楊瑩瑩， 劉 翔， 石蘊(yùn)玉， 黃立新， 王雄飛

(1.上海工程技術(shù)大學(xué) 電子電氣工程學(xué)院,上海 201620;2.行謇人工智能科技(上海)有限責(zé)任公司,上海 200050;3.南京南化建設(shè)有限公司,江蘇 南京 211500)

0 引 言

目前，自動(dòng)導(dǎo)引車(chē)(automated guided vehicle,AGV)在智能工廠(chǎng)中的應(yīng)用極大的提高了運(yùn)輸?shù)娜嵝曰c自動(dòng)化，其路徑導(dǎo)引系統(tǒng)是實(shí)現(xiàn)貨物穩(wěn)定運(yùn)輸?shù)闹匾糠?。在常用的AGV導(dǎo)引方式中，視覺(jué)導(dǎo)引具有價(jià)格低、魯棒性好等優(yōu)點(diǎn)，因此視覺(jué)導(dǎo)引方式成為當(dāng)前市場(chǎng)最具應(yīng)用前景的AGV導(dǎo)引技術(shù)[1]。

近年來(lái)，學(xué)者們主要通過(guò)邊緣[2]、顏色[3]等特征提取AGV的路徑行駛區(qū)域，然后采用 Hough[4]變換獲得行駛路徑的直線(xiàn)方程。文獻(xiàn)[5]將RGB路徑圖像轉(zhuǎn)換到HSV顏色空間中，結(jié)合數(shù)學(xué)形態(tài)學(xué)操作補(bǔ)償修復(fù)光照對(duì)路徑的影響并通過(guò)Hough變換對(duì)路徑中心線(xiàn)進(jìn)行擬合，但當(dāng)路徑邊緣受光照影響較大時(shí)，提取的軌跡中心線(xiàn)會(huì)產(chǎn)生較大誤差；文獻(xiàn)[6]利用像素與鄰域的空間信息，將區(qū)域生長(zhǎng)法分割的道路邊界與Sobel算子檢測(cè)的邊緣數(shù)據(jù)相融合減少光照、污漬的干擾，但需要人為選取種子點(diǎn)，對(duì)噪聲較為敏感，導(dǎo)致分割后的區(qū)域內(nèi)出現(xiàn)孔洞。

針對(duì)以上問(wèn)題，本文采用CIELAB顏色模型對(duì)顏色分量進(jìn)行空間轉(zhuǎn)換，然后選取最優(yōu)通道圖像進(jìn)行最佳(KSW)熵閾值分割獲取熵最大時(shí)的分割閾值，并結(jié)合p—分位法(簡(jiǎn)稱(chēng)p-tile法)實(shí)現(xiàn)路徑區(qū)域的準(zhǔn)確提??；考慮到算法的實(shí)時(shí)性，本文將Sobel算子提取的橫向梯度與縱向梯度的邊緣數(shù)據(jù)融合，提高算法的運(yùn)行速度與準(zhǔn)確度。最后通過(guò)最小二乘法擬合滑動(dòng)窗口中的邊緣特征點(diǎn)，從而得到準(zhǔn)確的AGV行駛路徑。

1 AGV路徑識(shí)別模型

在實(shí)際的AGV行駛環(huán)境中，識(shí)別路徑存在光照不均、邊緣污染、邊緣強(qiáng)光照等因素降低路徑的魯棒識(shí)別。本文提出基于CIELAB顏色空間的圖像分割方法，通過(guò)比較各通道像素分布情況，選取最優(yōu)通道作為分割樣本進(jìn)行最大熵閾值分割,并基于前景像素比率確定最佳分割閾值，流程如圖1。

圖1 路徑識(shí)別算法流程

1.1 顏色空間轉(zhuǎn)換

CIELAB顏色空間是由國(guó)際照明委員會(huì)(International Commission on Illumination,CIE)制定的一種色彩模式，簡(jiǎn)稱(chēng)LAB。此顏色模型可以準(zhǔn)確計(jì)算色差，代替RGB顏色模型產(chǎn)生的不均勻偏差。將AGV車(chē)載像機(jī)采集的RGB圖像進(jìn)行LAB顏色空間轉(zhuǎn)換，得到LAB各分量像素分布直方圖，如圖2所示。

圖2 LAB顏色空間轉(zhuǎn)換直方圖

從圖2中可以看出，L通道中的像素分布與灰度直方圖類(lèi)似，邊緣光照以及紋理背景對(duì)像素值分布影響較大；A通道中的像素峰值較為接近，在進(jìn)行圖像分割時(shí)，容易出現(xiàn)背景與目標(biāo)誤判的情況；B通道將像素值明顯分為背景與前景兩部分，且各部分的像素距離較小，表明B通道有效降低了光照及噪聲的影響，因此,本文將B通道作為路徑檢測(cè)樣本圖。

1.2 KSW熵二值化

局部閾值法[7,8]具有一定的抗噪能力，但存在一定的缺陷：1)抗紋理噪聲能力差；2)強(qiáng)光區(qū)與弱光區(qū)容易分離，導(dǎo)致路徑提取不完整。在這種情況下，本文通過(guò)KSW熵法進(jìn)行閾值處理[9]。假設(shè)通過(guò)車(chē)載攝像機(jī)采集的路徑圖像尺寸為M×N，其背景圖像為B，前景圖像為O，pi表示每個(gè)灰度值出現(xiàn)的概率。

1)假設(shè)圖像分割閾值為t，則對(duì)應(yīng)的背景熵與前景熵分別為

(1)

(2)

2)通過(guò)最大化總信息熵獲取最佳閾值t*，即

t*=argmax(HB(t)+HO(t))

(3)

對(duì)比常用的最大類(lèi)間方差法(OTSU)可以看出，路徑圖像經(jīng)過(guò)LAB顏色空間轉(zhuǎn)換后進(jìn)行KSW熵處理能夠很好的解決光照對(duì)邊緣的影響，如圖3所示。

圖3 二值化效果對(duì)比

1.3 融合KSW熵的p-tile閾值分割法

本文通過(guò)KSW熵算法與p-tile算法相結(jié)合的方式快速獲取路徑圖像閾值。假設(shè)AGV在某一良好的環(huán)境中運(yùn)行，車(chē)載像機(jī)在一定角度下采集路徑圖像，則二值化處理后的目標(biāo)像素占整幅圖像像素的比率P=No/Nt。其中，No為目標(biāo)像素，Nt為整幅圖像像素。

當(dāng)拍攝角度以及路徑尺寸相同時(shí)，受到光照、污漬影響的路徑圖像經(jīng)過(guò)顏色空間轉(zhuǎn)換及KSW熵處理后的目標(biāo)像素占比率P′=Nob/Nt。其中，Nob為目標(biāo)像素。當(dāng)|P-P′|>且0

2 AGV路徑檢測(cè)系統(tǒng)

2.1 改進(jìn)的Sobel邊緣檢測(cè)

索貝爾算子(Sobel operator)是一種離散的一階差分算子，可以用于圖像的邊緣檢測(cè)。該算子具有橫縱兩組3×3的矩陣模板。將其與灰度圖像A作卷積，可以得到兩個(gè)方向的亮度差分近似值。公式如下

(4)

由于計(jì)算每列邊緣像素點(diǎn)的計(jì)算量較大，會(huì)影響AGV路徑檢測(cè)的實(shí)時(shí)性。本文通過(guò)融合Sobel算子的水平方向與垂直方向的邊緣數(shù)據(jù)點(diǎn)減少計(jì)算量，如圖4，公式如下

圖4 Sobel邊緣檢測(cè)對(duì)比

(5)

2.2 滑動(dòng)窗口算法

本文在使用滑動(dòng)窗口時(shí)，采用逆透視變換對(duì)圖像進(jìn)行矯正從而確定左右邊緣的像素峰值點(diǎn)并將其作為導(dǎo)航起始點(diǎn)；然后以起始點(diǎn)作為窗口下邊線(xiàn)的中點(diǎn)建立一定尺寸的動(dòng)態(tài)窗口搜索邊緣特征點(diǎn)，并將窗口中像素點(diǎn)的橫坐標(biāo)均值點(diǎn)的所在列與窗口上邊線(xiàn)的交點(diǎn)作為下一個(gè)窗口的下邊線(xiàn)中點(diǎn)，建立同樣尺寸的動(dòng)態(tài)窗口繼續(xù)搜索特征點(diǎn)，直到所有行搜索完畢；最后，將所有落在窗口中的白色像素點(diǎn)定義為左右車(chē)道線(xiàn)的候選點(diǎn)，對(duì)候選點(diǎn)做基于最小二乘法的多項(xiàng)式擬合進(jìn)行車(chē)道線(xiàn)的檢測(cè)。

3 實(shí)驗(yàn)結(jié)果與分析

本實(shí)驗(yàn)通過(guò)AGV車(chē)載攝像機(jī)采集不同環(huán)境下的路徑圖像，利用OpenCV 4.0.1(Open Source Computer Vision Library)平臺(tái)進(jìn)行處理。由于偏置項(xiàng)n的取值影響二值化的準(zhǔn)確度與速度，本文選取具有光照不均、路徑污染、背景紋理干擾的圖像作為實(shí)驗(yàn)樣本。已知上述圖像在良好環(huán)境下二值化處理后的目標(biāo)像素占比為P，通過(guò)顏色空間轉(zhuǎn)換和KSW熵閾值處理后的目標(biāo)像素占比為P′，取不同的偏置項(xiàng)n對(duì)應(yīng)的閾值分割的準(zhǔn)確率F=P/P′。當(dāng)F越接近 1時(shí)，準(zhǔn)確率越高。其中,圖2(a),(c)及圖5(d)為部分代表性結(jié)果，如表1所示。

表1 不同n下的準(zhǔn)確率與時(shí)速

表1中，n=1時(shí)，F(xiàn)=1，路徑提取效果最好，但需要時(shí)間為代價(jià)；n=2時(shí)，F(xiàn)≈1,且時(shí)間相對(duì)較少；n≥3時(shí)，F(xiàn)偏差較大，路徑提取效果較差;綜合比較二值化的準(zhǔn)確度與速度，可以確定n=2時(shí)效果較好。

1)比較傳統(tǒng)的最大熵法與本文改進(jìn)的閾值方法的分割效果，如圖5所示。圖5(a)，(d)受到光照、污染、地面紋理干擾的影響，從分割結(jié)果可以看出，在干擾較強(qiáng)的環(huán)境中傳統(tǒng)的最大熵閾值分割方法效果不佳。本文采用改進(jìn)的p—tile法獲取圖像的最佳閾值，實(shí)現(xiàn)背景與前景的準(zhǔn)確分離，路徑提取效果更為精確。

圖5 二值化處理效果比較

2)為驗(yàn)證改進(jìn)的Sobel方法提高路徑檢測(cè)的實(shí)時(shí)性，本文選取不同環(huán)境下的路徑圖像，對(duì)傳統(tǒng)方法與改進(jìn)方法的路徑檢測(cè)時(shí)間進(jìn)行比較，如表2所示。其中，T1為使用傳統(tǒng)Sobel算子進(jìn)行路徑檢測(cè)需要的時(shí)間，T2為通過(guò)改進(jìn)的Sobel算子進(jìn)行路徑檢測(cè)需要的時(shí)間。從表中可以看出，相較于傳統(tǒng)的Sobel算法，本文方法提高了約4 %的處理速度，同時(shí)，其路徑檢測(cè)效果依舊很好，如圖6所示。

表2 不同方法下的路徑檢測(cè)時(shí)間

圖6 路徑檢測(cè)效果對(duì)比

從圖6中的直方圖像素頻數(shù)分布可以看出，通過(guò)改進(jìn)的Sobel邊緣檢測(cè)法使滑動(dòng)窗口搜索的邊緣像素大大減少，從而減少了運(yùn)算復(fù)雜度，增強(qiáng)了算法的實(shí)時(shí)性；兩種方法對(duì)應(yīng)的檢測(cè)效果一致，表明了改進(jìn)的邊緣檢測(cè)方法在減少邊緣像素點(diǎn)的同時(shí)保持良好的邊緣特征信息，實(shí)現(xiàn)較好的路徑檢測(cè)效果。

4 結(jié) 論

本文通過(guò)分析LAB顏色空間中顏色分量的像素分布特點(diǎn)，得出B通道分量可以有效的避免光照及噪聲的干擾，有利于后續(xù)的二值化處理。通過(guò)對(duì)B通道分割樣本進(jìn)行KSW熵處理，并結(jié)合改進(jìn)的p—tile法獲取圖像的最佳分割閾值實(shí)現(xiàn)了路徑的準(zhǔn)確提取。在路徑檢測(cè)過(guò)程中，對(duì)路徑邊緣采用Sobel算子，將其水平梯度與垂直梯度數(shù)據(jù)進(jìn)行融合，從而去除噪聲點(diǎn)以及冗余的邊緣點(diǎn)，提高了滑動(dòng)窗口對(duì)邊緣特征點(diǎn)的搜索速度，并且降低了最小二乘法擬合車(chē)道線(xiàn)的計(jì)算復(fù)雜度。