一种基于机器视觉的新能源电动车辆充电孔检测与定位方法
【专利摘要】本发明公开了一种基于机器视觉的新能源电动车辆充电孔检测与定位方法，首先利用视觉传感器获得充电座图像；然后针对强电磁充电系统给图像信号引入的噪声干扰，采用了经典的中值滤波法去除噪点；由于充电座图像具有背景复杂、亮度不均、反光、目标特征少等特点，常用的固定或自适应阈值处理方法难以有效分割理想对象，再研究了基于HSI颜色模型的二阶段图像分割方法，即通过HSI颜色模型变换和Hue分量的阈值化得到粗精度的感兴趣区域，通过形态学操作和Canny算子边缘检测得到高精度的目标区域；最终提取目标充电孔的特征。
【专利说明】
一种基于机器视觉的新能源电动车辆充电孔检测与定位方法
技术领域
[0001] 本发明属于图像识别领域，特别涉及一种基于机器视觉的新能源电动车辆充电孔 检测与定位方法。
【背景技术】
[0002] 汽车工业关乎国民经济命脉，带动着庞大的上下游产业链，是我国重大战略性支 柱产业。新能源汽车作为现代汽车工业一大亮点，是推动经济社会可持续发展的重要引擎。 《中国制造2025》将"节能与新能源汽车"作为重点发展领域，指明了产业发展方向。截至 2015年底，我国新能源汽车保有量达58.32万辆，增长近170 %，呈爆发式发展趋势。
[0003] 不同种类的新能源车辆，例如电动车辆(EV)、增程式电动车辆(EREV)、和混合动力 电动车辆(HEV)，其装配有需要周期性充电的能量存储系统。通常，通过将能量存储系统连 接至电源，例如AC供电线路，可为其充电。尽管在每辆车辆使用之前或之后为车辆能量存储 系统再充电是有利的，当前的系统要求车辆驾驶员手动地将供电线路插入车辆。这样的充 电方式存在诸多不利因素，例如人工手持充电枪导致低效率和/或错过最佳充电、恶劣天气 条件下车辆驾驶员不便于室外操作、供电线路可能出现漏电故障带来安全隐患。
[0004] 因此，相对于传统的人工充电，车辆驾驶员迫切需要一种节约人力、节省时间、安 全可靠的自动化充电方式，以实现该环节无人值守、快速高效。然而要实现电动车辆自动化 充电，其技术的关键及难点在于如何对电动车辆充电孔检测与定位。
【发明内容】
[0005] 本发明提供了一种基于机器视觉的新能源电动车辆充电孔检测与定位方法，其目 的在于，通过寻找充电座的图像特征，对电动车辆充电孔检测与定位从而实现电动车辆自 动化充电。
[0006] -种基于机器视觉的新能源电动车辆充电孔检测与定位方法，首先，获得充电座 图像，并对充电座图像进行滤波处理;其次，利用HSI颜色模型的二阶段图像分割方法对滤 波处理后的充电座图像进行分割处理，获得初始感兴趣区域;接着，对初始感兴趣区域采用 形态学操作和Canny算子边缘检测得到高精度的目标区域;最后，从目标区域中提取目标充 电孔的特征。
[0007] 充电孔区域的色调(Hue)特性分析：由于孔芯处金属材质，加之一定的反光效果， 使得该区域在原始图像上位于一定范围的同一色调，从人眼角度观察为明显的金黄色或偏 亮/或偏暗，属暖色调；而孔芯边缘表面部位，一般认为是灰绿色塑料材质，属暗冷色调，使 得该区域色调大大区别于孔芯处色调。以上所述，即在图像Hue分量中充电孔芯的灰度值与 周围区域的灰度值分布在两个不同邻域。利用该特性可以在Hue分量中实现充电孔与背景 的分离。
[0008] 所述HIS颜色模型的二阶段图像分割方法中的阈值确定方式为采用最大类间方差 自动取阈值或通过计算灰度直方图波峰谷取阈值。
[0009] 所述采用最大类间方差自动取阈值是指使得两类总方差σ|取最大值的阈值τ:
[0010] σ} = 01, (//,, - μΥ + - μ)2
[0011] 其中，HIS颜色模型的二阶段图像分割方法中的阈值Τ将滤波处理后的充电座图像 分为充电孔和背景两类部分，σ2为充电孔部分和背景部分两类间最大方差，ω a为滤波处理 后的充电座图像中像素属于充电孔部分的概率，为充电孔部分的像素平均灰度，c〇b为滤 波处理后的充电座图像中像素属于背景部分的概率，为背景部分的像素平均灰度，μ为滤 波处理后的充电座图像中像素总体平均灰度。
[0012] 所述通过计算灰度直方图波峰谷取阈值的具体步骤如下：
[0013 ] Α)统计滤波处理后的充电座图像范围内的绝对灰度直方图；
[0014] Β)找到绝对灰度直方图中第一和第二个峰值，与第一和第二个峰值之间的谷值；
[0015] C)在全局阈值分割中使用双峰间的谷值作为阈值，如下式： 「25.5 ?/?.τ, ν) > Τ
[0016] /(r，.v)叫 ，.、々
[0 r)</
[0017] 其中，p(x，y)表示分割后图像，q(x，y)表示滤波处理后的充电座图像，T为HIS颜色 模型的二阶段图像分割方法中的阈值。
[0018] 对分割后的图像进行连通域搜寻操作，寻找出其中圆度和面积满足圆度和面积设 定条件的连通域Blob，并对连通域Blob进行孔洞填充，得到非空连通域Blob_fillup;
[0019] 通常圆度取值范围为0.8-1，面积视实际情况而定； 「 1 m k ， 、 i 255，V(-Y，）.）茫
[0020] Blob filhipix, y) = s -"A 1 Β?οΜχ,ν)
[0021] 接着，对非空连通域按凸包进行形状转换，拟合轮廓并合并连通域，将得到的初定 位的充电孔感兴趣区域作为初始感兴趣区域。
[0022] 所述对初始感兴趣区域采用形态学操作和Canny算子边缘检测过程如下：
[0023]步骤4.1:对初始感兴趣区域分别进行膨胀和腐蚀操作，获得两个圆形区域，将两 个圆形区域相减作差，获得圆环感兴趣区域RegionDiff;
[0024] 步骤4.2:使用Canny算子对圆环感兴趣区域进行边缘检测，提取出边缘Edges，并 分割边缘，获得线和圆；
[0025] 步骤4.3:采用Tukey逼近方法对步骤4.2获得的圆进行鲁棒性拟合，得到目标区域 的亚像素精度轮廓，即为高精度的目标区域充电孔轮廓。
[0026]采用Tukey逼近方法对步骤4.2获得的圆进行鲁棒性拟合前，先对步骤4.2获得的 圆依据圆的属性进行判断，剔除非圆。
[0027] 所述采用Tukey逼近方法时，拟合时采用轮廓的最多点数MaxNumPoints = -l;轮廓 封闭阈值MaxClosureDist = 0;拟合点个数 ClippingEndPoints = 0;迭代次数Iterations = 3;离群值的剪切因子ClippingFactor = 2。
[0028] Tukey方法鲁棒性圆拟合，具体流程是:首先第一次权重函数都为1拟合一个圆，然 后计算每个轮廓点到圆上的距离得到权重函数，并作为下次计算的权重，再按同样步骤重 复迭代，最终得到理想的圆。
[0029] 从目标区域中提取各个充电孔的中心坐标及面积特征：
[0030] (1)按照下式求取目标区域中各个充电孔中心0(XQ，yQ)，即各充电孔的圆心；
[0032] 其中，k为充电孔编号，Ok表示第k个充电孔圆心，Sk表示第k个充电孔区域，Mk为第k 个充电孔区域内像素点总数；
[0033] (2)计算目标面积特征：
[0034]利用格林公式计算兴趣区域面积，再离散化得到目标区域内像素个数。
[0035]对充电座图像进行滤波处理时采用中值滤波。
[0036] 有益效果
[0037]与现有技术相比，本发明的优点体现在以下几点：
[0038] 1)本发明采用了二阶段检测感兴趣区域的判断方法，即通过粗精度、高精度确定 充电孔区域，有效定位充电孔位置。整体算法简单、高效，本发明采用HALC0N软件对算法进 行验证测试，运行时间约为1104.6 lms;
[0039] 2)与传统的图像分割方法相比，本发明提供的两种的基于HSI颜色模型的阈值分 割方法更具优势。其中，对于近距离拍摄的图像，两种方法都适用，且具有良好分割效果;但 对于远距离拍摄的图像，若是在光照亮的条件下，最大类间方差自动取阈值法勉强达到分 割效果，但在光照暗的条件下，经处理后的图像出现大量毛刺，分割误差极大。故计算灰度 直方图波峰波谷取阈值法适用于广泛条件（拍摄距离、光照亮度），最大类间方差自动取阈 值法较适用于近距离拍摄和/或光照较亮的条件；
[0040] 3)与现有人工方法相比，该检测算法具有检测精度高、速度快、重复性好等优势， 很好地满足了机器人作业的自动操作、高效快速、稳定可靠等需求。而人工手工充电无法精 确定位充电孔位置，易造成错过充电的情况和/或随之的车辆性能退化。
【附图说明】
[0041] 图1为本发明充电孔检测与定位的图像处理流程图；
[0042] 图2为图像滤波示意图，其中（a)为充电孔实物图像；（b)为受椒盐噪声干扰的噪声 图像;（c)为经3*3模板中值滤波后的去噪图像；
[0043] 图3为粗精度确定感兴趣区域示意图，其中(a)为创建的感兴趣区域R0I;(b)为(a) 图HSI颜色空间的Hue分量；（c)为(b)图采用最大类间方差自动取阈值法的二值图像；（d)为 (b)图采用计算灰度直方图波峰波谷取阈值法的二值图像；（e)为从连通域中提取的感兴趣 区域经形状变换，粗略拟合；
[0044] 图4为高精度确定感兴趣区域示意图，其中（a)为图3(e)图经膨胀腐蚀再作差后的 环形感兴趣区域；（b)为(a)在灰度图像下区域；（c)为Canny边缘检测后，经鲁棒性拟合的亚 像素精度边缘。
【具体实施方式】
[0045]下面将结合附图和实施例对本发明做进一步的说明。
[0046]如图1所示，一种基于机器视觉的新能源电动车辆充电孔检测与定位方法，包括以 下步骤：
[0047]步骤1:相机采集到充电孔原始图像，记作ImageO;
[0048]步骤2:对ImageO进行3*3模板的中值滤波，得到充电孔去噪图像，记作 ImageNo i s e，如图 2所示；
[0049]步骤3:对去噪图像ImageNo i se以像素为单位进行初步图像分割，粗精度确定感兴 趣区域；
[0050] 步骤3.1:创建感兴趣区域R0I，限定图像处理范围，记作ImageROI;
[0051 ] 步骤3.2:转换图像1111&861?01到批1颜色空间，获得此6分量，记作1111 &86此6;
[0052]步骤3.3:选择合适阈值对ImageHue进行基于HSI颜色模型的阈值分割，将Hue分量 二值化操作，使充电孔从背景图像中分割出来，得二值图像ImageBin。其中阈值选择有两种 方法:最大类间方差自动取阈值法、计算直方图最大频率灰度值取阈值法；
[0053] Im^Bin^y) = \255' G{X'y) & //??^"
[0， else.
[0054]其中，G(x，y)为ImageHue中的（x，y)位置处像素点灰度值，T1为能够将充电孔与背 景分开的合适阈值；
[0055]步骤3.4:对二值图像ImageBin进行连通域搜寻操作，寻找出其中圆度和面积满足 一定条件的连通域Blob(通常圆度取0.8~1，面积视实际情况而定），并进行孔洞填充，得到 非空连通域Blob_f i 1 lup; .,. 1255, ^/(^, v) ^ Blob
[0056] B!oh_ fillup(x, r) = < -. I Blob(.x,v)
[0057] 步骤3.5:按凸包进行形状转换，拟合轮廓并合并连通域，得到初定位的充电孔感 兴趣区域，记为Imagel，如图3所示；
[0058]至此，第一阶段下背景图像的充电孔已被分割出来，但实际图像存在亮斑、白痕、 纹理等影响，简单的二值化操作无法满足充电孔位置的高精度定位，因此为保证定位中心 的准确性，通过第二阶段处理再以亚像素精度提取目标。
[0059] 步骤4:在步骤3的基础上，采用基于形态学和Canny算子的亚像素边缘检测的方 法，进一步尚精度定位充电孔目标；
[0060] 步骤4.1:对Imagel分别进行膨胀和腐蚀，获得两圆形区域，将两圆形区域相减作 差，获得圆环感兴趣区域RegionDiff;
[0061 ]步骤4.2:使用Canny边缘检测，提取出边缘Edges，并分割边缘:线和圆；
[0062]步骤4.3:选择边缘，根据特性确定是否拟合圆，将Attrib不为1的边缘剔除，其中 Attrib = _l表示线段，Attrib = 0表示椭圆，Attrib = l表示圆；
[0063]步骤4.4: Tukey方法逼近，鲁棒性拟合经过剔除后的圆得到亚像素精度轮廓，即为 高精度确定的充电孔轮廓，记作Image2。其中Tukey法拟合圆的参数设定为:MaxNumPoints =-1，MaxClosureDist = 0，ClippingEndPoints = 0，Iterations = 3，ClippingFactor = 2。 [0064]至此，充电孔目标已实现高精度定位，如图4所示，后续过程主要分析该目标区域 的形状特性与位置特性。
[0065]步骤5:给每段轮廓编号，提取相对应的参数(面积Area、中心横坐标Row、中心纵坐 标Column)，保存在数组中，完成充电座的定位；
[0066] 步骤5.1:按照下式求取目标区域中各个充电孔中心0(XQ，yQ)，即各充电孔的圆心；
[0067] 〇k(x,y)^ ΣΤ<ΑΗ-Σ>?/Μ? M^yj)^Sk V ./=! J
[0068] 其中，k为充电孔编号，Ok表示第k个充电孔圆心，Sk表示第k个充电孔区域，Mk为第k 个充电孔区域内像素点总数；
[0069] 步骤5.2:计算目标面积特征，主要利用格林公式计算区域面积，再离散化得到，实 质表示的就是目标区域内像素个数。
[0070] 最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽 管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解:依然 可以对本发明的【具体实施方式】进行修改或者等同替换，而未脱离本发明精神和范围的任何 修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。
【主权项】
1. 一种基于机器视觉的新能源电动车辆充电孔检测与定位方法，其特征在于，首先，获 得充电座图像，并对充电座图像进行滤波处理;其次，利用HSI颜色模型的二阶段图像分割 方法对滤波处理后的充电座图像进行分割处理，获得初始感兴趣区域;接着，对初始感兴趣 区域采用形态学操作和化nny算子边缘检测得到高精度的目标区域;最后，从目标区域中提 取目标充电孔的特征。2. 根据权利要求1所述的方法，其特征在于，所述HIS颜色模型的二阶段图像分割方法 中的阔值确定方式为采用最大类间方差自动取阔值或通过计算灰度直方图波峰谷取阔值。3. 根据权利要求2所述的方法，其特征在于，所述采用最大类间方差自动取阔值是指使 得两类总方差却取最大值的阔值T:其中，HIS颜色模型的二阶段图像分割方法中的阔值T将滤波处理后的充电座图像分为 充电孔和背景两类部分，为充电孔部分和背景部分两类间最大方差，ω。为滤波处理后的 充电座图像中像素属于充电孔部分的概率，μ。为充电孔部分的像素平均灰度，wb为滤波处 理后的充电座图像中像素属于背景部分的概率，化为背景部分的像素平均灰度，μ为滤波处 理后的充电座图像中像素总体平均灰度。4. 根据权利要求2所述的方法，其特征在于，所述通过计算灰度直方图波峰谷取阔值的 具体步骤如下： Α)统计滤波处理后的充电座图像范围内的绝对灰度直方图； Β)找到绝对灰度直方图中第一和第二个峰值，与第一和第二个峰值之间的谷值； C)在全局阔值分割中使用双峰间的谷值作为阔值，如下式：其中，P(x，y)表示分割后图像，q(x，y)表示滤波处理后的充电座图像，Τ为HIS颜色模型 的二阶段图像分割方法中的阔值。5. 根据权利要求1-4任一项所述的方法，其特征在于，对分割后的图像进行连通域捜寻 操作，寻找出其中圆度和面积满足圆度和面积设定条件的连通域Blob,并对连通域Blob进 行孔桐填充，得到非空连通域B1 ob_f i 11 up;接着，对非空连通域按凸包进行形状转换，拟合轮廓并合并连通域，将得到的初定位的 充电孔感兴趣区域作为初始感兴趣区域。6. 根据权利要求5所述的方法，其特征在于，所述对初始感兴趣区域采用形态学操作和 化nny算子边缘检测过程如下： 步骤4.1:对初始感兴趣区域分别进行膨胀和腐蚀操作，获得两个圆形区域，将两个圆 形区域相减作差，获得圆环感兴趣区域RegionDiff; 步骤4.2:使用Canny算子对圆环感兴趣区域进行边缘检测，提取出边缘Edges，并分割 边缘，获得线和圆； 步骤4.3:采用化k巧逼近方法对步骤4.2获得的圆进行鲁棒性拟合，得到目标区域的亚 像素精度轮廓，即为高精度的目标区域充电孔轮廓。7. 根据权利要求6所述的方法，其特征在于，采用化k巧逼近方法对步骤4.2获得的圆进 行鲁棒性拟合前，先对步骤4.2获得的圆依据圆的属性进行判断，剔除非圆。8. 根据权利要求6或7所述的方法，其特征在于，所述采用化k巧逼近方法时，拟合时采 用轮廓的最多点数MaxNumPoints = -l;轮廓封闭阔值MaxClosureDist = 0 ;拟合点个数 Cli卵in巧nd化ints = 0;迭代次数1*6脚1:;[〇]13 = 3;离群值的剪切因子〔1199；[]1旨化。1:〇' = 2。9. 根据权利要求8所述的方法，其特征在于，从目标区域中提取各个充电孔的中屯、坐标 及面积特征： (1) 按照下式求取目标区域中各个充电孔中屯、O(x〇，y〇)，即各充电孔的圆屯、；其中，k为充电孔编号，Ok表示第k个充电孔圆屯、，Sk表示第k个充电孔区域，Mk为第k个充 电孔区域内像素点总数； (2) 计算目标面积特征： 利用格林公式计算兴趣区域面积，再离散化得到目标区域内像素个数。10. 根据权利要求9所述的方法，其特征在于，对充电座图像进行滤波处理时采用中值 滤波。
【文档编号】G06T7/40GK106097308SQ201610375159
【公开日】2016年11月9日
【申请日】2016年5月31日
【发明人】张辉, 金侠挺, 刘理, 孟步敏
【申请人】长沙理工大学