基于壓路機(jī)多角度判別的傾軋軌跡面檢測(cè)算法

范榮全，林明星，劉克亮，張 勁，劉俊勇+，劉友波

(1.國(guó)家電網(wǎng)四川省電力公司 建設(shè)部，四川 成都 610041；2.國(guó)家電網(wǎng)四川省電力公司 天府新區(qū)供電公司，四川 成都 610041；3.國(guó)家電網(wǎng)四川省電力公司 阿壩供電公司， 四川 阿壩 623200；4.四川大學(xué) 電氣工程學(xué)院，四川 成都 610065)

0 引 言

近年來(lái)，施工管理的信息化是一個(gè)研究熱點(diǎn)。但相比于其它行業(yè)，建筑業(yè)的施工及相關(guān)管理活動(dòng)依然主要依靠人完成。在此背景下，運(yùn)用新技術(shù)變革傳統(tǒng)施工管理方式，構(gòu)建智慧工地系統(tǒng)，具有顯著的探索意義和實(shí)踐價(jià)值。本研究主要針對(duì)在施工場(chǎng)景中，壓路機(jī)在地面行駛的軌跡測(cè)量問(wèn)題。

在智慧工地的車輛研究中，施工車輛的軌跡面積實(shí)時(shí)監(jiān)控是重要內(nèi)容之一，特別是壓路機(jī)等對(duì)路面進(jìn)行操作的車輛，獲取其行駛的軌跡面積是保證其行駛安全和完成相關(guān)任務(wù)的基礎(chǔ)。在施工車輛行駛軌跡測(cè)量方面，有學(xué)者進(jìn)行了研究：例如，GPS技術(shù)與溫度、壓實(shí)度傳感器被廣泛用于施工場(chǎng)景下壓路機(jī)對(duì)路的碾壓遍數(shù)與線軌跡測(cè)量中[1]；阮樹斌等[2]通過(guò)車牌及時(shí)間戳排序提取出行鏈，基于K則最短路徑算法及灰色關(guān)聯(lián)法，對(duì)機(jī)動(dòng)車的出行軌跡進(jìn)行補(bǔ)全重構(gòu)。于青青等[3]利用KLT方法檢測(cè)視頻中的運(yùn)動(dòng)角點(diǎn)，確定運(yùn)動(dòng)車輛位置，再利用壓縮跟蹤方法，提取視頻序列中運(yùn)動(dòng)車輛完整的運(yùn)動(dòng)軌跡，較為準(zhǔn)確地描述了路側(cè)停車的動(dòng)態(tài)過(guò)程。

目前對(duì)車輛的軌跡測(cè)量方面的研究，大都是對(duì)車輛的線狀軌跡進(jìn)行跟蹤，還沒(méi)有涉及車輛的軌跡面積測(cè)量問(wèn)題，而在壓路機(jī)的運(yùn)行中，測(cè)量其運(yùn)行軌跡面積對(duì)施工管理是必要的。

因此，本研究針對(duì)壓路機(jī)的軌跡面積測(cè)量提出了一種基于壓路機(jī)多角度判別的傾軋軌跡面積自動(dòng)檢測(cè)算法。為了定位壓路機(jī)傾軋路徑，實(shí)時(shí)監(jiān)控壓路機(jī)的覆蓋情況，首先，在首幀圖像中確定目標(biāo)車輛，再利用Mean-Shift目標(biāo)跟蹤算法[4]實(shí)現(xiàn)目標(biāo)車輛的跟蹤，輸出目標(biāo)車輛位置坐標(biāo)；其次，基于本文提出的BOF-MCF(bag-of-feature-matched correlation filter)特征參數(shù)識(shí)別壓路機(jī)的角度信息；最后，對(duì)于不同角度的壓路機(jī)，使用不同的軌跡面測(cè)量方法得到壓路機(jī)的傾軋軌跡面。實(shí)驗(yàn)結(jié)果表明，本研究有助于實(shí)時(shí)監(jiān)測(cè)工地傾軋情況，提升施工工地的管控效率。

1 基于壓路機(jī)多角度判別的傾軋軌跡面自動(dòng)檢測(cè)算法

為了定位壓路機(jī)傾軋軌跡面，實(shí)現(xiàn)壓路機(jī)填方壓實(shí)過(guò)程的實(shí)時(shí)監(jiān)控，本文提出了基于多角度壓路機(jī)判別的傾軋軌跡面自動(dòng)檢測(cè)算法。該算法主要包括壓路機(jī)的實(shí)時(shí)定位、角度識(shí)別及軌跡面自動(dòng)檢測(cè)3部分。首先，基于Mean-Shift算法對(duì)壓路機(jī)進(jìn)行位置跟蹤，定位目標(biāo)車輛。其次，搭建多角度壓路機(jī)樣本訓(xùn)練庫(kù)，結(jié)合本文提出的BOF-MCF特征參數(shù)對(duì)目標(biāo)圖像進(jìn)行角度判別。最后，對(duì)于不同角度的壓路機(jī)，提出不同的自動(dòng)分割算法，實(shí)現(xiàn)壓路機(jī)輪廓自動(dòng)提取，再基于LSD[5](line segment detector)算法自動(dòng)檢測(cè)壓路機(jī)的碾輪軸長(zhǎng)/架長(zhǎng)，并將相鄰兩幀所檢測(cè)到的橫桿直線相連得到四邊形，最終得到施工車輛傾軋軌跡面?；诙嘟嵌葔郝窓C(jī)路徑識(shí)別的傾軋軌跡面自動(dòng)檢測(cè)算法總流程如圖1所示。

圖1 基于壓路機(jī)多角度判別的傾軋軌跡面檢測(cè)算法總流程

1.1 基于Mean-Shift算法的壓路機(jī)目標(biāo)跟蹤

本文基于Mean-Shift跟蹤算法[4]，實(shí)現(xiàn)壓路機(jī)的自動(dòng)目標(biāo)跟蹤。首先分別計(jì)算壓路機(jī)目標(biāo)區(qū)域和候選區(qū)域內(nèi)像素的特征概率，以此得到目標(biāo)模型和候選模型的描述。然后利用相似函數(shù)度量壓路機(jī)初始幀目標(biāo)模型和當(dāng)前幀的候選模型的相似性，選擇使相似函數(shù)最大的候選模型并得到目標(biāo)模型的Mean-Shift向量，該向量正是目標(biāo)由初始位置移動(dòng)到下一位置的向量，通過(guò)不斷的迭代計(jì)算Mean-Shift向量，算法最終將收斂到壓路機(jī)的真實(shí)位置，達(dá)到目標(biāo)跟蹤的目的。

1.2 本文提出的基于BOF-MCF特征參數(shù)的壓路機(jī)多角度自動(dòng)識(shí)別算法

本文提出BOF-MCF特征參數(shù)，實(shí)現(xiàn)壓路機(jī)多角度的自動(dòng)識(shí)別。該算法提取基于多角度壓路機(jī)樣本訓(xùn)練庫(kù)中待識(shí)別目標(biāo)圖像的BOF(bag-of-feature)特征[6]，結(jié)合MC相關(guān)濾波器[7]對(duì)不同角度的壓路機(jī)進(jìn)行相關(guān)匹配，計(jì)算樣本訓(xùn)練庫(kù)與目標(biāo)圖像的響應(yīng)因子，得到目標(biāo)幀圖像中壓路機(jī)的角度。

1.2.1 基于目標(biāo)圖像BOF特征的匹配相關(guān)濾波器參數(shù)學(xué)習(xí)

本文提出基于匹配相關(guān)濾波器的壓路機(jī)多角度自動(dòng)檢測(cè)算法。初始化一維高斯濾波器參數(shù)，由目標(biāo)圖片的BOF特征向量更新濾波器參數(shù)，計(jì)算壓路機(jī)訓(xùn)練樣本庫(kù)中每張圖片的濾波器響應(yīng)分?jǐn)?shù)作為相關(guān)性指標(biāo)，最高響應(yīng)分?jǐn)?shù)對(duì)應(yīng)的壓路機(jī)角度即目標(biāo)圖片中壓路機(jī)的角度。

(1)基于多角度壓路機(jī)樣本訓(xùn)練庫(kù)的目標(biāo)圖像BOF特征提取

首先提取壓路機(jī)角度匹配圖像集{I1,I2,…Im}中每一區(qū)域的特征，再通過(guò)K均值聚類方法將特征聚類，每個(gè)聚類中心形成一個(gè)有代表性的特征單詞(word)，圖像集所提取到的n個(gè)特征單詞即構(gòu)成特征詞典Feature_dictionary，即{word1,word2,…wordn}，最后，每一張圖片通過(guò)特征詞典中單詞出現(xiàn)的概率直方圖構(gòu)成的n維特征向量{v1,v2,…vn}表征，壓路機(jī)圖片BOF特征計(jì)算過(guò)程如圖2所示。

圖2 壓路機(jī)圖片BOF特征提取流程

假設(shè)目標(biāo)圖片為I0，目標(biāo)跟蹤識(shí)別結(jié)果是單一壓路機(jī)，I0的主體元素為壓路機(jī)本身和泥土背景，沒(méi)有太多其它干擾因素，因此使用BOF特征詞袋方法可以有效地表征壓路機(jī)的角度特征，高效識(shí)別目標(biāo)圖片中的壓路機(jī)角度。

(1)

(2)匹配相關(guān)濾波器參數(shù)自適應(yīng)學(xué)習(xí)

(2)

其中，式(2)中，*表示循環(huán)相關(guān)，第二項(xiàng)加數(shù)是權(quán)重為ε的濾波器參數(shù)正則化。一般理想的相關(guān)響應(yīng)輸出為參數(shù)化標(biāo)準(zhǔn)差的高斯函數(shù)，因此初始化濾波器參數(shù)時(shí)設(shè)置高斯濾波器。

式(2)為典型的線性最小二乘問(wèn)題，使用Parseval定理[8]將式(2)轉(zhuǎn)換到頻域，可計(jì)算出使式(2)結(jié)果最小的濾波器為

(3)

(4)

(5)

其中，ω是濾波器更新速率參數(shù)，利用新一幀圖像的BOF特征的離散傅里葉變換Vnew>，結(jié)合當(dāng)前濾波器參數(shù)Bnow和Dnow>，得到新一幀目標(biāo)圖像的濾波器參數(shù)，表征當(dāng)前幀圖像中壓路機(jī)的角度信息，更好地匹配多角度壓路機(jī)訓(xùn)練樣本庫(kù)中的圖片。

1.2.2 基于BOF-MCF的相關(guān)濾波響應(yīng)

(6)

其中，Bnow和Dnow是根據(jù)當(dāng)前目標(biāo)圖像BOF特征計(jì)算得到的濾波器參數(shù)，λ為常數(shù)，保證分母不為0。此處計(jì)算的結(jié)果為相關(guān)分?jǐn)?shù)的離散傅里葉變換，為了得到實(shí)相關(guān)分?jǐn)?shù)，對(duì)計(jì)算結(jié)果做傅里葉逆變換，取實(shí)數(shù)部分記為樣本訓(xùn)練庫(kù)圖像Im與當(dāng)前目標(biāo)圖片的相關(guān)分?jǐn)?shù)

(7)

最后，相關(guān)分?jǐn)?shù)更高的圖片即認(rèn)為是目標(biāo)圖片最匹配的對(duì)象，該對(duì)象的角度標(biāo)簽即認(rèn)為是目標(biāo)圖片中壓路機(jī)的角度。若角度自動(dòng)檢測(cè)結(jié)果為Ⅰ型角度，輸出圖片I′，若角度自動(dòng)檢測(cè)結(jié)果為Ⅱ型角度，輸出圖片I″。

1.3 基于不同角度下壓路機(jī)的傾軋路徑面自動(dòng)提取算法

由于拍攝角度不同，壓路機(jī)傾軋長(zhǎng)度提取算法不同。針對(duì)不同角度下的壓路機(jī)，本文提出了不同的傾軋長(zhǎng)度檢測(cè)線。如圖3所示，當(dāng)壓路機(jī)處于正面、前側(cè)面和側(cè)面時(shí)，提取壓路機(jī)前方碾輪軸長(zhǎng)作為壓路機(jī)傾軋長(zhǎng)度；當(dāng)壓路機(jī)處于背側(cè)面和背面時(shí)，碾輪軸長(zhǎng)被車身遮擋，因此檢測(cè)壓路機(jī)后車架長(zhǎng)作為壓路機(jī)傾軋長(zhǎng)度。圖中的白色虛線表示的是壓路機(jī)的碾輪軸長(zhǎng)/架長(zhǎng)。

圖3 不同角度的壓路機(jī)及其碾輪軸長(zhǎng)/架長(zhǎng)

由于壓路機(jī)位于正面及背面時(shí)，圖像色彩較為單一，相比于側(cè)面擁有更少的精細(xì)結(jié)構(gòu)。而側(cè)面壓路機(jī)圖像黃色區(qū)域較多，所以本文將壓路機(jī)位于正面及背面時(shí)稱為Ⅰ型角度壓路機(jī)，將壓路機(jī)位于正側(cè)面、側(cè)面、背側(cè)面時(shí)稱為Ⅱ型角度壓路機(jī)。

本文提出基于Ⅰ型與Ⅱ型角度下的壓路機(jī)傾軋路徑面算法：首先對(duì)壓路機(jī)圖像進(jìn)行ROI粗定位與二級(jí)分割算法，自動(dòng)分割出壓路機(jī)輪廓，并根據(jù)輪廓線提取其碾輪軸長(zhǎng)/架長(zhǎng)，再將相鄰兩幀檢測(cè)到的碾輪軸長(zhǎng)/架長(zhǎng)兩端相連，得幀間差四邊形，最終將整個(gè)視頻中所有幀間差四邊形疊加，得到壓路機(jī)傾軋的路徑面。

1.3.1 基于色彩空間轉(zhuǎn)換及Otsu算法的ROI粗定位

(1)I型角度下壓路機(jī)的ROI粗定位

壓路機(jī)與土地等背景在常用的HSI色彩空間中難以區(qū)分，圖4(a)為壓路機(jī)灰度直方圖，存在多個(gè)峰值，區(qū)分度較?。欢鳦MY色彩空間中的C分量直方圖存在明顯的雙峰，能夠較好地區(qū)分壓路機(jī)與背景，如圖4(b)所示。

圖4 壓路機(jī)灰度直方圖及C分量直方圖

圖5(a)表示的是壓路機(jī)原圖I′，壓路機(jī)圖像I′進(jìn)行色彩空間轉(zhuǎn)換，其轉(zhuǎn)換公式如下

圖5 I型角度壓路機(jī)的ROI粗定位步驟的結(jié)果

(8)

(2)Ⅱ型角度下壓路機(jī)的ROI粗定位

相較于I型角度壓路機(jī)圖像，Ⅱ型角度壓路機(jī)圖像的黃色區(qū)域大且細(xì)節(jié)結(jié)構(gòu)較多。因此Ⅱ型角度壓路機(jī)的ROI粗定位算法應(yīng)在HSI色彩空間中利用色調(diào)分量提取黃色區(qū)域，以及提取CMY色彩空間中C分量使壓路機(jī)與背景區(qū)分度變大，并進(jìn)一步使用Otsu算法進(jìn)行處理。

圖6 Ⅱ型角度壓路機(jī)的ROI粗定位步驟的結(jié)果

1.3.2 基于形態(tài)學(xué)及DOG(difference of two-Gaussians functions)算子的壓路機(jī)輪廓二級(jí)定位

為了更好地提取壓路機(jī)碾輪軸長(zhǎng)/架長(zhǎng)，需要將所得壓路機(jī)ROI圖像Ibw進(jìn)行形態(tài)學(xué)操作，以去除背景等干擾項(xiàng)對(duì)分割結(jié)果的影響。在對(duì)壓路機(jī)圖像進(jìn)行ROI粗定位后，ROI圖像Ibw存在駕駛艙位置等部分缺失，因此利用孔洞填充將部分丟失的位置進(jìn)行填補(bǔ)。其公式如下

Ik=(Ik-1⊕B)∩Ibwk=1,2,3…

(9)

其中，B為3×3的對(duì)稱結(jié)構(gòu)元，其中心元素為1其余部分為0；Ik是與壓路機(jī)圖像Ibw尺寸相同的陣列，I0為全0矩陣，Ik為當(dāng)前所填充的孔洞陣列。當(dāng)給定每個(gè)孔洞中的一個(gè)點(diǎn)后，用式(9)進(jìn)行迭代填充所有孔洞，當(dāng)Ik=Ik-1時(shí)算法在迭代的第k步結(jié)束。Ik和A的并集包含所有填充的孔洞及這些孔洞的邊界，如圖7(a)。再去除孤立小面積對(duì)象，將圖像Ik中混雜的土地和雜物等非壓路機(jī)區(qū)域得到更為準(zhǔn)確的輪廓圖像Ie，避免干擾，如圖7(b)所示。由于壓路機(jī)輪廓Ie存在較多噪聲及毛刺，所以采用中值濾波[10]對(duì)壓路機(jī)分割圖像Ie進(jìn)行平滑,其公式如下

Im=median[Ie(x-1,y-1)+Ie(x,y-1)+Ie(x+1,y-1)+Ie(x-1,y)+Ie(x,y)+Ie(x+1,y)+Ie(x-1,y+1)+Ie(x,y+1)+Ie(x+1,y+1)]

(10)

其中，x，y分別為圖像Im的橫縱坐標(biāo)(如圖7(c)所示)，中值濾波能夠減弱壓路機(jī)圖像Im中的噪聲對(duì)直線檢測(cè)的影響，保證直線檢測(cè)時(shí)的有效性和可靠性。

為了下一步提取壓路機(jī)碾輪軸長(zhǎng)/架長(zhǎng)，本研究利用DoG算子[11]對(duì)壓路機(jī)圖像Im邊緣進(jìn)行自動(dòng)提取。DoG算子計(jì)算復(fù)雜量小、且邊緣提取準(zhǔn)確、抗噪能力強(qiáng)，該算子對(duì)圖像Im進(jìn)行兩次不同的高斯變換，再進(jìn)行差分運(yùn)算，其數(shù)學(xué)表達(dá)式如下式

(11)

其中，A、B、σ1、σ2是DoG算子的參數(shù)，x、y分別為DoG算子橫縱坐標(biāo)。將所得DoG算子與圖像Im卷積，得到壓路機(jī)輪廓的自動(dòng)分割I(lǐng)DoG，實(shí)現(xiàn)壓路機(jī)邊緣的二級(jí)分割，其自動(dòng)分割結(jié)果如圖7(d)所示。

圖7 輪廓精定位步驟的結(jié)果

1.3.3 基于LSD的碾輪軸長(zhǎng)/架長(zhǎng)自動(dòng)檢測(cè)

本文利用LSD算法[7]檢測(cè)出候選的碾輪軸長(zhǎng)/架長(zhǎng)區(qū)域，然后根據(jù)實(shí)際需求篩選目標(biāo)碾輪軸長(zhǎng)/架長(zhǎng)，達(dá)到檢測(cè)壓路機(jī)碾輪軸長(zhǎng)/架長(zhǎng)目的，碾輪軸長(zhǎng)/架長(zhǎng)檢測(cè)算法流程圖如圖8所示。

圖8 碾輪軸長(zhǎng)/架長(zhǎng)檢測(cè)算法流程

LSD直線檢測(cè)算法首先計(jì)算圖像中所有點(diǎn)的梯度大小和方向，然后將梯度方向變化小且相鄰的點(diǎn)作為一個(gè)連通域，接著對(duì)每一個(gè)域進(jìn)行矩形驗(yàn)證，按照規(guī)則將其斷開(kāi)以形成多個(gè)域，最后對(duì)生成的所有的域做改善和篩選，保留其中滿足條件的域，即為最后的直線檢測(cè)結(jié)果。該算法的優(yōu)點(diǎn)在于檢測(cè)速度快，而且無(wú)需參數(shù)調(diào)節(jié)，提高了直線檢測(cè)的準(zhǔn)確度。具體的計(jì)算步驟如下：

(1)梯度計(jì)算及偽排序：首先利用式(12)對(duì)壓路機(jī)輪廓圖IDoG中每個(gè)像素點(diǎn)IDoG(x,y)的右下方的4個(gè)像素進(jìn)行梯度計(jì)算，找到可能有線段邊緣的地方。其中式(13)及式(14)分別是像素點(diǎn)IDoG(x,y)在x,y方向上的一階微分。然后對(duì)梯度值按照其的分布進(jìn)行一定程度的排序，偽排序?qū)r(shí)間縮短到O(n)線性時(shí)間內(nèi)

(12)

(13)

(14)

(2)分割水平線場(chǎng)得到LSR(line support regions)區(qū)域：每個(gè)像素點(diǎn)梯度的垂直方向角度是像素點(diǎn)的水平線角度，可利用式(15)求得

(15)

所有點(diǎn)的水平線角度形成了一個(gè)水平線場(chǎng)，依據(jù)水平線角度用區(qū)域生長(zhǎng)的方法將水平線場(chǎng)切割成若干個(gè)連通域，每個(gè)連通域中所有像素點(diǎn)的水平線角度變化不能超過(guò)一個(gè)容忍值τ，這樣的連通域稱為線支持區(qū)域，每個(gè)線支持區(qū)域都是碾輪軸長(zhǎng)/架長(zhǎng)的候選區(qū)。

其中區(qū)域生長(zhǎng)的方法是利用偽排序得到的排序列表中梯度幅值大的點(diǎn)作為種子點(diǎn)，以該點(diǎn)的水平線角度作為區(qū)域的初始角度θregion，然后在八鄰域中尋找與θregion的偏差小于容忍值τ的點(diǎn)，然后將該點(diǎn)加入到區(qū)域中并更新，更新算法如下

(16)

其中，j表示遍歷時(shí)的像素點(diǎn)下標(biāo)，當(dāng)區(qū)域中所有點(diǎn)的八鄰域中都不滿足與θregion的偏差小于容忍值τ時(shí)，停止生長(zhǎng)。誤差容忍值τ默認(rèn)被設(shè)為22.5，對(duì)于整個(gè)區(qū)域矩形來(lái)說(shuō)，誤差容忍度是45°。由于梯度值小的像素對(duì)應(yīng)于圖像中平滑或者變化較緩的區(qū)域，而它們?cè)诹炕瘯r(shí)將會(huì)引起更大的梯度計(jì)算誤差，所以需要通過(guò)設(shè)置梯度閾值，使梯度值小于梯度閾值的點(diǎn)不會(huì)在LSR中使用。

(3)矩形驗(yàn)證：為了得到更準(zhǔn)確更小的可能碾輪軸長(zhǎng)/架長(zhǎng)所在的區(qū)域，需要利用Contrario方法和Helmholtz法則[7]對(duì)LSR進(jìn)行矩形驗(yàn)證。對(duì)IDoG的LSD檢測(cè)結(jié)果如圖9(a)所示，圖中的粗黑直線是檢測(cè)出來(lái)的直線，可根據(jù)實(shí)際需求篩選掉碾輪軸長(zhǎng)/架長(zhǎng)。

圖9 碾輪軸長(zhǎng)結(jié)果

(4)篩選目標(biāo)碾輪軸長(zhǎng)/架長(zhǎng)：在本文中，為了快速篩選目標(biāo)橫桿直線，我們先對(duì)橫桿位置進(jìn)行初定位，因?yàn)闄M桿位置位于壓路機(jī)靠下位置，所以我們選取壓路機(jī)圖像下1/2部分來(lái)進(jìn)行直線結(jié)構(gòu)的提取。然后對(duì)于不同角度的壓路機(jī)有不同的橫桿約束條件。

正面背面橫桿約束條件為：直線角度的絕對(duì)值應(yīng)在±20°內(nèi)，且直線長(zhǎng)度大于圖片寬度的1/2。圖9(b)中的粗黑直線最終篩選出來(lái)的橫桿結(jié)果。

側(cè)面、前側(cè)面、后側(cè)面橫桿約束條件為：直線角度的絕對(duì)值應(yīng)在±10°內(nèi)，且直線長(zhǎng)度大于圖片寬度的1/2。

使用以上約束條件對(duì)初定位的可能碾輪軸長(zhǎng)/架長(zhǎng)進(jìn)行判斷，最終得到我們想要得到的不同角度的碾輪軸長(zhǎng)/架長(zhǎng)，用于傾軋面積的識(shí)別。

1.3.4 幀間差四邊形構(gòu)建

將相鄰兩幀圖像中所檢測(cè)到的碾輪軸長(zhǎng)/架長(zhǎng)直線的兩端相連，如圖10中虛線連接的直線A1A2和B1B2，構(gòu)成幀間差四邊形A1A2B2B1，該四邊形即為相鄰兩幀內(nèi)壓路機(jī)的傾軋路徑面。

圖10 正面壓路機(jī)幀間四邊形的疊加

將視頻中所有相鄰兩幀的幀間差四邊形疊加，即可表示出該視頻中壓路機(jī)完整的傾軋軌跡面，如圖11所示。

圖11 各個(gè)角度壓路機(jī)傾軋路徑軌跡面結(jié)果

2 實(shí)驗(yàn)數(shù)據(jù)庫(kù)

2.1 施工現(xiàn)場(chǎng)視頻數(shù)據(jù)庫(kù)

本實(shí)驗(yàn)測(cè)試視頻數(shù)據(jù)由大疆無(wú)人機(jī)在國(guó)家電網(wǎng)施工現(xiàn)場(chǎng)30 m高度實(shí)地航拍得到。無(wú)人機(jī)采集視頻格式為mp4，共采集施工現(xiàn)場(chǎng)視頻15段，視頻平均時(shí)長(zhǎng)70 s，視頻分辨率為1080 P，即圖片像素為1920*1080，幀率為25，共10 629幀圖像。

視頻中無(wú)人機(jī)與壓路機(jī)相對(duì)位置隨機(jī)，視頻中包含1-3個(gè)不同的施工車型，壓路機(jī)概貌完整，包含完整的壓路機(jī)行駛過(guò)程。

2.2 多角度壓路機(jī)的訓(xùn)練樣本庫(kù)搭建

由于無(wú)人機(jī)與壓路機(jī)的相對(duì)位置不同，視頻中壓路機(jī)的角度不同。壓路機(jī)向靠近無(wú)人機(jī)的方向行駛時(shí)，壓路機(jī)的碾輪完整可見(jiàn)，此時(shí)用碾輪軸長(zhǎng)表示壓路機(jī)的傾軋面；壓路機(jī)向遠(yuǎn)離無(wú)人機(jī)的方向行駛時(shí)，壓路機(jī)的碾輪被遮擋，無(wú)法用碾輪軸長(zhǎng)表示傾軋面。為了準(zhǔn)確識(shí)別壓路機(jī)傾軋軌跡面，本文在識(shí)別壓路機(jī)傾軋軌跡前先實(shí)現(xiàn)壓路機(jī)角度的自動(dòng)識(shí)別，對(duì)于不同角度的壓路機(jī)，提出不同的壓路機(jī)傾軋面自動(dòng)檢測(cè)算法。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 壓路機(jī)角度判別對(duì)比實(shí)驗(yàn)

3.1.1 壓路機(jī)角度判別實(shí)驗(yàn)結(jié)果

圖像的BOF特征表征了圖像的區(qū)域特征信息，涵蓋了壓路機(jī)的角度信息，通過(guò)多角度壓路機(jī)樣本訓(xùn)練庫(kù)中基準(zhǔn)圖片的匹配相關(guān)濾波響應(yīng)，可準(zhǔn)確識(shí)別目標(biāo)圖像中壓路機(jī)的角度信息。

整段壓路機(jī)視頻角度識(shí)別結(jié)果如圖12所示。

圖12中，橫坐標(biāo)表示視頻幀數(shù)，縱坐標(biāo)表示壓路機(jī)角度數(shù)值化的結(jié)果，壓路機(jī)的“正面”、“正側(cè)”、“側(cè)面”、“背側(cè)”和“側(cè)面”分別對(duì)應(yīng)數(shù)值2、1.5、1、0.5、0。由圖可知，壓路機(jī)視頻中只存在單個(gè)角度時(shí)，識(shí)別正確率較高，但若存在角度轉(zhuǎn)變，則正確率有所下降。因?yàn)閴郝窓C(jī)行駛速度較慢，相鄰幀之間的偏移不大，導(dǎo)致在兩個(gè)角度的臨界位置難以判斷其真實(shí)角度，出現(xiàn)角度判斷錯(cuò)誤的圖片。

圖12 壓路機(jī)多角度識(shí)別結(jié)果

3.1.2 壓路機(jī)角度判別對(duì)比實(shí)驗(yàn)分析

圖像匹配可以通過(guò)不同的特征進(jìn)行相關(guān)濾波實(shí)現(xiàn)，典型的圖像特征包括方向梯度直方圖[16-18](histogram of orie-nted gridients，HOG)特征、輪廓(Outline)特征[12-14]等，本文采用7段視頻對(duì)比上述特征與匹配相關(guān)濾波相結(jié)合實(shí)現(xiàn)壓路機(jī)角度識(shí)別效果和基于BOF-MCF的角度識(shí)別效果，7段視頻包含的角度信息為：“正側(cè)”、“正側(cè)-正面-正側(cè)”、“正側(cè)-側(cè)面”、“正面”、“背側(cè)-背面”、“背側(cè)”、“側(cè)面”，結(jié)果見(jiàn)表1。

表1 基于不同特征的MCF壓路機(jī)角度識(shí)別效果對(duì)比

表1的可視化結(jié)果如圖13所示。

圖13 不同圖像特征對(duì)應(yīng)的壓路機(jī)視頻識(shí)別正確率

對(duì)比表1的結(jié)果可知， 基于BOF特征的匹配相關(guān)濾波器可以精準(zhǔn)高效地識(shí)別壓路機(jī)的角度信息，角度識(shí)別正確率均在90%以上。其中，“正側(cè)”、“正面”和“背面”3類單一角度識(shí)別正確率高，而“側(cè)面”和有角度變化的識(shí)別率有所下降，因?yàn)橐曨l中壓路機(jī)幀間角度差較小，無(wú)人機(jī)與壓路機(jī)的相對(duì)位置的稍微偏移都會(huì)導(dǎo)致壓路機(jī)角度判別錯(cuò)誤。

壓路機(jī)圖像的BOF特征是基于匹配圖像庫(kù)計(jì)算得到的特征單詞出現(xiàn)頻率直方圖，即使圖片大小不一，也可以得到維度相同的特征向量，因此BOF特征在不對(duì)圖像做任何處理的情況下，可以較好地表征彩色圖片的特征，基本沒(méi)有信息丟失。HOG特征和輪廓特征向量的維度與圖片大小相關(guān)，而進(jìn)行匹配相關(guān)濾波的輸入?yún)?shù)必須維度一致，因此計(jì)算上述兩類特征向量之前需要對(duì)壓路機(jī)圖片進(jìn)行大小調(diào)整，大小調(diào)整處理涉及圖像降采樣或插值，會(huì)導(dǎo)致壓路機(jī)圖像信息部分丟失或被修改，進(jìn)而造成壓路機(jī)角度信息不完整，角度識(shí)別正確率低。

3.2 基于壓路機(jī)不同角度處理的傾軋路徑面自動(dòng)提取結(jié)果與分析

為了分析本研究的碾輪軸長(zhǎng)/架長(zhǎng)檢測(cè)效果及壓路機(jī)傾軋路徑面檢測(cè)性能，本實(shí)驗(yàn)每隔10幀手動(dòng)標(biāo)定一次標(biāo)準(zhǔn)樣本，其中包含正面78幀的壓路機(jī)碾輪軸長(zhǎng)、前側(cè)面46幀的壓路機(jī)碾輪軸長(zhǎng)、側(cè)面25幀的壓路機(jī)碾輪軸長(zhǎng)、后側(cè)面50幀的壓路機(jī)架長(zhǎng)以及背面80幀的架長(zhǎng)作為本實(shí)驗(yàn)的標(biāo)準(zhǔn)樣本。

3.2.1 碾輪軸長(zhǎng)/架長(zhǎng)實(shí)驗(yàn)結(jié)果與分析

本研究利用LSD對(duì)碾輪軸長(zhǎng)/架長(zhǎng)進(jìn)行檢測(cè)，為了分析LSD的檢測(cè)效果，本實(shí)驗(yàn)通過(guò)標(biāo)準(zhǔn)的碾輪軸長(zhǎng)/架長(zhǎng)與檢測(cè)的碾輪軸長(zhǎng)/架長(zhǎng)的絕對(duì)角度差Δθ進(jìn)行分析。其中絕對(duì)角度差Δθ的定義如下：

假設(shè)一條標(biāo)準(zhǔn)碾輪軸長(zhǎng)/架長(zhǎng)的兩個(gè)端點(diǎn)坐標(biāo)分別為A1(x1,y1)、B1(x2,y2)，一條通過(guò)LSD算法檢測(cè)出來(lái)的碾輪軸長(zhǎng)/架長(zhǎng)的兩個(gè)端點(diǎn)坐標(biāo)分別為A2(x3,y3)、B2(x4,y4)，則有

(17)

根據(jù)式(17)，本實(shí)驗(yàn)計(jì)算了壓路機(jī)5個(gè)角度的絕對(duì)角度差Δθ。壓路機(jī)5個(gè)角度的絕對(duì)角度差Δθ大小的占比見(jiàn)表2。

表2 壓路機(jī)5個(gè)角度的絕對(duì)角度差Δθ大小的占比/%

由表2可知，標(biāo)準(zhǔn)的碾輪軸長(zhǎng)/架長(zhǎng)與檢測(cè)的碾輪軸長(zhǎng)/架長(zhǎng)的絕對(duì)角度差Δθ主要分布在0°～5°的范圍，絕對(duì)角度Δθ差的范圍較小，LSD的檢測(cè)效果較好，具有實(shí)際意義，適用于本研究的壓路機(jī)碾輪軸長(zhǎng)/架長(zhǎng)檢測(cè)。

3.2.2 壓路機(jī)傾軋路徑面檢測(cè)結(jié)果與分析

為了評(píng)估本研究提出算法的壓路機(jī)傾軋路徑面檢測(cè)性能，利用Dice系數(shù)[15](the Dice similarity coefficient)、過(guò)識(shí)別率、欠識(shí)別率作為評(píng)估路徑面識(shí)別結(jié)果的指標(biāo)。使用Dice系數(shù)作為算法提取及手動(dòng)標(biāo)記的壓路機(jī)路徑面的重疊部分度量，代表本研究算法所提取的傾軋路徑面結(jié)果與手動(dòng)標(biāo)記結(jié)果的相似度，其公式如式(18)所示

(18)

其中，TS為提出算法輸出的壓路機(jī)傾軋路徑面集合，RS為手動(dòng)標(biāo)記的參考路徑面集合。

過(guò)識(shí)別率：即識(shí)別結(jié)果在手動(dòng)標(biāo)記的參考路徑面之外的像素點(diǎn)的占比，其公式如式(19)所示

(19)

式中：OS表示識(shí)別結(jié)果中不被包含在參考路徑面結(jié)果中的像素點(diǎn)個(gè)數(shù)。OSR值越大則說(shuō)明本研究提出的算法過(guò)識(shí)別越嚴(yán)重。

欠識(shí)別率：即識(shí)別結(jié)果在參考路徑面之中所缺少的像素點(diǎn)的占比，其公式如式(20)所示

(20)

式中：US表示在參考路徑面結(jié)果中沒(méi)有被包含在本研究算法識(shí)別結(jié)果中的像素點(diǎn)個(gè)數(shù),且USR值越大則說(shuō)明本研究提出算法的檢測(cè)結(jié)果欠識(shí)別越嚴(yán)重。表3為本研究測(cè)試結(jié)果的Dice系數(shù)、過(guò)識(shí)別率、欠識(shí)別率結(jié)果。

表3 提出算法的性能分析結(jié)果

由表3中參數(shù)可知，本文提出的算法DSC參數(shù)在83.00%-92.72%的范圍內(nèi)，說(shuō)明路徑面識(shí)別結(jié)果與手動(dòng)標(biāo)記參考結(jié)果相似度高，且過(guò)識(shí)別率和欠識(shí)別率較低，則提出算法所得結(jié)果誤差較小，適用于不同角度的壓路機(jī)傾軋路徑面自動(dòng)檢測(cè)。

4 結(jié)束語(yǔ)

本研究針對(duì)施工車輛的軌跡面積測(cè)量方面提出了一種基于多角度判別的施工車輛軌跡面積分析方案。首先，在首幀圖像中確定目標(biāo)車輛，再利用Mean-Shift目標(biāo)跟蹤算法實(shí)現(xiàn)目標(biāo)車輛的跟蹤，輸出目標(biāo)車輛位置坐標(biāo)；其次，基于本文提出的BOF-MCF特征參數(shù)識(shí)別壓路機(jī)的角度信息；然后，基于不同角度的壓路機(jī)，提出不同的軌跡面檢測(cè)方法。將不同角度壓路機(jī)的軌跡面相連接，最終得到施工車輛傾軋軌跡面。

整套施工車輛軌跡面積的測(cè)量方案可行性高：首先，本研究基于實(shí)際施工車輛運(yùn)行軌跡的實(shí)際情況，提出BOF-MCF特征參數(shù)來(lái)識(shí)別壓路機(jī)的角度信息，不同角度的施工車輛調(diào)用不同的軌跡面積檢測(cè)方案，測(cè)量精準(zhǔn)，適用性高；其次，在軌跡面測(cè)量中，本研究利用碾輪軸長(zhǎng)/架長(zhǎng)來(lái)替代整個(gè)施工車輛，在能表征施工車輛的同時(shí)提高整個(gè)項(xiàng)目壓路機(jī)的識(shí)別效率，最后的路徑面識(shí)別結(jié)果與手動(dòng)標(biāo)記參考結(jié)果誤差小，適用于施工車輛的軌跡面測(cè)量。

本方案可以有效跟蹤施工車輛，獲取施工車輛運(yùn)行軌跡面積，有助于實(shí)時(shí)監(jiān)測(cè)工地傾軋情況，提升施工工地的管控效率。