基于OpenCV圖像處理的智能小車(chē)戶(hù)外尋跡算法的設(shè)計(jì)

張伊

摘要：介紹了HSV通道分離和OpenCV中的一些圖像處理函數(shù)是如何運(yùn)用于智能小車(chē)的戶(hù)外尋跡算法的實(shí)現(xiàn)。其中HSV通道分離作為圖像處理的前步驟，為生成穩(wěn)定的方向線(xiàn)奠定基礎(chǔ)。本文第一部分介紹HSV空間的含義及其在圖像處理中的作用，第二部分簡(jiǎn)要介紹尋跡所用的其它圖像處理方法，第三部分介紹HSV通道分離與圖像處理函數(shù)如何用于實(shí)現(xiàn)戶(hù)外巡線(xiàn)的算法。

【關(guān)鍵詞】HSV 通道分離 圖像處理 智能尋跡等

智能尋跡機(jī)器人通過(guò)計(jì)算機(jī)編程可實(shí)現(xiàn)無(wú)人為干預(yù)的情況下在特定環(huán)境中自主行駛，是智能機(jī)器人領(lǐng)域內(nèi)非常重要的且被廣泛研究的智能移動(dòng)裝置。對(duì)于智能尋跡的實(shí)現(xiàn)目前有兩種基本途徑，一種是基于硬件即利用各類(lèi)傳感器判斷方位和距離；而另一種則是基于軟件即通過(guò)圖像處理算法實(shí)現(xiàn)實(shí)時(shí)尋跡。在圖像處理過(guò)程中Canny邊緣檢測(cè)算法是普遍運(yùn)用的方法，但單一使用只對(duì)簡(jiǎn)單的室內(nèi)尋跡任務(wù)有覿對(duì)于戶(hù)外尋跡中復(fù)雜的環(huán)境信息和不清楚的邊緣信息，還需進(jìn)行HSV通道分離預(yù)處理。

1 HSV通道分離處理

1.1 HSV空間的概念

HSV （Hue， Saturarion， Value）是A.R.Smirh根據(jù)顏色的直觀特征創(chuàng)造的顏色空間，可用六角錐體模型（ Hexcone Model）來(lái)表示，如圖1所示。HSV表示的參數(shù)分別為：色調(diào)（H），飽和度（S），亮度（V）。

色調(diào)（H）是人們對(duì)色彩的感知中最顯著、最直觀的一方面，用角度度量，對(duì)應(yīng)上圖中的圓心角，取值范圍為oo至3600，紅綠藍(lán)分別相隔1200，互補(bǔ)色分別相差1800。飽和度（S）表示色彩的純度，取值范圍是0 0至1.0，對(duì)應(yīng)上圖的半徑值。亮度（V）表示色彩的明暗程度，取值范圍為0.0（黑色）至1.0（白色），對(duì)應(yīng)圖1中的縱軸。

1.2 RGB空間轉(zhuǎn)換為HSV空間

傳統(tǒng)的RGB色彩模型可分辨的色差是非線(xiàn)性的，相比而言HSV通道更加直觀和接近人的視覺(jué)經(jīng)驗(yàn)，因此在圖像檢索中經(jīng)常將圖像從RGB空間轉(zhuǎn)換到HSV空間，變換的公式如下：

OpenCV F split函數(shù)可用于將圖像分解成H，S和V三通道，并可以顯示每個(gè)像素的H，S和V值。在圖像二值化的過(guò)程中，通過(guò)對(duì)圖像的HSV各通道設(shè)置閾值（如將飽和度S值在20至255之間的像素點(diǎn)顯示為白色，即在二值化中處理為0）來(lái)過(guò)濾掉圖中不重要的部分，而只留下有用的部分。在巡線(xiàn)任務(wù)中，HSV濾波器要濾掉中央線(xiàn)以外的線(xiàn)條。

2 在尋跡任務(wù)中實(shí)用性較高的圖像處理方法

2.1 圖像膨脹（ Dilate）

膨脹是OpenCV提供的一種基本的形態(tài)學(xué)操作，通常用于消除二值化后圖像的椒鹽噪聲。圖像中的邊緣向外部擴(kuò)張以填補(bǔ)圖像中的空洞，從而消除纖細(xì)且不重要的噪聲。在OpenCV中Dilate函數(shù)可實(shí)現(xiàn)此操作。

2.2 Canny邊緣檢測(cè)算子

Canny邊緣檢測(cè)算子是由John F Canny于1986年首次在論文《A ComputationalApproach to Edge Detection》中提出的一個(gè)多級(jí)邊緣檢測(cè)算法。這種算法可以實(shí)現(xiàn)從不同的視覺(jué)對(duì)象中提取有用的結(jié)構(gòu)信息以減少數(shù)據(jù)處理量，目前己廣泛應(yīng)用于各種計(jì)算機(jī)視覺(jué)系統(tǒng)的開(kāi)發(fā)。邊緣檢測(cè)的一般標(biāo)準(zhǔn)包括：

（1）好的檢測(cè)一一盡可能多地標(biāo)識(shí)出實(shí)際的邊緣：

（2）好的定位一一標(biāo)識(shí)出的邊緣應(yīng)精確定位在實(shí)際邊緣的中心；

（3）最小響應(yīng)一一圖像中的邊緣只能標(biāo)記一次，且不因圖像噪聲而產(chǎn)生假邊緣。

在目前常用的邊緣檢測(cè)方法中，Canny邊緣檢測(cè)算法是具有嚴(yán)格定義的，可以提供良好可靠檢測(cè)的方法之一。由于它具有滿(mǎn)足邊緣檢測(cè)的三個(gè)標(biāo)準(zhǔn)和實(shí)現(xiàn)過(guò)程簡(jiǎn)單的優(yōu)勢(shì)，成為邊緣檢測(cè)最流行的算法之一。

Canny邊緣檢測(cè)算法可分為以下五個(gè)步驟：

（1）使用高斯濾波器以平滑圖像，濾除噪聲；

（2）計(jì)算圖像中每個(gè)像素點(diǎn)的梯度強(qiáng)度和方向；

（3）應(yīng)用非極大值（Non-MaximumSuppression）抑制，以消除邊緣檢測(cè)帶來(lái)的雜散響應(yīng)；

（4）應(yīng)用雙閾值（Double-Threshold）檢測(cè)來(lái)確定真實(shí)和潛在的邊緣；

（5）通過(guò)抑制孤立的弱邊緣最終完成邊緣檢測(cè)。

2.3 霍夫直線(xiàn)檢測(cè)（ HoughLineDetection）

霍夫變換（HoughTransform）于1962年由PaulHough首次提出，是圖像處理中一種特征提取技術(shù)，通過(guò)投票算法檢測(cè)具有特定形狀的物體，其中經(jīng)典霍夫變換用來(lái)檢測(cè)圖像中的直線(xiàn)。

Hough直線(xiàn)檢測(cè)的基本原理在于利用點(diǎn)與線(xiàn)的對(duì)偶性。若選取笛卡爾坐標(biāo)系為原始圖像空間，極坐標(biāo)系p-θ為參數(shù)空間，則圖像空間中的點(diǎn)（xo，Yo）對(duì)應(yīng)參數(shù)空間中的一條正弦曲線(xiàn)p=xo cosθ+Yo sinθ。若圖窗中的像素構(gòu)成一條直線(xiàn)，那么這些像素坐標(biāo)值（x_i，y_i）在參數(shù)空間對(duì)應(yīng)的曲線(xiàn)一定相交于一個(gè)點(diǎn)，所以只需要將圖像中的所有像素點(diǎn)（坐標(biāo)值）變換成參數(shù)空間的曲線(xiàn)，并在參數(shù)空間檢測(cè)曲線(xiàn)交點(diǎn)就可以確定直線(xiàn)了。在此參數(shù)空間的ρ和θ坐標(biāo)都被離散化使交點(diǎn)坐標(biāo)為有限個(gè)，檢測(cè)落在每個(gè)網(wǎng)格單元上的焦點(diǎn)個(gè)數(shù)是否超過(guò)閾值來(lái)確定該單元格對(duì)應(yīng)的坐標(biāo)（ρ₀，θ₀）能否對(duì)應(yīng)圖像空間中的一條直線(xiàn)。如圖2所示。

在OpenCV下標(biāo)準(zhǔn)霍夫變換可通過(guò)Houghlines函數(shù)實(shí)現(xiàn)。

3 智能小車(chē)戶(hù)外尋跡算法的實(shí)現(xiàn)

即將被檢測(cè)道路的原始圖像如圖3所示，是一種很普通的由左右兩種材料組成的戶(hù)外路面，小車(chē)應(yīng)從左圖中黑箭頭處出發(fā)沿虛線(xiàn)箭頭所指軌跡行走，研究的目標(biāo)是利用OpenCV下的編程從而識(shí)別出兩種地面材料的分界線(xiàn)以完成尋跡任務(wù)，使智能小車(chē)沿分界線(xiàn)行走。完整的道路包括部分直線(xiàn)和四處轉(zhuǎn)彎，如圖4所示。在這種戶(hù)外環(huán)境中困難的是兩種路面沒(méi)有很清晰的顏色差別且由于地面的凹凸不平而形成很多陰影，這導(dǎo)致若直接在二值化的圖像上使用Canny算法會(huì)產(chǎn)生很多噪聲，以至于無(wú)法形成穩(wěn)定的霍夫直線(xiàn)確定車(chē)的行走方向。

在本項(xiàng)目中智能小車(chē)用Python編程實(shí)現(xiàn)圖像處理部分，其總流程如圖5所示。

3.1 步驟一：利用HSV通道過(guò)濾圖像中的干擾

首先分別檢測(cè)圖窗中左側(cè)道路和右側(cè)道路的HSV值，結(jié)果如圖6和圖7所示。左側(cè)道路和右側(cè)道路有不同的H值和S值，但由于它們各自的S值較為穩(wěn)定，因此我們使用S通道來(lái)區(qū)分道路的左右側(cè)。

通過(guò)調(diào)整S通道的閾值，我們可以得到不同的濾波結(jié)果，如圖8.圖11所示。

圖11呈現(xiàn)的處理效果已經(jīng)大體將左右路面區(qū)分為黑白區(qū)域，然而由于磚塊交界處的溝痕顏色更深，在處理后的圖像中呈白色，接下來(lái)將再通過(guò)HSV閾值去掉這些溝痕以及地面上深色的水漬。由于溝痕顏色明顯暗于灰色路面，使用亮度（ Value）值來(lái)過(guò)濾溝痕，對(duì)于閩值的嘗試結(jié)果如圖12-圖14所示。

圖12-圖14中的濾波效果已經(jīng)達(dá)到去除溝痕的目的，用同種閾值也可以濾掉地面的水漬，結(jié)果展示如圖15。

上述過(guò)程已將圖窗基本清晰地分為左右兩部分，突出了在巡線(xiàn)任務(wù)中唯一需要關(guān)注的左右分界線(xiàn)的形狀。用HSV通道濾波來(lái)實(shí)現(xiàn)圖像的二值化以及噪聲的去除大大增加了后續(xù)過(guò)程的準(zhǔn)確度和穩(wěn)定性，對(duì)霍夫線(xiàn)的形成有至關(guān)重要的作用。

3.2 步驟二：利用膨脹（ Dilation）算法去除椒鹽噪聲

雖然圖像已經(jīng)基本實(shí)現(xiàn)道路的左右區(qū)分，但為了更加突出分界線(xiàn)應(yīng)使左側(cè)道路全部變成白色。膨脹算法是OpenCV的庫(kù)函數(shù)，在此用于將左半部離散的白色像素點(diǎn)擴(kuò)大并互相粘連，使左半部圖窗全部被白色填滿(mǎn)，效果如圖16所示。至此圖窗的左右兩部分已經(jīng)清晰分割，這為后續(xù)方向線(xiàn)的形成提供了充足的準(zhǔn)備。

3.3 步驟三：利用Canny邊緣檢測(cè)算子提取分界線(xiàn)

在得到以上的結(jié)果后，Canny邊緣檢測(cè)方程用于描出兩種顏色區(qū)域的分界線(xiàn)，此方程將返回一個(gè)僅邊界處位置為l其余位置為0的二值矩陣，即僅將邊界線(xiàn)顯示為白色。如圖17所示，在右側(cè)處理完的圖像中，僅中間的分界線(xiàn)保留下來(lái)。

3.4 步驟四：高斯模糊（ Gaussian Blur）的使用

由于程序要求至少120個(gè)連續(xù)像素點(diǎn)點(diǎn)才會(huì)生成霍夫直線(xiàn)，因此需要預(yù)先使用高斯模糊方程以壓縮分界線(xiàn)，消除分界線(xiàn)上的不連續(xù)點(diǎn)，從而得到更平滑的曲線(xiàn)。高斯模糊的結(jié)果如圖18所示。

3.5 步驟五：利用霍夫直線(xiàn)檢測(cè)來(lái)生成方向線(xiàn)

這條更平滑的曲線(xiàn)可被霍夫直線(xiàn)檢測(cè)方程所辨認(rèn)。代碼要求檢測(cè)到120個(gè)連續(xù)像素點(diǎn)生成一條霍夫直線(xiàn)，此直線(xiàn)的坐標(biāo)將會(huì)以極坐標(biāo)表示，即方程返回的直線(xiàn)的坐標(biāo)參數(shù)為r和θ，其中r表示原點(diǎn)到該直線(xiàn)的垂線(xiàn)段長(zhǎng)度，θ表示垂線(xiàn)段與x軸的夾角，如圖19所示，最后，我們可以利用霍夫變換方程計(jì)算所檢測(cè)邊緣直線(xiàn)的斜率k和截距長(zhǎng)度L，并將其用于后續(xù)的PID控制環(huán)節(jié)決定小車(chē)的行進(jìn)方向。添加過(guò)霍夫直線(xiàn)的效果圖如圖20所示。

4 結(jié)束語(yǔ)

本文介紹的小車(chē)尋跡算法設(shè)計(jì)過(guò)程是基于對(duì)攝像頭畫(huà)面的圖像處理以實(shí)現(xiàn)識(shí)別圖窗中的分界線(xiàn)，并生成方向線(xiàn)的過(guò)程。先利用HSV色彩通道對(duì)圖像濾波，再利用OpenC，V的圖像膨脹、Canny邊緣檢測(cè)和高斯模糊等庫(kù)函數(shù)提取圖像中的分界線(xiàn)，最后用霍夫直線(xiàn)檢測(cè)函數(shù)生成方向線(xiàn)并計(jì)算斜率和截距，從而實(shí)現(xiàn)了通過(guò)圖像處理準(zhǔn)確、快速地判斷行走方向。該過(guò)程編程簡(jiǎn)單、易于實(shí)現(xiàn)，對(duì)運(yùn)用圖像處理解決尋跡問(wèn)題有借鑒價(jià)值。然而對(duì)于各個(gè)庫(kù)函數(shù)的閾值設(shè)置目前只停留于多次嘗試數(shù)據(jù)，對(duì)于不同的環(huán)境需要調(diào)整。

參考文獻(xiàn)

[1]朱虹等編著，數(shù)字圖像處理基礎(chǔ)[M].科學(xué)出版社，2005.

[2]陰法明.基于OpenCV的圖像處理[J].科技信息，2009 （32）.

[3]徐歡，李振璧，姜媛媛，黃劍波，基于OpenCV和改進(jìn)Canny算子的路面裂縫檢測(cè)[J].計(jì)算機(jī)工程與設(shè)計(jì)，2014， 35 （12）： 4254-4258.

[4]楊?yuàn)W博，盛家川，李玉芝，劉賞，趙坤元，基于HSV空間的顏色特征提取[J].電腦知識(shí)與技術(shù)，2017，13 （18）：193-19 5，

[5]段汝嬌，趙偉，黃松嶺，陳建業(yè)，一種基于改進(jìn)Hough變換的直線(xiàn)快速檢測(cè)算法[J]，儀器儀表學(xué)報(bào)，2010，31（12）： 2774-2780.

[6] Fuchsberger， Hermann. “Method ofcorrecting color saturation inelectronic image processing.”U.S. Patent No.4， 831， 434. 16 May 1989.

[7]Topal，C.，&Akinlar;，C.（2 012）. Edgedrawing：a combined real-time edgeand segment detector. Journal ofVisual Communication and Immage Representation， 2012， 23 （06）： 862-87 2.

[8] Kaehler，A.，&Brad; ski，G.（2016）.Learning OpenCV3： computerversioninC++withtheOpenCV library.” O' ReillyMedia.Inc.”.2016.

[9]快刀斬亂竹.HSV空間各通道分離實(shí)驗(yàn)

直觀了解各通道數(shù)值的意義[EB/OL].https：，/blog.csdn.net/bamboocan/article/details/70627137，2017-04-24/2018-08-01.