張 偉

（臨沂大學 自動化與電氣工程學院，臨沂276005）

無人駕駛汽車利用車載傳感器感知車輛周圍環(huán)境，并根據(jù)感知所獲得的道路、車輛位置和障礙物信息，控制車輛的轉向和速度，從而使車輛能夠安全、可靠地在道路上行駛。 利用一些相關的傳感器來獲取汽車周圍環(huán)境的信息，利用智能算法把周圍環(huán)境中有用的信息保留下來， 然后經(jīng)過計算，判斷周圍環(huán)境中是否有車輛， 確定該車與本車的距離。 由于車輛的種類有很多，每種都有不同的車型，另外車輛所處的位置和周圍環(huán)境也會影響它的外觀，這使得現(xiàn)有的光學傳感器不能很好地應用到車輛檢測的活動中。

目前，在車輛識別的研究中圖像處理和模式識別技術得到了廣泛的使用。 由于現(xiàn)在的車輛行駛得都特別快，周圍環(huán)境瞬息萬變，因此要求車輛檢測的速度特別快，準確率足夠高。 提高算法的運行速度與準確率成為人們的研究難點。 故在此提出了基于圖像處理技術的前方車輛識別系統(tǒng)設計與實現(xiàn)。

1 圖像預處理

1.1 圖像濾波

圖像濾波可分為線性和非線性兩種。 均值濾波和高斯濾波是最常用的線性濾波，它們的主要問題是可能使圖像邊緣模糊。 而中值濾波作為常用的非線性濾波，可以較好地過濾脈沖噪聲，其問題在于相應地使圖像中的線條細節(jié)變得模糊不清。 在此選用了邊緣保持濾波器。 這是以均值濾波器和中值濾波器作為基礎進行創(chuàng)新和改造地新一代濾波器，不僅可以濾除噪聲[1]，還能使圖像邊緣比較清晰地呈現(xiàn)出來。

邊緣保持濾波器的算法流程如下：以灰度圖像的每個像素為基點，選取一個比較合適的鄰域（如3×3），再計算鄰域的灰度分布均勻度，該鄰域是每個像素點的4 個角上的鄰域；選取4 個子鄰域中灰度分布均勻度最低的鄰域的灰度平均值，作為這個像素點的灰度數(shù)值。 灰度均勻度為

1.2 邊緣增強

邊緣增強的作用是將檢測目標的邊緣信息凸顯出來，使其更明顯，便于更好地識別目標。 此外道路上陽光照射不均帶來的結果，可以通過邊緣增強的方式來削弱。 常使用的邊緣增強算子有3 種：Robert 算子，Sobel 算子[2]，Prewitt 算子。 在此采用Sobel 算子。

離散Sobel 算子定義為

梯度值大小為

灰度值變化最大的方向即所謂的梯度方向，計算公式為

就路面而言，一般它們的物理性質差不多，并且光照比較均勻， 相鄰的幾個像素點的灰度值也差不多相同，通過Sobel 算子的運算可以把它們之間的接近程度用數(shù)值表示出來，一般情況下該值是一個相對接近零的數(shù)值。 車輛的灰度值與道路的灰度值會有一定的不同，Sobel 算子的作用就是突出車輛與道路的交界處的像素差異， 相比較路面與路面之間的灰度差異而言，路面與車輛的灰度差異會更大，并且還能獲得邊界的梯度方向數(shù)據(jù)。Sobel 算子在水平和垂直方向的邊緣增強作用[3]如圖1 所示。

圖1 Sobel 邊緣增強的效果Fig.1 Effect of Sobel edge enhancement

2 前方車輛初步檢測

前方車輛的前進方向與獲得的圖像平面幾乎垂直，圖像獲取頻率非常高，前方車輛在環(huán)境中的形狀等特性十分突出，因此選用基于特征模型驅動的前方車輛檢測方法。

目標在灰度圖像中呈現(xiàn)的特征主要有形狀特征、邊界特征、對稱特征、灰度特征、動態(tài)變化特征。所提出的模型驅動的前方車輛檢測算法，就是根據(jù)上述內容選擇有用的特征， 再根據(jù)許多先驗知識，檢測前方是否存在車輛。 檢測過程可以分為3 個階段：①目標的初步探測，建立目標感興趣區(qū)AOI（area of interest）；②在感興趣區(qū)域中找出需要的車體；③在不間斷的圖像序列中，一直尋找車輛目標。前方車輛目標檢測流程如圖2 所示。

圖2 前方車輛檢測流程Fig.2 Flow chart of forward vehicle detection

一般車輛的后部有許多水平結構。 本車與前方車體有很大距離時能夠很好地從圖像中找到平直的邊沿，從而找到前方車輛。 由于圖像中汽車具有特征明顯的平直邊沿， 因此采用Sobel 算子對圖片進行水平計算，使圖片中的平直邊沿更加地突出和明顯。 在感興趣區(qū)AOI 內，把每一行的像素灰度值相加再取其平均值[4]，將圖片中從下向上每一行都進行計算。 其計算公式為

式中：bL（r），bR（r）分別為感興趣區(qū)內第r 行左側、右側的像素坐標；g（r，c）為像素（r，c）的灰度值；G（r）為AOI 中第r 行的灰度平均值。

一般情況下，灰度均值G（r）開始發(fā)生階躍變化時所對應的地方是前方車體的底部，它多是由車體投下的影子形成的，即認為已探測到可能的目標車輛（如圖3 所示）。

假如整幀圖片都沒有灰度值的階躍變化，那么就假設本車所在的車道前方?jīng)]有車體。

圖3 前方車輛的初步探測Fig.3 Preliminary detection of forward vehicle

由圖可見，以灰度均值突變行為界限，把車道分為上下兩部分，下面部分為道路，而上面部分區(qū)域存在車體的可能性極大。 如果圖像中數(shù)據(jù)比較繁雜，則該圖像就擁有大量的數(shù)據(jù)。 越繁雜的圖片，越有可能表明本車所在車道線的前方存在車輛。 信息量的大小在信息論中可以用熵來表達，即概率空間中每個事件xk的存在概率不同時的均勻度為

首先，以灰度均值發(fā)生階躍變化的一行的下方第k 行作為矩形AOI 的下部邊緣，計算該邊緣與兩側車道線的交點。 然后以所得交點向上做垂直于下部邊緣的引線，這樣就可以得到一個矩形AOI[5]。 矩形的高度應根據(jù)先驗知識來確定，要把車輛整體包裹到矩形AOI 中。

3 前方車輛目標的識別確認

3.1 對稱性測度與對稱軸求取

建立以對稱軸xs為原點的、新的對稱坐標系u，（-w/2）≤u≤（w/2），則u 與x 的坐標變換關系為

對于一定的xs和w，函數(shù)g（x）=g（xs+u）的偶函數(shù)、奇函數(shù)為

計算偶函數(shù)重要還是奇函數(shù)重要，需要用到能量函數(shù)的公式為

因此二者的能量函數(shù)為

經(jīng)過計算，奇函數(shù)與偶函數(shù)的均值可得前一個均值為0，后一個均值為正數(shù)，這樣就無法比較奇函數(shù)與偶函數(shù)誰更重要了。 在此，采用歸一化處理的計算方法，將偶函數(shù)的均值化為0[6]：

相應地有

經(jīng)過能量函數(shù)處理，可得的對稱性測度公式為

定義測度s 的數(shù)值區(qū)間范圍為（-1，1）。 當s=1時圖像為徹底對稱，當s=-1 時圖像為徹底不對稱，參數(shù)xs與參數(shù)w 的數(shù)值和測度s 的數(shù)值為對應關系。

在矩形AOI 內一行一行地計算對稱性測度，并相加取其平均值，如圖4 所示。 圖中，下方曲線的最高峰值與上方圖片車輛的對稱軸在同一條垂直線上。

圖4 尋找前方車輛的對稱軸Fig.4 Finding the symmetrical axis of the vehicle ahead

3.2 車輛矩形輪廓

由圖4 可見已經(jīng)找到前方車輛的底部邊緣和車輛的對稱軸。 將把圖像用垂直Sobel 算子變換，使圖像的豎直邊沿得到加強； 用垂直Hough 算子變換，計算垂直直線；對照著對稱軸就可以獲得前方車輛的垂直邊緣。 根據(jù)先驗知識設定一個車輛高寬比例，把圖像用水平Hough 算子變換，就找到了前方車輛的上部邊緣。 據(jù)此就能將車輛準確地用矩形框框出來，如圖5 所示。

圖5 前方車輛的矩形輪廓Fig.5 Rectangular contour of the vehicle ahead

4 結語

圍繞基于圖像處理技術，對前方車輛識別系統(tǒng)展開了論述。 通過圖像預處理——圖像濾波、邊緣增強，使所需內容更清晰地呈現(xiàn)出來，并削弱不需要的信息；通過對前方車輛的檢測，建立感興趣區(qū)域，初步探測此區(qū)域，識別并確認目標車輛，找到所需要的目標車輛并準確地標記出來。 該系統(tǒng)經(jīng)試驗驗證可行，可有效地識別出前方車輛；對車輛識別系統(tǒng)后續(xù)研究有一定的參考價值。