摘 要：文章面向自動(dòng)泊車輔助系統(tǒng)中識(shí)別車位線的問題，利用Canny邊緣檢測(cè)方法，采用Hough變換，并基于車位線特征的先驗(yàn)知識(shí)對(duì)變換結(jié)果進(jìn)行優(yōu)化與限制，從而完成了泊車輔助系統(tǒng)中的車位線自動(dòng)檢測(cè)與識(shí)別。通過實(shí)際統(tǒng)計(jì)，準(zhǔn)確識(shí)別概率高達(dá)94.6%。

關(guān)鍵詞：泊車輔助系統(tǒng)；車位線；識(shí)別

隨著我國(guó)交通發(fā)展迅猛，對(duì)輔助泊車系統(tǒng)的需求與日俱增。常見的泊車系統(tǒng)中車輛定位方法有：基于車位線、基于設(shè)施、面向用戶界面以及考慮空閑位置四類。其中，基于車位線的車輛定位方法相較于其他三種方法具有降低駕駛員重復(fù)操作、定位精準(zhǔn)、適用于傾斜車位情況、最大限度縮短定位時(shí)間等顯著優(yōu)點(diǎn)。然后，基于車位線的方法在進(jìn)行圖像處理時(shí)，存在閾值設(shè)定問題，即過低的閾值會(huì)導(dǎo)致無法屏蔽干擾信息，過高的閾值會(huì)存在漏掉有用信息的可能。鑒于這一問題，文章利用自適應(yīng)方法，提出了建立全景圖像、圖像預(yù)處理與直方圖均衡化、自適應(yīng)的二值化、Canny邊緣檢測(cè)的車位線檢測(cè)與識(shí)別方法。

1 圖像預(yù)處理

在車輛的左右、前后安裝攝像頭，魚眼矯正、俯瞰變換與拼接等技術(shù)方法后，可獲得車輛全景圖。此時(shí)得到全景圖像，必然會(huì)受到實(shí)際環(huán)境中噪聲與光線的干擾，因此需要進(jìn)行預(yù)處理工作。

1.1 自適應(yīng)直方圖均衡化

圖像的直方圖均衡化是通過對(duì)圖像灰度進(jìn)行變化，使其呈現(xiàn)灰度概率密度均勻分布，從而達(dá)到提高圖像對(duì)比度的作用，將采集到的彩色全景圖變換為灰度圖像后，采用直方圖均衡化進(jìn)行預(yù)處理。直方圖均衡化方法容易使局部特征被忽視，給圖像的邊緣檢測(cè)造成損失。文章為解決這一局限性，引入了自適應(yīng)的直方圖均衡化方法，通過對(duì)局部直方圖進(jìn)行限制間接限制局部對(duì)比度，從而避免了局部對(duì)比度過強(qiáng)和噪聲過大問題。

1.2 自適應(yīng)二值化

為方便后期對(duì)圖像進(jìn)行處理，在完成圖像直方圖均衡化后需要進(jìn)一步對(duì)圖像主體和背景進(jìn)行分離，即圖像分割操作。在圖像分割的過程中，閾值的選取至關(guān)重要，合適的閾值直接影響到有用信息的獲取，文章采用自適應(yīng)二值化方法來實(shí)現(xiàn)圖像分割處理操作。自適應(yīng)二值化方法可使圖像不同像素處的閾值不同，像素位置周圍的像素分布情況決定了其閾值情況，亮度越低閾值越小。

1.3 形態(tài)學(xué)處理

完成圖像的分割操作后會(huì)造成一些二值噪聲點(diǎn)，需要繼續(xù)進(jìn)行形態(tài)學(xué)處理，即利用已經(jīng)設(shè)定的簡(jiǎn)單結(jié)構(gòu)元素向圖像內(nèi)進(jìn)行填放，并判斷該元素是否可以放在圖像內(nèi)，同時(shí)檢驗(yàn)填放方法的正確性。膨脹和腐蝕方法是傳統(tǒng)形態(tài)學(xué)處理方法，采用膨脹方法能夠達(dá)到邊界擴(kuò)展的目的，而腐蝕方法則是收縮圖像邊界。文章對(duì)分割后二值圖像進(jìn)行膨脹、腐蝕方法的形態(tài)學(xué)處理，一方面去除了輸入圖像二值噪聲點(diǎn)，另一方面達(dá)到了平滑圖像主體，凸顯細(xì)節(jié)的效果。

2 Hough變換檢測(cè)車位線

2.1 基于中值的自適應(yīng)Canny邊緣檢測(cè)

在圖像處理中，邊緣檢測(cè)技術(shù)因其良好的描述特性可以有效地勾勒出目標(biāo)物體的相關(guān)信息而得到了廣泛的應(yīng)用。在邊緣檢測(cè)技術(shù)之中，通常采用的邊緣檢測(cè)方法主要是Canny邊緣檢測(cè)法。下面文章將介紹基于中值的自適應(yīng)Canny邊緣檢測(cè)方法的一般步驟：

（1）去除圖像噪點(diǎn)

未經(jīng)去噪處理的原始圖像在Canny邊緣檢測(cè)中會(huì)對(duì)檢測(cè)結(jié)果產(chǎn)生較大的影響。因?yàn)镃anny邊緣檢測(cè)中算子對(duì)于圖像中的噪點(diǎn)信息十分敏感。因此采用Canny邊緣檢測(cè)就要利用高斯模板對(duì)原始圖像進(jìn)行卷積處理。

（2）分析圖像的亮度梯度信息

一幅圖像的邊緣指向并不總是指向同一方向，因此，在Canny邊緣檢測(cè)方法中，我們利用四個(gè)模板對(duì)圖像進(jìn)行分析檢測(cè)。在得到圖像的垂直、水平以及對(duì)角線的邊緣信息后，再利用算子計(jì)算圖像邊緣的梯度和方向。

（3）對(duì)圖像邊緣信息的跟蹤

通常情況下，對(duì)于一副圖像而言，圖像邊緣往往具有較大的亮度梯度。但是在圖像檢測(cè)中，通過指定某一閾值來判斷某梯度是否為邊緣是無法確定的。因此通常情況，Canny邊緣檢測(cè)選擇的是滯后閾值來判斷邊緣信息。

2.2 Hough變換

Hough變換通常用于直線以及解析曲線的檢測(cè)之中。其算法原理是將二值圖像通過算法轉(zhuǎn)換到其特定的Hough參數(shù)空間，再通過對(duì)該參數(shù)空間內(nèi)的極值點(diǎn)完成對(duì)圖像的檢測(cè)。在文章所述的實(shí)驗(yàn)方法中，是將Hough變換應(yīng)用于邊緣檢測(cè)圖之中。

由此我們可以看出，在該結(jié)果中每一條車位線顯示出的均為雙邊緣，這為后期的計(jì)算帶來極大的不便，因此在此基礎(chǔ)上，我們還需要對(duì)該初始結(jié)果進(jìn)行條件限制并優(yōu)化。

3 實(shí)驗(yàn)結(jié)果分析

采用文章提出的車位線自動(dòng)檢測(cè)方法，選取了500張不同情況下的車位圖作為實(shí)驗(yàn)樣本，經(jīng)過檢測(cè)識(shí)別（在PC端完成圖像處理，開發(fā)環(huán)境為 VS 2010，調(diào)用OpenCV實(shí)現(xiàn)算法），正確識(shí)別數(shù)為473，錯(cuò)誤識(shí)別數(shù)為27，識(shí)別準(zhǔn)確率為94.6%。

4 結(jié)束語(yǔ)

當(dāng)前機(jī)動(dòng)車保有量逐年增加，城市停車難的問題日益顯現(xiàn)。因此，人們對(duì)泊車輔助系統(tǒng)的需求也逐漸增加。文章正是基于這樣的社會(huì)需求，為了泊車時(shí)可自動(dòng)識(shí)別車位線而提出了一種可綜合利用自適應(yīng)邊緣檢測(cè)與Hough變化等算法的圖像識(shí)別方法。此外，通過實(shí)驗(yàn)驗(yàn)證，文章所提出的方法的精度與魯棒性均能達(dá)到優(yōu)秀水平。

參考文獻(xiàn)

[1]劉有明，馬兆敏.平行泊車中停車位邊線視覺檢測(cè)的研究[J].科學(xué)時(shí)代， 2014.

[2]陸桂明，楊利濤，李俊霞.泊車輔助系統(tǒng)中的車位線自動(dòng)檢測(cè)與識(shí)別[J].電子科技，2014（4）：146-150.

[3]王旭東.基于環(huán)視的自動(dòng)泊車方法研究與系統(tǒng)設(shè)計(jì)[D].上海交通大學(xué)，2013.