智能車(chē)路徑識(shí)別算法研究

李 鑫，范 英，楊金鑫，孫全俊，和照亮

(太原科技大學(xué) 交通與物流學(xué)院，太原 030024)

智能車(chē)是未來(lái)汽車(chē)發(fā)展的必然趨勢(shì)，其中路徑識(shí)別是關(guān)鍵問(wèn)題，也是近年來(lái)國(guó)內(nèi)外學(xué)者研究的焦點(diǎn)。針對(duì)視覺(jué)圖像處理，嚴(yán)大考[1]等人提出了改進(jìn)的二值化處理方法，運(yùn)算效率高，但對(duì)圖像質(zhì)量適應(yīng)性不高。朱鳳武[2]等對(duì)路徑識(shí)別采取了“全白”算法，提高了數(shù)據(jù)運(yùn)算速度，但識(shí)別精確度下降。針對(duì)噪聲處理，李亭[3]等對(duì)整幅圖片均采取了中值濾波的算法，雖然除噪效果很好但運(yùn)算時(shí)間過(guò)長(zhǎng)，很難滿足實(shí)時(shí)性的要求。

為有效分割圖像中有用信息，準(zhǔn)確、快速地提取中線信息，本文提出判斷單幀圖像光照不均勻的直方圖方法，并采用窗口自適應(yīng)的濾波算法和自適應(yīng)二值化算法進(jìn)行圖像預(yù)處理。為了防止在圖像遠(yuǎn)端產(chǎn)生“灰度白”現(xiàn)象，在中線提取上采取“拼接”思想，在圖像的近端采用二值化方法，遠(yuǎn)端采用Canny算法將圖像進(jìn)行了動(dòng)態(tài)區(qū)域分割。

1 基于直方圖的光照不均勻圖像判別方法

針對(duì)在復(fù)雜光照環(huán)境下，圖像常有過(guò)曝或欠曝現(xiàn)象，首先對(duì)圖片中光照不均勻度進(jìn)行判別，在此引入直方圖[4]方法進(jìn)行分析，確定圖像是否為光照不均勻圖片。為了保證圖像的特征性和處理單幀圖像的時(shí)效性，只對(duì)光照不均勻圖片進(jìn)行處理 。

設(shè)圖像f(x,y)在范圍[0，P]中有L個(gè)灰度級(jí)，歸一化直方圖為：

(1)

式中:p(k)代表灰度級(jí)的頻率數(shù)，k是[0，P]內(nèi)的灰度級(jí)，nk是灰度級(jí)為k的像素個(gè)數(shù)，n為像素總數(shù)。

用p(k)的方差為判斷光照不均勻、灰度級(jí)分布不均勻的標(biāo)準(zhǔn)，一般較昏暗的區(qū)域值比較小此時(shí)p(k)會(huì)比較大。因此值小時(shí)p(k)和占p(k)總和的比例也可以是一個(gè)判斷標(biāo)準(zhǔn)。令p(k)的方差為Dp，給定的閾值d，k

(2)

(3)

根據(jù)光照不均勻圖像f(x,y)可得到：

f(x,y)=i(x,y)·r(x,y)

其中：i(x,y)為入射分量；r(x,y)為反射分量。兩邊取對(duì)數(shù)得到：

z(x,y)=lnf(x,y)=lni(x,y)+lnr(x,y)對(duì)上式兩邊取傅里葉變換，得到：F(z(x,y))=F(lni(x,y))+F(lnr(x,y))

2 圖像處理算法

2.1 窗口自適應(yīng)濾波器

研究表明，圖像中噪聲不會(huì)連續(xù)出現(xiàn)，而是單獨(dú)隨機(jī)出現(xiàn)，這樣就符合“椒鹽噪聲”的特征。中值濾波器在處理“椒鹽噪聲”方面應(yīng)用比較廣泛，因此實(shí)驗(yàn)初期采用了中值濾波進(jìn)行處理。經(jīng)過(guò)多次嘗試發(fā)現(xiàn)密度當(dāng)噪聲不是很大的時(shí)候，中值濾波器可以很好的達(dá)到濾波的效果。當(dāng)固定窗口中噪聲密度較大時(shí)，中值濾波器效果明顯變差，在此引入窗口自適應(yīng)濾波器[5]進(jìn)行噪聲處理。

窗口自適應(yīng)濾波器主要體現(xiàn)在濾波器模板可以根據(jù)實(shí)際的圖片噪聲程度進(jìn)行增大調(diào)整，設(shè)Wmin為模板區(qū)域W中的像素最小值，Wmax為模板區(qū)域W中的像素最大值，Wmed為模板區(qū)域W中的像素中值。Wxy為噪聲圖像在(x,y)處的灰度值，為模板的最大窗口尺寸。窗口自適應(yīng)濾波器工作分為兩步驟：

若I1>0并且I2<0，則進(jìn)行第二步。

若I1<0或者則I1>0,增大窗口模板尺寸,若窗口模板尺寸≤Sw，則重復(fù)第一步否則f(x,y)=Wx,y.

若P1>0并且P2<0,f(x,y)=Wxy否則f(x,y)=Wmed

文章引入峰值信噪比(Peak Signal To Noise Ratio)作為評(píng)價(jià)濾波器效果的客觀標(biāo)準(zhǔn)。在圖像噪聲濃度逐漸加大的過(guò)程，濾波效果好的峰值信噪比(PSNR)值越大，也就說(shuō)明所使用濾波器更佳。PSNR值定義如下：

(4)

(5)

其中:I為原始噪聲圖像矩陣，K為去噪后圖像矩陣，M與N為圖像尺寸；MSE為均方差，MAX本文取值為255，PSNR為信噪比取值。

2.2 自適應(yīng)二值化算法

采集圖像分為路徑區(qū)域和背景區(qū)域兩部分，需要將兩部分區(qū)域分割?？紤]到實(shí)驗(yàn)道路相對(duì)結(jié)構(gòu)化，因此使用二值化分割。由于傳統(tǒng)的固定閾值的二值化方法不能適應(yīng)多變的圖像環(huán)境，因此提出自適應(yīng)二值化[6]算法。算法的核心步驟如下：

(1)計(jì)算出圖像中最大灰度值Zmax和最小灰度值Zmin.

(3)根據(jù)T0將圖像背景分為背景1和背景2，求出兩部分的平均灰度值T1和T2:

(6)

(7)

(5)若|T1-T0|≤ε(ε=0.4)，那么T1為最終的閾值，否則T0=T1進(jìn)入第(3)步，直至找到最佳的閾值。

3 基于動(dòng)態(tài)分割圖像的中線提取

3.1 改進(jìn)Canny算法

本文使用Canny邊緣檢測(cè)算法，改進(jìn)的Canny算法是信噪比與定位精度乘積的最優(yōu)化逼近算子。改進(jìn)Canny算法首先用高斯函數(shù)的一階導(dǎo)數(shù)對(duì)圖像進(jìn)行平滑處理，二維高斯函數(shù)為：

(8)

(9)

將全局梯度分解為兩個(gè)一維的濾波器：

(10)

(11)

使用兩個(gè)濾波器分別于圖像f(x,y)卷積，得到圖像I(x,y)，

(12)

(13)

其中:k為常量，G為高斯濾波器分布參數(shù)。

接下來(lái)計(jì)算梯度的幅值和方向，并對(duì)梯度幅值進(jìn)行非極大值抑制。其中X和Y方向偏導(dǎo)數(shù)的兩個(gè)數(shù)組Px(i,j)和Py(i,j)為：

Px[i,j]=(I[i,j+1]-I[i,j]+

I[i+1,j+1]-I[i+1,j])/2

(14)

Py[i,j]=(I[i,j]-I[i+1,j]+

I[i,j+1]-I[i+1,j+1])/2

(15)

像素的梯度幅值和梯度方向用二階范數(shù)來(lái)表示：

梯度幅值：

(16)

梯度方向：

(17)

在剔除非極大值過(guò)程中，根據(jù)檢出的備份邊緣點(diǎn)，可以求取出備份邊緣點(diǎn)灰度值和方差，根據(jù)正態(tài)分布函數(shù)來(lái)動(dòng)態(tài)的求取高低閾值，算法過(guò)程如下：

(1)在剔除非極大值過(guò)程中，求得邊緣像素點(diǎn)灰度值的期望μ和方差σ:

(2)按照下式求取高低雙閾值：

通過(guò)此方法得到的邊緣閾值TA和Tl是以備選點(diǎn)為基礎(chǔ)的，不需要人工設(shè)置，閾值更加合理。

若像素點(diǎn)(x,y)的梯度幅值M(x,y)大于或等于梯度方向H(x,y)兩個(gè)相鄰像素點(diǎn)的梯度幅值則判定該點(diǎn)為可能的邊緣點(diǎn)。

經(jīng)過(guò)仿真對(duì)比分析當(dāng)對(duì)采集圖像進(jìn)行路徑與背景區(qū)域分割時(shí)，常會(huì)采用二值化方法和Canny邊緣提取。因?yàn)槁窂脚c背景區(qū)域顏色差異較大，二值化方法可相對(duì)快速的區(qū)分區(qū)域，但在圖像遠(yuǎn)端常會(huì)出現(xiàn)“灰度白”現(xiàn)象,為進(jìn)一步提取中線造成干擾。路徑與背景區(qū)域交界處顏色跳變明顯，Canny邊緣提取可以很好的描繪出路況信息，但處理圖像速度過(guò)慢。

圖1 灰度白現(xiàn)象

3.2 區(qū)域動(dòng)態(tài)分割及中線提取

為了避免“灰度白”現(xiàn)象和處理速度過(guò)慢的缺點(diǎn)，綜合運(yùn)用二值化和Canny邊緣檢測(cè)的優(yōu)點(diǎn)，體現(xiàn)圖像處理效率。本文采用動(dòng)態(tài)分割方法進(jìn)行中線提取。在圖像的近端使用二值化方法快速區(qū)域分割，圖像的遠(yuǎn)端采用Canny算法準(zhǔn)確的檢測(cè)路況信息。用分段統(tǒng)計(jì)的方法來(lái)規(guī)定路面灰度范圍，計(jì)算路面兩部分區(qū)域變化范圍的方法如下：

(1)采集圖像大小為200*180,初始狀態(tài)下根據(jù)遠(yuǎn)、近兩部分平分圖像區(qū)域；

(2) 在距頂端60像素處定義為遠(yuǎn)端區(qū)域，在遠(yuǎn)端區(qū)域的中心位置一個(gè)正方形灰度統(tǒng)計(jì)窗口，計(jì)算遠(yuǎn)端區(qū)域灰度統(tǒng)計(jì)窗口的灰度均μ值和標(biāo)準(zhǔn)差σ和PSNR值；

(3)由于路徑區(qū)域的灰度分布可以看成正態(tài)分布，因此根據(jù)上一步遠(yuǎn)端區(qū)域的灰度均值和標(biāo)準(zhǔn)差，區(qū)域的灰度范圍可設(shè)置為：

μ-3σ

(4)若區(qū)域的灰度值不在此范圍內(nèi)且PSNR值小于20，則遠(yuǎn)端區(qū)域高度縮小5%并再次檢測(cè)，若重復(fù)2次還未達(dá)到許可范圍，則對(duì)下一幀圖像進(jìn)行處理。實(shí)驗(yàn)表明區(qū)域劃分兩次之內(nèi)均可準(zhǔn)確識(shí)別出路徑信息。

在完成動(dòng)態(tài)區(qū)域分割后，由于路徑區(qū)域與背景區(qū)域的連接處跳變明顯[7]，因此使用兩邊搜索的方法，具體思想如下：

(1)以第一行中心列為基準(zhǔn)點(diǎn)，向兩邊進(jìn)行掃描，左邊掃描遇到黑點(diǎn)記為、右邊掃描遇到黑點(diǎn)記為b[i]，中點(diǎn)為：

(2)以上一行中點(diǎn)為此行基準(zhǔn)點(diǎn)掃描方式如(1)進(jìn)行；

(3)若相鄰兩行中點(diǎn)列坐標(biāo)差值δ>10，則以上一行中點(diǎn)為本行中點(diǎn)。

4 仿真試驗(yàn)與分析

為了驗(yàn)證文中濾波算法的有效性，在經(jīng)過(guò)對(duì)光照不均勻圖像進(jìn)行了判別處理后，對(duì)單幀圖像在Matlab2015a上進(jìn)行仿真試驗(yàn)[8-9]。圖2是不同濃度“椒鹽噪聲”下兩種濾波器的效果對(duì)比。

圖2 濾波效果對(duì)比圖

如圖3所示，隨著椒鹽噪聲的濃度增大，窗口自適應(yīng)濾波器得到的PSNR[10]高于中值濾波算法。窗口自適應(yīng)濾波器處理噪聲能力也較平穩(wěn)。當(dāng)加入70%椒鹽噪聲時(shí)窗口自適應(yīng)濾波器仍可以達(dá)到濾波效果，此時(shí)的PSNR值為27.48，而當(dāng)加入30%椒鹽噪聲時(shí)，中值濾波后的PSNR值為27.80.

圖3 不同噪聲濃度的濾波算法PSNR對(duì)比

圖4 二值化效果對(duì)比圖

如圖4所示在使用自適應(yīng)二值化算法后，在不同道路工況情況下也可以清晰地描述出路徑信息。

對(duì)于產(chǎn)生的“灰度白”現(xiàn)象，提出動(dòng)態(tài)“拼接”思想，在圖像遠(yuǎn)端采用Canny方法進(jìn)行邊緣提取，近端采用自適應(yīng)二值化區(qū)域分割，以此進(jìn)行中線提取如圖5所示。

圖5 中線效果對(duì)比圖

如圖5所示在單純使用二值化求取中線時(shí)經(jīng)常會(huì)出現(xiàn)“灰度白”現(xiàn)象，影響了中線提取的準(zhǔn)確性。在單純Canny邊緣檢測(cè)算法求取中線時(shí)雖然識(shí)別準(zhǔn)確度高，但運(yùn)算時(shí)間過(guò)長(zhǎng)。表1為三種方法在處理相同圖像耗時(shí)。

表1 三種算法平均耗時(shí)對(duì)比
Tab.1 The comparison of average time of the three algorithms

算法二值化Canny動(dòng)態(tài)分割平均耗時(shí)/ms30.7243.5622.22

本文算法與文獻(xiàn)[1-3]中的算法速度對(duì)比情況如表2所示。由表2可以看出，與其他幾種算法相比，本文算法在實(shí)時(shí)性上達(dá)到最優(yōu)。如圖5所示在典型路況下有較高的識(shí)別效果。

表2 四種預(yù)處理算法耗時(shí)對(duì)比
Tab.2 Time consuming comparison offour preprocessing algorithms

算法本文算法文獻(xiàn)[1]文獻(xiàn)[2]文獻(xiàn)[3]平均耗時(shí)/ms25.2228.6626.3432.75

表3 算法中線提取誤差
Tab.3 The center line extraction error of the algorithm

算法直行道路S彎道路彎道路遠(yuǎn)端誤差/pixel234938近端誤差/pixel102118

為了驗(yàn)證文章中線提取的精確度，標(biāo)記出實(shí)際路徑中線位置，并與文章算法在圖5最終提取結(jié)果進(jìn)行對(duì)比。采集圖像尺寸為200*180，以2為步長(zhǎng)在真實(shí)車(chē)道中線與提取車(chē)道中線進(jìn)行聚類(lèi)得到兩個(gè)點(diǎn)坐標(biāo)，兩點(diǎn)橫縱坐標(biāo)的絕對(duì)值之和設(shè)為總誤差，因此整幅圖像在遠(yuǎn)端共有30個(gè)兩點(diǎn)坐標(biāo)，近端共有60個(gè)兩點(diǎn)坐標(biāo)，分別求取總誤差。

5 結(jié)論

基于恩智浦智能車(chē)平臺(tái)，對(duì)圖像預(yù)處理算法和道路中線提取算法進(jìn)行了研究。首先引入直方圖判斷光照不均勻圖像的方法，解決了曝光不正常圖片進(jìn)一步預(yù)處理困難的問(wèn)題。在此基礎(chǔ)上提出窗口自適應(yīng)濾波算法，該算法可處理噪聲濃度范圍可高達(dá)70%，且運(yùn)算速度快于傳統(tǒng)中值算法。針對(duì)“灰度白”問(wèn)題，使用了“拼接”的思想，對(duì)路徑區(qū)域動(dòng)態(tài)劃分，并分別采用Canny方法和二值化方法完成中線提取。