基于維諾圖匹配的粒子跟蹤測速法

陳曉榮 曹忠建 李然 范彥平 劉宏業 楊暉 鐘琳珊

文章編號： 1005-5630（2018）06-0013-08

摘要： 針對密集顆粒流速度場分布的測量問題，提出了基于維諾圖匹配的粒子跟蹤測速法。首先，通過對圖像粒子進行維諾圖構建，給出面積相似度篩選匹配粒子的條件;其次，引入Delaunay三角網搜索結構，通過計算維諾多邊形的形狀相似度來匹配粒子;再次，研究了去除錯誤匹配粒子矢量的方法和匹配算法中的關鍵參數;最后，通過模擬二維旋轉流場運動以及二維轉盤中的顆粒流實驗對算法進行了測試。結果表明：維諾圖匹配的匹配準確率高于DTPTV并且在處理密集粒子匹配效果上更好;維諾圖匹配算法適用于測量密集顆粒流速度場分布，顆粒匹配準確率高達99%，并由得到的顆粒流速度場分布驗證了算法的有效性。

關鍵詞： 光學測量; 維諾圖匹配; Delaunay三角網; 面積相似度; 形狀相似度; 顆粒流速度場

中圖分類號： TN 253文獻標志碼： Adoi： 10.3969/j.issn.1005-5630.2018.06.003

引言

顆粒物質是復雜的顆粒無序堆積的系統，在自然界、工程建設和工業生產中廣泛存在，顆粒物質在外力作用下發生流動，表現出流體的性質，形成顆粒流，比如碎屑流災害、沙漠、江河泥沙、雪崩和球床反應堆等[1]。顆粒流速度場分布的測量對于研究顆粒流的物理特性具有重要的意義。目前粒子圖像測速法（particle image velocimetry，PIV）和粒子跟蹤法（particle tracking velocimetry，PTV）是最常用的兩種速度場測量方法。在密集顆粒體系速度場測量時，由于PIV技術對速度場梯度較大的顆粒流測量效果不佳，因此近年來逐漸被PTV技術取代[2-4]。

PTV算法基本原理是跟蹤同一粒子在兩個不同時刻的圖像中的位移，通過時刻差和位移計算出單個顆粒的速度。PTV圖像處理可分為粒子識別和粒子匹配兩個過程，其中：粒子識別是為了將顆粒簡化為一個點，并獲取該點的坐標;粒子匹配是將連續兩幀中同一粒子進行配對，計算粒子間的位移，從而測出粒子運動速度。傳統的PTV技術通過圖像互相關法進行匹配：先求取前一幀圖像中某顆粒點與下一幀圖像中與其鄰近顆粒的相關系數，由兩幅圖像中最大的相關系數確定后一幀圖像中與前一幀圖像中某確定顆粒的配對顆粒，進而可求出速度矢量?；ハ嚓P法存在的問題是只適用于測量流體中低濃度粒子速度場，在測量密集顆粒流時匹配準確率較低[5-8]。目前粒子匹配方法主要有基于粒子群優化Hopfield網絡匹配法（particle swarm optimization and hopfield neural network，PSOHNN）[9]和Delaunay泰森多邊形算法（Delaunay Tessellation PTV，DTPTV）[10-11]。PSOHNN的優勢在于適用于不同濃度的粒子，不足之處在于算法中需要優化的參數較多，參數的選擇會對實驗結果有影響。DTPTV算法利用Delaunay三角形將粒子間的匹配變成三角形之間的匹配，利用空間分布的相似性提高匹配準確率，缺點是Delaunay三角形在粒子移動過程中的空間結構穩定性不太好，在匹配過程中粒子的劇烈運動會導致匹配準確率下降。針對PTV技術中如何提高匹配準確率的問題，本文提出了基于維諾圖（Voronoi diagram）匹配的PTV算法。在粒子匹配過程中，用維諾多邊形之間面與面的匹配代替Delaunay三角形的匹配，并且在三幀之間實現了維諾圖的匹配，擴大粒子篩選范圍，較DTPTV提高了匹配精確率，對于不同的圖像，實驗參數統一，粒子位移精度只受圖像處理的影響，相鄰兩幀時間較短的情況下，可實現完全匹配，錯誤匹配極少，算法運行速度較快。

1維諾圖匹配算法原理

1.1PTV技術基本原理

1.3維諾圖匹配算法仿真測試

采用旋轉變換的方法產生一個速度場，對粒子匹配算法進行標定是目前常用的一種測試方法[14]。本文利用MATLAB軟件，在邊長為1 000像素的正方形區域內生成1 000個圍繞區域中心做勻速圓周運動的隨機分布粒子，角速度大小為10 rad/s，選取連續時刻的兩幀圖像做維諾圖匹配。匹配準確率為正確匹配粒子個數占總粒子的比例。

圖3為時間間隔20 ms時DTPTV和維諾圖粒子匹配速度場，從圖中可以看出維諾圖匹配在處理粒子聚集較密的情況較好，幾乎正確匹配，而DTPTV匹配效果較差。表1為T=0.6時，不同時間間隔下DTPTV和維諾圖匹配準確率對比，從表1可以看出，當時間間隔較小時，DTPTV和維諾圖匹配的匹配準確率區別較小，當時間間隔較大時，維諾圖匹配的準確率明顯高于DTPTV。由此說明，當粒子運動狀態劇烈變化時，維諾圖匹配的魯棒性比DTPTV更好。

2二維轉盤中的顆粒流測試和分析

2.1顆粒流實驗系統

圖4為本文的實驗系統，主要由二維轉盤和均勻的球形陶瓷顆粒（氮化硅）組成。圓盤的直徑300 mm，厚度10 mm，陶瓷球直徑8.732 mm，圓盤的填充度為40%，圓盤由步進電機驅動，并保持轉速恒定，使顆粒處于連續流動的運動狀態。

測量系統由高速CCD相機和LED光源構成，通過調整光源的位置，使顆粒表面形成明顯的光點。CCD相機正對二維滾筒中心位置進行連續拍攝，拍攝圖像通過計算機采集。本文圖像中顆粒直徑為34.2 pixel。

2.2顆粒識別方法及匹配過程

圖5為原始圖像通過二值化、特征提取和篩選、去除噪聲點，再將圖像中的顆粒提取為位于光點位置的點狀粒子，用點狀顆粒的形心坐標來作為顆粒的特征點。

3維諾圖匹配算法參數研究

3.1曝光間隔時間

在拍攝過程中，采用雙曝光法，一次連續采集50幀圖像，連續兩幀圖像曝光間隔時間為3.75 ms。根據面積相似度公式可知，當曝光間隔時間較小時，同一個顆粒的維諾多邊形的面積重合度較高。選擇不同的間隔幀數作維諾圖匹配，發現了不同間隔幀數下有效匹配顆粒數和反向匹配顆粒數的變化規律。有效匹配顆粒是指，兩個維諾圖在匹配時只有兩個對應的點出現在維諾多邊形的公共區域中的顆粒。反向匹配是指，當兩個維諾圖合在一起匹配時，對應的維諾多邊形與相鄰點的維諾多邊形匹配，導致顆粒速度方向變反并且大小錯誤。由于電機轉動頻率在達到220 kHz后速度變化不大（220 kHz對應的轉速為0.157 r/s），圖10為轉速0.157 r/s時有效匹配顆粒數和反向匹配顆粒數隨間隔幀數的變化規律：有效匹配顆粒數先保持不變后下降到一定數值保持恒定;反向匹配顆粒個數一開始為0，到臨界點之后保持線性上升的規律。在轉速不大于0.157 r/s情況下，給出間隔幀數為4的曝光間隔時間的參數，確保所有顆粒正確匹配。

由圖11知，約87%面積相似度分布在0.85～1，這部分顆粒的速度較緩慢，約12%的面積相似度分布在0.6～0.85之間，這部分顆粒是堆積顆粒最上層的顆粒，運動速度較快。兩個維諾多邊形隨著顆粒運動速度越大，面積相似度會逐漸下降，當ρArea值降到0.6以下，采用形狀相似度來匹配顆粒。因此給出T的值為0.6，可以得到99%左右的匹配準確率，與仿真結果一致。

4結論

通過對粒子跟蹤法在密集顆粒流中的研究，提出了基于維諾圖匹配的粒子跟蹤法，采用MATLAB軟件仿真，并且設計了二維轉筒顆粒流實驗裝置。研究表明：兩幀圖像在間隔時間較大的情況下，維諾圖匹配的匹配準確率高于DTPTV，并且在處理密集粒子匹配效果上更好;采用15 ms的曝光時間間隔，面積相似度閾值T的取值為0.6，實現了顆粒的完全匹配，能得到99%的匹配準確率。

參考文獻：

[1]楊暉，張國華，王宇杰，等.密集顆粒體系的顆粒運動及結構測量技術[J].力學進展，2018，48（48）：201812.

[2]雷煜華.火焰流場粒子跟蹤測速系統[D].成都：西安電子科技大學，2014.

[3]ORPE A V，KHAKHAR D V.Rheology of surface granular flows[J].Journal of Fluid Mechanics，2007，571：132.

[4]FU S J，BIWOLE P H，MATHIS C.Numerical and experimental comparison of 3D Particle Tracking Velocimetry（PTV） and Particle Image Velocimetry（PIV） accuracy for indoor airflow study[J].Building and Environment，2016，100：4049.

[5]王甜，房紅兵，黃海龍，等.一種改進的粒子圖像測速混合算法研究[J].長江科學院院報，2017，34（7）：144148.

[6]楊福勝，張早校，王斯民，等.粒子追蹤測速（PTV）技術及其在多相流測試中的應用[J].流體機械，2014（2）：3742.

[7]胡濤.PTV匹配算法的對比分析[D].北京：清華大學，2010.

[8]阮曉東，宋向群，山本富士夫.基于BICC算法的PIV技術[J].實驗力學，1998，13（4）：514519.

[9]周云龍，宋連壯，周紅娟.基于粒子群優化Hopfield網絡匹配的稀相顆粒速度測量[J].化工學報，2011，62（2）：348354.

[10]SONG X，YAMAMOTO F，IGUCHI M，et al.A new tracking algorithm of PIV and removal of spurious vectors using Delaunay tessellation[J].Experiments in Fluids，1999，26（4）：371380.

[11]ZHANG Y，WANG Y，JIA P.Improving the Delaunay tessellation particle tracking algorithm in the three-dimensional field[J].Measurement，2014，49：114.

[12]FORTUNE S.Voronoi diagrams and delaunay triangulations[M].Computing in Euclidean Geometry，2015：193233.

[13]DING S G，NIE X L，QIAO H，et al.A fast algorithm of convex hull vertices selection for online classification[J].IEEE Transactions on Neural Networks and Learning Systems，2017，29（4）：792806.

[14]賈攀，王元，張洋.基于Delaunay網格技術的松弛迭代粒子追蹤算法[J].空氣動力學學報，2012，30（6）：792797.

[15]歐陽鴻武，張新，黃誓成，等.轉鼓中顆粒流動層厚度及其影響因素[J].粉末冶金材料科學與工程，2008，13（2）：8490.

[16]DU PONT S C，FISCHER R，GONDRET P，et al.Instantaneous velocity profiles during granular avalanches[J].Physical Review Letters，2005，94（4）：048003.

[17]JAIN N T，OTTINO J M，LUEPTOW R M.An experimental study of the flowing granular layer in a rotating tumbler[J].Physics of Fluids，2002，14（2）：572582.

（編輯：劉鐵英）