基于LABVIEW的道路圖像信息識別的研究*

張光葳

（福建船政交通職業(yè)學(xué)院，福建 福州 350007）

0 引言

LABVIEW (Laboratory Virtual Instrument Engineering Workbench)，是一種虛擬的電子設(shè)備工作平臺，可用于信號采集、信號處理、算法編程以及圖像處理等工作[1]。與傳統(tǒng)的虛擬工作平臺不同，LABVIEW采用的是一種基于圖像化，通過模塊組合及算法搭接的計算機(jī)編程語言。由于LABVIEW具有十分強(qiáng)大的圖像計算和處理能力，在工業(yè)控制和自動化生產(chǎn)上得到了十分廣泛的應(yīng)用，因此本文使用LABVIEW對汽車行駛過程中道路的信息識別進(jìn)行研究。

1 LABVIEW的視覺與運(yùn)動模塊介紹

對于LABVIEW的圖像處理技術(shù)，需要使用到NI中的視覺與運(yùn)動模塊，在處理過程中，可借用這套模塊內(nèi)部自身的程序算法，對接外置攝像頭，實(shí)現(xiàn)圖像數(shù)據(jù)的采集和并結(jié)合程序自帶算法，對圖像進(jìn)行色彩處理，實(shí)現(xiàn)數(shù)據(jù)的采集工作，減少程序設(shè)計時間和難度[2]。目前，主要視覺與運(yùn)動的主要模塊包括圖像存儲、圖像加工、圖像檢測以及圖像信號采集等功能。

2 圖像預(yù)處理

對于外界實(shí)時收集的圖像情況，由于存在抖動、不穩(wěn)定以及周邊環(huán)境干擾等影響，因此圖像所表達(dá)的信息往往不利于計算機(jī)的識別。所以需要對圖像進(jìn)行預(yù)先處理，降低噪聲、增強(qiáng)幾何結(jié)構(gòu)、突顯目標(biāo)結(jié)構(gòu)色彩[3]。另外，為了實(shí)現(xiàn)計算機(jī)對圖像中的目標(biāo)圖形進(jìn)行數(shù)字化讀取，還將對處理后的圖像進(jìn)行數(shù)字解析，實(shí)現(xiàn)圖形的數(shù)字化，并對數(shù)字化后的數(shù)據(jù)重新進(jìn)行構(gòu)造和恢復(fù)，實(shí)現(xiàn)圖形的再現(xiàn)。

2.1 圖像采集

在進(jìn)行圖形處理時，需對圖像進(jìn)行網(wǎng)格采樣、間隔量化，并對模擬圖像進(jìn)行一定的離散化處理后，才可被計算機(jī)進(jìn)行識別處理。而使用攝像頭連接電腦后，可直接獲取圖像信息，不再需要額外其他電子設(shè)備的輔助，已經(jīng)成為當(dāng)下圖像信號數(shù)據(jù)采集的主要運(yùn)用手段。因此，在實(shí)際操作中，只需要在LABVIEW程序中，建立圖像讀取空間、攝像頭通信通道、圖像數(shù)據(jù)顯示控件及可實(shí)現(xiàn)LABVIEW對圖像信號的實(shí)時采集。使用LABVIEW進(jìn)行圖像采集的程序結(jié)構(gòu)如圖1所示。

圖1 基于LABVIEW的圖像采集程序

使用圖1的程序，在夜晚道路上使用外置攝像頭，所得到圖像如圖2所示。

圖2 外置攝像頭所采集圖像

2.2 灰度處理

對于彩色圖片，由于像素點(diǎn)的變化范圍過大，多達(dá)一千六百多萬個變化范圍，因此數(shù)據(jù)量的處理過于龐大且毫無意義，需對彩色圖片進(jìn)行灰度處理，使其變?yōu)槠蚝诎椎膯紊珗D片，以減少圖片的數(shù)據(jù)容積，降低處理難度，減少計算量。

在以往的灰度處理中一般常用的灰度處理策略可分為三種：

2.2.1 加權(quán)算法

對于構(gòu)建成色彩圖像的RGB模型，分別對R、G、B賦予不同的系數(shù)值，并將三者相加，且確保三者系數(shù)之和為1，一般而言，由于人眼對于綠色最為敏感，因此G的系數(shù)最高，而對藍(lán)色最不敏感，所以B的系數(shù)最低。

2.2.2 平均法

對于構(gòu)建成色彩圖像的RGB模型，直接取R、G、B三個數(shù)值之和的平均值。

2.2.3 最大值法

以RGB模型中的最大數(shù)值分量作為圖像的灰度值。

對于三種方法而言，一般加權(quán)算法所呈現(xiàn)出的圖像更加細(xì)膩，有更強(qiáng)烈的層次感，因此在LABVIEW中使用加權(quán)算法對圖像進(jìn)行灰度化。

在LABVIEW軟件中，可直接調(diào)用視覺助手模塊，進(jìn)行圖像灰度調(diào)節(jié)，經(jīng)過對于圖片環(huán)境及周末色彩的對比、對權(quán)重參數(shù)的不斷調(diào)整，最終得到的灰度化圖像如圖3所示。

圖3 灰度處理后的畫面

2.3 圖像二值化

在圖像灰度處理后，需進(jìn)行二值化，其目的是將目標(biāo)與背景圖像分離開，以方便計算機(jī)后續(xù)的識別工作。

圖4 圖像的二值化

二值化處理最常使用的是閾值法，其原理是利用目標(biāo)圖像與背景圖像之間的閾值差異，選取某個閾值，進(jìn)而將目標(biāo)圖像和背景圖像區(qū)別開，進(jìn)而得到二值化的圖像。但是，由于在不同環(huán)境下，各類圖像所呈現(xiàn)出的圖像畫面是各不相同，導(dǎo)致閾值存在不同，這也是二值化處理的難點(diǎn)所在。但是，由于正常城市道路的圖像色彩大致相同，并不會存在較大的色差，因此，基于這點(diǎn)，可選用LABVIEW中的自適應(yīng)閾值處理模塊，確定道路的大致閾值，將道路與其他不相關(guān)背景分離出來即可，其圖像如圖4所示。

2.4 圖像分割

二值化后的圖像，由于背景中存在類似道路閾值的圖像，如車牌、路燈、反光帶等，因此會產(chǎn)生比較大的干擾，所以需要對這類圖像再進(jìn)行分割進(jìn)行處理。

對于圖像的分割處理，由于道路情況的變化復(fù)雜，無法使用定向區(qū)域分割的方法，而確定邊沿的方法則由于道路實(shí)際的不確定性，并無法事先確定道路邊沿，也無法使用?；诘缆愤@種不可預(yù)判和不確定性，但目標(biāo)區(qū)域又相對較大且確定性的情況，可使用區(qū)域生長法進(jìn)行分割。其原理是從單點(diǎn)開始，可與周邊和其像素相近的點(diǎn)或區(qū)域進(jìn)行結(jié)合，形成新的點(diǎn)或面，并不斷延續(xù)下去，最終直至無法擴(kuò)增為止，基于這種策略，即可實(shí)現(xiàn)對道路圖像的分割處理，最終所得的圖像如圖5所示。

圖5 圖像分割

3 圖像邊界提取

在對圖像進(jìn)行分割后，即可對圖像進(jìn)行邊界提取，以確定道路的邊界情況。因此可調(diào)用LABVIEW軟件中的邊界提取模塊，通過提取后可得最終的道路識別情況，以5*5結(jié)構(gòu)元素選取則結(jié)果如圖6的圈內(nèi)線段所示。

圖6 邊界提取

4 總結(jié)

由LABVIEW軟件所處理得到的圖像可知，即使在夜晚復(fù)雜條件下，LABVIEW依然可以對道路圖像進(jìn)行處理，并提取到道路信息。對所提取道路信號再進(jìn)行后續(xù)處理后，可在今后應(yīng)用于車輛行駛時的道路寬度判斷，以及邊界極限的確認(rèn)，從而保證車輛的安全通過性，同時可以判斷在交會車條件下，兩車的通過性，因此在車輛安全行駛方面具有十分廣闊的研究前景和應(yīng)用價值。