jià)函數(shù)，最終計(jì)算出目標(biāo)圖像的位置，實(shí)現(xiàn)井下行人目標(biāo)快速定位。以上三種算法在進(jìn)行井下行人目標(biāo)定位過程中沒有對井下行人目標(biāo)進(jìn)行粗定位，同樣未對目標(biāo)圖像進(jìn)行邊緣分割處理，導(dǎo)致圖像邊緣不清晰，誤差過大，存在圖像匹配能力差、邊緣分割性能差以及定位偏差大的問題。

為了解決上述方法中存在的問題，提出基于改進(jìn)Otsu算法的井下行人目標(biāo)快速定位算法。

1 井下行人目標(biāo)的粗定位以及邊緣檢測

在利用激光儀器獲取圖像時(shí)，為保證圖像清晰需將井下行人目標(biāo)進(jìn)行準(zhǔn)確定位，因此需要提前對目標(biāo)進(jìn)行粗定位以及邊緣分割[7-8]。

1.1 井下行人目標(biāo)的粗定位

對于圖像來說，都需要利用最有效的方法大致定位出該區(qū)域位置，并將其視為目標(biāo)區(qū)域，粗定位的意義就是獲取該目標(biāo)區(qū)域，現(xiàn)今粗定位的最優(yōu)辦法就是模板匹配算法，該算法的原理就是將兩組在不同環(huán)境下的圖像進(jìn)行比較，留下兩組圖像中最相似的部分。

模型匹配的效率高低最主要的影響因素就是兩組圖像的平移個(gè)數(shù)，因此為提高運(yùn)算效率，可利用隔點(diǎn)取樣方法將準(zhǔn)備進(jìn)行對比的圖像尺寸減小，其原理如圖1所示。

圖1 隔點(diǎn)取樣

隔點(diǎn)取樣雖可提高運(yùn)算效率，但同時(shí)因?yàn)閳D像梯度值的增大導(dǎo)致圖像重要信息丟失，因此需要通過平滑濾波處理獲取更多尺度圖像，選取高斯濾波方法保證處理后的圖像不會(huì)出現(xiàn)局部極值點(diǎn)，高斯函數(shù)表達(dá)式如式(1)所示。

G(xi,yj)=(1/2πσ2)e

(1)

式(1)中，G(xi,yj)代表卷積模板內(nèi)(xi,yj)相對應(yīng)的權(quán)重值大小，σ代表高斯濾波器的方差。

通過隔點(diǎn)采樣處理后的圖像可將其中的鋸齒現(xiàn)象完全消除，將圖像進(jìn)行高斯平滑以及采樣處理后即可利用NCC算法進(jìn)行圖像匹配[9-10]。

NCC算法是通過兩圖像之間的相關(guān)性得出圖像相似度從而進(jìn)行匹配的一種方法，令該算法中相關(guān)性為R(i,j)，其波動(dòng)范圍為[0，1]，則相關(guān)性R(i,j)的計(jì)算方程式如式(2)所示。

(2)

式(2)中，E(T)代表模板圖像的均值，T代表模板圖像，Si,j代表準(zhǔn)備匹配的圖像，E(Si,j)代表Si,j的平均數(shù)值，s代表原始圖像的灰度分割閾值，t代表相鄰圖像的灰度分割閾值。

利用式(2)計(jì)算出兩圖像中相似度最大的匹配點(diǎn)進(jìn)而完成匹配，即提取出在范圍[0，1]中相關(guān)性最大的點(diǎn)完成匹配。

1.2 基于改進(jìn)Otsu算法的圖像邊緣分割

圖像的邊緣分割也叫邊緣檢測，這是一種處理圖像清晰度的手段，其目的是將圖像邊緣清晰化，提取圖像邊緣點(diǎn)，為保證處理圖像過程中無其他噪聲進(jìn)入圖像，選用Otsu算法進(jìn)行圖像分割，它是通過原始圖像以及相鄰圖像生成二維直方圖[11]。

假設(shè)原始圖像為f(x,y)，相鄰平滑圖像為g(x,y)，令原始圖像的大小為M×N，原始圖像以及相鄰圖像的灰度值大小均為L，進(jìn)而生成二維直方圖，則二維連接概率密度表達(dá)式如式(3)所示。

(3)

式(3)中，fij代表原始圖像f(x,y)內(nèi)像素點(diǎn)灰度值i和相鄰圖像像素點(diǎn)平均灰度j可匹配到相同位置的像素點(diǎn)數(shù)量，L代表兩圖像的灰度值，其中i≥0，j≤L-1。

相鄰平滑圖像g的灰度等級(jí)的計(jì)算公式如式(4)所示。

(4)

式(4)中，g(m,n)代表灰度等級(jí)，k代表相鄰圖像像素點(diǎn)中為正方形區(qū)域的寬度值。

若利用閾值s和t對圖像進(jìn)行分割，劃分成背景和目標(biāo)圖像兩部分，則在整幅圖像中目標(biāo)圖像和背景各占圖像大小的表達(dá)式如式(5)所示。

(5)

式(5)中，ωb代表背景所占整幅圖像比例，ωo代表目標(biāo)圖像所占整幅圖像比例，且ωo+ωb=1。

因此得出背景與目標(biāo)圖像相對應(yīng)的均值矢量表達(dá)式如式(6)所示。

(6)

式(6)中，μ0代表背景相對應(yīng)的均值矢量，μb代表目標(biāo)圖像相對應(yīng)的均值矢量，Pij代表二維連接概率密度值。則整幅圖像的均值公式如式(7)所示。

(7)

此時(shí)可根據(jù)離散度矩陣對圖像進(jìn)行處理，在背景與目標(biāo)圖像的均值和所占圖像比例得出離散度矩陣的公式如式(8)所示。

σB={ωo[(μo-μ)(μo-μ)]+

ωb[(μb-μ)(μb-μ)]}

(8)

式(8)中，σB代表圖像的離散度。

利用σB的跡計(jì)算目標(biāo)圖像以及背景與目標(biāo)之間距離，其表達(dá)式如式(9)所示。

tr(σB)=[ωb[(μb2-μ1)2+(μb1-μ1)2]+

ωo[(μo2-μ2)2+(μo1-μ2)2]]

(9)

式(9)中，tr(σB)代表圖像與目標(biāo)之間的距離。

為保證井下行人目標(biāo)的精確定位，需保證閾值(s,t)為最優(yōu)，則需要取tr(σB)的最大值即可，并通過最優(yōu)閾值將圖像進(jìn)行分割，保證最終獲取高精度的邊緣圖像。

2 井下行人目標(biāo)的快速定位

進(jìn)行邊緣分割后所獲取的圖像就是二值圖像，為進(jìn)一步縮小目標(biāo)圖像，可對目標(biāo)圖像進(jìn)行識(shí)別，通過連通區(qū)域標(biāo)記法將同一區(qū)域的像素點(diǎn)進(jìn)行連接[12]，連接后求解出該區(qū)域的相應(yīng)參數(shù)，最終根據(jù)目標(biāo)圖像屬性提取目標(biāo)圖像。將識(shí)別出的目標(biāo)圖像進(jìn)行精確定位，首先將圖像的大致輪廓進(jìn)行擬合，最后提取出其圓心坐標(biāo)即可實(shí)現(xiàn)井下行人目標(biāo)的定位[13]。

目前最優(yōu)的圖像擬合方法就是最小二乘法圓擬合，假設(shè)目標(biāo)圖像為(xi,yi)，擬合的圓心為(xc,yc)，由于最小二乘法圓擬合的原理就是計(jì)算出擬合圓心到圖像點(diǎn)之間距離平方差[14]，并使得距離平方差f為最小，其表達(dá)式如式(10)所示。

(10)

式(10)中，N代表目標(biāo)圖像中點(diǎn)的個(gè)數(shù)，r代表擬合圓的半徑。

對半徑進(jìn)行偏導(dǎo)數(shù)計(jì)算[15]，得出其表達(dá)式如式(11)所示。

r2=(y-y0)2+(x-xc)2

=y2-2ycy+yc2+x2-2xcx+xc2

(11)

假設(shè)擬合圓中參數(shù)a、b和c的表達(dá)式如式(12)所示。

(12)

進(jìn)而得出擬合圓的曲線方程式[16]如式(13)所示。

x2+y2+ax+by+c=0

(13)

則目標(biāo)圖像中點(diǎn)(xi,yi)到圓心的平方表達(dá)式如式(14)所示。

(14)

式(14)中，di代表點(diǎn)(xi,yi)和擬合圓心的距離。

=xi2+yi2+axi+byi+c

(15)

令Q(a,b,c)是δi的平方和，其表達(dá)式如式(16)所示。

(16)

根據(jù)上述求解出的偏導(dǎo)數(shù)得出其極值條件如式(17)所示。

(17)

式(17)中，C、D、E、G和H代表偏導(dǎo)數(shù)的極限點(diǎn)，?代表坐標(biāo)以及半徑的約束條件。根據(jù)極值條件得出圓的坐標(biāo)以及半徑，其表達(dá)式如式(18)所示。

(18)

式(18)就是需要定位的井下行人目標(biāo)的坐標(biāo)以及半徑。

3 實(shí)驗(yàn)與結(jié)果

為了驗(yàn)證基于改進(jìn)Otsu算法的井下行人目標(biāo)快速定位算法的整體有效性，分別采用本文所提算法、李清泉[4]提出的單目視覺的室內(nèi)多行人目標(biāo)連續(xù)定位方法(以下統(tǒng)稱為算法一)和韓江洪等人[5]提出的基于深度學(xué)習(xí)的井下巷道行人視覺定位算法(以下統(tǒng)稱為算法二)進(jìn)行圖像匹配能力、邊緣分割性能以及定位偏差的測試，測試結(jié)果如下。

3.1 井下行人目標(biāo)定位

隨機(jī)選取3幅需要匹配的圖像與模板進(jìn)行匹配，其中模板圖像的像素是120*120，準(zhǔn)備進(jìn)行匹配的像素分別為380*302，360*260，280*210，利用三種算法對圖像進(jìn)行定位，其實(shí)驗(yàn)結(jié)果如圖2所示。

圖2 三種算法的定位對比

所提算法在三種不同像素下均精準(zhǔn)定位圖像中的井下行人目標(biāo)，且基本沒有誤差。算法一只能定位出像素較高的兩張圖，且誤差較大，算法二的定位能力極差，三張實(shí)驗(yàn)圖沒有定位出任何一張圖中的井下行人目標(biāo)。本文所提方法定位能力強(qiáng)的原因是在進(jìn)行定位過程中先對于井下行人目標(biāo)進(jìn)行粗定位，利用隔點(diǎn)取樣方法將待匹配圖像尺寸減小，進(jìn)而提高運(yùn)算效率，減少圖像點(diǎn)的平移個(gè)數(shù)，降低運(yùn)算誤差，從而提高了定位準(zhǔn)確性。

3.2 邊緣分割性能

邊緣分割性能包含邊緣分割精度以及邊緣檢測所需時(shí)間。首先對三種算法的邊緣分割精度進(jìn)行測試，隨機(jī)選取一幅圖，為保證算法準(zhǔn)確性對三種算法均測試兩遍后觀察其結(jié)果，如圖3所示。

圖3 三種方法邊緣分割結(jié)果

由圖3可知，算法二對邊緣進(jìn)行分割后目標(biāo)圖像邊緣十分不清晰，同時(shí)伴有虛化現(xiàn)象，算法一雖強(qiáng)于算法二，但該算法的邊緣分割結(jié)果仍不理想，且第二遍分割結(jié)果過于失真，這種現(xiàn)象極可能導(dǎo)致最終結(jié)果出現(xiàn)較大偏差，而本文所提算法分割后的目標(biāo)圖像邊緣十分清晰，因?yàn)楸疚乃崴惴ㄌ崆皩D像進(jìn)行高斯平滑處理，降低圖像中噪聲的影響，保證圖像的質(zhì)量，進(jìn)而提高邊緣分割精度。

邊緣分割時(shí)間也是驗(yàn)證邊緣分割性能的重要指標(biāo)，隨機(jī)選取6組樣本圖像進(jìn)行，在保證其分割精度的情況下，對比三種算法所需時(shí)間，其結(jié)果如圖4所示。

圖4 三種算法邊緣分割時(shí)間

由圖4可知，經(jīng)比較后發(fā)現(xiàn)，在相同精度下所提算法是三種算法中用時(shí)最短，效率最高的算法，算法一雖強(qiáng)于算法二，但其用時(shí)也遠(yuǎn)遠(yuǎn)高于所提算法。綜上所述，證明本文所提算法的邊緣分割性能是三種算法中最優(yōu)的。

3.3 定位偏差

圖5 三種算法的定位偏差

比較井下行人目標(biāo)定位優(yōu)劣最直觀的指標(biāo)就是對比算法偏差的大小，隨機(jī)選取五組完全不相同的樣本圖像，通過三種算法對井下行人目標(biāo)進(jìn)行定位，并與目標(biāo)實(shí)際位置對比，得出三種算法的定位偏差，根據(jù)圖5可知，所提算法的定位誤差最高僅為0.4mm，算法一和算法二的最高定位誤差分別為1.25mm和1.4mm，這兩種算法的定位誤差遠(yuǎn)遠(yuǎn)高于本文所提算法，其中最低誤差也高于所提算法的最高誤差，本文所提算法的偏差之所以可以控制這么小是因?yàn)樵撍惴▽δ繕?biāo)圖像邊緣進(jìn)行分割，保證目前圖像的完整，進(jìn)而提高定位準(zhǔn)確性，從而降低定位偏差。

結(jié)語

井下行人目標(biāo)的定位對于煤礦行業(yè)尤其重要，且必須保證定位的準(zhǔn)確程度，因此提出基于改進(jìn)Otsu算法的井下行人目標(biāo)快速定位算法，該算法首先對井下行人目標(biāo)進(jìn)行粗定位，在此基礎(chǔ)上利用Otsu算法將目標(biāo)圖像進(jìn)行邊緣分割，其次對目標(biāo)進(jìn)行識(shí)別以及精準(zhǔn)定位，實(shí)現(xiàn)井下行人目標(biāo)快速定位，解決圖像匹配能力差、邊緣分割性能差以及定位偏差大的問題，保證工業(yè)效率的同時(shí)加強(qiáng)工作人員的安全。