基于雙目立體視覺伺服的智能車室內彎道控制

摘 要： 為了提高智能車彎道中定位的魯棒性，將室內彎道特征信息進行特征提取與匹配來建立路徑，利用自身前景立體視覺感知信息獲得車體彎道轉向的判斷和偏航角度的給定，并采用BP控制策略對智能小車實現轉彎控制，避免了傳統PID控制方法因被控系統參數變化時難以克服系統中非線性因素影響，解決了未知環境與非線性系統對控制帶來的困難。仿真實驗結果表明方法在轉彎時控制的有效性。

關鍵詞： 立體視覺； 視覺伺服； 運動估計； 彎道控制

中圖分類號： TN911.7?34； TP242 文獻標識碼： A 文章編號： 1004?373X（2013）17?0110?04

0 引 言

智能車環境感知系統的一個重要任務就是實時地提供車輛在行使過程中的位置信息。機器視覺因其有信號探測范圍寬、獲取信息完整、符合人類認知習慣、維護成本低、不產生環境污染等多優點，已在智能車環境感知系統中廣泛采用[1?3]。機器視覺車輛環境感知系統中的主要任務是完成道路及目標的識別和跟蹤，為智能車行使提供必須的本車位置信息和周圍環境距離信息。

對于現實情況下的道路，一般可以將其分為兩大類，即：結構化道路和非結構化道路。結構化道路上有明顯的道路標記，且這些標記具有較強的幾何特征，道路路面主要是由這些標記界分確定的，如高速公路上道路中間黃色的連續標志線或白色的間斷標志線以及兩旁白色的連續標志線；非結構化道路上沒有明顯的道路標記，在二維圖像中道路路面與非路面主要依靠紋理與色彩而區分的，如沒有標記的水泥路、野外土路或石板路等[4]。

彎道圖像包含豐富的道路信息和環境信息，解釋了道路周圍場景。彎道檢測是從道路圖像中檢測出彎曲車道線的邊界，這也是對彎道理解的基礎[5]。建立彎道模型；提取車道線像素點；擬合車道線模型屬于目前較常采用的認知方法，并在特定的結構化道路體現出較好的檢測效果。文獻[6]介紹了彎道檢測在車道偏離預警、彎道限速以及彎道防碰撞預警等領域的應用情況，并提出了彎道檢測應該建立三維車道線模型，提高適用性。文獻[5?6]均采用的Hough變換求出車道線直線方程，從而確定對應直線段上的最低點和最高點，然后根據相應準則判斷曲線道路的彎曲方向，最后分段擬合車道線的直線段和曲線段實現車道線的二維重建。

彎道檢測不僅需要識別出道路邊界線，還需要判斷道路彎曲方向，確定轉彎的曲率半徑。常用的車道檢測方法可分為2大類：基于道路特征[7]和基于道路模型[8]的方法。目前國外主要常用基于道路模型的方法，即將彎道檢測轉化為各種曲線模型中數學參數的求解問題。省略彎道曲線模型建立和數學參數的復雜求解過程，本文采用立體視覺感知環境的三維信息，利用它的視差原理對所獲取室內道路周邊環境圖像中角點特征的位置恢復其三維信息來判斷車體的彎道轉向和偏航角度。建立了視覺信息直接控制車體驅動偏離角與偏離距離視覺伺服控制系統，初步采用了BP控制策略，利用Simulink仿真環境實現了針對未知彎道曲率的智能車轉彎控制運動。

1 室內道路環境信息的視覺感知

1.1 立體視覺系統模型

1.2 室內環境特征向量的提取與匹配

由于噪聲、光照變化、遮擋和透視畸變等因素的影響，空間同一點投影到兩個攝像機的圖像平面上形成的對應點的特性可能不同，對在一幅圖像中的一個特征點或者一小塊子圖像，在另一幅圖像中可能存在好幾個相似的候選匹配。因此需要另外的信息或者約束作為輔助判據，以便能得到惟一準確的匹配。最近鄰法是一種有效的為每個特征點尋找匹配點的方法。最近鄰點被定義為與特征點的不變描述子向量之間的歐氏距離最短的點[9]。

1.3 運動估計

2 車體的轉彎控制

2.1 車體定位參數計算

2.2 彎道控制策略

2.2.1 控制策略

2.2.2 控制仿真實驗

利用Simulink庫中Signal Builder產生變化的Signal仿真實際環境中視覺系統得到的當前車體的偏移量。小車經左右輪差速轉彎運動中質心位置實際偏轉角度作為網絡的輸入，經訓練學習反饋回系統的控制輸入端。圖7為控制仿真結果圖，由圖示可知該方法基本完成了對信號的控制跟蹤，由此說明了利用雙目立體視覺所獲得的信息，并采用BP網絡自學習對道路的變化可適用于不同彎道的道路，避免了傳統PID控制方法因彎道曲率變化使得小車轉彎控制失敗。

3 結 論

借助機器視覺系統判斷小車可行駛區域，同時還可清晰地判斷出彎曲線路的走向，避免了彎道方向的復雜判別方法，且該方法普遍適用于不同的道路環境，特別是非結構化的道路環境，也增強了算法的實用性和魯棒性。但目前對雙目攝像機進行精確匹配和標定仍然是個技術難題；神經網絡訓練方法在選取訓練樣本數據和精確定位車輛位置方面也比較困難，這將是進一步研究的主要關鍵問題。

參考文獻

[1] 劉俊承，王淼鑫，彭一準.一種基于視覺信息的自主搬運機器人[J].科學技術與工程，2007，7（3）：314?319.

[2] 董吉文，楊森，魯守銀.基于單目視覺的移動機器人導航方法[J].山東大學學報：理學版，2008，43（11）：1?5.

[3] 楊森，董吉文，魯守銀.變電站設備巡檢機器人視覺導航方法[J].電網技術，2009，33（5）：11?13.

[4] 張瑩.視覺導航系統中道路檢測算法的研究[D].長春：長春理工大學，2007.

[5] 郭烈，黃曉慧，劉寶印，等.基于道路模型的彎道檢測研究與應用[J].交通信息與安全，2012（3）：114?116.

[6] 楊喜寧，段建民.基于改進Hough變換的車道線檢測技術[J].計算機測量與控制，2010，18（2）：292?294.

[7] CHIU K Y， LIN S F. Lane detection using color?based segmentation [C]// Proceedings of IEEE Intelligent Vehicles Symposium. LasVegas， Nevada， USA： IEEE， 2005： 706?711.

[8] WANG Y， SHEN D G， TEOH E K. Lane detection using Catmull?Rom spline [C]// Proceedings of the 1998 IEEE International Conference on Intelligent Vehicles. Piscataway， NJ， USA： IEEE， 1998： 51?57.

[9] 戚世貴，戚素娟.基于特征點的最近鄰配準算法[J].許昌學院學報，2008，27（2）：67?71.

[10] 南飛艷.基于SIFT特征匹配的單目視覺圖像識別定位系統研究[D].西安：西安理工大學，2010.