王帥 楊建璽

摘 要：針對泊車機器人和智能停車庫研究領域中對視覺系統(tǒng)的需求，設計了一種基于雙目視覺的泊車機器人障礙物檢測系統(tǒng)。 借鑒物理學中的控制變量法完成雙目相機標定，采用Bouguet算法進行立體校正，引入YOLO卷積神經(jīng)網(wǎng)絡對障礙物進行快速檢測，利用改進立體匹配算法完成對弱光照下光滑邊緣障礙物的檢測，搭建雙目視覺系統(tǒng)并進行實驗驗證。 實驗結果表明，該系統(tǒng)檢測平均耗時為0.463 s，在1 400 mm至2 100 mm范圍內檢測誤差在50 mm內，具有良好的實時性和較高精度，為經(jīng)濟型泊車機器人的研制奠定基礎。

關鍵詞：泊車機器人;機器視覺;相機標定;立體匹配;YOLO卷積神經(jīng)網(wǎng)絡

文章編號：2095-2163（2019）04-0079-04 中圖分類號：TP317.4 文獻標志碼：A

0 引 言

隨著人們生活質量的日益提高和經(jīng)濟水平的不斷發(fā)展，汽車保有量呈現(xiàn)井噴式增長，停車成了日常出行的難題[1]。 因此，智能停車庫應運而生，作為其核心運載工具的泊車機器人日趨受人們關注，成為移動機器人領域的全新重點應用。 文獻[2]中提到的泊車機器人采用激光導航方式，可完成較高精度的導航，但遇到障礙物就會自動停止，需人工干預，不能獲取障礙物三維信息而進行自主避障。 文獻[3]中由德國Serva公司研制的新型泊車機器人Ray雖已應用到德國杜塞爾機場，但由于其采用激光導航方式，運行速度不高，技術難度大，很難得到推廣。 文獻[4]中的國產(chǎn)最新泊車機器人的導航方式為“激光導引+磁釘導航”，雖能完成泊車導航，但前期需對停車場進行較大改造，鋪設磁釘，使得機器人運行路徑固定，使用不方便，成本較大，不能實時檢測行進路徑上可能出現(xiàn)的障礙物。

以上文獻中的泊車機器人雖能完成泊車導航功能，但均采用了成本較高的激光導航技術，不利于推廣，且缺少對泊車路徑上出現(xiàn)的障礙物（人為誤進，車輛附屬物脫落等）進行實時檢測的功能，易發(fā)生泊車事故[5]。 故本文采用雙目視覺技術，設計一套泊車機器人障礙物視覺檢測系統(tǒng)，完成對泊車路徑上障礙物的類別和距離檢測，彌補了國內泊車機器人缺少障礙物視覺檢測功能的缺陷，為泊車機器人視覺避障奠定基礎，且有助于經(jīng)濟型泊車機器人的研制與推廣。

1 系統(tǒng)設計

障礙物視覺檢測系統(tǒng)作為泊車機器人的“眼睛”，需對泊車路徑上的障礙物進行種類和距離檢測。 搭建雙目視覺檢測系統(tǒng)以實時獲得豐富的環(huán)境信息。 系統(tǒng)由軟、硬件2部分組成。 其中，硬件系統(tǒng)包括2臺MV-E800M/C相機、LP-03微調長型云臺板、Inter i7、GTX980和8G內存。軟件系統(tǒng)包括VS2015、Matlab2016a、OpenCV 3.3.0和Ubuntu16.04，將具有可移植性和擴展性的Python語言作為編程語言。

系統(tǒng)的工作流程為：通過雙目相機捕捉前方障礙物的目標圖像，采集的圖像經(jīng)過立體校正、YOLO障礙物類別檢測、立體匹配和深度計算，實現(xiàn)泊車機器人障礙物視覺檢測功能。 系統(tǒng)結構流程如圖1所示。

2 基于控制變量法的雙目相機標定

由于相機的焦距會對障礙物的深度、距離、精度產(chǎn)生影響，故引入物理學中的控制變量法設置2組實驗，研究棋盤格標定板規(guī)格和標定距離對標定誤差的影響，以得到精度較高的焦距。

實驗a：設標定距離為1 600 mm，繪制規(guī)格分別為8 mm*8 mm、12 mm*12 mm、14 mm*14 mm、16 mm*16 mm、18 mm*18 mm、20 mm*20 mm、22 mm*22 mm、24 mm*24 mm、26 mm*26 mm、28 mm*28 mm、30 mm*30 mm、40 mm*40 mm的棋盤格標定板。

實驗b：設置棋盤格標定板規(guī)格為26 mm*26 mm，設置12組不同的標定距離，從800 mm至1 900 mm依次增加100 mm，其它條件與實驗a保持一致。 實驗結果表明在標定板規(guī)格為26 mm*26 mm，標定距離為1 300 mm時，標定誤差最小。 標定流程如圖2所示。

3 基于OpenCV的Bouguet立體校正

通過雙目視差求解距離公式是在雙目視覺系統(tǒng)處于理想狀態(tài)下推導出來的[6]，而在實際操作中，由于相機畸變、相機裝配等原因，使得完全共面行對準的兩個相機成像平面是不存在的。 因此，必須對其進行校正，以減少實際誤差。 校正步驟：

（1）共面：校正過程中2個圖像平面均按照相機旋轉矩陣R旋轉一半，使重投影畸變最小[7]，此時2個相機圖像平面共面（畸變校正后光軸也平行），但是行不對準。

（2）行對準：極點是2個相機坐標系原點的連線和圖像平面的交點，2個相機的圖像平面和2個相機坐標系原點的連線平行，則極點處于無窮遠處（即行對準）。

4 障礙物類別檢測與深度計算

4.1 基于YOLO卷積神經(jīng)網(wǎng)絡的障礙物快速檢測

YOLO（You Only Look Once[8]）是一個十分容易構造的目標檢測算法。 其將目標區(qū)域預測和目標類別預測整合于單個神經(jīng)網(wǎng)絡模型中，可在準確率較高的情況下實現(xiàn)快速目標檢測[9]，適合泊車機器人的應用環(huán)境。 YOLO卷積網(wǎng)絡模型共有24個卷積層和2個全連接層。 其中，卷積層用來提取圖像特征，全連接層用來預測圖像位置和類別概率值。 YOLO卷積神經(jīng)網(wǎng)絡采用PASCAL VOC數(shù)據(jù)訓練卷積層[10-11]，然后利用卷積層和全連接構成RPN（Region Proposal Network）實現(xiàn)目標類別和物體位置預測[12]。

YOLO目標檢測算法：首先把輸入圖像劃分成S×S的格子，然后對每個格子預測B個檢測框（bounding boxes），每個檢測框包含5個預測值：x，y，w，h和置信度（confidence）。 其中，x和y是檢測框的中心坐標;w和h是檢測框的寬與高，每個格子預測C個假定類別的概率，最后輸出特征圖，其大小為S×S×（B×5+C）。

4.2 立體匹配

由于泊車機器人在弱光照條件下工作，且需對誤進的具有邊緣光滑的障礙物，如人、貓和狗等進行檢測，故需要設計一種滿足泊車機器人要求的立體匹配算法。 在對比分析傳統(tǒng)的立體匹配算法與邊緣檢測算法的基礎上，選擇具有對噪聲不敏感，能夠完成對弱邊緣的檢測且精度較高的Canny算子，和簡化后的具有光照不變性的SURF算法相結合的方式，完成本文算法設計。 改進的立體匹配算法流程如圖3所示。

4.3 深度計算

通過視差圖和標定參數(shù)，將左右成像平面上的成像點轉化到3D空間，可求得障礙物目標點的真實距離。 重投影矩陣Q的表達式如下所示：

5 實驗結果與分析

為了驗證系統(tǒng)的實時性與準確性，以目標障礙物在同一車庫環(huán)境的不同距離情況下進行檢測。 首先把左相機圖像輸入YOLO卷積神經(jīng)網(wǎng)絡，確定立體匹配區(qū)域，然后采用本文立體匹配算法完成立體匹配（如圖4所示），計算最大視差，最后利用雙目相機標定參數(shù)（見表1）和三角形相似原理，計算出目標區(qū)域中最小的實際距離。 系統(tǒng)輸出的障礙物類別檢測及深度信息如圖5所示。

通過8組實驗結果可知，該系統(tǒng)在1 400 mm～2 100 mm距離內測距誤差在50 mm內，系統(tǒng)平均耗時0.463 s，可滿足泊車機器人對障礙物檢測的實時性與精度要求，系統(tǒng)性能分析見表2。

6 結束語

針對目前搭載激光傳感器的泊車機器人成本高、技術難度大，本文搭建了基于雙目視覺的泊車機器人障礙物檢測系統(tǒng)，采用控制變量法完成雙目標定以得到較高精度的焦距，利用改進立體匹配算法完成立體匹配，引入YOLO卷積神經(jīng)網(wǎng)絡完成障礙物類別檢測，最終輸出障礙物的類別和距離。 由于國內外相關研究較少，智能車庫環(huán)境下的檢測算法不成熟，硬件成本高，如何制造出低成本、高效率的經(jīng)濟型泊車機器人將是未來研究的重點和難點。

參考文獻

[1] 徐欣， 周香琴， 江先志，等. 基于物聯(lián)網(wǎng)技術的小區(qū)停車位共享平臺的設計與開發(fā)[J]. 工業(yè)控制計算機， 2018， 31（1）：139-141.

[2]申愛萍. 揭開"最牛泊車機器人"的神秘面紗[J]. 駕駛園， 2017 （9）：42-43.

[3]劉爽. 基于二維碼識別的自動泊車機器人定位導航技術研究[D]. 武漢：華中科技大學， 2017.

[4]研華科技.怡豐機器人攜手研華：以技術力量， 擴展AGV市場應用[J]. 自動化博覽， 2018， 35（8）：76-77.

[5]魏言華. 基于視覺的車輛后方障礙物檢測算法研究與實現(xiàn)[D]. 沈陽：東北大學， 2008.

[6]謝若冰. 雙目立體成像和顯示的FPGA視頻處理技術研究[D]. 北京：北京理工大學， 2015.

[7]葉峰， 王敏， 陳劍東，等. 共面點的攝像機非線性畸變校正[J]. 光學精密工程， 2015， 23（10）：2962-2970.

[8]Shubham Shinde， Ashwin Kothari， Vikram Gupta. YOLO based Human Action Recognition and Localization[J]. Procedia Computer Science， 2018， 20（3）：133-134.

[9]王昊. 基于卷積神經(jīng)網(wǎng)絡的目標檢測與識別方法研究[D]. 南京：南京財經(jīng)大學， 2016.

[10]施澤浩， 趙啟軍. 基于全卷積網(wǎng)絡的目標檢測算法[J]. 計算機技術與發(fā)展， 2018， 28（5）：55-58.

[11]楊梓豪. 基于區(qū)域卷積神經(jīng)網(wǎng)絡的物體識別算法研究[D]. 北京：北京郵電大學， 2017.

[12]李旭冬. 基于卷積神經(jīng)網(wǎng)絡的目標檢測若干問題研究[D]. 成都：電子科技大學， 2017.