吳緒輝 潘璇峰 鄧偉杰

摘 要：智能汽車競(jìng)賽的賽題難度與工程應(yīng)用性能在不斷提升，賽道元素日益增多且賽道類型逐漸多樣，其識(shí)別難度隨之增大，以賽道邊界線斜率、曲率和圖像中黑白跳變等信息為依據(jù)的傳統(tǒng)賽道識(shí)別方法已無法適用于復(fù)雜的賽道情況。因此，通過對(duì)賽道圖像進(jìn)行矩陣分析和圖像特征統(tǒng)計(jì)分析，提出一種基于圖像分割匹配的賽道元素識(shí)別算法。首先對(duì)圖像進(jìn)行矩陣分割，統(tǒng)計(jì)并提取各子圖像特征建立模板，然后對(duì)目標(biāo)圖像的灰度平均值和方差進(jìn)行匹配、近似值分析。經(jīng)實(shí)際對(duì)比測(cè)試，新算法的識(shí)別準(zhǔn)確率高、程序可移植性強(qiáng)，具有良好的應(yīng)用價(jià)值。

關(guān)鍵詞：圖像分割;特征分析;圖像匹配;賽道元素;智能汽車競(jìng)賽;賽道識(shí)別

中圖分類號(hào)：TP39文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2095-1302（2019）11-00-03

0 引 言

近年來，智能汽車技術(shù)迅猛發(fā)展，它是一種集環(huán)境感知、規(guī)劃決策、自動(dòng)行駛等功能于一體的綜合系統(tǒng)，是典型的高新技術(shù)綜合體，具有重要的軍用及民用價(jià)值。因此，智能汽車競(jìng)賽也越來越受重視。智能汽車的核心部分是賽道元素識(shí)別、方向和速度控制，精準(zhǔn)的賽道元素識(shí)別算法是方向和速度控制的基礎(chǔ)和前提[1]。為此，本文提出一種基于圖像分割匹配的賽道元素識(shí)別算法，以實(shí)現(xiàn)對(duì)賽道元素的精準(zhǔn)識(shí)別。

1 傳統(tǒng)智能汽車賽道識(shí)別的現(xiàn)狀

如圖1所示，智能汽車競(jìng)賽的賽道元素主要有環(huán)島、十字、彎道、終點(diǎn)線、路障和會(huì)車區(qū)。傳統(tǒng)的賽道識(shí)別算法一般是以賽道邊界線斜率、曲率和圖像中黑白跳變等信息為依據(jù)進(jìn)行賽道元素的區(qū)分識(shí)別，每種賽道類型都需要對(duì)應(yīng)特定的識(shí)別算法。傳統(tǒng)的賽道識(shí)別方法存在以下缺點(diǎn)：

（1）賽道邊界線斜率和曲率一般由圖像多個(gè)點(diǎn)的坐標(biāo)獲得，一旦賽道邊界線上存在噪點(diǎn)，便會(huì)嚴(yán)重影響邊界斜率和曲率[2];

（2）每種賽道類型都需要特定的識(shí)別算法，賽道元素識(shí)別算法不能復(fù)用，程序代碼過于冗余，會(huì)消耗主控芯片過多的運(yùn)算資源，最終導(dǎo)致識(shí)別時(shí)間過長[3-4]。

2 數(shù)字圖像處理基本方法

2.1 數(shù)字圖像的矩陣分割

數(shù)字圖像數(shù)據(jù)一般用數(shù)組形式進(jìn)行存儲(chǔ)，而數(shù)組與矩陣之間存在密切的關(guān)聯(lián)，因此數(shù)字圖像可以用矩陣方式來表示，并且可以采用矩陣?yán)碚摵途仃囁惴▽?duì)數(shù)字圖像進(jìn)行分析和處理。如圖2所示，圖像的像素?cái)?shù)據(jù)是一個(gè)矩陣，矩陣的行對(duì)應(yīng)圖像的高，矩陣的列對(duì)應(yīng)圖像的寬，矩陣的元素對(duì)應(yīng)圖像的像素，矩陣元素的值即為像素的灰度值[5]。

矩陣分割：將一個(gè)矩陣用若干條橫線和豎線分成許多個(gè)小矩陣，將每個(gè)小矩陣稱為該矩陣的子塊，使原矩陣的結(jié)構(gòu)顯得簡單而清晰[6]，從而能夠大大簡化運(yùn)算步驟。圖3所示是將一個(gè)四維矩陣分割為二維矩陣[7]。

2.2 數(shù)字圖像統(tǒng)計(jì)特征

（1）灰度平均值指一幅圖像中所有像素灰度值的算術(shù)平均值，計(jì)算公式如下：

（2）灰度方差指圖像中各個(gè)像素的灰度值與整個(gè)圖像平均灰度值的離散程度，計(jì)算方式如下：

3 基于圖像分割匹配的識(shí)別算法

3.1 算法基本思想

圖像分割匹配算法的首要任務(wù)是進(jìn)行圖像分割，對(duì)模板圖像與未知圖像分別進(jìn)行矩陣分割，降低存儲(chǔ)圖像的數(shù)組維度[8]。將構(gòu)建的模板圖像按照一定的搜索策略在未知圖像上做平穩(wěn)的全覆蓋移動(dòng)，將模板圖像的灰度值與模板圖像投射在未知圖像的區(qū)域灰度值做相似性測(cè)量，如灰度值方差比較、相關(guān)函數(shù)、相關(guān)系數(shù)等[9]。如果測(cè)量的最小誤差小于之前設(shè)定的閾值[10]，則認(rèn)定未知圖像和模板圖像相匹配，否則認(rèn)定未知圖像和模板圖像不匹配[11]。

3.2 算法設(shè)計(jì)

算法流程如圖4所示，步驟如下：

（1）選取合適的賽道圖像作為模板，將模板賽道圖像進(jìn)行二值化處理;

（2）將模板圖像進(jìn)行矩陣分割，并用一個(gè)多維數(shù)組Template_Image[m][n]存儲(chǔ)圖像數(shù)據(jù)，計(jì)算分割后各子塊圖像的灰度平均值并存儲(chǔ)到數(shù)組Template_average[m][n]中;

（3）輸入未知圖像，將未知圖像進(jìn)行二值化處理;

（4）將未知圖像進(jìn)行矩陣分割，并用一個(gè)多維的數(shù)組Image[m][n]存儲(chǔ)圖像數(shù)據(jù)，計(jì)算分割后各子塊圖像的灰度平均值并存儲(chǔ)到數(shù)組average[m][n]中;

（5）將模板圖像各子塊的灰度平均值數(shù)組Template_average[m][n]和未知圖像各子塊的灰度平均值數(shù)組average[m][n]代入公式運(yùn)算，=Template_average[m][n]，f（i，j）=average[m][n]，最終計(jì)算得到未知圖像灰度值方差variance;

（6）設(shè)置合適的方差閾值，將方差variance和設(shè)置的方差閾值進(jìn)行比較，判斷未知圖像是否與模板圖像匹配。

4 算法識(shí)別準(zhǔn)確率測(cè)試

4.1 測(cè)試裝置的硬件結(jié)構(gòu)

全國大學(xué)生“恩智浦杯”智能汽車競(jìng)賽中的B型車模作為本次測(cè)試的硬件設(shè)備，車體上搭載了競(jìng)賽專用的硬件二值化攝像頭，該攝像頭獲取的圖像為黑白二值圖像。圖5所示為測(cè)試用車實(shí)物。

4.2 測(cè)試過程

本次測(cè)試選取智能汽車競(jìng)賽中的彎道賽道元素、十字路口賽道元素和終點(diǎn)線賽道元素作為測(cè)試對(duì)象，賽道元素二值化圖像如圖6所示。測(cè)試時(shí)智能車通過各賽道元素時(shí)的速度約為1.5 m/s。為了直觀判斷并記錄算法是否正確識(shí)別到賽道，可設(shè)定當(dāng)智能車識(shí)別到相應(yīng)賽道元素時(shí)，蜂鳴器響，否則蜂鳴器不響。將傳統(tǒng)賽道元素識(shí)別算法與本文提出的識(shí)別算法對(duì)三種賽道圖像進(jìn)行10次平行實(shí)驗(yàn)，分別記錄智能車通過相應(yīng)賽道元素時(shí)準(zhǔn)確識(shí)別的次數(shù)。

4.3 測(cè)試結(jié)果分析

測(cè)試數(shù)據(jù)如圖7所示，通過分析統(tǒng)計(jì)圖表的數(shù)據(jù)可知，在識(shí)別彎道賽道、十字賽道、終點(diǎn)線賽道的實(shí)驗(yàn)中，傳統(tǒng)賽道識(shí)別算法未能準(zhǔn)確識(shí)別賽道的次數(shù)分別為3次、4次、2次;而本文提出的新賽道識(shí)別算法分別只有1次、2次、0次。對(duì)比可知，本文提出的新賽道識(shí)別算法能更準(zhǔn)確地識(shí)別賽道元素，識(shí)別誤判率更低。此外，在測(cè)試中發(fā)現(xiàn)不同賽道元素之間圖像特征差異大，傳統(tǒng)識(shí)別算法通用性差，每種賽道類型都需要特定的識(shí)別算法。本文提出的基于圖像分割匹配的賽道元素識(shí)別算法可實(shí)現(xiàn)一對(duì)多的識(shí)別效果，在實(shí)際應(yīng)用中只需在該算法中預(yù)存賽道類型的模板圖像數(shù)據(jù)并設(shè)置合適的方法閾值即可實(shí)現(xiàn)賽道元素的識(shí)別，能夠有效精簡程序、節(jié)約硬件資源、縮短程序運(yùn)行時(shí)間。

5 結(jié) 語

本文分析了智能汽車競(jìng)賽中傳統(tǒng)賽道元素識(shí)別算法的不足，提出了基于圖像分割匹配的賽道元素識(shí)別算法。通過多次重復(fù)實(shí)驗(yàn)驗(yàn)證了算法的可行性，相比傳統(tǒng)的識(shí)別算法，基于圖像矩陣分割匹配的賽道元素識(shí)別算法原理簡單，程序精簡，識(shí)別準(zhǔn)確率高。該算法在智能汽車競(jìng)賽中能更好地提高圖像的識(shí)別準(zhǔn)確率。

參 考 文 獻(xiàn)

[1]卓晴，黃開勝，邵貝貝.學(xué)做智能汽車：挑戰(zhàn)“飛思卡爾”杯[M].北京：北京航空航天大學(xué)出版社，2007：12-14.

[2]何映材.智能循跡賽車圖像處理算法的研究及其輔助教學(xué)系統(tǒng)的實(shí)現(xiàn)[D].北京：北京郵電大學(xué)，2017.

[3]勞健濤，李智豪，蒲小年，等.智能車競(jìng)賽中圖像畸變還原的實(shí)現(xiàn)[J].物理實(shí)驗(yàn)，2018，38（6）：32-34.

[4]黃俊嘉，余志賢.基于特征分類的智能汽車賽道元素識(shí)別算法[J].計(jì)算機(jī)產(chǎn)品與流通，2018（3）：127.

[5]張瑾，楊常清.基于矩陣分析的數(shù)字圖像處理方法[J].微機(jī)發(fā)展，2003（5）：36-37.

[6]黨文靜.圖像區(qū)域分割算法的研究與應(yīng)用[D].淮南：安徽理工大學(xué)，2018.

[7]谷莉.基于塊矩陣的快速圖像分割[J].科技傳播，2011（15）：94.

[8]賈永紅.數(shù)字圖像處理實(shí)習(xí)教程[M].武漢：武漢大學(xué)出版社，2012.

[9]郭健.基于局部特征的圖像匹配算法研究[D].南京：南京郵電大學(xué)，2018.

[10]葉志堅(jiān).基于圖像特征提取和描述的匹配算法研究[D].廣州：廣東工業(yè)大學(xué)，2018.

[11]張?jiān)捶?基于圖像特征與灰度值的快速匹配算法研究[D].蘭州：蘭州理工大學(xué)，2018.