圖像畸變對(duì)智能車(chē)控制的影響及對(duì)策研究

況宗旭 李軍紅 何俊延 馬錦模 張逸帆

摘要：由于智能車(chē)視野范圍的要求，攝像頭一般要向下傾斜一定角度安裝，這種安裝方式會(huì)造成圖像畸變，得到的圖像不能反映路面的真實(shí)情況。本文分析圖像畸變的產(chǎn)生及對(duì)智能車(chē)控制的影響，提出采用“非均勻行采集”和“線(xiàn)性補(bǔ)償”的方法矯正攝像頭圖像畸變，并基于Opencv進(jìn)行仿真實(shí)驗(yàn)，且在智能小車(chē)上應(yīng)用圖像矯正算法進(jìn)行實(shí)車(chē)調(diào)試。實(shí)驗(yàn)結(jié)果表明，根據(jù)矯正后的圖像信息識(shí)別路徑，能有效地避免智能車(chē)偏離導(dǎo)航線(xiàn)，提高智能車(chē)的控制精度和響應(yīng)速度。

關(guān)鍵詞：圖像畸變；非均勻行采集；線(xiàn)性補(bǔ)償；智能小車(chē)

1緒論

利用攝像頭攝取道路圖像信息，識(shí)別路面引導(dǎo)線(xiàn)實(shí)現(xiàn)自主導(dǎo)航是現(xiàn)階段智能車(chē)較常用的導(dǎo)航方法。[1]攝像頭在拍攝圖像時(shí)，最理想的位置是垂直于拍攝平面，這樣才能保證圖像按幾何比例重現(xiàn)。由于智能車(chē)視野范圍的要求，攝像頭的安裝一般與拍攝平面成一定傾斜角度，這種角度的存在會(huì)造成圖像畸變。在這種情況下，直接利用目標(biāo)引導(dǎo)線(xiàn)在圖像中的相對(duì)位置制定控制策略，會(huì)造成較大的誤差，甚至使小車(chē)嚴(yán)重偏離導(dǎo)航線(xiàn)。針對(duì)上述問(wèn)題，本文采用“非均勻行采集”和“線(xiàn)性補(bǔ)償”的方法矯正攝像頭圖像畸變，根據(jù)矯正后的圖像信息進(jìn)行路徑識(shí)別。仿真實(shí)驗(yàn)和實(shí)車(chē)調(diào)試的結(jié)果表明，圖像畸變矯正為智能車(chē)控制策略的實(shí)現(xiàn)奠定了基礎(chǔ)，能有效提高智能車(chē)的控制性能。

2圖像畸變的產(chǎn)生及影響

2.1圖像畸變的產(chǎn)生

當(dāng)攝像頭垂直安裝時(shí)，與向下傾斜一定角度安裝相比，獲得的視野范圍是最小的。因此，為了滿(mǎn)足車(chē)輛視野范圍的要求，攝像頭一般會(huì)向下傾斜一定角度。由于俯仰角不為零，攝像機(jī)的主光軸與所攝的路面不垂直，而像平面與攝像機(jī)主光軸垂直，根據(jù)幾何光學(xué)可知，圖像存在幾何圖像畸變。幾何圖像畸變主要分為兩個(gè)部分，包括橫向畸變和縱向畸變，[2]如下圖所示。

2.1.1橫向畸變

如圖1所示，在攝像頭垂直拍攝輸出的道路圖像中，兩條車(chē)道線(xiàn)是平行關(guān)系，當(dāng)攝像頭向下傾斜拍攝，圖像中兩條車(chē)道線(xiàn)卻變?yōu)椴黄叫校覚M向距離不斷被壓縮。這表明攝像頭對(duì)不同距離處的地平面進(jìn)行了不同程度的橫向壓縮，而且距離越遠(yuǎn)，壓縮越嚴(yán)重。

2.1.2縱向畸變

如圖1所示，道路中間的等間隔引導(dǎo)線(xiàn)在攝像頭垂直拍攝時(shí)表現(xiàn)為等間隔均勻分布，當(dāng)攝像頭向下傾斜拍攝，引導(dǎo)線(xiàn)出現(xiàn)了不同程度的縱向壓縮，而且距離攝像頭越遠(yuǎn)，壓縮越嚴(yán)重。

2.2圖像畸變對(duì)智能車(chē)控制的影響

采用“標(biāo)識(shí)線(xiàn)圖像識(shí)別法”實(shí)現(xiàn)智能車(chē)軌跡跟蹤控制，一般是基于識(shí)別的路沿車(chē)道線(xiàn)，通過(guò)對(duì)左右邊界取中值，提取軌跡實(shí)際中線(xiàn)進(jìn)行尋跡跟蹤。但是當(dāng)圖像發(fā)生畸變時(shí)，車(chē)道線(xiàn)會(huì)出現(xiàn)變形，提取的軌跡中線(xiàn)會(huì)出現(xiàn)如圖2所示的“丟線(xiàn)”現(xiàn)象，得到的軌跡中線(xiàn)與實(shí)際中線(xiàn)相比出現(xiàn)較大偏差。

根據(jù)圖2的結(jié)果可知，對(duì)畸變的彎道圖像進(jìn)行處理得到的軌跡中線(xiàn)與實(shí)際中線(xiàn)出現(xiàn)了較大的偏差，在進(jìn)行方向控制時(shí)，以期望中線(xiàn)作為參考中線(xiàn)，由于實(shí)際中線(xiàn)出現(xiàn)偏移，輸出的控制量會(huì)出現(xiàn)錯(cuò)誤。而且，在進(jìn)行速度控制時(shí)也需要針對(duì)實(shí)際中線(xiàn)的相對(duì)位置制定相應(yīng)策略，當(dāng)實(shí)際中線(xiàn)出現(xiàn)偏離，智能車(chē)的速度控制也會(huì)出現(xiàn)較大誤差。

智能車(chē)圖像信息的底層處理是整個(gè)上層控制策略的基礎(chǔ)，[3]圖像的穩(wěn)定性和準(zhǔn)確性都決定著上層的方向控制和速度控制能否發(fā)揮作用，圖像畸變的產(chǎn)生對(duì)上層控制策略會(huì)產(chǎn)生許多諸如圖2所示的不良影響。在這種情況下，直接利用軌跡中線(xiàn)在圖像中的相對(duì)位置制定控制策略，會(huì)造成較大的誤差，甚至使小車(chē)嚴(yán)重偏離導(dǎo)航線(xiàn)。

3畸變圖像矯正方法

由于圖像畸變的存在，想要得到準(zhǔn)確的圖像信息，需要將畸變圖像的圖像坐標(biāo)矯正到世界坐標(biāo)，[4]圖像矯正方法如圖3所示。

圖像的縱向畸變是一種非線(xiàn)性幾何畸變，本文采用非均勻行采集的方法，根據(jù)圖像數(shù)據(jù)縱向分布的密集程度，在攝像頭圖像采集模塊中進(jìn)行非均勻行采樣。[2]圖像的橫向畸變是一種線(xiàn)性幾何畸變，本文采用線(xiàn)性補(bǔ)償?shù)姆椒ǎ瑢?duì)縱向畸變矯正后的圖像在圖像處理模塊中進(jìn)行線(xiàn)性變換的處理。[2]

3.1縱向畸變矯正

縱向畸變矯正的方法有很多種，最常見(jiàn)的是公式法，計(jì)算出圖像坐標(biāo)和世界坐標(biāo)的映射函數(shù)，處理數(shù)據(jù)時(shí)按照函數(shù)進(jìn)行還原。但是，還原函數(shù)一般都比較復(fù)雜，由于智能車(chē)處理器運(yùn)算速度的限制，該畸變矯正方法往往不能滿(mǎn)足智能車(chē)實(shí)時(shí)控制的需求。為此，本文采用了“非均勻行采集”的方法來(lái)矯正縱向畸變。非均勻行采集是基于縱向畸變的特點(diǎn)來(lái)設(shè)計(jì)的，根據(jù)圖像數(shù)據(jù)縱向分布的密集程度進(jìn)行非均勻采樣。由于縱向畸變表現(xiàn)為距離攝像頭越遠(yuǎn)的區(qū)域壓縮越嚴(yán)重，數(shù)據(jù)分布越密集，在采樣時(shí)，對(duì)越遠(yuǎn)的區(qū)域設(shè)置的采樣間隔越小，就能有效地補(bǔ)償圖像的縱向壓縮。非均勻行采集的示意圖如圖4所示：

采樣間隔長(zhǎng)度y與采樣行數(shù)x的規(guī)則函數(shù)可以采用“擬合曲線(xiàn)法”來(lái)獲取。在路面設(shè)置等間隔的引導(dǎo)線(xiàn)，經(jīng)攝像頭均勻行采集輸出后，等間隔的引導(dǎo)線(xiàn)會(huì)出現(xiàn)如圖1（b）所示的縱向壓縮。攝像頭輸出圖像的引導(dǎo)線(xiàn)間隔與引導(dǎo)線(xiàn)行數(shù)的關(guān)系函數(shù)就是采樣間隔長(zhǎng)度y與采樣行數(shù)x的規(guī)則函數(shù)。輸出圖像的間隔與引導(dǎo)線(xiàn)行數(shù)的關(guān)系如表一所示：

根據(jù)擬合曲線(xiàn)可得采樣間隔長(zhǎng)度y與采樣行數(shù)x的規(guī)則函數(shù)為y=0.1x2+0.08x+5。

3.2橫向畸變矯正

道路經(jīng)圖像采集模塊進(jìn)行非均勻行采樣后，輸出的圖像還存在橫向畸變。由于圖像橫向畸變是一種線(xiàn)性幾何畸變，只需要計(jì)算出圖像坐標(biāo)和世界坐標(biāo)的線(xiàn)性關(guān)系就可以實(shí)現(xiàn)圖像的畸變矯正。如圖6所示，梯形ABCD表示畸變圖像，EF為垂直穿過(guò)攝像頭主光軸的采集行（未發(fā)生橫向畸變）。

圖像橫向畸變矯正公式如下：

u=EF（EFAB）nNMN

式中，M為采集圖像的總行數(shù)，N為EF所在的行數(shù)，n為任意一行的行數(shù)，u為第n行的橫向長(zhǎng)度。

4仿真分析與實(shí)物調(diào)試

4.1仿真結(jié)果與分析

本文基于開(kāi)源計(jì)算機(jī)視覺(jué)庫(kù)OpenCV進(jìn)行圖像畸變矯正仿真，在VisualStudio2013中配置OpenCV庫(kù)作為仿真環(huán)境，[5]應(yīng)用“非均勻行采集”的方法矯正圖像縱向畸變，應(yīng)用“線(xiàn)性補(bǔ)償”的方法矯正圖像橫向畸變。

畸變圖像來(lái)源于飛思卡爾智能車(chē)實(shí)驗(yàn)室跑道的真實(shí)采樣，采用鷹眼攝像頭OV7725向下傾斜45°拍攝。仿真實(shí)驗(yàn)中選取了直道、彎道、坡道、圓環(huán)等不同狀況下的圖像，采用“理論計(jì)算+試湊”的方法，調(diào)試出不同狀況下的實(shí)驗(yàn)參數(shù)，直道下的仿真結(jié)果如下所示。其中圖7（a）為畸變圖像，圖7（b）為矯正后的圖像。

仿真結(jié)果表明，矯正后的圖像與畸變圖像相比，橫向變形和縱向壓縮都得到了有效改善，應(yīng)用“非均勻行采集”和“線(xiàn)性補(bǔ)償”的方法能夠有效解決圖像縱向和橫向的畸變的問(wèn)題。

4.2實(shí)物調(diào)試結(jié)果與分析

本文以飛思卡爾攝像頭四輪組智能小車(chē)作為實(shí)驗(yàn)對(duì)象，配置C語(yǔ)言編譯器IAR為實(shí)驗(yàn)環(huán)境，設(shè)計(jì)關(guān)于“非

均勻行采集”和“線(xiàn)性補(bǔ)償”的算法，利用校正后的圖像提取軌跡中線(xiàn)進(jìn)行循跡導(dǎo)航。畸變圖像提取中線(xiàn)結(jié)果與矯正后的圖像提取中線(xiàn)結(jié)果分別如圖8（a）、圖8（b）所示。

實(shí)驗(yàn)結(jié)果表明，采用矯正后的圖像提取中線(xiàn)明顯能有效避免提取的軌跡中線(xiàn)偏離實(shí)際中線(xiàn)，保障圖像的穩(wěn)定性和準(zhǔn)確性，確保上層方向和速度控制策略的實(shí)現(xiàn)。

5結(jié)語(yǔ)

本文研究了裝有攝像頭的智能車(chē)圖像矯正問(wèn)題。由于攝像頭安裝的位置與地面會(huì)存在一定的傾斜角度，獲得的圖像會(huì)出現(xiàn)畸變，不能反映真實(shí)的路況。為了保證圖像信息的穩(wěn)定性和準(zhǔn)確性，真實(shí)反映道路實(shí)際情況，必須對(duì)畸變圖像進(jìn)行矯正。本文分析了圖像畸變的產(chǎn)生及對(duì)智能車(chē)控制的影響，分別應(yīng)用“非均勻行采集”和“線(xiàn)性補(bǔ)償”的方法矯正圖像的縱向和橫向畸變，并通過(guò)實(shí)驗(yàn)得出了“非均勻行采集”的規(guī)則函數(shù)，且推導(dǎo)出了“線(xiàn)性補(bǔ)償”的矯正公式。經(jīng)過(guò)一系列仿真及實(shí)物實(shí)驗(yàn)表明，運(yùn)用本文提出的圖像畸變矯正方法可以達(dá)到預(yù)期的目的，解決圖像畸變問(wèn)題，減小或消除畸變圖像對(duì)智能車(chē)控制的影響。該算法能夠盡可能還原路況，在智能車(chē)導(dǎo)航和工業(yè)生產(chǎn)等方面具有一定得應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1]李旭.自主車(chē)輛多傳感器導(dǎo)航與橫向魯棒控制的研究[D].東南大學(xué)，2006.

[2]甄紅濤，齊曉慧，白勇博.智能車(chē)攝像頭圖像畸變矯正的研究[J].信息技術(shù)，2011，35（01）：5255.

[3]鄒細(xì)勇.自主移動(dòng)機(jī)器人的智能導(dǎo)航研究[D].浙江大學(xué)，2005.

[4]胡玲艷.智能車(chē)路徑識(shí)別中圖像信息的矯正[J].電子制作.2013.15.

[5]王福斌，李迎燕，劉杰，陳至坤.基于OpenCV的機(jī)器視覺(jué)圖像處理技術(shù)實(shí)現(xiàn)[J].機(jī)械與電子，2010（06）：5457.

項(xiàng)目：本研究得到了南華大學(xué)大學(xué)生研究性學(xué)習(xí)和創(chuàng)新性實(shí)驗(yàn)計(jì)劃項(xiàng)目（2017XJXZ008）的資助

*通訊作者：李軍紅（1971），男，湖南耒陽(yáng)人，碩士，主要從事電力電子技術(shù)、電機(jī)控制、智能控制及應(yīng)用等方面研究工作。