智能小車對障礙物識別的研究與實現

李 婉

（陜西國防工業職業技術學院，陜西 西安 710300）

1 障礙物識別原理及算法

智能小車在避障時，識別障礙物的輪廓邊緣非常重要。在圖像處理中，灰度值變化是在圖像邊緣最明顯的特征之一，所以邊緣檢測是障礙物識別的核心。對圖像中各像素點進行求微分或二階微分來找到邊緣像素點，這樣就可以完成邊緣檢測[1]。

對于圖像邊緣檢測，國內外常用的算法有一階導數和二階導數邊緣檢測算法[2-4]。Canny算法是目前最優的一階邊緣檢測算法，其他算法在處理圖像時，圖像必須要經過提前降噪等一系列處理，而Canny算法可以省略這一步，因為Canny算法本身可以完成對圖像的降噪等預處理。Canny邊緣檢測的主要步驟如下。

1）高斯濾波。濾波的主要目的是對圖像處理算法進行降噪，采用高斯濾波會使圖像變平滑并增大邊緣的寬度。在一個位于（a,b）的像素點上，其灰度值可用f(a,b)來表示，高斯濾波的過程就是讓高斯矩陣和每一個像素點相乘，最終經過高斯濾波的灰度值gσ(a,b)如公式（1）所示：

2）計算梯度大小和方向。在圖像處理中，通常會采用梯度來表示灰度值變化比較大的像素點，其變化包括程度與方向，因此對于邊緣圖像灰度值變化的計算，常采用一階導差分數法，將圖像矩陣f(a,b)與卷積模板J1、J2進行卷積，J1、J2如公式（2）、（3）所示：

卷積后分別得到像素點（a,b）處水平方向的幅度值gx(a,b)與垂直方向的幅度值gy(a,b)，再通過梯度公式（4）和（5）計算得到梯度值和梯度方向。

3）非極大值抑制。在對圖像進行降噪處理時，采用的高斯濾波會將圖像邊緣增大，使得原本不是邊緣的像素點，也會被列入到圖像邊緣，所以需要采用非極大值抑制來過濾不是邊緣上的像素點，目的就是讓圖像邊緣的寬度盡可能為1個像素點，即位于圖像邊緣的像素點在梯度方向上的梯度值達到最大。這里添加一個類似于判斷函數，判斷像素點是否在梯度方向上的梯度值是最大，將最大值設為T，否則不是邊緣，將灰度值設為0。

4）使用雙閾值進行邊緣連接。經過上述三步后，已經能得到邊緣質量較高的圖像，但不能排除所有“偽邊緣”存在。Canny使用了高低兩個閾值作為滯后閾值，若像素值小于低閾值則去除該像素；若大于高閾值則認為是邊緣；介于高低閾值中間的像素需要進一步計算選擇連接的像素點，直到圖像閉合。

2 障礙物識別過程實現

智能小車障礙物識別如圖1所示，選用深度相機與Jetsion TX1作為硬件平臺來進行智能小車周圍環境的獲取與處理[5]。

圖1 智能小車采集環境信息示意圖

示意圖中紅色空間直角坐標系（Zm-Ym）為智能小車運行坐標系，藍色直角坐標系（Zc-Yc）為深度相機視覺范圍坐標系。在障礙物識別過程中，需對圖像的深度進行分析，而深度相機對障礙物圖像進行采集時，采集到的是像素點數據，無法直接顯示圖片的深度，所以需將深度圖的數據先轉化為灰度圖。為了降低灰度化的圖像輪廓上出現突起等問題，需進行形態學濾波、邊緣檢測等一系列操作，將障礙物標記出來。具體過程如圖2所示[1]。

圖2 障礙物識別流程圖

2.1 深度圖灰度化處理

本文深度相機采集的像素點實際數據是障礙物到相機的距離。距離范圍在0.1 m～25 m之間，但智能小車因體型的局限，實際可用范圍在0.5 m～3 m之間，所以在設置安全距離時，將3 m以外的距離內障礙物設置為0，拍攝的照片及深度圖如圖3所示。

圖3 拍攝的照片及深度圖

在深度圖灰度化處理的這一步中，需要進行數據格式轉換，即對深度相機采集的深度圖像數據格式采用OpenCV的convertTo函數進行轉換[6]。

2.2 圖像二值化

將采集到的圖像進行深度灰度化處理后，對圖像繼續進行二值化處理?；叶葓D有256個亮度等級，為了讓圖像只出現黑色或白色，采用圖像二值化讓圖像上包含的所有像素點灰度值為0或255。經過圖像二值化處理后的圖像如圖4所示。

圖4 二值化圖像

環境等不確定因素會使采集的圖像中包含一些非障礙物，若這些非障礙物不做處理，經過二值化處理后可能會被誤判成障礙物，所以需要設定一個閾值，閾值將采集的所有數據分為兩部分，即定義當灰度大于閾值時為最大值，灰度小于閾值時為0，這里用到的二值化函數原型為：cv2.threshold（img, threshold, maxval, type）。

2.3 形態學濾波

深度相機受外界環境影響，物體上會出現小洞，為了填充小洞，需采用閉運算來去除黑洞，并平滑邊界。而形態學濾波對于圖像處理來說本質和濾波器一樣，能對圖像進行降噪、邊緣增強等作用。本文中采用形態學濾波主要是為了進行閉運算處理[7]。最終運算處理后的結果如圖5所示。

圖5 形態學濾波后的圖像

2.4 目標物體邊緣檢測

障礙物圖像邊緣檢測可大幅減少數據量，剔除不相關信息，保留圖像結構屬性。本過程采用Canny函數來進行處理圖5圖形的邊緣檢測。

最終通過Canny算子處理后，再進行取反操作得到的圖像如圖6所示。

圖6 障礙物邊緣檢測圖

2.5 標記輪廓與凸包

經Canny算法可以檢測出障礙物輪廓邊緣的像素，但輸出的圖片并沒有將每一個像素點進行連接，因此需要在OpenCV函數庫先查找圖像邊緣每個像素點，然后使用drawContours函數將像素點輪廓繪制出來，最終得到的圖像如圖7所示。

圖7 繪制的邊緣輪廓

本實驗中采集的圖像相對較簡單，而實際中遇到棱角比較多且突出的障礙物時，根據以上的步驟難以分辨哪些區域可以在安全范圍內通過。實際應用中，人的手掌指縫外部范圍可以通過，而指縫是不能通過的，若不將指縫的間距進行特殊標記，經過算法識別后會判別可以通過，這種誤判會影響智能小車的行駛路徑，所以這些區域要在算法上進行排除處理。將手掌輪廓外部每個部分最突出的點進行連接，如圖8所示，直線連接后形成一個閉合的輪廓。在圖像處理中將這種圍成的邊界稱為圖像的凸包，當實際的圖像形成凸包后，可以近似認為整個凸包為障礙物，這樣做的目的是增大小車安全有效的路徑行駛。

圖8 凸包

所以需要算法能準確找出凸包輪廓像素點，此過程本文采用的是OpenCV中的convexHull函數來尋找凸包，使用drawContours函數來繪制凸包輪廓像素點。

對圖7進行凸包輪廓像素點的繪制，得到圖如圖9所示，圖中紅色線條（凸起部分）為識別出來的障礙物輪廓，黑色線條（平滑部分）為障礙物輪廓的凸包[1,8]。隨后將凸包進行形態學膨脹，目的是將輪廓凸包加粗外擴，如圖10所示。

圖9 輪廓凸包

圖10 膨脹后凸包圖

2.6 圖片尺寸調整

避障只是智能小車行駛過程中的功能之一，在識別完障礙物后還需對行駛的路徑進行規劃。為了使智能小車能及時地做出路徑規劃，則需要對圖片進行壓縮處理，壓縮圖片不會使圖像變形，反而使計算的像素點減小，縮短了識別時間[9-10]。本文使用的深度相機采集到的圖片大小為1 080×720，用OpenCV中的resize函數將圖像進行壓縮，最終壓縮為200×200。

為了驗證此算法是否適用于識別復雜的環境信息，用采集的室外圖像11（a）進行驗證，最終得到識別出的障礙物圖像如圖11（b）所示。因此提出該算法可以實現智能小車對障礙物的識別。

圖11 采集的室外圖像與識別結果

3 結論

本文介紹了障礙物識別的相關原理及算法，核心選用Canny算法對障礙物輪廓進行識別。在智能小車移動的過程中，采用深度相機對一定范圍內的環境進行圖像采集，并將圖像采用OpenCV函數進行二值化、濾波、邊緣檢測、標記輪廓凸包、調整圖像尺寸等一系列算法的處理，得到障礙物識別圖。最終經過驗證，不論在簡單或復雜的環境中均可以識別出障礙物。