王帥 楊建璽

摘 要：針對(duì)泊車機(jī)器人和智能停車庫研究領(lǐng)域中對(duì)視覺系統(tǒng)的需求，設(shè)計(jì)了一種基于雙目視覺的泊車機(jī)器人障礙物檢測系統(tǒng)。 借鑒物理學(xué)中的控制變量法完成雙目相機(jī)標(biāo)定，采用Bouguet算法進(jìn)行立體校正，引入YOLO卷積神經(jīng)網(wǎng)絡(luò)對(duì)障礙物進(jìn)行快速檢測，利用改進(jìn)立體匹配算法完成對(duì)弱光照下光滑邊緣障礙物的檢測，搭建雙目視覺系統(tǒng)并進(jìn)行實(shí)驗(yàn)驗(yàn)證。 實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)檢測平均耗時(shí)為0.463 s，在1 400 mm至2 100 mm范圍內(nèi)檢測誤差在50 mm內(nèi)，具有良好的實(shí)時(shí)性和較高精度，為經(jīng)濟(jì)型泊車機(jī)器人的研制奠定基礎(chǔ)。

關(guān)鍵詞：泊車機(jī)器人;機(jī)器視覺;相機(jī)標(biāo)定;立體匹配;YOLO卷積神經(jīng)網(wǎng)絡(luò)

文章編號(hào)：2095-2163（2019）04-0079-04 中圖分類號(hào)：TP317.4 文獻(xiàn)標(biāo)志碼：A

0 引 言

隨著人們生活質(zhì)量的日益提高和經(jīng)濟(jì)水平的不斷發(fā)展，汽車保有量呈現(xiàn)井噴式增長，停車成了日常出行的難題[1]。 因此，智能停車庫應(yīng)運(yùn)而生，作為其核心運(yùn)載工具的泊車機(jī)器人日趨受人們關(guān)注，成為移動(dòng)機(jī)器人領(lǐng)域的全新重點(diǎn)應(yīng)用。 文獻(xiàn)[2]中提到的泊車機(jī)器人采用激光導(dǎo)航方式，可完成較高精度的導(dǎo)航，但遇到障礙物就會(huì)自動(dòng)停止，需人工干預(yù)，不能獲取障礙物三維信息而進(jìn)行自主避障。 文獻(xiàn)[3]中由德國Serva公司研制的新型泊車機(jī)器人Ray雖已應(yīng)用到德國杜塞爾機(jī)場，但由于其采用激光導(dǎo)航方式，運(yùn)行速度不高，技術(shù)難度大，很難得到推廣。 文獻(xiàn)[4]中的國產(chǎn)最新泊車機(jī)器人的導(dǎo)航方式為“激光導(dǎo)引+磁釘導(dǎo)航”，雖能完成泊車導(dǎo)航，但前期需對(duì)停車場進(jìn)行較大改造，鋪設(shè)磁釘，使得機(jī)器人運(yùn)行路徑固定，使用不方便，成本較大，不能實(shí)時(shí)檢測行進(jìn)路徑上可能出現(xiàn)的障礙物。

以上文獻(xiàn)中的泊車機(jī)器人雖能完成泊車導(dǎo)航功能，但均采用了成本較高的激光導(dǎo)航技術(shù)，不利于推廣，且缺少對(duì)泊車路徑上出現(xiàn)的障礙物（人為誤進(jìn)，車輛附屬物脫落等）進(jìn)行實(shí)時(shí)檢測的功能，易發(fā)生泊車事故[5]。 故本文采用雙目視覺技術(shù)，設(shè)計(jì)一套泊車機(jī)器人障礙物視覺檢測系統(tǒng)，完成對(duì)泊車路徑上障礙物的類別和距離檢測，彌補(bǔ)了國內(nèi)泊車機(jī)器人缺少障礙物視覺檢測功能的缺陷，為泊車機(jī)器人視覺避障奠定基礎(chǔ)，且有助于經(jīng)濟(jì)型泊車機(jī)器人的研制與推廣。

1 系統(tǒng)設(shè)計(jì)

障礙物視覺檢測系統(tǒng)作為泊車機(jī)器人的“眼睛”，需對(duì)泊車路徑上的障礙物進(jìn)行種類和距離檢測。 搭建雙目視覺檢測系統(tǒng)以實(shí)時(shí)獲得豐富的環(huán)境信息。 系統(tǒng)由軟、硬件2部分組成。 其中，硬件系統(tǒng)包括2臺(tái)MV-E800M/C相機(jī)、LP-03微調(diào)長型云臺(tái)板、Inter i7、GTX980和8G內(nèi)存。軟件系統(tǒng)包括VS2015、Matlab2016a、OpenCV 3.3.0和Ubuntu16.04，將具有可移植性和擴(kuò)展性的Python語言作為編程語言。

系統(tǒng)的工作流程為：通過雙目相機(jī)捕捉前方障礙物的目標(biāo)圖像，采集的圖像經(jīng)過立體校正、YOLO障礙物類別檢測、立體匹配和深度計(jì)算，實(shí)現(xiàn)泊車機(jī)器人障礙物視覺檢測功能。 系統(tǒng)結(jié)構(gòu)流程如圖1所示。

2 基于控制變量法的雙目相機(jī)標(biāo)定

由于相機(jī)的焦距會(huì)對(duì)障礙物的深度、距離、精度產(chǎn)生影響，故引入物理學(xué)中的控制變量法設(shè)置2組實(shí)驗(yàn)，研究棋盤格標(biāo)定板規(guī)格和標(biāo)定距離對(duì)標(biāo)定誤差的影響，以得到精度較高的焦距。

實(shí)驗(yàn)a：設(shè)標(biāo)定距離為1 600 mm，繪制規(guī)格分別為8 mm*8 mm、12 mm*12 mm、14 mm*14 mm、16 mm*16 mm、18 mm*18 mm、20 mm*20 mm、22 mm*22 mm、24 mm*24 mm、26 mm*26 mm、28 mm*28 mm、30 mm*30 mm、40 mm*40 mm的棋盤格標(biāo)定板。

實(shí)驗(yàn)b：設(shè)置棋盤格標(biāo)定板規(guī)格為26 mm*26 mm，設(shè)置12組不同的標(biāo)定距離，從800 mm至1 900 mm依次增加100 mm，其它條件與實(shí)驗(yàn)a保持一致。 實(shí)驗(yàn)結(jié)果表明在標(biāo)定板規(guī)格為26 mm*26 mm，標(biāo)定距離為1 300 mm時(shí)，標(biāo)定誤差最小。 標(biāo)定流程如圖2所示。

3 基于OpenCV的Bouguet立體校正

通過雙目視差求解距離公式是在雙目視覺系統(tǒng)處于理想狀態(tài)下推導(dǎo)出來的[6]，而在實(shí)際操作中，由于相機(jī)畸變、相機(jī)裝配等原因，使得完全共面行對(duì)準(zhǔn)的兩個(gè)相機(jī)成像平面是不存在的。 因此，必須對(duì)其進(jìn)行校正，以減少實(shí)際誤差。 校正步驟：

（1）共面：校正過程中2個(gè)圖像平面均按照相機(jī)旋轉(zhuǎn)矩陣R旋轉(zhuǎn)一半，使重投影畸變最小[7]，此時(shí)2個(gè)相機(jī)圖像平面共面（畸變校正后光軸也平行），但是行不對(duì)準(zhǔn)。

（2）行對(duì)準(zhǔn)：極點(diǎn)是2個(gè)相機(jī)坐標(biāo)系原點(diǎn)的連線和圖像平面的交點(diǎn)，2個(gè)相機(jī)的圖像平面和2個(gè)相機(jī)坐標(biāo)系原點(diǎn)的連線平行，則極點(diǎn)處于無窮遠(yuǎn)處（即行對(duì)準(zhǔn)）。

4 障礙物類別檢測與深度計(jì)算

4.1 基于YOLO卷積神經(jīng)網(wǎng)絡(luò)的障礙物快速檢測

YOLO（You Only Look Once[8]）是一個(gè)十分容易構(gòu)造的目標(biāo)檢測算法。 其將目標(biāo)區(qū)域預(yù)測和目標(biāo)類別預(yù)測整合于單個(gè)神經(jīng)網(wǎng)絡(luò)模型中，可在準(zhǔn)確率較高的情況下實(shí)現(xiàn)快速目標(biāo)檢測[9]，適合泊車機(jī)器人的應(yīng)用環(huán)境。 YOLO卷積網(wǎng)絡(luò)模型共有24個(gè)卷積層和2個(gè)全連接層。 其中，卷積層用來提取圖像特征，全連接層用來預(yù)測圖像位置和類別概率值。 YOLO卷積神經(jīng)網(wǎng)絡(luò)采用PASCAL VOC數(shù)據(jù)訓(xùn)練卷積層[10-11]，然后利用卷積層和全連接構(gòu)成RPN（Region Proposal Network）實(shí)現(xiàn)目標(biāo)類別和物體位置預(yù)測[12]。

YOLO目標(biāo)檢測算法：首先把輸入圖像劃分成S×S的格子，然后對(duì)每個(gè)格子預(yù)測B個(gè)檢測框（bounding boxes），每個(gè)檢測框包含5個(gè)預(yù)測值：x，y，w，h和置信度（confidence）。 其中，x和y是檢測框的中心坐標(biāo);w和h是檢測框的寬與高，每個(gè)格子預(yù)測C個(gè)假定類別的概率，最后輸出特征圖，其大小為S×S×（B×5+C）。

4.2 立體匹配

由于泊車機(jī)器人在弱光照條件下工作，且需對(duì)誤進(jìn)的具有邊緣光滑的障礙物，如人、貓和狗等進(jìn)行檢測，故需要設(shè)計(jì)一種滿足泊車機(jī)器人要求的立體匹配算法。 在對(duì)比分析傳統(tǒng)的立體匹配算法與邊緣檢測算法的基礎(chǔ)上，選擇具有對(duì)噪聲不敏感，能夠完成對(duì)弱邊緣的檢測且精度較高的Canny算子，和簡化后的具有光照不變性的SURF算法相結(jié)合的方式，完成本文算法設(shè)計(jì)。 改進(jìn)的立體匹配算法流程如圖3所示。

4.3 深度計(jì)算

通過視差圖和標(biāo)定參數(shù)，將左右成像平面上的成像點(diǎn)轉(zhuǎn)化到3D空間，可求得障礙物目標(biāo)點(diǎn)的真實(shí)距離。 重投影矩陣Q的表達(dá)式如下所示：

5 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證系統(tǒng)的實(shí)時(shí)性與準(zhǔn)確性，以目標(biāo)障礙物在同一車庫環(huán)境的不同距離情況下進(jìn)行檢測。 首先把左相機(jī)圖像輸入YOLO卷積神經(jīng)網(wǎng)絡(luò)，確定立體匹配區(qū)域，然后采用本文立體匹配算法完成立體匹配（如圖4所示），計(jì)算最大視差，最后利用雙目相機(jī)標(biāo)定參數(shù)（見表1）和三角形相似原理，計(jì)算出目標(biāo)區(qū)域中最小的實(shí)際距離。 系統(tǒng)輸出的障礙物類別檢測及深度信息如圖5所示。

通過8組實(shí)驗(yàn)結(jié)果可知，該系統(tǒng)在1 400 mm～2 100 mm距離內(nèi)測距誤差在50 mm內(nèi)，系統(tǒng)平均耗時(shí)0.463 s，可滿足泊車機(jī)器人對(duì)障礙物檢測的實(shí)時(shí)性與精度要求，系統(tǒng)性能分析見表2。

6 結(jié)束語

針對(duì)目前搭載激光傳感器的泊車機(jī)器人成本高、技術(shù)難度大，本文搭建了基于雙目視覺的泊車機(jī)器人障礙物檢測系統(tǒng)，采用控制變量法完成雙目標(biāo)定以得到較高精度的焦距，利用改進(jìn)立體匹配算法完成立體匹配，引入YOLO卷積神經(jīng)網(wǎng)絡(luò)完成障礙物類別檢測，最終輸出障礙物的類別和距離。 由于國內(nèi)外相關(guān)研究較少，智能車庫環(huán)境下的檢測算法不成熟，硬件成本高，如何制造出低成本、高效率的經(jīng)濟(jì)型泊車機(jī)器人將是未來研究的重點(diǎn)和難點(diǎn)。

參考文獻(xiàn)

[1] 徐欣， 周香琴， 江先志，等. 基于物聯(lián)網(wǎng)技術(shù)的小區(qū)停車位共享平臺(tái)的設(shè)計(jì)與開發(fā)[J]. 工業(yè)控制計(jì)算機(jī)， 2018， 31（1）：139-141.

[2]申愛萍. 揭開"最牛泊車機(jī)器人"的神秘面紗[J]. 駕駛園， 2017 （9）：42-43.

[3]劉爽. 基于二維碼識(shí)別的自動(dòng)泊車機(jī)器人定位導(dǎo)航技術(shù)研究[D]. 武漢：華中科技大學(xué)， 2017.

[4]研華科技.怡豐機(jī)器人攜手研華：以技術(shù)力量， 擴(kuò)展AGV市場應(yīng)用[J]. 自動(dòng)化博覽， 2018， 35（8）：76-77.

[5]魏言華. 基于視覺的車輛后方障礙物檢測算法研究與實(shí)現(xiàn)[D]. 沈陽：東北大學(xué)， 2008.

[6]謝若冰. 雙目立體成像和顯示的FPGA視頻處理技術(shù)研究[D]. 北京：北京理工大學(xué)， 2015.

[7]葉峰， 王敏， 陳劍東，等. 共面點(diǎn)的攝像機(jī)非線性畸變校正[J]. 光學(xué)精密工程， 2015， 23（10）：2962-2970.

[8]Shubham Shinde， Ashwin Kothari， Vikram Gupta. YOLO based Human Action Recognition and Localization[J]. Procedia Computer Science， 2018， 20（3）：133-134.

[9]王昊. 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測與識(shí)別方法研究[D]. 南京：南京財(cái)經(jīng)大學(xué)， 2016.

[10]施澤浩， 趙啟軍. 基于全卷積網(wǎng)絡(luò)的目標(biāo)檢測算法[J]. 計(jì)算機(jī)技術(shù)與發(fā)展， 2018， 28（5）：55-58.

[11]楊梓豪. 基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的物體識(shí)別算法研究[D]. 北京：北京郵電大學(xué)， 2017.

[12]李旭冬. 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測若干問題研究[D]. 成都：電子科技大學(xué)， 2017.