低對(duì)比度下利用激光網(wǎng)格的路面障礙識(shí)別方法

任趙旭，姬書(shū)得，林京鵬，胡為，宋崎

沈陽(yáng)航空航天大學(xué) 航空宇航學(xué)院，遼寧 沈陽(yáng) 110136

在圖像識(shí)別中，低對(duì)比度圖像的識(shí)別一直是該領(lǐng)域的難點(diǎn)。在光照強(qiáng)度過(guò)大或無(wú)光強(qiáng)的情況下，傳統(tǒng)的障礙物識(shí)別是利用圖像自身的灰度變化來(lái)分離障礙物與背景，然而在低對(duì)比度的圖像中，大部分物體的灰度變化強(qiáng)度相近，進(jìn)而易使匹配出錯(cuò)，導(dǎo)致識(shí)別算法無(wú)法有效運(yùn)算[1-2]。柯欣琦等[3]針對(duì)郊外低對(duì)比度圖像，在傳統(tǒng)障礙物特征提取的基礎(chǔ)上，提出了利用Hough變換和基于數(shù)學(xué)形態(tài)學(xué)的線(xiàn)特征的改進(jìn)算法，進(jìn)而提高了線(xiàn)匹配質(zhì)量；謝丹玫等[4]提出了利用視頻采集卡及其SDK軟件開(kāi)發(fā)包和人類(lèi)對(duì)比度分辨率補(bǔ)償算法，對(duì)暗視覺(jué)環(huán)境下的視頻采集進(jìn)行實(shí)時(shí)自適應(yīng)底層視頻挖掘，使常規(guī)的視頻采集設(shè)備具有了夜視的功能。但文獻(xiàn)[3]與文獻(xiàn)[4]均對(duì)環(huán)境適應(yīng)性較差。雷鳴等[5]提出了一種基于多線(xiàn)激光的單目相機(jī)檢測(cè)算法，通過(guò)觀測(cè)圖像中光帶的扭曲來(lái)計(jì)算障礙物的尺寸信息，但單目相機(jī)需要實(shí)時(shí)處理大量數(shù)據(jù)，速度慢、魯棒性差；另外，基于多傳感器融合的障礙檢測(cè)技術(shù)也是一個(gè)重要的發(fā)展方向，Bruno Steyx等[6]已經(jīng)研制出在車(chē)上搭載多傳感器的智能車(chē)輛，通過(guò)多傳感器融合技術(shù)實(shí)現(xiàn)道路障礙檢測(cè)和路徑跟蹤，但目前多傳感器造價(jià)昂貴，不利于無(wú)人車(chē)輛的普及。

在很多工程實(shí)踐中，提取圖像之間的共同特征即可快速、有效地識(shí)別出物體。本文即運(yùn)用低成本的紅外激光網(wǎng)格發(fā)射裝置和紅外雙目攝像機(jī)，提出了一種基于紅外激光網(wǎng)格路面障礙識(shí)別方法，利用障礙物會(huì)在網(wǎng)格線(xiàn)發(fā)生斷開(kāi)的現(xiàn)象識(shí)別障礙物并獲取其輪廓和距離。減少了所需處理的信息量，極大提升了檢測(cè)速度和精度，尤其對(duì)于低對(duì)比度圖像下障礙物特征信息的提取有極大優(yōu)勢(shì)。

1 雙目視覺(jué)測(cè)距系統(tǒng)

隨著機(jī)器視覺(jué)領(lǐng)域的不斷發(fā)展壯大[7]，雙目視覺(jué)不斷應(yīng)用在機(jī)器人導(dǎo)航與避障、機(jī)械臂的引導(dǎo)、三維成像、汽車(chē)導(dǎo)航等諸多領(lǐng)域[8-9],與目前其他測(cè)距方法相比，雙目測(cè)距具有成本低、精度高、方便快捷等優(yōu)點(diǎn)[10-11]。雙目視覺(jué)測(cè)距技術(shù)的基本原理是基于物體在左右相機(jī)像平面成像的相差，利用相似三角形的幾何關(guān)系，得到物體距相機(jī)的距離。

如圖1所示，任意一點(diǎn)P的相對(duì)位置在左右2個(gè)相機(jī)坐標(biāo)系中，設(shè)左側(cè)攝像機(jī)所在自身坐標(biāo)系o-xyz位于世界坐標(biāo)系原點(diǎn)處，且無(wú)旋轉(zhuǎn)，圖像所在坐標(biāo)系為O1-X1Y1，其焦距為f1；右攝像機(jī)所在自身坐標(biāo)系為or-xryrzr，圖像所在自身坐標(biāo)系為Or-XrYr，其焦距為fr，則由攝像機(jī)投影變換可推導(dǎo)出模型：

o-xyz坐標(biāo)系與or-xryrzr坐標(biāo)系之間的相互轉(zhuǎn)換關(guān)系可以利用空間變換矩陣Mlr，如式(1)和式(2)所示：

(1)

其中

(2)

式中：R為o-xyz坐標(biāo)系和or-xryrzr坐標(biāo)系之間的旋轉(zhuǎn)矩陣，T為兩個(gè)坐標(biāo)系與原點(diǎn)之間得平移變換矢量。由模型公式可知，對(duì)于o-xyz坐標(biāo)系中的空間點(diǎn)，兩相機(jī)相面點(diǎn)之間的對(duì)應(yīng)關(guān)系為

于是，空間點(diǎn)三維坐標(biāo)可以表示為

因此，已知兩個(gè)相機(jī)焦距fl、fr和被測(cè)點(diǎn)p的坐標(biāo)位置，只需知道矩陣R和矢量T就可以求出被測(cè)點(diǎn)的三維坐標(biāo)。在雙目相機(jī)經(jīng)過(guò)標(biāo)定后，便可以得知旋轉(zhuǎn)矩陣R和平移向量T，從而被測(cè)物體點(diǎn)的三維坐標(biāo)即可求得。

圖1 三維空間點(diǎn)重建

2 網(wǎng)格細(xì)化方法與實(shí)現(xiàn)

由于受到環(huán)境和物體間的相互遮擋等因素影響，從雙目相機(jī)提取出來(lái)的原始圖像網(wǎng)格線(xiàn)上點(diǎn)較密集，不僅顯得網(wǎng)格線(xiàn)較粗，而且數(shù)據(jù)量過(guò)大，不利于后期處理，因此有必要對(duì)這些點(diǎn)進(jìn)行篩選壓縮。為了去除這些無(wú)用點(diǎn)對(duì)激光網(wǎng)格直線(xiàn)擬合的影響，本文先從障礙物輪廓曲率入手進(jìn)行分析，采用道格拉斯普克算法(D-P)進(jìn)行處理，得到去除偏差較大的點(diǎn)之后的擬合直線(xiàn)，使其圖像網(wǎng)格直線(xiàn)更加符合原始數(shù)據(jù)分布。D-P算法是一種簡(jiǎn)單有效的提取網(wǎng)格直線(xiàn)關(guān)鍵點(diǎn)的方法，可根據(jù)特征點(diǎn)特性將圖像中的干擾點(diǎn)去除。如圖2所示，先分別計(jì)算C、D、E三點(diǎn)到直線(xiàn)AB的距離,得到三者當(dāng)中的最大值，圖中最大距離的點(diǎn)對(duì)應(yīng)為C點(diǎn)，如果最大值小于規(guī)定的閾值,則C、D、E三點(diǎn)都舍去,此曲線(xiàn)用直線(xiàn)AB取代，否則C點(diǎn)保留。再分別計(jì)算D到AC和E到BC的距離，如果大于閾值則保留該點(diǎn),否則舍去。重復(fù)此過(guò)程，直到圖像中所有像素點(diǎn)都被檢測(cè)到為止。已知相機(jī)采集到的圖像中理想激光網(wǎng)格直線(xiàn)曲率半徑非常大，而所要去除的干擾點(diǎn)所構(gòu)成的直線(xiàn)邊緣的曲率半徑則比較小，采用D-P算法原理，設(shè)定相鄰 3個(gè)點(diǎn)的外接圓半徑為該3個(gè)點(diǎn)之間區(qū)域的曲率，之后通過(guò)采集網(wǎng)格直線(xiàn)上關(guān)鍵節(jié)點(diǎn)將網(wǎng)格區(qū)域分段，然后計(jì)算每一段的曲率，如果求得半徑小于設(shè)定的閾值，則該3點(diǎn)之間的所有點(diǎn)均舍去，不參與直線(xiàn)擬合，最后實(shí)現(xiàn)網(wǎng)格的細(xì)化處理。

圖2 D-P算法示意

3 激光網(wǎng)格對(duì)障礙物的識(shí)別方法

激光網(wǎng)格的產(chǎn)生是采用衍射物質(zhì)將一個(gè)單一光點(diǎn)轉(zhuǎn)換成一個(gè)均勻網(wǎng)格，使光線(xiàn)按需要的亮度進(jìn)行網(wǎng)格分布。將規(guī)則的等密度的光線(xiàn)投射于障礙物之上可以得到被扭曲了的非均勻分布的圖像。為了讓測(cè)量精度更高和測(cè)量速度更快，因此沒(méi)有匹配圖像上所有的像素點(diǎn)坐標(biāo)，而是采用了一種特征點(diǎn)匹配算法，匹配的是網(wǎng)格線(xiàn)的斷點(diǎn)。并通過(guò)將點(diǎn)的匹配轉(zhuǎn)化為直線(xiàn)的匹配，從而簡(jiǎn)化了匹配的復(fù)雜性，提高了匹配的精度與效率。

首先對(duì)細(xì)化后的圖像進(jìn)行總體搜索，搜索時(shí)所采用的方法是先將圖像中所有符合條件(非連續(xù)性直線(xiàn))的斷線(xiàn)全部找出，然后再通過(guò)下述方法將多余直線(xiàn)排除掉,提取直線(xiàn)特征后，為了得到匹配的直線(xiàn)特征，需要利用有效的相似性度量的方法對(duì)直線(xiàn)特征進(jìn)行度量計(jì)算，然后經(jīng)過(guò)聚類(lèi)形成直線(xiàn)特征集。直線(xiàn)聚類(lèi)是將提取得到的直線(xiàn)，根據(jù)直線(xiàn)的空間鄰近性和相關(guān)特性，將符合一定條件的直線(xiàn)聚類(lèi)組合[12-13]在一起，如圖3(a)所示，在選取符合條件的k條直線(xiàn)后，由k條直線(xiàn)和直線(xiàn)li組成直線(xiàn)特征集。直線(xiàn)li和p1分別稱(chēng)為直線(xiàn)特征集的中心線(xiàn)和中心點(diǎn)。由直線(xiàn)li及其端點(diǎn)p1組成的直線(xiàn)特征集包含直線(xiàn)；同樣，以直線(xiàn)li及其端點(diǎn){li,la,lb,lc}組成的直線(xiàn)特征集包括直線(xiàn){li,la,lb,lc}。通過(guò)描述直線(xiàn)對(duì)之間的空間結(jié)構(gòu)和幾何關(guān)系，為直線(xiàn)匹配做準(zhǔn)備。如圖3(b)所示，p1p2與q1q2為已知直線(xiàn)對(duì)，為了描述直線(xiàn)對(duì)之間的相互關(guān)系，首先作虛線(xiàn)輔助線(xiàn)連接組成直線(xiàn)對(duì)的兩條直線(xiàn)端點(diǎn)，得到p1q1p1q2p2q1p2q2四條直線(xiàn)，同時(shí)將端點(diǎn)p1和q1延長(zhǎng)相交于點(diǎn)c；然后定義如下5個(gè)角度采用長(zhǎng)度比例、角度關(guān)系和平均梯度值比值構(gòu)成特征向量來(lái)描述兩條直線(xiàn)的結(jié)構(gòu)關(guān)系。若用v表示該特征向量，Smn表示直線(xiàn)對(duì)的相似度，則

v={r1,r2,l1,l2,l3,l4,l5,θ1,θ2,θ3,θ4,θ5,g}

式中：r1、r2表示直線(xiàn)與交點(diǎn)c的比例關(guān)系，l1、l2、l3、l4、l5表示直線(xiàn)之間的長(zhǎng)度比，θ1、θ2、θ3、θ4、θ5表示組成線(xiàn)段之間的角度大小，g表示兩直線(xiàn)平均梯度比例值大小，T為閾值。

(a)聚類(lèi)直線(xiàn)

(b)直線(xiàn)對(duì)描述

通過(guò)計(jì)算Smn找出橫向及縱向被障礙物分割的直線(xiàn)上所有的斷點(diǎn)；然后將斷點(diǎn)與斷點(diǎn)逐一進(jìn)行試探性配對(duì)，并且進(jìn)行連通性檢驗(yàn)；最后計(jì)算斷點(diǎn)間距，只有間距小于某一經(jīng)驗(yàn)閾值，才可確定其身份。得到所需的斷點(diǎn)坐標(biāo)后通過(guò)特殊算法計(jì)算可以得到障礙物的輪廓大小及所在位置信息。

4 實(shí)驗(yàn)結(jié)果

4.1 實(shí)驗(yàn)設(shè)備

1)紅外激光網(wǎng)狀發(fā)射器 波長(zhǎng)為980 nm的3 000 mW的紅外不可見(jiàn)點(diǎn)狀激光模組搭配8×8網(wǎng)格效果透鏡。

2)雙目紅外攝像機(jī) 雙目視覺(jué)攝像頭選取了1080P/80幀機(jī)器攝像頭，3.6 mm焦距，同時(shí)選用CCD 傳感器作為圖像采集設(shè)備，通過(guò)圖像采集卡與計(jì)算機(jī)相連，計(jì)算機(jī)使用 VS2013 并配置了 OpenCv2.4.9 開(kāi)發(fā)包，保證兩個(gè)相機(jī)做到同步采集圖片。實(shí)驗(yàn)環(huán)境及設(shè)備如圖4、5所示。

圖4 實(shí)驗(yàn)環(huán)境

圖5 實(shí)驗(yàn)設(shè)備

4.2 實(shí)驗(yàn)結(jié)果

兩個(gè)攝像機(jī)的光軸相互平行，利用本文采用的直線(xiàn)斷點(diǎn)匹配算法對(duì)白色背景中一白色柱狀障礙物進(jìn)行測(cè)試，計(jì)算出相機(jī)與障礙物的距離和外形尺寸;再根據(jù)實(shí)際距離求得測(cè)距誤差率,改變相機(jī)與障礙物的距離再次測(cè)試。

圖6為采用Canny 算子提取之后的圖像，這里采用參考文獻(xiàn)[3]Canny 提取算法和改進(jìn)線(xiàn)特征算法的檢測(cè)效果，從圖中可以看出該方法無(wú)法有效解決低對(duì)比度圖像的特征提取問(wèn)題。

圖6 Canny 算子提取

經(jīng)計(jì)算機(jī)首先將激光網(wǎng)格進(jìn)行灰度處理，之后將網(wǎng)格細(xì)化計(jì)算，處理前后的圖像如圖7所示。

(a)原始圖像

(b)灰度處理后的圖像

(c)網(wǎng)格細(xì)化后的圖像圖7 激光網(wǎng)格處理前后對(duì)比

實(shí)驗(yàn)結(jié)果如表1所示。實(shí)際物體高9.8 cm，寬4 cm，通過(guò)以上實(shí)驗(yàn)數(shù)據(jù)，可以發(fā)現(xiàn)本文所采用的算法在簡(jiǎn)單外型的物體尺寸上測(cè)量較為準(zhǔn)確；當(dāng)測(cè)量距離控制在一定范圍內(nèi)時(shí)，尺寸誤差率在5%以?xún)?nèi)，滿(mǎn)足特殊設(shè)計(jì)要求。

表1 前方障礙物測(cè)試實(shí)驗(yàn)數(shù)據(jù)

4 結(jié)論

本文提出了一種利用激光網(wǎng)格的路面障礙識(shí)別方法，通過(guò)主動(dòng)發(fā)射紅外激光網(wǎng)格，紅外雙目相機(jī)進(jìn)行圖像采集，在自然場(chǎng)景復(fù)雜、對(duì)比度不高的情況下可以檢測(cè)到連續(xù)完整的特征直線(xiàn)，通過(guò)特征直線(xiàn)的斷點(diǎn)能夠很好地反應(yīng)障礙物的結(jié)構(gòu)特征，從而實(shí)現(xiàn)三維目標(biāo)識(shí)別，降低算法復(fù)雜度。進(jìn)一步地，表面不規(guī)則的障礙物可通過(guò)多次直線(xiàn)匹配算法分析表面特征，進(jìn)而得出障礙物外形尺寸及大致輪廓。由于實(shí)驗(yàn)設(shè)備有限，產(chǎn)生的網(wǎng)格激光粗細(xì)不夠均勻，未來(lái)可在實(shí)驗(yàn)中進(jìn)一步改進(jìn)。