一種基于圖像的車輪檢測方法研究

摘要：對運動車輛的車輪視覺檢測方法進行了研究。首先采用實時背景更新的背景差分法和輪廓檢測方法獲得運動車輛的位置和范圍，然后根據車輛輪廓信息截取下半部圖像，以縮小車輪的搜索范圍。再對截取的圖像進行邊緣檢測，提取其輪廓，最后對輪廓采用直接最小二乘橢圓擬合算法檢測橢圓，并根據橢圓長短軸比率和中心間距等信息排除誤檢橢圓，得到車輪的中心位置和大小。實驗表明，本方法檢測車輪有很高的正確率。

關鍵詞：Canny算法，輪廓檢測，橢圓擬合，車輪

中圖分類號：TU723.3 文獻標志碼：A 文章編號：1672-3791（2015）04（a）-0000-01

基于計算機視覺的車輪自動檢測在智能交通、工業生產等領域有重要的應用價值。由于實際環境復雜，車輪的有效檢測是一項困難的工作。在車輪檢測時本文利用了Andrew Fitzgibbon提出的直接最小二乘橢圓擬合法[1]進行橢圓檢測，此算法優點是簡單高效，但缺點是會出現較多的誤檢橢圓。因此，本文根據運動圖像的特點縮小車輪的檢測范圍，以盡可能排除干擾。本文首先運用背景差分法和輪廓分析方法檢測運動車輛位置，然后針對車輛的下半部圖像采用Canny算法提取邊緣，進而對其進行輪廓檢測，最后采用橢圓擬合算法完成車輪的檢測。

1 運動目標檢測

由于背景有較多干擾，會導致最終車輪提取變的復雜。因此，本文首先運用背景差法將運動目標提取出來，為了排除場景變化的影響， 并獲得較純凈的背景，對背景進行了實時更新[2]。本文研究的原始視頻幀如圖1所示，背景如圖2所示。背景差分并二值化的效果如圖3所示。

2 輪廓檢測

對于二值化圖像，本文利用OpenCV的cvFindContours函數提取輪廓，將檢測出的輪廓保存到鏈表中[3]。根據車輛的長寬信息可以排除小的干擾輪廓。對圖3所示的二值圖進行輪廓檢測結果如圖4所示，可見車輛被正確檢測出來。

圖1 原始視頻幀 圖2 實時更新的背景

圖3 背景差分并二值化效果 圖4 目標檢測結果

3 邊緣檢測

上節將運動車輛檢測出來后，為了排除干擾，減少計算時間，本文針對其下半部進行邊緣檢測。這里采用Canny算法提取邊緣，其原理是先用高斯濾波器平滑圖像，再用一階偏導的有限差分計算梯度幅值和方向，對梯度幅值進行非極大值抑制，最后用雙閾值法檢測并連接邊緣[3]。由于輪轂和輪胎分界明顯，因此邊緣檢測效果對閾值選取不是很敏感，可以選取稍大的閾值，以減少非車輪邊緣的檢出。檢測效果如圖5所示。

4 車輪檢測

為了便于后續的車輪檢測，本文首先針對邊緣檢測后的圖像用第3節介紹的方法進行輪廓提取。輪廓信息保存在序列中，序列中的每一個元素是曲線中的一個點的位置。圖5中有較長的邊緣和較短的邊緣，顯然不符合車輪特征。可以根據第3節獲得的車輛長高信息推測車輪的尺寸，排除一部分不符合條件的輪廓，輪廓提取的效果如圖6所示。

圖5 對目標區域邊緣檢測 圖6 輪廓檢測結果

車輪圖像近似于橢圓，因此可以通過橢圓檢測的方法檢測車輪。本文對輪廓提取結果采用直接最小二乘橢圓擬合法[1]進行橢圓檢測。雖然已經縮小了橢圓擬合范圍，但仍可能會將少量非橢圓輪廓檢測出來，或同一車輪檢出多個橢圓，如圖7（a）- （d）所示。其中，圖7（a）為圖6的橢圓擬合結果，其橢圓信息如表1所示。圖7（b）- （d）列舉了其它3種車輪的橢圓檢測結果。

（a） （b）

（c） （d）

圖7 橢圓檢測結果

表1 對圖7（a）檢測出的橢圓信息

左側橢圓右側橢圓

中心坐標短軸長軸中心坐標短軸長軸

（17， 31）613（218， 32）711

（42， 28）911（220， 32）1315

（43， 27）1114（220， 30）1616

文獻[4]根據橢圓內外的灰度值區分橢圓是否為車輪邊界，但不適用于輪轂顏色本身較暗或受到污染的情況。本文研究的車輪有如下特點：

（1）兩車輪大小、中心縱向坐標相近；

（2）車輪圖像接近圓形，長短軸比接近1；

（3）兩車輪對稱，與車輛邊緣距離接近。

本文根據以上特點排除誤檢橢圓，并且根據剩余橢圓中心的距離將多個近似橢圓歸并，歸并時優先保留長短軸比最接近1的，長軸最長的橢圓，最終相應車輪的檢測結果如圖8所示。可見車輪被正確檢測出來。

圖8 車輪檢測結果

5 結論

本文對車輪的視覺檢測進行了研究，并利用VC++和OpenCV視覺庫進行了編程實驗，結果表明本方法能實時有效的檢測出車輪位置。但當輪轂和輪胎顏色分界不明顯時會出現車輪中心提取準確度不高的現象。另外，實際環境復雜，車輪的污染程度，相機擺放角度，光線都會影響最終的車輪檢測效果。如要適應更復雜的情況需要做進一步的研究。

參考文獻

[1] Andrew Fitzgibbon， Maurizio Pilu， Robert B. Fisher. Direct Least Square Fitting of Ellipses. IEEE Transaction on Pattern Analysis and Machine Intelligence， 1999， 21（5）： 253-257.

[2] Dr Alan M. Mclvor. Background Subtraction Techniques[J]. IVCNZ00， Hamilton， New Zealand， 2000

[3] Gary Bradski， Adrian Kaehler著.于仕琪，劉瑞禎譯.學習OpenCV（中文版）[M].北京：清華大學出版社，2009，10，173-256..

[4] 陳旭，林國余.一種基于立體視覺的車輪中心測量方法[J]. 南京信息工程大學學報：自然科學版，2011，3（1）：84-90.