基于SURF算法的汽車底盤異物檢測

王粉蝶，普杰信

(河南科技大學電子信息工程學院，河南洛陽471003)

隨著國內外對重要場合的安全檢測要求的提高，汽車底盤異物智能圖像識別技術越來越受到重視。針對系統采集的海量數據，需要在汽車通過的短短幾秒時間中完成數據的處理，就必須有一套高效檢測算法來與之相適應，以提高海量數據處理的速度，達到高速處理的目的。本課題是基于車輛底盤異物智能識別系統(Under Vehicle Inspection System，UVIS)，主要是采用線陣CCD相機對汽車底盤圖像進行采集，之后將采集到的圖像與標準圖像庫中的標準圖進行對比，檢測出底盤上異物的位置，并標示出來供安檢人員參考以做進一步處理。標準圖是將編碼器裝置在汽車的尾部，根據汽車的速度變化來調整采樣頻率得到的。由于檢測時候汽車的運動速度是非勻速直線的，因此找出與采集圖相對應的標準圖之后，要想準確地對異物進行定位，就需要進行圖像匹配。對于整個系統來說，圖像配準是變化檢測的基本步驟［1］。由Herbert Bay等提出的 SURF(Speeded Up Robust Features)［2］算法具有速度較快、魯棒性強的特點，是現在的配準算法研究的熱點之一［3-6］，因此本文采用了該算法來實現圖像的配準。

配準之后，對圖像進行進一步處理，采用開運算用于補償不均勻的背景亮度，并與頂帽變換結合增強對比度，之后采用自動閾值迭代算法計算局部閾值，根據閾值產生二值圖像，對二值圖像采取八連通處理，最后用彩色的線標示出異物的位置。

1 SURF算法

SURF算法是一種新的局部不變特征算法，該算法主要由4個部分組成:1)特征點檢測;2)特征點方向的確定;3)特征描述符的提取;4)特征匹配。算法采用快速Hession檢測算法檢測關鍵點，以經過方向配準的梯度方向直方圖作為算法的特征，且此特征具有尺度旋轉不變性。

1.1 積分圖像

SURF算法為提高計算速度，使用積分圖像［7］完成卷積操作。其定義為:

若圖像I(x)的一像素點用X=(x，y)表示，那么積分圖像I∑(X)表示以該點和原點為對角頂點的矩形區域內的像素之和，即

計算積分圖像時，只要遍歷一遍原圖像即可。若矩形區域的4個頂點分別為A，B，C，D，如圖1所示，則該矩形窗口的灰度值之和為

1.2 SURF特征點

SURF算法的特征點［8］是基于Hession矩陣的，首先要提取極值點作為候選的特征點。Hession矩陣的定義如下

當行列式的值小于某個閾值，則判為不穩定的點，不作為極值點。如果行列式的值最大，則為特征點。在計算視覺領域，尺度空間被象征性的表述為一個圖像金字塔，其中，輸入圖像函數反復與高斯函數的核卷積并反復對其進行二次抽樣。SURF算法根據此方法構建尺度空間，使用快速Hession矩陣檢測每一層圖像上的極值點，對該點鄰近3×3×3立體鄰域進行非最大值抑制，大于鄰近26個響應值的點稱為SURF特征點。之后在特征點的鄰域上計算Harr小波，選擇四種構成特征向量描述。

1.3 特征點匹配

采用歐氏距離來度量特征點間的相似性［9-10］

近似值和準確值不可避免存在誤差，為此引入一個常數權值0.9。得到其判別式為

式中:Aik表示待匹配的第一幅圖像的第i個特征點描述向量的第k維的值;Bik表示待匹配的第二幅圖像的第i個特征點描述向量的第k維的值;n表示特征點描述子是一個n維的描述向量。選擇歐氏距離最小的一對特征點進行匹配，然后采用窮舉搜索算法找到所有的點對即可。

2 異物檢測

2.1 閾值處理

汽車底盤異物檢測系統首先將存在畸變的待測圖與標準圖進行SURF匹配，之后需要對異物進行定位并標示

閾值T的迭代步驟為:

1)為T選擇一個初始估計值(一般為最大亮度和最小亮度的平均值)。

2)使用T分割圖像，會產生兩組像素，即亮度值≥T的所有像素組成的G1和亮度值＜T的所有像素組成的G2。

3)計算G1和G2范圍內的像素的平均亮度值μ1和

μ2。

4)計算一個新閾值

5)重復步驟2)～步驟4)，直到連續迭代中的T比預先指定的參數T0小為止。

2.2 邊緣跟蹤

經過閾值處理之后，得到二值圖像，為了標記出異物的大小和位置，需對差分得到的二值圖像進行邊緣跟蹤。二值圖像輪廓提取采用3×3網格的八鄰域分析方法。

定義邊界點標記為1，而其8連通鄰域中至少有1個標記為0的點，網格中心點為當前待處理點。算法規則是以邊界點為中心的八鄰域內，記中心點為1，其鄰域的8個點按逆時針分別記為P0，P1，…，P7，其中P0在P的左下角，見圖2。如果中心點P為黑，且它的8個相鄰點都是黑色時(該點為內部點)，則將該點刪除，也即把內部點都掏空。出來。將標準圖與矯正圖進行差分，得到差分圖。由于差分圖像對比度較低，首先對圖像進行處理增強對比度，之后進行自動閾值處理，處理后的圖像定義為

3 自動檢測方法

基于SURF算法的汽車底盤異物檢測流程如圖3所示。

4 實驗結果分析

實驗圖像采用的是線陣CCD相機獲得的汽車底盤的圖像，為了檢測出異物的位置，需要建立一個標準庫，里面存儲不含異物的標準汽車底盤圖像。因為在所研究的系統中，需要對運動的汽車底盤進行底盤掃描成像，而線陣CCD相機因其采樣頻率高，積分時間短，用來獲取移動圖像是最恰當的。

圖4是采用線陣CCD相機獲取到的汽車底盤的圖像(彩圖見 http://blog.csdn.net/fendie123/article/details/18957841)，圖4a中含有一個盒子用來模擬異物，圖4b對應的是標準圖，可以看到異物部分也含有相應的特征點。根據SURF算法將二者的對應點匹配起來，由于采取歐氏距離最小的原則，會產生匹配錯誤的情況，用閾值對歐氏距離進行限定，減少誤匹配現象的出現。

圖4 汽車底盤特征點的提取(截圖)

采用SURF算法匹配的結果如圖5所示，由于汽車移動的非勻速，使得存在漏采集和重復采集的現象，根據匹配的結果對圖像進行單應性矩陣變換可以得到畸變校正后的圖形，如圖6所示。

校正后的圖像用來與標準圖做差分運算，經過進一步閾值和8連通處理可以標示出異物的位置。實驗中分別對大小為60×45、20×15、5×5(單位為 piexel)的異物進行了實驗，從圖7中可以看出均可標示出異物的位置和大小。圖8是未經圖像匹配直接進行檢測的結果，對比可知不經過匹配的檢測結果存在很多散亂的標記點，不存在異物的地方也被標記了出來，檢測的準確性相對較差。根據實驗結果統計虛檢(即實際之中沒有異物卻被誤認為有異物存在)的個數如表1所示。由表中可以看出，采用SURF算法匹配之后系統虛檢的概率大大減少，增加了整個系統的可靠性。同時匹配之后虛檢的數目大大減少，使得后面的異物檢測部分邊緣跟蹤的時間縮短了一半左右，提高了整體檢測的速度，為智能實時檢測打下了基礎。

表1 虛檢的個數統計

5 結論

針對汽車底盤智能異物檢測系統中采集到的線陣CCD圖像存在漏采、重復采集等現象，采用SURF算法對畸變圖像配準，使得待測圖像與標準庫中的標準圖保持一致，配準之后進行了后期處理，包括增強對比度，閾值處理和輪廓跟蹤，最后將汽車底盤中所包含的異物標示出來。實驗結果表明采用的算法是有效的，可以準確標示出所加異物的位置，滿足實時性的要求。多種類型的異物檢測將作為以后的研究方向。

:

［1］ GHAFFARY B K，SAWCHUK A A．A survey of new techniques for image registration and mapping［C］//Proc．the SPIE:Application of Digital image Processing．［S．l．］:IEEE Press，1983:222－239．

［2］ BAY H，TUYTEPLAARS T，VAN G L．SURF:speeded up robust features［C］//Proc．the European Conference on Computer Version(ECCV 2006)．［S．l．］:IEEE Press，2006:404－417．

［3］李慧，藺啟忠，劉慶杰．基于FAST和 SURF的遙感圖像自動配準方法［J］．國土資源遙感，2012(2):28－33．

［4］郭亮，滕奇志．基于SURF算法的微觀驅替圖像配準［J］．太赫茲科學與電子信息學報，2013，2(11):271－276．

［5］唐堅剛，楊生遠，孫龍杰．雙目立體視覺測量中的特征點快速匹配算法［J］．信息技術，2013(3):51－59．

［6］張開玉，梁鳳梅．基于改進SURF的圖像配準關鍵算法研究［J］．科學技術與工程，2013，10(13):2875－2879．

［7］陳藝蝦，權森，徐煥宇，等．SURF算法和RANSAC算法相結合的遙感圖像匹配方法［J］．計算機科學與探索，2012(9):1－9．

［8］ LOWE D．Distinctive image features from scale－invariant keypoints［J］．International Joural of Computer Vision，2004，60(2):91－110．

［9］ ZITOVA B，FLUSSER J．Image registration methods:a survey［J］．Image and Vision Computing，2003，21(11):977－1000．

［10］ FONSECA L M G，MANJUNATH B S．Registration techniques for multisensor remotely sensed imagery［J］．Photogrammetric Engineering and Remote Sensing，1996，62(1):1049－1056．