基于灰度图像匹配方法的铁水罐车定位技术研究

张 乾

（中船重工第七O四研究所，上海 200031）

基于灰度图像匹配方法的铁水罐车定位技术研究

张 乾

（中船重工第七O四研究所，上海 200031）

利用灰度图像匹配方法分析了铁水罐车上十字标志物，从而对铁水罐车进行精确定位。在灰度图像匹配分析过程中，采用粒子群算法对图像的最优匹配点进行粗定位，再利用改进的Harris角点检测算法和亚像素方法精确定位。最后，利用试验案例证明本方法是合理可行的。这解决了铁水罐车在装载铁水过程中的精确定位问题。

灰度匹配；粒子群优化算法；角点检测；亚像素

0 引言

为了保护环境并节省运行成本，现代高炉采用炉前铁水脱硅新工艺，要求精确提供装入到铁水罐车中的铁水重量，并根据铁水重量自动控制脱硅剂的加入量。目前，国内高炉一般将编码刻印在铁水罐车上，采用人工观察的方式记录铁水罐车的罐号、使用静态电子秤称重、雷达测量铁水液位等方法估算铁水的装入量，但上述检测方法无法准确控制脱硅剂的加入量。

实现钢铁厂铁水罐车在线称重需要对每个铁水罐车进行精确定位，利用在线称重系统进行自动称重。本文提出了一种基于灰度图像匹配方法的铁水罐车定位技术，首先对每个铁水罐车上增加易于图像识别的明显标志，然后利用高清摄像机进行摄像，将摄像后的图片与原始图片进行图像匹配定位。在图像匹配过程中，先采用粒子群算法对图像的最优匹配点进行粗定位，在粗定位基础之上利用改进的Harris角点检测算法和亚像素方法精确定位，从而找出图像的最优匹配点，对图像进行匹配定位，解决了铁水罐车在装载铁水过程中的精确定位问题。

1 铁水罐标志图像的选择及灰度投影匹配分析

1.1 铁水罐标志图像的选择

在基于图像的测量定位中，十字丝标志(文中将两条相互垂直的较粗线段的组合称十字丝标志，如图1(a)所示)是一种特征明显、易于获得高精度定位的合作标志，该标志广泛应用于视频跟踪、相机目标标定网格图像的节点定位等测量领域。因此，为了对铁水罐车进行精确定位，在铁水罐车的一侧增加十字丝标志，如图1(b)所示。

图1 十字丝标志及在罐车上的位置

根据十字丝图像特征，对它分别进行x、y方向的灰度投影，如图2(a)、(b)所示。从图可以看出非常明显的特征，都有一个非常陡峭的波峰。图3(a)、(b)分别是投影曲线的斜率图，十字丝图像的投影特征进一步凸现了出来。因此，采用该标志非常有利于铁水罐车的识别定位。

图2 十字丝图像投影

图3 十字丝图像投影梯度

1.2 灰度投影匹配分析

在初始时刻采集原始的铁水罐车图片信息，待装载一定量的铁水后再采集一次铁水罐车的图片信息，需要通过两张图片上的十字标志物进行图像匹配，从而精确定位铁水罐车在装载铁水后移动的位置。下面对铁水罐车上十字标志物进行图像匹配分析。

对初始铁水罐车上十字丝模板T图像的投影图像进行数值处理，求出投影曲线斜率最大值及其所在位置，构成特征向量CT[TxV，TxP，TyV，TyP]。其中：TxV和TxP为十字丝模板图像在x向投影的最大值及其所在位置，TyV和TyP为十字丝模板图像在y向投影的最大值及其所在位置，然后对待匹配图像中左上角坐标为(i，j)、大小为十字丝T的子图像Sij进行相同的运算，求出其特征向量CT[SxV，SxP，SyV，SyP]。其中，SxV和SxP为子图像在x向投影的最大值及其所在位置，SyV和SyP为子图像在y向投影的最大值及其所在位置。

定义匹配距离为：

距离最小且小于阈值者即为匹配点。运算中，首先进行x向的距离运算，若结果小于阈值，再进行y向的距离运算。否则，认为此处为非匹配点，搜索下一个子图像。在灰度投影法匹配过程中，如果采用逐点匹配，计算量非常巨大。

为了解决计算量很大的问题，本文引入粒子群算法对图像匹配进行初定位，然后再采用改进的角点检测算法和亚像素分析进行图像匹配的精确定位。

2 图像匹配的粗定位分析

2.1 基于粒子群算法的粗定位步骤

粒子群优化算法(Particle Swarm Optimization Algorithm)是一种进化算法，通过跟踪当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点得到广泛应用，并且在解决实际问题中展示了其优越性。本文采用该算法对铁水罐车标志物图像匹配进行初定位，其步骤如下：

1）对十字丝模板T图像TS进行x，y方向的灰度投影，生成特征向量CT[TxV，TxP，TyV，TyP]；

2）对待匹配空间SS生成初始种群，即初始化待匹配点；

3）根据待匹配点确定待匹配子图像SM，求出其特征向量CT[SxV，SxP，SyV，SyP]及与TS的匹配距离D[SM，TS]，从而求出群体的适应度；

4）对该群体进行最优保存的选择操作；5）进行粒子更新操作；6）计算群体的适应度；7）若符合匹配条件就结束，求出匹配点；否则，返回(3)继续进行。

2.2 基于粒子群算法的试验分析

用粒子群优化算法对取自自身的模板进行匹配，初始种群为40，最大代数为80，交叉概率为0.6，变异概率为0.001。在某次匹配过程中其平均适应度如图4(a)所示，最大适应度曲线如图4(b)所示。图中粒子群优化算法的最大值适应度值逐渐变大，种群平均值适应值有一个比较平缓的增长后，出现抖动现象，表明种群的多样性得到了保持。如果种群快速收敛，则可能造成早熟现象，造成最大适应度解在最优解附近抖动。

图4 平均适应度和最大适应度

图5 为程序运行时匹配图像，其中矩形框为匹配的结果，目视情况下，匹配正确。矩形框的右边十字丝标记是为了检验试验过程中是否出现误匹配情况，从图中可以看出上述实验中没有出现误匹配。

为了研究粒子群算法全局寻优能力和早熟现象，在一副图像上截取模板，然后与此图像在固定代数和不固定代数情况下分别进行匹配，试验数据见表1。试验结果表明，粒子群算法的全局寻优能力较强，极大地减少了匹配过程中的计算量，通常能在80代内寻找到最优值。但是同时也能看到，由于早熟而出现的抖动现象，这对定位标志物非常不利，有必要在粗定位后进行精确定位，为此，引入角点检测方法。

图5 匹配结果

表1 粒子群算法匹配结果

3 图像匹配的精确定位分析

为了精确定位，需要对十字丝标志的角点进行检测。通常角点的提取算法可分为两类：一种是基于边缘的算法，另一种是直接对灰度图像进行处理。虽然角点是边缘的一部分，但角点的检测不同于边缘检测。现有的很多边缘检测算子在角点处效果不好，在角点处有可能失效或者表现出很差的定位特性。这主要是因为，通常使用边缘算子时假设图像被描述为一个连续变化、可分析的函数，且在与边缘垂直的方向上，灰度呈线性变化，而这些假设在角点处是不满足的。

Harris算子是C Harris和M J Stephens提出的一种基于信号的点特征提取算子，具有计算简单、提取的角点特征均匀合理、可以定量提取特征点以及算子稳定的特点。

如果某一点向任意方向的小小偏移都会引起灰度的很大变化，这就说明该点是角点，定义R(x，y)为角点函数(Harris算子)：

当滤波系数σ、阈值T取不同值时，对Harris特征提取结果进行比较，当阈值增大时，提取的特征点会减少，某些明显的特征点会被遗漏。当滤波系数增大时，图像平滑度增加，可较好地去除噪声但同时也会使一些特征点遗漏。

Harris角点检测的结果与阈值的选取有很大的关系，本文实现了一种依据实际角点的数目，自动选取阈值的改进方法，通过对阈值的动态调整来影响角点的检测结果。改进的算法主体为：

图6为对已知角点数4个的十字丝进行检测的结果。从图中可以看出，得到的四个角点比较准确。

图6 角点检测

在图像的定位中，为了提高图像的定位精度，需要把图像匹配和定位精度从像素级提高到亚像素级。实现亚像素定位一般方法有：图像重采样法、曲面拟合法、微分法、基于Fourier分析的相位法等，其中曲面拟合法实现的速度较快。

在检测出十字丝的四个角点后，使用对角线法获得十字丝中心位置检测效果如7所示，此方法可作为简化的曲面拟合法达到亚像素的效果。

图7 中心点定位

4 案例分析

为了能够准确定位铁水罐车的十字标志，首先提取铁水罐车的十字标志模板特征，然后利用粒子群算法优化匹配过程进行粗定位，在粗定位基础之上利用改进的Harris角点检测和亚像素精确定位。本文采用MATLAB软件将上述过程编制成了软件，软件界面如图8所示。

图8 软件计算界面

使用该软件进行铁水罐车的精确定位，结合在线称重系统对现场铁水罐车装载铁水过程中采集的图像做了试验分析，现场采集试验经分析后所得数据见表2。从表可看出，测量的数据都能满足现场最大误差5%的要求，且重量/位移列的最大偏差为4.268098%，说明本文提出的基于灰度图像匹配方法的铁水罐车定位技术合理可行。

表2 基于MATLAB的数据处理结果

5 结语

本文针对钢铁厂铁水罐车在线称重中需要对每个铁水罐车进行精确定位的问题，提出了一种基于灰度图像匹配方法的铁水罐车定位技术。通过理论分析、设计计算、并用试验案例证明了该方法合理可行，解决了铁水罐车在装载铁水过程中的精确定位问题，能有效地推动铁水罐车在线称重系统的应用。

[1] Sclaroff S, Pentland A P. Modal matching for orrespondence and recognition[J]. IEEE Trans PAMI,1995, 17(6): 545-561.

[2] Kellman P J, Shipley T F. A theory of visual interpolation in object perception[J]. Cognitive Psychology, 1991, 23:141-221.

[3] Mehrotra R, Nichani S. Corner detection, pattern[J].Recognition, 1990, 23(11): 1223-1233.

[4] 李介谷, 施鹏飞, 刘重庆. 图像处理技术[M]. 上海:上海交通大学出版社, 1988.

[5] 李立春, 冯卫东, 于起峰. 根据边缘梯度方向的十字丝目标快速自动检测[J]. 光学技术, 2004, 30(3): 351-353.

[6] 陈国良, 王熙法. 粒子群算法及其应用[M]. 北京: 人民邮电出版社, 1996.

[7] 姚俊峰, 梅炽, 彭小奇. 混沌粒子群算法(CPSO)的应用研究及其优化效率评价[J]. 自动化学报, 2002,28(6): 936-942.

Study on Positioning Technology of Liquid Iron Tank Based on Gray Image Matching Method

ZHANG Qian
(No.704 Research Institute, CSIC, Shanghai 200031, China)

The cross marker on the tanker loading molten iron is analyzed by using gray image matching method to position the molten iron tank car accurately. In the gray image matching analysis process, the image of the best matching points is roughly positioned by using particle swarm algorithm, and accurately positioned by using the improved Harris corner detection algorithm and subpixel method. Finally, using the test cases shows that this method is reasonable and feasible. This solves the precise positioning of the tanker in the process of loading molten iron.

gray matching; particle swarm optimization (PSO) algorithm; corner detection; subpixel

TP391.4

A

张乾（1981-），男，工程师。研究方向为船舶设备质量管理。