吳曉剛

(興義民族師范學(xué)院，貴州 興義 562400)

?

倒車輔助系統(tǒng)車位線識(shí)別方法研究

吳曉剛

(興義民族師范學(xué)院，貴州 興義 562400)

提出了一種用于倒車輔助系統(tǒng)的基于改進(jìn)Hough變換的車位線識(shí)別方法。算法首先采用局部像素分布特征以剔除非直線的干擾像素，然后使用像素直方圖自適應(yīng)地選擇與車位線邊緣直線相適宜的梯度方向區(qū)間，減少參與Hough變換的像素點(diǎn)數(shù)的同時(shí)減少背景干擾直線邊緣的影響，最后通過(guò)判斷相鄰邊緣間的像素灰度關(guān)系，進(jìn)一步確認(rèn)車位線邊緣，從而識(shí)別出圖像中的車位線。相比于傳統(tǒng)hough變換和基于梯度方向區(qū)間的改進(jìn)隨機(jī)Hough變換(Grad-RHT)，本文算法在保持與Grad-RHT運(yùn)行效率相當(dāng)?shù)那闆r下，在各種干擾背景下都取得了更好的車位線邊緣直線檢測(cè)正確率，表現(xiàn)出較好的識(shí)別魯棒性。

車位線識(shí)別；Hough變換；局部像素分布；梯度方向區(qū)間；灰度變化

車位識(shí)別影響著泊車過(guò)程的成敗，是倒車輔助系統(tǒng)的關(guān)鍵技術(shù)，對(duì)比現(xiàn)有技術(shù)，基于車位線[1-3]的識(shí)別技術(shù)具有定位準(zhǔn)確、可用于傾斜車位等明顯優(yōu)勢(shì)。Xu等[4]借助顏色分割技術(shù)進(jìn)行車位線識(shí)別，但僅對(duì)紅色車位線有效，且對(duì)光照變化較為敏感；Du等[5]使用RANSAC算法從邊緣片段中檢測(cè)一組直線來(lái)識(shí)別車位線，但其性能會(huì)因車位線被遮擋或部分污損而受到影響；JUNG等[6]采用單目視覺的方法重建后視三維場(chǎng)景，并在單應(yīng)約束下通過(guò)提取水平投影的像素來(lái)識(shí)別車位標(biāo)志線，但需要安裝立體相機(jī)，且立體匹配計(jì)算量很大；Wang等[7]通過(guò)Radon變換定位平行直線對(duì)來(lái)檢測(cè)車位線；Suhr等[8]將車位線建模為一種按類型劃分的分層樹結(jié)構(gòu)，首先生成車位線角點(diǎn)的備選點(diǎn)及其類型，然后根據(jù)樹節(jié)點(diǎn)類型去除錯(cuò)誤點(diǎn)完成車位線的自動(dòng)識(shí)別。

借鑒前人的研究成果，本文提出一種基于改進(jìn)Hough變換的車位線檢測(cè)方法，算法首先根據(jù)車位線特征通過(guò)自適應(yīng)提取合適的邊緣梯度方向范圍縮小參與Hough變換的像素點(diǎn)數(shù)，并減少背景干擾直線段的影響，其次通過(guò)峰值點(diǎn)逆向清零剔除車位線自身造成的干擾直線，最后根據(jù)相鄰邊緣像素灰度關(guān)系進(jìn)一步確定車位線邊緣直線，從而實(shí)現(xiàn)車位線的準(zhǔn)確識(shí)別。圖1為算法流程圖，通過(guò)對(duì)比試驗(yàn)驗(yàn)證，算法取得了較好的檢測(cè)結(jié)果，具有較好的魯棒性。

圖1 改進(jìn)Hough變換的車位線檢測(cè)流程

1 傳統(tǒng)Hough變換車位線檢測(cè)

Hough變換[9-12]利用直線的投影不變性，將圖像中直線的檢測(cè)問題轉(zhuǎn)化為參數(shù)空間中點(diǎn)的檢測(cè)問題[13],經(jīng)Hough變換后，同一直線上的所有像素點(diǎn)，變換后的正弦曲線形成單一交點(diǎn)，該點(diǎn)為揭示直線的參數(shù)。圖2為傳統(tǒng)Hough變換提取的邊緣直線。

圖2 Hough變換提取車位線邊緣直線結(jié)果

從圖中可以看出，傳統(tǒng)Hough變換存在一定局限：

(1) 背景噪聲的存在勢(shì)必會(huì)增加存儲(chǔ)和計(jì)算負(fù)擔(dān)，還極易生成偽邊緣直線。

(2) 實(shí)際出現(xiàn)的階梯、柱子及門窗等干擾邊緣，也可被Hough變換提取。

(3) 車位線兩條邊緣直線段較近，因此需要對(duì)峰值點(diǎn)的分布效應(yīng)進(jìn)行恰當(dāng)?shù)靥幚恚駝t就無(wú)法確定次峰值點(diǎn)是代表車位線邊緣還是兩邊緣之間的虛假直線。

針對(duì)傳統(tǒng)Hough變換在車位檢測(cè)中的局限性，本文從后視車位圖像特征及車位線特征出發(fā)，對(duì)Hough變換進(jìn)行改進(jìn)，取得了較好的效果。

2 改進(jìn)Hough變換車位線檢測(cè)

2.1 自適應(yīng)梯度方向范圍搜索

當(dāng)背景中存在噪聲或出現(xiàn)墻邊、柱子時(shí)，Hough變換會(huì)檢測(cè)出錯(cuò)誤車位線邊緣且效率不高，為此，本節(jié)通過(guò)設(shè)置合理的梯度方向范圍剔除背景干擾直線，提高Hough變換的效率和準(zhǔn)確性。

圖像中直線的梯度方向與其在參數(shù)空間的θ角相等(或相差180°)[14]，但由于背景干擾和梯度方向計(jì)算方法的影響，同一邊緣直線的梯度會(huì)出現(xiàn)一定的變化，因此，鎖定邊緣直線的θ范圍，可以減少Hough變換檢測(cè)直線的計(jì)算量，同時(shí)剔除該區(qū)間以外相位的干擾直線。為合理設(shè)定θ范圍，Burns等[15]固定將360°等分并編號(hào)為8個(gè)區(qū)并對(duì)每個(gè)像素標(biāo)記編碼，將具有相同標(biāo)志的像素用于同一直線檢測(cè)，Burns的固定等分法不能正確處理直線梯度方向跨兩個(gè)分區(qū)的情況，盡管采用重疊分割法可緩解這一問題，但仍不能確定最適合待檢測(cè)直線的合理θ范圍。

車位圖像中，車位區(qū)域通常占主要部分，其每對(duì)兩條車位線邊緣的梯度方向角集中在較小的范圍內(nèi)，在這種梯度方向集中而又占優(yōu)的圖像，車位線直線邊緣所對(duì)應(yīng)的梯度方向?qū)⒃诮y(tǒng)計(jì)結(jié)果中占有明顯優(yōu)勢(shì)，為此，本文根據(jù)像素梯度方向建立像素直方圖，自適應(yīng)地搜索與當(dāng)前車位線邊緣梯度方向最適應(yīng)的θ范圍，具體方法如下：

(1) 將參數(shù)空間的θ以1°為間隔限定在[0°，180°]內(nèi)，并作為像素直方圖的橫坐標(biāo)。

(2) 根據(jù)文獻(xiàn)[16]模板計(jì)算邊緣直線的梯度方向，將與取整后的梯度方向相等的θ計(jì)數(shù)空間加1，形成像素直方圖。由于車位線的兩個(gè)邊緣直線平等或近似平行，其像素梯度方向相近或相差180°，因此在計(jì)算像素直方圖時(shí)將θ范圍限定在[0°，180°]，并將[180°，360°]內(nèi)的梯度方向減去180°。

(3) 搜索直方圖中值最大的兩個(gè)角度，并以其為中心，取45°范圍作為提取車位線邊緣的θ范圍，進(jìn)行Hough變換。

圖3為根據(jù)自應(yīng)方法確定的θ范圍進(jìn)行Hough變換后提取的直線，可以看出與車位線邊緣梯度方向不同的直線被有效地剔除。

圖3 改進(jìn)Hough變換提取直線結(jié)果

2.2 參數(shù)空間峰值點(diǎn)局部清零

從圖3可以看出，盡管θ范圍的確定剔除了部分背景邊緣直線的干擾，但由于車位線通常具有一定的寬度，使得兩邊緣間容易出現(xiàn)虛假邊緣，為此需要對(duì)峰值點(diǎn)局部進(jìn)行處理，以減少虛假直線的檢測(cè)。

如圖4所示，L為峰值點(diǎn)對(duì)應(yīng)的邊緣直線，傳統(tǒng)Hough變換為消除偽極值點(diǎn)的影響，通常采用式(1)、式(2)方法確定清零區(qū)域

ρmax-Δρ≤ρi≤ρmax+Δρ

(1)

θmax-Δθ≤θi≤θmax+Δθ

(2)

式中，(ρmax,θmax)為目標(biāo)邊緣直線對(duì)應(yīng)峰值點(diǎn)；(ρi,θi)為需要判斷是否清零的參數(shù)空間點(diǎn)；而Δρ，Δθ為清零區(qū)域范圍，圖4中式(1)、式(2)即為a、b、c、d4個(gè)點(diǎn)確定的區(qū)域Rabcd，清零后Rabcd內(nèi)任意極坐標(biāo)點(diǎn)確定的直線都被清除，但圖中直線L3仍會(huì)被檢測(cè)到，從而在車位線邊緣附近出現(xiàn)一條對(duì)應(yīng)次峰值點(diǎn)的偽邊緣。為此，文中采用逆向清零的改進(jìn)措施，首先鎖定直線L在圖像中的區(qū)域RABCD，然后遍歷并標(biāo)記RABCD內(nèi)每個(gè)像素點(diǎn)在參數(shù)空間中所對(duì)應(yīng)的累積器，由于在RABCD區(qū)域中這些像素點(diǎn)僅用于檢測(cè)唯一一條邊緣直線，而不應(yīng)該對(duì)其他直線做任何貢獻(xiàn)，因此將這些累積器清零即可將偽峰值點(diǎn)消除，從而保證邊緣直線提取的唯一。

圖4 逆向清零對(duì)干擾直線清除狀況

圖5為經(jīng)峰值點(diǎn)局部逆向清零后Hough變換提取的車位線邊緣直線，可以看出，圖3中的偽邊緣得到了抑制。但由于遠(yuǎn)端車位線邊緣較近，經(jīng)局部清零后，遠(yuǎn)端車位線僅提取一條邊緣，而由于算法提取8根直線，因此會(huì)在遠(yuǎn)端等位置出現(xiàn)一條干擾直線。

圖5 直線提取對(duì)比結(jié)果

2.3 根據(jù)灰度變化一致性確定車位線邊緣

在車位圖像中，通常至少有一個(gè)車位線具有顯著的寬度和清晰的邊緣直線，通過(guò)改進(jìn)Hough變換后可以較準(zhǔn)確地檢測(cè)其邊緣線，并且在該車位線內(nèi)灰度圖像的灰度值通常變化不大，因此，以任一條提取的邊緣線為起點(diǎn)，搜索其一定寬度范圍內(nèi)的直線，如果搜索到另一直線，則計(jì)算兩直線間原灰度圖像像素的灰度值方差，當(dāng)方差不大于預(yù)定的閾值Gv，則認(rèn)為兩條直線邊緣確定一條車位線，根據(jù)四邊車位線的平行關(guān)系，可以進(jìn)一步確定另外的車位線位置，對(duì)于不滿足車位線之間平行關(guān)系的邊緣直線，可以通過(guò)Hough變換繼續(xù)檢測(cè)另外的直線并進(jìn)行判斷。圖6為經(jīng)過(guò)相鄰邊緣直線間灰度變化判斷后的邊緣直線提取結(jié)果，考慮到遠(yuǎn)端車位線可能較窄，兩個(gè)邊緣直線不易明顯檢測(cè)的情況，在找不到合適的相鄰邊緣直線時(shí)，僅提取一條邊緣直線。

圖6 灰度變化判斷后車位線邊緣檢測(cè)結(jié)果

3 試驗(yàn)驗(yàn)證

為驗(yàn)證文中算法的性能，試驗(yàn)選用不同背景車位圖像，并將車位線提取結(jié)果與傳統(tǒng)Hough變換及文獻(xiàn)[17]中提出的基于梯度方向的改進(jìn)隨機(jī)Hough變換(簡(jiǎn)記為Grad-RHT)進(jìn)行比較。

3.1 算法性能測(cè)試

圖7—圖9所示為不同背景的車位圖像車位線邊緣直線提取試驗(yàn)結(jié)果，4幅圖像分別為原始灰度圖像、傳統(tǒng)Hough變換結(jié)果、Grad-RHT方法結(jié)果及本文算法識(shí)別結(jié)果。從圖7可以看出，對(duì)于背景干擾較小的停車位圖像，本文算法與另外兩種算法都取得了較好的檢測(cè)結(jié)果，但傳統(tǒng)方法及Grad-RHT方法仍將背景墻面與地面的交界線識(shí)別為車位線邊緣，而本文方法通過(guò)相鄰邊緣線之間的灰度值變化將背景邊緣線剔除。從圖8可以看出，當(dāng)背景復(fù)雜時(shí)，傳統(tǒng)方法識(shí)別出的邊緣線會(huì)隨著背景變化檢測(cè)出不同的邊緣直線，而Grad-RHT方法與本文算法在梯度方向約束下，都取得了較好的車位線檢測(cè)結(jié)果。從圖9可以看出，當(dāng)背景中出現(xiàn)明顯直線邊緣的柱子時(shí)，傳統(tǒng)方法出現(xiàn)較多錯(cuò)誤，Grad-RHT方法因固定分割的限制易被柱子的邊緣直線梯度方向代替或因分割區(qū)間不合適使得車位線邊緣直線的梯度方向與背景柱子的邊緣方向劃為同一區(qū)間而被其干擾，從而檢測(cè)出柱子邊緣，而本文算法通過(guò)像素直方圖自適應(yīng)選擇合適的梯度方向從而避開與柱子邊緣梯度方向劃為同一區(qū)間，另外當(dāng)柱子邊緣梯度方向占優(yōu)而被選擇后，會(huì)通過(guò)相近直線間的灰度變化方差而識(shí)別出非車位線邊緣直線，惡劣情況下，檢測(cè)出的直線都不滿足車位線邊緣直線間的灰度變化關(guān)系時(shí)，會(huì)返回重新選擇合適的梯度方向區(qū)間，盡管此時(shí)重新選擇梯度方向區(qū)間和重新進(jìn)行Hough變換后會(huì)占用更多的運(yùn)行時(shí)間，但由于重新進(jìn)行Hough變換只是在新選擇的梯度方向區(qū)間內(nèi)時(shí)運(yùn)行，這部分消耗的時(shí)間并不大。

圖7 簡(jiǎn)單背景下提取車位線試驗(yàn)結(jié)果

圖8 復(fù)雜背景下提取車位線試驗(yàn)結(jié)果

圖9 柱子等背景下提取車位線試驗(yàn)結(jié)果

從3次試驗(yàn)結(jié)果可見，當(dāng)背景比較干凈時(shí)，3種試驗(yàn)方法都取得較好的檢測(cè)結(jié)果，但當(dāng)背景較復(fù)雜尤其背景中出現(xiàn)柱子、墻邊及陰影等比較明顯的直線邊緣時(shí)，傳統(tǒng)方法及Grad-RHT方法會(huì)錯(cuò)誤地將這些干擾邊緣識(shí)別為車位線直線邊緣，而本文方法有效剔除了背景虛假邊緣像素點(diǎn)的干擾，保證了車位線檢測(cè)的魯棒性。

3.2 算法運(yùn)行效率測(cè)試

將采集的圖像(分辨率1024×776)分成3組，組一為如圖7所示的背景簡(jiǎn)單的停車位圖像，組二為如圖8所示的背景復(fù)雜的停車位圖像，組三為如圖9所示的背景中含有明顯柱子、墻邊及階梯等干擾的停車位圖像。由于算法主要提取停車位4個(gè)車位線，因此試驗(yàn)限定提取圖像中的8根車位線邊緣直線，并按式(3)計(jì)算算法檢測(cè)直線的正確率。試驗(yàn)中每幅圖像進(jìn)行50次運(yùn)算，并計(jì)算每組試驗(yàn)的算法平均運(yùn)行時(shí)間，同時(shí)由于每種算法都要對(duì)圖像進(jìn)行預(yù)處理和邊緣檢測(cè)，因此試驗(yàn)時(shí)這部分時(shí)間不計(jì)算在內(nèi)，表1為對(duì)比試驗(yàn)3種算法的車位線邊緣直線檢測(cè)正確率及算法運(yùn)行的平均時(shí)間。

(3)

表1 3種方法對(duì)比試驗(yàn)結(jié)果

從表中算法檢測(cè)正確率可以看出，在不同的背景干擾下，本文算法都取得了較好的邊緣直線檢測(cè)正確率，從算法檢測(cè)結(jié)果分析可知，本文算法出現(xiàn)的錯(cuò)誤檢測(cè)，主要是由于停車位圖像中遠(yuǎn)端車位線變窄，僅檢測(cè)出一條邊緣直線；Grad-RHT方法在第3組試驗(yàn)圖像中出現(xiàn)較低的直線檢測(cè)正確率主要是由于近端干擾背景直線使得算法在選擇梯度方向區(qū)間時(shí)產(chǎn)生錯(cuò)誤。

從表中運(yùn)行時(shí)間可以看出，傳統(tǒng)Hough變換方法在3組試驗(yàn)圖像下都耗時(shí)較大，Grad-RHT方法雖然采用隨機(jī)Hough變換作為基礎(chǔ)，但在經(jīng)過(guò)梯度方向區(qū)間選擇后，參與Hough變換的像素點(diǎn)總數(shù)都較少，再進(jìn)行隨機(jī)采樣并沒有明顯的運(yùn)行效率優(yōu)勢(shì)。而在第3組試驗(yàn)中，本文算法相對(duì)于Grad-RHT算法運(yùn)行時(shí)間有所增加，主要是由于在進(jìn)行Hough變換提取邊緣直線后，當(dāng)相鄰直線間的像素灰度一致性檢測(cè)發(fā)現(xiàn)提取的直線不是車位線時(shí)，即當(dāng)前直線簇對(duì)應(yīng)的梯度方向區(qū)間并不是車位線邊緣直線的梯度方向區(qū)間，算法會(huì)重新判斷并選擇該區(qū)間而增加算法的耗時(shí)，但同時(shí)車位線檢測(cè)正確率有了較大的提高。

從比較試驗(yàn)整體結(jié)果可以看出，本文算法相比于傳統(tǒng)方法在車位線檢測(cè)準(zhǔn)確率和運(yùn)行時(shí)間上有明顯的優(yōu)勢(shì)，而相對(duì)于Grad-RHT算法，在運(yùn)行耗時(shí)相差不大的情況下，保證了較高的檢測(cè)正確率。

4 結(jié) 論

針對(duì)智能輔助倒車系統(tǒng)車位線識(shí)別問題，提出了一種基于改進(jìn)的Hough變換的車位線檢測(cè)方法，算法利用車位圖像的特征，在圖像預(yù)處理和邊緣檢測(cè)基礎(chǔ)上，通過(guò)自適應(yīng)邊緣直線段梯度方向區(qū)間提取及相鄰邊緣直線間的像素灰度關(guān)系，實(shí)現(xiàn)車位線快速準(zhǔn)確識(shí)別。相比于傳統(tǒng)Hough變換和Grad-RHT方法，本文算法在保持與Grad-RHT運(yùn)行效率相當(dāng)?shù)那闆r下，在各種干擾背景下都取得了更好的車位線邊緣檢測(cè)正確率，表現(xiàn)出較好的魯棒性。

[1] YAN G, YANG W, RAWAT D B,et al. SmartParking: A Secure and Intelligent Parking System [J]. IEEE Intelligent Transportation Systems Magazine, 2011, 3(1):18-30.

[2] HUANG C C, WANG S J. A Hierarchical Bayesian Generation Framework for Vacant Parking Space Detection [J]. IEEE Transactions on Circuits and Systems for Video Technology，2011, 20(12):1770-1785.

[3] JEONG S H，CHOI C G, OH J N，et al. Low Cost Design of Parallel Parking Assist System Based on an Ultrasonic Sensor[J]. International Journal of Automotive Technology, 2010, 11(3):409-416.

[4] XU J, CHEN G, XIE M. Vision-guided Automatic Parking for Smart Car [J]. IEEE Intelligent Vehicles Symposium, 2000(10):725-730.

[5] DU X，TAN K K. Autonomous Reverse Parking System Based on Robust Path Generation and Improved Sliding Mode Control [J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(3):1225-1237.

[6] HUANG C C, TAI Y S, WANG S J. Vacant Parking Space Detection Based on Plane-based Bayesian Hierarchical Framework [J]. IEEE Transactions on Circuits and Systems for Video Technology，2013,23(9):1598-1610.

[7] JUNG H G. Semi-automatic Parking Slot Marking Recognition for Intelligent Parking Assist Systems [J]. Journal of Engineering，2013(1):106-113.

[8] WANG X, WANG C, YANG M, et al. Automatic Parking Based on a Bird’s Eye View Cameras [J]. Journal of Shanghai Jiaotong University, 2013, 47(7):1077-1081.

[9] SUHR J K, JUNG H G. Automatic Parking Space Detection and Tracking for Underground and Indoor Environments [J]. IEEE Transactions on Industrial Electronics, 2016, 63(9):5687-5698..

[10] 張帆, 高云龍, 黃先鋒，等. 基于球面投影的單站地面激光點(diǎn)云直線段提取方法[J].測(cè)繪學(xué)報(bào), 2015,44(6):654-662.

[11] 李明磊, 李廣云, 王力，等. 3D Hough Transform在激光點(diǎn)云特征提取中的應(yīng)用[J]. 測(cè)繪通報(bào), 2015(2):29-33.

[12] 王競(jìng)雪, 朱慶, 張?jiān)粕?，? 疊置分區(qū)輔助的相位編組直線提取算法[J].測(cè)繪學(xué)報(bào), 2015,44(6):768-790.

[13] 戴激光, 宋偉東, 李建軍. 一種有效的直線提取算法[J]. 測(cè)繪通報(bào)， 2012(11):59-61.

[14] 滕今朝, 邱杰. 利用Hough變換實(shí)現(xiàn)直線的快速精確檢測(cè)[J]. 中國(guó)圖象圖形學(xué)報(bào), 2008, 13(2):234-237.

[15] 陳珂, 吳建平, 李金祥，等. 一維概率Hough變換的實(shí)時(shí)魯棒多圓檢測(cè)方法[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào), 2015, 27(10):1832-1841.

[16] BURNS J B, HANSON A R,RISEMAN E M. Extracting Straight Lines [J]. IEEE Transaction on Pattern Analysis and Machine Intelligence, 1986, 8(4)：425-455.

[17] 周紹光, 陳超, 岳建平. 形狀先驗(yàn)和圖割的高分辨率遙感影像道路段提取[J]. 測(cè)繪學(xué)報(bào), 2014, 43(1):60-65.

[18] 張江鑫, 沈小蘭, 王輝,等. 快速隨機(jī)Hough變換多直線檢測(cè)算法[J]. 浙江工業(yè)大學(xué)學(xué)報(bào), 2013, 41(3):346-350.

Parking Slot Marking Recognition Algorithm in Parking Assist System

WU Xiaogang

(Xingyi Normal College for Nationalities, Xingyi 562400，China)

A new method based on improved Hough transform is proposed. Firstly, the local pixel distribution is used to eliminate the influence of outliers. Then, the suitable interval of the linear gradient to the edge of the parking line is adaptively selected based on the pixel histogram. Finally, the selected lines are identified by judging the gray relation，and thus the parking slot marking can be recognized. Compared with the traditional Hough transform and the improved random Hough transform based on the gradient direction region (Grad-RHT)，the proposed algorithm achieved a better recognition results and robustness under all kinds of interference background keeping the running efficiency of Grad-RHT.

parking slot marking recognition; Hough transform; local pixel distribution; gradient direction interval; gray variation

吳曉剛.倒車輔助系統(tǒng)車位線識(shí)別方法研究[J].測(cè)繪通報(bào)，2017(7)：34-38.

10.13474/j.cnki.11-2246.2017.0219.

2016-12-24；

2017-03-20

貴州省教育廳重點(diǎn)項(xiàng)目(黔教合KY字[2015]403)

吳曉剛(1970—)，男，副教授，主要從事圖像處理、模式識(shí)別方面的工作。E-mail：w_xg1970@163.com

P23

A

0494-0911(2017)07-0034-05