27 卷Vol.27 第 21 期No.21 第 Electronic Design Engineering 电子设计工程 2019 11 Nov. 2019 年 月 基于颜色和形状的不均匀光照条件下球体识别 陈 卫，邓志良 （江苏科技大学 电子信息学院，江苏 镇江 212003 ） HSV Candy 摘要：针对不均匀光照条件下球体识别误检率问题。充分利用球体的颜色和形状信息。对彩色图 像经过图像增强预处理后，通过基于 彩色空间模型阈值分割的方法，对球体颜色进行识别。 将图像转为灰度图像后，通过自适应阈值分割的方法有效地去除了不均匀光照条件对图像分割的 影响。在使用 边缘检测算法对边缘进行提取后通过基于霍夫变换找圆的方法找出球体的 圆。最终经过两个先验信息特征量的交叉匹配，确定目标球体。实验表明该算法有效提升了不均 匀光照条件下球体目标识别的准确率。 关键词：目标识别；不均匀光照；阈值分割；边缘检测 中图分类号： 21-0177-05 1674-6236 TN911.73 文献标识码： 文章编号： 2019 A （ ） Ball recognition based on color and shape under uneven illumination conditions CHEN Wei DENG Zhi⁃liang ， 212003 ， （School of Electronic Information ，Jiangsu University of Science and technology ，Zhenjiang China） ， Abstract: Aiming at the problem of false detection rate of ball recognition under uneven illumination condition. Make full use of the ball's color and shape information. After color image preprocessing is performed by image enhancement identify ball color by threshold segmentation based on HSV color space model. After converting the image to a grayscale image remove the effect of uneven illumination conditions on image segmentation by adaptive threshold segmentation. After extracting the edge using the Candy edge detection algorithm the circle of the ball is found by finding the circle based on the Hough transform. Finally the target ball is determined through the cross matching of two prior information feature quantities. Experiments show that this algorithm can effectively improve the accuracy of ball target recognition under the condition of uneven illumination. Key words: target recognition threshold segmentation uneven illumination edge detection ， ， ， ； ； ； [1] 机器人对目标识别的过程，即通过视觉信息将 感 兴 趣 的 目 标 物 体 从 复 杂 的 背 景 分 离 出 来 的 过 程 。首先我们需要选取待识别物体的特征，常见的 图像特征有图像的颜色特征、纹理特征、形状特征和 空间关系特征。在对球体目标识别的过程中颜色特 征和形状特征是其最为明显的特征。机器人在目标 识别过程中，首先需要确保的是准确识别率，但机器 人的工作环境复杂，不均匀的光照条件也会对目标 识别的准确性产生干扰。基于机器人的实际应用场 景，本文提出通过颜色和形状特征交叉匹配的算法 201904016 稿件编号： 2019-04-03 1992 收稿日期： 作者简介：陈 卫（ 1 RGB 对目标球体进行识别，以消除不均匀光照对球体目 标识别的影响。 1 基于颜色特征识别 1.1 颜色空间转换 3 ） 颜色空间模型。 据三原色原理，每种颜色可由红、绿、蓝 比例混合而成 模型如图 吻合人眼感知红、绿、蓝 的视觉感知并不相符，且 颜色空间模型是根 种原色通过 [2] 。该模型是基于笛卡尔坐标系中，其 颜色空间模型虽然能较好地 种原色的事实，但它与人类 、 个分量易受到光 RGB 3 R 所示。 G B 3 1 、 这 RGB —），男，江苏南通人，硕士研究生。研究方向：机器人控制技术、智能控制。 -177 - 

2019 《电子设计工程》 21 期 年第 照强度变化的影响，对后续的图像处理产生干扰，影 响目标识别的准确性。 1 RGB 图 颜色空间模型 HSV 2 H HSV V S 3 、 ） 、 颜 色 空 间 模 型 。 在 这 颜 色 空 间 模 型 个分量分别代表色调、饱和度、亮度 。作为面向视觉感知的彩色模型，它能更好地描 颜色空间模型可以用一 所示。 中， [3] 值 述人类对颜色的感知。 个圆锥来表示，其模型如图 HSV 2 2 HSV 图 HSV HSV 3 RGB 颜色空间模型 RGB [4] 到 ） 颜 色 空 间 模 型 转 换 。 相 比 颜色空间更能直观对颜色进行 ，且能消除亮度分量对彩色信息的影响。因此 颜色空间模型， 描述 在 图 像 处 理 过 程 中 通 常 将 摄 像 头 获 得 的 基 于 颜色空间模型的图像转换为 式如式（ 颜色空间。转换公 HSV RGB ) G + ( 2+ ( R - R ) B - B ( ) G - - + ( 2+ ( G R ) ) G ù ú û ) - ) B ) B ( G B R - R ( - R ≤ B ù ú û ) - B G > G B 1 （ ） R ）所示。 1 arccosé - = ì ( ï ê 2 ( - ë ï 2π-arccosé í ï ê 2 ( ï ë = max( î ) , , = max( , 255 , , max( ) , ) R -min( , , ) R G R G B B R G R G B G B ) H S V 1.2 彩色直方图均衡化 在实际实验环境中，摄像头在视频帧采集过程 -178 - 中，会收到光照条件的影响，使图像过亮或者过暗； 同样在图像传输过程中，各种噪声的介入也会影响 图片的质量。在图像预处理过程中，可用图像增强 的方法，增强对有用信息的辨识，减弱无用信息，从 而达到改善图像质量的目的。直方图均衡化作为图 像增强的一种方法 ，具有高效且易于实现的特点。 直方图的均衡化是一种灰度的变换过程，其目 的是将当前的灰度分布通过一个变换函数，变换为 范围更宽、灰度分布更均匀的图像 ，从而增强图像 的对比度，使图像细节更加清晰。 [5] [6] 文中选取颜色特征进行球体目标识别，为了让 颜色信息更容易提取，可以采用彩色直方图均衡化 的方法，增加彩色图像的对比度。彩色图像是由多 个分量组成的，在对彩色直方图均衡化的过程中，必 须考虑多个分量的的直方图均衡化技术。因此需将 各个分量进行通道分离，在每个通道上进行直方图 均衡化，最后再将通道合并形成新的彩色图像。在 颜色空间模型中，基于颜色分量的均衡化方法， 忽略了 之间的关系，会产生不正确的颜色， 使图像失真。所以图像直方图均衡化的过程中，需 要保持色彩本身不变， 颜色空间模型便是适合 这种方法的理想空间模型。 RGB HSV R G B 、 、 HSV 基于 ）将 摄 像 头 采 集 到 的 基 于 颜色空间模型的均衡化方法的步骤如下： 颜 色 空 间 模 型 HSV 的图像转换为基于 颜色空间模型的图像。 ）通过通道分离技术对 个分量进行通 1 2 H RGB S V 3 V 、 、 分量不变，对 分量进行直方图均 ）将各个分量的通道合并，形成新的图像。 、 S H ）保持 道分离。3 衡化处理4 1.3 彩色图像分割 [8] [7] 图像分割是把图像分成若干个具有特定性质的 区域并从提取出感兴趣区域的过程 。基于阈值的 分割方法具有处理直观、实现简单且计算效率高的 特点，因此基于阈值的分割方法在图像分割技术中 占据着核心地位 。在图像处理过程中，彩色图像可 以提供比灰度图像更丰富的信息。对于特定颜色物 体的识别，基于彩色图像的分割算法能够取得更好 的效果。基于灰度图像的一些分割算法，同样可以 运用到彩色图像中。借鉴灰度图像的多阈值处理方 法，在 个分 量中分别进行多阈值处理。在对图像分割实现二值 颜色空间模型中，可对其在 HSV V 3 H S 、 、 

陈 卫，等 基于颜色和形状的不均匀光照条件下球体识别 255 化的过程中，阈值区间内的即为目标区域设置为白 色（ ）。分割 策略由式（ ），其余则为背景区域设置为黑色（ ）给出： 2 0 , )x y g( 255 = ì ï ï í 0 ï ï î if H1, ∈ ( S1, ∈ ( ∈ ( V1, H2 ) S2 V2 ) ) h and s and v else 2 （ ） 式中 H1 、H2 为 H 分量上设定的双阈值，S1 、S2 S V2 为为 V 分量上设 分量上设定的双阈值，V1, 为为 定的双阈值。 1.4 形态学操作 [9] [10] 数字图像处理中形态学操作可以理解基于形状 的处理操作 。最基本的图像学操作有两种，分别为 腐蚀和膨胀。从数学角度来讲，膨胀和腐蚀操作都是 对图像和核进行卷积。膨胀通俗来讲便是求局部极 ，与之相反腐蚀操作是求局部极小值 大值的过程 的过程 。相比更高级的是开运算和闭运算。开运算 是对图像先腐蚀后膨胀的过程，可以用来消除小物 体平滑较大物体的边界。闭运算则是对图像先膨胀 后腐蚀的过程，可以用来排除图像中的小型黑洞 。 1.5 实验结果及分析 [11] [12] 实验环境中，采用摄像头对图像进行实时采集， 在不同光照条件下对乒乓球进行颜色识别，图像分 割后的结果分别如图 所示。 、图 3 4 4 3 以减少光照对图像分割的影响，但固定的阈值分割 还是会受到光照的影响。当光照条件较均匀时，如 图 所示分割效果会很好。当光照条件不均匀时， 如图 所示光照反射强烈的部分会错误被分割为背 景部分。如果基于此二值图像进行后续的形状识别 将会影响识别的正确率。 2 基于形状目标识别 2.1 彩色图像灰度化 处理。对于图像而言，灰度化处理就是使彩色的 将彩色图像转换为灰度图像的过程称为灰度化 ， 分量值相等的过程。本文采用加权平均值法的 G B ， R = 方法将彩色图像进行灰度化处理。 3 ） W 、K 、U 为 根 据 三 者 的 重 要 性 等 指 标 给 R ， （ W U R G B R K G * B = * + * + = G ，B 三者取不同的权值 2.2 自适应阈值分割 简单阈值分割是一种基于全局的分割方法，在 实际场景中，当光照不均匀时，基于全局的阈值分割 可能会将目标区域和背景区域错误的划分。自适应 阈值分割通过图像中的每个像素设定不同阈值的方 法解决了突发噪声或者背景灰度变化较大等情况下 全局阈值分割不准确的问题 。自适应阈值选取方 法是通过每个像素自身为中心的邻域窗口确定该像 素 的 阈 值 。 中 提 供 了 自 适 应 阈 值 化 函 数 来实现自适应阈值处理。自适应 adaptiveThreshold OpenCV [13] 5 所示。 阈值处理后的图像如图 3 图 分割后二值化图像 4 图 和图 3 通过图 4 分割后的二值化图像 直方图均衡化处理后基于 的分割结果对比可知，虽然经过 模型的阈值分割，可 HSV 5 图 2.3 边缘检测 自适应阈值分割后的图像 [14] 图 像 的 边 缘 是 指 图 像 局 部 区 域 亮 度 变 化 显 著 的部分，该区域的灰度剖面一般可以看作是一个阶 跃 ，即从一个灰度值在很小的缓冲区域内急剧变 化到另一个灰度相差较大的灰度值。边缘检测一般 分为 个步骤：首先通过滤波器改善与噪声有关边 缘检测器的性能。其次采用增强算法将图像灰度点 3 -179 - 

2019 《电子设计工程》 21 期 年第 中邻域强度值有明显变化的点凸显出来，最后采用 阈值化等方法对增强后图像中梯度值比较大的点进 行取舍。Candy 1 边缘检测算法作为现今最优秀的边缘检 测算法，它具有低错误率、高定位性，最小响应的特 点 。其具体实现过程如下： [15] ）对图像进行高斯滤波。对 图 像 进 行 高 斯 滤 波，便是根据待滤波的像素点及其邻域点的灰度值 按照一定的参数规则进行加权 平 均 。 这 样 可 以 很 好地滤去图像中叠加的高频噪声。 首先利用二维高斯核对图像进行卷积：二维高 斯函数的定义如下： 2+ x 2 ) y 2 2 σ 4 （ ） , , G( x y σ , , L( x = 1 2π , ) = G( x ) σ -( 2 e , σ * ) 5 ( , ) ( 将图像与二维高斯核进行卷积，得到： I y x y y σ x y x , , ) （ Canny ） 其中 x 和 y 分别表示的是邻域内其他像素与邻 , 为原图像， y 2 域内中心像素的距离，σ 表示标准差，I L( ) σ 为与指定高斯核进行卷积后输出的图像。 算法用了 Sobel 和 G ）计算梯度幅值和方向。图像的边缘可以指向 不同方向，因此经典 个梯度算子来 分别计算水平，垂直和对角线方向的梯度。为简化 边缘差分算子计算水平和垂直方向 计算，采用 。可以用下列式子计算梯度幅值 G 的梯度 G 6 7 和方向 θ ： 4 （ ） G G y x G = + =arctan æ ç è x θ y G G y x ö ÷ ø （ ） Canny ）非极大值抑制。非极大值抑制是进行边缘检 测的一个关键步骤，通过这一步排除非边缘像素，仅 保留一些候选边缘。通俗意义上是指寻找像素点局 部最大值，将非极大值点所对应的灰度值置为 0 。 ）用滞后阈值法选取边缘像素。 算法采 用滞后阈值的方法，滞后阈值需要一个高阈值和一 个低阈值区分边缘像素。如果边缘像素点梯度值大 于高阈值，则被认为是强边缘点。如果边缘梯度值 小于高阈值，大于低阈值，则标记为弱边缘点。小于 低阈值的点则被抑制掉。 6 经过边缘提取后的图像如图 2.4 基于霍夫圆变换的圆的识别 所示。 霍夫变换是图像处理中的一种特征提取技术， 。霍夫 它是一种快速检测出直线或圆的有效方法 [16] -180 - 3 4 6 图 边缘检测 center center 为 变换在一个参数空间中通过计算累计结果的局部最 大值得到一个符合该特定形状的集合作为霍夫变换 的结果。在霍夫圆变换中一个圆需要在三维空间用 ，和半径 r 来表示。因此霍夫圆 圆心点 x opencv 变换占用的内存较大，从而导致执行效率很低。 ，y HoughCirles 内部提供了一个基于霍夫 变换理论的找圆算法。它对基础的 变换找圆 做了一定的优化来提高速度，也就是把霍夫变换分 为两个阶段，即第一阶段用于检测圆心，第二阶段为 从 圆 心 推 导 出 圆 半 径 。 从 而 减 小 了 霍 夫 空 间 的 维 数。与一般的拟合圆算法比起来， 具有 对噪声点不怎么敏感，并且可以在同一个图中找出 多个圆的优点。 2.5 实验结果及分析 HoughCircle Hough 在实验环境中，在不同光照环境下分别对单个 和多个球体进行形状识别。如图 所示，该算 法能够稳定有效地找出目标球体所在的圆，从而完 成对目标球体形状的识别。 和图 7 8 7 图 单个球识别 8 图 多个球体识别 

3 基于颜色特征和形状特征融合的球 体目标识别 基于球体目标的颜色特征与形状特征等先验信 息，为提高识别准确率，分别通过颜色识别和形状识 别选出待选目标，通过交叉匹配后最终确定目标球 体。算法步骤如图 所示。 9 [2] [3] [4] [5] [6] [J]. 2019 . ） （ 3 60 :490-493. 2012 48 ， 视觉检测中的光照强度 ） 17 ， （ : 计算机工程与应用， 浙江农业科学， 述 于丽杰，李德胜，董南萍 优化研究 [J]. 178-182. 焦竹青，徐保国 像光照补偿 变换和同态滤波的彩色图 ） 计算机工程与应用， （ ， 2010 46 30 [J]. 142-144. FPGA 73-76. 翟社平，李威，马蒙雨 及其 实现 辅助驾驶中的红绿灯识别 ） 现代电子技术， ， （ 2016 39 6 赵通，王国胤，肖斌 规定化算法 [J]. 基于多峰高斯函数的直方图 2014 41 12 :245- 计算机科学， ， （ ） 250. 扈佃海，吕绪良，文刘强 化图像增强方法 一种改进的直方图均衡 ） 光电技术应用， ， （ 2012 27 3 : [J]. . .HSV . [J]. . : : 陈 卫，等 基于颜色和形状的不均匀光照条件下球体识别 9 图 算法流程图 为验证算法的有效性，分别用本文算法和基于 颜色分割后的二值化图像找圆的算法在不同的光照 条件下对球体进行识别。识别准确率数据统计如表 1 所示。 表 1 算法识别准确率对比 算法 本文算法 基于颜色分割后的二值化图像 找圆的算法 准确率92% 71% 通过实验数据对比表明，本文算法能够有效去 除光照条件对球体识别准确率的影响，降低球体识 别的误检率。 4 结 论 本文在对球体进行识别的过程，充分利用球体的 先验的颜色和形状信息，通过对颜色和形状的识别， 提取待选目标，最终通过交叉匹配确定目标球体。在 对形状进行识别的过程中，通过将图像转化为灰度图 像后进行自适应阈值分割的方法有效地去除了光照 对图像分割的影响。实验结果表明，本文算法有效地 提高了不均匀光照条件下球体识别的准确率。 参考文献： 程祥云，宋欣 果蔬采摘机器人视觉系统研究综 [1] . 基于形态学与支持向量机 ， 仪器仪表学报， 2017 38 浅谈图像阈值分割技术 ， （ ） [J]. 电子设计工 基于图像处理的植物根系分割及定量分析 数字图像处理的一种新方法 鞍山师范 2014. [J]. 重庆：重庆大学， :69-73. ） （ 基于形态学开运算的面向对象 ， 遥感技术与应用， 2018 33 65-68. . 2012 . [7] [8] [9] [10] [11] . 23 20 2016 :36-37. [D]. 18 2 . [J]. . [J]. 杨修国 程， 朱鑫 系统的研究与实现 李国军 学院学报， ， 王宁，陈方，于博 滑坡提取方法研究 （ 苑玮琦，朱立军，张波 的虹膜坑洞纹理检测 ） （ 李鹏 应用研究 ， :664-671. . [D]. Lei Y :520-529. Zhen C 3 3 ） [12] [13]Wei S G 2014. 自适应形态学在图像去噪与边缘检测中的 ， ， ， ， 2011 西安：西安电子科技大学， 基于自适应阈值的虹膜分割算法研 et al. Motion detection based on optical flow and self-adaptive threshold segmentation[J]. Procedia Engineering 15: 3471-3476. . [J]. [J]. et al. Automatic multiple circle detection based on artificial immune systems[J]. Expert Systems with Applications 李鹏，曹兵 究 毕波，邵永谦，孙冬军，等 别 :184-188. 3 OpenCV 1 :37-41. Valentín Osuna-Enciso [14] [15] [16]Cuevas E 2018 . 2019 :713-722. ， （ 基于 ， （ 电子设计工程， 电子设计工程， Wario F 26 27 2012 的车牌识 39 1 ） ） ， ， ， ， ， （ ） -181 -