SCI论文（www.lunwensci.com）
摘 要： 目前道路工况巡视、无人驾驶等领域需要应用道路障碍自动识别、检测技术,论文提出了基于图像识别的道路障 碍检测方法,通过应用双视觉识别模型实现道路障碍检测,论文首先阐述了摄像机视觉模型,在此基础上提出了双视觉模型, 重点对基于图像的障碍物检测算法进行了详细阐述,通过本算法提高了道路障碍检测的自动化处理效率。
关键词 ：障碍检测,图像识别,数字化处理,双视觉识别
Research on Road Obstacle Detection Method Based on Image Recognition
GUO Jiayi
(Xianlin Campus, Nanjing University of Posts and Telecommunications, Nanjing Jiangsu 210023)
【Abstract】： At present, it is necessary to apply road obstacle automatic identification and detection technology in the fields of road condition inspection and unmanned driving. This paper proposes a road obstacle detection method based on image recognition, and realizes road obstacle detection by applying the dual vision recognition model. Based on the camera vision model, a dual vision model is proposed, and the image-based obstacle detection algorithm is elaborated. The automatic processing efficiency of road obstacle detection is improved through this algorithm.
【Key words】： obstacle detection;image recognition;digital processing;dual vision recognition
0 引言
传统的道路障碍检测通过人工辨别方式及时发现处 理完成,但对于一些道路工况复杂区域、危险性较高的 区域,常规的人工排查方式受限或不准确,因此产生一 些道路障碍自动辨识的工具或平台,如应用于工况复杂 的隧道安全机器自动检测、无人驾驶汽车、危险道路的 巡视等领域中,通过摄像头自动获取图像,自动检测出 道路存在的障碍。
1 摄像机视觉模型
道路障碍物检测通过双目视觉模型取得左右两视图, 然后通过逆成像生成三维空间坐标系下的目标点的三维 坐标 [1]。为了说明左右视图下的三维坐标信息,对摄像 机视觉模型进行阐述,然后把此模型进行拓展,拓展到 双视觉模型中。如图 1 所示为摄像机成像几何模型图。
由图 1 可知,图像像素坐标系为二维坐标系统,坐 标系统的原点为摄像机光轴交点,其坐标轴 x 与 y 分别 与世界坐标系的 Xt 和 Yt 平行。摄像机坐标系统为定义在三维模型中的坐标系,坐标系的原点 o 为摄像机的光 心位置, x 轴、y 轴分别平行于图像坐标系中的 x 轴、y 轴。Z 轴为摄像机的光轴,垂直于成像平面,根据成像 原理,在摄像机坐标系中的某一点坐标是通过投影映射 到图像坐标平面的。世界坐标系即为客观真实世界中的 三维空间坐标系,其原点与 X 轴、Y 轴、Z 轴的设置需 要根据实际情况进行设置,这种设置坐标系统与其他坐 标系存在着平移变量和旋转变量关系,通过坐标变换可 实现不同坐标系之间的转换。
一般来说,摄像机的初始参数、平移变量与转换矩 阵参数等,在出厂前均已设置固定,其不会产生因成像 环境、应用次数而发生改变。摄像机的外参矩阵与在摄 像过程中的空间坐标中的运行轨迹相对应,当摄像机的 位置、方向发生变化时,就会自动产生对应的转换变量。
2 双视觉识别模型
双目视觉模型是指通过立体图像表来表达真实场景 的模型,其基于视差理论基础而开发的 [2],视觉系统分为两类 ：一类是由同一台摄像机采用运摄像方式,从不 同角度来拍摄静止的景像 ;另一类是由两台不同的摄像 机,分别采用不同角度来完成景物的拍摄。由于是两台 不同的摄像机拍摄模式,即双目视觉,比较适合动态场 景的检测,其灵活性强,满足道路障碍检测的需求。文采用双视觉识别模型来实现道路障碍检测。
双目视觉系统采用以下步骤来实现 ：
(1)图像采集。图像采集即通过视觉传感器从不同 角度采集到立体图像对,这是双目视觉成像的前提,进 行图像采集时,要考虑到具体的场景特征、光线、摄像 机的性能等。
(2)摄像机标定。现场场景中某一点与其在两个图 像平面上的投影位置关系是由摄像机的模型、参数来决 定的,摄像机精度决定了障碍物检测时的精度,设定摄 像机参数的过程就是摄像机标定。
(3)图像特征提取。本过程就是从图像中提取用于 匹配的基元过程,提取的特征是为立体匹配提供基础准 备的。在系统中,为提高立体匹配的精度以及匹配的速 度,同时保证匹配的稳定性,需要选择合理的图像特征。
(4)立体匹配。所有空间点在两个不同的摄像机平 面投影之间存在一定的几何关系,寻找这种几何关系的 过程即为立体匹配,立体匹配主要目的就是获取相应的 视差,提高匹配精度、降低匹配复杂度是当前立体匹配 研究的热点问题。
(5)三维深度确定。通过匹配点之间的映射关系和 摄像机的标定配置,计算出真实环境中目标点的三维深度, 故提高三维深度其关键是提高立体匹配与标定的精度。
3 图像数字化预处理
道路障碍物检测系统首先通过视觉系统采集图像, 然后对图像进行预处理。摄像机拍摄的图像是连续的, 而计算机所能够处理的图像属于数字信息,因此需要把拍摄的图像转成相应的数字图像。数字图像是指在亮度 上经过量化处理,空间上采样之后的图像,即对一幅连 续的图像,经过加工处理为成组的样本,每个数字图像 由数字矩阵组成,在坐标系中, x 轴与行数递增的方向 一致, y 轴与列数递增的方向一致, 数字图像矩阵中各 元素代表着像素。摄像机在采集图像过程中,会出现一 些噪声,而噪声会对障碍物的检测识别产生影响,因此 需要对采集的图像进行处理,如通过平滑处理降噪。
通常处理的方法包括两种 ：空间域法和频率域法, 其中频率域法处理过程较复杂,实时处理性较低,而论 文研究的道路障碍物检测要求实时性较高,因此数字图 像处理采用了空间域法。在降噪处理时,判断某一个像 素是否需要平滑处理,需要验证,使其像素的灰度值是 否其相邻领域的灰度值的平均值相差不大,如果其灰度 值与邻域值的平均数相差较大,则过滤掉原来的孤点, 使此像素的灰度值等于领域平均值。
4 基于图像的障碍物检测算法
前面阐述了双目视觉模型,论文通过双目视觉模型 来实现图像障碍物检测过程,下面分别从障碍物区域的 确定、障碍物基点的计算、建立约束条件以及构造障碍 物检测框等方面来设计基于图像的障碍物检测算法。
4.1 确定障碍物区域
在道路障碍物检测过程中,为减少障碍检测处理的 复杂度,引入基于路面消失点检测算法来提取路面,以 便确定机器人或无人机在巡视检测中的目标障碍区域。 路面区域的计算即去除天空、非需处理的交通标志牌以 及较远程的景物等,具体通过采用双目视觉的路面提取 算法来计算,然后通过道路边侧的消失点为界线消除图 像背景,以降低一些非障碍物区域内的视点差对检测过 程产生的影响。
在移除路面的背景以及远方景物后,需要进一步移除路面信息,才能确定障碍区域,为减少路面移除过程 的计算复杂度,提高计算速度,利用视差图拟合到路径 斜线的方式来实现,即拟合斜线后反投影转换成视差 值,然后把路面区域的所有像素点视差值赋为 0.然后 在视差图中把路面区域进行移除,余下的区域为确定的 障碍物区域。
4.2 计算出障碍基点
通过前面设计可知,在视差图中移除了路面区域和 背景区域后,视差图中非 0 的视差值组成的像素区域即 为目标障碍物区域。为了更有效地对障碍物区域进行分 析和数据提取,进一步细化处理检测目标障碍物,可对 目标区域内的障碍物进行划分,划出障碍物的基点,即 查找出障碍物与路面的交叉点。计算目标障碍物的基 点,一般采用边缘检测算法来实现,本论文采用的边缘 检测算法为 Canny 算法 [3],其为最优的边缘检测算法, 其处理模式采用了基于边缘梯度方向的非极大值限制, 同时采用双阈值的滞后阈值来处理,其性能较强,检测 效率高。
4.3 建立约束条件完成区域扩展
在提取障碍物区域基点后,由于障碍物在视差图中 存在相近的视差值,同时在双目视觉识别模型中,左右 摄像机的成像平面距离差值较小,因此可采用视差值控 制在一定范围内的约束,把三维视差图中的基点视为区 域生长算法的种子点和扩展方向,来完成障碍物区域中 目标障碍物的轮廓提取,其过程就是利用图像中像素点 的相似,根据预置的相似性判断参数对目标像素点进行 聚集处理,把特征相同且相似度参数范围内的区域进行 分割处理。区域生成即以种子点为基础,随后对像素种 子其周围的像素进行相似性度量参数进行对比,如果两 值在允许范围内,则当前像素点与原子像素点继续向外 扩展。
4.4 构造障碍物检测框
通过区域生成算法来获取目标障碍物在视差区域 后,根据计算出来的基点袖差图,对提取的障碍物检测 框进行标识,通过视差图对障碍物的高度信息进行采 集,经过 Hough 变换计算出障碍物线段、构造检测区 域的高度值,然后再经过 Hough 变换,根据视图差拟 合的线段结果来确定障碍物的宽度值,通过上述步骤, 实现目标障碍物检测框的完整构建,最终确定障碍物。
在构造完成障碍检测框后,便可确定路面的目标障 碍物,完成道路障碍物的识别检测。
5 道路障碍检测的实现
前面对基于图像识别的道路障碍检测模型、算法进 行了设计,本部分主要对具体的实现功能进行描述。道 路障碍检测系统可应用于机器人、道路无人自动巡视设 备和无人驾驶等领域,检测系统从框架上可分为感知 层、数据通信层、业务计算层、控制层等,下面分别对 这些层的设计进行描述。
(1) 感知层 ：主要用于获取客观图像, 系统采用双 摄像机,采集三维成像,感知层主要采集道路信息、远 处影物以及道路背景等。感知层通过设置一定的图像采 集频率来执行图像采集,如设置 5 张 / 秒,可根据巡视 速度、驾驶速度来设定。
(2) 数据通信层 ：在感知层获取图像后, 通过数据 通信层把采集到的数据传输到核心计算层,为保证数据 通信的稳定性,采用通信电缆实现数据的稳定传输,对 于一些速度较慢、数据传输性能要求较低的巡视设备, 可采用蓝牙通信模式。
(3) 业务计算层 ：采集完成数据后, 根据图像识别 算法,分别做图像预处理、障碍物区域的确定、障碍基 点的计算以及构造障碍物检测框等,来完成目标障碍物 的识别、检测处理,并且把计算结果传输给控制层。
(4) 控制层 ：根据业务计算层的结果, 记录道路障 碍物的状况,以成像或预警的方式对目标障碍物进行处 理,控制层根据应用场景来实现控制,当检测到障碍物 时,会自动进行预警提示或发出相应的指示,把当前距 离及时地反馈或记录在巡视日志中。
6 结语
本文首先论述了道路障碍检测的需求,然后分别介 绍了摄像机视觉模型和双视觉识别模型,随后阐述了图 像数字化预处理过程,在此基础上重点设计基于图像的 障碍物检测算法,最后在算法设计后,完成了系统平台 的实现。
参考文献
[1] 张艳霞.机器人立体视觉中摄像机的标定探析[J].机电工程 技术,2019.48(7):120-123.
[2] 唐东林,游传坤,丁超,等.爬壁机器人双目视觉障碍检测系统 [J].机械科学与技术,2020.39(5):765-772.
[3] 赵子润,高保禄,郭云云,等.基于改进Canny算法的噪声图像 边缘检测[J].计算机测量与控制,2020.28(12):202-206+212.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/53069.html
