基于OpenCV 的物體輪廓尺寸測量

朱志成ZHU Zhi-cheng

（重慶交通大學機電與車輛工程學院，重慶400074）

0 引言

近年來，由于互聯網的飛速發展，網上購物也越來越頻繁，網絡購物以每年20%以上的速度增長，2020 年1 至6 月，全國網絡銷售額達5.15 萬億元，同比增長7.3%，連續四個月增長速度有所提升。電子商務的快速發展，對于物流配送也有了更高的要求，傳統的物流配送已經顯示出了其一部分不足之處了：配送時間不夠靈活，具體表現在：配送員的配送時間與收件人收件時間的不匹配，主要有兩種情況，配送員配送的時候，取件人沒時間；取件人有時間時，快遞沒有配送到。節假日，特別是春節期間配送員人手不夠導致節假日的物流積壓；由于配送員追求配送速度而引起交通事故頻發[1]；新冠肺炎疫情的爆發以來，“無接觸”配送服務逐漸出現，阿里巴巴與京東公司也相繼推出了無人快遞機器人進行配送。在未來的“最后一公里”的配送中，無人快遞機器人的配送會越來越普及[2]。無人快遞機器人的一個關鍵技術是，對快遞物品尺寸大小進行測量，并根據測量的結果推薦適合尺寸的快遞包裝盒。目前在這一領域的研究還很少。

杭州電子科技大學劉士偉（2019 年）針對陶瓷基片的測量需求，提出了基于OpenCV 的陶瓷基片視覺檢測系統[3]。西安建筑科技大學的郭瑞峰，袁超峰等（2017 年）針對煤礦火車車廂的輪廓測量需求，提出了一種基于OpenCV 的單相機火車車廂單位尺寸測量，其搭建的測量系統測量偏差小于95mm，能夠滿足該場合的測量需求[4]。內蒙古工業大學的韓佳彤（2020 年）提出了一種基于機器視覺的測量方法用來解決道路車輛的高度測量問題[5]。目前，利用機器視覺對此汽車輪廓[6-7]以及汽車零部件[8]進行尺寸檢測已經有了較多的研究。現階段機器視覺在測量方面的應用越來越成熟[9-10]，但無人快遞機器人還很少運用機器視覺技術來對快遞物品進行輪廓測量，因此針對快遞物品的輪廓尺寸測量，文中采用機器視覺對物品的輪廓尺寸進行了測量研究。

1 相機標定

利用相機進行測量所利用的圖像與物體自身有相對應的關系，其模型為針孔成像模型，相機成像時會產生圖像畸變，圖像畸變會導致物體的形態大小發生變化、圖像失真、扭曲變形。為提高測量的準確性需要對鏡頭畸變進行校正[11-12]。

相機的標定方法現階段主要包含線性標定方法、非線性標定方法以及張正友相機標定方法等[113]。介于傳統與自標定法之間的張正友相機標定法是目前最為經典的標定方法之一。因此文中采用基于MATLAB 的張正友標定法對相機進行標定。

標定板棋盤方格的邊長為17mm，標定過程中為了保證其結果的真實性，分別從不同角度以及不同距離對標定板進行圖片采集。

2 物體輪廓的識別和測量

2.1 灰度化

利用相機拍攝的圖片一般以RGB 格式的彩色圖像保存在計算機中，RGB 格式的圖片有 R（紅色）、G（綠色）、B（藍色）三個顏色通道，每個通道的通道值都在0-255 范圍內，而灰度圖像只有一個顏色通道，只反映該像素點的明亮程度，數值越大像素點就越白，越小就越黑，將圖像進行灰度化能減少計算機的計算量[14]其轉換公式為式（1）所示：

2.2 圖像濾波

圖像濾波是為了在能夠保留目標圖像細節特點的條件下，對目標圖像的噪聲信號進行抑制，圖像處理結果將對后面被處理的信號產生影響，是進行圖像處理的重要一個步驟。濾波運算能夠將圖像中被數字化摻雜的噪聲進行去掉和減少，增大了圖像清晰度，對其視覺效果也進行了優化[15]。雙邊濾波作為一種非線性濾波器，以高斯濾波的基礎上，在此基礎上對像素間的數值差異進行了考慮，利用周邊像素灰度值的加權平均值代替像素中的灰度值。以q 為中心的雙邊濾波可以表示為：

y（p）—噪聲像素；F—以 q 為中心的大小（2r+1）*（2r+1）的領域；w滓s—空間內核；w滓r—值域內核。其中空間內核和值域內核為：

2.3 邊緣檢測

邊緣性檢測技術就是視覺處理學中對圖形信息進行處理的基本方法，一般適合應用于對特征的提取以及對特征的檢測，其目標主要是對各類數字圖像中明顯發生變化的地點進行檢測。邊緣檢測可以使得需要進行處理的圖像信息數據的工作量大大減小，對于與之相關的信息也進行了刪除，保留為圖像主要組成部分。目前，常見的一階微分算子主要有 roberts 算子、sobel 算子、prewitt 算子。此外在機器視覺領域常見的檢測算子還有Laplacian 算子以及Canny 算子[16-17]。

文中采用了Canny 算法。Canny 算法在Sobel 算子基礎上又添加了高斯濾波、雙閥值邊緣點篩選以及非極大值抑制[18]。其基本思想為選擇一定的高斯濾波器對圖像作平滑處理，再進行非極大值的抑制處理，最后得到邊緣圖像[19]。

3 系統實驗

3.1 實驗系統構成

實驗系統包括：操作系統：64 位Windows 10。相機：LeTMC-520，分辨率為1280*720/640*480 像素。計算機：CPU：1.6GHz 四核、內存：4G、硬盤：500G、顯卡：AMD Radeon R6 M340DX。

3.2 實驗設計

實驗對尺寸為8.3cm，寬為6.6cm，高為2.9cm 的小盒子進行測量，由于長度和寬度能夠表示小盒子特征以及能檢測測量系統的測量效果。故對小盒子的長寬進行了6 次測量，圖1 為物體尺寸測量效果圖，表1 為盒子的尺寸測量數據。

圖1 物體尺寸測量效果圖

表1 盒子尺寸測量數據

3.3 實驗結果及誤差分析

經過6 次對盒子的測量，由表1 可知其平均測量長度為8.67cm，平均測量寬度為7.42cm。其長度誤差為4.27%，寬度誤差為11%。

通過對整個實驗過程進行分析，引起該實驗系統出現測量誤差主要有以下幾方面原因：

3.3.1 LeTMC-520 相機自身誤差

在測量系統的工作中，攝像機內部的大多數電子元件都是電阻元器件，在工作時會產生熱電子噪聲，即使通過圖像濾波和對小盒子多次測量取平均值可以進行減噪，但是長時間運作還是會影響測量精度。

3.3.2 系統誤差

通過視覺來對物品尺寸進行測量，測量過程是通過成像原理中的函數對應關系來進行的。因此在圖像處理過程中的相關計算都有可能會帶來誤差，該誤差是系統誤差，無法通過多次測量對誤差進行消除。

3.3.3 測量誤差

在利用相機進行測量時，相機與待測量物品的距離以及測量的角度都會對測量結果產生影響。通過實驗發現角度的影響對于測量精度的影響較大，相機正對物品時測量尺寸更準確，當角度有傾斜時測量誤差較大。

通過對測量結果的分析發現，利用該測量系統對于測量的數據都比實際的尺寸偏大了一定范圍，測量盒子長度測量偏大4.27%，寬度尺寸偏大11%。因此對于文中測量系統的測量值加了一個修正系數，讓其在測量數據的基礎上進行一定比例修正，使其降低測量誤差使其測量結果更為準確。進行修正之后在對盒子進行了6 次測量，測量效果圖如圖2 所示，測量的具體數據如表2 所示。由表2 可知其平均測量長度為8.26cm，其平均測量寬度為6.72cm。修正之后長度測量誤差縮減至0.48%，寬度測量誤差縮減至1.77%。從測量數據說明添加修正系數提高了測量準確性。

圖2 修正后尺寸測量效果圖

表2 修正后盒子尺寸測量數據

4 結論與展望

①文中提出了一種基于機器視覺的單目相機物品尺寸測量方法，實現了單目相機對物品尺寸的測量。其精度滿足在無人快遞機器人的使用。

②文中的創新點在于將機器視覺應用到了無人快遞機器人上，使其能對物品進行尺寸的測量，根據測量結果，推薦合適的快遞包裝盒，提高了無人快遞機器人的智能程度。

③文中實驗在相機與物品垂直的視覺方向測量效果較為理想，在相機與測量物體有一定傾斜角的時候測量效果還不夠理想。

受實驗設備的影響，現有設備的測量速度較慢。在后續應用中還需要提高計算機的運算能力；對于有傾斜角度的測量目前測量效果不理想，后續應用中還需優化算法，降低傾斜角度對測量的影響。