基于改進Camshift的紅外轉爐鋼流自動檢測與跟蹤

李艷麗 ，潘 煉 ，楊 成 ，張 鞏

（1.武漢科技大學 信息科學與工程學院，武漢 430081；2.武漢中飛揚測控工程有限公司，武漢 430345）

近年來，鋼鐵企業對提升產品檔次，改善鋼水質量，降低冶煉成本的要求越來越高，使得轉爐出鋼過程中鋼渣含量的檢測具有重要意義。減少轉爐出鋼的下渣量是提高轉爐煉鋼產品質量，提高鋼水收得率，降低煉鋼生產成本最有效的途徑之一。

目前，國內外使用較多的轉爐出鋼檢測方法有：人工視覺觀察法、電磁檢測法和紅外圖像法[1]。其中，人工視覺觀察法具有很大的主觀性；電磁檢測法具有準確和實時的檢測優勢，但電磁線圈安裝過程繁瑣，且長期暴露在高溫環境下，使用壽命短，維護費用高；紅外圖像法利用鋼水和鋼渣的紅外輻射溫度差異，轉換成圖像，經圖像處理后檢測其中鋼渣含量并分析渣占比，渣占比超過閾值后報警，啟動擋渣操作，提高鋼水質量。利用紅外圖像實時檢測轉爐下渣具有不受光源、高溫熱源的影響，遠距離監控等優點，在鋼鐵行業得到廣泛應用。

紅外轉爐鋼渣檢測傳統方法存在將鋼口鋼渣、鋼包濺渣識別為鋼流鋼渣的誤差，導致渣占比偏大，擋渣操作提前，使鋼水收得率低，系統實時性較差。而且在出鋼加合金過程中因化學反應產生的濃煙遮擋鋼流，而無法獲知實際出鋼情況。對此，提出改進的Camshift[2]自動檢測與跟蹤算法，采用二值法分割鋼流圖像，檢測目標輪廓特征標定最小外接矩形[3]；增加相鄰兩幀圖像跟蹤框質心歐氏距離判斷。

1 系統的結構設計

紅外轉爐下渣原理是基于普朗克輻射分布定律和維恩位移定律，任何只要溫度高于絕對零度的物體，每一時刻都在向外輻射出紅外線。科學研究表明，紅外輻射以及其他光輻射與組成物質的原子、分子的運動密切相關，物質穩定越高表明其發射的紅外輻射越強[4]。

轉爐紅外下渣系統基本框圖如圖1所示。系統核心為高溫紅外熱像儀測溫設備（包括不銹鋼材質的雙層護罩），配有紅外濾波衰減片及紅外長焦鏡頭。安裝在具備良好鋼流觀測視角的位置，一般為爐后或爐前下渣道附近。系統將采集的鋼流紅外圖像信息傳至主控室，通過上位機分析處理，計算并顯示出鋼流中渣占比。

圖1 轉爐出鋼系統原理Fig.1 Schematic of converter tapping system

2 Camshift目標跟蹤算法

Camshift算法即連續自適應的Meanshift跟蹤算法[5]。該算法對于背景簡單、非剛性、有形變的目標，能夠自適應跟蹤框的大小，精確跟蹤目標，且算法復雜度低，計算量小，實時性好。Camshift采用密度直方圖中“爬山”算法，對數據直方圖進行多次迭代，沿著數據密度分布梯度的方向找到最大相似度的目標區域[6]，實現目標跟蹤。其主要步驟如下：

步驟1 獲取視頻的第一幀圖片，將其從RGB空間轉為HSV空間，并提取H（色調）通道；

步驟2 手動初始化第一幀搜索框W1，確定目標的大小和位置；

步驟3 對初始化區域進行統計得到顏色直方圖，根據顏色直方圖反向投影得到當前幀的概率分布投影圖；

步驟4 根據顏色概率分布圖計算搜索框W1的零階矩M00，得到搜索框W2的長和寬。計算W1的一階矩M10和M01，由零階矩和一階矩得到搜索框W2的質心位置（xc，yc），調整搜索框 W2的大小 S，最后移動搜索窗口 W1的中心 IW1（xc，yc）到 W2的質心IW2（xc，yc），當質心的移動距離收斂于設定的閾值時停止迭代，否則返回步驟3執行，收斂后讀取下一幀圖像并以當前框的位置信息作為下一幀的初始搜索框，重復執行步驟3和步驟4。

零階矩、x和y的一階矩分別為

式中：I（x，y）為圖形中坐標點（x，y）處的像素值；M00為零階矩；M10為一階矩，即x的期望值；M01對y的期望值。由零階矩和一階矩，得到搜索框的質心位置 I（xc，yc）為

式中：xc和yc分別為質心橫坐標、縱坐標。二階矩為

式中：I（x，y）為圖像（x，y）處的像素（概率）值。 Camshift目標跟蹤算法流程如圖2所示。

Camshift算法是一種基于顏色直方圖信息的半自動跟蹤算法，需要人工選取第一幀的搜索窗口，而且只采用HSV顏色模型H通道的顏色信息，當目標發生遮擋或者背景有相似顏色干擾時，該算法容易丟失跟蹤目標[7]。

圖2 Camshift目標跟蹤算法流程Fig.2 Camshift target tracking algorithmic flow chart

3 選取目標邊緣輪廓以及最小外接矩形

3.1 選取目標邊緣輪廓

外部曲線輪廓由一系列坐標點的集合來表示。逐行逐個掃描像素點得到目標最外層輪廓，具體的最小外接正矩形輪廓特征獲取步驟如下：

步驟1 將二值化后的圖像按照從左至右、自上而下的順序掃描每一個像素點。

步驟 2 當像素點（i，j）滿足圖3，且按有序數字遞增的最外層邊界數LNBD=0時，（i，j）定義為外邊界的開始點位置。

圖3 外輪廓邊界開始點Fig.3 Outer contour boundary start point

步驟3 沿著開始點標記邊界上的像素。標記方法為：如果當前輪廓是在0像素區域（包含（p，q+1）位置的像素點）和 1像素區域（包含（p，q）位置的像素點），則將（p，q）處的像素值改為-2；其他情況將（p，q）點的像素改為2，因為圖片最左列、最右列、最上列和最下列為圖片框架，被設置為1。

步驟3 掃描過程中，非邊界非零點的像素值賦值為LNBD，每重新掃描一行時LNBD置0。圖片掃描和標記示例如圖4所示。圖中，外邊界由“#”，“2”和“：”組成，其中“#”為外邊界的開始點，“：”代表“-2”。

圖4 輪廓檢測標記示例Fig.4 Outline detection marker example

3.2 獲取最小外接矩形

由邊緣輪廓標記，得到的外部邊界曲線坐標為

式中：xg，xh分別為外部曲線邊界最大橫坐標、最小橫坐標；yg，yh分別為外部曲線邊界最大縱坐標、最小縱坐標；a，b分別為最小外接矩形的長、寬。

4 基于輪廓特征的Camshift目標跟蹤算法

以跟蹤鋼流作為試驗目的，將紅外攝像頭采集的熱輻射溫度信號轉換成視頻圖像，并顯示在計算機上，先用均值濾波去除圖片中的噪聲，直方圖均衡化增強圖像對比度，以及形態學處理。未加合金前，鋼流和背景分別呈現紅色和黑色，試驗對象顏色對比鮮明，目標輪廓清晰且呈矩形狀。采用二值法對圖像進行分割，可以得到較為滿意的分割效果。經測試，當二值法閾值為317時分割效果良好，選取出鋼視頻第233幀有遮擋圖片進行二值化，鋼流二值化圖像如圖5所示。由圖可見分割效果明顯。

圖5 鋼流有遮擋二值化圖像Fig.5 Steel flow with occlusion binarized image

檢測第一幀圖片中鋼流的最小外接矩形輪廓，作為Camshift初始化搜索框，實現全自動跟蹤。出鋼過程中加合金產生濃煙遮擋鋼流，發生目標漂移和丟失，引入歐氏距離d。當d大于閾值θ，重新檢測目標最小外接矩形輪廓，更新鋼流顏色特征。算法流程如圖6所示。

圖6 基于輪廓特征的Camshift算法流程Fig.6 Flow chart of Camshift algorithm based on contour feature

歐氏距離d為

式中：（x2，y2）為當前幀跟蹤框質心坐標；（x1，y1）為前一幀跟蹤框質心坐標。

5 試驗以及結果分析

5.1 試驗環境搭建

試驗平臺采用Windows 7，處理器為Intel（R）Core（TM）i5-3210M CPU 2.50 GHz，RAM 為4 GB。系統下使用Visual Studio 2017作為開發環境，結合OpenCV3.1.4視覺庫，對武漢中飛揚公司轉爐下渣項目，實現鋼流目標的跟蹤。采用德國歐普士PI 1M型高溫紅外熱像儀測溫設備，其測溫范圍為200～1800℃，顯示像素為764×480，波長為7～14μm，采集速率為1 kHz。

5.2 第一幀搜索框檢測試驗

由于鋼流本身持續運動，手動初始化目標區域一般大于或小于目標本身。對第一幀搜索框分別采用Camshift算法，并手動初始化搜索框和改進Camshift自動檢測搜索框方式。試驗效果對比如圖7，8和 9所示。

圖7 Camshift算法手動初始化搜索框小于目標Fig.7 Camshift algorithm manually initializes the search frame smaller than the target

圖8 Camshift算法手動初始化搜索框大于目標Fig.8 Camshift algorithm manually initializes the search frame larger than the target

圖9 Camshift算法改進后的自動初始化搜索框Fig.9 Automatic initialization of search frame after improvement of Camshift algorithm

由圖可見，手動初始化框小于鋼流目標時，傳統的Camshift跟蹤，只能夠跟蹤到小部分的目標；手動初始化框大于鋼流目標時，傳統Camshift跟蹤，跟蹤框將深色背景和鋼流一同識別為目標。手動選取方式會將出鋼口的鋼渣誤判為跟蹤目標。而采用改進的Camshift自動檢測，可以準確跟蹤整個鋼流目標。

5.3 相似顏色粉塵狀遮擋物試驗處理結果分析

向鋼包加入合金，產生與鋼流相似顏色粉塵狀遮擋物時，分別采用傳統的Camshift算法和改進算法對鋼流進行跟蹤試驗，選取第171，194，233幀做跟蹤效果對比。跟蹤效果的對比如圖10，11所示。

圖10 Camshift算法有遮擋物跟蹤效果Fig.10 Camshift algorithm with occlusion tracking effect

圖11 改進Camshift算法有遮擋物跟蹤效果Fig.11 Improved Camshift algorithm with occlusion tracking effect

由圖10可見，當粉塵狀顆粒物漂浮在鋼流周圍時，鋼流的紅外圖像顏色特征改變，傳統的Camshift算法會出現跟蹤框漂移。由圖11可見，改進Camshift算法更新鋼流目標的顏色特征，并能長時間準確跟蹤目標。出渣期Camshift算法改進前、后的跟蹤效果對比如圖12，13所示。通過對比可見，改進后跟蹤框不包括出鋼口鋼渣，且準確跟蹤鋼流。

圖12 出鋼時Camshift算法跟蹤效果Fig.12 Camshift algorithm tracking effect when tapping

圖13 出鋼時Camshift算法改進后跟蹤效果Fig.13 Improved camshift algorithm tracking effect when tapping

改進Camshift算法應用于武漢中飛揚公司的轉爐下渣檢測項目，分別采用傳統紅外檢測算法和改進Camshift算法進行試驗驗證。數據的對比見表1，表 2。

采用改進算法后，測試30個鋼包中鋼渣厚度其中有74.59%在30 mm以下；平均渣厚比傳統紅外下渣檢測少5.29 mm，減少幅度為9.88%。

6 結語

本文提出了一種基于改進Camshift的紅外轉爐鋼流自動檢測與跟蹤算法。將鋼流的最小外接矩形輪廓特征和Camshift顏色特征結合，實現自適應準確跟蹤，排除了出鋼口和鋼包濺渣對渣占比計算精度的影響；增加歐氏距離因子判斷，解決了跟蹤漂移等問題。試驗結果表明，該方法避免了因轉爐傾角改變導致無法準確計算含渣量的情況，準確判斷出鋼時間，減少了鋼包中鋼渣的含量，鋼水質量得到保證。

表1 含渣量檢測試驗結果對比Tab.1 Comparison of experimental results of slag detection

表2 平均渣厚檢測結果對比Tab.2 Comparison of average slag thickness test results