戴玉艷，朱燦焰，季愛明，毛凌鋒

（蘇州大學(xué) 城市軌道交通學(xué)院，江蘇 蘇州 215006）

障礙物檢測是智能車輛不可缺少的重要功能，是車輛安全行駛的保證。機(jī)器視覺能夠利用圖像和圖像序列來識別和認(rèn)知三維世界，使計算機(jī)實現(xiàn)人的視覺系統(tǒng)的某些功能。機(jī)器視覺具有信息量大，空間覆蓋廣，不增加環(huán)境噪聲等優(yōu)點(diǎn)，因此機(jī)器視覺已成為目前智能車輛及自動駕駛中信息獲取的主要途徑。利用機(jī)器視覺進(jìn)行障礙物檢測具有解決實際困難和探索全自動駕駛的雙重意義，正受到國內(nèi)外的關(guān)注，其中雙目視覺檢測更是研究的熱點(diǎn)[1-2]。

雙目視覺一般由兩個平行放置的攝像機(jī)從不同角度同時獲取周圍景物的信息。基于雙目視覺的障礙物檢測一般有一下幾步:雙目視頻的同步；攝像機(jī)定標(biāo)；對障礙物目標(biāo)區(qū)域圖像對進(jìn)行特征點(diǎn)檢測和匹配，得到障礙物目標(biāo)的空間信息。在智能車輛的應(yīng)用中是對運(yùn)動中的物體障礙物進(jìn)行檢測，首先應(yīng)對兩個攝像頭的視頻校準(zhǔn)，否則將影響立體匹配結(jié)果。

本文從圖像處理的角度提出了對于運(yùn)動視頻的校準(zhǔn)算法。首先對雙目攝像機(jī)得到的圖像建立敏感區(qū)域，然后用圖像分割識別的方法檢測目標(biāo)物，用動目標(biāo)與固定物體的距離校準(zhǔn)雙目視頻，最后對室外真實場景進(jìn)行實驗以驗證算法的有效性。

1 建立敏感區(qū)域

行駛在道路上的車輛有一定的位置特征，當(dāng)前車輛始終在同一車道內(nèi)行駛，該車道以外的障礙物并不影響當(dāng)前車輛的行駛安全。本文研究的對象限于當(dāng)前車道內(nèi)的前方車輛，為了降低處理難度和提高檢測速度，對道路做了一定的假設(shè)，如圖1所示。

圖1 敏感區(qū)域Fig.1 Area of interest

1）假設(shè)特定敏感區(qū)域。在確定系統(tǒng)中，道路在圖像中的位置相對固定，因此搜索障礙物的區(qū)域可由整個圖像縮小為兩條車道線所組成的區(qū)域。只對圖像中特定區(qū)域的敏感區(qū)域進(jìn)行處理，從而降低算法的復(fù)雜度，縮短處理時間，提高處理速度。

2）假設(shè)道路等寬。假設(shè)道路的寬度基本不變或變化很小，兩條路邊可以認(rèn)為是平行的。

2 目標(biāo)物檢測

目標(biāo)物的檢測主要運(yùn)用了圖像分割的方法，就是要從圖像中提取信息，本文主要用了聚類分析、邊緣檢測及形態(tài)學(xué)操作。

2.1 聚類分析

聚類分析是一種無監(jiān)督模式的識別方法，它從初始聚類中心根據(jù)相似性和相鄰性構(gòu)造分類器，從而將給定的數(shù)據(jù)分割為若干不同的類[3]。聚類后數(shù)據(jù)集的類內(nèi)對象高度相關(guān)，類間對象差別較大。利用聚類方法對圖像進(jìn)行分割識別具有直觀、易于實現(xiàn)的特點(diǎn)。常見的聚類分析算法有減法聚類、層次聚類和動態(tài)聚類算法等。本文采用-均值聚類算法對雙目圖像進(jìn)行分割識別。

k-均值聚類算法的核心思想是通過不斷迭代，把每個對象劃分到且只劃分到一個類中[4]。在滿足非線性目標(biāo)函數(shù)，即公式（1）最小化的條件下，把 n 個對象 Xj（j=1，…，n）構(gòu)成的數(shù)據(jù)集分成 k 個類 Gi（i=1，…，k）。k-均值聚類算法步驟：1）確定需要分的類數(shù)k；2）從數(shù)據(jù)集Xj中選取k個對象作為類Gi的初始聚類中心 Gi（i=1，…，k）；

3）依次計算對象Xj與這k個聚類中心Ci的距離d（Xj，Ci），并按就近原則將對象劃分到距離最小的類中；

4）分別計算新生成的類Gi中所有對象的樣本均值，更新聚類中心；

5）采用誤差平方和準(zhǔn)則函數(shù)判斷聚類是否合理，當(dāng)誤差函數(shù)很小時結(jié)束聚類，否則重復(fù)步驟3）-4），直至達(dá)到算法終止條件。

k-均值聚類是一個持續(xù)迭代的過程，影響聚類結(jié)果的主要因素是劃分的類數(shù)k、初始聚類中心Ci和對象間的距離d（Xj，Ci）。從k-均值算法流程看，如果選取滿足以下兩個條件的初始聚類中心，就能很好地實現(xiàn)聚類：

1）每個類中有且僅有一個聚類中心；

2）選擇的初始聚類中心應(yīng)盡可能靠近類的中心。

本文對圖像的灰度進(jìn)行聚類，則分別根據(jù)兩通道圖像的灰度直方圖選擇滿足上述條件的初始聚類中心。

2.2 邊緣檢測算法

一般來講，提取目標(biāo)物就是要提取目標(biāo)和背景的邊界線，將目標(biāo)和背景區(qū)分開。圖像中，邊緣是指其周圍像素灰度值有階躍變化或有拋物線變化的像素點(diǎn)的集合，它是灰度值不連續(xù)的結(jié)果。邊緣檢測是一種削弱邊緣以外圖像區(qū)域，突出圖像邊緣輪廓的方法，故可采用邊緣檢測算法提取目標(biāo)和背景的邊界線。

最簡單的邊緣檢測方法是邊緣檢測算子，它利用相鄰區(qū)域的像素值不連續(xù)的性質(zhì)，采用一階或二階導(dǎo)數(shù)來檢測邊緣點(diǎn)。算子是一階微分算子，它采用加權(quán)平均濾波，對噪聲具有一定的抑制能力，且計算簡單，運(yùn)算速度快，故本文采用算子進(jìn)行目標(biāo)物邊緣檢測[5-6]。Sobel是一組方向算子，從不同的方向檢測邊緣，加強(qiáng)了中心像素上下左右4個方向像素的權(quán)重。圖像中每個像素點(diǎn)都用式（2）兩個模板作卷積，第一個模板對水平邊緣影響最大，第二個模板對垂直邊緣影響最大。然后利用式（3）計算梯度大小，即得到像素的邊界強(qiáng)度，利用式（4）計算梯度方向。

Sobel算子差分計算公式：

其中，Gx（i，j）和 Gy（i，j）為模板 Gx，Gy在像素（i，j）處的卷積值。

2.3 形態(tài)學(xué)操作

數(shù)學(xué)形態(tài)學(xué)是由一組形態(tài)學(xué)的代數(shù)運(yùn)算子組成的，其基本運(yùn)算是膨脹和腐蝕[8]。膨脹定義為集合運(yùn)算，圖像集合A用結(jié)構(gòu)元素B來膨脹，記作A⊕B，其定義為：

腐蝕的數(shù)學(xué)定義與膨脹類似，A用結(jié)構(gòu)元素B來腐蝕AΘB，記作，其定義為：

腐蝕的具體操作是：用一個結(jié)構(gòu)元素掃描圖像中的每一個像素，用結(jié)構(gòu)元素中的每一個像素與其覆蓋的像素做“與”操作，如果都為1，則該像素為1，否則為0。

膨脹的作用是把圖像周圍的背景合并到物體中，對填補(bǔ)圖像分割后物體中的空洞很有用。腐蝕是消除物體邊界點(diǎn)，把小于結(jié)構(gòu)元素的物體去除。如果兩個物體之間有細(xì)小的連通，當(dāng)結(jié)構(gòu)元素足夠大時，通過腐蝕可以將兩個物體分開。這種形態(tài)學(xué)操作可以有效地去除一定尺寸的雜波，同時保證圖像的內(nèi)部結(jié)構(gòu)不變。

在形態(tài)學(xué)處理中，除了膨脹和腐蝕兩種基本運(yùn)算外，還有兩種由膨脹和腐蝕定義的運(yùn)算，即開運(yùn)算和閉運(yùn)算[7]。開運(yùn)算是對圖像先腐蝕再膨脹的過程，圖像集合A用結(jié)構(gòu)元素B來作開運(yùn)算，記作A?B，其定義為：

閉運(yùn)算是對圖像先膨脹再腐蝕的過程，A用結(jié)構(gòu)元素B來作閉運(yùn)算，記作A·B，其定義為：

開運(yùn)算可去除毛刺和小的連通區(qū)域，平滑較大物體的邊界。閉運(yùn)算可以填充物體的細(xì)小空洞、連接鄰近物體、平滑其邊緣。兩種形態(tài)學(xué)操作都可以起到平滑目標(biāo)邊界且不明顯改變其尺寸的效果。

3 實驗驗證

3.1 實驗設(shè)備及視頻采集

為了驗證所提出雙目視覺校準(zhǔn)算法的有效性，本文進(jìn)行了真實的室外場景實驗。采用2個KaiCong-423C型攝像頭進(jìn)行道路視頻采集，兩攝像頭平行放置，距地面高度H=1 m，間距B=63 cm，鏡頭焦距3.6 mm。為了方便，這里將攝像頭固定，在道路中運(yùn)動的汽車作為障礙物，來模擬實際情況中攝像頭運(yùn)動，障礙物固定的情形。采集視頻時為晴天，將采集的雙目視頻以文件格式（AVI）存儲，利用保存的視頻進(jìn)行校準(zhǔn)算法研究。

3.2 實驗過程

校準(zhǔn)算法分為兩步，第一步：粗校準(zhǔn)。時間是絕對的，先根據(jù)得到的雙路視頻上顯示的時間將兩個視頻定位到同一時刻。第二步：細(xì)校準(zhǔn)。在粗定位的基礎(chǔ)上，利用上述算法根據(jù)兩幅圖像中運(yùn)動的汽車與攝像頭的距離進(jìn)行校準(zhǔn)。圖2是粗校準(zhǔn)得到的時間顯示為同一時刻的雙通道圖像。

圖2 粗校準(zhǔn)后兩通道圖像Fig.2 The stereo image pairs after rough calibration

利用k-均值聚類算法，對圖2的灰度圖像進(jìn)行處理，這里根據(jù)兩幅幀圖像的灰度直方圖，如圖3所示，選擇3個初始聚類中心，結(jié)束聚類后的聚類中心如表1所示。

表1 聚類中心Tab.1 Clustering centers

聚類后圖像中的背景物體過濾掉一部分，如圖4（a）所示，但干擾依然存在。作為目標(biāo)物的汽車被提取出來的區(qū)域相對比較連續(xù)、規(guī)整，利用這一特征將線長較小的部分濾掉，并進(jìn)行邊緣檢測，得到其二值圖像，從而去除了絕大部分的噪聲，如圖4（b）所示。再對得到的二值圖像進(jìn)行1次膨脹和腐蝕處理，即開運(yùn)算，并刪除目標(biāo)區(qū)域上的空洞，得到目標(biāo)提取結(jié)果圖像，如圖 4（c）所示。

圖3 灰度直方圖Fig.3 Gray histogram

圖4 目標(biāo)提取結(jié)果Fig.4 Object extraction results

4 實驗結(jié)果及分析

對于直線行駛的汽車道路在圖像中的位置是固定的，本文利用道路中心線與汽車的相對位置關(guān)系，確定車輛與攝像頭的距離。本文處理時，先固定通道1視頻的幀圖像，然后粗校準(zhǔn)通道2視頻，在顯示為同一時間幀圖像前后搜索，將兩幅圖像中汽車與攝像頭的實際距離最小的幀圖像作為校準(zhǔn)結(jié)果，過程如圖5所示，圖中第4幀則為校準(zhǔn)后幀圖像。

為了驗證校準(zhǔn)算法的有效性，對本文校準(zhǔn)后的視頻進(jìn)行立體匹配，結(jié)果如圖6（a）所示；若不進(jìn)行校準(zhǔn)，從視頻起點(diǎn)匹配結(jié)果如圖 6（b）所示。

從圖6可以看出，盡管兩個匹配結(jié)果均不太理想，但是相比較而言，校準(zhǔn)后的匹配結(jié)果（圖6（a））較好。匹配結(jié)果不理想，可能是由攝像頭像素不高，兩個攝像頭沒有嚴(yán)格平行放置等客觀原因，以及匹配算法的適用性等原因引起的，這將在后續(xù)的算法中研究。

圖5 校準(zhǔn)搜索結(jié)果Fig.5 Carlibration results

圖6 匹配結(jié)果Fig.6 Stereo matching results

5 結(jié)束語

本文根據(jù)雙目立體視覺技術(shù)在道路障礙物檢測中的應(yīng)用，基于搜索的思想提出了一種用圖像處理校準(zhǔn)雙目視覺的算法。該算法比較簡單，易于實現(xiàn)。首先為了縮短處理時間，對視頻幀圖像進(jìn)行預(yù)處理，建立校準(zhǔn)的敏感區(qū)域。然后利用聚類算法，邊緣檢測及形態(tài)學(xué)處理檢測道路中的目標(biāo)物，最后根據(jù)得到的動目標(biāo)與固定物的距離來搜索匹配的視頻幀。實驗證明，該算法可以校準(zhǔn)雙目視覺，從而使立體匹配更精準(zhǔn)。

[1]Wei J，Rovira-Mas F，Reid J F.Obstacle detection using stereo vision to enhance safety of autonomous machines[J].Transactions of the ASAE，2005，48（6）:2389-2397.

[2]王葵，徐照勝，顏普，等.基于激光測距雷達(dá)和機(jī)器視覺的障礙物檢測[J].儀表技術(shù)，2012（8）:25-28.WANG Kui，XU Zhao-sheng，YAN Pu，et al.Obstacles detection based on laser ranging radarand machine vision[J].Instrumentation Technology，2012（8）:25-28.

[3]Huang Z.Extensions to the K-means algorithm for clustering large data sets with categorical value[J].Data Ming and Knowledge Discovery，1998，2（3）:283-304.

[4]李全鑫，魏海平.基于聚類分類法的信息過濾技術(shù)研究[J].電子設(shè)計工程，2014（20）:14-16.LI Quan-xin，WEI Hai-ping.Research of the information filter based on clustering launched classification[J].Electronic Engineering Design，2014（20）:14-16.

[5]Rajab M I，Woolfson M S，Morgan S P.Application of region based segmentation and neural network edge detection to skin lesions[J].Computerized Medical Imaging and Graphics，2004，28（12）:61-68.

[6]何春華，張雪飛，胡迎春.基于改進(jìn)Sobel算子的邊緣檢測算法的研究[J].光學(xué)技術(shù)，2012，38（3）:323-327.HE Chun-hua，ZHANG Xue-fei，HU Ying-chun.A study on the improved algorithm for Sobel on image edge detection[J].Optical Technique，2012，38（3）:323-327.

[7]Rafael C.Gonzalez，Richard E.Woods.數(shù)字圖像處理 [M].2版.阮秋琦，阮宇智，譯.北京：電子工業(yè)出版社，2011.