弱光環(huán)境下基于單目視覺(jué)的無(wú)人系統(tǒng)自主障礙探測(cè)方法

于陽(yáng)陽(yáng)，陳　妍，李偉民

(1.貴州民族大學(xué)理學(xué)院，貴州 貴陽(yáng) 550025；2.貴州民族大學(xué)傳媒學(xué)院，貴州 貴陽(yáng) 550025)

A Monocular Vision Obstacle Detection Method in Low Light Environments for Unmanned Systems

YU Yangyang1，CHEN Yan2，LI Weimin1

(1.Polytechnic College，Guizhou Minzu University，Guiyang 550025，China；

2.College of Broadcasting Media，Guizhou Minzu University，Guiyang 550025，China)

?

弱光環(huán)境下基于單目視覺(jué)的無(wú)人系統(tǒng)自主障礙探測(cè)方法

于陽(yáng)陽(yáng)1，陳妍2，李偉民1

(1.貴州民族大學(xué)理學(xué)院，貴州 貴陽(yáng) 550025；2.貴州民族大學(xué)傳媒學(xué)院，貴州 貴陽(yáng) 550025)

AMonocularVisionObstacleDetectionMethodinLowLightEnvironmentsforUnmannedSystems

YUYangyang1，CHEN Yan2，LI Weimin1

(1.PolytechnicCollege，GuizhouMinzuUniversity，Guiyang550025，China；

2.CollegeofBroadcastingMedia，GuizhouMinzuUniversity，Guiyang550025，China)

摘要：提出了一種無(wú)人系統(tǒng)自主障礙探測(cè)方法，該方法借助單目視覺(jué)系統(tǒng)感知環(huán)境信息，采用模糊方法對(duì)視覺(jué)圖像信息進(jìn)行增強(qiáng)，通過(guò)檢測(cè)障礙物邊緣，實(shí)現(xiàn)對(duì)弱光環(huán)境中障礙的探測(cè)。最后，通過(guò)對(duì)比實(shí)驗(yàn)可知，該方法可以有效地識(shí)別出無(wú)人系統(tǒng)前方的障礙物，為無(wú)人系統(tǒng)的自主障礙回避提供依據(jù)。

關(guān)鍵詞：無(wú)人系統(tǒng)；弱光增強(qiáng)；障礙探測(cè)

0　引言

近年來(lái)，無(wú)人系統(tǒng)在航空、航海及工業(yè)、農(nóng)業(yè)等領(lǐng)域得到廣泛應(yīng)用[1]。由于無(wú)人系統(tǒng)工作的環(huán)境通常是危險(xiǎn)的或遙遠(yuǎn)的環(huán)境，操作或控制人員不便到達(dá)或不可能到達(dá)，所以無(wú)人系統(tǒng)應(yīng)具有良好的自主能力，其中良好的避障能力是實(shí)現(xiàn)無(wú)人系統(tǒng)自主運(yùn)動(dòng)的關(guān)鍵之一。目前，針對(duì)無(wú)人系統(tǒng)如何更準(zhǔn)確、更快速的躲避障礙，相關(guān)人員已做了大量的研究，如：采用啟發(fā)式動(dòng)態(tài)規(guī)劃算法，解決無(wú)人系統(tǒng)尋路、避障問(wèn)題的方案[2]；采用多傳感器信息融合的方法，通過(guò)多個(gè)超聲傳感器對(duì)障礙物信息進(jìn)行采集，然后利用模糊推理的方法實(shí)現(xiàn)無(wú)人系統(tǒng)的避障控制[3]等。眾多探測(cè)方法中，基于視覺(jué)的探測(cè)由于其前瞻性好，且能包含優(yōu)于距離類傳感器的大量環(huán)境信息，因而，基于視覺(jué)的探測(cè)得到廣泛關(guān)注。其中，張躍東等人研究了一種基于單目視覺(jué)的障礙物深度提取算法，根據(jù)圖像序列中特征點(diǎn)間距離的變化和無(wú)人機(jī)的運(yùn)動(dòng)計(jì)算障礙物的深度[4]；楊唐文等人利用道路上的顏色信息以實(shí)現(xiàn)復(fù)雜環(huán)境下的道路避障功能[5]；對(duì)于動(dòng)態(tài)目標(biāo)識(shí)別，邱雪娜等人提出了采用目標(biāo)特征和視差進(jìn)行目標(biāo)匹配，通過(guò)區(qū)域增長(zhǎng)方法進(jìn)行目標(biāo)區(qū)域的提取，結(jié)合視覺(jué)標(biāo)定的模型對(duì)目標(biāo)進(jìn)行定位的方法[6]。但是，這些研究是在光線充足的環(huán)境中實(shí)現(xiàn)的，現(xiàn)實(shí)中，無(wú)人系統(tǒng)常需要在如室內(nèi)或樹(shù)林等環(huán)境里開(kāi)展救援或偵查任務(wù)，在這類環(huán)境中，通常由于遮擋造成視覺(jué)系統(tǒng)進(jìn)光量不足，這會(huì)對(duì)基于視覺(jué)探測(cè)的無(wú)人系統(tǒng)的障礙識(shí)別能力帶來(lái)較大影響。

因此，針對(duì)無(wú)人系統(tǒng)面臨的弱光環(huán)境中的自主障礙探測(cè)問(wèn)題，提出了一種基于單目視覺(jué)的無(wú)人系統(tǒng)障礙檢測(cè)方法，該方法使用安裝在無(wú)人系統(tǒng)頭部的單目視覺(jué)系統(tǒng)所采集到的環(huán)境信息進(jìn)行分析，在傳統(tǒng)的Canny算法基礎(chǔ)上，利用模糊方法對(duì)環(huán)境圖像信息進(jìn)行增強(qiáng)，并對(duì)障礙物邊緣進(jìn)行識(shí)別，根據(jù)識(shí)別出的邊緣信息提取出環(huán)境中障礙物的輪廓，從而實(shí)現(xiàn)對(duì)弱光環(huán)境中障礙的探測(cè)。

1　自主障礙探測(cè)方法

將單目視覺(jué)系統(tǒng)所采集到的環(huán)境信息進(jìn)行分析后，提取出障礙物的邊緣信息。由于受各種拍攝條件的限制，視覺(jué)系統(tǒng)所采集到的障礙物圖像信息會(huì)出現(xiàn)對(duì)比度較差或是圖像模糊的情況。因此，首先對(duì)障礙物圖像信息進(jìn)行模糊增強(qiáng)處理，它不但可以改善圖像模糊不清甚至失真的現(xiàn)象，而且可以抑制障礙物圖像的某些特征而使另一些特征得到增強(qiáng)。其次，對(duì)經(jīng)過(guò)增強(qiáng)處理后的障礙物圖像信息進(jìn)行濾波處理，在非線性平滑濾波中，中值濾波可以在不減小圖像對(duì)比度的情況下減小異常值的影響，能較好地保留障礙物的邊緣細(xì)節(jié)，同時(shí)克服線性濾波所帶來(lái)的圖像細(xì)節(jié)模糊問(wèn)題[7]。然后，通過(guò)Canny算法檢測(cè)出障礙物的邊緣信息，Canny算法在傳統(tǒng)的邊緣檢測(cè)算法中表現(xiàn)突出，在邊緣提取中取得了良好的效果[8]。最后，根據(jù)檢測(cè)到的邊緣信息提取出障礙物的輪廓。自主障礙探測(cè)方法流程如圖1所示。

圖1　自主障礙探測(cè)方法流程

1.1圖像模糊增強(qiáng)算法

圖像增強(qiáng)是在邊緣檢測(cè)中按特定的需求盡可能突現(xiàn)圖像中的某些信息，同時(shí)削弱或去除某些不需要的信息，從而提高圖像的質(zhì)量。假設(shè)某一幅m×n個(gè)像素的L級(jí)灰度圖像其矩陣表達(dá)式為X，對(duì)圖像進(jìn)行模糊化之后得到其模糊矩陣U：

(1)

μmn表示點(diǎn)(m，n)處的灰度級(jí)xmn相對(duì)于某一個(gè)特定灰度級(jí)的隸屬度，μmn∈[0，1]。

模糊邊緣檢測(cè)方法中給出了隸屬函數(shù)的表達(dá)式為：

(2)

(3)

由式(3)可以看出，對(duì)圖像進(jìn)行模糊增強(qiáng)處理的主要方法是對(duì)低于0.5的像素點(diǎn)進(jìn)行抑制，對(duì)高于0.5像素點(diǎn)的邊緣信息進(jìn)行增強(qiáng)，即增強(qiáng)邊緣信息，抑制非邊緣信息。然后，根據(jù)式(4)得出迭代后的模糊增強(qiáng)矩陣。

(4)

(5)

1.2基于模糊增強(qiáng)的Canny邊緣檢測(cè)算法

本算法的基本思想是，采用高斯函數(shù)對(duì)圖像進(jìn)行卷積運(yùn)算得出其梯度的幅值和方向，然后在圖像中找出具有局部最大梯度幅值的像素點(diǎn)，而且經(jīng)過(guò)模糊增強(qiáng)之后，圖像邊緣兩側(cè)的對(duì)比度會(huì)明顯增強(qiáng)，降低了邊緣的模糊性。

a.通過(guò)高斯濾波去除圖像噪聲，對(duì)圖像進(jìn)行平滑處理。一般選擇方差為1.4的高斯函數(shù)模板和圖像進(jìn)行卷積運(yùn)算[9]。將模糊增強(qiáng)代替高斯平滑，利用式(1)將灰度空間圖像轉(zhuǎn)換到模糊空間，在模糊空間中使用式(3)對(duì)圖像做增強(qiáng)處理，得到模糊增強(qiáng)后的圖像矩陣，最后根據(jù)式(5)的逆變換得到模糊增強(qiáng)后的圖像。

b.計(jì)算梯度的幅值和方向，通常采取一階偏導(dǎo)數(shù)的有限差分，分別計(jì)算出x和y方向的偏導(dǎo)數(shù)、方向角以及梯度幅值。選用 2×2 一階有限差分近似數(shù)據(jù)矩陣的梯度：

(6)

數(shù)據(jù)矩陣在x與y方向上的偏導(dǎo)矩陣為：

(7)

圖像中任一像素點(diǎn)的梯度幅值和方向角為：

(8)

c.非極大值抑制。幅值越大必然導(dǎo)致其對(duì)應(yīng)的圖像梯度值越大，但由于偽邊緣點(diǎn)的存在不足以確定邊緣，要確定邊緣需對(duì)圖像進(jìn)行細(xì)化，為此，選用大小為3×3，含8方向的鄰域?qū)D像中所有像素點(diǎn)沿梯度方向進(jìn)行插值。如果鄰域中心點(diǎn)的梯度值比沿梯度方向上的2個(gè)插值結(jié)果小，則認(rèn)為該點(diǎn)不是邊緣，反之則標(biāo)記為候選邊緣點(diǎn)，這樣就得到了候選邊緣圖像[10]。

d.雙閾值檢測(cè)。對(duì)經(jīng)過(guò)非極大值抑制的梯度直方圖分別確定2個(gè)高(TH)、低(TL)閾值，若圖像中任一像素點(diǎn)(i，j)的梯度幅值高于高閾值TH，則認(rèn)為該點(diǎn)一定是邊緣點(diǎn)，若像素點(diǎn)(i，j)的梯度幅值低于低閾值TL，則認(rèn)為該點(diǎn)一定不是邊緣點(diǎn)，而對(duì)于梯度幅值處于2個(gè)閾值之間的像素點(diǎn)，則可看成是可疑邊緣點(diǎn)。此時(shí)需根據(jù)邊緣的連續(xù)性對(duì)其進(jìn)一步判斷，若該像素點(diǎn)的鄰接像素中有邊緣點(diǎn)，則認(rèn)為該點(diǎn)也為邊緣點(diǎn)，否則認(rèn)為該點(diǎn)為非邊緣點(diǎn)[11]。

1.3障礙物輪廓提取

利用Canny算法提取出的障礙物邊緣信息，是分布在圖像區(qū)域中一系列的離散點(diǎn)，為了得到更準(zhǔn)確的圖像邊緣輪廓信息，需要對(duì)邊緣進(jìn)行跟蹤處理。在經(jīng)Canny算法進(jìn)行邊緣提取之后的圖像信息為0，1矩陣。假設(shè)1為邊緣點(diǎn)，0為非邊緣點(diǎn)，用矩陣E[i，j]保存障礙物的邊緣信息點(diǎn)。先確定障礙物邊緣的起始點(diǎn)，一般情況下采取邊緣點(diǎn)為1的最小行、最小列的邊緣點(diǎn)為起始點(diǎn)，然后找出本行中為1的最大列的邊緣點(diǎn)，按照此方法分別找出最小列中最大行為1的邊緣點(diǎn)以及最大列最大行為1的邊緣點(diǎn)，由此得出的矩形區(qū)域即可確定為障礙物的邊緣信息。

2　仿真結(jié)果與分析

2.1視覺(jué)系統(tǒng)

將視覺(jué)系統(tǒng)應(yīng)用于四旋翼無(wú)人系統(tǒng)中，通過(guò)分析單目視覺(jué)系統(tǒng)采集的信息來(lái)感知外部環(huán)境。由于飛行系統(tǒng)的有效載荷質(zhì)量約束，因此傳感器和主控芯片的選擇，需要綜合考慮尺寸、功耗、外設(shè)資源和計(jì)算能力。四旋翼無(wú)人系統(tǒng)硬件方面，選用F450型機(jī)架以及2212型無(wú)刷直流電機(jī)，搭載APM開(kāi)源飛行控制器、電子調(diào)速器以及數(shù)據(jù)鏈模塊，并選用8寸通用螺旋槳，在此基礎(chǔ)上，單目視覺(jué)系統(tǒng)選用SONY公司1/3 960H CCD傳感器模塊，其分辨率達(dá)800 TVL，搭配SONY公司Effio處理芯片，裝配3.6 mm鏡頭，其監(jiān)控角度可達(dá)70°。

2.2邊緣檢測(cè)基準(zhǔn)實(shí)驗(yàn)

圖2　人像邊緣檢測(cè)結(jié)果

在Matlab7.0環(huán)境下，以任意一張細(xì)節(jié)邊緣比較復(fù)雜，邊緣類型比較多的圖像作為試驗(yàn)對(duì)象，可得邊緣檢測(cè)結(jié)果如圖2所示。從圖2c中可以看出，圖像中的一些簡(jiǎn)單線條及大概輪廓已經(jīng)表現(xiàn)出來(lái)，但是對(duì)一些細(xì)節(jié)線條，如頭發(fā)、鎖骨及手指部分的邊緣提取效果較差，并且包含一些偽邊緣，而圖2d運(yùn)用本文提出的邊緣檢測(cè)方法，則能較完整的提取出整個(gè)邊緣信息，并且在檢測(cè)結(jié)果中消除了偽邊緣，細(xì)節(jié)和輪廓都比較完整。

圖3的楓葉圖其邊緣信息較上圖少很多。圖3c已大致檢測(cè)出楓葉的邊緣輪廓，但圖像后面的虛影部分沒(méi)有被檢測(cè)出來(lái)，而且葉脈部分提取效果較差，而圖3d已檢測(cè)出模糊虛影部分，并且已明顯檢測(cè)出葉脈部分。

圖3　楓葉邊緣檢測(cè)結(jié)果

2.3弱光環(huán)境下自主障礙檢測(cè)實(shí)驗(yàn)

相同場(chǎng)景下不同光照強(qiáng)度通過(guò)攝像頭采集到的圖像如圖4和圖5所示，分別采用傳統(tǒng)Canny算法和本文所提出的基于模糊增強(qiáng)的圖像邊緣檢測(cè)算法，對(duì)障礙物進(jìn)行邊緣提取，分析不同光照強(qiáng)度對(duì)本算法的影響。

圖4　正常光照下障礙探測(cè)實(shí)驗(yàn)

圖5　弱光環(huán)境中障礙探測(cè)實(shí)驗(yàn)

圖4為正常光照下的實(shí)驗(yàn)結(jié)果，可以看出，圖4b中的邊緣點(diǎn)雜亂無(wú)章，辨別不出障礙物的位置，而圖4c已經(jīng)大概提取出了障礙物的邊緣信息。圖5為弱光條件下的實(shí)驗(yàn)結(jié)果，可以看出，使用傳統(tǒng)的Canny算法在弱光環(huán)境下提取出的障礙物邊緣更加模糊，基本分辨不出其輪廓，而使用本文所提出的方法可很清晰地看出其輪廓形狀。在圖4d和圖5d中，矩形方框區(qū)域即可視為障礙物區(qū)域。

3　結(jié)束語(yǔ)

設(shè)計(jì)了一種適用于弱光環(huán)境中的無(wú)人系統(tǒng)自主障礙探測(cè)方法，采用單目視覺(jué)系統(tǒng)作為感知裝置，在傳統(tǒng)邊緣檢測(cè)算法基礎(chǔ)上，進(jìn)行模糊增強(qiáng)，最終提取出環(huán)境中障礙的輪廓。通過(guò)對(duì)比可知，該方法能夠一定程度上抑制噪聲對(duì)障礙邊緣的影響，在弱光環(huán)境下能較好地分辨出障礙物，提高了障礙探測(cè)算法的弱光適應(yīng)性。但是，該算法在某些相對(duì)復(fù)雜的環(huán)境中還有一定的局限性，需要進(jìn)一步改進(jìn)。

參考文獻(xiàn)：

[1]王越超，劉金國(guó).無(wú)人系統(tǒng)的自主性評(píng)價(jià)方法[J].科學(xué)通報(bào)，2012，57(15)：1290-1299.

[2]方嘯，鄭德忠.移動(dòng)機(jī)器人自主尋路避障啟發(fā)式動(dòng)態(tài)規(guī)劃算法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45(7)：47-54.

[3]陳紹茹，陳奕梅.基于多傳感器信息融合的移動(dòng)機(jī)器人避障[J].傳感器與微系統(tǒng)，2014，33(5)：35-38

[4]張躍東，李麗，劉曉波，等.基于單目視覺(jué)的無(wú)人機(jī)障礙探測(cè)算法研究[J].激光與紅外，2009，39(6)：673-676

[5]楊唐文，王敏杰，秦勇.融合圖像邊緣和區(qū)域特征的道路檢測(cè)算法[J].東南大學(xué)學(xué)報(bào)：自然科學(xué)版，2013(7)：81-84.

[6]邱雪娜，劉斐，劉士榮，等.基于雙目視覺(jué)的移動(dòng)機(jī)器人動(dòng)態(tài)目標(biāo)識(shí)別與定位[J].華東理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，36(1)：103-108.

[7]秦文學(xué).用于邊緣檢測(cè)的圖像增強(qiáng)技術(shù)研究[D].北京：北京工業(yè)大學(xué)，2008.

[8]雒濤，鄭喜鳳，丁鐵夫.改進(jìn)的自適應(yīng)閾值Canny邊緣檢測(cè)[J].光電工程，2009，36(11)：106-111.

[9]李俊山，馬穎，趙方舟，等.改進(jìn)的Canny圖像邊緣檢測(cè)算法[J].光子學(xué)報(bào)，2011，40(增刊1)：50-54.

[10]曾崢，李彥，儲(chǔ)海平.一種改進(jìn)的基于模糊增強(qiáng)的Canny邊緣提取算法[J].科學(xué)技術(shù)與工程，2009，9 (18) ：38-42.

[11]呂哲，王福利，常玉清.一種改進(jìn)的Canny邊緣檢測(cè)算法[J].東北大學(xué)學(xué)報(bào)：自然科學(xué)版，2007，28(12) ：81-84.

Abstract：An autonomous obstacle detection approach is presented to help capture environmental information for monocular vision system sensors. The approach uses fuzzy methods to enhance the collected image data and detects the edges of obstacles to detect obstacles in a low light environment. Results of the experiment demonstrate that the presented method can identify the obstacles located in front of Unmanned Systems. This method can be used as the basis of autonomous obstacle avoidance.

Key words：unmanned systems；low light enhancement；obstacle detection

作者簡(jiǎn)介：于陽(yáng)陽(yáng)(1987-)，女，天津薊縣人，碩士，講師，研究方向?yàn)橛?jì)算機(jī)測(cè)控技術(shù)。

基金項(xiàng)目：貴州民族大學(xué)科研基金資助項(xiàng)目(?？蒲?013007)

收稿日期：2015-03-17

文章編號(hào)：1001-2257(2015)06-0077-04

文獻(xiàn)標(biāo)識(shí)碼：A

中圖分類號(hào)：TP391