裴茂印 張仁杰 曾忠

摘 要：基于視覺導航可大大提升智能車的機動性能，在工業(yè)生產(chǎn)特別是在無人化工作車間、倉庫中能更快地提升生產(chǎn)效率。為提高導航的準確性和實時性，采用“圖像采集和處理” 同時交替識別處理方式對路徑進行識別。提出一種新的融合算法實現(xiàn)路徑的識別檢測，較好地滿足了控制系統(tǒng)的靈敏性和魯棒性需求。與紅外常規(guī)導航相比，該微型智能車速更快，能在光線復雜的情況下清楚地檢測出路徑的邊緣，識別系統(tǒng)表現(xiàn)出更好的穩(wěn)定性。

關(guān)鍵詞：智能車;視覺導航;圖像邊緣檢測;路徑識別

DOI：10. 11907/rjdk. 181892

中圖分類號：TP303文獻標識碼：A文章編號：1672-7800（2019）002-0017-03

Abstract：The visual navigation can greatly improve the motor performance of the intelligent vehicle and the production efficiency in the industrial production， especially in the unmanned workshops. In order to improve the accuracy and real-time of navigation， image processing is used to identify the path. With the method of image acquisition and processing and alternate recognition processing， a new fusion algorithm proposed in this paper is used to realize path recognition and detection， which can meet the needs of sensitivity and robustness of the control system. Compared with other infrared conventional navigation， this micro intelligent vehicle speed is faster， the recognition system shows better stability， and can clearly detect the edge of the path in the case of complex light and runs better.

Key Words：intelligent vehicle; visual navigation; image edge detection; path recognition

收稿日期：2018-05-10

0 引言

自動導航國外研究起步較早，相對成熟。1943年美國誕生第一輛自動導航小車，1959年進一步改造，1985年自動導航技術(shù)飛速發(fā)展。上世紀60年代日本從美國引進該技術(shù)，此后日本的自動導航技術(shù)快速發(fā)展。2009年，印度成功將一名機器人運用在物流領(lǐng)域的自動化中[1]。國內(nèi)相關(guān)研究雖起步較晚，但技術(shù)趨于成熟。2015年，天貓在某促銷節(jié)日期間首次運用微型智能機器人搬運貨物，以應對大量訂單。2016年，京東自主研發(fā)的智能機器人在自動化倉庫中表現(xiàn)出優(yōu)異的避障功能，微型智能車在指定的位置之間搬運物品，大大減少了人力成本，快速高效[2]。

智能車的關(guān)鍵是圖像邊緣檢測技術(shù)的準確性和實時性[3]。王慧[4]運用圖像細化方法識別出路徑的中心線。李進[5]對路徑圖像分割為上下兩個區(qū)域，分別進行提取識別。本文主要采用“圖像采集和處理”同時交替識別處理方式。獲取圖像后，首先運用線性變換方法對圖像進行處理，消除由光線等因素造成的圖像干擾;然后再對圖像增強和邊緣檢測[6]?；赟obel算子采用加權(quán)濾波，運算速度高。Roberts算子具有定位精度高的特點[7]，在綜合利用兩種算子的優(yōu)點基礎(chǔ)上提出一種融合算子，優(yōu)化邊緣檢測算法，用圖像處理結(jié)果驗證算法的優(yōu)越性。

1 視覺圖像處理技術(shù)

機器視覺是利用攝像機作為“眼睛”獲取路面信息，經(jīng)過圖像處理后作為“神經(jīng)遞質(zhì)”傳送給控制器，類似于人類的視覺系統(tǒng)。在工業(yè)應用中主要通過圖像或視頻數(shù)據(jù)讓計算機對周圍的事物進行觀察判斷，或者說利用攝像機拍到的視頻原始數(shù)據(jù)在計算機內(nèi)部進行處理和提取[8]，主要應用于人工智能、模式識別等領(lǐng)域，它的關(guān)鍵技術(shù)就是圖像處理。現(xiàn)在圖像處理技術(shù)已經(jīng)發(fā)展到高分辨率、多灰度層次，不再是簡單的二值圖像處理[9]。

2 路徑圖像數(shù)據(jù)分析與處理

2.1 路徑識別方法

為獲得更大的視角，攝像機呈45°安裝，識別的圖像雖有變形，但可通過相應的算法進行校正[10-11]?，F(xiàn)實倉庫中的標識線都比較規(guī)則，采集到的圖像也較規(guī)則。對圖像先進行二值化再進行閥值分割。要正確完成導航路徑識別，首先要對導航參數(shù)精確提取，核心就是對采集圖像的處理。標識線識別原理：在倉庫中黑色標識線和白色瓷磚背景路面的灰度值對比差異大，經(jīng)圖像處理后就能得到智能車輛的行駛路徑，在采集的圖像中提取黑色標識線邊緣，得到標識線的中心線，根據(jù)此中心線的位置判斷車體與跟蹤標識線的相對位置，從而進行跟蹤控制[12]。本文研究了路徑圖像的識別原理和方法，在識別每一幀路徑圖像時，為提高識別的準確性和實時性，依次進行圖1所示的處理。

為了擴大微型智能車的視野范圍，需要將攝像機與水平線成45°安裝，如圖2所示。其中，攝像頭的安裝高度為Z1，其視野角度與安裝的高度Z1和俯仰角都有關(guān)系。車身長度L1即智能車的前后輪間距。微型智能車利用攝像機作為“眼睛”獲取路面信息，實現(xiàn)從三維空間到二維平面的轉(zhuǎn)換。用數(shù)學理論解釋，其轉(zhuǎn)換過程必然存在一個變換矩陣。在路徑中標定特殊的位置，只要知道標定的位置就能計算出智能車的相對位置。在水平面的理想狀態(tài)下，實際圖像的坐標點和圖像像素的坐標點滿足以下關(guān)系式[13]：

其中，（x，y）是實際圖像的坐標點，（u，v）是圖像像素點的坐標，[H3×3]是實現(xiàn)從三維空間到二維平面的變換矩陣，且滿足

攝像機采集到標識線會產(chǎn)生一定的形變，必須通過數(shù)學運算進行矯正。將變換矩陣和圖選對應像素點的坐標代入式（1），即可得到實際的圖像坐標點。

圖3是圖2的俯視圖，即為場景平面圖。采集圖像區(qū)域距小車的距離為d，在實際場景中y值可忽略不計。識別區(qū)域的長度為w，寬度為h。定義智能車的中線為基準線，由攝像頭獲得的圖像即是場景平面。

智能車在倉庫運行時，在每個采樣周期內(nèi)必須完成圖4所示的識別。識別過程必須同時保證識別的速度和識別的準確性，即識別的實時性。采集的路徑圖像由一行行像素組成，路徑變化連續(xù)性使得路徑行與行之間的對應邊緣點位置相差不大。為此，考慮到智能車在倉庫中的工作環(huán)境，在保證圖像信息足夠使用的情況下，取用整幅圖像的部分圖像以減少圖像數(shù)據(jù)處理量。

2.2 路徑識別處理

2.2.1 圖像增強

噪聲干擾是影響圖片品質(zhì)的主要因素，不利于對圖像品質(zhì)以及特征區(qū)域等數(shù)據(jù)的提取。生產(chǎn)過程中環(huán)境復雜，攝像機燈光是最大的影響因素，燈光照射太亮或太暗時，都會引起圖像灰度值比較集中，導致圖像區(qū)分度下降，從而降低對路徑信息的正確識別，為此需要消除噪聲影響，提高圖像質(zhì)量。增強圖像處理可為下一步的圖像處理和信息分析提供方便，過濾部分圖像信息，如邊緣信息、對比度、區(qū)域輪廓等[14]。對噪聲的消除比較復雜，不能簡單地通過常規(guī)的濾波方法消除。為達到理想的圖片效果，需要運用多中濾波方法，利用更先進的算法來處理。

2.2.3 二值化及閾值選取

在數(shù)字圖像處理中二值化手段應用廣泛，大大減少了圖像的數(shù)據(jù)量，能清楚地顯示出圖像輪廓。運用MATLAB對圖像進行分析，采集原始圖像的像素值在[0，255]之間。仔細研究發(fā)現(xiàn)白色背景像素值大多大于160，黑色標識線的像素值大多小于70。圖像二值化后黑白背景區(qū)分明顯，標識線輪廓清晰，如圖4所示。但是，實際采集處理過程中黑白邊界的像素值不是突變的，而是一個變化的過程，所以對原圖像的二值化處理有助于區(qū)分黑白邊界，減少圖像處理的數(shù)據(jù)量和簡化后續(xù)的圖像處理。

圖像二值化處理原理：先設定一個閾值，然后與待處理圖像的像素比較大小。如果像素值大于閾值則顯示黑色，用1表示;否則顯示白色，用0表示。公式表示如下：

經(jīng)二值化處理后標識線十分清晰，但二值化后的標識線依然存在噪聲。噪聲的存在必然影響后續(xù)圖像處理結(jié)果，所以有必要在后續(xù)圖像處理之前對待處理圖像進行平滑處理。中值濾波能有效保護圖像邊緣，減少脈沖干擾和椒鹽噪聲影響，是一種局部平均的平滑技術(shù)。最后運用數(shù)學形態(tài)學的相關(guān)理論去除噪聲得到最終識別結(jié)果。

2.2.4 圖像邊緣檢測算法融合

圖像獲取后，首先運用線性變換方法對圖像進行處理，消除由光線等因素造成的圖像干擾;然后，對圖像增強和邊緣檢測?；赟obel算子，運用加權(quán)濾波運算和Roberts算法具有定位精度高、對噪聲敏感的優(yōu)點。在綜合利用兩種算子優(yōu)點的基礎(chǔ)上，本文提出通過一種融合算子優(yōu)化邊緣檢測算法。

Sobel算法原理模板如圖5所示。圖像的灰度值由式（4）算法轉(zhuǎn)化，轉(zhuǎn)化后的灰度值由式（4）得出：

式（6）中的各個單項式分別為4個領(lǐng)域的坐標，整個運算處理過程和人類的視覺系統(tǒng)相類似。算法模板如圖6所示。基于Roberts算法和Sobel算法，本文提出一種改進的融合算法[15]，能減少系統(tǒng)運算量、提高準確性、保證實時性。

上式中，各符號的含義如下：T：用于選擇坐標點灰度的閾值，決定用哪一種算法。G：處理中的坐標點灰度值。：代表基于Sobel算子的灰度值。[GRoberts]：代表基于Roberts算子的灰度值。

2.2.5 實驗結(jié)果

實驗結(jié)果如圖7所示。改進的融合算法對采集到的路徑圖像運用不同的算法分別進行邊緣檢測處理，對處理結(jié)果進行對比。實驗表明本文提出的融合算法邊緣檢測清晰，能夠滿足微型智能車的運行需求，對路徑的識別快速高效，減少了計算量和運行內(nèi)存，具有一定的實用性。

3 結(jié)語

視覺導航的微型智能車在行駛過程中對圖像處理的速度和準確性要求較高。本文對路徑識別算法進行相關(guān)研究，提出了一種融合算法。實驗表明本文提出的融合算法邊緣檢測清晰，能夠滿足微型智能車的運行需求。對路徑的識別快速高效，減少了計算量和運行內(nèi)存，具有一定的實用性。在未來的研究與應用中，如何實現(xiàn)更高效的路徑識別和圖像處理還有待進一步研究。

參考文獻：

[1] 寧志民，范瑩莉. 機器視覺的AGV動態(tài)路徑識別算法研究[J]. 導航與控制，2011，31（41）： 68-71.

[2] 劉存，馬學峰.自動化立體倉庫搬運機器人精定位視覺系統(tǒng)[J]. 機器人，1992（5）：53-56.

[3] 王榮本，儲江偉，馮炎，等. 一種視覺導航的實用型AGV設計[J].機械工程學報，2002（11）：135-138.

[4] 王慧. 智能車的路徑識別與控制策略的研究[D]. 長春：吉林大學，2009：10-15.

[5] 李進. 視覺導航智能車輛的路徑識別和跟蹤控制[D]. 合肥：合肥工業(yè)大學，2008：25-64.

[6] 吳海燕，潘赟. 視覺導航智能汽車路徑識別圖像處理算法研究[J]. 西南師范大學學報：自然科學版，2014，39（3）：108-115.

[7] 王智文. 幾種邊緣檢測算子的性能比較研究[J]. 制造業(yè)自動化，2012，34（11）：14-16.

[8] 仝灼銀. 水下機器人視覺系統(tǒng)圖像處理研究[D]. 天津：天津理工大學，2017.

[9] 康牧. 圖像處理中幾個關(guān)鍵算法的研究[D]. 西安：西安電子科技大學，2009.

[10] 劉建剛，程磊，黃劍，等. 基于CCD圖像識別的HCS12單片機智能車控制系統(tǒng)[J]. 光電技術(shù)應用，2007（6）：52-55，59.

[11] 李琳輝，李明，郭景華，等. 基于視覺的智能車輛模糊滑模橫向控制[J]. 大連理工大學學報，2013，53（5）：735-741.

[12] 王榮本，李兵，徐友春，等. 基于視覺的智能車輛自主導航最優(yōu)控制器設計[J]. 汽車工程，2001（2）：91-100.

[13] 龔煒，石青云，程民德. 數(shù)學空間中的數(shù)學形態(tài)學[M]. 北京：科學出版社，1997.

[14] 吳海燕，潘赟. 視覺導航智能汽車路徑識別圖像處理算法研究[J]. 西南師范大學學報：自然科學版，2014，39（3）：108-115.

[15] 劉澤，王嵬，王平. 鋼軌表面缺陷檢測機器視覺系統(tǒng)的設計[J]. 電子測量與儀器學報，2010，24（11）：1012-1017.

（責任編輯：杜能鋼）