基于圖像分割匹配的賽道元素識別算法

吳緒輝 潘璇峰 鄧偉杰

摘 要：智能汽車競賽的賽題難度與工程應用性能在不斷提升，賽道元素日益增多且賽道類型逐漸多樣，其識別難度隨之增大，以賽道邊界線斜率、曲率和圖像中黑白跳變等信息為依據的傳統賽道識別方法已無法適用于復雜的賽道情況。因此，通過對賽道圖像進行矩陣分析和圖像特征統計分析，提出一種基于圖像分割匹配的賽道元素識別算法。首先對圖像進行矩陣分割，統計并提取各子圖像特征建立模板，然后對目標圖像的灰度平均值和方差進行匹配、近似值分析。經實際對比測試，新算法的識別準確率高、程序可移植性強，具有良好的應用價值。

關鍵詞：圖像分割;特征分析;圖像匹配;賽道元素;智能汽車競賽;賽道識別

中圖分類號：TP39文獻標識碼：A文章編號：2095-1302（2019）11-00-03

0 引 言

近年來，智能汽車技術迅猛發展，它是一種集環境感知、規劃決策、自動行駛等功能于一體的綜合系統，是典型的高新技術綜合體，具有重要的軍用及民用價值。因此，智能汽車競賽也越來越受重視。智能汽車的核心部分是賽道元素識別、方向和速度控制，精準的賽道元素識別算法是方向和速度控制的基礎和前提[1]。為此，本文提出一種基于圖像分割匹配的賽道元素識別算法，以實現對賽道元素的精準識別。

1 傳統智能汽車賽道識別的現狀

如圖1所示，智能汽車競賽的賽道元素主要有環島、十字、彎道、終點線、路障和會車區。傳統的賽道識別算法一般是以賽道邊界線斜率、曲率和圖像中黑白跳變等信息為依據進行賽道元素的區分識別，每種賽道類型都需要對應特定的識別算法。傳統的賽道識別方法存在以下缺點：

（1）賽道邊界線斜率和曲率一般由圖像多個點的坐標獲得，一旦賽道邊界線上存在噪點，便會嚴重影響邊界斜率和曲率[2];

（2）每種賽道類型都需要特定的識別算法，賽道元素識別算法不能復用，程序代碼過于冗余，會消耗主控芯片過多的運算資源，最終導致識別時間過長[3-4]。

2 數字圖像處理基本方法

2.1 數字圖像的矩陣分割

數字圖像數據一般用數組形式進行存儲，而數組與矩陣之間存在密切的關聯，因此數字圖像可以用矩陣方式來表示，并且可以采用矩陣理論和矩陣算法對數字圖像進行分析和處理。如圖2所示，圖像的像素數據是一個矩陣，矩陣的行對應圖像的高，矩陣的列對應圖像的寬，矩陣的元素對應圖像的像素，矩陣元素的值即為像素的灰度值[5]。

矩陣分割：將一個矩陣用若干條橫線和豎線分成許多個小矩陣，將每個小矩陣稱為該矩陣的子塊，使原矩陣的結構顯得簡單而清晰[6]，從而能夠大大簡化運算步驟。圖3所示是將一個四維矩陣分割為二維矩陣[7]。

2.2 數字圖像統計特征

（1）灰度平均值指一幅圖像中所有像素灰度值的算術平均值，計算公式如下：

（2）灰度方差指圖像中各個像素的灰度值與整個圖像平均灰度值的離散程度，計算方式如下：

3 基于圖像分割匹配的識別算法

3.1 算法基本思想

圖像分割匹配算法的首要任務是進行圖像分割，對模板圖像與未知圖像分別進行矩陣分割，降低存儲圖像的數組維度[8]。將構建的模板圖像按照一定的搜索策略在未知圖像上做平穩的全覆蓋移動，將模板圖像的灰度值與模板圖像投射在未知圖像的區域灰度值做相似性測量，如灰度值方差比較、相關函數、相關系數等[9]。如果測量的最小誤差小于之前設定的閾值[10]，則認定未知圖像和模板圖像相匹配，否則認定未知圖像和模板圖像不匹配[11]。

3.2 算法設計

算法流程如圖4所示，步驟如下：

（1）選取合適的賽道圖像作為模板，將模板賽道圖像進行二值化處理;

（2）將模板圖像進行矩陣分割，并用一個多維數組Template_Image[m][n]存儲圖像數據，計算分割后各子塊圖像的灰度平均值并存儲到數組Template_average[m][n]中;

（3）輸入未知圖像，將未知圖像進行二值化處理;

（4）將未知圖像進行矩陣分割，并用一個多維的數組Image[m][n]存儲圖像數據，計算分割后各子塊圖像的灰度平均值并存儲到數組average[m][n]中;

（5）將模板圖像各子塊的灰度平均值數組Template_average[m][n]和未知圖像各子塊的灰度平均值數組average[m][n]代入公式運算，=Template_average[m][n]，f（i，j）=average[m][n]，最終計算得到未知圖像灰度值方差variance;

（6）設置合適的方差閾值，將方差variance和設置的方差閾值進行比較，判斷未知圖像是否與模板圖像匹配。

4 算法識別準確率測試

4.1 測試裝置的硬件結構

全國大學生“恩智浦杯”智能汽車競賽中的B型車模作為本次測試的硬件設備，車體上搭載了競賽專用的硬件二值化攝像頭，該攝像頭獲取的圖像為黑白二值圖像。圖5所示為測試用車實物。

4.2 測試過程

本次測試選取智能汽車競賽中的彎道賽道元素、十字路口賽道元素和終點線賽道元素作為測試對象，賽道元素二值化圖像如圖6所示。測試時智能車通過各賽道元素時的速度約為1.5 m/s。為了直觀判斷并記錄算法是否正確識別到賽道，可設定當智能車識別到相應賽道元素時，蜂鳴器響，否則蜂鳴器不響。將傳統賽道元素識別算法與本文提出的識別算法對三種賽道圖像進行10次平行實驗，分別記錄智能車通過相應賽道元素時準確識別的次數。

4.3 測試結果分析

測試數據如圖7所示，通過分析統計圖表的數據可知，在識別彎道賽道、十字賽道、終點線賽道的實驗中，傳統賽道識別算法未能準確識別賽道的次數分別為3次、4次、2次;而本文提出的新賽道識別算法分別只有1次、2次、0次。對比可知，本文提出的新賽道識別算法能更準確地識別賽道元素，識別誤判率更低。此外，在測試中發現不同賽道元素之間圖像特征差異大，傳統識別算法通用性差，每種賽道類型都需要特定的識別算法。本文提出的基于圖像分割匹配的賽道元素識別算法可實現一對多的識別效果，在實際應用中只需在該算法中預存賽道類型的模板圖像數據并設置合適的方法閾值即可實現賽道元素的識別，能夠有效精簡程序、節約硬件資源、縮短程序運行時間。

5 結 語

本文分析了智能汽車競賽中傳統賽道元素識別算法的不足，提出了基于圖像分割匹配的賽道元素識別算法。通過多次重復實驗驗證了算法的可行性，相比傳統的識別算法，基于圖像矩陣分割匹配的賽道元素識別算法原理簡單，程序精簡，識別準確率高。該算法在智能汽車競賽中能更好地提高圖像的識別準確率。

參 考 文 獻

[1]卓晴，黃開勝，邵貝貝.學做智能汽車：挑戰“飛思卡爾”杯[M].北京：北京航空航天大學出版社，2007：12-14.

[2]何映材.智能循跡賽車圖像處理算法的研究及其輔助教學系統的實現[D].北京：北京郵電大學，2017.

[3]勞健濤，李智豪，蒲小年，等.智能車競賽中圖像畸變還原的實現[J].物理實驗，2018，38（6）：32-34.

[4]黃俊嘉，余志賢.基于特征分類的智能汽車賽道元素識別算法[J].計算機產品與流通，2018（3）：127.

[5]張瑾，楊常清.基于矩陣分析的數字圖像處理方法[J].微機發展，2003（5）：36-37.

[6]黨文靜.圖像區域分割算法的研究與應用[D].淮南：安徽理工大學，2018.

[7]谷莉.基于塊矩陣的快速圖像分割[J].科技傳播，2011（15）：94.

[8]賈永紅.數字圖像處理實習教程[M].武漢：武漢大學出版社，2012.

[9]郭健.基于局部特征的圖像匹配算法研究[D].南京：南京郵電大學，2018.

[10]葉志堅.基于圖像特征提取和描述的匹配算法研究[D].廣州：廣東工業大學，2018.

[11]張源峰.基于圖像特征與灰度值的快速匹配算法研究[D].蘭州：蘭州理工大學，2018.