张鹏 赵逸凡 万茂松

摘 要：目前夜间事故勘察车载照明多采用传统自适应灯光，存在照射范围有限且调节照明方向繁琐等问题。因此，基于视觉设计一种车载照明自动跟踪系统。使用视觉处理技术与双步进电机控制对车载照明系统进行改进，以增强车载照明智能化和灵活性。针对传统自适应灯光需人为操纵照射目标的问题，车载照明系统在运行时对红外光源（移动目标）进行图像检测，实时反馈拍摄图像中红外光源位置坐标，再根据位置坐标信息控制双步进电机，帶动车载照明灯准确地照射到红外光源坐标位置。实验结果表明，该系统可快速检测到照明目标位置坐标，准确控制步进电机移动，可满足跟踪目标的要求，准确率达95%。

关键词：视觉处理;红外光源;步进电机;目标跟踪

DOI：10. 11907/rjdk. 201432 开放科学（资源服务）标识码（OSID）：

中图分类号：TP319文献标识码：A 文章编号：1672-7800（2020）008-0161-04

Abstract：Aiming at the problems such as limited illumination range and complicated direction adjustment of vehicle lighting system， we propose an automatic tracking system of vehicle lighting based on vision. In order to enhance the intelligence and flexibility of vehicle lighting system， visual processing technology and dual step motor control are used to improve the vehicle lighting system. This vehicle lighting system detects the infrared light source （moving target） in the running time， feeds back the position coordinates of the infrared light source in the shooting image in real time， and then controls the dual-step motor to drive the vehicle lighting to accurately illuminate the coordinates of the infrared light source according to the position coordinate information. Through experimental verification， the system can quickly detect the position coordinates of the lighting target， and accurately control the movement of the stepping motor to complete the requirements of tracking the target.

Key Words：vision processing; infrared light source; stepper motor; target tracking

0 引言

夜间户外作业需要照明，如果照射对象是移动目标，则照明灯需具有目标跟踪功能。目前，照明灯对移动目标的跟踪一般采用人工操作的方式实现[1]，这不仅增加了操作人员劳动强度，而且存在跟踪不及时、照明效果差的问题，特别在一些危险作业的场合，如交通事故处理现场，容易发生二次事故，对工作人员的安全构成严重威胁。

车载照明自动跟踪系统现有研究尚未成熟。多数照明控制系统适用于图书馆、大型商场、室内运动场、长廊等大型照明场合，只能对人员所处位置进行检测，从而得到有人区域和无人区域，对有人区域实行高亮度照明，对无人区域则降低照明度或关闭灯具。该类采用图像定位与跟踪技术及PLC-Bus技术构建的智能照明控制系统无法在车辆上实现单一照明灯具实时监测跟踪[5]。

目前机器视觉发展已较成熟，电机控制技术也得到广泛应用，将两者结合可产生很好的效果。因此，本文通过摄像头采集照明目标上的红外光源图像信息，利用OpenCV[2-4]相关视觉算法处理图像信息， 获取照明目标位置信息，最后控制两个步进电机相互作用，移动摄像头和照明灯以对准照明目标所在位置，实现一种自动跟踪照明目标的车载照明系统，增强传统车载照明系统智能化和灵活性。

1 系统方案设计

车载照明跟踪系统方案如图1所示，主要由六大硬件部分组成：红外光源（移动目标）、摄像头、主控制器、电机控制模块、双步进电机及车载照明灯。系统功能实现主要由红外光源位置检测及处理与步进电机控制组成。摄像头经过可见光滤镜作用后，将照明目标上的红外光源图像信息采集给控制器，经过图像预处理、阈值分割、形态学滤波及轮廓搜索视觉处理后，检测出图像中红外光源位置信息。主控制器再根据红外光源目标的坐标信息，计算出两个步进电机移动到目标位置所需的运动方向和步进量，将计算结果传给电机控制模块，进而控制两个步进电机移动，即控制照明方向在坐标内进行x轴方向和y轴方向的运动。同时，电机移动速率根据目标坐标大小确定，保证电机在快速移动的同时又能保证精度，电机位置经不断调整，使照明方向对准照明目标所在位置。照明灯单独固定在摄像头临近位置，照明方向和摄像头照射方向一致，当系统跟随红外光源运动时，也相应带动照明灯的运动，实现照明自动跟踪。

1.1 红外光源目标位置检测

红外光是一种不可见光，为快速检测红外光源的位置信息，首先图像需排除可见光干扰，然后再对图像进行图像灰度化、高斯滤波、阈值分割、形态学滤波和轮廓搜寻算法处理，最后得到红外光源在图像中的具体坐标信息（x，y）。红外光源目标位置检测具体步骤为：

（1）滤除可见光。为使算法设计和实现既更简单，又有效保证检测与跟踪速度，本文系统利用可见光滤镜滤除可见光[6]，使红外光源在圖像中的位置更加凸显。图2（a）为实验人员手握红外光源的姿势下拍摄的普通图像。图2（b）是在图2（a）相同的环境与姿势下，摄像头增加可见光滤镜后拍摄的图像。通过对比可见，滤除红外光源使红外源目标特征得到有效加强。

（2）图像灰度化处理。在图像纹理强度中，局部表层曝光贡献值比重较大，故图像预处理首先需将RGB图像转化为灰度图，即对输入图像进行颜色空间标准化，调节图像对比度，降低图像局部阴影和光照变化造成的影响，同时还可抑制噪音干扰[7]。图像灰度化的算法主要有3种：①最大值法。将转化后的R、G、B值等于转化前3个值中最大的一个，该方法转换的灰度图亮度很高;②平均值法。转化后R、G、B值为转化前R、G、B的平均值，该方法产生的灰度图像比较柔和;③加权平均值法。按照一定权值，对R、G、B值加权平均，取不同值形成不同的灰度图像。本文系统使用的图像灰度化方法是平均值法，处理公式为：

（3）高斯滤波。图像滤波是指在尽量保留图像细节特征的条件下，对目标图像中的噪声进行抑制，是图像预处理中不可缺少的环节，其处理效果将直接影响后续算法对图像处理的有效性和可靠性[8]。在图3所示的灰度化处理后图像中，可以看到仍存在部分噪声与干扰，影响后续红外光源目标检测，所以需对灰度化后的图像进行滤波除噪处理。高斯滤波常被用于计算机视觉预处理，是一种常用的线性滤波方法，抑制服从正态分布的噪声，即高斯滤波是对整幅图像进行加权平均的过程，每一个像素点的值均由其本身和邻域内的其它像素值经过加权平均后得到[9]。具体方法为：输入图像的每一个像素点与高斯内核进行卷积，将卷积和作为输出像素值，即对整幅图像的像素进行加权平均处理。

（5）形态学滤波。数学形态学滤波算法是一种非线性滤波方法，主要用于图像噪声抑制、边缘提取、目标检测等[12-14]。因受噪声干扰，初步分离出的目标区域图像存在一些孔洞及细小碎块，本文系统采用形态学滤波和轮廓搜寻方法进行去除，对前景图像经过一次闭运算后可使孔洞得到填补，图像上的孤立噪点也可得到很好的抑制。图像经过形态学滤波处理后的效果如图6所示，可见细小的孔洞被填补。

（6）轮廓搜寻。其目的有两个：①找到各个连通域，单独分割出目标;②根据轮廓特征去除干扰[15]。系统采用Freeman链码搜索算法对检测到的离散像素点进行八邻域搜索，以最后链码轮廓几何特征消除形态学滤波无法去除的干扰点和空洞点，即根据几何信息只保留面积大于一定阈值的轮廓，其它细小轮廓视为干扰源被丢弃[16-17]，最终处理的红外光源目标图像效果如图7所示。

经过试验测试，摄像头采集的图像经过以上步骤视觉处理后，可以准确清晰地得到红外光源目标的坐标信息，坐标信息以x轴坐标和y轴坐标的具体数据表示，以方便后续电机控制。

1.2 电机控制算法设计

本文系统跟踪功能由两个步进电机使照明方向在x轴方向和y轴方向进行调整实现，以满足动态工作环境的照明需求。

红外光源跟踪实际上由两个步进电机相互作用实现，电机控制算法流程如图8所示。主控制器在计算得到红外光源目标的位置坐标信息（x，y）后，判定位置坐标绝对值是否小于设定值（0，0），如果小于设定值，则不需要调整照明位置;如果大于设定值，则控制器根据红外光源坐标信息计算两个步进电机运动方向和步进量，并转化成步进电机工作参数。步进电机工作时，移动速率并不是匀速的，当步进电机位置距离移动目标比较远（坐标设定值为大于（5，5））时，步进电机根据指令以每秒10个坐标值的速率移动，当步进电机位置距离移动目标比较近（坐标设定值为小于（5，5））时，步进电机根据指令以每秒2.5个坐标值的速率移动，通过该移动策略既可保证步进电机快速调整到目标位置，又能保证步进电机移动精度。步进电机移动过程中，主控制器不断获取红外光源目标坐标信息，并与设定值（0，0）进行比较，直到目标坐标信息变到（0，0）附近，即摄像头中心和照明方向对准红外光源目标时，系统停止调整，等待下一次调整。系统调整坐标误差为（1，1），即坐标值的绝对值小于等于（1，1）时，系统停止调整。

2 实验结果

2.1 红外光源位置检测与处理结果

在去除可见光干扰过后，进行图像灰度化、高斯滤波、阈值分割、形态学滤波、轮廓搜寻等算法处理后，可精确找到红外光源目标位置。红外光源经过视觉处理的结果如图9所示，红外光源清晰，几乎没有其它干扰。

2.2 自动跟踪测试结果

系统主控制器计算出红外光源目标坐标值后，根据坐标值计算出电机需要移动的方向与步进量，进而控制步进电机按命令移动，一个移动命令结束后再次发送命令接收目标坐标，进入下一次调整，直到移动目标坐标在（0，0）附近。本文系统设定的绝对误差为（1，1），当坐标值小于等于（1，1）时，系统停止调整。车载照明自动跟踪测试结果如图10所示，系统根据收到的红外光源坐标信息，计算得到步进电机需要的移动数据，进而带动照明灯和摄像头，使其逐步调整到红外光源目标位置，即由图10（a）逐渐移动到图10（b）位置，最后锁定在图10（c），使其坐标处于（0，0）位置，此时摄像头和照明方向即锁定红外光源目标，实现车载照明自动跟踪功能。

3 结语

本文结合视觉处理技术与双步进电机控制技术对车载照明系统进行改进，实现了一种车载照明自动跟踪系统。该视觉处理技术通过图像灰度化、高斯滤波、阈值分割、形态学滤波、轮廓搜寻等算法处理后可精确找到红外光源目标的位置，双步进电机也能实现精准定位。实验表明，本文设计的车载照明自动跟踪系统可实现摄像头与车载照明对红外光源目标的自动跟踪，增强车载照明系统智能化和灵活性;与传统车载照明系统相比，可避免繁琐的照明方向调节过程，满足移动目标照明需求，提高了工作环境安全度且智能高效。

参考文献：

[1] 凌建寿，朱瑛，乔大力. 基于LED车载警用照明照明组的检测技术要求和测试方法研究[J]. 中国安全防范技术与应用，2018（3）：58-61.

[2] 陈吉庐.  基于OpenCV的红外运动目标检测与跟踪算法研究及实现[D]. 南京： 南京理工大学，2010.

[3] 康杜. 基于OpenCV运动物体检测与跟踪[D]. 荆州：长江大学，2018.

[4] 李莎莎.  基于Kinect传感器的坐姿识别软件设计及实现[D]. 成都：电子科技大学，2018.

[5] 刘甫，李晋.  基于动态目标跟踪技术和PLC Bus的智能照明控制系统[J].  照明工程学报，2008（3）：62-66.

[6] 成春阳，黄渊博，卢鑫，等. 基于主动红外滤光环视成像的车道线检测算法[J]. 激光与光电子学进展，2018，55（12）：288-296.

[7] 孟锐，金成军，刘畅. 基于阴影线的智能车辆检测及测距方法研究[J]. 吉林大学学报（信息科学版），2018，36（6）：654-660.

[8] DEY A， SADHU S， GHOSHAL T K. Adaptive Gauss-Hermite filter for non-linear systems with unknown measurement noise covariance[J]. IET Science Measurement & Technology，2015，9（8）：1007-1015.

[9] 顾李云.  基于图像处理的车牌识别算法的研究与设计[D].  南京：南京邮电大学，2018.

[10] 肖国宴.  基于视频的车辆检测与分割算法研究[D].  南昌：南昌大学，2018.

[11] 胡淋波.  基于红外图像的绝缘子分割算法的研究[D].  长沙：湖南大学，2017.

[12] 李鹏.  低空空域无人机红外图像检测技术研究[D]. 成都：电子科技大学，2018.

[13] BAI X， ZHOU F. Analysis of new top-hat transformation and the application for infrared dim small target detection[J].  Pattern Recognition， 2010， 43： 2145-2156.

[14] 刘忠领，于振红，耿建君，等. 基于形态滤波的红外图像目标检测方法[Jl. 红外与激光工程，2013， 42（S01）： 249-252.

[15] 徐伟斌.  视频图像中手势连续轮廓提取方法研究与实现[D].  杭州：杭州电子科技大学，2017.

[16] 葛艺晓.  基于Freeman链码特征值的示功图分类識别研究[D].  马鞍山：安徽工业大学，2014.

[17] 汤勇，顾宏斌，周来. 交互系统中实时手势分割及指尖检测方法[J]. 光电工程，2010，37（7），145-150.

（责任编辑：江 艳）