CN116310448A - 基于计算机视觉的集装箱拼装匹配性检测方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及基于计算机视觉的集装箱拼装匹配性检测方法。该方法包括：获取集装箱堆栈的灰度图像，将每个集装箱的表面图像对应的灰度直方图记为子直方图；基于每个子直方图中最大波峰值与波谷的位置分布，确定对应的校正直方图；基于所有校正直方图获得第一直方图；将灰度图像对应的灰度直方图记为第二直方图；根据第一直方图和第二直方图的分布情况得到匹配区间对，计算目标灰度区间中每个灰度值对应的权重；根据权重和第二直方图得到修正阈值，进而获得增强后的图像；根据增强后的图像与标准集装箱堆栈的图像进行匹配。本发明提高了待检测集装箱堆栈的表面图像与标准图像匹配结果的可信度和准确性。

Description

基于计算机视觉的集装箱拼装匹配性检测方法

技术领域

本发明涉及图像处理技术领域，具体涉及基于计算机视觉的集装箱拼装匹配性检测方法。

背景技术

集装箱运输已成为物流行业不可缺少的一部分，港口、码头这类场所每天都需要进行大量的集装箱装卸工作，集装箱拼装的安全问题是一个需要考虑的问题。传统的利用CCD相机拍摄堆栈中所有集装箱的表面图像，基于获取到的表面图像监测所有集装箱的位置，但由于彩色图片信息量较大，不利于检测集装箱堆栈的边缘细节，进行集装箱拼装匹配性检测，因此现有的常对每个集装箱堆栈的边缘轮廓进行检测，进而对每个集装箱的位置进行定位，通过机器对图像进行处理，并将处理后的信息传送到远程操控室中与标准图像进行匹配，辅助工作人员判断集装箱的位置是否发生改变，并根据结果调整集装箱的位置，但是在采集集装箱的表面图像的过程中，集装箱本身条纹、锈迹、光照等许多因素均会影响集装箱的位置识别与边缘检测，使得待检测集装箱堆栈的表面图像与标准图像匹配结果的可信度较低，进而影响集装箱堆栈的安全问题的评估结果。

发明内容

为了解决现有方法对待检测集装箱堆栈的表面图像与标准图像进行匹配时存在的匹配结果的可信度较低的问题，本发明的目的在于提供基于计算机视觉的集装箱拼装匹配性检测方法，所采用的技术方案具体如下：

本发明提供了一种基于计算机视觉的集装箱拼装匹配性检测方法，该方法包括以下步骤：

获取待检测的集装箱堆栈的灰度图像；对所述灰度图像进行直线检测获得不少于两个集装箱的表面图像；

将每个集装箱的表面图像对应的灰度直方图记为子直方图；基于每个子直方图中最大波峰值与波谷的位置分布，确定每个集装箱的表面图像对应的校正直方图；基于所有校正直方图获得第一直方图；

将所述灰度图像对应的灰度直方图记为第二直方图；根据所述第一直方图和所述第二直方图的分布情况，得到匹配区间对；根据匹配区间对中两个匹配区间的灰度差异和位置差异，确定目标灰度区间；根据目标灰度区间和对应的子直方图的灰度分布情况，得到目标灰度区间中每个灰度值对应的权重；

根据所述权重和所述第二直方图，得到目标灰度区间对应的修正阈值；基于所述修正阈值获得增强后的图像；根据增强后的图像与标准集装箱堆栈的图像的匹配结果，判断增强后的图像与标准集装箱堆栈的图像是否匹配成功。

优选的，所述基于每个子直方图中最大波峰值与波谷的位置分布，确定每个集装箱的表面图像对应的校正直方图，包括：

对于任一子直方图：

若子直方图中最大波峰值的两侧均存在与最大波峰值相邻的波谷，则获取两个波谷对应的灰度值；若子直方图中最大波峰值的两侧仅存在一个与最大波峰值相邻的波谷或不存在与最大波峰值相邻的波谷，则利用滑窗在最大波峰值不存在波谷的一侧进行滑动，将滑窗内最大灰度值对应的频率与最小灰度值对应的频率的差异记为第一差异，基于相邻两个滑窗对应的所述第一差异确定波谷，获取波谷对应的灰度值；

将两个波谷对应的灰度值和两个波谷之间的所有灰度值构成的区间记为第一灰度区间，将子直方图中除第一灰度区间外的所有灰度值对应的频率置为0，获得对应集装箱的表面图像对应的校正直方图。

优选的，根据所述第一直方图和所述第二直方图的分布情况，得到匹配区间对，包括：

获取所述第一直方图中的最小波峰值，将所述第二直方图中大于所述最小波峰值的波峰值记为目标峰值，将所述第二直方图中的目标峰值对应的灰度值和与目标峰值相邻的波谷对应的灰度值均作为分割点，对所述第二直方图中的灰度值进行划分获得不少于两个子灰度区间；

若第一灰度区间为子灰度区间的真子集，则对应第一灰度区间和对应子灰度区间构成匹配区间对。

优选的，根据匹配区间对中两个匹配区间的灰度差异和位置差异，确定目标灰度区间，包括：

对于任一匹配区间对：

将所述灰度图像中子灰度区间内所有灰度值对应的像素点标记为第一预设值，将所述灰度图像中除子灰度区间外其他灰度值对应的像素点标记为第二预设值，获得第一标记图像；将所述灰度图像中第一灰度区间内所有灰度值对应的像素点标记为第一预设值，将所述灰度图像中除第一灰度区间外其他灰度值对应的像素点标记为第二预设值，获得第二标记图像；

将第一标记图像和第二标记图像中标记值均为第一预设值且位置相同的像素点剔除，将剩余像素点的灰度值构成的区间确定为目标灰度区间。

优选的，根据目标灰度区间和对应的子直方图的灰度分布情况，得到目标灰度区间中每个灰度值对应的权重，包括：

对于目标灰度区间中的第i个灰度值：

若第i个灰度值小于或等于其所在的第一灰度区间的波峰值对应的灰度值，则将第i个灰度值与其所在的第一灰度区间的左端点之间的差值记为第一差值，将第i个灰度值所在的第一灰度区间的波峰值对应的灰度值与第i个灰度值所在的第一灰度区间的左端点之间的差值记为第二差值；将所述第一差值与所述第二差值的比值确定为第i个灰度值对应的权重；

若第i个灰度值大于其所在的第一灰度区间的波峰值对应的灰度值，则将第i个灰度值所在的第一灰度区间的右端点与第i个灰度值之间的差值记为第三差值，将第i个灰度值所在的第一灰度区间的右端点与第i个灰度值所在的第一灰度区间的波峰值对应的灰度值之间的差值记为第四差值；将所述第三差值与所述第四差值的比值确定为第i个灰度值对应的权重。

优选的，所述基于所有校正直方图获得第一直方图，包括：

分别将所有校正直方图中每个灰度值对应的频率进行叠加，获得第一直方图。

优选的，所述根据所述权重和所述第二直方图，得到目标灰度区间对应的修正阈值，包括：

基于所述第二直方图获得目标灰度区间中每个灰度值对应的频率，将所述频率与对应权重的乘积作为对应灰度值的校正频率；

将目标灰度区间中所有灰度值的校正频率的均值记为第一均值，将目标灰度区间对应的校正直方图的波峰值与所述第一均值的差值，确定为目标灰度区间对应的修正阈值。

优选的，所述基于所述修正阈值获得增强后的图像，包括：

基于所述修正阈值，采用灰度直方图均衡化对所述第二直方图进行处理，获得增强后的图像。

优选的，所述根据增强后的图像与标准集装箱堆栈的图像的匹配结果，判断增强后的图像与标准集装箱堆栈的图像是否匹配成功，包括：

采用哈希算法对增强后的图像和标准集装箱堆栈的图像进行相似度检测，若相似度大于相似度阈值，则判定增强后的图像与标准集装箱堆栈的图像匹配成功；若相似度小于或等于相似度阈值，则判定增强后的图像与标准集装箱堆栈的图像未匹配成功。

本发明至少具有如下有益效果：

本发明考虑到在采集集装箱的表面图像的过程中，集装箱本身条纹、锈迹、光照等因素均会影响集装箱的位置识别与边缘检测，使得待检测集装箱堆栈的表面图像与标准图像匹配结果的可信度较低，进而影响集装箱堆栈的安全问题的评估结果，本发明首先获取了每个集装箱的表面图像对应的灰度直方图，也即子直方图，考虑到不同的集装箱的颜色可能不同，同一集装箱主要是由一种颜色构成，因此基于每个子直方图中最大波峰值与波谷的位置分布，确定了每个集装箱的表面图像对应的校正直方图，校正直方图能够反映集装箱的主要颜色分布情况，排除了集装箱表面零散的颜色的干扰；基于所有校正直方图获得第一直方图，同时获取了整个待检测的集装箱堆栈的灰度图像对应的灰度直方图，也即第二直方图，进而确定了目标灰度区间，目标灰度区间为集装箱表面非主颜色对应的像素点的灰度值，本发明计算了非主颜色的像素点的灰度值对应的权重，进而获得了修正阈值，基于修正阈值对待检测的集装箱堆栈的灰度图像进行处理，获得增强后的图像，本发明尽可能地排除了因生锈等原因导致待检测的集装箱堆栈的灰度图像中杂乱灰度值带来的影响，使集装箱主颜色灰度值分布更均匀，得到更清晰的图像，提高了待检测集装箱堆栈的表面图像与标准图像匹配结果的可信度和准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明实施例所提供的基于计算机视觉的集装箱拼装匹配性检测方法的流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于计算机视觉的集装箱拼装匹配性检测方法进行详细说明如下。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于计算机视觉的集装箱拼装匹配性检测方法的具体方案。

基于计算机视觉的集装箱拼装匹配性检测方法实施例：

本实施例提出了基于计算机视觉的集装箱拼装匹配性检测方法，如图1所示，本实施例的基于计算机视觉的集装箱拼装匹配性检测方法包括以下步骤：

步骤S1，获取待检测的集装箱堆栈的灰度图像；对所述灰度图像进行直线检测获得不少于两个集装箱的表面图像。

本实施例所针对的具体场景为：集装箱在指定位置完成拼装，构成集装箱堆栈，利用相机采集集装箱堆栈的表面图像，考虑到采集的集装箱堆栈的表面图像会受到光线等外界因素的干扰，因此若直接将采集到的图像与标准图像进行匹配，会降低匹配精度，进而影响集装箱堆放的安全问题的评估结果，为了提高后续安全问题的评估结果，本实施例将对采集到的图像进行分析，获得修正阈值，进而采用灰度直方图均衡化对所述第二直方图进行处理，获得增强后的图像，将增强后的图像与标准图像进行匹配，进而对集装箱堆放的安全问题进行评估，提高评估结果的准确精度和可信度。

本实施例首先在待检测的集装箱堆栈的侧面布置CCD相机，用于采集待检测的集装箱堆栈的表面图像，待检测的集装箱堆栈的表面图像为RGB图像，对采集到的待检测的集装箱堆栈的表面图像进行预处理以及灰度化处理，将处理之后的图像记为待检测的集装箱堆栈的灰度图像；需要说明的是，待检测的集装箱堆栈中包含多个集装箱，每个集装箱的表面主要由一种颜色构成，不同的集装箱的表面的颜色可能不同，CCD相机的位置和拍摄角度实施者可根据具体情况进行设置，但是需要保证CCD相机的位置、拍摄角度与标准集装箱堆栈的图像在进行拍摄时的位置、拍摄角度一致，标准集装箱堆栈的图像为集装箱堆栈中的集装箱全部摆放整齐，不存在安全隐患时获取到的集装箱堆栈的灰度图像。图像预处理及灰度化处理均为现有技术，此处不再过多赘述。

霍夫直线检测的基本原理在于利用点与线的对偶性，即空间中的点与参数空间中的直线一一对应，变换如下：由于一条直线的斜率和截距是常数，在参数空间中对应一点，图像空间中的一个点在参数空间对应一条直线。若多个点在一条直线上，则在参数空间中对应多条直线相交于一点，统计相交直线最多的点，即可找到对应的斜率与截距在图像空间中的直线。具体步骤如下：1.明确参数空间的坐标值，在网格中量化参数空间；2.将参数空间的量化区域看作一个二维累加器；3.初始化累加器；4.对图像空间中的每一点，在满足参数空间直线方程对应的累加器上加1，累加器中的每个边缘参数元素都要记录经过该参数点的直线总数；5.在完成所有图像点的检测后，寻找具有较大记录数值的参数元素，累加器存储的最大值即为对应图形的参数信息，即可得到图像中的边缘直线。本实施例利用霍夫直线检测算法对待检测的集装箱堆栈的表面图像进行直线检测，获得待检测的集装箱堆栈的灰度图像中的所有直线，对直线进行提取，得到一个仅有黑白二色的二值图，直线为黑色，其它区域为白色，对白色区域进行连通域提取。连通域提取算法输入为一张二值图，将图中相同像素值且相邻的像素连通，得到每个连通域的面积和形状。采用傅里叶形状描述子计算连通域边界特征函数，与已知的正方形边界的形状描述子对比，若相同，则判定连通域是正方形，进而得到每个网格，一个网格对应一个集装箱。

至此，获得待检测的集装箱堆栈的灰度图像中每个集装箱的表面图像。霍夫直线检测为现有技术，此处不再过多赘述。

步骤S2，将每个集装箱的表面图像对应的灰度直方图记为子直方图；基于每个子直方图中最大波峰值与波谷的位置分布，确定每个集装箱的表面图像对应的校正直方图；基于所有校正直方图获得第一直方图。

本实施例在步骤S1中获得了待检测的集装箱堆栈的灰度图像中每个集装箱的表面图像，也即对待检测的集装箱堆栈的灰度图像进行了分割，获得了多个区域的图像，每个区域为一个集装箱的表面图像。

分别根据每个集装箱的表面图像中每个像素点的灰度值，构建每个集装箱的表面图像对应的灰度直方图，并记为子直方图，也即获得了每个集装箱的表面图像对应的子直方图。对于任一子直方图：利用峰值检测技术对该子直方图进行检测，获得该子直方图中的波峰和波谷，获取该子直方图中最大波峰值，最大波峰值对应的灰度值代表对应集装箱的主体颜色，若该子直方图中最大波峰值的两侧均存在与最大波峰值相邻的波谷，则获取两个波谷对应的灰度值；若该子直方图中最大波峰值的两侧仅存在一个与最大波峰值相邻的波谷或不存在与最大波峰值相邻的波谷，则利用滑窗在最大波峰值不存在波谷的一侧进行滑动，将滑窗内最大灰度值对应的频率与最小灰度值对应的频率的差异记为第一差异，基于相邻两个滑窗对应的所述第一差异确定波谷，获取波谷对应的灰度值，具体的，当该子直方图中最大波峰值的左侧不存在与最大波峰值相邻的波谷时，在最大波峰值的左侧，按照从左到右的顺序依次进行滑动，按照滑窗区域获取的先后顺序，依次对获取的滑窗区域进行标号；滑窗的滑动步长为1，滑窗的长度为3，在具体应用中，实施者可根据具体情况进行设置；对于第n-1个滑窗区域，计算该滑窗区域中最大的灰度值对应的频率与最小的灰度值对应的频率的差值的绝对值，将该绝对值记为第一差异；同理计算第n个滑窗区域对应的第一差异；计算第n个滑窗区域对应的第一差异与第n-1个滑窗区域对应的第一差异的比值，若该比值大于预设比值，则将第n个滑窗区域内的中间灰度值作为波谷对应的灰度值。本实施例中的预设比值为2，在具体应用中，实施者可根据具体情况进行设置。需要说明的是，本实施例是将首次满足条件时对应的滑窗区域内的中间灰度值作为了波谷对应的灰度值。同理，当该子直方图中最大的波峰的右侧不存在与最大波峰值相邻的波谷时，在最大波峰值的右侧，按照从右到左的顺序依次进行滑动，按照滑窗区域获取的先后顺序，依次对获取的滑窗区域进行标号，进而获得最大波峰值的右侧的波谷，获取该波谷对应的灰度值。将最大波峰值两侧相邻的两个波谷对应的灰度值和两个波谷之间的所有灰度值构成的区间记为第一灰度区间，将子直方图中除第一灰度区间外的所有灰度值对应的频率置为0，保留子直方图中第一灰度区间内所有灰度值对应的频率，将此时获得的直方图作为校正直方图。采用上述方法，能够获得每个集装箱的表面图像对应的校正直方图。

分别将所有校正直方图中每个灰度值对应的频率进行叠加，将叠加之后获得的直方图记为第一直方图。

步骤S3，将所述灰度图像对应的灰度直方图记为第二直方图；根据所述第一直方图和所述第二直方图的分布情况，得到匹配区间对；根据匹配区间对中两个匹配区间的灰度差异和位置差异，确定目标灰度区间；根据目标灰度区间和对应的子直方图的灰度分布情况，得到目标灰度区间中每个灰度值对应的权重。

根据待检测的集装箱堆栈的灰度图像中每个像素点的灰度值，构建待检测的集装箱堆栈的灰度图像对应的灰度直方图，将待检测的集装箱堆栈的灰度图像对应的灰度直方图记为第二直方图，利用峰值检测技术，获取第二直方图中的波峰和波谷；同时获取第一直方图中的最小波峰值，将所述第二直方图中大于所述最小波峰值的波峰值记为目标峰值，将所述第二直方图中的目标峰值对应的灰度值和与目标峰值相邻的波谷对应的灰度值均作为分割点，基于分割点对所述第二直方图中的灰度值进行划分，获得多个灰度区间，将每个灰度区间记为一个子灰度区间，也即获得了多个子灰度区间。若某个第一灰度区间为某个子灰度区间的真子集，则该第一灰度区间和该子灰度区间构成匹配区间对，具体的，将该第一灰度区间的两个端点中较小的灰度值记为第一灰度值，将该第一灰度区间的两个端点中较大的灰度值记为第二灰度值，将该子灰度区间的两个端点中较小的灰度值记为第三灰度值，将该子灰度区间的两个端点中较大的灰度值记为第四灰度值，若第一灰度值大于或等于第三灰度值、且第二灰度值小于或等于第四灰度值，则该第一灰度区间和该子灰度区间构成匹配区间对。采用上述方法，能够获得不少于一个匹配区间对。

对于任一匹配区间对：匹配区间对是由子灰度区间和第一灰度区间构成的，将待检测的集装箱堆栈的灰度图像中子灰度区间内所有灰度值对应的像素点标记为第一预设值，将待检测的集装箱堆栈的灰度图像中除子灰度区间外其他灰度值对应的像素点标记为第二预设值，获得第一标记图像；将待检测的集装箱堆栈的灰度图像中第一灰度区间内所有灰度值对应的像素点标记为第一预设值，将待检测的集装箱堆栈的灰度图像中除第一灰度区间外其他灰度值对应的像素点标记为第二预设值，获得第二标记图像；将第一标记图像和第二标记图像中标记值均为第一预设值且位置相同的像素点剔除，将剩余像素点的灰度值构成的区间确定为目标灰度区间。本实施例中的第一预设值为0，第二预设值为1，在具体应用中，实施者可根据具体情况进行设置。因此，本实施例将待检测的集装箱堆栈的灰度图像中子灰度区间内所有灰度值对应的像素点标记为0，将待检测的集装箱堆栈的灰度图像中除子灰度区间外其他灰度值对应的像素点标记为1，将标记之后的图像记为第一标记图像；同理，将待检测的集装箱堆栈的灰度图像中第一灰度区间内所有灰度值对应的像素点标记为0，将待检测的集装箱堆栈的灰度图像中除第一灰度区间外其他灰度值对应的像素点标记为1，将标记之后的图像记为第二标记图像；第一标记图像和第二标记图像中的像素点一一对应，若第一标记图像和第二标记图像中位置相同的像素点的标记值均为0，则将对应像素点进行剔除，例如：第一标记图像中第m个像素点的标记值为0，第二标记图像中第m个像素点的标记值也为0，则将第一标记图像中第m个像素点进行剔除，将第二标记图像中第m个像素点也进行剔除，将剔除完成后第一标记图像中剩余像素点的灰度值构成的区间确定为目标灰度区间，也即剔除掉标记图像中重复的区域，目标灰度区间对应的像素点为此区间杂乱灰度值对应的像素点，也即非主颜色对应的像素点。

对于目标灰度区间中的第i个灰度值：

若第i个灰度值小于或等于其所在的第一灰度区间的波峰值对应的灰度值，则将第i个灰度值与其所在的第一灰度区间的左端点之间的差值记为第一差值，将第i个灰度值所在的第一灰度区间的波峰值对应的灰度值与第i个灰度值所在的第一灰度区间的左端点之间的差值记为第二差值；将所述第一差值与所述第二差值的比值确定为第i个灰度值对应的权重。若第i个灰度值大于其所在的第一灰度区间的波峰值对应的灰度值，则将第i个灰度值所在的第一灰度区间的右端点与第i个灰度值之间的差值记为第三差值，将第i个灰度值所在的第一灰度区间的右端点与第i个灰度值所在的第一灰度区间的波峰值对应的灰度值之间的差值记为第四差值；将所述第三差值与所述第四差值的比值确定为第i个灰度值对应的权重。第i个灰度值对应的权重的具体计算公式为：

其中，

为第i个灰度值对应的权重，i为第i个灰度值，A为第i个灰度值所在的第 一灰度区间的波峰值对应的灰度值，

为第i个灰度值所在的第一灰度区间的左端点，

为 第i个灰度值所在的第一灰度区间的右端点。

表示第一差值，

表示第二差值，

表示第三差值，

表示第四差 值。当第一差值与第二差值的比值越大时，说明第i个灰度值与其所在的第一灰度区间的波 峰值对应的灰度值之间的差异越小，也即第i个灰度值越接近波峰值对应的灰度值，应当赋 予第i个灰度值越大的权重，即第i个灰度值对应的权重越大；当第一差值与第二差值的比 值越小时，说明第i个灰度值与其所在的第一灰度区间的波峰值对应的灰度值之间的差异 越大，也即第i个灰度值越不接近波峰值对应的灰度值，应当赋予第i个灰度值越小的权重， 即第i个灰度值对应的权重越小。同理，当第三差值与第四差值的比值越大时，说明第i个灰 度值与其所在的第一灰度区间的波峰值对应的灰度值之间的差异越小，也即第i个灰度值 越接近波峰值对应的灰度值，应当赋予第i个灰度值越大的权重，即第i个灰度值对应的权 重越大；当第三差值与第四差值的比值越小时，说明第i个灰度值与其所在的第一灰度区间 的波峰值对应的灰度值之间的差异越大，也即第i个灰度值越不接近波峰值对应的灰度值， 应当赋予第i个灰度值越小的权重，即第i个灰度值对应的权重越小。

采用上述方法，能够获得目标灰度区间中每个灰度值对应的权重。

步骤S4，根据所述权重和所述第二直方图，得到目标灰度区间对应的修正阈值；基于所述修正阈值获得增强后的图像；根据增强后的图像与标准集装箱堆栈的图像的匹配结果，判断增强后的图像与标准集装箱堆栈的图像是否匹配成功。

本实施例获得了目标灰度区间中每个灰度值对应的权重，基于第二直方图获得目标灰度区间中每个灰度值对应的频率；对于目标灰度区间中任一灰度值：计算该灰度值对应的频率与该灰度值对应的权重的乘积，将该乘积作为该灰度值的校正频率；将目标灰度区间中所有灰度值的校正频率的均值记为第一均值，计算目标灰度区间对应的校正直方图的波峰值与所述第一均值的差值，将该差值确定为目标灰度区间对应的修正阈值。

本实施例根据目标灰度区间对应的修正阈值，采用灰度直方图均衡化对第二直方图进行处理，也即将第二直方图中大于修正阈值的部分裁剪掉均匀的分布在该修正阈值所在的灰度区间，将最终获得的灰度图像记为增强后的图像。灰度直方图均衡化为现有技术，此处不再过多赘述。

采用哈希算法对增强后的图像和标准集装箱堆栈的图像进行相似度检测，若相似度大于相似度阈值，则判定增强后的图像与标准集装箱堆栈的图像匹配成功，说明待检测的集装箱堆栈中集装箱拼装符合要求，不存在安全隐患；若相似度小于或等于相似度阈值，则判定增强后的图像与标准集装箱堆栈的图像未匹配成功，说明待检测的集装箱堆栈中集装箱拼装不符合要求，存在安全隐患。本实施例中设置相似度阈值为0.9，在具体应用中，实施者可根据具体情况进行设置。

至此，完成了对待检测的集装箱堆栈的安全问题的评估。

本实施例考虑到在采集集装箱的表面图像的过程中，集装箱本身条纹、锈迹、光照等因素均会影响集装箱的位置识别与边缘检测，使得待检测集装箱堆栈的表面图像与标准图像匹配结果的可信度较低，进而影响集装箱堆栈的安全问题的评估结果，本实施例首先获取了每个集装箱的表面图像对应的灰度直方图，也即子直方图，考虑到不同的集装箱的颜色可能不同，同一集装箱主要是由一种颜色构成，因此基于每个子直方图中最大波峰值与波谷的位置分布，确定了每个集装箱的表面图像对应的校正直方图，校正直方图能够反映集装箱的主要颜色分布情况，排除了集装箱表面零散的颜色的干扰；基于所有校正直方图获得第一直方图，同时获取了整个待检测的集装箱堆栈的灰度图像对应的灰度直方图，也即第二直方图，进而确定了目标灰度区间，目标灰度区间为集装箱表面非主颜色对应的像素点的灰度值，本实施例计算了非主颜色的像素点的灰度值对应的权重，进而获得了修正阈值，基于修正阈值对待检测的集装箱堆栈的灰度图像进行处理，获得增强后的图像，本实施例尽可能地排除了因生锈等原因导致待检测的集装箱堆栈的灰度图像中杂乱灰度值带来的影响，使集装箱主颜色灰度值分布更均匀，得到更清晰的图像，提高了待检测集装箱堆栈的表面图像与标准图像匹配结果的可信度和准确性。

Claims (9)

1.一种基于计算机视觉的集装箱拼装匹配性检测方法，其特征在于，该方法包括以下步骤：

获取待检测的集装箱堆栈的灰度图像；对所述灰度图像进行直线检测获得不少于两个集装箱的表面图像；

将每个集装箱的表面图像对应的灰度直方图记为子直方图；基于每个子直方图中最大波峰值与波谷的位置分布，确定每个集装箱的表面图像对应的校正直方图；基于所有校正直方图获得第一直方图；

将所述灰度图像对应的灰度直方图记为第二直方图；根据所述第一直方图和所述第二直方图的分布情况，得到匹配区间对；根据匹配区间对中两个匹配区间的灰度差异和位置差异，确定目标灰度区间；根据目标灰度区间和对应的子直方图的灰度分布情况，得到目标灰度区间中每个灰度值对应的权重；

根据所述权重和所述第二直方图，得到目标灰度区间对应的修正阈值；基于所述修正阈值获得增强后的图像；根据增强后的图像与标准集装箱堆栈的图像的匹配结果，判断增强后的图像与标准集装箱堆栈的图像是否匹配成功。

2.根据权利要求1所述的基于计算机视觉的集装箱拼装匹配性检测方法，其特征在于，所述基于每个子直方图中最大波峰值与波谷的位置分布，确定每个集装箱的表面图像对应的校正直方图，包括：

对于任一子直方图：

若子直方图中最大波峰值的两侧均存在与最大波峰值相邻的波谷，则获取两个波谷对应的灰度值；若子直方图中最大波峰值的两侧仅存在一个与最大波峰值相邻的波谷或不存在与最大波峰值相邻的波谷，则利用滑窗在最大波峰值不存在波谷的一侧进行滑动，将滑窗内最大灰度值对应的频率与最小灰度值对应的频率的差异记为第一差异，基于相邻两个滑窗对应的所述第一差异确定波谷，获取波谷对应的灰度值；

将两个波谷对应的灰度值和两个波谷之间的所有灰度值构成的区间记为第一灰度区间，将子直方图中除第一灰度区间外的所有灰度值对应的频率置为0，获得对应集装箱的表面图像对应的校正直方图。

3.根据权利要求2所述的基于计算机视觉的集装箱拼装匹配性检测方法，其特征在于，根据所述第一直方图和所述第二直方图的分布情况，得到匹配区间对，包括：

获取所述第一直方图中的最小波峰值，将所述第二直方图中大于所述最小波峰值的波峰值记为目标峰值，将所述第二直方图中的目标峰值对应的灰度值和与目标峰值相邻的波谷对应的灰度值均作为分割点，对所述第二直方图中的灰度值进行划分获得不少于两个子灰度区间；

若第一灰度区间为子灰度区间的真子集，则对应第一灰度区间和对应子灰度区间构成匹配区间对。

4.根据权利要求3所述的基于计算机视觉的集装箱拼装匹配性检测方法，其特征在于，根据匹配区间对中两个匹配区间的灰度差异和位置差异，确定目标灰度区间，包括：

对于任一匹配区间对：

将所述灰度图像中子灰度区间内所有灰度值对应的像素点标记为第一预设值，将所述灰度图像中除子灰度区间外其他灰度值对应的像素点标记为第二预设值，获得第一标记图像；将所述灰度图像中第一灰度区间内所有灰度值对应的像素点标记为第一预设值，将所述灰度图像中除第一灰度区间外其他灰度值对应的像素点标记为第二预设值，获得第二标记图像；

将第一标记图像和第二标记图像中标记值均为第一预设值且位置相同的像素点剔除，将剩余像素点的灰度值构成的区间确定为目标灰度区间。

5.根据权利要求2所述的基于计算机视觉的集装箱拼装匹配性检测方法，其特征在于，根据目标灰度区间和对应的子直方图的灰度分布情况，得到目标灰度区间中每个灰度值对应的权重，包括：

对于目标灰度区间中的第i个灰度值：

若第i个灰度值小于或等于其所在的第一灰度区间的波峰值对应的灰度值，则将第i个灰度值与其所在的第一灰度区间的左端点之间的差值记为第一差值，将第i个灰度值所在的第一灰度区间的波峰值对应的灰度值与第i个灰度值所在的第一灰度区间的左端点之间的差值记为第二差值；将所述第一差值与所述第二差值的比值确定为第i个灰度值对应的权重；

若第i个灰度值大于其所在的第一灰度区间的波峰值对应的灰度值，则将第i个灰度值所在的第一灰度区间的右端点与第i个灰度值之间的差值记为第三差值，将第i个灰度值所在的第一灰度区间的右端点与第i个灰度值所在的第一灰度区间的波峰值对应的灰度值之间的差值记为第四差值；将所述第三差值与所述第四差值的比值确定为第i个灰度值对应的权重。

6.根据权利要求1所述的基于计算机视觉的集装箱拼装匹配性检测方法，其特征在于，所述基于所有校正直方图获得第一直方图，包括：

分别将所有校正直方图中每个灰度值对应的频率进行叠加，获得第一直方图。

7.根据权利要求1所述的基于计算机视觉的集装箱拼装匹配性检测方法，其特征在于，所述根据所述权重和所述第二直方图，得到目标灰度区间对应的修正阈值，包括：

基于所述第二直方图获得目标灰度区间中每个灰度值对应的频率，将所述频率与对应权重的乘积作为对应灰度值的校正频率；

将目标灰度区间中所有灰度值的校正频率的均值记为第一均值，将目标灰度区间对应的校正直方图的波峰值与所述第一均值的差值，确定为目标灰度区间对应的修正阈值。

8.根据权利要求1所述的基于计算机视觉的集装箱拼装匹配性检测方法，其特征在于，所述基于所述修正阈值获得增强后的图像，包括：

基于所述修正阈值，采用灰度直方图均衡化对所述第二直方图进行处理，获得增强后的图像。

9.根据权利要求1所述的基于计算机视觉的集装箱拼装匹配性检测方法，其特征在于，所述根据增强后的图像与标准集装箱堆栈的图像的匹配结果，判断增强后的图像与标准集装箱堆栈的图像是否匹配成功，包括：

采用哈希算法对增强后的图像和标准集装箱堆栈的图像进行相似度检测，若相似度大于相似度阈值，则判定增强后的图像与标准集装箱堆栈的图像匹配成功；若相似度小于或等于相似度阈值，则判定增强后的图像与标准集装箱堆栈的图像未匹配成功。

Images