戴 睿 ，謝 雁

1.中國航空研究院 研究生院，江蘇 揚州 225006；2.沈陽飛機設(shè)計研究所 揚州協(xié)同創(chuàng)新研究院，江蘇 揚州 225006

隨著人工智能與傳感器技術(shù)的發(fā)展，智能小車［1-5］越來越成為工業(yè)場景下的巡檢工具。智能小車在執(zhí)行巡檢工作時，首先通過攜帶的攝像頭采集周圍環(huán)境的信息；再通過計算機視覺算法對采集到的圖像信息進行識別與處理，確定圖像中的障礙物與目標(biāo)物；最后通過一系列控制算法，對小車的運動進行控制，使其完美地規(guī)避障礙物，從而順利到達目標(biāo)地點。

本文主要針對具有規(guī)則引導(dǎo)線的智能小車日常巡檢中的直線導(dǎo)引和弧線導(dǎo)引進行研究。通過對采集到的圖像信息進行識別，對目標(biāo)場景的引導(dǎo)線進行閾值分割及邊緣檢測；再通過霍夫變換及骨架提取算法分別對直線引導(dǎo)線和弧線引導(dǎo)線進行追蹤；最后通過參數(shù)化方法確定智能小車的設(shè)定點和設(shè)定方向。算法流程如圖1所示。

圖1 行進道路路線確定流程Fig. 1 Road route determination process

1 圖像預(yù)處理

根據(jù)圖1 的算法流程，對于采集到的圖像信息需要進行預(yù)處理，以減少圖像識別中的無關(guān)信息，提高圖像識別的魯棒性。本文主要通過圖像灰度化、尺寸調(diào)整、模式濾波［6］對采集到的圖像進行預(yù)處理。由于智能小車在日常巡檢中需要對目標(biāo)場景的引導(dǎo)線進行閾值分割及邊緣檢測，而引導(dǎo)線的檢測無需色彩信息，因此首先將原始輸入圖像進行灰度化處理；其次，為了提高算法的運行速度，需要對輸入圖像進行尺寸調(diào)整；最后，為了保留圖像的邊緣信息，濾除由于尺寸調(diào)整及原始輸入所產(chǎn)生的噪音點，采用模式濾波器對調(diào)整過尺寸的圖像進行濾波。經(jīng)過圖像預(yù)處理后，輸出圖像的像素計算如公式（1）所示。

式中：g(i，j)為輸出圖像像素點（i，j）的灰度值；f(k，l)為當(dāng)前輸入圖像像素點（k，l）的灰度值；S(i，j) 是 以(i，j) 為 中 心 的 濾 波 核 所 在 區(qū) 間；w(i，j，k，l) =ws?wr（ws為基于空間的高斯函數(shù)，wr為基于像素的高斯函數(shù)），為由高斯函數(shù)經(jīng)過兩次計算得到的數(shù)值。

當(dāng)引導(dǎo)線圖像處于變化程度小的區(qū)域時，wr無限趨近于1，此時模式濾波為高斯濾波；當(dāng)引導(dǎo)線圖像處于變化程度高的區(qū)域時，wr與ws都無限趨近于0，此時可將圖像輸入。因此，通過模式濾波器能有效地保留引導(dǎo)線圖像的邊緣信息。

引導(dǎo)線圖像預(yù)處理前后的結(jié)果如圖2所示。

圖2 引導(dǎo)線圖像預(yù)處理前后的結(jié)果Fig. 2 Results before and after preprocessing of guide line image

2 引導(dǎo)線邊緣識別

由圖2可知，經(jīng)過模式濾波處理后的引導(dǎo)線，其灰度值明顯區(qū)別于作為背景的周遭環(huán)境的灰度值，但還是不能滿足小車智能識別的需要，需要對其圖像進行分割。本文使用閾值分割法對目標(biāo)圖像進行分割，即通過最大化類間方差法［7-8］計算引導(dǎo)線與背景之間的方差，如式（2）所示。

式中：σ2為引導(dǎo)線與背景之間的方差；k為灰度級，取值范圍為0～255；pA(k)為像素被分到前景的概率；mA(k)為前景的平均灰度；pB(k)為像素被分到背景的概率；mB(k)為背景的平均灰度；mG為整個圖像的平均灰度值。

通過式(2)遍歷0～255 個灰度級，求出引導(dǎo)線與背景之間方差σ2的最大值，此時的灰度級t即為分割引導(dǎo)線與背景的閾值。

以求出的閾值t為分界線，通過閾值二值化分割法，將引導(dǎo)線區(qū)域（前景）的像素置為255，引導(dǎo)線周遭環(huán)境區(qū)域（背景）的像素置為0，如式（3）所示。

式中：s(x，y)、D(x，y)分別為二值化分割前、后的灰度值。

引導(dǎo)線圖像經(jīng)過二值化分割后即可進行邊緣檢測。經(jīng)常使用的邊緣檢測算法有Sobel算子、拉普拉斯變換、Prewitt 算子、Roberts 算子、Canny算子［9］等。由于含有引導(dǎo)線的輸入圖像有較少的道路邊緣干擾，經(jīng)過二值化處理后進行邊緣檢測時無需擔(dān)心因閾值設(shè)置不合理而導(dǎo)致有效的邊緣信息被去除；同時又排除了其他干擾，無需擔(dān)心輸入圖像中的噪聲干擾被視作邊緣而不會被表示出來等問題，本文選用Canny 檢測算子對二值化處理后的引導(dǎo)線邊緣進行檢測，結(jié)果如圖3所示。

從圖3可以看出，Canny算子能夠很好地檢測出道路引導(dǎo)線的邊緣，滿足智能小車視覺導(dǎo)引的需求。

圖3 Canny二值化結(jié)果Fig. 3 Result of canny binarization

3 直線行駛視覺導(dǎo)引

直線行駛的小車引導(dǎo)線圖像經(jīng)Canny 邊緣檢測后得到引導(dǎo)線邊界，再通過Hough 變換［10］檢測引導(dǎo)線的直線邊界，進而通過兩邊界線求得道路中心線，并與道路中心線的數(shù)學(xué)模型一起得到小車行進過程中的設(shè)定點與設(shè)定方向。

3.1 引導(dǎo)線邊界擬合檢測算法

運用Hough變換檢測引導(dǎo)線邊界的算法如圖4所示，參數(shù)化引導(dǎo)如圖5所示。引導(dǎo)線邊界擬合算法流程如下：

圖4 引導(dǎo)線邊界擬合檢測算法Fig. 4 Detection algorithm of boundary fitting of line guide

（1）對圖3 二值化結(jié)果進行Hough 變換，將其圖像空間轉(zhuǎn)換成參數(shù)空間。

（2）任意選取一個邊緣點，如果該邊緣點落在已經(jīng)找到的直線上，則重新選擇邊緣點；否則，通過累加器累加邊緣點個數(shù)，得到累加值。

（3）通過峰值檢測函數(shù)找到累加器的最大累加值，與經(jīng)統(tǒng)計得到的閾值500 相比較。如果累加值大于或等于閾值，則執(zhí)行下一步；反之，返回步驟2重新選取邊緣點。

（4）將找到的邊緣點集通過擬合公式擬合，得到引導(dǎo)線的邊界。

（5）將引導(dǎo)線邊界繪制在圖5 上，并判斷邊緣點是否全部檢測。如果邊緣點全部檢測完畢，則流程結(jié)束；如果沒有，則返回步驟2，重復(fù)選取邊緣點，直至邊緣點全部檢測。

圖5 引導(dǎo)參數(shù)化Fig.5 Parameterization of line guide

3.2 直線行走引導(dǎo)的參數(shù)化跟蹤

直線行走引導(dǎo)的目的是讓偏離引導(dǎo)線中心的小車，通過給定的位置修正小車行駛過程中的位姿偏差。

假定攝像頭安裝在小車的前方正中心，攝像機捕捉到圖像的中心方向即小車的行駛方向。假定小車的初始位置為坐標(biāo)原點(0，0)，觀測點距離小車位置為R，以小車質(zhì)心為圓心，觀測點到小車質(zhì)心距離為半徑作圓弧C，如圖5所示。

由于直線行走的小車其引導(dǎo)線邊緣相互平行，假定引導(dǎo)線的兩條邊緣線方程分別為x1=k1× y1+ c1（直線1）、x2= k2× y2+ c2（直線2），則引導(dǎo)線的中心線到兩邊的距離如式（4）所示。

由式（4）可得道路中心線的方程為x = k ×y + xe- ye，該中心線與圓弧C 的交點即為小車的設(shè)定點(xe，ye)。智能小車行駛時只需要根據(jù)設(shè)定點的坐標(biāo)，通過運動控制策略即可實現(xiàn)實時位姿控制。

4 弧線行駛視覺導(dǎo)引

對弧線引導(dǎo)的道路圖像采用直線引導(dǎo)道路圖像相同的預(yù)處理操作，得到經(jīng)Canny 邊界提取后的二值化圖像，通過圖像骨架提取算法提取弧線道路的中心線；以智能小車質(zhì)心為圓心，質(zhì)心與觀測點之間的距離為半徑作圓弧，中心線與圓弧的交點即為設(shè)定點；以設(shè)定點為圓心搜索弧形引導(dǎo)線輪廓邊界到設(shè)定點的最小距離，該最小距離的垂線方向即為設(shè)定方向。

4.1 引導(dǎo)線圖像骨架提取

弧線引導(dǎo)道路的中心線是弧線引導(dǎo)道路的中軸，也是智能小車行駛的最短路徑，因此弧線引導(dǎo)道路的骨架提取問題本質(zhì)上是最短路徑規(guī)劃問題。本文應(yīng)用Astar 最短路徑搜索算法對弧形引導(dǎo)線進行骨架提取，解決了骨架提取算法提取的骨架偏離引導(dǎo)線中軸的問題。骨架提取算法流程如圖6所示。

圖6 中，首先對Canny 檢測后的二值圖片進行距離變換，得到弧形引導(dǎo)道路的距離場，再經(jīng)過分水嶺算法獲取含有引導(dǎo)道路的骨架潛在圖；同時由主動輪廓模型確定引導(dǎo)道路的凸點，通過引導(dǎo)道路中心線端點到引導(dǎo)道路凸包的距離對引導(dǎo)線的骨架點進行篩選，得到骨架關(guān)鍵點；利用 Astar 算法搜索引導(dǎo)道路的骨架關(guān)鍵點，從而得到引導(dǎo)線的骨架，如圖7所示。

圖6 骨架提取算法流程Fig. 6 Skeleton extraction algorithm flow

由圖7 可以看出，通過此方法得到的引導(dǎo)線骨架十分接近引導(dǎo)線的中心線，說明基于Astar的骨架提取算法在弧形引導(dǎo)線的骨架提取中非常適用。

圖7 弧形道路的骨架提取Fig. 7 Skeleton extraction of curved road

4.2 弧線行走引導(dǎo)的參數(shù)化跟蹤

同直線行走引導(dǎo)相似，以智能小車質(zhì)心為圓心，質(zhì)心到觀測點的距離為半徑作圓弧D，圓弧D與弧形道路中心線即骨架輪廓線的交點即為智能小車的設(shè)定點，如圖8所示。

圖8 弧形道路引導(dǎo)示意圖Fig. 8 Schematic diagram of arc-shaped road guidance

由于弧形道路中心線沒有一個通用的數(shù)學(xué)程式去建模，因此為簡化算法，本文采用遍歷的思想，以設(shè)定點為圓心，在道路區(qū)間找尋最大內(nèi)切圓，從而求得設(shè)定點與兩邊界線距離和的最小值，如式（5）。

式中：(xl，yl)、(xr，yr)分別為小車的設(shè)定點(x′e，y′e)到左、右兩側(cè)邊界線的交點。

由式（5）可以得到道路中心線的方程為x=k × y + x′e- y′e，該中心線與圓弧D 的交點即為小車的設(shè)定點(x′e，y′e)。智能小車行駛時只需要根據(jù)設(shè)定點的坐標(biāo)，通過運動控制策略即可實現(xiàn)實時位姿控制。

5 結(jié)論

圍繞智能小車視覺導(dǎo)引，采用C++編程輔以O(shè)PENCV 庫處理圖像，采用Hough 變換法、Astar骨架提取法找尋引導(dǎo)道路中心線；引入引導(dǎo)道路參數(shù)化模型，確定智能小車的設(shè)定點與設(shè)定方向。實驗結(jié)果表明，提出的引導(dǎo)線參數(shù)化方法，降低了智能小車導(dǎo)引的復(fù)雜度，能滿足具有規(guī)則引導(dǎo)線的智能小車的日間巡檢。