传送带上运动物品的动态图像捕捉和几何参数测

【摘　要】介绍了通过图像处理方法实现传送带上运动物体的图像恢复及几何参数测量，并将其应用到羽毛球生产中毛片的在线弯度、粗细测量中。详细叙述了线性运动图像恢复的原理、几何参数计算方法及改进措施，最后给出了实现系统方案和测量的结果。
关键词：视频捕捉 图像恢复 在线测量
　　
1　引　言
　 在自动化生产过程中，传送带和物流系统是生产线的重要组成部分。通常情况下为了实现物品的分类处理或完成产品的质量控制等，我们需要了解物品的某些细节情况如几何参数，因此，基于图像处理的测量方法得到越来越多的应用。测量方式主要有静态和动态两种，静态是指目标对象相对摄像机静止，用这种方式可以获得清晰的图像，而动态方式下则得不到清晰的图像。
　 在某些场合下，无法获得静态图像，而运动目标的成像又会造成图像质量的下降, 为避免出现图像的降质，或者考虑到其它因素如机械传动系统、运动特性等，我们一般采用运动状态下的图像捕捉和处理的方法。虽然采用平稳运动系统可以减少传动过程中的振动，提高系统的运转效率，简化系统的设计，但同时图像处理的时间也会加长。
　 本文将动态的图像测量方法应用于羽毛球生产过程中的毛片弯度等参数的测量，介绍了整个系统的组成和运行的情况，并提供了过程的主要结果。
2　运动图像的恢复原理
　 了解运动图像的恢复原理，首先应了解图像的运动模型。
　 根据Gonzalez水平图像运动模型〔1〕，设原图像为f（x，y），在曝光时间T内原图像沿水平方向移动距离为a，移动速度恒定且曝光线性，则
　　　　　　　
这是一个递推关系式，说明当前位置的恢复图像可以由离当前位置a处的恢复图像推算得出，模糊图像g（x）的导数总可以求得。只要求出长度为a的图像，整个图像都可以根据上述递推关系获得。
设m为x／a的整数部分，恢复图像可以由下式近似得出〔2〕
　　　　　　　　　　　
图像恢复的质量取决于恢复关系式中各参数的选取。A和γ对恢复图像的背景和对比有影响，而a对恢复图像的质量起决定作用。通常情况下采用搜索方法获得合适的值。在参考文献〔2〕中采用均方误差准则下实现自动搜索的方法。本文的测量环境下，由于运动速度恒定，参数a一旦确定后当作一个参数来处理。
3　基于图像处理的几何参数计算
3．1　羽毛球毛片参数
　 羽毛球质量的重要指标是其飞行的稳定性，即在飞行中不出现摇摆或变线。羽毛球飞行的气动机理十分复杂，这里不作研究。只要能保证形状相同的毛片插在同一个球上，则在正常工序下生产出来的羽毛球就会具有良好的飞行稳定性。传统的测量方法不仅速度慢而且夹具对软性材料的测量结果产生影响。本文尝试利用图像捕捉设备对传送带上的毛片进行动态捕捉和处理，获得毛片的形状参数后按形状参数分档，保证具有相同形状的16根毛片插在同一个羽毛球上。
　 毛片的主要几何参数有毛杆的弯度、拱度和毛杆顶部的粗细等。这里的弯度指的是毛杆中心线与其切线在顶部位置处的水平距离，拱度为毛片在平放时的拱高。这里主要介绍弯度的测量方法，先提取毛杆的边缘并计算中心位置，然后拟合毛杆中心线，最后计算弯度值。在此过程中粗细也同时得出。
3．2　图像的边缘提取和边缘数据的采集
　 物体的边缘在图像上反映出局部特性的不连续性。理想的边缘有阶跃型、房顶型和凸缘型，由于图像噪声的存在，实际的边缘变得十分复杂。　
　边缘检测通常采用微分类算子实现。这类算子有Sobel算子、Kirsh算子和Laplacian算子等，前两个算子为梯度算子，后者为二阶微分算子。Sobel梯度算子在两个方向上选取微分大的值作为其梯度值，显然当两个方向上微分值大小相等时梯度的误差最大；而Kirsh则在八个方向上计算微分并以最大制作为梯度值〔3〕，算子法的计算结果作为边缘判别的依据；Laplacian算子则是不依赖边缘方向的二阶算子，具有旋转不变性。
　 由于微分类算子的固有特性，边缘检测都会受到噪声影响。采用滤波方法可以有效地抑制噪声的干扰，但同时也给边缘产生一定程度的钝化，这种钝化作用会影响边缘的提取 ，因此关键在于滤波方案的选择。上述微分类算子都采用了滤波方法 。Sobel算子采用了三点加权平均，当边缘在水平或竖直方向时，实际的滤波沿着边缘进行，因此滤波对边缘的钝化作用最小；而当边缘在45°或135°方向时，滤波点与边缘在方向上相差最大，此时滤波对边缘的钝化作用也最大。因此，选择与边缘较为一致的核（kernel）能在噪声抑制和边缘保持方面获得满意的结果。
3．3　毛片参数测量
　 从图像处理获得的毛杆形状会因为图像噪声和测量环节的误差而带有毛刺，通过处理得到的毛杆中心往往不光滑而且会出现不连续点。
　 曲线上某一点的切线用相近两点的连线来近似。当两点的距离接近时，连线就可以看作切线。这一方法实现时简单，但在噪声环境下测量结果误差非常大。本文采用的方法是将毛杆中心上采样得到的有限个点进行曲线拟合，然后从拟合后的曲线获得某一点的切线，并计算出毛片的弯度。
　 曲线拟合采用多项式的最小二乘法。对每一根毛杆，沿着Y方向选取N组坐标（Xi ，Yi），以X作为变量，Y为自变量选定曲线的方程为
　　　　　　　　　
　　　　　　　　　　　
对上述线性方程组，可获得多项式系数。
　 最后要考虑的问题是拱度对弯度的视角修正。每根羽毛都存在不同程度的拱度，而在弯度测量时将毛杆投影在水平面内进行测算，因此不同视角下同一弯度的毛片存在测量值的差异 。视角修正的目的在于还原实际的参数。
4　动态图像捕捉和几何参数测量在羽毛分拣中的应用
4．1　测量系统组成
　 羽毛几何参数动态测量系统包括以下几个部分：（1）传送带。由稳速电机驱动，使摆放在上面的羽毛能够以恒定速度平稳进入摄像区域。采用减振机构以减少传送带的上下振动。（2）摄像头和视频捕捉设备。图像捕捉部分由摄像头、捕捉卡和计算机组成。采用480线CCD摄像头、精工16mm手动光圈镜头和LifeView视频捕捉卡，摄像及捕捉速度为15～30fps，设计传送带移动速度为每帧2s。（3）图像处理软件及计算机。图像处理软件包括运动补偿滤波，图像特征参数提取，毛杆轮廓拟合和图像参数输出。计算机采用PⅢ微机。
　 图像特征参数来源于毛杆边缘轮廓及中心位置的提取。边缘提取采用微分类算子检测。由于毛杆边缘方向通常在竖直方向附近的一个小范围内变化，根据实际毛片的摆放情况毛杆边缘方向一般在竖直偏左右10°以内，因此采用5×3竖向的条形核。
毛杆中心线的拟合采用前面叙述的方法，沿毛杆顶部到根部选取15个点，拟合出三阶多项式的四个系数。事实上，三阶多项式对毛杆的弯度计算已经足够。
　 在实时测量中，处理的速度尤为重要，它将影响整个系统的效率和效益。根据上述分析，运动图像的恢复只需要在有限行进行，这样能够减少图像恢复所需要的时间。
　 减少计算时间的主要途径是采用递推关系。由（4）式可知，恢复图像是以宽度a分组的，各组内相同位置的点进行累加实现恢复运算。在编程时，开辟a个单元存贮，将会节省大量时间。
　 为提高处理的速度，在视频图像捕捉时将图像转存到内存，并由程序访问已存图像完成处理运算。这样可以避免外设访问，减少一个循环内的处理时间。

4．2　主要结果
　 对传送带上均匀摆放的毛片进行动态捕捉后获得模糊的图像，如图2所示。捕捉的时刻由传送带定位装置触发产生。中间部分为恢复后的图像，这里A取50，a为15。a的大小可以由实验方法获得，也可以由估计得出〔4〕。右边为弯度测量结果的情况 ，实际上用作系统调试时作参考，如镜头光圈设定、处理中阈值设定等。在实际应用中，图像的恢复和参数计算作为一个任务执行，恢复图像作为中间结果不在屏幕上出现。
　 在图像恢复方面，采用前面介绍的图像恢复方法能够获得比较清晰的图像，但也存在较大的噪声，这一噪声显然与差分运算有关。毛杆的参数测量也会受到噪声的影响，但在5×3竖向核的滤波作用下将会得到一定程度的改善。黑色背景中存在较大的噪声，这主要是由CCD的电子噪声引起的。采用适当的门限值抑制低亮度下的噪声能够获得好的效果。这样得到的测量结果与静态条件下的结果较为接近，能满足毛片参数测量及分拣方面的要求。
　　　　　

　　参　考　文　献

1　Gonzalez R，Woods R．DigitalImage Processing．Ad－dison－Wesley Publishing，1992
2　陆俊，舒志龙，阮秋琦．基于尺度旋转的图像恢复研究．通信学报，2000年7期
3　Castleman K R．DigitalImage Processing．北京：清华大学出版社，1998
4　Tekalp A M．数字视频处理．北京：电子工业出版社，1998 全息投影相关文章:全息投影原理