基于图像匹配的透明车灯部件检测

1 引 言

检测车灯总成装配的完整性是车灯质量检测的一个重要指标 [1]，目前已有文献提出通过图像处理的方法实现车灯零件的检测，但对于车灯中透明部件的颜色、形状特征都较为不明显的情况，一般的图像检测算法难以做到较高的准确率和实时性。车灯中的透明部件颜色透明，形状多样，多用于车灯的内灯壳部分，具有保护灯具内部部件、调节灯光以及外观造型等作用。本文运用图像增强技术对车灯图像进行预处理，并基于灰度的归一化互相关(normalized cross-correlation,NCC)匹配与金字塔结合的算法对这类透明车灯部件的安装情况进行检测，使透明部件的检测准确率和实时性大大提高。此外这种方法还可用于车灯的其他部件缺失检测，使车灯的总成检测具有更高的可靠性和实时性。

2 车灯图像增强处理

2.1 直方图均衡化

车灯图像的采集环境，尤其是光照条件,会对获取的图像质量产生很大的影响，致使图像整体的灰度层次不丰富，图像的细节信息不够清晰[2]。本文采用的直方图均衡化对图像的光照补偿十分有效。通过均衡化处理可以将图像的灰度值均匀地分布在整个灰度级范围，实现图像灰度的对比度增强效果[3]。

如图1～图4为不同光照条件下车灯部件图像和经过直方图均衡化处理的图像结果。

  

图1 正常灯光下图像及对应的直方图

  

图2 正常灯光下均衡化的图像及对应的直方图

  

图3 较暗灯光下的图像及对应的直方图

  

图4 较暗灯光下均衡化的图像及对应的直方图

从图中可以看出经过均衡化处理的直方图像素值分布更均匀，均衡化后的图像比原图亮度有所增强，由于光照强度对图像产生的影响明显地减小，其中车灯的透明部件在经过处理后灰度对比度更明显。

3.由于招标代理机构对有关政策规定把握不住，业务能力不强引起的不规范行为。一是招标采购文件存在以不合理的条件对供应商实行差别待遇或者歧视待遇条款。二是采购文件未体现政府采购促进中小微企业发展之政策。三是采购公告内容信息不完整。四是采用综合评分法时评审标准中的分值未与评审因素的量化指标相对应。五是采购需求中的技术要求指向特定产品。六是采购文件将非进口投标产品生产厂家授权函原件及售后服务承诺函原件作为资格条件。

2.2 锐化滤波

经过直方图均衡化的车灯图像虽然在一定程度上提高了对比度，但对于部分零件的边缘细节信息还不够突出。锐化滤波的增强处理则可以增强图像的高频分量，减弱图像的低频信息，从而增强图像的灰度反差，使图像细节突出或者增强被模糊化的部分[4]。

卡尔曼滤波用状态方程和递推方法进行估计,根据前一个估计值和最近一个测量数据来估计信号的当前值,其解以估计值的形式给出。卡尔曼滤波算法如下[8]。

梯度锐化是采用一阶微分的算法来体现图像灰度值的变化率，从而实现图像的增强[5]。设图像的二元函数f(x,y)在(x,y)的梯度表达式定义为：

 

(1)

式中:是一个指向图像灰度最大变化率方向的二维梯度向量，它的长度和方向公式为：

 

≈|Gx|+|Gy|

(2)

(3)

  

图5 Prewitt梯度算子模板

采用NCC算法匹配准确性高，但计算量比较大，为了提高匹配速度，采用图像金字塔搜索进行图像分层，大大减小了计算量[9]。

  

图6 锐化处理后的车灯图像

图6为直方图均衡化基础上再经过锐化处理后的车灯图像，图像的视觉效果增强，零件的边缘更清晰，灰度对比度更大，可观察到透明部件的形状轮廓更具体，这样处理更有利于图像匹配结果的准确性。

3 灰度匹配算法及归一化互相关函数

由于透明部件颜色信息较少，安装在车灯上后，其在图像上的颜色和形状特征容易受周围的部件影响，图7、图8分别为安装了和未安装透明部件的车灯图像及其安装位置的局部放大图，可以看出其主要区别就是安装了透明部件的部位灰度值偏亮，没有安装透明部件的部位灰度值偏暗，由此分析采用以灰度信息为基础的算法进行相似度匹配可以做到较高的稳定性。

  

图7 安装了透明部件的车灯图像

  

图8 未安装透明部件的车灯图像

归一化互相关(NCC)函数匹配算法就是以灰度信息为基础的图像匹配，通过利用两个图像灰度值的相关函数，采用相似性算法计算出模板图像与待检测图像的对应关系，从而判断图像的匹配程度，找到匹配的位置[7]。互相关函数NC(x,y)的定义如下：

 

(4)

(1)将待处理的原始图像作为金字塔的最下面一层用G1表示；

将其再进行归一化，则公式转换如下：

NCC(x,y)=

(5)

由以上计算结果可知，NC(x,y)值越大,则表示检测图像位置的匹配度越高，与模板图像越接近[8]。

更进一步，如果说马克思主义哲学方法论本身并不是一个脱离具体社会历史现实分析和政治经济学批判的抽象存在，那么，马克思政治经济学批判中所取得的理论推进势必同时具有哲学方法论创新的意蕴。正是从这一视角出发，我们尝试回答既有研究中存在的争论或分歧。

4 金字塔算法

在计算梯度时，本文采用了Prewitt算子对图像进行锐化，它在提取边缘信息时对噪声也有一定的平滑作用 [6]。图5为使用的Prewitt计算模板，将经过锐化处理后的图像与原图叠加，可使车灯零件的边缘细节更突出。

创新教育理论认为，不要把简单的结论给学生，要让学生自己独立去探索、研究，要引导学生经历“做数学”的过程，并在这个过程中与学生平等的交流和给予恰到好处的点拨。让学生学会学习、学会思考问题的方法，为学生的终身学习、终身发展打好基础，促进学生的全面发展。

原文《离婚》是以人物对话展开故事情节的。对话占小说全文的69%。根据表3，原文的词汇密度为30.31%，说明原文是一篇以口语为主的小说。五个译本的词汇密度均低于原文，均属于口语的词汇密度范围。也就是说，五个译者都能较好地保留了原文的口语体风格。

  

图9 高斯金字塔分层图像

式中：待匹配图像I的像素大小为M×N；模板T的像素大小为m×n。从图像I中任意选取一块像素大小为m×n的子图Ix,y，Ix,y的左上角像点在图像I中的坐标为(x,y)，可知坐标范围为0≤x≤M-m，0≤y≤N-n。

(2)将第1层图像G1通过高斯低通滤波器进行滤波，再对滤波后的图像进行隔行隔列的降采样得到第一层图像G2，很明显此时G2的大小只有G1的1/4；

(3)继续通过上述方法进行多尺度分解，可得到图像G1，G2，…，Gn。对于第k层高斯金字塔图像位于(x,y)的计算存在如下的递推公式：

食蚁兽的嗅觉极为灵敏，能嗅出蚁穴的位置。找到蚁穴后，它们会用利爪小心地把蚁穴拨开，使蚁穴不至于被完全破坏。食蚁兽很聪明，它们不会一次就把一个蚁穴吃空，而是吃掉一些猎物后，再换一个蚁穴继续吃。这样一来，就可以保证自己领地中的白蚁或蚂蚁能够繁衍生息，自己能长期有食物吃。食蚁兽已经处于灭绝的边缘，全部种类的食蚁兽均被列入《世界自然保护联盟濒危物种红色名录》。

 

(6)

由于原始透明部件尺寸较大，若将透明部件整体提取，不便于处理，因此提取透明部件灰度特征比较明显的一部分作为模板，这样处理既能够加快匹配速度，也不影响匹配精度。模板尺寸为60像素×36像素。

5 实验与分析

以某车灯部件中的透明部件检测为例，采用上述方法对车灯图像进行匹配检测。车灯图像实际大小为656像素×494像素，只截取部分图像进行说明。车灯图像及透明部件模板提取如图10所示，图10(a)为标准车灯图像，图10(b)为从中提取透明部件的原始模板，其视觉效果不明显，即使人工检测时也容易漏检。

式中：w(m,n)=h(m)·h(n)为5×5具有低通特性的窗口函数，h是高斯密度分布函数(满足约束条件：归一化性、对称性、奇偶项等贡献性[11,12])。

  

图10 车灯图像及透明部件模板提取

透明部件周围镶嵌有其他的银色和黑色部件，导致其灰度信息易受周围零部件影响，不利于匹配。针对这个模板，先经过均衡化处理增强灰度对比度，再通过锐化滤波使模板轮廓灰度特征更加明显，提高模板匹配的稳定性，见图11。

  

图11 模板图像处理过程

匹配算法实现的主要步骤如下：

(1)读入模板图像T和待检测图像I，对模板图像和待检测的车灯图像分别进行直方图均衡化和锐化滤波处理；

高斯金字塔是由原图像经过连续高斯滤波和二次采样生成的一系列不同分辨率的图像组成。图9是经过高斯金字塔处理的车灯图像4层搜索结构，其基本构建步骤如下：

(2)设置金字塔层数为4，初始匹配窗口尺寸为15像素×9像素，匹配的相似度阈值设为0.75，基于归一化互相关函数(NCC)进行分层匹配。

(3)找出相似度值最大时图像对应的位置，并记为匹配区域。先从高层开始搜索，得到模板的粗匹配，再不断缩小范围，逐渐提高图像分辨率进行精确匹配，最终找到搜索目标。

在金字塔算法中，通过对原始图像分辨率的处理分解为一个多尺度的新图像序列。序列中的金字塔随着塔层数的增高，图像的大小和分辨率都降低。在相邻两层之间，分辨率一般相差2倍，上一层图像的大小是下一层的1/4 [10]。

图12为待检测的车灯图像，经过均衡化及锐化处理后，采用图11处理后的透明部件模板进行匹配检测，最后匹配结果如图13所示。

  

图12 待检测车灯图像

为了验证本文算法的有效性，实验将基于金字塔的归一化互相关匹配方法分别与基于金字塔的图像边缘梯度特征匹配、K-means聚类分析算法和不变矩匹配进行对比。

5.1 两种匹配对比实验

实验将基于金字塔的灰度匹配(归一化匹配)和基于金字塔的特征匹配(边缘梯度特征匹配)算法进行了对比。两种算法的匹配速度和相似度结果如表1、图14及图15所示。

  

图13 匹配结果图

 

表1 基于金字塔的两种方法匹配数据对比

  

样本序号归一化互相关匹配匹配时间/ms相似度/×10-3边缘梯度特征匹配匹配时间/ms相似度/×10-3147999 001631000 00253929 45147955 47350896 85155911 80449959 35148989 93547806 57146765 39649933 77150994 97751881 37162776 94850829 13152774 67949855 39144699 32(误检)1051692 25(部件漏装)159723 46(部件漏装)

  

图14 两种算法的匹配相似度

  

图15 两种算法的匹配时间

在匹配准确率上，从表1和图14可以看出10个样本中，采用基于归一化互相关的金字塔匹配结果都正确，而基于边缘梯度特征的金字塔匹配出现一个误检；在匹配速度上，从表1和图15可以计算出，基于金字塔的归一化互相关匹配的平均时间为49.6 ms，基于金字塔的边缘梯度特征匹配的平均时间为152.6 ms，约为前者的3倍；综上分析可知，采用本文的方法对车灯的透明部件检测的匹配准确率更高，匹配速度更快。

5月18日，银亿股份全资子公司邦奇动力与XPT蔚来驱动科技签署了一项合资协议，将在南京建立一个新的工厂，并向两家合资方的客户每年供应约10万台电动车变速器。新成立的合资公司南京蔚邦传动技术有限公司，主要从事纯电动车变速器等新能源汽车零部件的研发、生产和销售。新设立公司注册资本拟定6 000万元，南京邦奇和蔚来动力以现金出资各认缴50%的注册资本，分别持有该公司50%的股权。

烟草在制品（叶片、叶丝、混合丝、梗丝、高档膨胀丝、广东薄片等）；取样袋；样品盒；PB153－S型电子天平（感量 0.001 g，瑞士 METTLER TOLEDO 公司）；FED－240 烘箱（德国 BINDER 公司）；KBF240恒温恒湿箱（德国BINDER公司）。

5.2 K-means聚类分析检测和不变矩匹配对比实验

实验通过对车灯图像进行K-means聚类分析来实现对透明部件的检测。如图16(a)为车灯局部部件原图，设置分类数K为4，原图均衡化处理后再进行聚类检测。图16(b)为分析结果，透明部件为白色区域，整个目标与旁边的银色部件以及黑色背景分开，边缘清晰，检测效果较好。

3.教师开启“雨课堂”弹幕功能，学生在观看小组课前拍摄的情景剧视频时，通过发弹幕的形式，对情景剧中处理投诉的做法以及模拟小组成员的表现发表自己的看法或体会。教师要适当引导，从处理投诉的相关技能要点进行评论，不要使用过激言辞，要有礼有节；也不要天马行空，做到有的放矢。设计意图是改变传统课堂学生观看视频时，因无法参与而被动观看造成的关注度不高，通过发弹幕，学生能自由表达自己的观点，调动了学生观看视频的积极性和参与性。

  

图16 透明部件及聚类分析效果图

实验还采用文献[2]提出的不变矩匹配对车灯透明部件进行检测。将车灯图像进行均衡化处理，再计算图像的7个不变矩，由于不变矩对于平移、旋转具有不变性，其更适用于具有旋转特性的零件。如表2为本文算法和不变矩匹配在车灯角度变化时的匹配相似度比较，可以看出，当图像旋转时，不变矩匹配具有较高的匹配相似度，本文算法在零件旋转角度较小时能保持较高的相似度，较大时相似度降低，但由于车灯的零部件在装配时并不会产生太大的角度误差，因此对算法的旋转不变性没有要求。

实现数据统一存储，使智慧校园的存储架构化繁为简，存储资源更具灵活性，为实现大数据平台提供条件。分布式存储通过分布式技术和高速网络，把物理上分散的多台X86服务器本地磁盘介质组成一个大规模存储资源池，对虚拟机和上层的应用提供标准的SCSI和iSCSI接口。数据存储时被分片打散到多个节点上，分片数据支持分布在不同的存储节点、不同的机柜之间。同时，数据存储时采用多副本技术，每一个分片的不同副本也被分散保存到不同的存储节点上，从而保障数据安全。

 

表2 角度变化时两种算法的匹配相似度

  

旋转角度/(°)本文算法匹配相似度不变矩匹配相似度00 9590 89550 8840 840150 6980 829

如表3所示，为以上4种算法在车灯透明部件检测的多次实验结果数据，其中基于K-means聚类分析的成功检测率最高，但花费的检测时间也较长；基于金字塔的边缘梯度特征匹配在速度和检测效果上都差于基于金字塔的归一化互相关匹配；而不变矩匹配虽然在图像旋转时有较好的检测效果，但准确率和匹配速度比其他3种方法都低；综合检测准确率和速度要求，本研究采用的方法能够较好地检测出车灯透明部件的安装情况，匹配准确度较高且检测速度最快。

 

表3 4种算法的成功检测率和检测时间对比

  

算法成功检测率/(%)检测时间/s金字塔归一化互相关匹配950 050金字塔边缘梯度特征匹配900 152K⁃means聚类算法981 320不变矩匹配8828 000

6 结 论

针对车灯总成中一类透明部件的特性，提出了基于归一化互相关(NCC)匹配算法对车灯透明部件实现图像匹配，同时又结合了金字塔分层算法弥补归一化互相关匹配带来计算量大的不足，并在实现图像匹配之前对图像进行直方图均衡化和锐化滤波从而增强图像成分的对比度，使匹配准确度以及稳定性提高。实验结果表明：本文算法的成功检测率可达到约95%，检测时间约为50 ms，可以较高的准确率和速度实现车灯透明部件的检测。通过对算法参数的设置能够推广应用于其他车灯部件装配的检测。

[参考文献]

[1] 张彩艳,穆平安,戴曙光,等.基于3D直方图与爬山法的K-means车灯零件检测算法[J].计算机应用与软件,2013,30(4):40-43.

[2] 夏颖,戴曙光,苏添发.基于不变矩匹配的车灯零件检测[C]// 2007'仪表,自动化及先进集成技术大会论文集(二).2007.

[3] 梁晓辉,游志胜.自适应的彩色图像光照补偿新方法[J].光电工程,2006,33(2):94-97.

[4] 游福成.数字图像处理[M].北京:电子工业出版社,2011.

[5] 朱奇光,张兴家,陈卫东,等.基于颜色矩的改进尺度不变特征变换的移动机器人定位算法[J].计量学报,2016,37(2):118-122.

[6] 阮秋琦.数字图像处理[M].北京:电子工业出版社,2005.

[7] Li Y,Liu Q,Jing L, et al.A genetic-optimized multi-angle normalized cross correlation SIFT for automatic remote sensing registration[C]// Geoscience and Remote Sensing Symposium,2016.

[8] 谢维达,周宇恒,寇若岚.一种改进的快速归一化互相关算法[J].同济大学学报(自然科学版),2011,39(8):1233-1237.

[9] 张桂南,刘志刚,韩烨,等.接触网棒式绝缘子故障检测的快速模糊匹配方法[J].铁道学报,2013,35(5):27-33.

[10] Li Y,Wang R,Cui Z,et al.Spatial Pyramid Covariance based Compact Video Code for Robust Face Retrieval in TV-series[J]. IEEE Transactions on Image Processing, 2016,25(12):5905-5919.

[11] 黄蕾.图像边缘特征提取算法的分析与研究[D].合肥:安徽大学,2015.

[12] 刘源泂,孔建益,徐福军,等.基于图像金字塔的钢板表面深度信息提取方法[J].计量学报,2015,36(4):356-359.