曾仕峰 吳錦均 葉智文 賴怡雯 葉妙欣 丁凡

摘 要：為了進(jìn)一步解決在人為駕駛中存在主觀因素的交通隱患問題，文中提出利用基于OpenCV深度學(xué)習(xí)攝像頭進(jìn)行識(shí)別，使用RPLIDAR-A1激光雷達(dá)進(jìn)行構(gòu)建實(shí)時(shí)地圖并使小車實(shí)現(xiàn)自動(dòng)識(shí)別交通標(biāo)識(shí)、自動(dòng)導(dǎo)航、自動(dòng)避障，利用視覺識(shí)別定位技術(shù)作為ROS小車的感知方法，模擬人雙眼視覺功能，通過圖像處理信息感知客觀環(huán)境，小車再根據(jù)ROS機(jī)器人算法做出對(duì)應(yīng)符合交通規(guī)格的動(dòng)作，rviz機(jī)器人仿真環(huán)境，同時(shí)結(jié)合兼容Linux系統(tǒng)的工控機(jī)的無人駕駛智能小車。實(shí)驗(yàn)表明，該方法可增大小車的精度和靈敏度，既節(jié)省駕駛員的精力，又減少了違法違規(guī)現(xiàn)象和交通事故的發(fā)生。

關(guān)鍵詞：雷達(dá)建模;無人駕駛;OpenCV;深度攝像學(xué)習(xí);跟蹤識(shí)別;圖像處理

中圖分類號(hào)：TP316文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2095-1302（2020）06-00-02

0 引 言

汽車是人們生活中非常重要的一種交通工具，當(dāng)今社會(huì)越來越多的人選擇使用汽車出行。汽車在方便大家的同時(shí)也帶了一些必不可少的交通問題和交通事故。為使交通路況暢通和避免一些人為可控的交通事故的發(fā)生，本文設(shè)計(jì)了一種無人駕駛智能車。該智能車通過基于OpenCV的深度攝像頭模塊[1]對(duì)紅綠燈進(jìn)行跟蹤識(shí)別，通過電機(jī)驅(qū)動(dòng)模塊驅(qū)動(dòng)小車行駛，并在合適地點(diǎn)直行、左轉(zhuǎn)、右轉(zhuǎn)、停車等。利用該科技手段，可有效監(jiān)控紅綠燈或突發(fā)意外，輔助或者代替司機(jī)駕駛，能規(guī)避絕大多數(shù)可能產(chǎn)生的意外，為人們生活工作提供安全保障。該無人駕駛汽車對(duì)行駛控制進(jìn)行了優(yōu)化，例如制動(dòng)、加速等方面，這對(duì)于汽車提高發(fā)動(dòng)機(jī)效率、降低污氣排放有積極的作用。同時(shí)運(yùn)用上了結(jié)合雷達(dá)實(shí)地三維建模[2]及視頻處理技術(shù)[3]，可大大地提高小車的性能，更好地實(shí)現(xiàn)安全無人駕駛。

1 系統(tǒng)總體結(jié)構(gòu)

本系統(tǒng)總體結(jié)構(gòu)如圖1所示。

該無人駕駛小車的控制系統(tǒng)主要由工控機(jī)和STM32F103ZET6構(gòu)成。蓄電池提供整個(gè)運(yùn)動(dòng)控制結(jié)構(gòu)所需電力，電機(jī)驅(qū)動(dòng)模塊驅(qū)動(dòng)直流編碼減速電機(jī)。利用深度攝像頭模塊、激光雷達(dá)模塊和超聲波模塊來實(shí)現(xiàn)自動(dòng)導(dǎo)航及避障功能;結(jié)合GPS模塊、激光雷達(dá)模塊以及IMU姿態(tài)傳感器實(shí)現(xiàn)小車的定位導(dǎo)航;攝像頭模塊、雷達(dá)模塊等的實(shí)地測量數(shù)據(jù)通過觸摸顯示屏顯示出來，最后用控制端APP進(jìn)行人機(jī)交互。

2 系統(tǒng)硬件設(shè)計(jì)

2.1 自動(dòng)導(dǎo)航方案設(shè)計(jì)

實(shí)現(xiàn)自動(dòng)定位巡航的傳統(tǒng)方案多是單純地采用GPS模塊定位技術(shù)[4]，或者單純地采用雷達(dá)定位技術(shù)。本系統(tǒng)自動(dòng)定位巡航部分不但結(jié)合了即快速又精準(zhǔn)的GPS定位技術(shù)，還結(jié)合了實(shí)地三維建模的雷達(dá)定位技術(shù)。首先利用GPS模塊進(jìn)行大概定位（U-blox6Q[5]的定位精度是2.5 m），再利用激光雷達(dá)進(jìn)行實(shí)地三維建模以及定位[6]（探測范圍在

20 cm～20 m之間），同時(shí)，激光雷達(dá)可以進(jìn)行實(shí)地建模。這樣不僅能提高無人駕駛系統(tǒng)定位的精度，而且能增大自動(dòng)避障的準(zhǔn)確度。無人駕駛系統(tǒng)結(jié)合了GPS定位技術(shù)和雷達(dá)定位技術(shù)可以大大擴(kuò)大使用范圍。GPS模塊能在室內(nèi)精準(zhǔn)定位和跟隨等，但在偏僻公路上，GPS信號(hào)會(huì)受到建筑物以及樹木的影響，從而會(huì)降低其定位準(zhǔn)確度，但激光雷達(dá)可以利用激光在大范圍內(nèi)掃描障礙物進(jìn)行實(shí)地建模以及精準(zhǔn)定位，達(dá)到自動(dòng)行駛的目的。

2.2 自動(dòng)避障部分方案設(shè)計(jì)

本項(xiàng)目由深度攝像頭模塊、激光雷達(dá)模塊、超聲波模塊對(duì)無人駕駛系統(tǒng)周圍環(huán)境進(jìn)行實(shí)時(shí)監(jiān)控，通過攝像頭視頻處理技術(shù)判斷小車是否行駛在安全路段[3]，通過攝像頭視頻處理技術(shù)以及雷達(dá)三維建模技術(shù)進(jìn)行判斷道路是否具有障礙物需要避開;同時(shí)，結(jié)合超聲波模塊的短距離精準(zhǔn)測距的功能來提高小車避障的準(zhǔn)確度和安全度。此外，本項(xiàng)目還采用改進(jìn)后的YOLO行人檢測算法[7]。該算法可實(shí)時(shí)跟進(jìn)對(duì)人及移動(dòng)物體的檢測，并精準(zhǔn)定位到小車與行人或移動(dòng)物體的距離，讓小車與障礙物保持絕對(duì)安全距離，避免安全事故的發(fā)生。

3 系統(tǒng)軟件設(shè)計(jì)

3.1 ROS系統(tǒng)的優(yōu)點(diǎn)

本文系統(tǒng)使用的是基于Linux的ROS系統(tǒng)。該系統(tǒng)采用分布式框架的結(jié)構(gòu)，通過點(diǎn)對(duì)點(diǎn)的方式可以讓機(jī)器人分別運(yùn)行不同的進(jìn)程。除此之外，ROS系統(tǒng)還支持多種語言的編譯，比如C++和Python等熱門語言都是目前ROS系統(tǒng)應(yīng)用最廣的開發(fā)語言。另外，ROS系統(tǒng)是一個(gè)對(duì)所有開發(fā)者都開放的系統(tǒng)，并且具有強(qiáng)大的生態(tài)鏈，其核心設(shè)計(jì)方法為松耦合設(shè)計(jì)，這就有利于功能的復(fù)用和軟件的拓展[8]。

3.2 OpenCV識(shí)別系統(tǒng)

本文在ROS系統(tǒng)的基礎(chǔ)上，主要使用C++編譯語言去實(shí)現(xiàn)小車的自動(dòng)駕駛功能。通過調(diào)用OpenCV函數(shù)庫去實(shí)現(xiàn)對(duì)交通標(biāo)志和停車線的檢測。對(duì)于交通燈的識(shí)別，這里采用的方法是先找出所要識(shí)別的顏色，再判斷該顏色是否為圓，從而判斷出找到的是什么顏色的交通燈，其總體框架如圖2所示。

首先調(diào)用Open CV函數(shù)庫庫中的blur函數(shù)[9]對(duì)圖像進(jìn)行均值濾波，其原理為由該點(diǎn)的一個(gè)鄰域中各點(diǎn)值的中值來代替，讓周圍的像素值接近真實(shí)值，從而消除孤立的噪聲點(diǎn)[9]。再將濾波后的圖片使用inRange（）函數(shù)對(duì)圖像進(jìn)行二值化的限定，找出紅綠燈的顏色;然后，在找到顏色的基礎(chǔ)上使用Canny算法找出識(shí)別出的圖像顏色邊緣;最后使用HoughCircles函數(shù)進(jìn)行最后的找圓。

3.3 SLAM算法建模

SLAM（Simultaneous Localization and Mapping）又稱同步定位與建圖，是在未知環(huán)境下，機(jī)器人在運(yùn)動(dòng)過程中實(shí)時(shí)觀測地圖特征，再根據(jù)自身位置的變化進(jìn)行地圖特征的匹配，從而完成定位和地圖構(gòu)建的技術(shù)[10]。通過SLAM算法可以完成對(duì)空間的建模和自身的定位還有行人的檢測。

本文通過雷達(dá)采集實(shí)際環(huán)境中的數(shù)據(jù)。所謂的數(shù)據(jù)就是一系列分散的、具有準(zhǔn)確的角度和距離信息的點(diǎn)—點(diǎn)云。再將采集到的數(shù)據(jù)對(duì)不同時(shí)刻的目標(biāo)位置所移動(dòng)的相對(duì)位置進(jìn)行大概估算。特征匹配的算法有多種，一開始的有SIFT算法[10]，其原理為采用高斯核與原圖像進(jìn)行卷積，生成分辨率逐層降低的圖像金字塔，然后在相鄰塔層間相減，得到由高斯差分金字塔構(gòu)造的尺度空間[10]。本文使用的是SIFT的改進(jìn)版SURF算法。該算法對(duì)圖像進(jìn)行積分，極大程度上的減少了圖像中計(jì)算特征點(diǎn)的時(shí)間，有利于圖像處理速度的提升，對(duì)于特征矢量描述子的計(jì)算，這里使用歐式距離公式對(duì)不同時(shí)刻的特征點(diǎn)進(jìn)行計(jì)算，公式如下：

式中：d（A， B）圖像中物體A到物體B的歐式距離;Pi，Pj分別是圖像對(duì)應(yīng)的第i個(gè)、第j個(gè)像素點(diǎn);m，n分別為圖像對(duì)應(yīng)物體像素點(diǎn)的總數(shù);DA（Pi），DB（Pj）分別為A，B物體像素點(diǎn)所對(duì)應(yīng)的特征向量。然后使用濾波器對(duì)圖像進(jìn)行優(yōu)化，用來減少視覺里程計(jì)所帶來的累計(jì)誤差，增大準(zhǔn)確度，隨后通過對(duì)比初始數(shù)據(jù)和處理后的數(shù)據(jù)所得到的運(yùn)動(dòng)軌跡最終完成建模。最后還要加上回環(huán)檢測來提供一個(gè)來自空間上的約束以此消除累計(jì)誤差。SLAM算法框圖如圖3所示。

最終SLAM算法建模圖形如圖4所示。

4 結(jié) 語

本文設(shè)計(jì)了一種無人駕駛智能車，并對(duì)該智能車的系統(tǒng)硬件結(jié)構(gòu)、系統(tǒng)軟件結(jié)構(gòu)以及主要控制算法進(jìn)行了設(shè)計(jì)及論述。該智能車主要運(yùn)用ROS向雷達(dá)模塊與攝像頭模塊發(fā)送信號(hào)，激光雷達(dá)模塊通過SLAM算法進(jìn)行建模，再結(jié)合基于OpenCV深度學(xué)習(xí)攝像頭模塊的圖像識(shí)別以及視頻處理技術(shù)來實(shí)現(xiàn)自動(dòng)識(shí)別、自動(dòng)巡航、自動(dòng)避障等功能。本設(shè)計(jì)避免了司機(jī)長時(shí)間駕駛的疲勞，無人駕駛小車精準(zhǔn)定位導(dǎo)航也對(duì)穩(wěn)定交通秩序做了極大貢獻(xiàn)，同時(shí)，也能減少交通事故的發(fā)生。綜上所述，運(yùn)用ROS可以將現(xiàn)實(shí)場景很好地模擬出來，并對(duì)各類突發(fā)狀況進(jìn)行高效的處理。

參考文獻(xiàn)

[1]王曉鵬.基于OpenCV的圖像處理濾波算法研究[J].現(xiàn)代工業(yè)經(jīng)濟(jì)和信息化，2018，8（6）：61-62.

[2]白云裳，劉猛，馮酉鵬.基于激光雷達(dá)SLAM室內(nèi)定位方法[J].中國新通信，2019，21（16）：52.

[3]楊磊，王少云，劉力冉，等.一種智能視頻監(jiān)控系統(tǒng)中的行人檢測方法[J].計(jì)算機(jī)與現(xiàn)代化，2019（11）：69-74.

[4]陳紅齊，吳益新.北斗導(dǎo)航及GPS技術(shù)在航海定位中的應(yīng)用[J].設(shè)備管理與維修，2019（12）：225-227.

[5]王君剛，王解先，陳俊平，等.U-Blox 6接收機(jī)解碼與定位測試

[J].測繪通報(bào)，2015（11）：24-27.

[6]黃曉杰，陳宇磊，邵躍堂，等.基于激光雷達(dá)的地鐵隧道形變檢測方法[J].城市軌道交通研究，2019，22（11）：47.

[7]祝慶發(fā)，陳永生，郭玉臣.基于改進(jìn)YOLO算法的密集人群場景下的行人檢測[J].電腦知識(shí)與技術(shù)，2019，15（22）：175-176.

[8]謝萌，張世武，李旺，等.基于ROS的遠(yuǎn)程車輛控制和目標(biāo)跟隨系統(tǒng)設(shè)計(jì)[J].工業(yè)控制計(jì)算機(jī)，2019，32（7）：29-31.

[9]陳慶偉，李民東，羅川，等.視覺SLAM中圖像特征點(diǎn)提取與匹配算法研究[J].現(xiàn)代制造工程，2019（10）：135-139.

[10]王嶸，萬永菁.一種基于SLAM的多功能探索機(jī)器人設(shè)計(jì)[J].機(jī)械與電子，2019，37（9）：51-53.