勞健濤,李智豪,蒲小年,胡靜宜,戚慧珊,唐小煜

(華南師范大學(xué) 物理與電信工程學(xué)院,廣東 廣州 510006)

在大中學(xué)生參加的一系列智能車競(jìng)賽中，參賽作品都是基于某系列的單片機(jī)主控下搭建的智能車，能夠自主識(shí)別賽道信息，自主控制小車行駛，并以最短時(shí)間完成指定賽道行駛為優(yōu). 由于單片機(jī)的硬件資源有限，控制算法的運(yùn)行時(shí)間往往決定了智能車行駛速度. 為此，本文就智能車在圖像畸變還原算法上提出使用于不同型號(hào)攝像頭的快速且有效的處理方法，對(duì)于提高智能車的整體運(yùn)行速度及優(yōu)化圖像處理算法有幫助.

1 圖像畸形矯正

1.1 圖像畸形的原因

在智能車競(jìng)賽中，最適合單片機(jī)處理以及智能車線路規(guī)劃的圖像無(wú)疑是垂直于賽道的正視圖圖像. 但在實(shí)際情況中，由于智能車的車體結(jié)構(gòu)以及攝像頭的安裝位置(圖1)等多方面的限制，攝像頭拍攝方向與地面存在一定的傾角. 傾角的存在必然會(huì)造成圖像的畸形失真(圖2)，從而不利于智能車線路控制的準(zhǔn)確性.

圖1 攝像頭在智能車上的安裝位置圖

圖2 在智能車視角下的圖像(手機(jī)拍攝)

1.2 圖像畸變的分析

通過(guò)智能車攝像頭采集的圖像存在畸變. 畸變可分成水平方向和垂直方向.

1)水平方向：賽道圖像在水平方向上的壓縮與其在垂直方向上距離有關(guān)，距離越遠(yuǎn)，壓縮程度越大. 同時(shí)，與中心軸距離的不同，壓縮程度也不同. 水平方向上的圖像畸變主要影響賽道特征的提取與智能車的橫向控制，尤其是在S型彎道、圓環(huán)等賽道元素下影響嚴(yán)重.

2)垂直方向：賽道圖像在垂直方向上的畸變與距離成非線性相關(guān)，距離越遠(yuǎn)的圖像，其在垂直方向上的壓縮越嚴(yán)重. 這主要影響了智能車的縱向控制，即會(huì)導(dǎo)致賽道元素與車體距離的判斷存在誤差，影響了智能車的速度控制以及舵機(jī)的打角時(shí)機(jī).

由圖3～4對(duì)比可得，實(shí)際圖像為等距離的虛線段，而由智能車攝像頭采集的圖像可以看出，水平方向和垂直方向上的畸變壓縮都隨著距離的增大而加重.

圖3 智能車攝像頭區(qū)域下的正視

圖4 智能車實(shí)際拍攝圖像

1.3 圖像畸變的矯正

文獻(xiàn)[1]中提及了2種畸變還原的模型，分別對(duì)應(yīng)水平方向上和垂直方向上的畸變情況. 同時(shí)，2種模型所需的參量多且各不相同，尤其是水平方向畸變模型所需的參量在實(shí)際情況較難獲得準(zhǔn)確的值. 為此，提出通用性強(qiáng)、簡(jiǎn)單有效的圖像畸變還原的方法.

圖像畸變還原的過(guò)程實(shí)際上是攝像頭坐標(biāo)系與正視圖坐標(biāo)系的映射過(guò)程[2]，或者說(shuō)是畸變圖像的像素點(diǎn)與正視圖圖像的對(duì)應(yīng)像素點(diǎn)的映射過(guò)程. 其二維數(shù)據(jù)的映射關(guān)系為[3]

(1)

其中，x和y對(duì)應(yīng)存在畸變的圖像的橫縱坐標(biāo)，u和v對(duì)應(yīng)畸變還原后圖像的橫縱坐標(biāo)，a,b,c,d,e和f為映射系數(shù). 由于是二維坐標(biāo)系的映射，需要在原圖像上分別選取水平方向上及垂直方向上關(guān)于中心軸對(duì)稱的2個(gè)點(diǎn)，以及確定其在畸變還原后圖像上點(diǎn)的坐標(biāo). 將這8個(gè)點(diǎn)的坐標(biāo)代入(1)式可得：

(2)

通過(guò)求解上述矩陣，很容易求得a～f這6個(gè)映射系數(shù).

由于梯形畸變校正后的圖像相對(duì)于原圖像有很多缺失的像素點(diǎn)，所以需要對(duì)梯形畸變[4]校正后的圖像進(jìn)行插值處理. 本文所采用的插值方法為鄰域平均法，更新圖像像素點(diǎn)的灰度值后，通過(guò)設(shè)定閾值處理，即可還原出理想效果的圖像，是一種適合在智能車競(jìng)賽中實(shí)現(xiàn)的插值方法[5].

其中S為包括中心點(diǎn)在內(nèi)的區(qū)域，M為區(qū)域內(nèi)的總點(diǎn)數(shù).

由于智能車賽道的連續(xù)性，對(duì)于垂直方向上缺失的像素點(diǎn)，只需取得相鄰非缺失行的平均值，即M的區(qū)域?yàn)樯舷路侨笔?行連成的區(qū)域. 而對(duì)于水平方向上的缺失像素點(diǎn)，為提高圖像還原的準(zhǔn)確性，M則取缺失像素點(diǎn)相鄰的8個(gè)點(diǎn)圍成的區(qū)域. 由于智能車賽道的連續(xù)性以及賽道寬度的一致性，在使用插值算法時(shí)一般由預(yù)提取的中線分別向左右兩邊進(jìn)行處理. 同時(shí)，由于圖像底部的失真度最低，插值算法的使用可由最底部往上掃描，以提高圖像的還原度.

2 具體案例實(shí)現(xiàn)

以全國(guó)大學(xué)生“恩智浦杯”智能汽車競(jìng)賽為例，根據(jù)實(shí)際比賽的賽道寬度，僅需要用A4紙裁剪出1張正方形白紙. 由于距離越近的圖像部分，其畸變的程度越小，所以將正方形白紙的一邊對(duì)齊攝像頭拍攝圖像的最底部. 同時(shí)，白紙的中軸與攝像頭中軸保持一致. 選取競(jìng)賽用途的鷹眼OV7725型號(hào)攝像頭進(jìn)行拍攝采集像素點(diǎn)為80×60的圖像，可以得到圖5所示的圖像(圖像已經(jīng)經(jīng)過(guò)二值化處理)，其4個(gè)角的坐標(biāo)分別為(44,26)，(44,50)，(59,20)，(59,57). 由于圖像的對(duì)稱性以及正方形的等邊特性，以底邊沒(méi)有發(fā)生畸變壓縮，很容易確定正方形4個(gè)角在正視圖坐標(biāo)系上的坐標(biāo)，分別對(duì)應(yīng)為(22,20)，(22,57)，(59,20)，(59,57). 將8個(gè)坐標(biāo)點(diǎn)代入(2)式，解得映射系數(shù)a,b,c,d,e,f,g和h分別為-2.617 9,-2.273 6, 134.141 5, 0,-7.806 6,306.132 1, 0,-0.061 3. 通過(guò)(1)式將原采集到的圖像(圖5)進(jìn)行映射，可以得到圖6所示的圖像. 對(duì)圖6所示的圖像使用針對(duì)缺失行的插值算法，可以得到如圖7所示圖像，其中藍(lán)色區(qū)域?yàn)檠a(bǔ)充行. 對(duì)圖7進(jìn)一步使用鄰域平均法進(jìn)行插值，可以得到最終還原出來(lái)的圖像，還原效果如圖8所示.

圖5 攝像頭采集到的圖像

圖6 初步畸變還原后的圖像

圖7 缺失行的插值處理后的圖像

圖8 最終還原后的圖像

3 結(jié)束語(yǔ)

提出了適合在智能車競(jìng)賽上使用的圖像畸變還原的方法，其實(shí)現(xiàn)原理簡(jiǎn)單，還原效果理想，減少程序的處理時(shí)間，更有利于智能車路線規(guī)劃與舵機(jī)控制的處理. 在硬件資源有限的單片機(jī)處理下，該方法可以滿足參賽選手的需要,也適合作為賽前培訓(xùn)或圖像處理實(shí)驗(yàn)的思維擴(kuò)展.

參考文獻(xiàn)：

[1] 陳思，常征. 基于視覺(jué)的智能車圖像畸變校正算法研究[J]. 計(jì)算機(jī)與網(wǎng)絡(luò),2016,42(3/4):88-89.

[2] 甄紅濤，齊曉慧，白勇博. 智能車攝像頭圖像畸變矯正的研究[J]. 信息技術(shù),2016,35(1):52-55.

[3] 姚琴芳. Matlab語(yǔ)言在物理實(shí)驗(yàn)數(shù)據(jù)處理中的應(yīng)用[J]. 大學(xué)物理實(shí)驗(yàn),2011,24(6):52-54.

[4] 徐友春,王榮本. 智能車輛視野及其圖像變形矯正的研究[J]. 公路交通科技,2000,17(5):76-80.

[5] 彭宏，趙鵬博. 邊緣檢測(cè)中的改進(jìn)型均值濾波算法[J]. 計(jì)算機(jī)工程,2017,43(10):172-178.