基于直線模型的路徑圖像檢測(cè)算法研究*

潘　濤　吳曉波　周曉龍　張先超

(1.后勤工程學(xué)院后勤信息與軍事物流工程系　重慶　401311)(2.中國(guó)石油集團(tuán)測(cè)井有限公司　鄯善　838202)

?

基于直線模型的路徑圖像檢測(cè)算法研究*

潘濤1吳曉波1周曉龍2張先超1

(1.后勤工程學(xué)院后勤信息與軍事物流工程系重慶401311)(2.中國(guó)石油集團(tuán)測(cè)井有限公司鄯善838202)

摘要導(dǎo)航路徑識(shí)別是基于圖像處理自動(dòng)導(dǎo)引車的關(guān)鍵技術(shù)之一，提出一種基于直線模型的路徑圖像檢測(cè)算法。該算法采用一種改進(jìn)的Otsu進(jìn)行路徑圖像的二值化，使用快速中值濾波去除點(diǎn)狀噪聲，并用Sobel檢測(cè)算子提取路徑邊緣信息。為了更準(zhǔn)確地提取導(dǎo)航路徑中心線參數(shù)，提出中心線擬合算法，最終利用概率Hough變換實(shí)現(xiàn)導(dǎo)航路徑檢測(cè)與參數(shù)提取。實(shí)驗(yàn)結(jié)果表明，該算法能夠準(zhǔn)確地檢測(cè)出導(dǎo)航路徑參數(shù)，并具備很好的實(shí)時(shí)性。

關(guān)鍵詞路徑識(shí)別; Otsu閾值; Sobel算子; Hough變換

Class NumberTP391

1　引言

近年來(lái)，由于硬件水平和機(jī)器視覺(jué)技術(shù)的迅猛發(fā)展，基于圖像處理的自動(dòng)導(dǎo)引車(Automated Guided Vehicle,AGV)逐漸成為研究熱點(diǎn)[1～4]。在AGV的自動(dòng)導(dǎo)航過(guò)程中，直線特征的檢測(cè)與分析對(duì)AGV有著重要的意義[5]。要實(shí)現(xiàn)自動(dòng)導(dǎo)引車的準(zhǔn)確、實(shí)時(shí)導(dǎo)航，路徑圖像處理結(jié)果的好壞直接影響到AGV的路徑跟蹤效果。

為了更好、更高效地提取路徑特征，國(guó)內(nèi)外學(xué)者已經(jīng)提出了很多基于圖像識(shí)別的路徑檢測(cè)方法。這些檢測(cè)方法按照處理目的來(lái)劃分，主要集中在兩個(gè)問(wèn)題上：路徑圖像的去噪和感興趣目標(biāo)的提取。李進(jìn)等[2]為得到良好的實(shí)時(shí)性，首先采用均值濾波濾除較多的點(diǎn)狀噪聲，然后結(jié)合形態(tài)學(xué)的腐蝕運(yùn)算在保護(hù)導(dǎo)航路徑不受影響的同時(shí)得到較為滿意的濾波效果。金輝等[6]則采用經(jīng)典的中值濾波完成圖像的濾波操作，在直線特征的檢測(cè)上，采用動(dòng)態(tài)約束Hough變換中極徑與夾角取值范圍來(lái)提高算法的實(shí)時(shí)性。文獻(xiàn)[7]提出一種基于機(jī)器視覺(jué)的車道線提取方法，并且對(duì)比分析了幾種主流算法對(duì)車道線提取的實(shí)時(shí)性和準(zhǔn)確性。文獻(xiàn)[8]基于Hough變換，提出一種兼具魯棒性和快速性的車道線提取方法，該方法在先驗(yàn)知識(shí)的基礎(chǔ)上限制車道路徑搜索的范圍，從而達(dá)到減少Hough變換運(yùn)算量的目的。

為提高自動(dòng)導(dǎo)引車導(dǎo)航的實(shí)時(shí)性和魯棒性，本文以直線模型的導(dǎo)引路徑為研究對(duì)象，在圖像預(yù)處理階段采用一種快速的中值濾波方法完成濾波操作，并采用改進(jìn)的最大類間方差法進(jìn)行圖像的閾值分割。為提取滿意的路徑邊緣，采用經(jīng)典的Sobel邊緣檢測(cè)算子。針對(duì)經(jīng)典Hough變換計(jì)算量大，耗費(fèi)內(nèi)存空間的問(wèn)題，采用一種改進(jìn)的概率Hough變換完成直線的擬合與參數(shù)的提取。

2　路徑圖像的預(yù)處理

由于由AGV采集的初始路徑圖像包含很多隨機(jī)噪聲，并且圖像中占大部分的背景信息對(duì)路徑跟蹤毫無(wú)作用，為了獲得更好的路徑識(shí)別效果，必須首先對(duì)路徑圖像進(jìn)行預(yù)處理。

2.1濾波

經(jīng)過(guò)閾值分割后的路徑圖像，可能包含細(xì)小點(diǎn)狀噪聲。為了濾除噪聲對(duì)后續(xù)邊緣提取的影響，本文采用如式(1)的中值濾波器對(duì)圖像進(jìn)行中值濾波，窗口大小選為3×3。

f(x,y)=median{wf(x,y)}

(1)

其中

為了得到wf(x,y)的中值，傳統(tǒng)中值濾波將窗口中的像素全部順序排列，進(jìn)而得到中值。每次運(yùn)算的計(jì)算量為32(32-1)/2=36。本文采用一種類似中值的快速排序方法，減少運(yùn)算量，爭(zhēng)取圖像處理的盡可能大的實(shí)時(shí)性?；舅枷胧窍葘?duì)wf(x,y)的每一列進(jìn)行排序，則每列的中值必然在第二行。最后對(duì)第二行進(jìn)行排序，則中值就處于wf(x,y)窗口中的中心位置，不難發(fā)現(xiàn)，此方法的運(yùn)算量為4×3×(3-1)/2=12次。值得指出的是，由此方法得出的并不是濾波窗口中嚴(yán)格意義上的中值，而是中值的近似值。實(shí)驗(yàn)證明，由此得出的中值并不影響濾波效果，可以得到和傳統(tǒng)中值濾波一樣的濾波效果。

2.2二值化

路徑圖像的二值化是為了提取出有用的前景信息，濾除或部分濾除背景信息[9]。由于AGV是處于動(dòng)態(tài)運(yùn)行過(guò)程中，固定閾值分割不適用于此。AGV在運(yùn)行過(guò)程中，路徑圖像容易受到光照、陰影、噪聲等因素的影響，經(jīng)典的最大類間方差法(Otsu)可能會(huì)造成誤分割。本文采用一種改進(jìn)的最大類間方差法完成圖像的二值化?；舅枷肴缦拢?/p>

(2)

(3)

這兩個(gè)類的灰度均值分別為

(4)

(5)

整幅圖像的灰度均值為

(6)

所以可以得到這兩個(gè)類的類間方差為

σ(t)=w1(t)(μ1(t)-u)2+w2(t)(μ2(t)-u)2

(7)

經(jīng)典的Otsu法通過(guò)遍歷圖像所有灰度級(jí)，找出使類間方差σ(t)達(dá)到最大值的t值，從而達(dá)到分割目的。文獻(xiàn)[10～12]已經(jīng)指出，經(jīng)典的Otsu法在背景與前景相差不明顯，也就是直方圖雙峰谷底不深可能會(huì)造成誤分割。而AGV的運(yùn)行環(huán)境會(huì)受到光照、陰影等影響，會(huì)出現(xiàn)上述直方圖谷底不深的情況。

為了克服上述問(wèn)題，基于Fan Jiu-lun[10]的論述并兼?zhèn)渚禐V波的思想，本文用領(lǐng)域灰度值概率均值加權(quán)類間方差，在克服因?yàn)橹狈綀D雙峰谷底不深而造成的誤分割的同時(shí)，兼具均值濾波的效果，得到修正的類間方差判別式：

η(t)=(1-h(t))*(w1(t)(μ1(t)-u)2

+w2(t)(μ2(t)-u)2)

(8)

2.3邊緣增強(qiáng)

邊緣增強(qiáng)的目的是突出導(dǎo)航路徑邊緣信息，為下一步的路徑識(shí)別奠定基礎(chǔ)。常用的邊緣檢測(cè)算子有：Robert算子、Sobel算子、Prewitt算子等。本文采用Sobel邊緣檢測(cè)算子。Sobel算子反映的是圖像的一階梯度，經(jīng)過(guò)二值化和去噪后，一階梯度的極值點(diǎn)就是路徑的邊緣。本文采用水平和垂直方向的卷積核,如圖1。

(a)水平核(b)垂直核

圖1Sobel算子的卷積核

3　直線的擬合與導(dǎo)航參數(shù)的提取

3.1導(dǎo)航線中心線提取

經(jīng)過(guò)預(yù)處理后的路徑圖像包含導(dǎo)引車道線的左右邊緣信息，不便于AGV尋線參數(shù)的提取。一般情況下，AGV應(yīng)沿著導(dǎo)引車道線中心線運(yùn)動(dòng)，因此，為了更準(zhǔn)確地導(dǎo)引AGV，將導(dǎo)航線的檢測(cè)問(wèn)題轉(zhuǎn)換為求車道線邊緣線的中心線。具體方法步驟如下：

1) 逐行掃描圖像中的每一行，記錄下每個(gè)非零像素點(diǎn)的列坐標(biāo)。

2) 將每行的非零像素點(diǎn)的列坐標(biāo)求平均值。

3) 將每行求取的列坐標(biāo)平均值所屬列置255，其他位置置為0。

經(jīng)過(guò)以上的操作，則所有的中心點(diǎn)組成的集合即為中心線可能的位置,另一方面，也減少了Hough變換中的檢測(cè)點(diǎn)數(shù)，對(duì)算法的實(shí)時(shí)性有一定幫助。

3.2導(dǎo)航線的參數(shù)提取

經(jīng)過(guò)3.1節(jié)的操作，得到一系列離散的中心點(diǎn)，求取導(dǎo)航線參數(shù)的過(guò)程，也可以認(rèn)為是一個(gè)直線擬合的過(guò)程。Hough變換因?yàn)槠淞己玫目乖胄阅?，被廣泛地應(yīng)用于智能車的車道線檢測(cè)中[13～15]。但傳統(tǒng)的Hough變換計(jì)算量大，所占內(nèi)存空間大。不利于AGV的實(shí)時(shí)導(dǎo)航。鑒于此，考慮到AGV對(duì)算法的實(shí)時(shí)性的要求，本文在傳統(tǒng)Hough變換的理論基礎(chǔ)上采用一種改進(jìn)的概率Hough變換[16]來(lái)加速算法的執(zhí)行效率，在保證實(shí)時(shí)性的同時(shí)取得良好的檢測(cè)效果。

在傳統(tǒng)的Hough變換中，圖像空間中的每個(gè)待檢測(cè)點(diǎn)依次映射到(ρ,θ)的參數(shù)空間，而一條直線的確定理論上只需要兩個(gè)點(diǎn)即可。對(duì)圖像空間中的每個(gè)點(diǎn)進(jìn)行映射，固然會(huì)得到可靠的擬合直線，但勢(shì)必會(huì)造成計(jì)算的浪費(fèi)。本文基于文獻(xiàn)[17]，提出一種改進(jìn)的概率Hough變換，該算法通過(guò)一定的判別準(zhǔn)則減少圖像空間的映射點(diǎn)數(shù)，在保證得到正確的檢測(cè)效果的同時(shí)，加速算法的執(zhí)行效率。具體的實(shí)現(xiàn)步驟如下：

2) 檢測(cè)圖像空間邊緣點(diǎn)集是否為空，若是，則算法結(jié)束。否則，從圖像空間中隨機(jī)取出一個(gè)像素，對(duì)該像素進(jìn)行Hough參數(shù)空間的映射。將得到的相應(yīng)vote(ρ,θ)累加1。

3) 刪除從圖像空間中取出的邊緣點(diǎn)。并判斷vote(ρ,θ)是否大于閾值thr，否則回到2)。

4) 由上步得到的(ρ,θ)確定一條直線，刪除圖像空間中位于所確定的直線上的點(diǎn)，并將此vote(ρ,θ)清零?；氐?)。

4　實(shí)驗(yàn)分析

為了驗(yàn)證文中算法的實(shí)際性能，采集了導(dǎo)航線圖像，圖像大小為512×384像素，本文的全部實(shí)驗(yàn)是在Core i3 CPU 2.27GHz，4GB內(nèi)存的計(jì)算機(jī)上進(jìn)行的。在Matlab 7.12平臺(tái)上采用圖2(a)所示的導(dǎo)航路徑作為原圖。其中圖2(b)、(c)分別是經(jīng)典Otsu法和改進(jìn)的Otsu法得到的分割圖像。

圖2　分割效果的對(duì)比

從圖2(b)、(c)、(d)可以看出，經(jīng)典的Otsu在分割過(guò)程中存在一定程度上的誤分割，即把一部分背景當(dāng)作前景。本文提出的改進(jìn)Otsu較好地分割了背景和前景，獲得了良好的分割效果。

采用Sobel邊緣檢測(cè)算子和中心線提取算法的過(guò)程如圖3所示，其中圖3(a)中的兩條白線是檢測(cè)出的路徑邊緣，圖3(b)中的點(diǎn)是包含中心線的點(diǎn)集。

圖3　邊緣提取

采用本文提出的改進(jìn)概率Hough變換檢測(cè)導(dǎo)航線，投票閾值設(shè)定為80，檢測(cè)結(jié)果如圖4所示，圖中的直線表示檢測(cè)出的導(dǎo)航直線。航向角取逆時(shí)針為正，坐標(biāo)原點(diǎn)為圖像的左上角。則由本文概率Hough變換所檢測(cè)出的極角為27°，極徑為232像素。

圖4　直線檢測(cè)

本文算法在執(zhí)行效率上有明顯的提高，實(shí)驗(yàn)結(jié)果如表1所示。

表1　各算法的速度比較

由表1可以看出，本文采用的概率Hough變換來(lái)檢測(cè)車道直線，效率是經(jīng)典Hough變換的5倍，能較好地滿足自動(dòng)導(dǎo)引車的實(shí)時(shí)性需求。

5　結(jié)語(yǔ)

仿真實(shí)驗(yàn)表明，針對(duì)Otsu分割算法的固有缺陷，本文提出了利用領(lǐng)域信息的改進(jìn)Otsu算法，新算法能較好克服Otsu算法的誤分割，使得分割效果更加穩(wěn)定可靠。本文在充分考慮檢測(cè)算法的有效性的同時(shí)，把算法的實(shí)時(shí)性作為重要衡量指標(biāo)，在濾波階段通過(guò)一種改進(jìn)的中值濾波加速算法的執(zhí)行速度。針對(duì)Hough變換耗時(shí)的問(wèn)題，采用了一種改進(jìn)的概率Hough變換，進(jìn)一步加速算法的執(zhí)行速度。

參 考 文 獻(xiàn)

[1] Wang, Yifei, Dahnoun, et al. A novel system for robust lane detection and tracking[J]. Signal Processing,2012,92(2):319-334.

[2] 李進(jìn)，陳無(wú)畏.基于自適應(yīng)導(dǎo)航參數(shù)的智能車輛視覺(jué)導(dǎo)航[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2012,43(6):19-24.

LI Jin, CHEN Wuwei. Navigation of vision-guided intelligent vehicle based on adaptive navigation parameters[J]. Transactions of the Chinese Society for Agricultural Machinery,2012,43(6)：19-24.

[3] 陳無(wú)畏，孫海濤，李碧春,等.基于標(biāo)識(shí)線導(dǎo)航的自動(dòng)車跟蹤控制[J].機(jī)械工程學(xué)報(bào),2006,42(8):164-170.

CHEN Wuwei, SUN Haitao, LI Bichun, et al. Tracking control of automatic guided vehicle based on lane marker navigetion[J]. Chinese Journal of Mechanical Engineering,2006,42(8):164-170.

[4] 趙穎，孫群,等.基于機(jī)器視覺(jué)的非結(jié)構(gòu)化道路導(dǎo)航路徑檢測(cè)方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2007,38(6):202-204.

ZHAO Ying, SUN Qun, et al. Navigation path detection method of unstructured road based on machine vision[J]. Transactions of the Chinese Society for Agricultural Machinery,2007,38(6):202-204.

[5] 康文靜，丁雪梅,等.基于改進(jìn)Hough變換的直線圖形快速提取算法[J].光電工程,2007,34(3):105-108.

KANG Wenjing, DING Xuemei, et al. Fast straight-line extraction algorithm based on improved Hough transform[J]. Opto-Electronic Engineering,2007,34(3):105-108.

[6] 金輝，吳樂(lè)林,等.結(jié)構(gòu)化道路車道線識(shí)別的一種改進(jìn)算法[J].北京理工大學(xué)學(xué)報(bào),2007,27(6):501-505.

JIN Hui, WU Lelin, et al. An improved algorithm for the lane recognition of structured road[J]. Transactions of Beijing Institute of Technology,2007,27(6):501-505.

[7] Kim Z W. Robust lane detection and tracking in challenging scenarios[J]. IEEE Transactions on Intelligent Transportation System,2008,9(1):16-26.

[8] Jung Gap Kuk, Jae Hyun An, et al. Fast lane detection & tracking based on Houng transform with reduced memory requirement[J]. IEEE Transactions on Intelligent Transportation System,2010:1344-1349.

[9] Ruey-Ming Chao, Hsien-Chu Wu, et al. Image segmentation by automatic histogram thresholding[C]//Conference on Interaction Sciences: Information Technology, Culture and Human,2009:136-141.

[10] Fan Jiu-lun, Bo Lei. A modified valley-emphasis method for automatic thresholding[J]. Pattern Recognition Letters,2012,33(6):703-708.

[11] Mengxing Huang, Wenjiao Yu, Donghai Zhu. An improved image segmentation algorithm based on the Otsu method[C]//International Conference on Software Engineering, Artificial Intelligence, Networking, and Parallel/Distributed Computing,2012:135-139.

[12] He Jun, Ge Hong, Wang Yu-feng. Survey on the methods of image segmentation research[J]. Computer Engineering & Science,2009,31(12):58-61.

[13] Assidiq, Abdulhakam A. M, et al. Real time lane detection for autonomous vehicles[C]//International Conference on Computer and Communicaion Engineering,2008:82-88.

[14] Jianfeng Wang, Ye Wu, et al. Lane detection based on random hough transform on region of interesting[C]//IEEE Information and Automation,2010:1735-1740.

[15] 樊超，狄?guī)?等.一種基于直線模型的車道線識(shí)別算法研究[J].計(jì)算機(jī)應(yīng)用研究，2012，29(1):326-332.

FAN Chao, DI Shuai, et al. Linear model based lane mark identification algorithm[J]. Application Research of Computers,2012,29(1):326-332.

[16] Kiryatin, Eldary, Brucksetin A M. A probabilistic hough transform[J]. Pattern Recognition,1991,24(4):303-316.

收稿日期:2015年10月7日,修回日期:2015年11月22日

作者簡(jiǎn)介:潘濤，男，碩士研究生，研究方向：智能檢測(cè)與智能控制。吳曉波，男，教授，研究方向：檢測(cè)技術(shù)。周曉龍，男，助理工程師，研究方向：測(cè)井儀器。張先超，男，碩士研究生，研究方向：光電檢測(cè)。

中圖分類號(hào)TP391

DOI:10.3969/j.issn.1672-9722.2016.04.035

Path Detection Algorithm Based on Linear Model

PAN Tao1WU Xiaobo1ZHOU Xiaolong2ZHANG Xianchao1

(1. Department of Logistics Imformation & Logistics Engineering, Logistics Engineering University, Chongqing401311)(2. CNPC Logging, Shanshan838202)

AbstractPath recognition is one of the key technologies of automatic guided vehicle based on image processing. A path detection algorithm based on linear road model is developed. An improved Otsu is used to segment the path image in the algorithm, while a fast median fitering and Sobel operator are adopted to remove point-like noise and extract path edge information. In order to extract the center line parameter of navigation path more accurately, central line fitting algorithm is proposed. Finally, the path detection and parameter extraction are realized by using the probabilistic Hough transform. The experimental results show that this algorithm can detect the navigation path parameters accurately and has good real-time performance.

Key Wordspath recognition, Otsu threshold, Sobel operater, Hough transform