高春艷，呂盛璠，呂曉玲，孫凌宇

（河北工業(yè)大學(xué)機(jī)械工程學(xué)院，天津300130）

1 引言

近年來，各國利用車輛藏匿危險(xiǎn)品、違禁品等高危物品的犯罪行為呈上升趨勢，對人民的生命財(cái)產(chǎn)安全造成了嚴(yán)重威脅，因此對車輛的安全檢查需引起進(jìn)一步重視［1］，而車輛檢測中又以危險(xiǎn)品藏匿于車輛底盤時(shí)最難檢測，故車底檢測已成為安保領(lǐng)域研究的重點(diǎn)與難點(diǎn)。

目前車底檢測技術(shù)手段主要采用手持探鏡及視覺檢測等方式，檢測的關(guān)鍵是對目標(biāo)進(jìn)行特征提取，常見的特征有輪廓、邊緣、特征點(diǎn)等。為提取和描述圖像中的局部特征，文獻(xiàn)［2］提出一種尺度不變特征轉(zhuǎn)換（Scale-Invariant Feature Transform）視覺算法，具有較強(qiáng)的魯棒性，但計(jì)算量大，效率低。而文獻(xiàn)［3］提出PCASIFT算法對特征向量描述子降維，但效果不理想，且計(jì)算量仍較大。為此，文獻(xiàn)［4］提出一種SURF（Speeded up Robust Features）加速穩(wěn)健特征算法，相比SIFT算法大幅提高了計(jì)算速度，但復(fù)雜環(huán)境下仍存在特征提取效率低、錯(cuò)誤率高等不足，制約了車底高危目標(biāo)檢測精度的提升。

為此，提出了一種安保機(jī)器人車底高危目標(biāo)檢測方法，能夠?qū)崿F(xiàn)目標(biāo)的快速檢測。本方法首先對原始輸入圖像進(jìn)行雙邊濾波，然后將圖像在小波域中作一次變換并取出其中的低頻分量圖像作為新的輸入，再利用SURF提取特征點(diǎn)，并采用基于尺度和方向限制的單向匹配策略尋找匹配點(diǎn)對。在此基礎(chǔ)上，利用改進(jìn)的RANSAC算法提純，然后對目標(biāo)圖像進(jìn)行校正，最后采用基于卷積的NCC分塊匹配策略尋找高危目標(biāo)。針對改進(jìn)方法的檢測效果，搭建實(shí)驗(yàn)平臺開展了系列測試驗(yàn)證實(shí)驗(yàn)。

2 改進(jìn)的SURF算法

SURF 算法計(jì)算速度較快，并且在抗尺度變化、光照、旋轉(zhuǎn)等方面有較好的表現(xiàn)。在SURF 算法的基礎(chǔ)上，在特征點(diǎn)匹配階段采用改進(jìn)的單向匹配策略進(jìn)一步提高了匹配精度和速度。如下所示。

2.1 特征點(diǎn)檢測

用盒式濾波器［5］對圖像作卷積操作，通過改變盒式濾波器的尺寸和模糊系數(shù)，在圖像上作x、y、z方向的卷積，構(gòu)建尺度空間金字塔。

Hessian矩陣的原始判別式用detH來表示：

式中：L xx—水平方向二階導(dǎo)數(shù)；Lyy—垂直方向二階導(dǎo)數(shù)；Lxy—水平與垂直方向二階導(dǎo)數(shù)；L—高斯濾波處理后的圖像。

因使用盒式濾波器會(huì)帶來一定誤差，故對Dxy乘上加權(quán)系數(shù)0.9，detH變?yōu)槿缡剑?）所示：

式中：Dxx—待檢測特征點(diǎn)水平二階偏導(dǎo)；

Dyy—待檢測特征點(diǎn)垂直二階偏導(dǎo)；

Dxy—待檢測特征點(diǎn)水平與垂直方向二階偏導(dǎo)。

待Hessian 矩陣計(jì)算出極值點(diǎn)后，再濾掉錯(cuò)誤點(diǎn)及能量較弱點(diǎn)，然后篩選特征點(diǎn)。

2.2 特征描述子

為尋找特征點(diǎn)的方向特征，使其具有魯棒性，采用滑動(dòng)扇形窗口的方式進(jìn)行移動(dòng)。首先以特征點(diǎn)為圓心，計(jì)算其圓形鄰域內(nèi)的harr小波特征，統(tǒng)計(jì)60°扇形內(nèi)全部特征點(diǎn)的垂直、水平harr小波特征（響應(yīng)）之和，根據(jù)距離特征點(diǎn)的遠(yuǎn)近程度分別給這些響應(yīng)值賦以不同的高斯權(quán)重系數(shù)。其次將該扇形區(qū)域中響應(yīng)值相加得到新的矢量，然后再將扇形以單次0.2弧度進(jìn)行旋轉(zhuǎn)，使之遍歷整個(gè)圓形區(qū)域，并再次統(tǒng)計(jì)該區(qū)域響應(yīng)之和，將統(tǒng)計(jì)出的最長矢量方向作為特征點(diǎn)的主方向?；瑒?dòng)扇形窗口，如圖1所示。

圖1 滑動(dòng)扇形窗口Fig.1 Sliding Fan Window

建立特征描述向量。計(jì)算鄰域內(nèi)haar小波響應(yīng)構(gòu)造特征點(diǎn)描述子，以特征點(diǎn)為中心，選?。?×4）的矩形區(qū)域塊，總共具有16個(gè)子區(qū)域，該區(qū)域的方向?yàn)樘卣鼽c(diǎn)的主方向。統(tǒng)計(jì)每個(gè)子區(qū)域中25個(gè)像素的垂直方向和水平方向的haar小波特征，方向是相對主方向而言。令dx為haar小波在x方向上響應(yīng)，dy為該haar小波在y方向上的響應(yīng)，對響應(yīng)dx和dy采用高斯加權(quán)求和，得到Σdx和Σdy，再求取響應(yīng)絕對值之和得到Σ|dx|和Σ|dy|。最終形成一個(gè)4維的描述向量：D=(Σdx，Σdy，Σ|dx|，Σ|dy|)，將所有子區(qū)域的描述向量串聯(lián)起來形成64維特征描述向量，如圖2所示。

圖2 特征描述子Fig.2 Feature Descriptor

2.3 特征點(diǎn)單向匹配

應(yīng)用SURF算法提取特征點(diǎn)之后，需要對特征點(diǎn)進(jìn)行配準(zhǔn)。單向匹配相對于最近鄰匹配和雙向匹配速度快，但是匹配精度不如后者，故為提高匹配精度，通過單向匹配和方向及尺度約束一致性約束的方法來尋找特征點(diǎn)之間的對應(yīng)匹配關(guān)系。首先對目標(biāo)圖像進(jìn)行單向匹配，再分別計(jì)算出對應(yīng)特征描述向量之間方向的差值以及尺度的差值，當(dāng)方向差值和尺度差值分別在設(shè)定的閾值范圍之內(nèi)則認(rèn)為匹配成功，否則需要剔除錯(cuò)誤的匹配點(diǎn)，不僅準(zhǔn)確率高而且速度快。

具體實(shí)現(xiàn)流程如下：

（1）計(jì)算出每一個(gè)匹配點(diǎn)對特征描述向量主方向之間的差值：

式中：S1—標(biāo)準(zhǔn)圖像特征描述向量主方向的角度；S2—目標(biāo)圖像特征描述向量主方向的角度；i—特征點(diǎn)匹配對數(shù)。

（2）統(tǒng)計(jì)Si值并生成直方圖，以β°為一柱，共柱。

（3）計(jì)算出每個(gè)特征點(diǎn)匹配對尺度因子之間的差值：

式中：σ1—標(biāo)準(zhǔn)圖像特征點(diǎn)尺度因子的大小；σ2—為標(biāo)目標(biāo)圖像中特征點(diǎn)尺度因子的大??；i—特征點(diǎn)匹配對數(shù)。

（4）計(jì)算出尺度因子的差值以及直方圖中峰值角度，峰值Si所在β°范圍內(nèi)以及尺度因子σi的差值在閾值α之內(nèi)的作為正確的匹配點(diǎn)對予以保留。

3 安保機(jī)器人目標(biāo)檢測方法

在目標(biāo)檢測之前，對圖像做一定的預(yù)處理對后續(xù)圖像處理部分有著至關(guān)重要的影響。小波變換則是一種處理方法，對圖像進(jìn)行小波變換［6］，每次變換可以得到四幅圖像，其中就包含有低頻分量圖像。將原輸入圖像之間的匹配轉(zhuǎn)化為經(jīng)小波變換后低頻分量之間的匹配，可以縮小搜索范圍，減少變換矩陣的計(jì)算量。將小波的優(yōu)勢應(yīng)用到這里方法中可提高計(jì)算效率。

如果圖像進(jìn)行多次小波變換再進(jìn)行匹配會(huì)導(dǎo)致特征點(diǎn)減少，而且增加時(shí)間，因此這里只進(jìn)行一次哈爾小波分解［7］，哈爾小波的定義式為：

其尺度函數(shù)為：

取出其中的低頻分量圖像作為輸入圖像。低頻分量圖像不僅保留了圖像的大體信息，而且相比于原圖像信息量減少，可以加快特征點(diǎn)的提取速度。

這里將小波變換與SURF算法結(jié)合，提出一種安保機(jī)器人車底高危目標(biāo)檢測方法。檢測方法的流程如下：

（1）將圖像進(jìn)行一定比例縮小，然后采用雙邊濾波器［8］對輸入圖像進(jìn)行處理，以針對車底圖像特點(diǎn)達(dá)到保邊去噪的目的。

（2）將輸入圖像進(jìn)行一次小波分解，取出其中的低頻分量圖像作為改進(jìn)SURF算法的輸入圖像。

（3）使用改進(jìn)的SURF 算法提取圖像中的特征點(diǎn)，并用基于尺度和方向限制的單向匹配策略求取特征點(diǎn)對。

（4）采用改進(jìn)的RANSAC 算法剔除誤匹配點(diǎn)對，求取變換模型。

（5）根據(jù)求取出的變換模型中特征點(diǎn)的比例關(guān)系計(jì)算出圖像縮放比例，對圖像進(jìn)行校正。

（6）運(yùn)用基于卷積的NCC 分塊匹配策略標(biāo)定車底高危目標(biāo)位置。

3.1 改進(jìn)的RANSAC算法

傳統(tǒng)的RANSAC［9］算法是一種隨機(jī)參數(shù)估計(jì)算法，其具體步驟為：

（1）在匹配點(diǎn)對中隨機(jī)選取8個(gè)匹配點(diǎn)對作為初始模型，并確定模型參數(shù)。

（2）用步驟（1）中得到的初始模型對所有匹配點(diǎn)對進(jìn)行測試，如果某匹配點(diǎn)符合該模型，則認(rèn)為該點(diǎn)為內(nèi)點(diǎn)。

（3）計(jì)算得到的內(nèi)點(diǎn)數(shù)量，若足夠多即合理。

（4）重復(fù)步驟（1）～步驟（3），進(jìn)行迭代，直到得到的內(nèi)點(diǎn)數(shù)量最多、誤差最小時(shí)停止。

（5）計(jì)算出正確的匹配點(diǎn)對集。

雖然RANSAC 算法較好的解決了誤匹配點(diǎn)較多的問題，但由于算法本身的復(fù)雜性導(dǎo)致耗時(shí)增加，故這里在傳統(tǒng)RANSAC算法的基礎(chǔ)上做了以下改進(jìn)以提高計(jì)算效率。具體步驟如下：將匹配點(diǎn)對中特征點(diǎn)的角度差值大小Si作為評價(jià)匹配點(diǎn)好壞的標(biāo)準(zhǔn)，匹配點(diǎn)質(zhì)量的好壞和角度差Si成反比。將匹配點(diǎn)根據(jù)質(zhì)量好壞排序，將質(zhì)量最好的8個(gè)匹配點(diǎn)對進(jìn)行模型參數(shù)擬合，最后用該模型估計(jì)一定距離閾值內(nèi)的匹配點(diǎn)，將其作為最終的匹配點(diǎn)對。本方法減少了RANSAC算法自身因樣本選擇帶來的耗時(shí)問題，并且提高了特征點(diǎn)匹配準(zhǔn)確度。

改進(jìn)的RANSAC 算法主要是從減少迭代次數(shù)方面來優(yōu)化。篩選匹配點(diǎn)主要步驟是：首先，將特征匹配點(diǎn)對集合按特征點(diǎn)方向的差值大小Si由小到大排序，選擇其中差值最小的8個(gè)匹配點(diǎn)對作為模型參數(shù)，并進(jìn)行擬合，得到模型J。然后用模型J測試匹配點(diǎn)對中的所有點(diǎn)的距離是否小于某個(gè)閾值，如果是的話，則此點(diǎn)屬于內(nèi)點(diǎn)，否則為外點(diǎn)。最后，得到篩選后的匹配點(diǎn)對集合。

3.2 圖像校正

這里應(yīng)用場景為道口，使用線陣相機(jī)采集圖像，垂直于車行進(jìn)方向擺放。由于對車速要求很高，但實(shí)際中難以達(dá)到完全勻速行駛，以致相機(jī)拍攝到的圖像在車行進(jìn)方向會(huì)產(chǎn)生一定變形，因此解決車速控制帶來的圖像變形問題是整個(gè)實(shí)驗(yàn)的關(guān)鍵。為此首先采集標(biāo)準(zhǔn)圖像，為提高危險(xiǎn)品的檢測準(zhǔn)確度，需將目標(biāo)圖像變換至和標(biāo)準(zhǔn)圖像近似大小。從經(jīng)過改進(jìn)的RANSAC提純的正確匹配點(diǎn)對中隨機(jī)選取兩對，可以通過求解線段的比例關(guān)系得到縮放比例。標(biāo)準(zhǔn)圖中線段兩個(gè)端點(diǎn)分別為A1(x1，y1)，B1(x2，y2)。假設(shè)待匹配圖中兩個(gè)端點(diǎn)分別為A2(x3，y3)，B2(x4，y4)。如圖3所示。

圖3 坐標(biāo)系Fig.3 Coordinate System

x方向的縮放為：

y方向的縮放為：

求得縮放比例系數(shù)K1和K2，可將目標(biāo)圖像縮放至標(biāo)準(zhǔn)圖像近似大小。

3.3 分塊匹配算法

圖像匹配技術(shù)［10］是指在已知基準(zhǔn)圖像和模板圖像中，在基準(zhǔn)圖像中尋找與模板圖像最相似的區(qū)域，達(dá)到目標(biāo)識別和定位的目的。歸一化互相關(guān)［11］（Nomalized Cross Correlation Method）技術(shù)則是一種匹配準(zhǔn)確、抗噪聲能力強(qiáng)的匹配算法，其具體定義為：

式中：R(m，n)—點(diǎn)(m，n)的歸一化互相關(guān)系數(shù)；N1×N2—模板圖像大?。粁i+m，j+n、yi，j—待匹配圖像中(i+m，j+n)、(i，j)處的灰度值。

R(m，n)的值域范圍為［-1，1］，越接近于1，說明兩幅圖像的時(shí)互相關(guān)程度越高。但由于傳統(tǒng)的NCC算法計(jì)算量過大，實(shí)時(shí)性較差，將卷積應(yīng)用到NCC算法中，可以大幅提高計(jì)算速度。卷積積分常用于時(shí)域信號處理，二維連續(xù)信號卷積定義如下：

二維離散信號的卷積為：

結(jié)合式（9）可分析出NCC算法的分子部分為圖像在(m，n)位置兩幅模板圖像的卷積，即離散信號f1(m，n)與f2(m，n)的卷積，也就是信號1各點(diǎn)f1(s，t)順序與信號2從位置(m，n)處開始逆序?qū)?yīng)點(diǎn)f2(m-s，n-t)的乘積之和。

將標(biāo)準(zhǔn)圖像劃分為S*S 的網(wǎng)格結(jié)構(gòu)，空缺部分用黑像素填充，如圖4所示。采用分塊匹配策略［12］，將每個(gè)網(wǎng)格作為模板圖像，依次在目標(biāo)圖像中進(jìn)行搜索，通過計(jì)算每個(gè)網(wǎng)格和目標(biāo)圖像的NCC值，并設(shè)置閾值k，將結(jié)果和k相比較，低于k值的區(qū)域在目標(biāo)圖像中進(jìn)行標(biāo)記，來尋找危險(xiǎn)品的大致區(qū)域。

圖4 標(biāo)準(zhǔn)圖像網(wǎng)格劃分Fig.4 Standard Image Meshing

3.4 算法流程

安保機(jī)器人目標(biāo)檢測方法流程，如圖5所示。

圖5 算法流程圖Fig.5 Algorithm Flowchart

4 實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證本方法的可行性，搭建的安保機(jī)器人實(shí)驗(yàn)平臺，如圖6、圖7所示。利用HIKVISION移動(dòng)式車底掃描儀分別拍取目標(biāo)圖像（帶有危險(xiǎn)品的圖像）和標(biāo)準(zhǔn)圖像，采用塑料袋等效待檢測高危目標(biāo)。實(shí)驗(yàn)過程中控制車輛勻速行駛經(jīng)過檢測設(shè)備正上方。本實(shí)驗(yàn)平臺基于：CPU Intel i5-8400U 處理器、Intel HD630顯卡、8G DDR3 內(nèi)存、Windows 7 軟件開發(fā)系統(tǒng)、Opencv 和Visual studio2015。根據(jù)SURF算法中采用卷積的特性，因此便于實(shí)現(xiàn)并行計(jì)算［13］。實(shí)驗(yàn)采用兩個(gè)線程并行提取圖像中的SURF特征點(diǎn)，在輸入圖像時(shí)將圖像縮小為原圖像的八分之一，因圖像特征主要由自身屬性決定，故細(xì)節(jié)丟失較少。本方法提取到的特征點(diǎn)數(shù)目雖然會(huì)一定程度減少，但準(zhǔn)確率基本不變，且大幅提高了計(jì)算效率。

圖6 實(shí)驗(yàn)場景1Fig.6 Experimental Scene 1

圖7 實(shí)驗(yàn)場景2Fig.7 Experimental Scene 2

為驗(yàn)證這里算法的優(yōu)越性，實(shí)驗(yàn)以7500*2048，7800*2048范圍內(nèi)近似大小的多組圖像為例進(jìn)行特征點(diǎn)匹配，并進(jìn)行高危目標(biāo)位置標(biāo)定。將β設(shè)置為10°，a設(shè)置為4，k設(shè)置為0.65。對不同算法進(jìn)行性能對比實(shí)驗(yàn)，并以某組圖像為例進(jìn)行危險(xiǎn)品位置檢測，實(shí)驗(yàn)結(jié)果，如圖8～圖11所示。匹配結(jié)果對比，如表1所示?？芍@里改進(jìn)的匹配算法匹配點(diǎn)對數(shù)較原來的配準(zhǔn)算法少52.8%，但匹配正確率提高了1.3%，時(shí)間縮短了24.2%，故證明本方法具有一定實(shí)用價(jià)值。

表1 匹配結(jié)果對比Tab.1 Comparison of Matching Results

圖8 標(biāo)準(zhǔn)圖像和目標(biāo)圖像Fig.8 Standard and Target Images

圖9 直接匹配Fig.9 Direct Match

圖10 SURF+RANSAC匹配Fig.10 SURF+RANSAC Match

圖11 這里方法Fig.11 Shows the Method

將待匹配圖像校正，通過基于分塊匹配策略的NCC算法分別計(jì)算出每個(gè)子區(qū)域塊與待匹配圖像NCC的最大值，按照從左到右，從上到下的順序依次標(biāo)號，計(jì)算出的值，如圖12所示。從標(biāo)號1開始至標(biāo)號16，計(jì)算出的結(jié)果分別為0.961、0.912、0.887、0.896、0.901、0.908、0.756、0.591、0.955、0.901、0.865、0.879、0.890、0.899、0.732、0.575。

圖12 分塊匹配NCC結(jié)果Fig.12 Block Matching NCC Results

將以上數(shù)值與設(shè)置的閾值k比較，對高危目標(biāo)位置用紅色線框進(jìn)行標(biāo)記，檢測結(jié)果，如圖13所示。實(shí)驗(yàn)表明，本方法在目標(biāo)檢測階段能夠標(biāo)定出危險(xiǎn)目標(biāo)位置，滿足車底危險(xiǎn)目標(biāo)的檢測要求。

圖13 高危目標(biāo)位置標(biāo)記Fig.13 High-Risk Target Calibration

5 結(jié)語

針對標(biāo)準(zhǔn)圖像和待配準(zhǔn)圖像的匹配精度、檢測效率、高危目標(biāo)檢測方法展開研究，提出了一種安保機(jī)器人車底高危目標(biāo)檢測方法。首先對SURF算法進(jìn)行改進(jìn)，通過計(jì)算特征描述向量方向的差值和特征點(diǎn)尺度因子的差值，以剔除誤匹配點(diǎn)對，然后利用改進(jìn)的RANSAC 算法計(jì)算出兩張圖像的變換模型，再對圖像進(jìn)行縮放校正，最后利用基于卷積的NCC分塊匹配算法對危險(xiǎn)品位置進(jìn)行標(biāo)記。實(shí)驗(yàn)結(jié)果表明，相較于基于SURF+RANSAC 算法的檢測方法，本方法將匹配正確率提高了1.3%，時(shí)間縮短了24.2%，在后續(xù)目標(biāo)檢測階段成功檢測出了高危目標(biāo)位置，從而滿足車底安檢的需求。