戴 睿 ，謝 雁

1.中國(guó)航空研究院 研究生院，江蘇 揚(yáng)州 225006；2.沈陽(yáng)飛機(jī)設(shè)計(jì)研究所 揚(yáng)州協(xié)同創(chuàng)新研究院，江蘇 揚(yáng)州 225006

隨著人工智能與傳感器技術(shù)的發(fā)展，智能小車(chē)［1-5］越來(lái)越成為工業(yè)場(chǎng)景下的巡檢工具。智能小車(chē)在執(zhí)行巡檢工作時(shí)，首先通過(guò)攜帶的攝像頭采集周?chē)h(huán)境的信息；再通過(guò)計(jì)算機(jī)視覺(jué)算法對(duì)采集到的圖像信息進(jìn)行識(shí)別與處理，確定圖像中的障礙物與目標(biāo)物；最后通過(guò)一系列控制算法，對(duì)小車(chē)的運(yùn)動(dòng)進(jìn)行控制，使其完美地規(guī)避障礙物，從而順利到達(dá)目標(biāo)地點(diǎn)。

本文主要針對(duì)具有規(guī)則引導(dǎo)線(xiàn)的智能小車(chē)日常巡檢中的直線(xiàn)導(dǎo)引和弧線(xiàn)導(dǎo)引進(jìn)行研究。通過(guò)對(duì)采集到的圖像信息進(jìn)行識(shí)別，對(duì)目標(biāo)場(chǎng)景的引導(dǎo)線(xiàn)進(jìn)行閾值分割及邊緣檢測(cè)；再通過(guò)霍夫變換及骨架提取算法分別對(duì)直線(xiàn)引導(dǎo)線(xiàn)和弧線(xiàn)引導(dǎo)線(xiàn)進(jìn)行追蹤；最后通過(guò)參數(shù)化方法確定智能小車(chē)的設(shè)定點(diǎn)和設(shè)定方向。算法流程如圖1所示。

圖1 行進(jìn)道路路線(xiàn)確定流程Fig. 1 Road route determination process

1 圖像預(yù)處理

根據(jù)圖1 的算法流程，對(duì)于采集到的圖像信息需要進(jìn)行預(yù)處理，以減少圖像識(shí)別中的無(wú)關(guān)信息，提高圖像識(shí)別的魯棒性。本文主要通過(guò)圖像灰度化、尺寸調(diào)整、模式濾波［6］對(duì)采集到的圖像進(jìn)行預(yù)處理。由于智能小車(chē)在日常巡檢中需要對(duì)目標(biāo)場(chǎng)景的引導(dǎo)線(xiàn)進(jìn)行閾值分割及邊緣檢測(cè)，而引導(dǎo)線(xiàn)的檢測(cè)無(wú)需色彩信息，因此首先將原始輸入圖像進(jìn)行灰度化處理；其次，為了提高算法的運(yùn)行速度，需要對(duì)輸入圖像進(jìn)行尺寸調(diào)整；最后，為了保留圖像的邊緣信息，濾除由于尺寸調(diào)整及原始輸入所產(chǎn)生的噪音點(diǎn)，采用模式濾波器對(duì)調(diào)整過(guò)尺寸的圖像進(jìn)行濾波。經(jīng)過(guò)圖像預(yù)處理后，輸出圖像的像素計(jì)算如公式（1）所示。

式中：g(i，j)為輸出圖像像素點(diǎn)（i，j）的灰度值；f(k，l)為當(dāng)前輸入圖像像素點(diǎn)（k，l）的灰度值；S(i，j) 是 以(i，j) 為 中 心 的 濾 波 核 所 在 區(qū) 間；w(i，j，k，l) =ws?wr（ws為基于空間的高斯函數(shù)，wr為基于像素的高斯函數(shù)），為由高斯函數(shù)經(jīng)過(guò)兩次計(jì)算得到的數(shù)值。

當(dāng)引導(dǎo)線(xiàn)圖像處于變化程度小的區(qū)域時(shí)，wr無(wú)限趨近于1，此時(shí)模式濾波為高斯濾波；當(dāng)引導(dǎo)線(xiàn)圖像處于變化程度高的區(qū)域時(shí)，wr與ws都無(wú)限趨近于0，此時(shí)可將圖像輸入。因此，通過(guò)模式濾波器能有效地保留引導(dǎo)線(xiàn)圖像的邊緣信息。

引導(dǎo)線(xiàn)圖像預(yù)處理前后的結(jié)果如圖2所示。

圖2 引導(dǎo)線(xiàn)圖像預(yù)處理前后的結(jié)果Fig. 2 Results before and after preprocessing of guide line image

2 引導(dǎo)線(xiàn)邊緣識(shí)別

由圖2可知，經(jīng)過(guò)模式濾波處理后的引導(dǎo)線(xiàn)，其灰度值明顯區(qū)別于作為背景的周遭環(huán)境的灰度值，但還是不能滿(mǎn)足小車(chē)智能識(shí)別的需要，需要對(duì)其圖像進(jìn)行分割。本文使用閾值分割法對(duì)目標(biāo)圖像進(jìn)行分割，即通過(guò)最大化類(lèi)間方差法［7-8］計(jì)算引導(dǎo)線(xiàn)與背景之間的方差，如式（2）所示。

式中：σ2為引導(dǎo)線(xiàn)與背景之間的方差；k為灰度級(jí)，取值范圍為0～255；pA(k)為像素被分到前景的概率；mA(k)為前景的平均灰度；pB(k)為像素被分到背景的概率；mB(k)為背景的平均灰度；mG為整個(gè)圖像的平均灰度值。

通過(guò)式(2)遍歷0～255 個(gè)灰度級(jí)，求出引導(dǎo)線(xiàn)與背景之間方差σ2的最大值，此時(shí)的灰度級(jí)t即為分割引導(dǎo)線(xiàn)與背景的閾值。

以求出的閾值t為分界線(xiàn)，通過(guò)閾值二值化分割法，將引導(dǎo)線(xiàn)區(qū)域（前景）的像素置為255，引導(dǎo)線(xiàn)周遭環(huán)境區(qū)域（背景）的像素置為0，如式（3）所示。

式中：s(x，y)、D(x，y)分別為二值化分割前、后的灰度值。

引導(dǎo)線(xiàn)圖像經(jīng)過(guò)二值化分割后即可進(jìn)行邊緣檢測(cè)。經(jīng)常使用的邊緣檢測(cè)算法有Sobel算子、拉普拉斯變換、Prewitt 算子、Roberts 算子、Canny算子［9］等。由于含有引導(dǎo)線(xiàn)的輸入圖像有較少的道路邊緣干擾，經(jīng)過(guò)二值化處理后進(jìn)行邊緣檢測(cè)時(shí)無(wú)需擔(dān)心因閾值設(shè)置不合理而導(dǎo)致有效的邊緣信息被去除；同時(shí)又排除了其他干擾，無(wú)需擔(dān)心輸入圖像中的噪聲干擾被視作邊緣而不會(huì)被表示出來(lái)等問(wèn)題，本文選用Canny 檢測(cè)算子對(duì)二值化處理后的引導(dǎo)線(xiàn)邊緣進(jìn)行檢測(cè)，結(jié)果如圖3所示。

從圖3可以看出，Canny算子能夠很好地檢測(cè)出道路引導(dǎo)線(xiàn)的邊緣，滿(mǎn)足智能小車(chē)視覺(jué)導(dǎo)引的需求。

圖3 Canny二值化結(jié)果Fig. 3 Result of canny binarization

3 直線(xiàn)行駛視覺(jué)導(dǎo)引

直線(xiàn)行駛的小車(chē)引導(dǎo)線(xiàn)圖像經(jīng)Canny 邊緣檢測(cè)后得到引導(dǎo)線(xiàn)邊界，再通過(guò)Hough 變換［10］檢測(cè)引導(dǎo)線(xiàn)的直線(xiàn)邊界，進(jìn)而通過(guò)兩邊界線(xiàn)求得道路中心線(xiàn)，并與道路中心線(xiàn)的數(shù)學(xué)模型一起得到小車(chē)行進(jìn)過(guò)程中的設(shè)定點(diǎn)與設(shè)定方向。

3.1 引導(dǎo)線(xiàn)邊界擬合檢測(cè)算法

運(yùn)用Hough變換檢測(cè)引導(dǎo)線(xiàn)邊界的算法如圖4所示，參數(shù)化引導(dǎo)如圖5所示。引導(dǎo)線(xiàn)邊界擬合算法流程如下：

圖4 引導(dǎo)線(xiàn)邊界擬合檢測(cè)算法Fig. 4 Detection algorithm of boundary fitting of line guide

（1）對(duì)圖3 二值化結(jié)果進(jìn)行Hough 變換，將其圖像空間轉(zhuǎn)換成參數(shù)空間。

（2）任意選取一個(gè)邊緣點(diǎn)，如果該邊緣點(diǎn)落在已經(jīng)找到的直線(xiàn)上，則重新選擇邊緣點(diǎn)；否則，通過(guò)累加器累加邊緣點(diǎn)個(gè)數(shù)，得到累加值。

（3）通過(guò)峰值檢測(cè)函數(shù)找到累加器的最大累加值，與經(jīng)統(tǒng)計(jì)得到的閾值500 相比較。如果累加值大于或等于閾值，則執(zhí)行下一步；反之，返回步驟2重新選取邊緣點(diǎn)。

（4）將找到的邊緣點(diǎn)集通過(guò)擬合公式擬合，得到引導(dǎo)線(xiàn)的邊界。

（5）將引導(dǎo)線(xiàn)邊界繪制在圖5 上，并判斷邊緣點(diǎn)是否全部檢測(cè)。如果邊緣點(diǎn)全部檢測(cè)完畢，則流程結(jié)束；如果沒(méi)有，則返回步驟2，重復(fù)選取邊緣點(diǎn)，直至邊緣點(diǎn)全部檢測(cè)。

圖5 引導(dǎo)參數(shù)化Fig.5 Parameterization of line guide

3.2 直線(xiàn)行走引導(dǎo)的參數(shù)化跟蹤

直線(xiàn)行走引導(dǎo)的目的是讓偏離引導(dǎo)線(xiàn)中心的小車(chē)，通過(guò)給定的位置修正小車(chē)行駛過(guò)程中的位姿偏差。

假定攝像頭安裝在小車(chē)的前方正中心，攝像機(jī)捕捉到圖像的中心方向即小車(chē)的行駛方向。假定小車(chē)的初始位置為坐標(biāo)原點(diǎn)(0，0)，觀測(cè)點(diǎn)距離小車(chē)位置為R，以小車(chē)質(zhì)心為圓心，觀測(cè)點(diǎn)到小車(chē)質(zhì)心距離為半徑作圓弧C，如圖5所示。

由于直線(xiàn)行走的小車(chē)其引導(dǎo)線(xiàn)邊緣相互平行，假定引導(dǎo)線(xiàn)的兩條邊緣線(xiàn)方程分別為x1=k1× y1+ c1（直線(xiàn)1）、x2= k2× y2+ c2（直線(xiàn)2），則引導(dǎo)線(xiàn)的中心線(xiàn)到兩邊的距離如式（4）所示。

由式（4）可得道路中心線(xiàn)的方程為x = k ×y + xe- ye，該中心線(xiàn)與圓弧C 的交點(diǎn)即為小車(chē)的設(shè)定點(diǎn)(xe，ye)。智能小車(chē)行駛時(shí)只需要根據(jù)設(shè)定點(diǎn)的坐標(biāo)，通過(guò)運(yùn)動(dòng)控制策略即可實(shí)現(xiàn)實(shí)時(shí)位姿控制。

4 弧線(xiàn)行駛視覺(jué)導(dǎo)引

對(duì)弧線(xiàn)引導(dǎo)的道路圖像采用直線(xiàn)引導(dǎo)道路圖像相同的預(yù)處理操作，得到經(jīng)Canny 邊界提取后的二值化圖像，通過(guò)圖像骨架提取算法提取弧線(xiàn)道路的中心線(xiàn)；以智能小車(chē)質(zhì)心為圓心，質(zhì)心與觀測(cè)點(diǎn)之間的距離為半徑作圓弧，中心線(xiàn)與圓弧的交點(diǎn)即為設(shè)定點(diǎn)；以設(shè)定點(diǎn)為圓心搜索弧形引導(dǎo)線(xiàn)輪廓邊界到設(shè)定點(diǎn)的最小距離，該最小距離的垂線(xiàn)方向即為設(shè)定方向。

4.1 引導(dǎo)線(xiàn)圖像骨架提取

弧線(xiàn)引導(dǎo)道路的中心線(xiàn)是弧線(xiàn)引導(dǎo)道路的中軸，也是智能小車(chē)行駛的最短路徑，因此弧線(xiàn)引導(dǎo)道路的骨架提取問(wèn)題本質(zhì)上是最短路徑規(guī)劃問(wèn)題。本文應(yīng)用Astar 最短路徑搜索算法對(duì)弧形引導(dǎo)線(xiàn)進(jìn)行骨架提取，解決了骨架提取算法提取的骨架偏離引導(dǎo)線(xiàn)中軸的問(wèn)題。骨架提取算法流程如圖6所示。

圖6 中，首先對(duì)Canny 檢測(cè)后的二值圖片進(jìn)行距離變換，得到弧形引導(dǎo)道路的距離場(chǎng)，再經(jīng)過(guò)分水嶺算法獲取含有引導(dǎo)道路的骨架潛在圖；同時(shí)由主動(dòng)輪廓模型確定引導(dǎo)道路的凸點(diǎn)，通過(guò)引導(dǎo)道路中心線(xiàn)端點(diǎn)到引導(dǎo)道路凸包的距離對(duì)引導(dǎo)線(xiàn)的骨架點(diǎn)進(jìn)行篩選，得到骨架關(guān)鍵點(diǎn)；利用 Astar 算法搜索引導(dǎo)道路的骨架關(guān)鍵點(diǎn)，從而得到引導(dǎo)線(xiàn)的骨架，如圖7所示。

圖6 骨架提取算法流程Fig. 6 Skeleton extraction algorithm flow

由圖7 可以看出，通過(guò)此方法得到的引導(dǎo)線(xiàn)骨架十分接近引導(dǎo)線(xiàn)的中心線(xiàn)，說(shuō)明基于Astar的骨架提取算法在弧形引導(dǎo)線(xiàn)的骨架提取中非常適用。

圖7 弧形道路的骨架提取Fig. 7 Skeleton extraction of curved road

4.2 弧線(xiàn)行走引導(dǎo)的參數(shù)化跟蹤

同直線(xiàn)行走引導(dǎo)相似，以智能小車(chē)質(zhì)心為圓心，質(zhì)心到觀測(cè)點(diǎn)的距離為半徑作圓弧D，圓弧D與弧形道路中心線(xiàn)即骨架輪廓線(xiàn)的交點(diǎn)即為智能小車(chē)的設(shè)定點(diǎn)，如圖8所示。

圖8 弧形道路引導(dǎo)示意圖Fig. 8 Schematic diagram of arc-shaped road guidance

由于弧形道路中心線(xiàn)沒(méi)有一個(gè)通用的數(shù)學(xué)程式去建模，因此為簡(jiǎn)化算法，本文采用遍歷的思想，以設(shè)定點(diǎn)為圓心，在道路區(qū)間找尋最大內(nèi)切圓，從而求得設(shè)定點(diǎn)與兩邊界線(xiàn)距離和的最小值，如式（5）。

式中：(xl，yl)、(xr，yr)分別為小車(chē)的設(shè)定點(diǎn)(x′e，y′e)到左、右兩側(cè)邊界線(xiàn)的交點(diǎn)。

由式（5）可以得到道路中心線(xiàn)的方程為x=k × y + x′e- y′e，該中心線(xiàn)與圓弧D 的交點(diǎn)即為小車(chē)的設(shè)定點(diǎn)(x′e，y′e)。智能小車(chē)行駛時(shí)只需要根據(jù)設(shè)定點(diǎn)的坐標(biāo)，通過(guò)運(yùn)動(dòng)控制策略即可實(shí)現(xiàn)實(shí)時(shí)位姿控制。

5 結(jié)論

圍繞智能小車(chē)視覺(jué)導(dǎo)引，采用C++編程輔以O(shè)PENCV 庫(kù)處理圖像，采用Hough 變換法、Astar骨架提取法找尋引導(dǎo)道路中心線(xiàn)；引入引導(dǎo)道路參數(shù)化模型，確定智能小車(chē)的設(shè)定點(diǎn)與設(shè)定方向。實(shí)驗(yàn)結(jié)果表明，提出的引導(dǎo)線(xiàn)參數(shù)化方法，降低了智能小車(chē)導(dǎo)引的復(fù)雜度，能滿(mǎn)足具有規(guī)則引導(dǎo)線(xiàn)的智能小車(chē)的日間巡檢。