基于LABVIEW的道路圖像信息識別的研究*

張光葳

（福建船政交通職業學院，福建 福州 350007）

0 引言

LABVIEW (Laboratory Virtual Instrument Engineering Workbench)，是一種虛擬的電子設備工作平臺，可用于信號采集、信號處理、算法編程以及圖像處理等工作[1]。與傳統的虛擬工作平臺不同，LABVIEW采用的是一種基于圖像化，通過模塊組合及算法搭接的計算機編程語言。由于LABVIEW具有十分強大的圖像計算和處理能力，在工業控制和自動化生產上得到了十分廣泛的應用，因此本文使用LABVIEW對汽車行駛過程中道路的信息識別進行研究。

1 LABVIEW的視覺與運動模塊介紹

對于LABVIEW的圖像處理技術，需要使用到NI中的視覺與運動模塊，在處理過程中，可借用這套模塊內部自身的程序算法，對接外置攝像頭，實現圖像數據的采集和并結合程序自帶算法，對圖像進行色彩處理，實現數據的采集工作，減少程序設計時間和難度[2]。目前，主要視覺與運動的主要模塊包括圖像存儲、圖像加工、圖像檢測以及圖像信號采集等功能。

2 圖像預處理

對于外界實時收集的圖像情況，由于存在抖動、不穩定以及周邊環境干擾等影響，因此圖像所表達的信息往往不利于計算機的識別。所以需要對圖像進行預先處理，降低噪聲、增強幾何結構、突顯目標結構色彩[3]。另外，為了實現計算機對圖像中的目標圖形進行數字化讀取，還將對處理后的圖像進行數字解析，實現圖形的數字化，并對數字化后的數據重新進行構造和恢復，實現圖形的再現。

2.1 圖像采集

在進行圖形處理時，需對圖像進行網格采樣、間隔量化，并對模擬圖像進行一定的離散化處理后，才可被計算機進行識別處理。而使用攝像頭連接電腦后，可直接獲取圖像信息，不再需要額外其他電子設備的輔助，已經成為當下圖像信號數據采集的主要運用手段。因此，在實際操作中，只需要在LABVIEW程序中，建立圖像讀取空間、攝像頭通信通道、圖像數據顯示控件及可實現LABVIEW對圖像信號的實時采集。使用LABVIEW進行圖像采集的程序結構如圖1所示。

圖1 基于LABVIEW的圖像采集程序

使用圖1的程序，在夜晚道路上使用外置攝像頭，所得到圖像如圖2所示。

圖2 外置攝像頭所采集圖像

2.2 灰度處理

對于彩色圖片，由于像素點的變化范圍過大，多達一千六百多萬個變化范圍，因此數據量的處理過于龐大且毫無意義，需對彩色圖片進行灰度處理，使其變為偏向黑白的單色圖片，以減少圖片的數據容積，降低處理難度，減少計算量。

在以往的灰度處理中一般常用的灰度處理策略可分為三種：

2.2.1 加權算法

對于構建成色彩圖像的RGB模型，分別對R、G、B賦予不同的系數值，并將三者相加，且確保三者系數之和為1，一般而言，由于人眼對于綠色最為敏感，因此G的系數最高，而對藍色最不敏感，所以B的系數最低。

2.2.2 平均法

對于構建成色彩圖像的RGB模型，直接取R、G、B三個數值之和的平均值。

2.2.3 最大值法

以RGB模型中的最大數值分量作為圖像的灰度值。

對于三種方法而言，一般加權算法所呈現出的圖像更加細膩，有更強烈的層次感，因此在LABVIEW中使用加權算法對圖像進行灰度化。

在LABVIEW軟件中，可直接調用視覺助手模塊，進行圖像灰度調節，經過對于圖片環境及周末色彩的對比、對權重參數的不斷調整，最終得到的灰度化圖像如圖3所示。

圖3 灰度處理后的畫面

2.3 圖像二值化

在圖像灰度處理后，需進行二值化，其目的是將目標與背景圖像分離開，以方便計算機后續的識別工作。

圖4 圖像的二值化

二值化處理最常使用的是閾值法，其原理是利用目標圖像與背景圖像之間的閾值差異，選取某個閾值，進而將目標圖像和背景圖像區別開，進而得到二值化的圖像。但是，由于在不同環境下，各類圖像所呈現出的圖像畫面是各不相同，導致閾值存在不同，這也是二值化處理的難點所在。但是，由于正常城市道路的圖像色彩大致相同，并不會存在較大的色差，因此，基于這點，可選用LABVIEW中的自適應閾值處理模塊，確定道路的大致閾值，將道路與其他不相關背景分離出來即可，其圖像如圖4所示。

2.4 圖像分割

二值化后的圖像，由于背景中存在類似道路閾值的圖像，如車牌、路燈、反光帶等，因此會產生比較大的干擾，所以需要對這類圖像再進行分割進行處理。

對于圖像的分割處理，由于道路情況的變化復雜，無法使用定向區域分割的方法，而確定邊沿的方法則由于道路實際的不確定性，并無法事先確定道路邊沿，也無法使用。基于道路這種不可預判和不確定性，但目標區域又相對較大且確定性的情況，可使用區域生長法進行分割。其原理是從單點開始，可與周邊和其像素相近的點或區域進行結合，形成新的點或面，并不斷延續下去，最終直至無法擴增為止，基于這種策略，即可實現對道路圖像的分割處理，最終所得的圖像如圖5所示。

圖5 圖像分割

3 圖像邊界提取

在對圖像進行分割后，即可對圖像進行邊界提取，以確定道路的邊界情況。因此可調用LABVIEW軟件中的邊界提取模塊，通過提取后可得最終的道路識別情況，以5*5結構元素選取則結果如圖6的圈內線段所示。

圖6 邊界提取

4 總結

由LABVIEW軟件所處理得到的圖像可知，即使在夜晚復雜條件下，LABVIEW依然可以對道路圖像進行處理，并提取到道路信息。對所提取道路信號再進行后續處理后，可在今后應用于車輛行駛時的道路寬度判斷，以及邊界極限的確認，從而保證車輛的安全通過性，同時可以判斷在交會車條件下，兩車的通過性，因此在車輛安全行駛方面具有十分廣闊的研究前景和應用價值。