李白燕，張 健

（黃淮學(xué)院信息工程學(xué)院，河南駐馬店 463000）

在現(xiàn)代工業(yè)自動(dòng)化生產(chǎn)中，涉及到各種各樣的產(chǎn)品在線檢查、測(cè)量和識(shí)別應(yīng)用，例如:產(chǎn)品外觀缺陷檢查、零配件加工精度檢查、IC器件管腳和標(biāo)識(shí)、電子裝配線的元件自動(dòng)定位等。通常這種帶有高度重復(fù)性和智能性的工作只能靠人工檢測(cè)來完成，這種靠人工的傳統(tǒng)檢測(cè)手段給工廠增加巨大的人工成本和管理成本，檢測(cè)精度也易受檢測(cè)人員技術(shù)的影響，且效率非常低。因此將基于圖像處理的智能化機(jī)器視覺算法引入流水線產(chǎn)品檢測(cè)，實(shí)現(xiàn)全自動(dòng)在線檢測(cè)將大大提高勞動(dòng)生產(chǎn)率及產(chǎn)品質(zhì)量，以適應(yīng)現(xiàn)代化的大規(guī)模流水線生產(chǎn)。近年來，人們提出了許多方法用于檢測(cè)和跟蹤序列圖像中的運(yùn)動(dòng)目標(biāo)，在生產(chǎn)線上是固定攝像頭，因此靜態(tài)背景下運(yùn)動(dòng)目標(biāo)檢測(cè)算法受到廣泛關(guān)注，常用的方法有幀差法［1］、光流法［2］、背景減除法［3］等。由于受到算法復(fù)雜度和計(jì)算機(jī)運(yùn)算速度等限制，使得在檢測(cè)和跟蹤運(yùn)動(dòng)目標(biāo)的實(shí)時(shí)性和穩(wěn)健性等方面總是不太理想。本文將從邊界邊緣檢測(cè)入手取得穩(wěn)健的輪廓跟蹤。

表示一個(gè)目標(biāo)輪廓的方法可以分成兩類:參數(shù)化的輪廓和非參數(shù)化的輪廓。前者的跟蹤方法中使用參數(shù)表示輪廓，多數(shù)采用snake 模型［4］:卡爾曼snake［5］和吸收自適應(yīng)運(yùn)動(dòng)snake［6］。后者的跟蹤方法中，目標(biāo)的輪廓用邊界表示，輪廓被描繪成一系列像素。其中Paragios等的算法［7］及 Nguyen 等的算法［8］很受歡迎。Paragios和 Deriche提出了使用測(cè)量正向輪廓與水平集規(guī)劃進(jìn)行目標(biāo)輪廓跟蹤，該方法在靜態(tài)的背景情況取得較好的結(jié)果。Fu等提出了一種使用阻塞自適應(yīng)運(yùn)動(dòng)迂回模型的輪廓跟蹤方法［6］，該方案使用了正向輪廓模型［4］，需要確定很多參數(shù)，而且分割輪廓存在困難。Nguyen等提出了一種在一個(gè)視頻碼流跟蹤非參數(shù)化的目標(biāo)輪廓的方法［8］，該算法使用分水嶺算法和一個(gè)加在能量最小化函數(shù)分水嶺線平滑能量確定了新的追蹤輪廓。然而，Nguyen等的方法會(huì)留下許多不相干的邊緣阻礙了準(zhǔn)確地輪廓跟蹤。

為了解決這些問題，本文提出一個(gè)在跟蹤的在線產(chǎn)品邊界中僅選擇適當(dāng)邊界的方法。首先利用邊緣運(yùn)動(dòng)移除背景邊緣。背景邊緣去除后，在上一幀輪廓的正常方向上計(jì)算平均亮度梯度，這里僅考慮具有高梯度值的邊緣作為跟蹤目標(biāo)的邊界邊緣。所以，即使一個(gè)產(chǎn)品邊緣不清晰，有復(fù)雜紋理的背景和目標(biāo)，上面的輪廓跟蹤方法是穩(wěn)健的。實(shí)驗(yàn)結(jié)果表明，該輪廓跟蹤的方法是可靠。

1 在線產(chǎn)品輪廓跟蹤算法

1.1 邊界邊緣檢測(cè)

邊界邊緣選擇的過程包括兩個(gè)步驟［9］:首先，利用邊緣運(yùn)動(dòng)移除背景邊緣;第二，采用輪廓法線方向上的梯度選擇邊界邊緣像素。從邊緣地圖Θ（R）（t）上得到邊界邊緣地圖Θ（B）（t）。

1.1.1 利用邊緣運(yùn)動(dòng)移除背景邊緣

通過比較目標(biāo)的運(yùn)動(dòng)和背景的運(yùn)動(dòng)移除背景邊緣，計(jì)算出跟蹤目標(biāo)的運(yùn)動(dòng)和背景邊緣運(yùn)動(dòng)。使用來自坎尼邊緣發(fā)生器產(chǎn)生的邊緣地圖的光流計(jì)算邊緣運(yùn)動(dòng)。

計(jì)算跟蹤目標(biāo)運(yùn)動(dòng)矢量Vp（t），每一個(gè)邊緣像素的運(yùn)動(dòng)矢量是相對(duì)Vp（t）的測(cè)試，如果兩個(gè)向量之間的差額大于特定常數(shù)Te，被認(rèn)為是一個(gè)背景邊緣像素。假設(shè)Θ（I）（t）是在當(dāng)前幀檢測(cè)的邊緣地圖，矢量OEdge是在Θ（I）（t）的邊緣像素計(jì)算出的光流。使用下式估計(jì)出主導(dǎo)平移矢量Vp（t）

式中:Ψ是速度空間;Ω（t－1）是屬于在（t－1）幀的目標(biāo)區(qū)域的像素。Θ（R）（t）是Θbackground（t）減去Θ（I）（t）的一個(gè)邊緣，Θbackground（t）而是一個(gè)背景邊緣地圖。

利用邊緣運(yùn)動(dòng)移除與跟蹤目標(biāo)運(yùn)動(dòng)不同的背景邊緣，該方法不依賴邊緣地圖的復(fù)雜程度，能準(zhǔn)確地去除所有不同運(yùn)動(dòng)的背景邊緣像素。

1.1.2 邊界邊緣像素選擇

首先進(jìn)行圖像的梯度的計(jì)算。

圖1 參數(shù)輪廓中的輪廓正常方向的亮度計(jì)算

沿著輪廓上每個(gè)像素點(diǎn)r（si）的正常方向的平均彩色梯度D（r（si））用式（3）計(jì)算。r（si）是r（s）像素點(diǎn)之一。D（r（si））的計(jì)算過程如下:1）在方向r'⊥（s）和r'（s）的兩個(gè)主要軸上畫一個(gè)橢圓，尺度是適當(dāng)可調(diào)的。2）將橢圓中的像素點(diǎn)分成兩部分，用沿著r'（s）方向的一條線，如圖1b所示。3）計(jì)算被r（s）分開的兩個(gè)部分的像素平均亮度值，計(jì)算的結(jié)果就是（r（si）），圖1c表示像素的輪廓正常方向，像素屬于

下面介紹邊界邊緣像素選擇的過程。

圖2 預(yù)測(cè)輪廓

1.2 基于邊緣檢測(cè)的輪廓跟蹤

2 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)中的視頻是從網(wǎng)站收集到的，用MATLAB進(jìn)行仿真，跟蹤結(jié)果為:在高速運(yùn)轉(zhuǎn)的月餅生產(chǎn)流水線上，產(chǎn)品快速移動(dòng)，產(chǎn)品的輪廓尺寸隨著人與相機(jī)的相對(duì)位置發(fā)生變化。同時(shí)，車間的背景存在一些復(fù)雜的紋理，也產(chǎn)生了一些復(fù)雜的邊緣，使得輪廓的跟蹤變得困難。采用本文的跟蹤算法可以得到精確的跟蹤，如圖3所示。

圖3 仿真結(jié)果

3 總結(jié)

本文中，為了改進(jìn)在流水線中用靜態(tài)攝像機(jī)拍攝的視頻流中的紋理目標(biāo)的跟蹤精度提出了一種新的輪廓復(fù)雜方法。該方法選擇了跟蹤目標(biāo)邊界周圍的有效的邊緣，邊界邊緣選擇包括兩步，首先，利用目標(biāo)和背景邊緣運(yùn)動(dòng)的不同移除背景邊緣。有不同運(yùn)動(dòng)的邊緣被認(rèn)為是多余的背景邊緣被移除掉。其次，采用計(jì)算從第一步輸出跟蹤輪廓的相同方向的產(chǎn)生物來選擇邊界邊緣。

精確的選擇輪廓邊緣不會(huì)受噪聲邊緣的影響，為了表示這個(gè)更新的輪廓，用到了水蛇模型。盡管目標(biāo)邊緣是復(fù)雜的，邊緣也能足夠好的提取。實(shí)驗(yàn)結(jié)果表明，本文的方法進(jìn)行的邊界邊緣檢測(cè)并進(jìn)行適當(dāng)?shù)倪x擇是足夠能處理在復(fù)雜的背景下目標(biāo)形狀的變化，基于邊界邊緣選擇的跟蹤是非常成功的。

產(chǎn)品流水線實(shí)時(shí)檢測(cè)所涉及的相關(guān)技術(shù)很多，而且要取得有效的檢測(cè)效果，往往要對(duì)不同的產(chǎn)品及檢測(cè)要求采取特殊的技術(shù)手段。除了如何有效解決流水線上運(yùn)動(dòng)產(chǎn)品圖像跟蹤以外，在以后對(duì)工作中如何提高高速流水線的產(chǎn)品檢測(cè)實(shí)時(shí)性、可靠性及智能化等問題作進(jìn)一步研究。

：

［1］NERI A，COLONNESE S，RUSSO C，et al.Automatic moving object and background separation［J］.Signal Processing，1998，66（2）:219－232.

［2］BARRON J，F(xiàn)LEET D，BEAUCHEMIN S.Performance of optical flow techniques［J］.International Journal of Computer Vision，1994，12（1）:42－77.

［3］STAUFFER C，GRIMSON W E L.Adaptive background mixture models for real－time tracking［C］//Proc.IEEE Conference on Computer Vision and Pattern Recognition，1999.Fort Collins，CO，USA:IEEE Press，1999:246－252.

［4］KASS M，WITKIN A，TERZOPOULOS D.Snakes:active contour models［J］.Int.J.Computer Vision，1987，1（4）:321－331.

［5］PETERFREUND N.Robust tracking of position and velocity with Kalman snakes［J］.IEEE Trans.Pattern Anal.Mach.Intell.，1999，21（6）:564－569.

［6］FU Y，ERDEM A T，TEKALP A M.Tracking visible boundary of objects using occlusion adaptive motion snake［J］.IEEE Trans.Image Process，2000，9（12）:2051－2060.

［7］PARAGIOS N，DERICHE R.Geodesic active contours and level sets for the detection and tracking of moving objects［J］，IEEE Trans.Pattern A-nal.Mach.Intell.，2000，22（3）:266－280.

［8］NGUYEN H T，WORRING M，VAN DEN BOOMGAARD R，et al.Tracking nonparameterized object contours in video［J］.IEEE Trans.Image Process，2002，11（9）:1081－1091.

［9］ROH M，KIM T，PARK J，et al.Accurate object contour tracking based on boundary edge selection［J］.Pattern Recognition，2007，40（3）:931－943.