摘" 要：汽車近光拐點的檢測對于前照燈的配光檢測十分重要，為了準確地檢測近光拐點的位置，該文提出一種基于點到折線組距離和的汽車近光光型拐點檢測算法，尤其適合用于“多段式”近光光型的拐點檢測。首先，需要對近光光型圖進行預處理，包括平滑濾波、目標區(qū)域裁剪和二值化，再利用輪廓跟蹤法，從左側起始點對預處理圖像進行邊緣點提取得到邊緣點和鏈碼，然后將邊緣點經(jīng)過兩次篩選得到候選拐點及其組合成的折線組，最后計算所有邊緣點到每個折線組的距離和，其最小值所對應的候選拐點即為近光光型的拐點。實驗驗證，該方法可以很好地檢測出“多段式”近光光型拐點以及截止線，且具有旋轉不變性，具有很高的實用價值。

關鍵詞：近光拐點；配光檢測；點到折線組；距離和；多段式

中圖分類號：U463.65" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2024）32-0031-05

Abstract： The detection of the inflection point of the low beam is very important for the light distribution detection of the headlight. In order to accurately detect the position of the low beam inflection point， this paper proposes an inflection point detection algorithm for the low beam light pattern based on the sum of the distance from the point to the broken line group， which is especially suitable for the inflection point detection of the \"multi-segment\" low beam light pattern. First， it is necessary to pre-process the low-beam light pattern， including smoothing filtering， target area clipping and binarization. Then use the contour tracking method to extract edge points from the pre-processed image from the starting point on the left to obtain edge points and chain codes. Then， the edge points are filtered twice to obtain candidate inflection points and their combined broken line groups. Finally， the sum of the distances from all edge points to each broken line group is calculated. The candidate inflection point corresponding to the minimum value is the inflection point of the low-beam light pattern. Experimental results show that the method in this paper can well detect the inflection point and cut-off line of the \"multi-segment\" low-beam light pattern， and is rotationally invariant and has high practical value.

Keywords： low beam inflection point; light distribution detection; point-to-broken line group; distance sum; multi-segment type

前照燈作為汽車上用來照明前方道路最重要的燈具，其光學性能會直接影響駕駛員的可視視野范圍和安全駕駛體驗，因而汽車廠家對前照燈進行下線配光性能檢測及照準調(diào)節(jié)是十分必要的[1-3]。而無論是對于前照燈配光性能檢測還是照準調(diào)節(jié)，都不可避免地需要先準確測得近光拐點位置[4]。

目前，前照燈近光拐點的識別方法主要是直線擬合求交點法。如崔明等[5]先對近光光型預處理，再進行邊緣點檢測，之后通過對提取出的邊緣點，從左向右對相鄰兩列像素的行坐標進行比較得到水平和傾斜邊緣的分界點，然后分別對左右兩側的邊緣點進行擬合求得2條直線，最后計算2條直線的交點即定為近光的拐點；李策[6]提出的拐點檢測方法也基本類似，不同之處是邊緣檢測算法，其基于灰度中心的方法確定有效的截止線邊緣，然后再計算左右2條直線的交點；胥鈞[7]對水平和傾斜邊緣的提取方法作了改進，其基于近光光型熱點的位置進行提取近光的水平截止線和傾斜截止線，進而擬合直線和計算2條直線的交點，這種方法可以自適應進行區(qū)域定位，提高拐點檢測的準確性和穩(wěn)定性。以上這些拐點檢測算法都是針對傳統(tǒng)的“兩段式”近光光型進行拐點檢測，其在對邊緣點進行直線擬合前都需要先確定直線之間的分界點，這對于目前常見的“多段式”近光光型是很困難的。迄今，對于“多段式”近光光型的拐點檢測的相關研究較少，沒有一個比較有效的解決方案。

鑒于以上問題，本文提出了一種基于點到折線組距離和的近光拐點檢測算法，期望可以為“多段式”近光光型拐點檢測提供一種準確、快速的檢測方法。

1" 近光光型及拐點檢測方法

1.1" 近光光型介紹

傳統(tǒng)的近光光型的截止線為“兩段式”，即一段為水平部分，另一段為與水平方向夾角約15°的傾斜部分[4]。一般而言，在靠右駕駛的國家，其汽車近光左側水平，右側傾斜，形成“左低右高”的光型，如圖1所示，而靠左駕駛的國家，則相反，光型為“左高右低”。呈現(xiàn)這種型式截止線的近光燈具一般采樣全反射式設計，其截止線銳度較低，且設計復雜度較高[8-9]，而隨著光源技術和燈具設計制造技術的不斷革新，越來越多的近光光型被設計成“多段式”，如圖2所示，其為目前最常用的一種“多段式”型式，其中拐點C為近光照準基準點，A、B、D為近光截止線普通拐點。本文中算法針對的“多段式”近光光型主要為圖2中所示的類型。

1.2" 拐點檢測方法

1.2.1" 輪廓跟蹤法

為了提取近光光型截止線的邊緣點，需要對近光光型二值圖進行輪廓跟蹤，具體如下：首先對目標圖像的第一列的點從上往下逐點進行像素比對，當檢測到像素值為1時，即停止，將該點定為起始點，然后從起始點開始，進行邊緣點跟蹤搜索，并按照正上方點→右上方點→右側點→右下方點→正下方點的順序逐點進行（所有方向均以當前搜索點為參考點），直到搜索到的點處于目標圖像最后一列上，即停止搜索，所有得到點即為邊緣點。

1.2.2" 八連通鏈碼

為了更方便地通過邊緣點篩選出候選拐點，本文利用一種新的八連通鏈碼對邊緣點進行鏈碼計算，如圖3所示，定義處于中心點正上方向為5，正下方向為2，向左方向為7，向右方向為0，左上方向為4，左下方向為3，右上方向為6，右下方向為1。該鏈碼的特點是當相鄰兩鏈碼之和為7時，則意味著邊緣點又回到了同一行。為了更清晰地進行解釋，在圖4中示出部分邊緣點，按照本文的鏈碼規(guī)則，從左向右計算鏈碼為0 611600，第三點和第五點前后的鏈碼相加為7，而由圖4可以看出，經(jīng)過該兩點后，邊緣點又回到前一點相同的行高。

1.2.3" 拐點檢測方法

利用1.2.1中的輪廓跟蹤法可以提取出近光光型中截止線的邊緣點，再通過計算邊緣點的鏈碼特征可以進行候選拐點的預篩選，而為了進一步提高算法的運行速度，需要對預篩選后的候選拐點再進行一次篩選得到新的候選拐點，再對候選拐點進行組合，按序連接，形成折線組，再計算點到折線組距離和，其最小值所對應的拐點組合即為“多段式”近光光型的4個拐點，具體算法步驟如下。

S1：通過工業(yè)相機攝取近光光型圖像，并對近光光型圖進行預處理，預處理包括平滑濾波、目標區(qū)域提取和二值化處理，平滑濾波可以在一定程度上平滑提取得到的近光截止線，而目標區(qū)域提取可以提高處理速度，且避免光型左右側邊緣點的干擾[10]；

S2：通過輪廓跟蹤法對預處理后的目標圖像進行邊緣點提取，得到邊緣點點集J1，同時利用本文1.2.2中所述的鏈碼規(guī)則對邊緣點求取鏈碼；

S3：根據(jù)鏈碼，對邊緣點進行逐點預篩選，找到候選拐點，預篩選的具體規(guī)則為若邊緣點中第i點的鏈碼與第i+1點的鏈碼不同，且第i+1點的鏈碼和第i+2點的鏈碼之和不等于7，則判定為候選拐點，形成點集J2。i的范圍為1≤i≤L-2，其中L是J1的長度；

S4：對預篩選的候選拐點點集J2進行再次篩選，得到新的候選拐點點集J3，即對預篩選的候選拐點進一步判斷是否滿足

式中：ΔV1為點集J2中第j+1點與第j點的縱坐標之差減去其橫坐標之差所得到的值，ΔV2為點集J2中第j點與第j-1點的縱坐標之差減去其橫坐標之差所得到的值，即

式中：（xj，yj）為點集J2中第j點坐標，（xj-1，yj-1）為第j-1點坐標，（xj+1，yj+1）為第j+1點坐標。j的范圍為2≤j≤L1，L1是點集J2的長度；

S5：提取邊緣點集J1的橫坐標最小的一點P0和橫坐標最大的一點P5，同時根據(jù)P0和P5的坐標判斷P0和P5是否處于拐點點集J3中，如果存在，則把其剔除出拐點點集J3，形成新的點集J4，并將點集J4中的點位按照點位橫坐標從小到大進行排列，形成新的點列G1；

S6：依次從點列G1中按順序選取4個點坐標的組合{P1，P2，P3，P4}，將四點組合與P0、P5形成六點組合{P0，P1，P2，P3，P4，P5}，根據(jù)此六點組合，每相鄰兩點連線線段，可得到5個線段P0—P1、P1—P2、P2—P3、P3—P4、P4—P5，并根據(jù)P0，P1，P2，P3，P4，P5的坐標求得每個線段的表達式；

S7：依次選取點集J1中的點，根據(jù)所選點的橫坐標和S6選擇的六點的橫坐標，判斷其點位區(qū)間，當所選點的橫坐標大于P0的橫坐標，小于P1的橫坐標，則所選點處于P0—P1線段內(nèi)，當所選點的橫坐標大于P1的橫坐標，小于P2的橫坐標，則所選點處于P1—P2線段內(nèi)，當所選點的橫坐標大于P2的橫坐標，小于P3的橫坐標，則所選點處于P2—P3線段內(nèi)，當所選點的橫坐標大于P3的橫坐標，小于P4的橫坐標，則所選點處于P3—P4線段內(nèi)，當所選點的橫坐標大于P4的橫坐標，小于P5的橫坐標，則所選點處于P4—P5線段內(nèi)，求解選取點與其對應線段的距離，再選取下一點進行操作，求解得到下一點的距離，直到遍歷點集J1中所有的點，將所有的求解得到的距離進行求和，并將其值放在集合V1；

S8：從點列G1中按順序選取新的4個點坐標的組合，確保與之前提取出的四點組合都不全同，進行S6—S8的操作，直到遍歷所有的四點組合；

S9：求解V1中的最小值，其最小值對應的四點組合即確定為近光截止線的拐點，其中第三點為近光光型的基準點。

值得一提的是，在S6中，可根據(jù){P1，P2，P3，P4}4個選取點相互之間的橫坐標差值預判斷此四點是否可能為近光光型拐點組合，可以進一步提高此算法的運行速度。

2" 實驗驗證

為了對本文提出的近光光型的拐點檢測算法進行驗證，這里借助在線配光檢測設備和工業(yè)相機來拍攝實際近光模組的近光光型，工業(yè)相機的分辨率為1 600×1 200，攝取的圖像如圖5所示。

利用本文算法對圖像5進行處理，其中平滑濾波算法選擇濾波窗口為5×5的高斯濾波，二值化閾值選擇50，需要注意的是，二值化閾值的選取與相機的曝光參數(shù)有關，目標區(qū)域為矩形區(qū)域，左上角坐標為（100，200），右下角坐標為（1 200，1 000），算法檢測的過程圖與結果圖如圖6—圖10所示。

圖6為原圖經(jīng)過預處理后的圖像，圖7為對預處理圖像經(jīng)過二值化后的圖像，圖8為利用本文所述的輪廓跟蹤法進行輪廓跟蹤所提取的輪廓線圖，圖9為“多段式”近光拐點的拐點檢測結果圖，4個“十”字型所示位置即為檢測拐點所在位置，圖10為利用檢測拐點相互連接形成的近光截止線結果圖。由圖9和圖10的結果圖可以看出本文算法可以準確檢測出“多段式”近光光型的拐點及截止線。

為了進一步驗證本文提出的拐點檢測算法對于旋轉變換的魯棒性，將圖5的結果圖進行45°和-45°的旋轉并進行拐點檢測，其結果示如圖11和圖12所示。由圖11和圖12中可見，對于大角度旋轉后的近光光型圖，本文算法仍能準確地檢測出拐點位置，此結果表明本文算法具有旋轉不變性。在旋轉不變性的驗證中，僅改變了算法檢測的目標區(qū)域，其余參數(shù)均與之前一致。

對于“兩段式”截止線的近光光型，本文算法稍加修改也能進行檢測，且無需確定直線之間的分界點。具體來說，只需將S6中取四點組合變成依次取單點，對應地，S7中多條線段改為2條線段，其余操作均不變即可進行檢測，這里選取一個“兩段式”截止線的近光光型圖進行檢測，檢測結果如圖13所示。由圖13中可以看出，本文算法修改后也很好地檢測到了近光光型的拐點及截止線。

3" 結論

本文提出了一種基于點到折線組距離和的近光拐點檢測算法，首先對近光光型圖進行預處理，包括平滑濾波、目標區(qū)域裁剪和二值化，再利用輪廓跟蹤法，從左側或右側的起始點對預處理圖像進行邊緣點提取得到邊緣點和鏈碼，然后通過邊緣點自身特點及其鏈碼進行候選拐點篩選，再對得到的候選拐點進行組合，按序連接，形成折線組，最后計算所有邊緣點到每個折線組的距離和，其最小值所對應的候選拐點即確定為近光光型的拐點，這種方法不需要確定各線段或直線之間的分界點，可以很方便準確地檢測出近光拐點及其截止線，尤其適用于“多段式”近光光型的拐點檢測，此外，該方法略微修改后也可以很好地檢測出“兩段式”近光光型的拐點，其可以很好地應用于前照燈在線檢測設備設計領域，且目前已經(jīng)經(jīng)過多個前照燈檢測項目的實際效果驗證。

參考文獻：

[1] 修亞男，穆平安，戴曙光，等.車燈模組的照度檢測研究[J].計量學報，2020，41（10）：1212-1217.

[2] 謝祖通，翁曉偉，陳愛華.基于成像型亮度計的車燈配光性能檢測系統(tǒng)研究[J].照明工程學報，2017，28（2）：61-64.

[3] 倪高平.汽車前照燈光學檢測系統(tǒng)[D].蘇州：蘇州大學，2015.

[4] 李祥兵.汽車前照燈前束燈光標定方法及故障應對策略[J].汽車電器，2022（11）：88-91.

[5] 崔明，顧啟民.基于機器視覺的前照燈拐點檢測與研究[J].制造業(yè)自動化，2015，37（10）：11-14.

[6] 李策.基于計算機視覺的汽車車燈檢測技術研究[D].北京：北京化工大學，2021.

[7] 胥鈞.基于機器視覺的汽車前照燈燈光檢測儀開發(fā)研究[D].廊坊：華北科技學院，2021.

[8] 周紹棟，聶暢，張輝，等.汽車前照燈發(fā)展綜述與智能化趨勢展望[J].機械工程學報，2023，59（22）：380-395.

[9] 毛玉倩.投射式汽車前照近光燈的設計和優(yōu)化[D].杭州：浙江大學，2016.

[10] 沈琪琪.一種基于凸包的汽車燈光近光光型特征點檢測方法和系統(tǒng)統(tǒng)：CN117876468A[P].2024-04-12.