(天津大學 精密儀器與光電子工程學院，光電信息技術(shù)教育部重點實驗室，天津 300072)

1 引言

當前自動駕駛技術(shù)飛速發(fā)展，已成為人工智能領(lǐng)域的研究熱點，而自動泊車系統(tǒng)(Automatic Parking System 簡稱：APS)作為智能駕駛的重要組成部分，已成為國內(nèi)外各大汽車廠商和高校的研究熱點方向[1]。研究表明，大城市的停車難問題嚴重，給人們的出行帶來非常的不便。國內(nèi)外對自動泊車系統(tǒng)都有一定的研究，同時停車位的智能識別又成為自動泊車系統(tǒng)中的重要研究方向，其主要通過傳感器檢測停車位：如基于激光雷達傳感器[2]，基于超聲傳感器[3]和基于視覺傳感器[4]等。目前基于視覺的自動泊車系統(tǒng)的研究已經(jīng)成為主流，而且攝像頭具有成本低、體積小、可視化等優(yōu)點。雖然目前各大汽車廠商的泊車系統(tǒng)都使用4個魚眼相機，但是環(huán)視圖的左右可視距離有限，文章[5]能顯示的左右可視距離僅為2.5m，這給車位檢測帶來了很大的難度。本研究同樣是基于4個魚眼相機獲取環(huán)視圖，但是最終生成的環(huán)視圖，左右相機可視距離為7.5m，提高了車位檢測的準確率。

由于環(huán)視圖的左右可視距離有限，而標準停車位的長度為5m，寬度為2.5m，在垂直泊車[6]的情況下，車位最遠端的一條邊距離車的距離至少為5m。如果在距離車3m～5m處存在障礙物，那么無法在上述環(huán)視圖上顯示出來。目前基于視覺的停車位檢測方法核心技術(shù)是找出環(huán)視圖中的直線，而最常用的方法是Hough變換。然而，實際泊車場景往往存在車位線損壞、有陰影、不平行的情況，如果依然使用Hough變換檢測環(huán)視圖中的直線，會出現(xiàn)漏檢以及準確率差的情況。

本研究提出了一種新的基于環(huán)視系統(tǒng)的車位檢測方法。(1)超聲波傳感器檢測車位需要車位附近的車輛做輔助，而本研究算法是完全基于視覺的車位檢測，可以在不依賴相鄰車輛的情況下準確識別車位；(2)目前大部分全景環(huán)視泊車輔助系統(tǒng)的圖像顯示范圍有限，這給車位檢測帶來了很大的難度，而本研究算法實現(xiàn)的環(huán)視系統(tǒng)，左右相機顯示的距離最遠能達到7.5m，提高了車位檢測和車位內(nèi)障礙物檢測的準確率；(3)Hough變換在檢測車位時的漏檢率很高，本研究在環(huán)視圖像上使用基于邊緣信息的LSD(Line Segment Detector)[7]算法來檢測車位線，具有更高的準確性和魯棒性，本研究算法目前處于研究測試階段。

2 環(huán)視泊車輔助系統(tǒng)

全景環(huán)視系統(tǒng)[8]由4個魚眼相機組成，安裝位置如下圖1所示。

圖1 相機安裝位置

前視相機安裝在進氣格柵的車標之下；后視相機安裝在牌照之上；左右相機安裝在后視鏡下面。

環(huán)視圖像的生成主要分為以下三步：魚眼相機標定、逆透視變換和圖像拼接。生成流程如圖2所示。

圖2 全景圖像生成流程

2.1 魚眼相機標定

魚眼相機標定[9]主要是為了確定世界坐標系與相機圖像坐標系之間的轉(zhuǎn)換關(guān)系。實驗使用棋盤格對相機進行標定，首先對每個相機進行單獨標定，求出每個相機的內(nèi)部參數(shù)和畸變系數(shù)，之后在整個車輛的四周鋪上標定板，實現(xiàn)4相機的聯(lián)合標定，建立以車身為中心的環(huán)視圖的車輛坐標系X1O1Y1，然后建立該坐標系下其他4路圖像到環(huán)視圖的坐標映射關(guān)系，使得4幅圖像能夠在同一個平面中處理與顯示。在車身四周鋪上標定板，通過人工測量，提前獲取標定板上角點的位置信息，最終標定可以得到每個相機的圖像坐標系與世界坐標系之間的轉(zhuǎn)換關(guān)系，如圖3所示。

2.2 逆透視變換

采用直接線性變換(DLT)[10]確定逆透視變換的投影矩陣，使用內(nèi)參和外參對魚眼圖像進行畸變矯正和逆透視變換，將世界坐標系的點變換到圖像坐標系生成鳥瞰圖。公式如下：

(1)

式中，(X,Y,Z)為世界坐標系上一點，(u,v)為世界坐標點投影在圖像坐標系上經(jīng)過矯正后的坐標，A為攝像機內(nèi)參矩陣,[R|t ]為攝像機外參矩陣，將世界坐標系構(gòu)造在Z=0的平面上，那么(1)轉(zhuǎn)換為

(2)

其中，H稱為單應(yīng)性矩陣，利用非線性最小二乘法可以求解出H的最大似然估計，那么矯正圖像坐標系和世界坐標系之間的關(guān)系可以通過H進行描述。將世界坐標系選擇為地面，那么鳥瞰圖圖像坐標系與世界坐標系之間存在一個比例關(guān)系λ，已知矯正圖像坐標系上一點(u,v)，可以求出對應(yīng)的鳥瞰圖圖像坐標系的坐標，公式如下：

(3)

2.3 改進的環(huán)視拼接融合算法

傳統(tǒng)的圖像拼接算法比較復(fù)雜，在光線較弱的情況下找到的特征點數(shù)量有限，拼接效果不是很好，本研究采用了一種更加簡單有效的算法實現(xiàn)環(huán)視圖的無縫拼接。原理是在車周圍鋪上標定板，如圖3所示，每個相機的視野中都對應(yīng)著4幅標定板，這樣就構(gòu)建了4組相對位置固定的標定板群，可以分別求出每個相機的變換矩陣H1,H2,H3,H4,這些矩陣就是每個相機圖像坐標系到鳥瞰圖的映射關(guān)系，再將各圖像帶入式(3)，則可以得到鳥瞰圖。根據(jù)這個關(guān)系，可以生成坐標對應(yīng)的查找表，只需要標定一次，之后的每次拼接只需要通過查找表填充就可以完成拼接，而不需要每次都進行特征匹配，這大大提升了拼接速度[11]。

圖像拼接中最重要是圖像融合區(qū)域的選擇，大多數(shù)環(huán)視拼接區(qū)域都如圖4所示，其中A、B、C、D是4塊重疊區(qū)域：

圖4 傳統(tǒng)的環(huán)視拼接區(qū)域

由于相機分辨率有限，距離相機越遠的地方，誤差越大，越容易出現(xiàn)重疊區(qū)域拼接不上的情況，本研究提出了一種新穎的融合策略，能夠在遠處同樣實現(xiàn)無縫拼接。首先，改變后的融合區(qū)域如圖5所示，A、B、C、D 4個矩形區(qū)域為兩相機之間的重疊區(qū)域(比如A為前視相機和左相機的重疊區(qū)域)，中間的黑色區(qū)域為未融合區(qū)域。

圖5 新的融合區(qū)域

對融合區(qū)域，采用加權(quán)平均融合算法[12]，該算法原理如圖6所示。

圖6 拼接區(qū)域融合算法原理

圖中黑色矩形框為兩幅圖像的重疊區(qū)域。假設(shè)重疊區(qū)域中，圖一中的像素點為P1，圖二中的像素點為P2，那么重疊區(qū)域的像素點為

(4)

其中，L表示拼接區(qū)域?qū)挾?，l表示重疊區(qū)域某一像素點距離右邊界的距離。最終得到的融合區(qū)域如圖7所示。圖7(a)為前后相機映射到俯視圖上的區(qū)域，圖7(b)為左右相機映射到俯視圖上的區(qū)域，圖中的模糊區(qū)域為拼接融合區(qū)域。

圖7 最終融合區(qū)域

使用該融合算法生成的最終環(huán)視效果圖如圖8所示。

圖8 環(huán)視效果圖

由圖8可以看出，生成的全景環(huán)視圖效果良好，可以將汽車四周的場景以鳥瞰圖的形式再現(xiàn)出來，并且在距離相機較遠的地方，也沒有出現(xiàn)線段拼接不上的情況。

本研究的拼接方法與傳統(tǒng)的基于特征點匹配的拼接方法相比，具有以下優(yōu)勢：對環(huán)境光線的適應(yīng)能力更強、不需要大面積的重疊區(qū)域即可實現(xiàn)環(huán)視圖的生成；不需要進行特征點匹配，所以拼接速度更快，易于嵌入式系統(tǒng)的實現(xiàn)。

3 停車位的檢測與識別

為了檢測出環(huán)視圖中的有效車位，需要對環(huán)視圖進行一系列的圖像處理，包括邊緣檢測、直線檢測、過濾干擾線、基于幾何原理的車位擬合等過程。整個車位檢測的算法流程如圖9所示。

圖9 車位檢測算法流程

為了提高車位線的檢測精度，首先需要對環(huán)視拼接圖進行邊緣檢測，本研究使用Canny檢測算子。在獲得邊緣圖像的基礎(chǔ)上，使用LSD方法進行直線檢測，LSD算法主要分為三步[13]：提取直線區(qū)域、矩形擬合、線段有效性的驗證。

1)提取直線區(qū)域。首先計算圖像中每個像素點Level-Line的角度，形成一個Level-Line區(qū)域，然后有相同Level-Line角度的像素點就構(gòu)成了line support區(qū)域，而這些區(qū)域正是線段的候選區(qū)域(圖10)。

圖10 圖像梯度和Level-Line

2)矩形擬合。在提取出直線區(qū)域之后，對區(qū)域進行矩形擬合，求出矩形的中心點、方向角以及長和寬，用該矩形代表該線段。結(jié)果如圖11所示，其中(a)為待檢測的原圖，(b)為使用步驟1)提取出的直線段候選區(qū)域，(c)為最終矩形擬合的結(jié)果圖。

圖11 矩形擬合結(jié)果

3)線段有效性的驗證。該方法是基于亥姆霍茲原理，線段由矩形區(qū)域的寬度和端點決定。計算每個矩形框內(nèi)的像素點個數(shù)，以及與該矩形框方向一致的像素點，并且設(shè)置能夠計算出NFA[14]的精度值，然后根據(jù)NFA進行線段有效性的驗證(圖12)。

圖12 使用LSD與Hough變換檢測結(jié)果對比

圖12是使用LSD與Hough變換檢測直線的結(jié)果對比，可以明顯看出，使用LSD檢測的直線結(jié)果要比Hough變換檢測的直線結(jié)果更加準確，干擾直線也少了很多。

通過LSD算法檢測到直線之后，需要對直線進行過濾等處理，整個車位檢測[15，16]的算法流程見圖13。

圖13 車位檢測算法流程

4 實驗及結(jié)果

實驗采用榮威RX5為樣車，4個魚眼相機的安裝位置如圖1所示，相機分辨率為1280*720，環(huán)視圖分辨率為875*775，通過相機獲取的實驗數(shù)據(jù)運行在NVIDIA Jetson TX2平臺，調(diào)用Opencv3.2以及編寫CUDA代碼，處理速度為30幀/s，可以滿足實時的要求。

首先對4相機進行聯(lián)合標定，角點檢測結(jié)果如圖14所示，可以看出每個魚眼相機視野中的26個角點都被檢測到。

圖14 角點檢測

以前攝像機為例，標定計算得到的俯視變換矩陣如下：

(5)

4.1 環(huán)視拼接實驗

傳統(tǒng)的環(huán)視拼接與本研究提出的環(huán)視拼接對比效果如圖15所示。圖15(a)為傳統(tǒng)環(huán)視拼接方法效果圖，從圖中可以看出，矩形框內(nèi)出現(xiàn)線段拼接不上的情況，并且距離車越遠的地方，拼接不上的情況越嚴重；圖15(b)為本研究提出的環(huán)視拼接效果圖，可以看出在對應(yīng)的矩形框區(qū)域，能夠?qū)崿F(xiàn)無縫拼接，還可以增大環(huán)視圖的左右可視距離，在實際的測試中，經(jīng)過測量，圖15(b)顯示的左右可視實際距離為7.5m。

圖15 環(huán)視拼接方法對比圖

4.2 車位檢測實驗

在本研究提出的環(huán)視拼接算法的基礎(chǔ)上進行車位檢測，為了驗證算法的有效性，首先對基于Hough變換的車位檢測與基于LSD的車位檢測進行對比實驗，對比效果如下圖16所示。

圖16 基于Hough和LSD的車位檢測

圖16(a)為基于Hough變換的車位檢測，左上角矩形框內(nèi)的數(shù)字78(1)表示：該車位ID為78，第1次被檢測到；圖16(b)為基于LSD的車位檢測，對比可以看出，右圖中ID為27的車位，在左圖中并沒有被檢測到，說明基于Hough變換的車位檢測容易發(fā)生漏檢。

由于目前完全基于視覺的車位檢測方法比較少，于是本研究使用基于LSD的車位檢測算法分別對地上車位與地下車位檢測效果進行對比，對比效果如圖17所示。

圖17 地上車位與地下車位檢測

圖17(a)為基于LSD的地上車位檢測效果，可以看出能夠完全檢測到所有車位，沒有漏檢；圖17(b)中紅色箭頭所指車位，由于燈光太暗、車位線已經(jīng)無法看清，所以沒有檢測出來，其他車位都能檢測到，說明本研究基于LSD的車位檢測對光照有一定的要求，并且能夠有效的減少漏檢。

為了評估本研究算法的準確性，實驗一共采集3000張圖片，其中包含11371個車位，為了對提出的算法進行有效性評估，定義公式(6)和公式(7)，其中F表示誤檢率，M表示漏檢率,FD(false detections)表示誤檢車位的數(shù)量，CD(correct detection)表示正確檢測出車位的數(shù)量，MD(missing detections)表示漏檢車位的數(shù)量。

(6)

(7)

表1給出了車位檢測中使用Hough和LSD算法的F值和M值的結(jié)果對比，可以看出，使用LSD的方法能夠提高車位的檢測率，并且能夠有效減少誤檢和漏檢。

表1 Hough和LSD的F值和M值的結(jié)果對比

5 結(jié)束語

提出了一種新的基于環(huán)視系統(tǒng)的車位檢測方法，與傳統(tǒng)的環(huán)視拼接方法相比，不僅可以實現(xiàn)無縫拼接，還可以增大環(huán)視圖的左右可視距離。在環(huán)視圖像的基礎(chǔ)上進行車位檢測，使用LSD進行車位檢測，與傳統(tǒng)的直線檢測算法Hough變換相比，檢測結(jié)果更準確，并且能有效減少誤檢和漏檢。但是依然存在不足之處，標定過程中，本實驗需要將車開到標定場地，進行人工手動標定，由于車每次停的位置不同，所以會存在人為因素的誤差，下一步的研究中，最好能固定車的位置，采用自標定的方法解決這種人為誤差；雖然在遠處可以實現(xiàn)無縫拼接，但是遠處的馬賽克情況嚴重，下一步可以改變差值方式解決馬賽克問題。