洪豐

基于消失點(diǎn)的車載相機(jī)俯仰角標(biāo)定方法

洪豐

（浙江科技學(xué)院 機(jī)械與能源工程學(xué)院，浙江 杭州 310023）

車載相機(jī)的標(biāo)定對(duì)于基于機(jī)器視覺(jué)的智能輔助駕駛系統(tǒng)來(lái)說(shuō)十分重要，其中，相機(jī)的俯仰角是一項(xiàng)重要參數(shù)?；诖?，提出基于消失點(diǎn)的車載相機(jī)俯仰角標(biāo)定方法，根據(jù)道路的紋理特征，利用5個(gè)尺度、8個(gè)方向的Gabor濾波器獲得圖像的紋理信息，然后運(yùn)用局部軟投票算法得到消失點(diǎn)的位置，最后，根據(jù)相機(jī)成像原理，建立消失點(diǎn)與俯仰角的運(yùn)算關(guān)系，最終得到相機(jī)俯仰角信息。實(shí)驗(yàn)結(jié)果表明，該方法俯仰角的標(biāo)定誤差在0.5°以內(nèi)，具有較好的測(cè)量精度，滿足實(shí)際工程應(yīng)用需求。

單目視覺(jué)；紋理特征；消失點(diǎn)；俯仰角

目前，機(jī)器視覺(jué)在智能輔助駕駛系統(tǒng)中運(yùn)用得越來(lái)越廣泛，而最常用的視覺(jué)設(shè)備便是車載相機(jī)了。車道線檢測(cè)、車輛跟蹤及測(cè)距等算法都需要運(yùn)用攝像機(jī)的標(biāo)定參數(shù)，其中，攝像機(jī)俯仰角對(duì)算法檢測(cè)結(jié)果影響最顯著[1-2]。因此，精確地標(biāo)定車載相機(jī)的俯仰角對(duì)基于機(jī)器視覺(jué)的智能輔助駕駛系統(tǒng)來(lái)說(shuō)十分重要。

實(shí)際上，車輛的行車環(huán)境復(fù)雜多樣，例如樹木陰影、光照不均、路面障礙物等情況，使得處理道路圖像的難度增加。目前，基于紋理特征的道路檢測(cè)方法能夠適應(yīng)復(fù)雜的道路環(huán)境，魯棒性較好。

因此，本文提出基于消失點(diǎn)的車載相機(jī)俯仰角標(biāo)定方法，建立5個(gè)尺度、8個(gè)方向的二維Gabor濾波器對(duì)圖像進(jìn)行卷積運(yùn)算，得到圖像的紋理方向；運(yùn)用局部軟投票機(jī)制確定道路消失點(diǎn)的位置；運(yùn)用消失點(diǎn)與俯仰角的運(yùn)算關(guān)系得到相機(jī)的俯仰角。

1 消失點(diǎn)檢測(cè)

1.1 Gabor變換

紋理是圖像的固有特征，獲得圖像紋理特征的常用方法是采用Gabor 濾波器。Gabor濾波器能夠在頻域不同尺度、不同方向上提取圖像特征，這樣的表達(dá)方式與人類視覺(jué)系統(tǒng)很相似。本文利用 Gabor 濾波器多尺度多方向的特點(diǎn)，對(duì)圖像進(jìn)行分析，提取圖像的紋理方向。二維 Gabor 濾波器表示如式（1）所示：

式（1）中：=sin+cos，=－sin+cos，一般取2.2；為尺度；為方向。

由于5個(gè)尺度、36個(gè)方向的Gabor濾波器耗時(shí)很長(zhǎng)，經(jīng)實(shí)驗(yàn)驗(yàn)證，本文選取5個(gè)尺度、8個(gè)方向共40個(gè)模板的Gabor濾波器對(duì)圖像進(jìn)行卷積運(yùn)算。

令（，）表示圖像在點(diǎn)（，）處的灰度值，則圖像與Gabor濾波器的卷積操作表示為：

卷積的結(jié)果ω，φ在點(diǎn)=（，）處有兩部分：實(shí)部和虛部。將實(shí)部和虛部的平方和的平均值定義為ω，φ（），則點(diǎn)處的響應(yīng)值為：

圖像在不同方向上的響應(yīng)會(huì)有所不同，定義響應(yīng)強(qiáng)度最大的方向?yàn)樵擖c(diǎn)的紋理方向，并確定原圖像中所對(duì)應(yīng)點(diǎn)的方向響應(yīng)幅值，即該點(diǎn)8個(gè)方向特征最大的幅值來(lái)確定，如式（4）所示：

（）=argmaxφω，φ（） （4）

1.2 局部軟投票

Gabor濾波器提取出每個(gè)像素的紋理方向后，進(jìn)行消失點(diǎn)的篩選和確定。采用投票機(jī)制對(duì)消失點(diǎn)候選點(diǎn)進(jìn)行投票可最終確定消失點(diǎn)的位置。根據(jù)投票范圍可以將投票方式劃分為全局硬投票方式和局部軟投票[3]方式，全局硬投票方式往往偏向于選擇上部的點(diǎn)，使得消失點(diǎn)上移，產(chǎn)生較大的誤差。為克服這一問(wèn)題，本文選用局部軟投票方式。

對(duì)于圖像中的每一個(gè)候選消失點(diǎn)，在該點(diǎn)下方設(shè)定一個(gè)以該點(diǎn)為圓心、半徑為0.35×的半圓區(qū)域?yàn)橥镀秉c(diǎn)區(qū)域V，其中為圖像的對(duì)角線長(zhǎng)度。對(duì)于投票點(diǎn)區(qū)域V內(nèi)的任一投票點(diǎn)，其紋理主方向?yàn)镻，投票公式為：

從上述公式中可以看出，夾角的取值與（，）有關(guān)。當(dāng)投票點(diǎn)離點(diǎn)越遠(yuǎn)，（，）越大，取值在較小范圍內(nèi)；當(dāng)投票點(diǎn)離點(diǎn)較近時(shí)，可以取較大的值。因此，局部軟投票法可以避免圖像上方的候選消失點(diǎn)得票更多的情況，以提高檢測(cè)精度。計(jì)算出候選點(diǎn)的投票值后，選出投票值最高的點(diǎn)作為道路的消失點(diǎn)。消失點(diǎn)的檢測(cè)結(jié)果如圖1所示，圖1（d）中的黑色矩形框表示消失點(diǎn)的位置。

（a）道路圖像 （b）紋理特征

（c）投票空間 （d）道路消失點(diǎn)

圖1 消失點(diǎn)檢測(cè)結(jié)果

2 相機(jī)俯仰角的計(jì)算

B.CAPRILE等人[4]根據(jù)相機(jī)內(nèi)部參數(shù)與消失點(diǎn)之間的關(guān)系，提出了運(yùn)用消失點(diǎn)進(jìn)行攝像機(jī)標(biāo)定的思想。本文根據(jù)無(wú)窮遠(yuǎn)處消失點(diǎn)與光心的連線近乎平行于道路平面這一關(guān)系對(duì)相機(jī)的俯仰角進(jìn)行標(biāo)定。俯仰角如圖2所示，1為圖像坐標(biāo)系，為光心位置，其在圖像坐標(biāo)系上的坐標(biāo)為（0，0）；為道路消失點(diǎn)在圖像平面上的投影點(diǎn)，像素坐標(biāo)為（1，1），由前面部分計(jì)算得到；相機(jī)的焦距為；攝像頭安裝高度為；為相機(jī)的盲區(qū)距離（圖像最底端與相機(jī)之間的實(shí)際距離），可由式（7）計(jì)算得到；為相機(jī)垂直視角的一半，與相機(jī)的自身參數(shù)有關(guān)，計(jì)算公式如式（8）所示；為相機(jī)的俯仰角。

根據(jù)幾何關(guān)系得到的相機(jī)俯仰角計(jì)算公式為：

式（8）中：2為相機(jī)光敏元件的尺寸參數(shù)。

3 實(shí)驗(yàn)結(jié)果與分析

選用焦距為18 mm，CMOS尺寸為22.3 mm×14.9 mm的相機(jī)，并將相機(jī)固定在三腳架上，讓三腳架上的水平儀保持在水平狀態(tài)。相機(jī)的高度為1.2 m。將相關(guān)參數(shù)代入式（8）中得出為22.48°。沿垂直方向轉(zhuǎn)動(dòng)相機(jī)一定角度，每轉(zhuǎn)動(dòng)一次拍攝一張照片，共拍攝100張照片。

圖2 俯仰角示意圖

圖像處理平臺(tái)：2.30 GHz CPU，Window 10操作系統(tǒng)，MATLAB 2017a 編譯環(huán)境。將測(cè)量盲區(qū)距離所得的俯仰角作為實(shí)際俯仰角與運(yùn)用本文算法所得的俯仰角進(jìn)行實(shí)驗(yàn)對(duì)比，實(shí)驗(yàn)結(jié)果如表1所示。由表1得到，運(yùn)用本文方法標(biāo)定出的俯仰角誤差均在0.5°以內(nèi)，具有較好的檢測(cè)精度，可運(yùn)用在車載相機(jī)俯仰角的標(biāo)定中。

表1 俯仰角標(biāo)定結(jié)果

序號(hào)基于消失點(diǎn)得到的俯仰角基于盲區(qū)距離得到的俯仰角相對(duì)誤差 10°57′0°26′0°31′ 22°39′2°13′0°26′ 35°20′4°53′0°27′ 49°55′9°26′0°29′ 514°43′15°10′﹣0°27′ 620°32′20°07′0°25′ 724°53′25°11′﹣0°18′ 830°11′29°48′0°23′

4 結(jié)論

本文提出了基于消失點(diǎn)的車載相機(jī)俯仰角標(biāo)定方法，首先運(yùn)用Gabor濾波器得到道路的紋理圖像，然后采用局部軟投票法得到消失點(diǎn)的位置，最后根據(jù)相機(jī)成像原理，建立了消失點(diǎn)與俯仰角的關(guān)系，得出相機(jī)實(shí)際俯仰角角度。實(shí)驗(yàn)結(jié)果表明：該方法俯仰角檢測(cè)誤差在0.5°以內(nèi)，有較高的工程應(yīng)用價(jià)值。下一步研究將針對(duì)算法的實(shí)時(shí)性問(wèn)題進(jìn)行優(yōu)化。

［1］劉軍，后士浩，張凱，等.基于單目視覺(jué)車輛姿態(tài)角估計(jì)和逆透視變換的車距測(cè)量［J］.農(nóng)業(yè)工程學(xué)報(bào)， 2018， 34（13）：70-76.

［2］余厚云，張為公.基于單目視覺(jué)傳感器的車距測(cè)量與誤差分析［J］.傳感器與微系統(tǒng)，2012，31（9）：10-13.

［3］KONG H，AUDIBERT J Y，PONCE J.General road detection from a single image［J］.IEEE Transactions on Image Processing a Publication of the IEEE Signal Processing Society，2010，19（8）：2211-2220.

［4］B.CAPRILE，V.TORRE.Using vanishing points for camera calibration［J］.International Journal of Computer Vision，1990，4（2）：127-140

U471.1

A

10.15913/j.cnki.kjycx.2019.15.037

2095－6835（2019）15－0094－02

洪豐（1994—），女，研究方向?yàn)橹悄芙煌ā?/p>

〔編輯：張思楠〕