高旭升 陳曉榮 王原野 王子旋 徐挺

關(guān)鍵詞：邊緣檢測;模板匹配;直線擬合;圖像金字塔

0 引言（Introduction）

隨著鋁材需求的增加，鋁材的入庫和出庫頻率相應(yīng)增加，準(zhǔn)確統(tǒng)計鋁材數(shù)量對庫存調(diào)配愈發(fā)重要。傳統(tǒng)的統(tǒng)計方法通常依賴人工清點計數(shù)，但是人工計數(shù)方式不僅效率低下，而且無法確保統(tǒng)計數(shù)據(jù)的準(zhǔn)確性，此外鋁材存放環(huán)境復(fù)雜、堆積量大，在這樣的環(huán)境下采用人工計數(shù)方法統(tǒng)計鋁材的入庫和出庫數(shù)據(jù)存在巨大的安全隱患。

目前，自動化技術(shù)[1-2]在各個領(lǐng)域都有應(yīng)用。在鋁材數(shù)量統(tǒng)計方面，采用自動化技術(shù)可以提高統(tǒng)計效率和統(tǒng)計結(jié)果的準(zhǔn)確性，同時降低作業(yè)風(fēng)險。自動化的鋁材數(shù)量統(tǒng)計方法使用計算機視覺算法和圖像處理技術(shù)實現(xiàn)對鋁材數(shù)量的識別和計算，為解決傳統(tǒng)人工計數(shù)方式存在的效率低、耗時長及無法保證統(tǒng)計結(jié)果準(zhǔn)確性的問題提供了較好的方案。

1 相關(guān)研究（Related research

CHEN等[3]提出了一種基于深度學(xué)習(xí)的YOLOv4模型，通過無人機采集圖像對楊梅樹數(shù)量進行統(tǒng)計的方法。SOZZI等[4]提出了一種使用YOLO模型對每株葡萄樹進行自動化計數(shù)，實現(xiàn)對葡萄產(chǎn)量的估算。CHOWDHURY等[5]提出了一種使用無人機捕獲圖像并結(jié)合YOLOv5模型對棕櫚樹進行計數(shù)的方法。上述基于深度學(xué)習(xí)算法的檢測方法需使用大量的圖像進行訓(xùn)練且訓(xùn)練結(jié)果不能預(yù)期。馮書慶等[6]借鑒模板匹配的方法，設(shè)計了一種圖像分割掃描及特征匹配的模板檢測算法，提出了一種基于機器視覺的魚類目識別算法。楊俊杰等[7]提出了對圖像金字塔頂層使用Linemod-2D（基于特征匹配的快速目標(biāo)識別算法）的快速查表法，并結(jié)合Otsu（最大類間方差法）算法和自動雙閾值分割法對多目標(biāo)工件進行快速識別定位及分揀。應(yīng)捷等[8]運用仿射變換和模板匹配的方法對道路車位進行識別并計數(shù)。上述方法雖然不必使用大量圖像進行訓(xùn)練，但是在面對復(fù)雜圖像時，其識別速度較慢、召回率較低。

本文通過基于雙閾值的Sobel邊緣檢測算法提取模板輪廓，針對輪廓可能會出現(xiàn)斷續(xù)、凹凸不平等問題，采用直線擬合算法求出最優(yōu)的模板輪廓，提出一種基于圖像金字塔裁剪的改進圖像金字塔算法，并在此基礎(chǔ)上進行模板匹配，實現(xiàn)對鋁材的準(zhǔn)確計數(shù)。

2 模板輪廓提?。═emplate contour extraction）

本研究檢測所用圖像均由相機拍攝，采集到的鋁材待測圖像如圖1所示。

檢測所需圖像處理操作如下：首先進行圖像預(yù)處理，使用Sobel算法進行邊緣提取、直線擬合，其次采用經(jīng)過改進的圖像金字塔算法進行多目標(biāo)模板匹配等操作。測出圖像中每個板材的位置，并將檢測結(jié)果顯示在板材對應(yīng)位置。圖像處理流程圖如圖2所示。

2.1 圖像預(yù)處理

為簡化圖像處理過程，需要將采集到的圖像轉(zhuǎn)成灰度圖像，減少計算量。采集的圖像易受到光照、曝光等因素的影響，容易出現(xiàn)局部模糊、細(xì)節(jié)丟失等情況，因此需對圖像進行細(xì)節(jié)增強。

為 了增強圖像細(xì)節(jié)，經(jīng)多組實驗對比，采用導(dǎo)向濾波[9]對圖像進行增強，平滑圖像邊緣的同時，圖像的整體細(xì)節(jié)也可以得到很好的控制;實現(xiàn)原理如公式（1）和公式（2）所示：

其中：pi 為輸入圖像，Ii 為導(dǎo)向圖，qi 為濾波后的輸出圖像，系數(shù)ak 和bk 是對導(dǎo)向圖Ii 進行線性變換的參數(shù)，ni 可以看成為輸入圖像的紋理和噪聲。

原圖像如圖3（a）所示，預(yù)處理后的結(jié)果圖像如圖3（b）所示。通過圖3可以觀察到，通過導(dǎo)向濾波處理后的圖像對比原圖像，邊緣更加平滑、細(xì)節(jié)更加清晰。

2.2 模板輪廓預(yù)處理

對圖像進行預(yù)處理后，需要選擇合適的模板進行模板匹配，選擇的模板通過圖像預(yù)處理后如圖4（a）所示。本文通過Sobel邊緣檢測算法對預(yù)處理后的模板圖像進行邊緣提取。Sobel邊緣檢測算法的優(yōu)點是具有較高的抗噪聲和抗干擾能力，但在處理復(fù)雜背景的圖像時，無法嚴(yán)格區(qū)分背景和所需提取的圖像，可能導(dǎo)致提取的圖像邊緣輪廓模糊[10]。因此，本文引入滯后閾值法，用于優(yōu)化Sobel算法對邊緣輪廓的提取[11]。該方法設(shè)置高低閾值各一個，并通過遍歷像素的方法進行比對。高于高閾值的像素點，認(rèn)為是強邊緣，予以保留;低于低閾值的邊緣點，認(rèn)為是弱邊緣，予以舍棄;對于介于高低閾值的像素點，如果該像素點連接強邊緣時，予以保留，如果連接到弱邊緣時，予以舍棄。對經(jīng)過預(yù)處理后的模板圖像，運用Sobel邊緣檢測算法提取的模板輪廓如圖4（b）所示。

使用Sobel邊緣檢測算法提取的模板輪廓并不適用于直接匹配模板。如圖4（b）所示，Sobel邊緣檢測算法檢測到的邊緣可能會出現(xiàn)斷斷續(xù)續(xù)、凹凸不平的問題，因此如果直接使用該模板輪廓進行匹配，會產(chǎn)生許多錯誤匹配，并且召回率較低，無法滿足實際應(yīng)用的要求。為了優(yōu)化模板輪廓，需要對Sobel算子提取的模板輪廓進行直線擬合。

2.3 直線擬合算法

由于最小二乘法[12]對直線擬合是將時間序列中各項數(shù)據(jù)予以同等對待，直接使用最小二乘法對模板輪廓進行直線擬合，最終得到的結(jié)果并不理想。這是因為所要得到的模板輪廓不是一條簡單的直線，而是對模板圖像最貼合的邊緣?；诩訖?quán)最小二乘法的擬合，通過對臨近的像素點賦予較高的權(quán)重，對較遠(yuǎn)的像素點給予較低的權(quán)重，因此能得到更真實的模板圖像輪廓[13]。加權(quán)最小二乘法采用指數(shù)權(quán)數(shù)Wn-1，0

對圖4（b）進行直線擬合后，得到的模板輪廓如圖5所示。從圖5中可以清晰地看到直線擬合后的模板輪廓與真實的模板輪廓非常接近，相比Sobel算法提取的模板輪廓更加準(zhǔn)確。圖5可以作為模板輪廓進行匹配操作。

3 模板匹配（Template matching）

模板匹配的原理是將一個預(yù)定義的模板或樣本圖像與目標(biāo)圖像進行比較，通過計算它們之間的相似度或差異度確定匹配的位置。傳統(tǒng)的模板匹配方法采用遍歷的方式，在原圖像上從左到右、從上到下以像素為單位采用滑動方式進行匹配。在每個像素位置，將原圖像中與模板圖像大小相同的區(qū)域截取出來，并進行像素值比較運算，找到最佳匹配位置或最高相似度得分[14]。

由于傳統(tǒng)模板匹配方法是采用遍歷的方式進行搜索，因此存在匹配時間長、內(nèi)存消耗高等缺陷，不適用于大規(guī)模檢測計算。本文引入圖像金字塔算法對模板匹配進行加速。

3.1 圖像金字塔算法

圖像金字塔算法[15]是一種多尺度圖像處理技術(shù)，用于在不同分辨率下對圖像進行分析和處理;它以金字塔的形式表示圖像的多個尺度，每個尺度對應(yīng)圖像的不同分辨率，通常包括兩個主要步驟，通過重復(fù)進行向下采樣和向上采樣，可以構(gòu)建圖像金字塔。每個金字塔級別都對應(yīng)于原始圖像的不同分辨率。常見的圖像金字塔算法有高斯金字塔算法和拉普拉斯金字塔算法。

如圖6所示，金字塔底部為高分辨率圖像，頂部為低分辨率圖像，將一層一層的圖像比喻成金字塔，層級越高，則圖像越小、分辨率越低。

將圖像金字塔和傳統(tǒng)模板匹配方法相結(jié)合，先使用圖像金字塔算法生成一系列不同尺度的圖像，然后將模板放在金字塔最高級別（即最高層）進行匹配。在當(dāng)前級別的金字塔中找到一個匹配位置后，可以將該匹配結(jié)果傳遞到較低級別的金字塔中，作為下一級別的初始估計。重復(fù)以上步驟，在下一級別的金字塔中繼續(xù)匹配過程，直到達(dá)到金字塔的最低級別。通過這種迭代的方式，可以在不同尺度的圖像中搜索匹配，從而提高匹配的效率，有效地解決傳統(tǒng)模板匹配效率較低的問題。本文采用高斯金字塔算法對原圖像進行連續(xù)的下采樣生成用于模板匹配的金字塔。

3.2 改進的圖像金子塔算法

采用基于圖像金字塔的算法對模板匹配進行加速，雖然在匹配速度上已經(jīng)有了很大的提高，但是未能滿足實際應(yīng)用的要求。因此，本文提出了一種更高效的圖像金字塔算法，具體步驟如下。

（1）創(chuàng)建圖像金字塔：使用高斯圖像金字塔算法生成不同分辨率的圖像金字塔，其中包括多個層級。

（2）確定中間層級：根據(jù)匹配需求和圖像金字塔的層級數(shù)，選擇適當(dāng)?shù)闹虚g層級作為匹配的目標(biāo)層級。

（3）在中間層級進行搜索：使用圖像金字塔裁剪算法，在選定的中間層級上進行匹配搜索。具體步驟如下：①計算金字塔尺寸：根據(jù)輸入的圖像金字塔，由函數(shù)確定金字塔的總層數(shù)以及每個層級的尺寸。②確定層級范圍：根據(jù)輸入的起始層級和結(jié)束層級，確定需要保留的層級范圍。③獲取指定層級的圖像域：由函數(shù)根據(jù)指定的層級從金字塔中獲取對應(yīng)的圖像域。④裁剪圖像域：對金字塔中的每個層級的圖像域進行裁剪，保留指定層級范圍內(nèi)的圖像域。裁剪操作可以調(diào)整圖像域的尺寸，使其符合指定范圍。⑤返回結(jié)果：由函數(shù)返回一個新的金字塔，其中僅包含在指定層級范圍內(nèi)的圖像域。

（4）結(jié)果映射回原始圖像：根據(jù)中間層級的匹配結(jié)果，將結(jié)果映射回原始圖像的坐標(biāo)系統(tǒng)，這樣可以得到原始圖像上的匹配結(jié)果，包括每個匹配的中心坐標(biāo)和偏移角度。

4 實驗和結(jié)果（Experiments and results）

為了對本文提出的改進的圖像金字塔算法的實際效率進行驗證，使用同一圖像數(shù)據(jù)集對本文提出的算法、傳統(tǒng)方法及圖像金字塔算法進行多組實驗，對各類算法的耗時進行統(tǒng)計，不同算法的耗時結(jié)果如表1所示。

根據(jù)表1中的數(shù)據(jù)可以得出以下結(jié)論：在相同的實驗條件下，傳統(tǒng)算法的執(zhí)行時間較長，而圖像金字塔算法極大地提高了傳統(tǒng)算法的效率。本文提出的算法在圖像金字塔算法的基礎(chǔ)上進行了改進，取得了顯著的效果。

為了驗證本文所提算法的有效性，進行多組實驗，部分實驗結(jié)果展示如圖7和圖8所示，檢測結(jié)果用加粗線條表示。

如圖7所示，鋁材1的實際數(shù)量為76個，檢測結(jié)果為76個;如圖8所示，鋁材2的實際數(shù)量為105個，檢測結(jié)果為99個。

為了對算法的有效性進行判斷，根據(jù)實際應(yīng)用中的幾個關(guān)鍵指標(biāo)進行數(shù)據(jù)采集，記錄的實驗數(shù)據(jù)如表2所示。

根據(jù)表2中的數(shù)據(jù)可以得出以下結(jié)論：本文提出的改進算法在匹配耗時及召回率方面均有良好的表現(xiàn)，平均檢測準(zhǔn)確率達(dá)到98.4%，匹配效率相較于傳統(tǒng)圖像金字塔算法提升了37.0%，漏檢率和誤檢率都在可接受的誤差范圍內(nèi)，本文所提算法滿足實際應(yīng)用要求。

5 結(jié)論（Conclusion）

本文采用基于雙閾值的Sobel邊緣檢測算法進行模板邊緣的提取，結(jié)合基于權(quán)重的直線擬合方法對模板輪廓進行優(yōu)化處理，提出改進的圖像金字塔算法對入庫鋁材進行計數(shù)檢測。實驗結(jié)果表明，該算法具有召回率高、識別效率高等特點，可滿足工業(yè)生產(chǎn)的實際檢測要求。但是，本文提出的檢測方法在面對目標(biāo)被遮擋或堆疊的情況時存在漏檢和誤檢的情況。為了解決這些問題，希望未來的研究可以利用目標(biāo)周圍的上下文信息輔助檢測過程，例如通過對目標(biāo)與背景之間的關(guān)系或目標(biāo)與其他目標(biāo)之間的關(guān)聯(lián)進行建模，提高檢測的魯棒性，減少誤檢和漏檢情況。