時(shí)建桃， 王國(guó)胤， 王 進(jìn)

（重慶郵電大學(xué) 計(jì) 算機(jī)科學(xué)與技術(shù)學(xué)院，重慶 400065）

縮微智能車的研究在一定基礎(chǔ)上為真車的研究提供了理論依據(jù)，智能車輛駕駛主要研究整體自動(dòng)或作為輔助駕駛系統(tǒng)完成車輛駕駛?cè)蝿?wù)。這些任務(wù)包括錐形標(biāo)識(shí)別、道路跟蹤、保持車輛行駛在正確的道路上、維持車輛間的安全距離、根據(jù)當(dāng)前的交通狀況和道路特征調(diào)節(jié)車輛的速度、橫跨車道以達(dá)到超車和避障的目的。但真實(shí)的交通系統(tǒng)［1］難以為真車智能駕駛技術(shù)研究提供試驗(yàn)場(chǎng)地和場(chǎng)景，因此迫切需要建立縮微尺度的三維復(fù)雜交通環(huán)境，為該研究提供模擬現(xiàn)實(shí)、可重復(fù)、可驗(yàn)證、可評(píng)價(jià)的試驗(yàn)平臺(tái)。基于此平臺(tái)，縮微車將可以模擬真車在真實(shí)道路環(huán)境下的駕駛行為，使智能駕駛和多車交互成為可能。本文提出了一種縮微交通環(huán)境下的基于HSV顏色空間的錐形標(biāo)識(shí)別方法，實(shí)現(xiàn)了縮微智能車駕駛行為對(duì)錐形標(biāo)擺放位置的有效響應(yīng)，體現(xiàn)了縮微智能車在縮微交通環(huán)境下的智能性。

1 圖像分析與處理

在對(duì)錐形標(biāo)進(jìn)行識(shí)別前，首先要對(duì)采集到的圖像進(jìn)行處理，其中主要包括圖像預(yù)處理、顏色空間轉(zhuǎn)化、二值化閾值分割和形態(tài)學(xué)去噪等。

1.1 圖像預(yù)處理

由于錐形標(biāo)的顏色是紅白兩色，經(jīng)過(guò)分析發(fā)現(xiàn)，背景色和錐形標(biāo)像素的R、G、B值間存在很大的差別，背景色的R值與G，B值相差很大，所以在圖像預(yù)處理時(shí)，用T＝R－B值作為一個(gè)閾值來(lái)去除大部分的背景。

1.2 顏色空間轉(zhuǎn)化

本文采集的原始圖像是基于RGB顏色空間的，其局限在于不直觀［2］，即從RGB顏色空間3分量值中很難得知所表示顏色的認(rèn)知屬性。因此，RGB顏色空間不符合人對(duì)顏色的感知心理。

HSV顏色空間是一種面向視覺(jué)感知的顏色模型，相比于RGB顏色空間，其特點(diǎn)有：① 色調(diào)指光的顏色，它與混合光譜中主要光波長(zhǎng)相聯(lián)系，不同波長(zhǎng)的光呈現(xiàn)不同的顏色，指色調(diào)不同；②飽和度指彩色的深淺程度，即與一定色調(diào)的純度相關(guān)；③ 亮度指人眼感受到的光的明暗程度，亮度與物體的反射率成正比，無(wú)彩色是指只有亮度一個(gè)維的變化［2］。轉(zhuǎn)化公式為：

1.3 二值化閾值分割

圖像分割的目的是把圖像空間分割成一些有意義的區(qū)域。在對(duì)錐形標(biāo)的識(shí)別中，需要通過(guò)圖像分割得到黑白二值圖像，因此采用二值化閾值分割法將圖像中的目標(biāo)和背景看成以閾值為分割點(diǎn)的2種成分。首先確定分割閾值，然后順序讀取圖像各像素點(diǎn)灰度值并與閾值比較，凡大于等于閾值的用1代替，否則以0代替［3］。通過(guò)二值化分割，得到黑白圖像，為輪廓提取做好準(zhǔn)備。

對(duì)提取出的HSV圖像的S分量做二值化處理，目前，二值化的方法很多，大體可分為全局閾值法［3］和局部閾值法。全局閾值法在物體和背景的灰度差別較明顯時(shí)效果較好，計(jì)算速度較快。由于縮微道路環(huán)境下的錐形標(biāo)與背景的灰度差別明顯，因此采用全局閾值法中的大津法［4］計(jì)算閾值。

設(shè)圖像的大小為M×N，圖像中灰度值小于閾值k的像素個(gè)數(shù)記作N0，灰度值大于閾值k的像素個(gè)數(shù)記作N1，則有：

設(shè)一幅圖像的灰度值為1～m級(jí)，在k處將其分成2組：C0＝｛1～k｝和C1＝｛k＋1～m｝，分別計(jì)算各組產(chǎn)生的概率w0與w1，各組的組內(nèi)平均值μ0、μ1和整體圖像的灰度平均值μ以及兩組間的方差g，采用（2）～（5）式求出。

采用遍歷的方法得到使類間方差最大的閾值k。該方法可在保證二值化速度的前提下，更好地區(qū)分物體和背景。二值化結(jié)果如圖1所示。

圖1 圖像二值化分割

1.4 形態(tài)學(xué)去噪

數(shù)學(xué)形態(tài)學(xué)采用具有一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像中的對(duì)應(yīng)形狀，從而達(dá)到對(duì)圖像進(jìn)行處理的目的。數(shù)學(xué)形態(tài)學(xué)的原始操作有腐蝕和膨脹［3－5］，許多形態(tài)學(xué)操作都以這2種運(yùn)算為基礎(chǔ)。膨脹可以將圖像區(qū)域擴(kuò)張大，實(shí)現(xiàn)對(duì)小空洞和狹窄縫隙的填充；而腐蝕可以對(duì)圖像區(qū)域進(jìn)行收縮，去除圖像菱角。通過(guò)適當(dāng)選取結(jié)構(gòu)元素，可以將2個(gè)或多個(gè)比較接近、不易分辨的圖像目標(biāo)依灰度收縮，使目標(biāo)分離，便于輪廓［3，5］的提取。腐蝕和膨脹結(jié)果如圖2所示。

圖2 圖像的腐蝕和膨脹

2 輪廓的跟蹤

二值化圖像輪廓提取算法的原理是：如果原圖中有1個(gè)像素為白色，且它的8個(gè)相鄰像素均為白色時(shí)，則該像素點(diǎn)為內(nèi)部點(diǎn)，將該點(diǎn)刪除，即將內(nèi)部點(diǎn)都掏空，得到圖像的輪廓線。

輪廓跟蹤的基本流程為：先根據(jù)“探測(cè)準(zhǔn)則”找到目標(biāo)輪廓上的像素點(diǎn)，然后根據(jù)這些點(diǎn)找出目標(biāo)物體上的其他像素點(diǎn)；再按照從左到右、從下到上的探測(cè)準(zhǔn)則順序搜索圖像的所有像素點(diǎn)，找到最左下方的邊界點(diǎn)［6］；然后從第1個(gè)邊界點(diǎn)開(kāi)始，定義初始的搜索方向?yàn)檠刈笊戏?；如果左上方的點(diǎn)為白點(diǎn)，則為邊界點(diǎn)，否則順時(shí)針旋轉(zhuǎn)45°，直至找到第1個(gè)白點(diǎn)；將該白點(diǎn)作為新的邊界點(diǎn)，在當(dāng)前搜索方向的基礎(chǔ)上逆時(shí)針旋轉(zhuǎn)90°，繼續(xù)用同樣的方法搜索下一個(gè)白點(diǎn)，直到返回最初的邊界點(diǎn)或找不到點(diǎn)為止。輪廓跟蹤的結(jié)果如圖3所示。

圖3 輪廓跟蹤結(jié)果

3 錐形標(biāo)匹配算法

經(jīng)過(guò)以上圖像處理步驟，錐形標(biāo)紅色錐體已被完整提取。由于每個(gè)錐形標(biāo)都有上下2個(gè)紅色錐體，且類似圖3b中的紅色障礙物也被同時(shí)提取，根據(jù)錐形標(biāo)2個(gè)紅色錐體之間的面積差異小，中心點(diǎn)的橫坐標(biāo)基本一致，縱坐標(biāo)差值較小，可以確定組成一個(gè)完整的錐形標(biāo)的紅色區(qū)域。

基于特征匹配的跟蹤算法，使用目標(biāo)特征跟蹤任務(wù)，然后采用適當(dāng)?shù)钠ヅ渌惴?，完成匹配。在特征匹配?－7］中，選取的特征量應(yīng)具有相對(duì)的穩(wěn)定性和可分性，在盡可能保證識(shí)別精度與可靠性的前提下，減少特征數(shù)目以達(dá)到有效的識(shí)別。同時(shí)要滿足特征在同類間差別小，不同類間差別大；特征間不相關(guān)；特征數(shù)量少。

本文采用基于特征匹配的算法，先初始化面積S∈［200，1 000］，輪廓中心點(diǎn)的橫坐標(biāo)之差｜X｜∈［0，10］，縱坐標(biāo)之差｜Y｜∈［20，50］。利用圖3查找到的輪廓，用cvContourArea（）函數(shù)計(jì)算出每個(gè)輪廓的面積，用一個(gè)二維數(shù)組記錄每個(gè)輪廓中心點(diǎn)的橫坐標(biāo)x，縱坐標(biāo)y，去除面積不滿足初始化范圍的輪廓。圖3b中小車的面積明顯不在該范圍之內(nèi)，所以被去除，剩下8個(gè)輪廓，作兩兩匹配，如果它們的橫縱坐標(biāo)之差X、Y均滿足初始化范圍，則認(rèn)為2個(gè)紅色塊成功匹配成一個(gè)錐形標(biāo)。然后連接兩個(gè)紅色塊的中心點(diǎn)，則為一個(gè)完整的錐形標(biāo)。該算法在匹配時(shí)，速度快、效率高、匹配次數(shù)少，如果有N個(gè)錐形標(biāo)，則有2N個(gè)紅色塊，匹配次數(shù)為（2N－1）×（2N－1），N一般很小，本文取N＝4。

匹配流程如圖4所示，匹配結(jié)果如圖5所示。

圖4 匹配流程

圖5 錐形標(biāo)匹配

匹配規(guī)則為：

其中，1表示匹配成功；0表示匹配不成功。

4 智能車自主行駛

4.1 虛擬車道線

由于智能車的正常行駛均以尋找到的車道線為前提條件。要使智能車根據(jù)錐形標(biāo)的擺放位置來(lái)行駛，需要將兩兩相鄰錐形標(biāo)擬合為一條直線，引導(dǎo)縮微智能車沿線行駛。

輪廓查找采用基于opencv的cvFindCon－tours（）函數(shù)，且查找規(guī)則是從輪廓左上角開(kāi)始，按從左到右、從下到上的順序查找，但記錄的輪廓沒(méi)有一定的順序，即同一錐形標(biāo)的2個(gè)錐體輪廓不是相鄰的順序。利用進(jìn)一步記錄的每個(gè)錐形標(biāo)輪廓中心點(diǎn)的坐標(biāo)進(jìn)行排序，使它們按照一定的順序（從左到右或從右到左）排列。連接相鄰錐形標(biāo)上紅色錐體中心點(diǎn)的直線即為虛擬車道線，如圖6所示。

圖6 虛擬車道線

4.2 智能車行駛行為

通過(guò)攝像頭標(biāo)定及世界坐標(biāo)系和圖像像素坐標(biāo)系相互之間的轉(zhuǎn)化，可以計(jì)算出錐形標(biāo)與小車的距離d、連接相鄰錐形標(biāo)之間的直線（即虛擬車道線）在世界坐標(biāo)系中的斜率k。通過(guò)公式α＝arctank計(jì)算出智能車與錐形標(biāo)之間的夾角α，從而通過(guò)α來(lái)控制智能車的轉(zhuǎn)向。根據(jù)k的正負(fù)來(lái)控制智能車的轉(zhuǎn)向，如果k＞0則智能車向右轉(zhuǎn)，如果k＜0則向左轉(zhuǎn)，從而實(shí)現(xiàn)了智能車根據(jù)錐形標(biāo)的擺放位置來(lái)進(jìn)行正確行駛的目的。

5 實(shí)驗(yàn)結(jié)果及分析

本實(shí)驗(yàn)平臺(tái)中的三維縮微交通環(huán)境如圖7所示，縮微交通環(huán)境與真實(shí)交通環(huán)境按照1∶12搭建，總面積為63m2，車道寬35cm，其中有紅綠燈、錐形標(biāo)、交通標(biāo)志、地面標(biāo)志、S型立交橋、十字路口、單車道、雙車道等元素［7－8］。

圖7 三維縮微交通環(huán)境

本文采用重慶郵電大學(xué)研發(fā)的縮微智能車進(jìn)行實(shí)驗(yàn)?？s微智能車［8］主要由致銘E350APU主板、控制板、HPI cupracer底盤、CMOS羅技C210攝像頭、電子羅盤、紅外傳感器及無(wú)線網(wǎng)卡等部件構(gòu)成。攝像頭用于采集圖像；主板用于分析和處理圖像，并將處理結(jié)果傳送給控制板；控制板將接收到的命令發(fā)給舵機(jī)和電機(jī)，從而控制智能車的方向和速度；電子羅盤用于檢測(cè)智能車傾角；紅外傳感器用于檢測(cè)智能車左右是否存在障礙物；無(wú)線網(wǎng)卡用來(lái)接收遠(yuǎn)程PC機(jī)命令。

實(shí)驗(yàn)對(duì)100張視頻幀圖像進(jìn)行分析得出，檢測(cè)400次時(shí)，正確次數(shù)為395次，正確率為98.75%。通過(guò)對(duì)輸出數(shù)據(jù)的分析可知，每幀圖像中的錐形標(biāo)基本匹配成功。但當(dāng)錐形標(biāo)前面有紅色車，并且與錐形標(biāo)的紅色部分重疊時(shí)，會(huì)造成誤判。

6 結(jié)束語(yǔ)

本文提出了一種基于HSV顏色空間的錐形標(biāo)識(shí)別方法。經(jīng)圖像預(yù)處理、顏色空間轉(zhuǎn)化、圖像二值化閾值處理、腐蝕與膨脹、輪廓提取及虛擬車道線等步驟，智能車系統(tǒng)能夠有效識(shí)別縮微交通環(huán)境下的錐形標(biāo)，并根據(jù)錐形標(biāo)擺放正確行駛。

［1］ 趙丹亞，鄭小玲，邵 麗，等.交通擁堵中蝴蝶效應(yīng)現(xiàn)象的計(jì)算機(jī)仿真研究［J］.合肥工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，35（2）：221－224.

［2］ Huang Zhikai，Liu Dehui.Segmentation of color image using EM algorithm in HSV color space［C］／／Proceedings of the 2007International Conference on Information Acquisition，2007，Jeju City，Korea，2007：316－319.

［3］ 姜 超.視頻序列中運(yùn)動(dòng)目標(biāo)提取與跟蹤技術(shù)的研究［D］.遼寧大連：大連理工大學(xué)2009.

［4］ Liu Dongju，Yu Jian.Otsu method and K－means［C］／／2009 Ninth International Conference on Hybrid Intelligent systems，Pisa Italy，2009：344－349.

［5］ 孫繼平，吳 冰，劉曉陽(yáng).基于膨脹／腐蝕運(yùn)算的神經(jīng)網(wǎng)絡(luò)圖像預(yù)處理方法及其應(yīng)用研究［J］.計(jì)算機(jī)學(xué)報(bào)，2005，28（6）：985－990.

［6］ 王 升.主動(dòng)輪廓模型的研究及其改進(jìn)模型在目標(biāo)檢測(cè)中的應(yīng)用［D］.杭州：浙江大學(xué)，2008.

［7］ Ma Yulin，Yan Xinping，Wu Qing.Research on intelligent vehicle platoon driving simulation experiment system under the coordination between vehicle and highway［J］.Journal or Computers，2010，5（11）：1767－1768.

［8］ 姬雪嬌.基于視覺(jué)信息的縮微車自主駕駛研究［D］.北京：清華大學(xué)，2011.