基于霍夫變換的農(nóng)業(yè)AGV車道線視覺檢測方法

鄧嘉明，張海鑫，張諾儀

(1.嘉應(yīng)學(xué)院信息網(wǎng)絡(luò)中心,廣東梅州 514015；2.嘉應(yīng)學(xué)院物理與電子工程學(xué)院,廣東梅州 514015；3.嘉應(yīng)學(xué)院計算機(jī)學(xué)院,廣東梅州 514015)

隨著農(nóng)業(yè)物聯(lián)網(wǎng)應(yīng)用的不斷發(fā)展，自動引導(dǎo)車（Automated Guided Vehicle，以下簡稱AGV）作為一個主要的農(nóng)業(yè)運(yùn)輸工具在整個農(nóng)業(yè)物聯(lián)網(wǎng)體系中扮演重要的角色，完成短距離運(yùn)輸任務(wù)[1]。但是在自動引導(dǎo)方面受各種技術(shù)的限制，應(yīng)用較少且應(yīng)用效果不理想，其中一個主要原因就是AGV 的車道線檢測技術(shù)，所以當(dāng)前的農(nóng)業(yè)運(yùn)輸主要以軌道式為主。為了使農(nóng)業(yè)AGV 擺脫軌道限制，實(shí)現(xiàn)更加便捷的部署，從多個方面對車道線檢測進(jìn)行研究。

1 AGV自動引導(dǎo)相關(guān)技術(shù)發(fā)展現(xiàn)狀

在AGV 自動引導(dǎo)過程中必須對可行駛區(qū)域進(jìn)行識別，在工業(yè)場景下的AGV 最基礎(chǔ)是通過距離傳感器，特別是在平坦、空曠的場景下，只需檢測是否有阻礙物，阻礙物以外的區(qū)域都可行駛，規(guī)劃避障路線即可完成引導(dǎo),并可以使用GPS、uwb等技術(shù)進(jìn)行定點(diǎn)導(dǎo)航[2?4]。在要求較高的場景下當(dāng)前AGV 使用SLAM和磁導(dǎo)航循跡等技術(shù)進(jìn)行自動引導(dǎo)[5?6]。激光SLAM是一種常用的檢測方法，利用激光SLAM 可以生成二維地圖，在地圖上標(biāo)識出可行駛區(qū)域進(jìn)行引導(dǎo)。激光SLAM 以激光在阻礙物上的反射來生成地圖，在室內(nèi)場景可以較好地還原出地圖，但是在室外場景中，特別是復(fù)雜的農(nóng)業(yè)場景中，SLAM 的反射距離有限，二維SLAM 無法識別一些下陷的地面環(huán)境，SLAM 的二維效果比較不理想。當(dāng)然現(xiàn)在已經(jīng)3D激光雷達(dá)技術(shù)，這種技術(shù)成本較高，暫時不適合農(nóng)業(yè)AGV 集成[7]。磁導(dǎo)航循跡也是當(dāng)前AGV 使用的主要技術(shù)，磁導(dǎo)航引導(dǎo)和有軌的概念相似，都是規(guī)劃好行駛路線，AGV根據(jù)檢測磁導(dǎo)航路線進(jìn)行引導(dǎo)，但是磁導(dǎo)航技術(shù)路線布置繁瑣，布線后線路改動需要重新部署，且在農(nóng)業(yè)室外環(huán)境磁導(dǎo)航線因?yàn)楦鞣N風(fēng)吹日曬，泥土臟污覆蓋導(dǎo)致失效，因?yàn)榇艑?dǎo)航引導(dǎo)在農(nóng)業(yè)環(huán)境也不合適。由此，文章引入了一種基于視覺的車道線檢測技術(shù)進(jìn)行農(nóng)業(yè)AGV的自動引導(dǎo)。

2 基于視覺的車道線檢測方法

2.1 基于視覺的車道線檢測方法思路

車道線檢測技術(shù)是自動駕駛技術(shù)中的關(guān)鍵技術(shù)之一，自動駕駛汽車通過識別路面的車道線作為自動駕駛的其中一項(xiàng)重要決策判斷。在農(nóng)業(yè)AGV 實(shí)際工作場景中，農(nóng)業(yè)基地運(yùn)輸?shù)缆放c兩側(cè)的種植田地物理特性有較大的區(qū)別，通過這些特診差異進(jìn)行圖像分割，突出道路邊緣信息，識別車道線，完成可行駛區(qū)域的判斷，從而實(shí)現(xiàn)自動引導(dǎo)?；谝曈X的車道線檢測是思路是通過建立檢測方法在視覺圖像中識別出結(jié)構(gòu)化道路的幾何特征，將圖像這些幾何特征抽象成一個直線或者曲線的模型，在通過霍夫變換算法等方法將模型擬合成較為流暢的車道線[8]。整個檢測過程分為道路圖像預(yù)處理、車道線檢測識別兩個部分。

2.2 基于邊緣檢測和興趣區(qū)域的道路圖像預(yù)處理

基于視覺的農(nóng)業(yè)AGV 車道線檢測是對實(shí)時視頻進(jìn)行處理，通過獲取車頂?shù)臄z像頭視頻流，進(jìn)行每一幀圖像處理。道路圖像預(yù)處理是為了將攝像頭圖像進(jìn)行預(yù)處理，突出特征信息。

首先進(jìn)行圖像去噪處理。去噪處理是因?yàn)樵趫D像中存在各種噪聲干擾，雖然不影響肉眼識別，單在機(jī)器識別的時候會出現(xiàn)干擾，影響對主要特征的檢測。在車道線判斷過程中，顏色相對于其他特征的作用較小，所以先將色彩圖像轉(zhuǎn)為灰度圖像，以提高計算速度，后期再對針對某種顏色進(jìn)行調(diào)整。簡單的灰度轉(zhuǎn)換后，需要進(jìn)行高斯濾波處理，主要是利用高斯函數(shù)的形狀選擇全職，將服從正態(tài)分布的噪聲進(jìn)行處理，從而使邊緣信息更加清晰。在農(nóng)業(yè)場景中部分路面是砂石路面在攝像頭獲取圖像的近景中很多砂石的路面的紋理，需要增大高斯濾波ksize 將這些干擾信息濾去。輸入圖像如1所示。

圖1 輸入圖像

其次進(jìn)行圖像邊緣檢測。采用Canny 邊緣檢測算法，首先計算圖像中每個像素點(diǎn)的梯度強(qiáng)度和方向，然后對梯度復(fù)制進(jìn)行非最大值抑制，接著通過選取兩個自適應(yīng)的閾值來確定真實(shí)的和潛在的邊緣，最后利用抑制孤立的弱邊緣點(diǎn)實(shí)現(xiàn)邊緣檢測[9]。閾值的選擇需要根據(jù)圖像來源進(jìn)行調(diào)整，調(diào)整一般高閾值約為低閾值的3 倍。處理后的邊緣效果如圖2所示。

圖2 邊緣檢測圖像

然后需要進(jìn)行興趣區(qū)域（ROI）處理。ROI 在圖像處理中極為常見，主要是圖像處理中并不是所有信息都是有用的，可以只計算部分區(qū)域，可以降低干擾，提高計算效率。如圖2 所示，圖像中上半部分有各種其他物體的信息，在車道線識別的時候并不是計算區(qū)域。在AGV 中，攝像頭的位置是相對固定的，所以拍攝的路面信息相對固定，道路信息集中在圖像中下方的一個梯形區(qū)域內(nèi)，這個梯形區(qū)域就是興趣區(qū)域[10]?；谝陨舷闰?yàn)信息，可以定義一個梯形的掩膜，將掩膜以外的區(qū)域全部涂成黑色，將其他信息濾去，并且由于已知在園區(qū)全部路面情況下，圖像方近景區(qū)域的路面紋理部分也可以濾去，由此得出車道信息主要信息區(qū)域，如圖3 所示，由此已經(jīng)可以基本判斷出車道輪廓了。

圖3 確定感興趣區(qū)域處理圖像

2.3 基于霍夫變換的車道線檢測識別

在完成道路圖像信息預(yù)處理后，就可進(jìn)行車道線檢測了。車道線在圖中可見為兩條透視直線。在直線特征的圖像檢測算法中，最常用的就是霍夫變換在直角坐標(biāo)系中(x,y)，直線函數(shù)為y=kx+b，其中k為斜率，b為截距，而在霍夫變換中使用極坐標(biāo)系(r,θ)來表示直線。直角坐標(biāo)系上某一點(diǎn)(x,y)轉(zhuǎn)換成極坐標(biāo)時，可以將直角坐標(biāo)系中的直線與x軸和y軸圍成一個直角三角形，作此三角形的高，即從原點(diǎn)到該直線的垂線，r為該直線到原點(diǎn)的距離，θ為該直線的垂線與x軸的夾角。在轉(zhuǎn)換過程中，有

將直線y=kx+b轉(zhuǎn)換為極坐標(biāo)，有

通過點(diǎn)(x,y)的直線轉(zhuǎn)換極坐后為r=xcosθ+ysinθ。原直角坐標(biāo)系的直線轉(zhuǎn)換過后在極坐標(biāo)系中為一條曲線，直角坐標(biāo)系中在同一條直線上的多個點(diǎn)經(jīng)過極坐標(biāo)系變換形成的多條曲線都在極坐標(biāo)系中相交于某一點(diǎn)。直角坐標(biāo)系上的直線上所有點(diǎn)極坐標(biāo)系變換后的曲線在極坐標(biāo)系中通過同一個點(diǎn)(r0,θ0)?；舴蜃儞Q就是檢測圖像中每一個像素點(diǎn)對應(yīng)曲線間的交點(diǎn)，越多曲線交于一點(diǎn)也就意味著這個交點(diǎn)表示的直線由更多的點(diǎn)組成，當(dāng)交于某一點(diǎn)的曲線數(shù)量超過了閾值，那么該點(diǎn)在原圖像中為一條直線[11]。在OpenCV 中，可直接調(diào)用霍夫變換函數(shù)進(jìn)行直線檢測。

為了進(jìn)一步突出車道線的特征信息，需要對檢測出為突出車道線信息。根據(jù)設(shè)定高度、角度攝像頭獲取的圖像中，車道線在圖像圖中的透視投影通常為左右斜率不同的曲線，正常情況下左右兩邊的車道線分別在圖像的左右兩側(cè)。將圖像分成兩邊分別計算斜率，并將斜率超過一定閾值的線過濾掉，獲取一條最可能的車道線輪廓?；舴蜃儞Q后的效果如圖4所示。

圖4 霍夫變換檢測車道線結(jié)果

通過霍夫變換后獲取到了一系列直線段的端點(diǎn)坐標(biāo)，利用端點(diǎn)坐標(biāo)分開左、右直線進(jìn)行直線擬合，即可獲取左、右車道線所在的大致直線，實(shí)現(xiàn)了基于視覺的車道線檢測。將檢測出的車道線與原圖像合并圖層，處理結(jié)果如圖5所示。

圖5 車道線直線擬合結(jié)果

通過在實(shí)地園區(qū)多次測試，在調(diào)整合適的參數(shù)后，在園區(qū)內(nèi)效果較好，可以處理復(fù)雜路面紋理、光照不足等各種特殊情況，如圖6所示。

圖6 復(fù)雜路面紋理測試效果

3 基于車道線檢測方法的農(nóng)業(yè)AGV控制測試

通過基于視覺的車道線檢測，可以完成圖像中的車道線識別，但這個僅僅是圖像中的透視直線，在實(shí)際使用過程中，需要通過放射變換，由于攝像頭的位置固定為圖像中間垂直位置，利用相機(jī)標(biāo)定的信息對車道線檢測結(jié)果通過仿射變換變成鳥瞰圖[12]。在農(nóng)業(yè)AGV 行駛過程中，基本動作包括保持中線行駛和轉(zhuǎn)彎行駛。

保持中線行駛較為簡單，只需仿射變換后，計算出車輛行駛中線，即與左右兩條車道線的中心點(diǎn)連線，再計算出與中線的偏離值。在農(nóng)業(yè)AGV 的ROS控制中，如果檢測出偏離值，則偏向相反的角度轉(zhuǎn)向，并且根據(jù)偏離值的大小設(shè)計合理的PID 算法[13]，ROS 的計算與控制過程如圖7 所示，一是加入PID 算法，并且在運(yùn)行初期加大值，降低車速，可以保證車輛不會出現(xiàn)搖擺行駛的情況，以確保車輛轉(zhuǎn)向順暢；二是在行駛過程中加入異常運(yùn)動判斷，加入制動命令，如出現(xiàn)識別錯誤狀態(tài)則緊急停車；三是根據(jù)實(shí)際情況，可在異常運(yùn)動判斷中加入濾波處理，并根據(jù)AGV行駛速度調(diào)整輸入目標(biāo)參數(shù)的時間間隔。

圖7 農(nóng)業(yè)AGV行駛運(yùn)行過程

轉(zhuǎn)彎行駛需要提前檢測彎道情況，由于前面霍夫變換實(shí)現(xiàn)的車道檢測獲取的直線段數(shù)目較少，且大致處于同一直線上，對于前方路段的彎道路線曲線擬合效果較差，需要對車道線像素點(diǎn)進(jìn)行曲線擬合[14]?？梢詫OI區(qū)域進(jìn)行仿射變換，將圖像中央部分矩形區(qū)域，也就是“遠(yuǎn)方路面”進(jìn)行檢測。由于透視變換后車道線被模糊化，因此這個區(qū)域的邊緣檢測算法效果較差。對于白色路面信息可根據(jù)HSL 顏色模型中的亮度值進(jìn)行檢測。將第兩次檢測結(jié)果與原檢測結(jié)果相結(jié)合得到更完整的車道線，并根據(jù)像素點(diǎn)坐標(biāo)，利用最小二乘法曲線擬合原理分別擬合出左、右兩條車道線曲線，由此實(shí)現(xiàn)對“前方路面”彎道進(jìn)行檢測。在農(nóng)業(yè)AGV 的ROS 控制中，檢測出曲線后，對車輛進(jìn)行減速并持續(xù)轉(zhuǎn)向，同樣利用合理的PID算法，保證車輛不會轉(zhuǎn)向過度。

在實(shí)際應(yīng)用中測試中，需要多次調(diào)參，一是在這個ROI區(qū)域的選擇極大地影響車道線檢測的成功率，在實(shí)際過程中，需要測試較多的次數(shù)以確定較為合適的區(qū)域；二是調(diào)試合適的攝像頭方向和角度，方向一定要保持?jǐn)z像頭與車方向保持絕對一致，否則會影響ROS 控制，角度需要基本水平，麗玉對轉(zhuǎn)向時的檢測；三是PID 算法設(shè)計需要多次調(diào)試，否則會出現(xiàn)搖擺不定或轉(zhuǎn)向過度的情況；四是需要充分考慮轉(zhuǎn)向過度后的控制，因是原地旋轉(zhuǎn)，直至尋找到合適的車道線位置。

基于車道線的檢測方式是AGV 自動引導(dǎo)中的其中一個方式，在實(shí)際構(gòu)建中可同時搭載距離傳感器、SLAM進(jìn)行多種方式結(jié)合，可以盡可能地提高AGV自動駕駛的可靠性和穩(wěn)定性[15]。

4 結(jié)語

基于霍夫變換的農(nóng)業(yè)AGV 車道線視覺檢測方法是一種成本低且實(shí)用性高的農(nóng)業(yè)AGV 自動引導(dǎo)技術(shù)。本文主要使用圖像處理的方法實(shí)現(xiàn)，具有較好的實(shí)時性并且抗噪聲強(qiáng)，在農(nóng)業(yè)基地已知的具體環(huán)境中，調(diào)整多次參數(shù)后重復(fù)行駛結(jié)構(gòu)化道路的時候效果較好。此方法的缺點(diǎn)在于新的環(huán)境要重新確認(rèn)參數(shù)，后期利用深度學(xué)習(xí)進(jìn)行改進(jìn)，提高此方法的魯棒性以適應(yīng)不同場景的應(yīng)用。