王 爍，孫 備，侯代坡，韓致信

（蘭州理工大學(xué)機(jī)電工程學(xué)院 甘肅 蘭州 230050）

0 引言

圖像處理是以攝像頭傳感器為檢測(cè)元件的智能車實(shí)現(xiàn)控制并穩(wěn)定運(yùn)行的基礎(chǔ)，圖像處理的優(yōu)劣直接影響到控制策略能否準(zhǔn)確實(shí)現(xiàn)，而判斷圖像處理優(yōu)劣的標(biāo)準(zhǔn)是能否準(zhǔn)確地區(qū)分出黑色跑道與白色背景以及其他干擾信息。

攝像頭提取的信號(hào)是被動(dòng)的接受反射回的光線，因此，采集的圖像受外界環(huán)境的影響較大，例如，一些黑色跑道很可能由于發(fā)生鏡面反射而丟失信號(hào)。此外，智能車實(shí)際用的是經(jīng)過(guò)A／D轉(zhuǎn)換之后的模擬圖像，模擬的圖像在傳輸和轉(zhuǎn)換到數(shù)字圖像的過(guò)程中帶入大量的噪點(diǎn)，給實(shí)際應(yīng)用帶來(lái)許多困難。最后由于飛思卡爾單片機(jī)實(shí)際內(nèi)存空間和運(yùn)算能力有限，所以實(shí)際應(yīng)用中的程序不能太大，運(yùn)算的時(shí)間也不能大于20ms。

智能車的圖像處理多采用單像素處理方式，即對(duì)臨近一個(gè)或幾個(gè)像素點(diǎn)之間進(jìn)行灰度值比較[1-2]，導(dǎo)致采集的數(shù)據(jù)的不能被有效利用。另外，在智能車圖像處理中可以引入合成孔徑雷達(dá)SAR（synthetic aperture radar）圖像識(shí)別方 法[3-4]。但是由于在SAR圖像中的數(shù)據(jù)量相較智能車中的數(shù)據(jù)要大得多，所以應(yīng)進(jìn)行數(shù)據(jù)的簡(jiǎn)化。

對(duì)基于攝像頭傳感器的智能車采集圖像進(jìn)行處理，實(shí)現(xiàn)了由雙跑道到單跑道的轉(zhuǎn)換，為控制策略的準(zhǔn)確實(shí)現(xiàn)和控制穩(wěn)定性及速度提升開拓了廣闊的空間。

1 圖像的邊緣檢測(cè)

1.1 邊緣檢測(cè)

經(jīng)研究發(fā)現(xiàn)，在飛思卡爾智能車攝像頭組控制中，智能車在低速時(shí)仍然跑出去的根本原因在于外界的干擾。也就是說(shuō)外界黑色的背景由于光線的反射，變成了白色。而臨近的地方仍然是黑色的，最終將此區(qū)域誤認(rèn)為是白色背景和黑色跑道，造成智能車在低速時(shí)仍然向外沖。

在實(shí)際應(yīng)用中，系統(tǒng)獲取的原始圖像由于許多因素的干擾而變得不完美，例如，室外光照不夠均勻；CCD獲得的圖像在經(jīng)過(guò)A／D轉(zhuǎn)換、線路傳輸過(guò)程中都會(huì)產(chǎn)生噪聲污染等。輕者表現(xiàn)為圖像不干凈，難以看清楚細(xì)節(jié)，重者表現(xiàn)為輪廓模糊不清。因此，在圖像分析之前，要進(jìn)行圖像的預(yù)處理，對(duì)圖像的質(zhì)量進(jìn)行改善。常用的改善的方法有：圖像增強(qiáng)和圖像復(fù)原。利用圖像復(fù)原需要了解圖像模糊的先驗(yàn)知識(shí)，要建立相應(yīng)的退化模型，并且利用軟件或者硬件消除這種影響，這種工作費(fèi)時(shí)且魯棒性不佳，采用得較少。

圖像的增強(qiáng)不考慮圖像質(zhì)量下降的原因，只將圖像中感興趣的特征有選擇的突出，并且衰減不需要的特征，從而提高圖像的可懂度。圖像增強(qiáng)的方法分為空域法和頻域法，空域法主要是對(duì)圖像中的各個(gè)像素點(diǎn)進(jìn)行操作；而頻域法是在圖像的某個(gè)變換域內(nèi)，修改變換后的系數(shù)，如傅立葉變換、DCT等的系數(shù)，對(duì)圖像進(jìn)行操作，然后再進(jìn)行反變換得到處理后的圖像。由于頻域法運(yùn)算復(fù)雜，結(jié)合智能車圖像運(yùn)算速度的要求。因此，考慮的是利用空域圖像增強(qiáng)的方法進(jìn)行邊緣檢測(cè)。

[5]中將圖像邊緣描述為：邊緣是灰度值不連續(xù)的結(jié)果。這種不連續(xù)?？衫们髮?dǎo)數(shù)的方法檢測(cè)，一般常用一階導(dǎo)數(shù)和二階導(dǎo)數(shù)來(lái)檢測(cè)邊緣。由于在智能車中用的是數(shù)字的攝像頭，灰度值是不連續(xù)的，這里說(shuō)的灰度值不連續(xù)可以理解為在智能車圖像中進(jìn)行二值化之后的數(shù)字圖像。利用邊緣檢測(cè)來(lái)分割圖像的基本思想是：先檢測(cè)圖像中的邊緣點(diǎn)，再按照某種策略將邊沿線連接成輪廓，從而構(gòu)成分割的區(qū)域。

邊緣檢測(cè)可借助空域微分算子通過(guò)卷積完成。實(shí)際上數(shù)字圖象處理中求導(dǎo)數(shù)是利用差分近似微分來(lái)進(jìn)行的[5]。Sobel算子作為梯度算子的一種，在實(shí)際應(yīng)用中效果較好。梯度對(duì)應(yīng)一階導(dǎo)數(shù)，梯度算子是一階導(dǎo)數(shù)算子。對(duì)一個(gè)連續(xù)的函數(shù)，它在位置梯度可表示為一個(gè)矢量：

在實(shí)際應(yīng)用中，常用小區(qū)域模版卷積來(lái)近似計(jì)算。經(jīng)典的Sobel算子就是在圖像空間利用2個(gè)方向模版與圖像進(jìn)行臨域卷積完成[6]。這2個(gè)方向模版一個(gè)檢測(cè)垂直邊緣；另一個(gè)檢測(cè)水平邊緣。矩陣中模版的數(shù)字為模版系數(shù)，邊緣方向和梯度方向總是正交垂直的。

水平梯度算子模版為：

垂直梯度算子模版為：

門限設(shè)為0.07時(shí)，利用Sobel算子計(jì)算方法得到的圖像如圖1所示。可以找到2條直線的4條邊界。

圖1 利用Sobel算子得到的圖像

1.2 邊緣閾值

只要選取一個(gè)適當(dāng)?shù)幕叶燃?jí)閾值T，然后將每個(gè)灰度和它進(jìn)行比較，將灰度值超過(guò)閾值的重新分配到1，低于閾值的分配到0，那么就可以組成一個(gè)新的二值圖像，這樣就可以把目標(biāo)從背景中分離出來(lái)。然而，目前還沒(méi)有統(tǒng)一的圖像增強(qiáng)質(zhì)量的評(píng)價(jià)標(biāo)準(zhǔn)，主要還是依據(jù)人的主觀感覺對(duì)圖像的視覺效果進(jìn)行評(píng)價(jià)[7]。

圖像的灰度門限值（閾值）的變換函數(shù)形式為：

不同閾值下的圖像效果如圖2所示。可以看出，如果選擇合適的閾值，可以將外界的干擾點(diǎn)部分排除，但是做不到完全排除。如圖2中當(dāng)閾值選為65時(shí)，外界干擾并未完全排除。

圖2 不同閾值下的圖像效果

2 Hough變換

為了提高排除噪點(diǎn)的可靠性，可以提取跑道的黑線邊緣，然后求出中間線。這樣雙跑道的問(wèn)題就可以轉(zhuǎn)化到單跑道考慮，簡(jiǎn)化了問(wèn)題，提高了智能車的穩(wěn)定性。

Hough變化是一類常用檢測(cè)包括直線在內(nèi)的參數(shù)化曲線的方法。在實(shí)際跑道上只有幾種具體的特征，利用點(diǎn)對(duì)線的對(duì)偶性，從而檢測(cè)圖像是否具有給定的曲線特征。Hough變換的基本原理是：將直線上的每個(gè)數(shù)據(jù)點(diǎn)變換為參數(shù)平面中的一條直線或一條曲線，利用共線的數(shù)據(jù)點(diǎn)對(duì)應(yīng)的參數(shù)曲線相交于參數(shù)空間中一點(diǎn)的關(guān)系，使直線的提取問(wèn)題轉(zhuǎn)化為計(jì)數(shù)問(wèn)題[8]。具體的說(shuō)，就是對(duì)于滿足y＝ax＋b的某一點(diǎn)（x0，y0），對(duì)應(yīng)參數(shù)平面（a，b）上的一條直線b＝y(tǒng)0-ax0，而來(lái)自同一條直線y＝ax0＋b0上的所有數(shù)據(jù)點(diǎn)對(duì)應(yīng)的參數(shù)平面上的直線，必然相交于真實(shí)的參數(shù)點(diǎn)（a0，b0）。另外，為了避免垂直直線斜率問(wèn)題，在應(yīng)用時(shí)常采用直線的極坐標(biāo)方程ρ＝xcosθ＋ysinθ，此時(shí)參數(shù)平面為（ρ，θ）平面。如圖3所示。

圖3 Hough變換的基本原理

3 實(shí)驗(yàn)過(guò)程及分析

在經(jīng)過(guò)Hough變換后，提取出重要的直線如圖4所示。

圖4 經(jīng)Hough變換后的圖像

在圖4中，線1，2，3為重要直線，下一步的任務(wù)是將線1去除，留下中間的兩條直線2、3，最后求出中間兩條直線的中心線。在圖4中，利用強(qiáng)化約束條件的方法去除直線1，結(jié)果如圖5所示。然后，經(jīng)過(guò)求端點(diǎn)行、列中心值的方法求出直線4，如圖6所示。在圖6中，直線4就是要求的目標(biāo)線，這就為后續(xù)的控制工作提供了依據(jù)。

在實(shí)驗(yàn)中，利用OV6620數(shù)字?jǐn)z像頭拍攝圖像和EASYCAP圖像采集卡傳輸圖像。在Matlab平臺(tái)上，利用Hough變換對(duì)原圖像進(jìn)行處理。

邊緣檢測(cè)的結(jié)果與門限制的選取關(guān)系很大，門限條件放寬，檢測(cè)出邊緣點(diǎn)的信息較豐富，同時(shí)虛警也較多。否則，檢測(cè)出的邊緣較少，虛警也較少，同時(shí)邊緣圖像中道路的形狀保持得不好，斷裂嚴(yán)重。為了盡可能地檢測(cè)出道路，實(shí)驗(yàn)中將門限設(shè)置得比較寬松，因此，道路檢測(cè)中出現(xiàn)了虛警。

在實(shí)驗(yàn)過(guò)程中，由于攝像頭與單片機(jī)工作頻率不匹配，圖像中出現(xiàn)了黑邊。作者利用減少掃描列的辦法忽略右側(cè)的黑邊。另外，在實(shí)驗(yàn)中容易出現(xiàn)道路中斷的現(xiàn)象，通過(guò)分析發(fā)現(xiàn)是外界光線太強(qiáng)造成的。由于道路的反光性強(qiáng)，出現(xiàn)了鏡面反射，造成“斷線”。為了盡可能地檢測(cè)到直線，用加大中間連接線長(zhǎng)度的辦法將其連接。最終實(shí)現(xiàn)了把2條跑道轉(zhuǎn)化成1條跑道的目的，簡(jiǎn)化了問(wèn)題，為控制策略的實(shí)現(xiàn)提供了依據(jù)。

4 結(jié)束語(yǔ)

提出了基于Hough變換的圖像分割技術(shù)在智能車圖像處理中的應(yīng)用，實(shí)現(xiàn)了賽道的準(zhǔn)確提取，解決了賽車在低速下依然沖出去的問(wèn)題。實(shí)驗(yàn)結(jié)果表明，利用目標(biāo)的灰度和輪廓變化能夠準(zhǔn)確地分割目標(biāo)，抗模糊能力強(qiáng)，有利于平滑去噪，有很好的魯棒性。利用給定的閾值和Hough變換的方法對(duì)圖像進(jìn)行處理，準(zhǔn)確提取出了2條黑線的邊緣并且求出了雙跑道的中心線。當(dāng)智能車在彎道上，實(shí)際圖像中只出現(xiàn)1條黑線時(shí)，如何準(zhǔn)確求出中線是后續(xù)工作的重點(diǎn)和難點(diǎn)。

參考文獻(xiàn)：

[1]田 雨，黃 波，鄧小飛，等.第六屆 “飛思卡爾杯”全國(guó)大學(xué)生智能汽車競(jìng)賽電子科技大學(xué)海盜旗隊(duì)技術(shù)報(bào)告[R].成都：電子科技大學(xué)，2010.

[2]劉 立，楊 鈺，賀亮亮，等.第六屆“飛思卡爾杯”全國(guó)大學(xué)生智能汽車競(jìng)賽北京科技大學(xué)攝像頭一隊(duì)技術(shù)報(bào)告[R].北京：北京科技大學(xué)，2010.

[3]賈承麗，匡綱要.SAR圖像自動(dòng)道路提取[J].中國(guó)圖象圖形學(xué)報(bào)，2005，（10）：1218-1223.

[4]趙凌軍，賈承麗，匡綱要.SAR圖像邊緣檢測(cè)方法綜述[J].中國(guó)圖象圖形學(xué)報(bào)，2007，（12）：2042-2049.

[5]章毓晉.圖像處理和分析基礎(chǔ)[M].北京：高等教育出版社，2002.

[6]章毓晉.圖像工程（上）圖像處理與分析[M].北京：清華大學(xué)出版社，1999.

[7]章毓晉.圖像分割評(píng)價(jià)技術(shù)與比較[J].中國(guó)圖象圖形學(xué)報(bào)，1996，（6）：151-157.

[8]張德豐，等.Matlab數(shù)字圖像處理[M].北京：機(jī)械工業(yè)出版社，2009.