【文章內(nèi)容簡介】 作為最重要的感知手段之一時，圖像在識別外界信息中扮演著重要角色，如何通過圖像提取車道線，目前有許多算法 ， 例石家莊鐵道學院畢業(yè)設(shè)計 3 如像素掃描、模板匹配、霍夫變換和邊緣跟蹤等常用的車道線邊緣像素提取方法，其中像素掃描是普遍采用的一種提取方法，具有靈活、高效、抗干擾能力強的特點。 在研究不同的算法在道路圖像的應用過程中，圖像的預處 理至關(guān)重要。首先對一些圖像 的 預處理算法，如圖像灰度化、圖像濾波、圖像邊緣增強等，用 MATLAB進行仿真，比較它們的處理結(jié)果。因為 不同的預處理方法影響檢測的實時性和正確性，其中為了更多的利用彩色圖像提供的車道標記線和瀝青路面色彩的信息，本設(shè)計用彩色通道提取法得到灰度化圖像。由于實際情況復雜多變，如遇到雨、雪天氣，因此加入椒鹽噪聲模擬實際情況 ，并 用各種常用的濾波模板處理圖像 。 從處理后圖像再現(xiàn)清晰度的效果中，選出最優(yōu)的濾波方法。一般獲得的道路圖像中包含的信息都有車道線和路面兩種信息，而由于車道線作為圖像中的一種 邊緣，根據(jù)邊緣的屬性，可以用差分算子將邊緣檢測出來。通過對常見的差分檢測算子和自定義的差分算子比較，可以看出后者更能增強車道線標記部分。在圖像邊緣增強后，不僅車道線得到了增強，許多樹木、行人、車輛等也得到了增強，由此增加了許多虛假的邊界 。 為獲得更準確的車道線邊界，本設(shè)計用融合邊緣和區(qū)域信息的方法定位車道線，并且與自適應二值化圖像比較，可以 看 出前者克服虛假邊界的能力更強。最后，建立并提取車道線模型是最為關(guān)鍵的部分，本設(shè)計假設(shè)在結(jié)構(gòu)化道路上，智能車輛僅采集的是前方不遠處的道路圖像，提出直線型車道線模型，而且 該模型計算量小，在一定程度上能適應車輛在高速行駛過程中對實時性的要求?；谥本€型車道線的假設(shè)，在圖像中提取特征直線時，用 hough 變換及其改進的算法和中值截距法進行提取。通過比較，改進的 hough 變換 ——隨機 hough 變換實時性最好，并且對其它圖像進行檢測，一定程度上隨機 hough 變換的魯棒性也符合要求。 石家莊鐵道學院畢業(yè)設(shè)計 4 第 2 章 單目視覺系統(tǒng) 引言 為了準確識別道路環(huán)境 ， 視覺導航系統(tǒng)理應獲得車輛前方道路的三維信息 ， 包括車輛與道路的位置關(guān)系和道路中障礙物信息。要正確的理解三維世界環(huán)境 ， 理論上應該采用雙目或者 多目視覺系統(tǒng) ， 但從立體視覺的角度來解決環(huán)境重建問題 ， 因為從現(xiàn)有的研究結(jié)果來看 ， 直接通過對圖像進行三維恢復獲取環(huán)境信息有以下幾個方面的困難：首先 ， 計算量巨大。其次 ， 匹配點尋找困難。另外 ， 遮擋問題。例如 ,左右視野的部分場景不匹配 、 左右視野環(huán)境光的不同都使得戶外環(huán)境下的基于像素的視野景物深度恢復困難重重 ， 如今的立體視覺研究者多數(shù)簡化了這些不利因素的影響 。 即使這樣，雙目或者多目視覺系統(tǒng)需要的計算量仍是比較大 的 ， 目前計算機的計算能力還不足以滿足車輛導航系統(tǒng)的實時性要求 ， 因此雙目或者多目視覺系統(tǒng)一 般用于復雜、未知環(huán)境下低速行駛的智能車輛，并且雙目或者多目視覺系統(tǒng)也會提高系統(tǒng)成本。對于道路檢測來說 ， 需要獲得道路方向和車輛與道路的位置關(guān)系 ，也沒有必要一定要完全理解整個三維世界環(huán)境。目前基于視覺導航的智能車輛多采用單目視覺系統(tǒng)完成道路檢測及跟蹤 ， 而采用多目視覺系統(tǒng)完成道路上的障礙物檢測 。 當采用單目視覺系統(tǒng)檢測道路時 ， 由于從三維的世界環(huán)境轉(zhuǎn)換到圖像的二維信息 ， 在這個轉(zhuǎn)換過程中 ， 損失了三維環(huán)境中的深度信息 ， 而且這個過程是不可逆的 。通常為了從單目視覺系統(tǒng)中獲得道路的三維信息 ， 對此提出了一些合 理的假設(shè) ， 如道路平坦假設(shè) 、 道路邊緣連續(xù)性假設(shè) 、 道路模型假設(shè)等。從國內(nèi)外實驗情況來看 ，采用了一些合理假設(shè)后 ， 單目視覺系統(tǒng)進行道路檢測是可行的。 單目視覺導航系統(tǒng)成像模型 為了得到圖像中的像素和實際道路區(qū)域點的對應關(guān)系 ， 必須知道二維圖像信息和三維世界信息的關(guān)系模型。由于單目視覺系統(tǒng)損失了三維世界中的深度信息 ， 這個過程是不可逆的 ， 在實際應用中 ， 根據(jù)需要作了一些假設(shè)和已知一定的信息 ， 從而從二維圖像中估計出三維的道路信息 。 具體的做法如下：假設(shè)車輛前方的道路是平坦的 ,設(shè)定攝像機的安裝位置 固定 (安裝的高度、俯視角、偏離角 )， 攝像機的固有參數(shù)為常數(shù) (攝像機焦距、孔徑張角 )。由于在道路檢測的過程中 ， 只需要得到道路延伸方向、車輛的偏移距離 ， 并不需要將道路的三維信息完全恢復 ， 以上的假設(shè)是石家莊鐵道學院畢業(yè)設(shè)計 5 可以滿足實際需要的 。 在攝像機成像幾何模型中最常用最簡單的是線性模型 —— 針孔模型 [3]。 下面就攝像機成像模型進行 介 紹 。 攝像機成像的實質(zhì)是將三維道路場景信息變換成二維圖像信息 ， 這個變換可以用一個從三維空間 (3D)到二維空間 (2D)的映射如式 (21)： ? ? ),(,: 23 yxzyxRRf ?? 來表示 。 上述的這種映射關(guān)系可以用透視投影針孔成像模型 來近似解釋 。 透視投影成像模型的特點是所有來自場景的光線均通過一個投影中心，它對應于透視的中心。圖 21(a)中經(jīng)過投影中心 o 且垂直于圖像平面的直線為攝像機光軸 39。oo ， xyzo?為世界坐標系， xyo?39。 為圖像平面坐標系， f 為攝像機焦距 。 由幾何關(guān)系可 知，世界坐標系中的點 p 經(jīng)投影中心 o 點在圖像平面坐標系中的投影點為 39。p ，可以看出其成像是倒立的。為了避免這種倒立圖像，現(xiàn)在假定圖像平面位于 Z 軸正半軸且與投影中心 o 的垂直距離為焦距 f 處，此時點 p 經(jīng) 投影中心 o 點在圖像平面坐標系中的投影點為 39。39。p ， 如圖 21(b)所示，可以看出 39。39。p 位于點 p 和點 o 之間，其投影大小與 39。p完全相同，但是此時為正立的投影圖像，這種現(xiàn)象在計算機視覺中也稱 為視網(wǎng)膜成像。 (a) 透視投影倒立成像圖 (b) 透視投影倒立成像圖 圖 21 透視投影圖像 由于這種成像模型最簡單，計算量小，在作了一些假設(shè)之后，適應于實際情況，因此本 設(shè)計 將單視目成像的針孔模型作為 二維圖像信息和三維世界信息的關(guān)系模型 。 由圖 21(a)或圖 21(b)均可以得到 ),( zyxp 點與其在圖像平面上的投影點),(39。 yxp 或 ),(39。39。 yxp 的映射關(guān)系，由圖中幾何關(guān)系可以得到透視投影方程式 (22)所示 ： ZfYyXx ?? (21) (22) 石家莊鐵道學院畢業(yè)設(shè)計 6 即世界坐標系中 ),( zyxp 點與其在圖像平面上投影點 ),(39。 yxp 或 ),(39。39。 yxp 的映射關(guān)系如式 (23)所示： YZfyXZfx ???? 本章小結(jié) 本章簡單介紹了兩種道路信息的獲得方法，即采用雙目或 多目視覺系統(tǒng)和采用單目視覺系統(tǒng)。由于單視目系統(tǒng)在實時性， 系統(tǒng) 成本上優(yōu)于前者，所以 目前常用的是單視目導航系統(tǒng)。從三維世界坐標得到二維圖像坐標的方法中，簡要討論了單目視覺系統(tǒng)中最簡單、常用的成像幾何模型 —— 針孔模型，由于在實際應用中，一些假設(shè)和已知一定信息的存在，該模型應用在車道線識別中是可行的。 (23) 石家莊鐵道學院畢業(yè)設(shè)計 7 第 3 章 道路圖像預處理 引言 智能車輛視覺系統(tǒng)完成圖像采集后，需要對獲取的圖像進行各種處理與識別。而視覺系統(tǒng)在圖像的生成、采樣、量化、傳輸、變換等過程中，由于 CCD 傳感器的噪聲、隨機大氣湍流、光學 系統(tǒng)的失真等原因會造成 CCD 攝像機成像質(zhì)量的降低。另外，由于車輛行駛時視覺系統(tǒng)與道路環(huán)境之間存在相對運動，輸出圖像的質(zhì)量也會降低，常產(chǎn)生運動模糊等現(xiàn)象。為了改善視覺系統(tǒng)圖像的質(zhì)量，需要突出道路圖像中的有用信息并盡可能消除其它環(huán)境信息的干擾，因此需要對原始圖像進行圖像的預處理操作。 圖像預處理是指按特定的需要突出一幅圖像的某些信息，同時，削弱或去除某些不需要的信息的處理方法。其目的是使處理后的圖像對于某種特定的應用，比原始圖像更便于人和機器對圖像的理解和分析。 道路圖像灰度化 大部分道路圖像是 通過彩色 COMS 圖像傳感器采集的，原始圖像為彩色圖像。其中顏色模型為 RGB 模型，圖像中的任何顏色都是通過紅 (Red)、藍 (Green)、綠 (Blue)三種基本顏色按照不同的比例混合得到的。在 RGB 模型中，如果 R=G=B 時，則彩色表示一種灰度顏色，其中 R=G=B 的值叫灰度值。因此，灰度圖像每個像素只需一個字節(jié)存放灰度值，一般將白色的灰度值定義為 255，黑色的灰度值定義為 0，而由黑到白之間的明亮度均勻的劃分為 256 個等級。在道路圖像提取車道線過程中，很多算法沒有利用圖像的彩色信息而是將其灰度化。雖然，灰度化圖像 無可避免的丟失一些信息，但是對灰度圖像的處理，從其存放方式可以看出速度相對較快。而對彩色圖像的處理，就是分別對三個分量處理，可見速度相對較慢。于是將彩色圖像轉(zhuǎn)換為灰度圖像，下面就常用的四種方法 [4]進行 介紹 。 常用的灰度化方法 (1)分量法 將彩色圖像中三個分量的亮度分別作為三個灰度圖像的灰度 值 如式 (31)所示，可根據(jù) 需要選取一種灰度圖像。 石家莊鐵道學院畢業(yè)設(shè)計 8 圖 31 三分量法灰度化 ),(),(),(),(),(),( 321 jiBjifjiGjifjiRjif ??? 其中 )3,2,1(),( ?kjifk 為轉(zhuǎn)換后的灰度 圖像在 ),( ji 處的灰度值。 (2)最大值法 將彩色圖像中三個分量亮度的最大值 ， 作為灰度圖像的灰度值如式 (32)所示。 ? ?),(),(),(m a x),( jiBjiGjiRjif ? (3)平均值法 將彩色圖像中三個分量的亮度求平均 ， 得到一個灰度圖像如式 (33)所示。 ? ? 3/),(),(),(),( jiBjiGjiRjif ??? (4)加權(quán)平均法 根據(jù)重要性及其它指標，將三個分量以不同的權(quán)值進行加權(quán)平均。由于人眼對綠色的敏感 度 最高，對藍色敏感 度 最低，因此，按式 (34)對 RGB 三分量進 行加權(quán)平均 能得到亮度較合理的灰度圖像。 ),(),(),(),( jiBjiGjiRjif ??? 用 MATLAB 對 分量法、最大值法、平均值法、加權(quán)平均法四種常用灰度化方法 ， 對一幅道路圖像進行 仿真 ， 結(jié)果 如圖 3圖 32： (31) (33) (32) (34) 石家莊鐵道學院畢業(yè)設(shè)計 9 通過圖 32 圖像灰度化的結(jié)果可以看出：在處 理道路圖像時，平均值灰度化彩色圖像效果最差，因為圖像大部分區(qū)域是路面，灰度化后，道路標記線被弱化。其它看來，感覺差別不大，原因在于所選圖像的色彩差別不是很大，選用色彩差 別明顯的圖像，可以看出加權(quán)平均法混合后可以得到更符合人類視覺的灰度值。由于篇幅有限，這里不再用其它圖像說明。 通過方法的介紹可以看出 ， 以上的灰度化方法 ， 并沒有更多的利用彩色圖像提供的色彩信息，而是大致通用的一些方法，沒有考慮到圖像的特征。本 設(shè)計 采用的是下面一種彩色 通道提取 [5]的方法。 彩色通道提取灰度化 彩色通道提取的主要目的是根據(jù)車道標志線的色彩信息，提取一定的顏色通道，形成突出車道標志線塊狀結(jié)構(gòu)的灰度圖像。車道標志線一般為黃色或白色，而路面多為瀝青表面。在彩色圖像中車道標志線上的 點成像后 ， 其 R 和 G 通道的顏色值相對大于 B 通道，而瀝青表面的成像以灰色為主，其 RGB 三通道的顏色比較平均而且相對較小。因此試圖通過提取 R、 G 通道的方法突出車道標志線的塊狀結(jié)構(gòu)是可行的。 為了從提取的通道合成灰度圖像，在此將 R、 G通道的顏色值相加。具體是 R、 G通道顏色值之和在一定的閾值之上的像素點直接取灰度最大值 255。 而低于這個閾值的像素點 ， 則被弱化 。 其在灰度圖像中的像素值取 (R+G)/2。綜上所述，其變換原理圖 32 圖像灰度化比較 石家莊鐵道學院畢業(yè)設(shè)計 10 ??? ? ??? ot he r w is eGR CGRifgr ay 2/)( 2/)(255如式 (35)： 式中 ， C—— 閾值 ； R—— 像素顏色值的 Red分量 ； G—— 像素顏色值的 Green分量。 從 式 (35)中可以看出， 對于 R、 G通道顏色值較大的車道邊緣點在灰度圖像中其灰度值得到強化。而對于 R、 G通道顏色值較小的瀝青路面其灰度值將被弱化。從而經(jīng)過 R+G處理后，得到的是車道邊界強化的灰度圖像。對于閾值 C的選取，目前沒有固定的方法，本 設(shè)計 的做法是，在車輛采集到的圖像下方取一塊條形區(qū)域，搜索 B通道相對大的像素點 ， 并計算出它們平均的 (R+G)/2值，把該值作為整個圖像處理時的閾值，使整個圖像尤其是遠方的車道線得到增強。 用 MATLAB對彩色通 道提取法對道路圖像進行仿真如圖 33： 圖 33 彩色通道提取灰度化 從圖 33中可以看出，車道邊緣部分在灰度圖像中得到了有效的增強，由于 255