基于机器视觉的运矸车辆车载图像识别技术研究

牛世琛

摘 要：近年来机器视觉和人工智能相关技术快速发展，汽车领域应用尤其是一个热点，相对于乘用车领域，特种车辆的机器视觉也是其中一个重要的发展方向。本文研究了一种基于机器视觉的运矸车辆车载图像识别技术。介绍了车载视觉系统的搭建过程和前期标定准备，其次介绍了物体样本采集，叙述了样本的图像滤波、轮廓提取、特征选择等图像处理方案，最后，采用支持向量机配合合适的核函数及参数完成样本的训练识别并进行测试，证实技术方案的有效性。

关键词：特种车辆;机器视觉;图像识别;矸石分拣

近年来，机器视觉技术得到较快发展。机器视觉作为一种先进技术，在汽车设计、无人驾驶等领域有了越来越广泛的应用，车载视觉技术不断地优化发展，越来越成熟。汽车领域主要分为乘用车和特种车辆两大领域，乘用车领域对于视觉技术的应用主要集中在无人驾驶方面，而特种车辆除了在自动驾驶方面对机器视觉有所需求，车辆一般还有额外功能，这些功能也急需视觉技术来优化。对于煤矿生产中使用的特种车辆，例如运矸车辆，其需要对煤与矸石进行识别分类，将矸石识别拣出并收集到运矸车辆的车箱中。目前拣矸操作主要由人工分拣，随着特种车辆设计优化和机器视觉技术的发展，基于机器视觉的运矸车辆设计趋势初现，特种车辆加载机器视觉技术形成智能车辆，符合“汽车智能化”的发展趋势。本文针对运矸车辆车载图像识别技术进行了介绍，阐述了一种车载视觉系统搭建过程并进行了实验效果验证。

1 车载视觉系统搭建与标定

1.1 工业相机选型

本文车载视觉系统的目标识别物体即煤块与矸石在颜色属性上差别极小，依靠颜色辨别煤块与矸石的可行性微乎其微。综合查询市面上工业相机，本文选择Teledyne Dalsa公司的Genie Nano M2590工业相机。这款相机的特点在于出众的性价比、超小体积的外观设计、超低的延迟和精准的定时功能，在具有机器视觉的智能系统和检测装置、智能交通、物流运输等生产生活领域具有广泛的应用。

1.2 光学镜头选型

镜头选择51CAMERA公司代理的VS1614-10M光学镜头，本镜头是VST出产的面向机器视觉行业设计的镜头，优点是采集的图像畸变较小，可以在很大范围内调整成像距离而依旧保持成像清晰，设计结构小巧，尺寸紧凑，安装十分灵活，与Genie Nano M2590工业相机搭配使用效果良好。

1.3 相机标定实验

1.3.1 车载视觉系统的成像畸变现象

车载视觉系统采集图像时由于原理上固有的失真造成了成像中畸变。畸变主要有三种类型：由于透镜生产过程径向曲率加工误差导致的枕形畸变和桶形畸变、由于拍摄角度使物体产生“进大远小”等失真的线性畸变。线性畸变在自动驾驶汽车研究中非常常见。

1.3.2 标定流程

相机标定方法从原理上分为两种方法：一种是采用特定标定样式的已知标定物，通过采集多张图片，建立标定物上已知点与采集图像中点的对应关系完成标定流程，称为传统相机标定方法;另一种标定法是相机自标定法，这种方法不需要使用标定模板，只要以视野中的某一点作为参考，相机进行特定的移动，从而完成标定流程[1]。综合上述两种标定法的优缺点，采用传统标定法中的张正友标定法配合国际棋盘格标定板，这种方法的标定模板成本低廉，标定流程方便快捷。

根据标定结果可以得出本文所选所选相机及镜头图像畸变区域小，而煤块与矸石尺寸大，在对精度要求不高的情况下，本文把所选工业相机成像过程近似为线性相机模型[2]。

2 车载视觉系统的图像处理技术

本文车载视觉系统在图像处理方案上采用如下步骤进行处理：待识别物体数据采集、数据预处理、预定特征参数的计算、待识别物体分类与识别。

2.1 车载视觉系统的图像滤波

本文选取样本中一块矸石图像，对其加载椒盐噪声，分别用中值滤波算法和自适应中值滤波算法进行处理，输出结果并比较，结果如图1所示。

左上角图像为原始矸石图像，右上角图像为被噪声污染之后的矸石图像，左下角为中值滤波处理的图像结果，右下角为自适应中值滤波处理得到的图像结果。对比下方左右两幅图片可以发现，自适应中值滤波处理过的图像噪声基本消除，中值滤波处理的矸石图像仍然残留不少噪声点，而这不利于后期对矸石和煤的特征参数进行提取，会影响煤矸石识别分类的准确性。

2.2 车载视觉系统的轮廓提取

本文选取滤波处理的样本图像，对其分别用Roberts算子、Sobel算子、Canny算子进行轮廓提取。从处理结果看出，Roberts算子方法与Sobel算子方法处理结果较好，Canny算子因为在轮廓提取中非常灵敏，反而被过多的背景信息干扰，而Roberts算子和Sobel算子都提取到了轮廓，效果基本相同，所以最终选择卷积核更小，运算量较小的Roberts算子方法得到物体轮廓。

2.3 车载视觉系统的图像剪裁

从提取出物体轮廓的图像中可以很容易地求得物体的形心坐标。求得形心之后，对图像进行剪裁，保留一块以形心为中心的方形图像，图像的尺寸对应现实中矸石的尺寸大致为100毫米x100毫米，如图2所示。

进行图像剪裁有如下两个作用：1）根据现场调研物体尺寸在300毫米到1.5米之间，以形心为中心进行剪裁边长100毫米的方块，可以保证剪裁出的图像全部对应煤或者矸石的表面，没有其他干扰信息;2）由于相机选型时需要分辨率较高，图像像素个数极多，直接进行图像分析增加了计算机的负担，减弱了图像处理实时性，而车载系统搭载的上位机性能有限，因此裁剪图像保留了关键特征，摒弃了冗余部分，提高了计算机处理的快速性。

2.4 车载视觉系统的图像特征提取

综合各种特征属性和现场工人经验，本文选定了煤和矸石的几种灰度特征作为分辨识别的依据。灰度直方图是统计一个图片中每个像素点灰度级分布的图形化表示方法。统计每个像素点灰度值落在直方图横坐标的位置，将每个灰度值处对应的像素点出现的次数或者频率作为每个灰度值处的纵坐标大小，生成灰度直方图。只从图形化的直方图中可以看出一张图片所有像素点灰度分布的趋势，但是不方便计算机处理，因此引入一些统计学参数对直方图的特征进行衡量，将直方图包含的信息转化为各种参数，方便计算机分析处理。本文引入参数如下[3]：

本文对于煤和矸石的样本图像分别进行灰度均值、灰度方差的计算。得到处理后的煤块的图像灰度均值大致位于80～100之间，灰度方差大致位于1300～1700之间;经过处理后的矸石的图像灰度均值大致位于100～170之间，灰度方差大致分布于1500～2200之间。

2.5 车载视觉系统的目标分类

本文选取了支持向量机方法和选取了合适的核函数之后，实验测试煤与矸石的分类效果：收集了20张煤与矸石的图像数据，其中煤8张，矸石12张，依次进行图像处理，计算灰度均值和方差，并分类输出结果如表1所示。

3 结语

本文设计了一种特种车辆即运矸车辆搭载的视觉系统以及图像处理方法，选取了合适的特征参数制定了处理流程。

通过研究国内外研究成果并结合实验经验，提出了图像先剪裁再处理的方法，只保留特征丰富的优质区域进行特征提取，缩减了计算机算法的执行时间，提高了本方案的实时性。

采集了若干煤块与矸石的样本照片，设立了样本库，采用支持向量机方法以样本库图片建立分类器，并对其进行煤与矸石分类识别的测试。

参考文献：

[1]王芳荣.基于机器视觉的工业机器人分拣系统研究[D].长春：吉林大学，2007：53-55.

[2]J.Y.Son，S.Yeom，D.S.Lee，K.H.Lee，M.C.Park，“A Stereoscopic Camera Model of Focal Plane Detector Array”，in Journal of Display Technology，2011，7（05）：281-288.

[3]RafaclC.Gonzalez，RichardE.Woods，Gongzalez.數字图像处理（第二版）[M].北京：电子工业出版社，2007.