基于圖像識別的袋裝糧數量識別研究
2009-01-01 00:00:00林鷹江小輝竇潤亮
計算機應用研究 2009年4期
（1.重慶交通大學 管理學院 重慶 400074； 2.天津大學 管理學院， 天津 300072）
摘 要：設計了一種基于平面圖像識別的袋裝糧數量智能識別方法。對糧庫現場采集的圖像樣本，運用數字圖像處理技術對圖像進行降噪和對象體特征突顯；然后運用區域增長法對圖像中每一閉合像素區域進行聚類分割；最后根據相應幾何特征值判定糧袋身份并通過其橢圓度的范圍，以實現糧袋所屬面的判定，達到對糧堆重量的自動識別。
關鍵詞：圖像識別； 噪聲消除； 區域增長； 幾何矩； 數量識別
中圖分類號：TP274文獻標志碼：A
文章編號：1001-3695(2009)04-1572-03
Research on bag grain quantity recognition based on image recognition
LIN Ying1 ， JIANG Xiao-hui1， DOU Run-liang2
（1.School of Management， Chongqing Jiaotong University， Chongqing400074， China;2.School of Management， Tianjin University， Tianjin300072， China）
Abstract:This paper designed a bag grain quantity recognition method， which was based on plane image recognition. Used digital image processing technique for collected image sample from the scene of grain warehouse， in order to reduce the noise and make the object’s character highlighter. Then made use of the growth method to the each closed pixel district of the picture， so as to carry on the pixel clustering and image segmentation. At last according to the value of corresponding geometric moment of this character to judge the identity of each grain bag， and made the classification of the surface each grain bag belonged to come true by the value of its eccentricity， so as to achieve the automatic identify of grain’s weight.
Key words：image recognition; noise eliminate; region growing; geometric moment; quantity recognition
袋裝糧堆重量的自動識別一直是實現儲備糧智能稽核的關鍵，但由于其理論和技術的局限性，目前國內外都未能有效地解決這一難題。對于大型堆狀物體重量進行測量的方法，一般可分為兩類：a)稱重計量法。一般通過設立專用進出通道設施并采用地衡對進出通道的物體進行稱重，從而知道每次進出庫的重量，并能通過賬面記錄推算出現有庫存量[1]。此法對設施要求較高，投資及維護成本也較高，從監管和稽核的角度看，該法對計量的規范性操作要求依賴太強，在操作人員有違規動機時，仍需要較高強度的全過程監管，故對解決監管力量不足意義不大。b)主動測量法。它是一類基于對象體表面距離測量的方法，其較成熟，可采用激光或紅外線掃描、GPS測距等技術，測量對象體任意表面與探頭的距離，運用空間三點確定坐標原理，通過多探頭（一般至少為三個以上）數據的擬合還原對象體立體圖形，得到對象體的全數字化描述，進而對數字化對象體進行重積分運算得到其體積，再以體積乘以密度即可得到對象體質量[2，3]。該技術因基于對象體表面的多點掃描，耗費時間較長，故一般用于靜態對象體的識別，同時設備價格高昂，顯然不適合大批量用于動態場景。基于目前對糧食這一類大型堆狀物體重量測量方法的欠缺，本文提出了一種基于圖像識別的袋裝糧數量自動識別方法。該方法嵌套于通用的視頻監控系統，通過監控攝像機采集糧倉現場圖像，然后運用數字圖像處理技術對圖像進行相應處理，以提取糧袋數量的相關參數，達成糧堆重量的測算。
1 基于圖像識別的袋裝糧數量識別方法分析
對于袋裝糧數量測算，通過對袋裝糧堆的特征進行分析，首先易知對于按照規則堆放的袋裝糧從整體上具有長方體的特征，如圖1所示；其次在光線因素的作用下，糧堆對象體表面相鄰兩袋糧食之間點位上的像素顏色比糧袋中央凸起位置的亮度要暗、顏色要深，因此會形成由中心區域向周圍擴散的一個個亮橢圓“魚鱗體”，如圖2所示；而且由于糧袋具有特定形狀，在監控視野內的糧堆三個相鄰面上形成的橢圓“魚鱗體”的橢圓度會不同。據此，可以有兩種基于平面圖像識別的袋裝糧數量識別思路。
1.1 基于整體的識別思路
在這種識別思路下，根據長方體的體積=長×寬×高，即要測算糧堆長方體的體積，就必須要測算出糧堆的長、寬、高三個參數。然而在監控攝像機所拍攝的袋裝糧平面圖像中，只有長、寬、高各參數的比例信息，缺乏絕對尺度信息，故運用整體識別的方法時，就需要對糧倉現場進行場景設置，以實現將相對長度轉換為實際絕對長度。
對于袋裝糧場景的設置，可以通過設置矩形標尺作為標準參照物，以實現將圖像中糧堆長、寬、高參數的相對長度轉換為實際的絕對長度。由于袋裝糧場景中需要識別的長度參數有三個，而且處于不同空間平面，三個參數受視角偏差的影響大小不同，導致它們在圖像中長度與實際長度的映射比例也不同。只設置單一標尺同時作為三個參數的參照物肯定會產生較大誤差，需要設置三個標尺以分別測算長、寬、高參數。
由上述分析可知，在整體識別的思路中有兩個難點：a)標尺的設置位置。首先它必須實際可行，即在實際的應用中，標尺必須要在攝像機的監控視野范圍內，不能被糧堆或其他物體完全遮擋，設置的標尺應該顏色鮮明、清晰，大小長度適中，最好是在攝像機的視野中心位置，以降低標準參照物的視角誤差，提高識別精度。b)糧堆三個面的邊界區分問題。這是該識別思路的核心問題，它直接關系著糧堆長、寬、高參數的確定。由于面邊界的特征不明顯，該方法易出現誤識別情況。
1.2 基于橢圓“魚鱗體”識別的思路
該方法的理論依據是：在光線因素的作用下，糧堆對象體表面相鄰兩袋糧食之間點位上的像素顏色比糧袋中央凸起位置的亮度要暗、顏色要深，因此會形成由中心區域向周圍擴散的一個個亮橢圓“魚鱗體”；而且由于糧袋具有特定的形狀，在監控視野內的糧堆三個相鄰面上形成的橢圓“魚鱗體”的橢圓度會不同。可以先根據圖像中糧堆目標體的灰度值特征與周圍糧倉環境的差異對圖像進行降噪等預處理后，進行邊緣檢測，并用區域增長的方法達成對閉合像素區域的聚類分割；再通過對每一閉合區域的幾何矩特征識別完成糧袋身份的判定；最后通過計算該閉合區域的橢圓度以進行其所屬面的歸類，實現糧堆袋裝糧數量的測算。
該方法可以避免精確檢測出糧堆區域的邊緣及擬合成直線這一難點，所以更易于實現；而且視角偏差對該方法造成的誤差很小，因此比整體識別的方法具有更好的魯棒性，具體實現時也不必在糧倉現場進行額外的場景設置。另外，如果能對監控視野內的糧堆相鄰三個面進行分割的前提下，運用基于橢圓“魚鱗體”的識別方法將會具有更高的精度。
2 具體實現
由于基于橢圓“魚鱗體”識別的方法相比整體識別方法有諸多優勢，本文選擇該方法對袋裝糧數量識別進行了具體的實現。根據其實現的流程（圖3），將該識別方法分為六個階段來實現。
2.1 圖像預處理
在圖像采集、傳輸的過程中，由于機器設備、環境等各方面因素的影響，在所接收的圖像中必然會存在一定的噪聲，嚴重影響數量識別的精度。所以在對糧倉現場的圖像進行數量參數提取之前，必須對圖像進行必要的降噪處理，以提高識別的精度。
圖像噪聲的種類有多種，主要有高斯噪聲、瑞利噪聲、伽馬噪聲和脈沖噪聲。其中脈沖噪聲（又稱為椒鹽噪聲或雙極性噪聲）在圖像噪聲中最為常見。在圖像生成和傳輸過程中，經常會產生脈沖噪聲，主要表現在成像的短暫停留中，對圖像質量有較大的影響，需要采用濾波的方法進行降噪[4]。
為了提高識別系統的處理效率，可將圖像轉換成灰度圖像來處理。中值濾波可以有效地濾除脈沖噪聲，具有相對好的邊緣保持特性，并易于實現。然而中值濾波同時也會改變未被噪聲污染的像素的灰度值，使圖像變得模糊，隨著濾波窗口的長度增加和噪聲污染的加重，中值濾波效果明顯變壞。因此，比較好的做法就是在濾波處理中加入判斷的過程，即首先檢測圖像中的每個像素是否為噪聲，然后根據噪聲檢測結果再決定某點是否進行濾波，這樣有選擇地濾波避免了不必要的濾波操作和圖像的模糊。其具體處理流程如下：
a)為了標志脈沖噪聲，建立與待檢圖像的維數大小相同的矩陣，即噪聲標志矩陣 N={N(i，j)，0≤i ≤L，0 ≤j ≤M}，其值為0或1，且初始值都為1，代表原圖像像素。
b)計算待檢測像素點d周圍上、下、左、右四個3×3鄰域的灰度平均值An(i，j)、 As(i，j)、 Aw(i，j) 和Ae(i，j)。
c)分別通過這四個鄰域灰度平均值判定其閾值Tp(i，j)（其中p=n、s、w、e），計算式為
Tp(i，j)=Tb(1-｜Ap(i，j)-127.5｜/127.5)
其中：Tb表示閾值基值，范圍是（0，255），可根據實驗效果調整大小。確定了閾值Tp(i，j)后，可根據判定規則對該像素點的灰度值進行判定。具體判定規則是如果一個像素點的灰度值f ′(i，j)同時滿足以下條件：
f ′(i，j)> Ap(i，j)+ Tp(i，j)
或 f ′(i，j)< Ap(i，j)- Tp(i，j)
則可以判定為噪聲像素，置標志矩陣相應元素的值為0；否則認為是原像素點，保持表示矩陣中相應的值為1。
d)對于標志矩陣中值為0的對應位置處的像素點進行中值濾波。濾波中首先以3×3窗口長度進行，如果檢測出窗口內部都為噪聲點的話，則進一步擴大窗口為5×5，直至窗口中存在非噪聲點的像素為止。這樣根據圖像各個區域的噪聲污染程度的不同，可以自適應地調整中值濾波窗口的長度。
2.2 “魚鱗體”特征突顯
在對圖像進行了降噪處理得到質量較好的圖像后，就可進入“魚鱗體”的特征提取模塊。該模塊的主要任務是將圖像中的每個橢圓“魚鱗體”進行分割，并對其進行區域標注。其具體實現可以分為以下兩個步驟：
a）二值化。為提高識別精度及運算效率，把灰度圖像進一步處理成二值圖像。在二值化的處理中，最重要的環節就是閾值的選取[5]。在本系統的監控攝像機所拍攝的圖像中，由于光照和對象體距離攝像機的遠近等因素的影響，在離攝像機較遠或光照較弱的區域，圖像灰度值會比其他區域低，當光照情況不同時，不同時刻拍攝的圖像整體灰度值也會不同。因此最好使用區域動態閾值，若使用全局固定閾值，必然嚴重影響識別效果。
在本系統的處理中，采用的是基于邊緣特征的閾值構造方法，它著重于在圖像二值化時保留圖像的邊緣特征。其主要思路是：首先用Sobel算子檢測圖像的邊緣，其示意圖如圖4所示；然后在這些邊緣像素點上進行二值化閾值的自動選擇；最后對于其他非邊緣像素點則采取常規方法進行二值化處理[6]，即根據所定義的閾值范圍，判斷其是橢圓區域的內點或邊界點。對于橢圓的內點，設置像素值為255；而對于其他點，則將其像素值設置為0。
該算法描述如下：(a)對f運用Sobel算子進行抽取邊緣特征，得到邊緣圖像e。(b)對e進行常規二值化處理，確定哪些像素點是邊緣像素點，這時可采用平均灰度值的方法得到二值圖像b。(c)用整體閾值法確定一個f的整體閾值。(d)確定f每個像素對應的閾值，這是算法的關鍵。根據(a)的結果進行二值化閾值的自動選擇，在邊緣像素點進行局部閾值計算。若是邊緣像素點，A等于e(i，j)鄰域相關的八個像素點的平均灰度值，將每個與求e(i，j)相關的像素f(u，v)的閾值賦值為A；若為非邊緣像素點，將全局閾值設置為其閾值。(e)根據求出的閾值輸出二值圖像g。其中：f為去噪后的輸入圖像；g為二值化后的圖像。
由上可知，本系統的二值化效果由像素點的灰度值與其梯度值共同決定。梯度值的計算采用Sobel算子，這是因為Sobel算子是一種加權平均算子，對靠近中心的點進行加權，能突出邊緣，提取效果較好。Sobel 算子有兩個，即檢測水平邊緣的和檢測垂直邊緣的。其X軸和Y軸方向的梯度值分別為
Gi=(Z7+2Z8+Z9)-(Z1+2Z2+Z3)
Gj=(Z3+2Z6+Z9)-(Z1+2Z4+Z7)
因此對于某像素點，其梯度值
M(i，j)=G2i+G2j
b）閉合化。為了配合在后續步驟進行各糧袋對象體的圖像分割，只有將各像素塊進行閉合化，才能準確地對圖像中的糧袋數目進行計數，而不至于將相鄰兩三袋糧食誤判斷為一袋糧。
閉合化的方法采用的是鄰域推斷法，即該點是否是橢圓“魚鱗體”的內點或外點，最終需要通過與其周圍四個鄰域進行比較。如果該點周圍有三個以上的鄰域與此點像素值相同，則保留該點像素值f ′（x，y）不變；否則設置該點像素值為255- f′（x，y）。這與前述步驟中的噪聲點判斷相似，都是對該點周圍的鄰域進行灰度平均，而且此時的圖像由于已經處理成二值圖像，對于像素值的計算速度會比灰度圖像更快。
2.3 “魚鱗體”分割
對于“魚鱗體”的分割，本文采取的方法是區域增長法，目的是為了實現對各閉合糧袋區域的分割[7，8]。其主要步驟按照掃描法的程序進行，首先從ROI的最左下點（0，0）開始掃描，尋找二值圖像中的第一個像素值為255的點，以這個點開始向周圍八個方向的像素點進行區域增長，直到在此閉合區域里找不到像素值為255的點為止；然后對此像素區域求其最小外接矩形，再對此矩形區域進行區域標記，接著繼續從剩余未標記的ROI區域中進行下一像素值為255的點的掃描。
計算橢圓度的方法是運用最小外切矩形（MER）的方法，將物體邊界以每次若干小角度的增量在90°的范圍內旋轉，每旋轉一次，記錄一次其坐標系方向上的外切矩形邊界的最大x和y值；當旋轉到某個角度時，外切矩形的面積最小，則取面積最小的外切矩形的參數為主軸意義上的長度和寬度，即此時的長軸和短軸長度。
2.4 “魚鱗體”參數表述
在本模塊的具體實現中，本文主要采用的是幾何矩法，即首先通過對每一個閉合像素塊R進行矩特征值的計算，包括質心（a，b）、方向角θ和長、短軸，然后通過將閉合像素塊的長短軸之比、方向角、面積等特征參數與該像素塊的近似橢圓的相關值進行對比。如果其在80%以上置信區間內相等，則可以判定該閉合像素塊為一糧袋，然后對該橢圓“魚鱗體”的橢圓度進行計算，以實現后續模塊的“魚鱗體”類別統計[9]。
對一個M×N的圖像，其（i+j）階矩定義為
Mij=∑x∑yxiyjf(x，y)
質心（a，b）的值分別為
a=M10/M00=∑x∑yxf(x，y)/∑x∑yf(x，y)
b=M01/M00=∑x∑yyf(x，y)/∑x∑yf(x，y)
像素塊的方向角計算公式為
θ=arctan(2M11/(M20-M02))/2+Nπ/2
在計算出了像素塊的質心之后，可以依據以下公式計算出該像素塊的長軸major和短軸minor：
major=22ucc+urr+(ucc-urr)2+4u2rc
minor=22ucc+urr-(ucc-urr)2+4u2rc
其中：urr、ucc和urc分別代表二階行矩、二階列矩和二階混合矩。
urr=(1/A)∑(r，c)∈R(r-a)2，ucc=(1/A)∑(r，c)∈R(c-b)2
urc=(1/A)∑(r，c)∈R(r-a)(c-b)
A代表該閉合像素塊的面積。
A=∑(r，c)∈R1
該閉合像素塊的近似橢圓的面積計算公式為
AE=π major×minor
對于某個閉合像素塊，如果其同時滿足條件：
a)目標對象體面積與近似橢圓面積比r=A/AE≈1；
b)目標對象體方向角θ：0>θ>-100；
c)目標對象體長縱軸比：0.4 則可以判定該閉合像素區域即為一袋糧；否則認為其為無效或背景區域。最后在此基礎上，針對已經判定為糧袋的橢圓像素塊，可以依據下面公式計算出橢圓體的橢圓度： E=[(M20-M02)+4M11]/A 2.5 “魚鱗體”類別統計與糧堆重量計算 由于糧堆上表面、左右側面的糧袋“魚鱗體”的橢圓度不同，令其橢圓度分別為t1~t2、l1~l2、r1~r2，其橢圓度范圍互不交叉，可以根據前述公式計算出橢圓體的橢圓度進行糧袋所屬面的歸類，即分別統計出某個面上糧袋的數目，分別記為nt、nl和nr。以n0表示非目標糧袋的個數。 歸類算法描述如下： ift1＜橢圓度值E≤t2thennt=nt+1 else ifl1＜橢圓度值E≤l2thennl=nl+1 else ifr1＜橢圓度值≤r2thennr=nr+1 else非目標個數=n0+1 由此，根據糧堆為長方體，可以計算出糧堆的總糧袋數目為n=nt×ni×nrv。以糧袋的總數目乘以每袋糧食的標準重量，即可得到該堆糧食的總重量。 3 結束語 本文采用圖像識別方法計算糧堆的重量，并具體介紹了實現算法。該算法高效、可靠、精度高，可滿足遠程計量檢測的需要，且無須人工干預，是一種很好的自動計量工具。從理論上說，只要糧堆堆碼規范，該方法無測量誤差，且經驗驗證也是如此；但對于糧堆堆碼不規范情況，本方法有一定誤差。這是由于不規范的堆碼會導致歸類錯誤，影響精度，故應當進一步研究如何避免歸類錯誤問題，提高本方法的適應性。 參考文獻： ［1］王鐵濱，蘇建民，白玲，等.數字林業智能地衡管理系統設計[J].林業機械與木工設備，2007， 35(1):34-36. [2]汪志明，徐亞明，汪志良，等.GPS RTK技術在武鋼堆料場礦料體積測量中的應用[J].測繪信息與工程，2003， 28(1):13-14. [3]李集田，賈欣志，檀慧明.一種大面積煤堆體積自動檢測系統[J].光學機械，1991(5):39-45. [4]范立南，韓曉微，張廣淵.圖像處理與模式識別[M].北京:科學出版社，2007. [5]李立源，陳維南.一種魯棒的完全確定型的快速閾值化方法[J].模式識別與人工智能，1993， 6(3):225-241. [6]王坤明，朱雙東，張超.自動選取閾值方法比較研究[J].撫順石油學院學報，2002， 22(2):70-73. [7]胡正平，張曄，譚營.區域進化自適應高精度區域增長圖像分割算法[J].系統工程與電子技術，2007， 29(6):854-857. [8]趙欽佩，姚莉秀，程建，等.基于顏色信息與區域生長的圖像分割新算法[J].上海交通大學學報，2007， 41(4):802-806，812. [9]唐毅，鄭麗敏，任發政，等.基于幾何特征的圖像感興趣區域的自動定位研究[J].計算機工程， 2007， 33(1):200-202.
