劉型定，張 欣，任志強，朱煜君

（貴州大學(xué) 大數(shù)據(jù)與信息工程學(xué)院，貴陽 550025）

0 引 言

無人駕駛測距技術(shù)作為自動駕駛中不可或缺的一部分，其精確的測量結(jié)果可以為無人駕駛系統(tǒng)操控汽車行駛提供可靠的數(shù)據(jù)支持。應(yīng)用于無人駕駛的測距技術(shù)一般有雷達(dá)測距技術(shù)、激光測距技術(shù)、超聲波測距技術(shù)等。這些測距技術(shù)存在設(shè)備成本高、測量精度較低、對環(huán)境因素較為敏感、探測角度小等缺點。

視覺測距技術(shù)能夠很好地規(guī)避上述缺陷，目前視覺測距技術(shù)主要分為單目視覺測距和雙目視覺測距。其中，單目視覺測距通過傳統(tǒng)小孔成像物理模型得到目標(biāo)深度信息，因獲取圖像信息量少，其測量精度較低；雙目視覺測距通過模擬人類雙眼來感知物體在環(huán)境中的遠(yuǎn)近，可改變雙目相機的基線來增加其測量范圍，獲取更多環(huán)境信息，成本較低，易于普及。

許多研究者在雙目視覺測距技術(shù)方面進(jìn)行研究并取得了豐碩的研究成果。文獻(xiàn)［5］針對雙目視覺測距誤差大等缺點，提出了一種基于ORB（Oriented Fast and Rotated Brief）特征的雙目測距方法，使用RANSAC（Random Sample Consensus）模型去除誤匹配，該方法在較大程度上消除了像素點的誤匹配，但對于中遠(yuǎn)距離的測量精度具有一定的局限性。文獻(xiàn)［6］運 用 卷 積 神 經(jīng) 網(wǎng) 絡(luò)（Convolutional Neural Network，CNN）多階段多分支結(jié)構(gòu)，檢測出圖像中人體的關(guān)鍵點，并得到這些點的坐標(biāo)，用三角法原理測量行人距離，為了提高實時性，通過減少關(guān)鍵點數(shù)來降低系統(tǒng)計算量，導(dǎo)致測距精度不太理想。文獻(xiàn)［7］采用微變焦的超分辨率圖像重建雙目測距方法，通過變焦系統(tǒng)進(jìn)行超分辨率重建，提高圖像分辨率，使測距相對誤差得以減小，同時增大測距距離。

基于改進(jìn)雙目視覺算法的測距技術(shù)，在對雙目相機標(biāo)定后得到標(biāo)定數(shù)據(jù)，使用所得數(shù)據(jù)對雙目圖像進(jìn)行立體校正，采用CLAHE算法對立體校正后的灰度圖像進(jìn)行了預(yù)處理，優(yōu)化視差計算，同時又使用k-means聚類算法選取視差值作為計算深度的視差值，實現(xiàn)雙目視覺測距。

1 雙目立體視覺測距原理

雙目立體視覺測距原理如圖1所示。圖1中，和分別表示雙目攝像機的左攝像頭（左目）和右攝像頭（右目），在理想狀態(tài)下，左目和右目光軸在三維立體空間中相互平行，不存在任何角度交錯。點為目標(biāo)物，利用三角形的相似定理得到目標(biāo)物的深度信息，L與R分別表示左目和右目的成像平面，點在左目和右目中成像的點分別為P和P，就是以兩者成像平面左端點為坐標(biāo)系原點建立坐標(biāo)系，則2點的坐標(biāo)可以表示為（x，y）和（x，y），雙目攝像機的基線為，焦距為，利用三角法獲取目標(biāo)的深度信息。

圖1 雙目測距原理Fig.1 Principle diagram of binocular ranging

根據(jù)論證2個三角形相似的定理可得式（1）：

計算可得：

其中，為雙目圖像中某一點的像素視差。

可見只需計算出目標(biāo)點的視差值，便可得到該點深度信息。

1.1 雙目相機標(biāo)定

在實際情況下，雙目相機因生產(chǎn)或者安裝等不可避免的因素會產(chǎn)生畸變而導(dǎo)致相機成像平面與理想模型存在一定角度偏差，將雙目相機標(biāo)定所得到的標(biāo)定數(shù)據(jù)進(jìn)行圖像校正可以使整個測距系統(tǒng)最大限度接近理想狀態(tài)。使用Matlab R2019b中自帶標(biāo)定軟件進(jìn)行雙目自動標(biāo)定，雙目相機標(biāo)定誤差如圖2所示，具體內(nèi)外參數(shù)結(jié)果見表1。

表1 雙目相機標(biāo)定參數(shù)結(jié)果Tab.1 The results of the calibration parameters of the binocular camera

圖2 雙目相機標(biāo)定誤差結(jié)果Fig.2 Calibration error results of binocular cameras

從標(biāo)定結(jié)果可以得出，平均標(biāo)定誤差約為0.125個像素，且根據(jù)平移向量第一個參數(shù)可知，標(biāo)定的基線距離約為198.759 5 mm，與手動設(shè)定的基線距離200 mm基本一致，標(biāo)定結(jié)果達(dá)到測距要求。

1.2 立體校正

將得到的標(biāo)定數(shù)據(jù)結(jié)果導(dǎo)入OpenCV庫，利用庫中相關(guān)函數(shù)進(jìn)行雙目圖像立體校正以消除畸變，使OpenCV能夠更加精準(zhǔn)地進(jìn)行像素立體匹配以降低視差計算量。對雙目圖像進(jìn)行立體更正，其輸出的結(jié)果為立體校正中所需要的映射矩陣，隨后計算畸變矯正。校正結(jié)果如圖3所示，可看出左目和右目中的同一點基本在一條直線上，圖像畸變基本消除，滿足理想狀態(tài)要求。

圖3 校正后的圖像對Fig.3 Corrected images pair

2 優(yōu)化視差計算

在視差計算過程中，若圖像局部區(qū)域的細(xì)節(jié)信息沒有得到有效處理，將導(dǎo)致立體匹配計算視差時出現(xiàn)誤匹配，嚴(yán)重影響視差計算結(jié)果。采用直方圖均衡化（Histogram Equalization，HE）技術(shù)增強圖像局部區(qū)域信息，會放大局部噪聲，使圖像失真，若處理的圖像中存在過亮或者過暗的像素信息，經(jīng)過HE處理后，過亮和過暗的圖像區(qū)域可能會出現(xiàn)全白或全黑情況；自適應(yīng)直方圖均衡化（Adaptive Histogram Equalization，AHE）在HE的基礎(chǔ)上進(jìn)行改進(jìn)，將需要處理的圖像劃分為幾個區(qū)域，分別對這幾個區(qū)域進(jìn)行處理，這樣的處理方式將會加大系統(tǒng)計算量，降低時間效率，且由于每個單獨的像素塊都需要一個映射函數(shù)進(jìn)行處理，則像素塊與像素塊之間的區(qū)域無法得到邊緣過度處理，最終呈現(xiàn)的圖像效果是不連續(xù)的。為了解決上述問題，Zuiderveld等人對AHE進(jìn)行改進(jìn)，提出對比度受限自適應(yīng)直方圖均衡化（CLAHE）的方法。

2.1 CLAHE原理

CLAHE方法主要是通過設(shè)定一個閾值限制局部直方圖幅度來抑制噪點放大，同時將高于閾值部分的灰度像素值均勻分配到各個灰度級中，達(dá)到增強圖像的效果；對于計算效率與圖像效果不連續(xù)的問題，使用雙線性插值法進(jìn)行優(yōu)化，當(dāng)前像素塊的灰度值由與其相鄰的子塊來共同決定，通過此方法進(jìn)行邊緣處理，圖像效果會更加平滑。CLAHE方法數(shù)學(xué)原理如下：

首先，令灰度圖的直方圖累積分布函數(shù)為C（），再將需要處理的圖像分為個正方形像素塊，每個像素塊對應(yīng)的局部映射函數(shù)為式（2）：

令直方圖的幅度為H（），則像素塊的局部直方圖累積分布函數(shù)（Cumulative Distribution Function，CDF）為式（3）：

對比度的大小可以通過分布函數(shù)的斜率控制，從式（3）可以得出，分布函數(shù)的斜率是由直方圖的幅度來決定，以此控制對比度大小。給定一個最大分布函數(shù)斜率，那么可以得出直方圖的最高幅度為式（4）：

在實際處理中，設(shè)定的閾值并不等于式（4）中的，將大于的灰度像素值部分均勻分布在整體灰度級中，這部分灰度像素值所產(chǎn)生的直方圖平均幅度為，則最終改進(jìn)的直方圖函數(shù)為式（5）：

如果每個像素塊僅使用本塊的映射函數(shù)進(jìn)行處理，得到的整個圖像將呈塊狀效果，采用插值法優(yōu)化這一問題。

插值法原理如圖4所示。由圖4可知，中間無色區(qū)域?qū)儆诜沁吘壪袼攸c區(qū)域，剩余區(qū)域均屬于邊緣像素點區(qū)域，只有非邊緣像素點能夠進(jìn)行雙線性插值，即該點像素值由其周圍4個像素塊的映射函數(shù)決定，進(jìn)行插值運算；對于有色區(qū)域像素點的像素值由2個像素塊的映射函數(shù)決定，左上、左下、右上、右下角點像素值則由與其對角像素塊的映射函數(shù)決定，再進(jìn)行線性插值運算。

圖4 插值法原理圖Fig.4 Schematic diagram of the interpolation method

2.2 CLAHE優(yōu)化結(jié)果分析

將原灰度圖像進(jìn)行HE和CLAHE處理，處理結(jié)果如圖5所示。經(jīng)HE處理的灰度圖的對比度得到了一定增強，但增強效果不明顯；經(jīng)CLAHE處理的灰度圖，整體圖像和細(xì)節(jié)區(qū)域?qū)Ρ榷蕊@著增強，且細(xì)節(jié)信息保存完好。

圖5 優(yōu)化前后效果比較Fig.5 Comparison of the effect before and after optimization

直方圖結(jié)果比較如圖6所示。對比圖6實驗結(jié)果可知，原灰度圖的灰度值基本分布在20～55和190～250的灰度級區(qū)間范圍內(nèi)，經(jīng)HE處理后把大部分灰度值均勻分布于80～160之間，僅進(jìn)行了局部均衡；原灰度圖經(jīng)CLAHE優(yōu)化后，高于閾值的灰度值得以均勻分布在整體灰度級中，對直方圖進(jìn)行了全局均衡。

圖6 直方圖結(jié)果比較Fig.6 Comparison of histogram results

3 優(yōu)化視差選取

選取合適的視差值進(jìn)行深度計算在測距過程中十分重要，采用k-means無監(jiān)督聚類算法來選取目標(biāo)區(qū)域的最佳視差值。

將目標(biāo)區(qū)域內(nèi)的各個像素點視差值轉(zhuǎn)化為一個32位浮點型無標(biāo)記視差矩陣集合，中包含視差值，，…，x，因k-means聚類算法為無監(jiān)督算法，沒有對應(yīng)的分類標(biāo)簽，即在視差集合樣本中找出分類規(guī)律并聚類為個簇。具體的數(shù)學(xué)原理，可做闡釋表述如下。

無差別地在視差集合矩陣中選取個聚類質(zhì)心點，，…，c，即存在個簇R，，，，…，c∈R。

對于每一個視差值，都需要計算其到各個質(zhì)心點的距離，比較個距離，此視差值屬于最小距離所屬質(zhì)心點的簇R，推得的數(shù)學(xué)公式可寫為：

得到個簇，之前所選取的質(zhì)心將會失效，重新選擇質(zhì)心進(jìn)行距離計算，直至迭代得到合理的分類。

因為車窗反光、夜間車燈打開對視差計算影響較大，檢測框接近底部位置的視差值對于計算準(zhǔn)確的深度沒有意義，所以需要對目標(biāo)視差區(qū)域進(jìn)行裁剪，即只選取整個區(qū)域的3／11（包括車燈以下，車輛底盤以上之間）的區(qū)域進(jìn)行聚類，得到的聚類區(qū)域如圖7所示，聚類區(qū)域裁剪還可以降低系統(tǒng)的計算量。

圖7 選擇聚類區(qū)域原理圖Fig.7 Schematic diagram of selecting the clustering area

因目標(biāo)視差值占據(jù)裁剪區(qū)域中的大部分面積，所以選擇2個質(zhì)心點、即2，并取最大質(zhì)心作為計算目標(biāo)深度的視差值。

4 測距實驗結(jié)果分析

通過在公開的目標(biāo)檢測框架上對車輛目標(biāo)進(jìn)行測距實驗。設(shè)置系統(tǒng)最大視差值為128，則其理論測距范圍約為1.65～211 m。當(dāng)目標(biāo)物體十分接近雙目相機時，該目標(biāo)區(qū)域是雙目相機的視覺盲區(qū)，無法計算視差；目標(biāo)物體越遠(yuǎn)，由于相機像素缺陷，視差計算誤差過大。所以遠(yuǎn)距離和近距離的測距數(shù)據(jù)不存在參考價值，通過測距實驗僅選取3～28 m范圍內(nèi)的測距數(shù)據(jù)作為有效距離。測距實驗結(jié)果見表2。

通過分析表2中的測距實驗結(jié)果可知，CLAHE優(yōu)化視差計算對雙目視覺測距精度的提升影響更大，k-means聚類算法進(jìn)一步提升了測距精度。部分車輛測距結(jié)果如圖8所示。

表2 測距實驗結(jié)果Tab.2 Ranging experimental results

圖8 部分車輛測距結(jié)果Fig.8 Partial vehicles ranging results

5 結(jié)束語

本文針對傳統(tǒng)立體視覺測距算法測量精度較低的問題，通過CLAHE對雙目灰度圖進(jìn)行預(yù)處理，解決視差計算不準(zhǔn)確的弊端，使中遠(yuǎn)距離測量精度得到一定提升；引入k-means聚類算法優(yōu)化視差選取，使測量精度進(jìn)一步提升。測距實驗結(jié)果表明，基于改進(jìn)的雙目視覺測距方法測距效果表現(xiàn)良好，但對于較遠(yuǎn)距離測量精度不高，后續(xù)將做深入探究和改進(jìn)。