【導(dǎo)讀】和魯棒性的識別算法。問題已經(jīng)成為全球范圍內(nèi)人們普遍關(guān)注的社會問題。路系統(tǒng)和智能交通系統(tǒng)。在車輛視覺導(dǎo)航系統(tǒng)中最為關(guān)鍵。的技術(shù)就是計算機(jī)視覺，計算機(jī)視覺的主要任務(wù)是完成道路的識別和跟蹤。少實時性；有嘗試用三維重建的方法識別車道線，但由于其算法復(fù)雜度高難以滿足實時性的要求。提高算法實時性和魯棒性是目前急需解決的問題。換及其改進(jìn)算法和中值截距法提取車道線，分別通過MATLAB仿真得到實驗結(jié)果。并根據(jù)本設(shè)計中圖像處理的具體要求，選取了合適的圖像預(yù)處理算法。子點生長出路面區(qū)域。然后，根據(jù)邊緣和區(qū)域信息所表示的道路邊界線，應(yīng)該在空

　　

【正文】 1987 ZZZZZZG x ?????? 1 0 1 2 0 2 1 0 1 )2()2( 741963 ZZZZZZG y ?????? (315) (317) (316) 石家莊鐵道學(xué)院畢業(yè)設(shè)計 19 ewittPr 邊緣檢測算子用如圖 313 所示模板 ， 來近似計算圖像 ),( yxf 對 yx和 的偏導(dǎo)數(shù)： )()( 321987 ZZZZZZG x ?????? )()( 741963 ZZZZZZG y ?????? 圖 313 ewittPr 邊緣檢測算子 Log 邊緣檢測算子是二階導(dǎo)數(shù)算子，它是一個標(biāo)量， 無方向的，因而只需一個模板就行了。在進(jìn)行二階導(dǎo)數(shù)微分計算時，常用的 兩個模板如圖 314： 圖 314 Log 邊緣檢測算子 Canny 考察了以往邊緣檢測算子的應(yīng)用，發(fā)現(xiàn)盡管這些應(yīng)用出現(xiàn)在不同的領(lǐng)域，但都有一些共同的要求，歸納為三條準(zhǔn)則：好的檢測結(jié)果，好的邊緣定位精度，對同一個邊緣有低的響應(yīng)次數(shù)。根據(jù)這三 條準(zhǔn)則， Canny 給出了三條準(zhǔn)則的表達(dá)式，MATLAB 中集成了上述邊緣檢測算子函數(shù)， 仿真邊緣檢測圖像如圖 315： 圖 315 傳統(tǒng)差分算子檢測 由 實驗 結(jié)果可以看出： ewittPr 邊緣檢測算子和 Sobel 邊緣檢測算子因具有非各1 0 1 1 0 1 1 0 1 1 1 1 0 0 0 1 1 1 1 1 1 1 8 1 1 1 1 0 1 0 1 4 1 0 1 0 石家莊鐵道學(xué)院畢業(yè)設(shè)計 20 向同性而在檢測 45176。 的道路線方面有一定優(yōu)勢。 Roberts 邊緣檢測算子計算相對簡單，但圖像處理后，車道線出現(xiàn)斷點現(xiàn)象?？紤]到 Sobel 算子是利用水平和垂直兩個方向的梯度閾值來檢測道路邊緣的，而道路圖像中車道線與水平方向約成 45176。 和135176。 ，因此 許多學(xué)者提出了針對車道線方向的模板，自設(shè)計差分算子。下面介紹兩種自定義的差分模板。 自定義差分算子 針對道路圖像中車道標(biāo)志線具有向左和向右傾斜的特征，如果設(shè)計針對該方向的差分算子，可以預(yù)見 比 Sobel 算子更能增強(qiáng)車道線的位置。選用的兩個差分算子 [10]如式 (318)、式 (319)： ????????????????????????????032303230230303032rl SS ????????????????????????????01110111011010101121 SS 用自定義的差分算子對灰度圖像進(jìn)行邊緣增強(qiáng)，并用 MATLAB 進(jìn)行 仿真，實驗結(jié)果如圖 316： 圖 316 自定義差分算子邊緣增強(qiáng) (319) (318) 石家莊鐵道學(xué)院畢業(yè)設(shè)計 21 從圖 316 可以看出車道線標(biāo)記在模板 21 SSSS rl 、和、 檢測下得到了增強(qiáng)，尤其對于遠(yuǎn)處的車道線效果更明顯，但是車道線加強(qiáng)的同時，意味著像素點的增多，需要進(jìn)一步細(xì)化處理?？紤]到各種實際情況，本課題選用第一個自定義模板如式 318所示。 加入噪聲圖像檢 測實驗 前面的實驗比較的是幾種差分算子在無外加噪聲的情況下對道路圖像的邊緣檢測結(jié)果，但在實際應(yīng)用中，系統(tǒng)采集到的圖像多數(shù)情況下是已經(jīng)被噪聲污染的圖像，在進(jìn)行去噪處理后也會有噪聲的殘留干擾，所以算子的抗擾性也是選取算子關(guān)鍵考察的方面。通常在實際道路識別中，遇到雨、雪等惡劣氣候條件的情況下，系統(tǒng)采集到的圖像視野中經(jīng)常有大量的雨雪顆粒，嚴(yán)重影響對道路圖像中特征曲線的提取。在各種噪聲模型中，椒鹽噪聲 可以很好地模擬雨、雪顆粒對圖像質(zhì)量造成的影響 [8]，因此通過實驗比較各種差分算子對椒鹽噪聲污染后的道路圖像的邊緣檢測能力具有實際意義。 對加入椒鹽噪聲的圖像，用常用的差分檢測算子進(jìn)行邊緣檢測，并用 MATLAB進(jìn)行 仿真 ， 結(jié)果 如 圖 317： 圖 317 加噪聲后傳統(tǒng)差分算子檢測 從實驗結(jié)果中可以看出加入椒鹽噪聲對幾種差分算子檢測都產(chǎn)生了的影響。其石家莊鐵道學(xué)院畢業(yè)設(shè)計 22 中 Roberts 邊緣檢測算子產(chǎn)生了斷點； ewittPr 邊緣檢測算子和 Sobel 邊緣檢測算子的檢測效果較為理想 ,邊緣較為完整；通過無外加噪聲圖像、加入椒鹽噪聲圖像的實驗結(jié)果表 明在這幾種情況下， ewittPr 邊緣檢測算子和 Sobel 邊緣檢測算子的檢測效果較好， Roberts 邊緣檢測算子在有噪聲情況下產(chǎn)生較多的斷點 ,定位不準(zhǔn)確。 對比 Sobel 邊緣檢測算子和自定義差分算子在有噪聲干擾的情況下的邊緣檢測結(jié)果，用 MATLAB 進(jìn)行 仿真 ， 結(jié)果 如圖 318： 圖 318 加 入噪聲后的邊緣檢測 從結(jié)果 中可以 看 出 ，在椒鹽噪聲的影響下，自定義差分算子的檢測效果較好，車道邊界特征明顯，沒有出現(xiàn)斷點 現(xiàn)象。考慮各種情況 后 ，選用第一種如式 (318)所示自定義差分算子作為道路圖像邊緣檢測算子最適合。 本章小結(jié) 本章主要介紹了進(jìn)行道路識別前的準(zhǔn)備工作 ,是后面章節(jié)的基礎(chǔ)。主要討論了圖像的預(yù)處理問題。本 設(shè)計 研究的道路檢測系統(tǒng)中的道路檢測技術(shù) ,行駛過程采集到的圖像 ,由于道路不平坦、或者其它因素 ,視覺系統(tǒng)會產(chǎn)生振動、松動等不確定因素 ,使采集到的圖像質(zhì)量 受到影響。為了增強(qiáng)道路圖像的識 別可靠性 ,降低道路檢測算法的復(fù)雜性 ,有利于道路邊界的正確識別和精確定位 ,需要對采集到的道路圖像進(jìn)行預(yù)處理 ,以提高圖像的質(zhì)量。 在所有的圖像處理算法中 ,沒有哪一種算法可以適用于處理各類圖像。每一種算法都有一定的針對性和局限性。在實際研究過程中 ,為了找到各種有效的圖像處石家莊鐵道學(xué)院畢業(yè)設(shè)計 23 理方法 ,需要作廣泛的實驗。根據(jù)當(dāng)前視覺導(dǎo)航系統(tǒng)的需要 ,對算法加以必要的改進(jìn) ,從而可以得到適合本視覺系統(tǒng)的最優(yōu)算法。本課題道路圖像預(yù)處理包括圖像的灰度化處理、均衡化處理、濾波處理、邊緣增強(qiáng)處理。為后續(xù)道路圖像的分割和道路標(biāo)志的識別提供了很好的條件。 在研究的諸多預(yù)處理圖像算法中，針對本設(shè)計提供的圖像和算法自身的優(yōu)點，采用彩色通道提取法灰度化道路圖像，直方圖均衡化技術(shù)增強(qiáng)對比度，對噪聲圖像用 33? 中值模板濾波， 自定義差分 算子邊緣檢測。 石家莊鐵道學(xué)院畢業(yè)設(shè)計 24 第 4 章 道路邊緣的識別 引言 在視覺導(dǎo)航諸多復(fù)雜且具有挑戰(zhàn)性的任務(wù)中 ,最受重視的是道路識別 (road following),它包括道路檢測和道路追蹤兩個部分。道路檢測是視覺導(dǎo)航研究中的核心問題之一 ,也是視覺導(dǎo)航發(fā)展水平的重要標(biāo)志之一。檢測包括道路定位，行駛物相對道路邊界的位置，判斷駛出道路區(qū)域的可能性等，道路追蹤不再對整幅道路圖像進(jìn)行全面的處理 ,只是利用前一次道路檢測得到的車道信息 ,實現(xiàn)對道路的快速檢測定位 ,這樣可以進(jìn)一步提高系統(tǒng)的實時性。由于論文時間有限，本 設(shè)計 只對道路檢測部分進(jìn)行了仿真實驗。目前，道路檢測技術(shù)有單目和雙目或多目視覺系統(tǒng)之分。 本章算法沒有從立體視覺的角度來解決道路環(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(jìn)行三維恢復(fù)獲取環(huán)境信息有很多的困難：首先 ,計算量巨大。其次 ,匹配點尋找困難。另外 ,遮擋問題。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 ,但是就實際影響來看 ,任何一個因素都可能導(dǎo)致環(huán)境深恢復(fù)的錯誤 ,尤其是在光線環(huán)境比較復(fù)雜的戶外。這就使得基于像素點進(jìn)行三維重構(gòu)的方式進(jìn)行視覺導(dǎo)航只適用于比較簡單的環(huán)境。而對于環(huán)境較為復(fù)雜的戶外環(huán)境 ,多數(shù)沒有采取對圖像進(jìn)行基于像素的三維恢復(fù)的方式，而是采用單目視覺系統(tǒng)。 本章將在單目視覺系統(tǒng)針孔成像的模型下進(jìn)行道路的檢測 ,由于檢測的是一般路面，因此主要利用了道路的邊緣和區(qū)域兩種方法的結(jié)合。并用 MATLAB 進(jìn)行了仿真實驗。 道路 檢測 方法簡介 現(xiàn)有的道路檢測算法 [11]主要有以下三種： (1)基于彩色圖像的分割方法。這種方法是利用彩色圖像中 RGB 彩色空間原理 ,根據(jù)道路在 Red,Green,Blue 三個彩色分量上與周圍非路面環(huán)境的不同 ,對輸入的彩色圖像進(jìn)行路面和非路面的二值劃分 ,這種方法更適用于沒有車道線的非標(biāo)準(zhǔn)車道。但是基于 RGB 的彩色圖像分割方法對道路與非道路的分類標(biāo)準(zhǔn)并不是很充分 ,于是人們又提出了基于 HSG的圖像分割方法。其中 Betkel 等人提出圖像色彩的 HSG表達(dá)能提供對道路與非道路更有效的分類準(zhǔn)則 ,其中的色度 H 和飽和度 S 分量對人石家莊鐵道學(xué)院畢業(yè)設(shè)計 25 行道、樹和天空有一致的表達(dá) ,并且去除了不平整路面的影響 。而一些具有高亮特征的如汽車尾燈、交通信號、車道標(biāo)志及道路邊界等需要用灰度級 G 分量來識別。 (2)基于灰度圖像的車道線檢測與跟蹤算法。這是目前車道線檢測與跟蹤的主流方法，它可以充分利用車道線提供的灰度信息進(jìn)行自主導(dǎo)航 ,非常適用于等級較高的公路。同時這類方法有一些突出的問題需要解決 ,如當(dāng)車道線被其它車輛遮擋時 ,需要準(zhǔn)確估計被遮擋的部分車道線。還有由樹木、橋梁、建筑物及其它車輛等產(chǎn)生的陰影對路面灰度值產(chǎn)生的影響進(jìn)而對檢測造成干擾等問題。 (3)神經(jīng)網(wǎng)絡(luò)方法。在智能車輛導(dǎo)航研究中 ,采用人工神經(jīng)網(wǎng)絡(luò)是一種很典型的方 法。通過在實際景物中駕駛車輛來訓(xùn)練神經(jīng)網(wǎng)絡(luò) ,這種方法可以用于非結(jié)構(gòu)化道路跟蹤 ,但是它也有一個很大缺點即不知道車道線的位置 ,因而與車道線有關(guān)的許多輔助功能無法實現(xiàn) ,當(dāng)用于等級較高公路時 ,效率低下。 參考近年來有關(guān)文獻(xiàn)，當(dāng)前基于視覺的道路檢測技術(shù)主要有以下兩個方向的研究：一個方向是側(cè)重于研究道路邊緣信息，另一個方向是側(cè)重于研究路面區(qū)域信息。根據(jù)分析，可以得知邊緣和區(qū)域是物體的兩個互補(bǔ)特性，因為獲取邊緣信息時容易過分分割或合并，而導(dǎo)致丟失或添加圖像邊界，可以通過區(qū)域信息來補(bǔ)償邊沿的部分不確定性，因此文中提出對邊緣 邊界和區(qū)域邊界進(jìn)行綜合分析 ,以得到準(zhǔn)確的道路邊界。 邊緣與區(qū)域相結(jié)合的道路 檢測方法 經(jīng)過邊緣增強(qiáng)處理后，從圖 316 中可以看到不僅道路邊緣信息 ,其它信息如樹木、行人等輪廓線也得到增強(qiáng)，這些輪廓在圖像中形成了許多的假邊界。為了克服假邊界的干擾 ,本 設(shè)計 采用區(qū)域生長 [11]的方法 ,得到道路圖像的路面區(qū)域信息。根據(jù)路面的區(qū)域信息和自定義差分算子提取的邊緣信息定位車道線邊界，這種方法的優(yōu)點是對噪聲不太敏感 ,即使在強(qiáng)陰影下也能得到大體正確的路面描述。下面首先簡介區(qū)域生長法。 區(qū)域生長法的基 本概念 區(qū)域生長的基本思想是將具有相似性質(zhì)的像素點集合起來構(gòu)成區(qū)域，具體先對每個需要分割的區(qū)域找一個種子像素作為生長的起點 ,然后將種子像素周圍鄰域中與種子像素有相同或相似性質(zhì)的像素根據(jù)某種事先確定的生長或相似準(zhǔn)則來判定合并到種子像素所在的區(qū)域中，直到再沒有滿足條件的像素可被包括進(jìn)來，這樣一個區(qū)域就長成了。其中生長準(zhǔn)則常用的是圖像的灰度、紋理、彩色等信息。通過上石家莊鐵道學(xué)院畢業(yè)設(shè)計 26 述分析可知，在用區(qū)域生長法處理道路圖像時，有以下兩個問題是非常關(guān)鍵的。 一、區(qū)域生長的一個關(guān)鍵是選擇合適的生長或相似準(zhǔn)則，使用不同的生長準(zhǔn)則會影響區(qū)域 生長的過程，目前，區(qū)域生長法在處理道路圖像中大多采用灰度差準(zhǔn)則。區(qū)域生長方法將圖像以像素為基本單位來進(jìn)行操作，基于區(qū)域灰度差的方法，主要有如下步驟： (1)對圖像進(jìn)行逐行掃描 ,找出尚沒有歸屬的像素； (2)以該像素為中心檢查它的鄰域像素，即將鄰域中的像素逐個與它比較 ,如果灰度差小于預(yù)先設(shè)定的閾值，則將它們合并； (3)以新合并的像素為中心，檢查新像素的鄰域，直到區(qū)域不能進(jìn)一步擴(kuò)張； (4)繼續(xù)掃描直到不再發(fā)現(xiàn)沒有歸屬的像素，則結(jié)束整個生長過程。 二、區(qū)域生長過程中對如何選取種子點也是關(guān)鍵，一般可以根據(jù)圖像的 特點來確定，對于有先驗知識的圖像可以利用先驗知識，如果沒有則可以借助生長準(zhǔn)則對像素進(jìn)行相應(yīng)的計算，本 設(shè)計 根據(jù)算法所要實現(xiàn)的目的，所選擇種子點的區(qū)域核心應(yīng)滿足以下三個要求： (1)必須在道路區(qū)域內(nèi) ， 且距道路邊界有一定距離； (2)其灰度與周圍的灰度較為均勻，以便能生長出較大的區(qū)域； (3)其灰度應(yīng)能反映道路區(qū)域的亮度分布。 根據(jù)上述要求選擇恰當(dāng)?shù)姆N子點，在道路圖像理解中，可以作這樣一個合理的假設(shè) [11]，在距離車輛很近的正前方的一個小范圍內(nèi)一定是路面。這種假設(shè)在絕大多數(shù)情況下是成立的，因為一旦這個前提 不成立，就標(biāo)志著車輛距離危險區(qū)域太近而表明前面的導(dǎo)航失敗。在這種前提下，進(jìn)行視覺輔助導(dǎo)航時，就可以根據(jù)在這個小范圍內(nèi)的取樣特征推導(dǎo)出整個視野空間中的道路信息。理想情況下，我們可以僅僅依賴種子點的信息正確地推出整個道路區(qū)域。通過對算法的理解，本 設(shè)計 用區(qū)域生長法得到路面區(qū)域的算法如下： (1)選取灰度圖像下方一個條形范圍內(nèi)處于灰度值中間位置的像素為種子點； (2)用 33? 的平滑模板處理灰度化圖像，得到鄰域平均化的灰度圖像； (3)根據(jù)在鄰域平均化的灰度圖