基于机器视觉的机械零部件图像目标提取模型与方法比较研究

机械科学研究总院□胥新政 强 毅 王 欣

1 概述

随着我国工业技术的快速发展，市场对机械装置精度要求越来越高。在实际生产中，机械零部件的图像目标提取技术影响着机械装置的精度、运动性能及寿命。传统人工测量方法的识别速度和精度易受人为因素影响，难以满足高容量、高效率、高精度产品的测量需求。

机器视觉手段进行零部件识别在工业领域应用十分广泛，其突出特点是识别过程采取非接触、无损伤、高效率、低成本，成为当前制造业重点领域核心应用技术之一。图像提取是机器视觉中的一个重要技术环节。本文基于运动目标检测理论，通过Matlab平台和图像采集系统，对目前常用的动态背景下混合高斯模型与静态背景下背景差分法两种图像目标快速提取方法进行了比较分析和总结，以期对基于机器视觉图像目标提取提供一定的理论参考。

2 运动目标检测理论

运动目标检测是指通过计算机视觉的方法减除视频中时间和空间上的冗余信息，有效地提取出发生空间位置变化的物体的过程。运动目标检测处于整个视频采集系统的最底层，依据前景目标所处的背景环境分为静态背景下运动目标检测和动态背景下运动目标检测，是各种后续高级应用如目标跟踪、目标分类、目标行为理解等的基础。近年来，为了适应复杂多变的环境，学者们根据应用领域、技术方法特点提出了众多不同的运动目标检测的方法，如背景差分法、混合高斯模型等。

运动目标视频由很多帧的图片构成，可理解为一个三维数据 X∈Rw×h×t。 其中， w、 h 分别代表视频帧的长、宽，t代表视频帧的帧数。也可等价理解为逐帧图片的集合，即X={x1，x2，……，xt}， 其中 xi∈Rw×h（i=1， 2， ……， t） 为一张长宽分别为w、h的图片。三维矩阵的每个元素 （代表各帧灰度图上每个像素的明暗程度）为0到255之间的某一数值。该值越接近0，像素越黑暗；越接近255，像素越明亮。对灰度图像二值化后得到二值化图像，即所有灰度大于或等于阈值的像素被判定为属于特定物体，其灰度值为255，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域，进而整个图像将呈现出明显的黑白效果。

3 图像采集系统

图像采集系统主要由载物台、摄像机、计算机、图像采集卡和照明装置等组成 （见图1）。

在图像采集时，首先调整CCD摄像机的参数和LED灯的位置，保证载物台上零件图像的清晰度，保持不变；然后，进行零件图像采集；最后，通过图像采集卡将样本图像转存至计算机，以备静态背景下背景差分法、动态背景下混合高斯模型的后续处理。

图1 图像采集系统

4 图像处理

（1）静态背景下背景差分法

1）原理与公式

背景差分法是采用图像序列中的当前帧和背景参考模型比较来检测运动物体的一种最常用的方法，其性能依赖于所使用的背景建模技术。其原理是利用当前图像与背景图像的差分以提取运动区域的一种运动检测方法，即利用当前图像与背景图像做差分，当差分值高于设定的阈值时，目标即被检测到。背景图像状态直接影响目标检测的精确性，保持静态为理想状态。

背景差分法公式见式 （1）、式 （2）。

式 （1） 中fk（x， y） 为当前图像帧， bk（x，y）为背景图像帧；Dk（x，y）为帧差图像。

式 （2）中Rk为二值化图像，T为二值化设定阈值。

2）步骤与流程

第一步，背景图像的建立。设f1，f2，……，fk为视频图像序列，按照多帧图像平均法，图像第k帧的背景图像为：bk= （fk-n+1+fk-n+2+…+fk）/n（n≤k）。

其中，fk为第k帧图像，bk为更新的背景图像，n为更新背景图像所需的帧数，一般取n≥50 （100～200）。

第二步，差分图像的获取。对当前帧图像fk与背景图像bk进行差分计算，获得前景差分图像Dk。

第三步，运动目标的检测。对差分图像Dk进行二值化得到二值化图像Rk。其中，当某一连通区域面积大于设定的阈值时，即为检测目标。

流程图见图2。

3）验证与分析

图2 背景差分法基本流程图

以圆柱螺旋压缩弹簧 （见图3）为例，对采集图像 （见图1）通过Matlab软件实现背景差分后快速输出了二值化图像 （见图3～图6），该方法检测快、易于实现；从输出的图片可以明显看到目标图像的轮廓和区域连通性得以较为完整地保留，效果较好。由于该法易受机械震动等外界因素的干扰，所以在非运动目标处检测出伪运动目标点，影响后续过程中目标轮廓的识别与测量精度。

图3 弹簧实物图

图4 采集图像

图5 二值图像1

图6 二值图像2

4）小结

背景差分法算法因计算量较少，故检测速度快，易于实现，且实时性强。由于该法是在静态背景下实现的，其结果易受以下干扰因素影响：

第一，动态背景干扰。场景中存在非前景目标的细微运动情况，如载物台、摄像机等产生的机械震动，即使程度轻微，也会使背景的模拟过程更加复杂，影响检测结果的精度；

第二，光线变化干扰。在采集过程中，LED灯光照强度发生变化时，会严重影响前景目标的检测效果。

（2）动态背景下混合高斯模型

背景差分法在运动目标检测中广泛应用，因其对动态场景变化 （如光照、外来事件等）较为敏感，故该法难以适应动态背境下 （如光线的突变，背景中运动目标的短暂停滞问题、机械震动等）的运动目标检测。而高斯混合模型能够通过自身学习机制逐渐适应动态背景的变化。

1）原理与公式

高斯混合模型是一个将事物分解为若干的基于高斯概率密度函数 （正态分布曲线）形成的模型。其基本原理是对视频序列图像中的每个像素点构建K个高斯分布，同时用这K个高斯分布的加权和来描述视频中的场景。

若每个像素点的像素值用变量Xi代表，其概率密度函数可由如下K个三维高斯函数表示，见式 （3）、式 （4）。

式 （3）中K是混合高斯模型中高斯分布的个数，一般取 3～5；xt是像素在 t时刻的RGB值；n表示xt的维数；wi,t表示时刻t混合高斯模型中第i个高斯分布的权系数的估计值，且是 t时刻的第 i个高斯分布；μi,t和Σi,t分别表示时刻t混合高斯模型中第i个高斯分布的均值向量和协方差矩阵；其中，（σi,t为协方差，I为单位矩阵）。

其中，i=1，2，……，K

在模型初始化时，将新输入的第一帧序列图像中各像素点的颜色向量值作为该像素K个高斯分布的均值，而每个高斯分布的方差都取较大值且权重相同。

通常情况下K值越大，处理背景变化的能力就越强，算法复杂度也会随之加大，K的取值可以根据计算机的运算能力和内存空间适当选取。但当K大于一定值之后，算法处理能力并没有明显改善反而运算速度降低很多，K一般取3～5。在这K个高斯分布中，一部分用于描述背景，另一部分用于描述前景，这相当于对背景和前景同时构建了模型，更有利于运动目标的检测。

2）背景模型参数更新

获取的像素值xt与已存在的K个高斯分布匹配性的判断。 若 xt满足条件|xt-μi,t|≤2.5σi， 则该像素值与高斯分布匹配。若均不匹配，则用创建的高斯分布来代替优先级1，2，3，……，K）最小的分布，并将新获取的像素值xt作为新高斯分布的均值。

高斯分布权重，均值和方差分别按式 （5）、（6）、 （7）、 （8）更新。对于匹配的分布 Mk,t=1，否则Mk,t=0。而对于不匹配的分布，其均值和方差都维持不变。

其中α是自定义的混合高斯模型学习率，且0≤α≤1背景模型的更新速度取决于α值的取值。

背景模型结束更新后，按优先级λi，t重新对K个高斯模型进行排序，最后取前B个高斯分布用来生成背景，见式 （9）。

式 （9）中B表示排序后的K个高斯分布中的前B个高斯分布是否为该背景像素的最佳描述。T为设定的阈值 （0.5≤T≤1），T值较大时，模型用多个高斯分布来描述背景，其抗干扰能力则强，反之则弱，一般取经验值0.85。

重新检验t时刻每一个像素值Xt与前B个高斯分布的匹配关系，若与前B个高斯分布之一匹配，则该像素为背景点，否则为前景，即运动物体。至此，实现了将运动目标从背景中提取出来的目的。

3）验证与分析

同样以圆柱螺旋压缩弹簧为例，对采集图像（见图4）通过Matlab软件应用混合高斯模型输出了二值化图像 （见图6）；从输出的图片可以明显看到，目标图像的轮廓和区域连通性也能够较为完整地保留，且没有伪运动目标点。可见，高斯混合模型在动态场景，即载物台震动引起背景变化的条件下，能够较好地完成对圆柱螺旋压缩弹簧的检测。另外，具有一定程度的实效性，且应用广泛。

高斯混合模型因能实时更新背景模型，有效地克服动态背景造成的微小扰动，如载物台的震动、摄像机的抖动、LED光照变化等，从而避免了伪运动目标点的出现。

4）小结

高斯混合模型对每个像素运用混合高斯模型进行建模，并且利用像素迭代进行模型参数更新，从而有效地克服了背景图像变化、光照渐变所带来的扰动。

由于算法复杂，动态背景下高斯混合模型图像目标提取仍然存在一定的局限性：当运动目标灰度与背景相似时，检测前景的目标轮廓不完整，使得漏检率增大；静止目标或大而慢的运动目标易被融入到背景模型中去，使得背景中出现“影子”现象；当背景模型参数更新速度过快或者过慢时，这容易导致前景图像会出现一些不规则的伪前景，影响理想运动前景的提出。

5 结论

本文基于机器视觉技术，分别对背景差分法和高斯混合模型目标图像提取原理进行了描述、验证和分析，并在广泛阅读国内外大量相关文献的基础上，总结见下文。

静态背景下背景差分法的优点是检测速度快，易于实现，且实时性强。其结果易受动态背景和光线变化干扰。

高斯混合模型通过自身学习机制能够较好地适应动态背景的变化，具有一定的时效性。虽然，当背景模型参数更新速度过快或者过慢时，产生的伪前景影响运动目标检测结果。但是，在图像采集过程中，自适应更新的高斯混合模型可以克服动态背景造成的微小扰动，所输出的二值图像无伪运动目标点。因此，高斯混合模型更适合基于机器视觉的目标零部件检测。该检测方法实现了对机械零部件轮廓的有效提取，为机械零部件的数字化加工提供了理论参考。同时，可推广应用到特种、复杂零件的轮廓识别研究、反求设计和特种加工中，从而提高特种零件轮廓识别速度、缩短其设计周期、提高其加工效率。