基于单目视觉的无人车环境感知技术研究

2014-12-31毕书浩李守成完颜香丽

机械工程与自动化 2014年2期

毕书浩，李守成，完颜香丽

（南京理工大学机械工程学院，江苏南京 210094）

0 引言

主动安全性的无人车是未来汽车行业发展的趋势，它以车载计算机为核心，利用车载传感器系统识别周围环境，自动控制车辆的速度和方向使其在道路上安全行驶。在现有环境感知算法中，机器视觉算法能够提供障碍物大小和位置等基本信息，具有无可比拟的优势［1］。考虑到感知系统的鲁棒性和实时性，本文提出了一种在结构化道路上利用单目视觉技术来获取障碍物信息的方法，该方法通过CCD图像传感器获取前方道路环境信息，对采集的图像进行预处理［2］，采用模糊聚类的边界跟踪算法识别车道线，利用帧间差分法的二次改进算法实现对车道内障碍物的检测。

1 感兴趣区域确定

1.1 图像预处理

无人车在行驶过程中由于受到路面干扰因素的影响，采集到的图像质量下降［3］，因此需要对图像进行预处理。首先对图像进行灰度化处理，降低运算量；采用中值滤波在去除噪声的同时又能保留边缘细节［4］；在道路阴影不太严重时，采用大律法进行图像分割；通过Sobel边缘检测算子增强边缘信息后，道路图像有时会出现断裂缝隙，采用形态学处理的方法可将这些断裂缝隙桥接起来。

1.2 车道线的识别

三维世界在摄像机平面中的投影图像存在着消失点特征，汽车前方可行区域可由整幅图像缩小为由两条车道线和消失点组成的三角形区域，该区域称为感兴趣区域。道路图像经图像预处理后，道路边缘存在着明显的几何特征与亮度信息，据此，本文提出了基于模糊聚类的边界跟踪检测算法。

由于图像中存在噪声点，如果不加以分析而盲目地进行线性拟合，得到的车道线方程误差较大［5］。为精确定位道路图像中的车道线，对检测到的特征点采用模糊聚类的方法剔除孤立噪声点［6］。道路边缘检测的基本思路为：

（1）刚开始运行边界跟踪算法时，没有车道线位置特征参数可供参考，可以通过人工干预的形式设定直线的斜率范围阈值。

（2）建立边界特征点样本集，采用模糊聚类算法找出聚类中心。首先选取前3个聚类中心进行直线拟合，得出的斜率与阈值进行比较，如果其值在阈值范围内，保留这3个聚类中心，然后舍弃第一点，再选取下3个聚类中心进行拟合；如果拟合后的斜率值不在阈值范围内，用第4个聚类中心替换第3个聚类中心进行拟合，重复此步骤，直到拟合结果满足设定的阈值为止。

2 障碍物识别与定位

帧间差分法充分利用视频序列连续两帧间的相关性进行障碍物检测，运算速度快［7］，但该算法容易检测出背景区域。因此采用了二次改进算法，其基本原理是：利用相邻3帧图像两两差分，将两个差分结果进行逻辑与运算［8］。在图像序列中连续读取3帧图像，假设第n－1，n，n＋1帧图像分别为gn－1（x，y），gn（x，y），gn＋1（x，y），经过预处理后的图像分别为Gn－1（x，y），Gn（x，y），Gn＋1（x，y），计算相邻两帧图像的灰度值差：