基于圖像梯度匹配的自動泊車系統(tǒng)車位識別方法

江浩斌，王成雨，馬世典，陳 杰，花逸峰

(1.江蘇大學 汽車與交通工程學院，江蘇 鎮(zhèn)江 212013；2.江蘇罡陽股份有限公司，江蘇 泰州 225318；3.江蘇罡陽轉(zhuǎn)向系統(tǒng)有限公司，江蘇 泰州 225318)

近年來，隨著機動車數(shù)量快速增加，大中城市車輛擁擠程度不斷提高，“停車難”和“難停車”的問題日趨突出，這無疑增加了駕駛員的泊車難度.自動泊車技術能夠大大減少泊車難度，提高泊車過程中的安全性.停車位的自動識別，作為自動泊車系統(tǒng)的關鍵技術之一，其主要作用是自動識別停車位，判斷停車位的位置與類型[1].

自動泊車系統(tǒng)的車位識別方法主要分為2類：基于車位兩側(cè)障礙物的車位識別方法和基于地面停車標識線的車位識別方法[2].基于車位兩側(cè)障礙物的車位識別方法的原理是利用裝在車身兩側(cè)的超聲波傳感器探測車身兩側(cè)障礙物之間的空余距離來識別車位[3]，這種方法的優(yōu)點是成本較低并可以識別車位的尺寸，缺點是要求車位的兩側(cè)(或單側(cè))有障礙物存在，對于停車場中僅有停車標識線存在的場景，則無法識別到車位.基于地面停車標識線的車位識別方法不依賴車位兩側(cè)的障礙物，通過對停車標識線的識別來識別車位[4]，其缺點是不適用于無車位線的停車場地，而且不能判斷車位尺寸是否適合本車(尤其是大型車輛).

近年來，隨著智能輔助駕駛技術研發(fā)的不斷升溫，利用智能汽車中的超聲波傳感器和視覺傳感器，通過2類傳感器的信息融合，可以有效彌補上述2種車位識別方法的缺點，從而提高自動泊車系統(tǒng)的智能化水平和對復雜環(huán)境的適應性，因此，成為高智能化自動泊車系統(tǒng)技術的發(fā)展趨勢.

從國內(nèi)外的研究現(xiàn)狀來看，基于地面停車標識線的識別方法普遍依靠機器視覺[5].文獻[6]根據(jù)停車標識線與地面顏色的差異，提出一種基于顏色的圖像分割方法，提取車位線，并通過識別2條垂直相交直線的交點來確定車位角的位置.文獻[7]采用經(jīng)過變換后的全景圖像識別車位線，并采用霍夫變換的方法，提取識別到的直線，從而識別車位.文獻[8]提出一種基于改進霍夫變換的車位線識別方法，利用概率霍夫變換法識別圖像中的車位線.文獻[9]采用基于radon變換的方法識別車位線，但其本質(zhì)與霍夫變換相同，都是利用從二維空間到參數(shù)空間的映射提取圖像中直線的方法來識別車位線.可見，目前多數(shù)基于視覺的泊車位識別方法都是通過識別車位邊框直線來實現(xiàn)的，但是目前城市里很多泊車位并沒有畫出完整的矩形車位線，而是簡單地以車位角標出車位的位置.因此，用上述方法不能實現(xiàn)對車位的識別.文獻[10]將車位識別的過程分為2步：首先通過聚類算法提取車位邊框直線找到交點，初步定位車位角；然后通過骨架提取模板匹配的方法精確定位車位角，為加快識別速度還使用金字塔分層搜索的策略，但其識別過程仍然通過對車位邊框直線的識別來確定車位角的位置.文獻[11]提出一種分層樹結構的車位線識別算法，利用不同車位角模型建立分層樹結構識別車位，是一種基于車位角識別的方法.文獻[12]提出一種基于學習的方法，利用基于360°環(huán)視系統(tǒng)獲得大量車位線的車位角圖像作為樣本進行訓練，識別出圖像中的車位角，識別目標車位，該方法不依賴完整的車位直線，但是基于學習的方法需要大量的訓練樣本，訓練時間長.

筆者提出一種基于車位角識別的車位標識線快速識別方法，通過車位角圖像像素梯度模板與待測圖像進行匹配，識別待測圖像中車位角的所在位置，以高斯加權余弦距離作為匹配的相似度量，并設計算法終止條件以提高算法速度.

1 圖像采集及預處理

1.1 圖像采集

在自動泊車系統(tǒng)中，僅依靠汽車后置攝像頭難以滿足對車輛四周車位的識別.全景視覺(360°環(huán)視)系統(tǒng)提供了一個很寬的視野范圍，能識別車輛周圍的車位情況.為獲取車輛四周的全景圖像，在汽車的前后保險杠中央位置以及左右兩側(cè)后視鏡上安裝魚眼攝像頭.采用棋盤法標定相機的內(nèi)參數(shù)、外參數(shù)和畸變系數(shù)等.魚眼相機能獲得較大的視野，但所得圖像有較大的幾何畸變(見圖1a)，圖像畸變由2部分組成:徑向畸變和切向畸變.徑向畸變使圖像沿中心點向徑向位移，切向畸變使圖像產(chǎn)生垂直于半徑方向的位移.通常徑向畸變極小，因此通常只需要考慮相機的切向畸變.圖像的位移為

(1)

式中:δu，δv分別為圖像在(u，v)處的橫向和徑向位移;k1，k2，…，kn為圖像的徑向畸變系數(shù);r為像素點的徑向距離.

去畸變后圖像仍然不是俯視視角的圖像，這由相機的成像原理造成，這種成像近大遠小的現(xiàn)象稱為“相機透視”(見圖1b).為便于后續(xù)圖像處理，需要對其進行逆透視變換:

(2)

式中:(uv1)T為逆透視變換后圖像的齊次坐標;s為縮放尺度；H為圖像單應性矩陣;(X，Y)是地面坐標系中的點.

通過對魚眼相機所得圖像進行去畸變和逆透視變換得到車位圖像的俯視圖(見圖1c)，以便后續(xù)算法的實現(xiàn).

圖1 圖像采集過程

1.2 圖像預處理

為了去除圖像中無關信息，滿足算法的需要，需對圖像進行預處理.預處理過程包括圖像灰度化、圖像濾波和圖像梯度提取等步驟.圖像灰度化將R，G，B三通道圖像轉(zhuǎn)化為由灰度表示的單通道圖像，可以減少算法的計算量，同時易于后續(xù)求取圖像的梯度特征.圖像濾波采用鄰域平均濾波法，目的是為了降低圖像噪聲，平滑圖像.鄰域濾波算法可表示為

(3)

式中:f(i，j)為濾波后的圖像;m為圖像P的像素點個數(shù);g(i，j)為原始輸入圖像.

圖像的梯度實質(zhì)上是像素點在x和y方向上的差分.Sobel算子是用來表達微分和梯度的一種操作，其算子核可以通過迭代方法去構造，Sobel算子核可以被定義為任意大小.采用3×3的Sobel算子核提取圖像的梯度，其x和y方向的算子核分別為

圖像在像素點(i，j)處x和y方向的梯度可以表示為

(4)

式中:Sx，Sy分別為x和y方向的Sobel算子核;A為(i，j)位置的圖像區(qū)域.

2 車位識別算法

車位線識別算法的流程如圖2所示.采用基于圖像像素梯度匹配的方法識別停車標識線，首先在標準車位圖像中選取感興趣區(qū)域(ROI)，即車位圖像中的車位角的所在區(qū)域;取這個區(qū)域通過Sobel算子提取像素梯度建立模板;以高斯加權余弦距離作為匹配的相似度量，識別車位圖像中車位角所在位置，通過車位角的位置確定目標車位;為加快算法的速度，設計了匹配算法的終止條件，并采用金字塔分層搜索的方法，有效提高算法的實時性.

圖2 車位線識別算法的流程

2.1 梯度模板的建立

梯度模板應該選擇原圖像中具有典型車位線特征的位置，例如車位直線或車位角.經(jīng)調(diào)查發(fā)現(xiàn)，城市停車場(或停車區(qū)域)帶有車位線的泊車位可分為2種:帶有完整矩形車位線的車位和非完整車位線的車位.前者可采用通常的基于Hough識別直線的方法來識別；后者并未標出完整的車位，往往只標記了車位兩側(cè)位置，甚至只標記出車位的入口位置，此時采用Hough變換法往往不能識別出車位.但是這2種車位線一般都會標記出車位角，且車位角具有相同的特征.將ROI(感興趣區(qū)域)選取為標準車位圖像中車位角的所在位置(見圖3a，b)，以該區(qū)域建立圖像模板(見圖3c)，并利用Sobel算子提取該區(qū)域圖像的梯度值，得到梯度模板(見圖3d).

圖3 車位線模板的選取

目前所選用的模板只適用于方向、尺寸與目標圖像相同的情況，由于攝像頭安裝位置固定且汽車低速行駛時橫向位移很小，所以尺度縮放可以忽略不計.在泊車過程中，隨著車輛的航向角發(fā)生變化，所獲取的實時車位圖像的角度也會隨之發(fā)生改變，此時目標車位角在圖像中將不能被識別.為了解決這個問題，創(chuàng)建1個帶旋轉(zhuǎn)角度的模板，利用雙線性差值算法得到角度離散化后的旋轉(zhuǎn)模板，如圖4所示.

圖4 模板的旋轉(zhuǎn)

A11(x1，y1)，A12(x1，y2)，A21(x2，y1)，A22(x2，y2)為原圖4個相鄰像素點旋轉(zhuǎn)后的中心，P(x，y)為旋轉(zhuǎn)后新圖像像素的中心點，像素值由函數(shù)f表示.P點處的像素值f(P)可由P點臨近的4個像素點的像素值表示，先在水平方向上進行插值，可得

(5)

(6)

根據(jù)式(5)、(6)的結果，在水平方向上進行插值得到點P的像素為

(7)

通常，模板旋轉(zhuǎn)的離散角度的最小值由模板的大小決定.在滿足一定模板大小和算法實時性要求的前提下，角度的離散值越小，匹配的效果越精確.對于半徑為100像素的模板，模板角度的離散值可取為1°.

2.2 匹配相似度量

模板建好后，通過相應的匹配算法識別獲取車位圖像中車位角的準確位置，可以確定車位在世界坐標系中的位置.考慮到泊車場景中圖像會受到很多環(huán)境因素的影響，不均勻的光照和陰影，車位線的破損和遮擋等，均會影響匹配的準確度.采用基于梯度的高斯加權余弦距離作為匹配度量，以實現(xiàn)對車位圖像的快速準確的識別.

對于待測圖像中一個特定位置，計算模板與待測圖像中某一點(i，j)的相似程度，選用余弦距離來表示，即

(8)

余弦距離的取值范圍為(-1，1)，取正值時表明梯度同向;取負值時表明梯度反向.反向時，也認為該點匹配，即當該距離為1或-1時，認為這2個點完全匹配;當距離為0時認為2點完全無關.di，j的取值范圍為(0，1)，可以衡量模板上點與圖像點之間的相似程度.

為了衡量整個模板位置是否匹配，需要計算模板上所有點的相似程度.采用高斯加權余弦距離作為相似度量.高斯卷積核是實現(xiàn)尺度變換的唯一變換核，并且是唯一的線性核，且其具有旋轉(zhuǎn)對稱性，對各個方向的加權程度相同.離高斯核中心越近，權值越大，增加了圖像中心位置匹配相似度的權重;離高斯核中心越遠，權值越小，弱化了圖像及模板邊緣失真或是變形的影響，提高了識別位置的準確性.二維高斯函數(shù)為

(9)

式中：σ為高斯函數(shù)的標準差.

將式(9)離散化為1個高斯卷積核，其大小應與模板大小相同.高斯卷積核為

(10)

式中:k為高斯核的中心到水平或豎直邊緣的直線像素點個數(shù).

梯度模板與待測圖像在圖像(u，v)點處的相似度為

(11)

式中：h為歸一化系數(shù).

(12)

式(11)返回1個值域在0到1之間的匹配分值Du，v，設置一個匹配的閾值T，若得分大于閾值，認為找到了1個匹配位置，這個位置就是圖像中車位角的位置.若得分小于閾值則認為不匹配，對下一個圖像中下一個位置進行識別，直至模板遍歷整個待搜索區(qū)域.為提升算法效率，考慮如下終止條件:

(13)

式中:m1為已計算過相似度的像素點組成的點集.

當滿足上述條件時，即使之后模板上所有待測點都完全匹配，最后的匹配分值也不可能超過閾值T，則認為圖像該位置與圖像梯度模板不匹配，可以直接終止當前位置的匹配度計算，并將模板移植下一個位置進行識別.同時，為進一步加快算法速度，可采用圖像金字塔分層的搜索策略，先在上層金字塔進行搜索，確定圖像中目標的大致位置，對應到下層金子塔圖像中進行更為準確地搜索.

3 結果與分析

為了驗證提出的新算法的有效性和實時性，采用機器視覺軟件HALCON10編程進行試驗.圖像采集模塊采用umbrella A7芯片，采集攝像頭信號并轉(zhuǎn)化成俯視圖輸出，圖像的處理速度可達20幀·s-1.車位的識別算法部分在計算機軟件HALCON10中完成，計算機的CPU為Core i5 6700，主頻3.2 GHz，內(nèi)存8 G.車位角圖像的模板大小為 100×100像素，旋轉(zhuǎn)角度的步幅為1°，高斯函數(shù)的標準差σ取0.25，金字塔層級取5層.測試圖片選取了180張不同的城市地下停車場以及露天泊車位場景的360°環(huán)視圖像和60張不含車位線的圖像.同時，在相同試驗條件下將新算法與傳統(tǒng)Hough變換方法進行比較.

新算法與傳統(tǒng)Hough方法識別結果如圖5所示.其中圖5a，b是對完整車位線的識別結果，5c，d是對只有車位角標識線的車位的識別結果.在對完整車位線的識別中，新算法和Hough變化法都能較好識別出車位；在對只有車位角標識線的車位識別中，新算法可以準確識別出車位，而Hough變換法是對直線檢測的算法，易受背景環(huán)境中存在直線的干擾，沒有識別出圖中的車位.

圖5 識別結果對比

地下停車場及露天車位的車位圖像以及識別結果如圖6所示.測試圖像為4路圖像信號轉(zhuǎn)換拼接成的全景圖像.圖6a，b為地下停車場工況下車位線的識別結果.在地下停車場工況下存在地面的反光，圖6a中的車位線有部分褪色的情況下，利用新算法能準確識別出車位線的車位入口位置.圖6c，d為露天工況下的車位識別結果，圖6c是對平行車位的識別，車位角在圖像邊緣位置有圖像失真的情況，圖6d中的地面十分不平整，車位線存在裂紋和缺口，這2種情況下仍能實現(xiàn)對車位的識別.同時，在圖6a，c為尋庫過程中的識別結果，圖6b，d為入庫過程中的識別結果.可見，該算法能實現(xiàn)整個泊車過程中的車位識別.

圖6 車位識別情況

主要以實時性和識別率作為車位線識別算法的評價指標.新算法和傳統(tǒng)Hough變換方法車位識別的平均耗時、精度和召回率如表1所示.

表1 2種算法車位識別結果

從表1可以看出：提出的圖像梯度匹配新算法能夠有效識別圖像中的車位線所在位置，具有較高的精度、召回率和較好的實時性.試驗結果表明：新算法不同于傳統(tǒng)的基于直線檢測的Hough變換法，對于沒有完整車位線的車位也能有較好的識別結果，具有更好的實用性.

4 結 論

針對自動泊車車位識別系統(tǒng)，提出了一種基于圖像梯度匹配的車位線識別算法，有效提高了車位線識別算法的實時性和準確性.試驗結果表明：新算法能實現(xiàn)對不同車位線的識別，抗干擾能力強，有較高的識別精度和召回率.